La basura de IA no se limita a los videos con gatos en Facebook. Se ha infiltrado en los lugares de trabajo.

El  Harvard Business Review acaba de acuñar una palabra para denominar la baja calidad de documentos laborales generados por IA: workslop, algo así como “trabajo de mala calidad”. La respetada publicación de negocios argumenta que se trata de una pila creciente de memos e informes, una de las razones por las que tantas compañías no ven grandes retornos por sus inversiones en IA. 

Llega en el momento justo

El informe llega en un momento en que la industria de la IA sigue creciendo. Naciones Unidas acaba de proyectar que el mercado global de IA crecerá de U$189 mil millones en 2023 a U$4,8 billones para 2033. En EE.UU. la porción de empleados que afirman usar IA al menos unas veces al año casi se duplicó, de 21% a 40% según Gallup. Accenture informó que la cantidad de compañías que adoptaron IA para sus procesos casi se duplicó en el último año.

Pero a medida que las oficinas de todo el mundo se acostumbran a usar herramientas de IA para trabajar y no quedar atrás, son muy pocas las compañías que ven retornos.

El mes pasado un estudio del Laboratorio de Medios del MIT encontró que menos de uno de cada diez proyectos piloto de IA rindieron ingresos reales, advirtiendo que “el 95% de las organizaciones no obtienen retornos” por apostar a la IA. Basándose en 150 entrevistas con ejecutivos y una encuesta con 350 empleados, más un análisis de 300 despliegues públicos de IA, el informe causó una caída en las acciones de IA.

Ahora, investigadores de BetterUp Labs, del Harvard Business Review, trabajando con el Laboratorio de Redes Sociales de Stanford, señalan que el workslop sería el posible culpable de estos resultados tan desalentadores.

“El efecto insidioso del workslop es que traslada la carga de trabajo hacia abajo, lo que requiere que el receptor lo interprete, corrija o rehaga. Es decir que transfiere el esfuerzo del creador al receptor”, escribieron los autores del informe.

Qué es el workslop

El Harvard Business Review define el workslop como “contenido laboral generado por IA que se disfraza de trabajo bueno pero carece de la sustancia para que una tarea determinada avance  de manera significativa”.

El aspecto podría ser el de diapositivas pulidas para una presentación, o elocuentes resúmenes de informes, o incluso códigos que se ven bien, pero al inspeccionar estas cosas se observa que falta el contexto clave, y en última instancia no resulta útil.

De acuerdo con la encuesta continua de los investigadores el problema es general. De 1.150 empleados estadounidenses en diferentes industrias y que trabajan a tiempo completo, el 40% dijo que en el último mes habían recibido workslop.

El daño que produce el workslop en compañías y trabajadores

La proliferación del workslop puede costarle a una compañía dinero, tiempo e incluso confianza entre trabajadores.

Los encuestados dijeron pasar un promedio de casi dos horas cada vez lidiando con resultados de IA de mala calidad. Se calculó que basándose en sus salarios, a la compañía el workslop le cuesta un precio invisible de unos U$186 por mes. Eso puede traducirse en millones de dólares de pérdida de productividad cada año.

El workslop también tiene su precio social y emocional en la oficina. 53% de los empleados dijo que recibir workslop les enoja, el 38% dijo que siente confusión, y el 22% se siente ofendido. La mitad de los que respondieron la encuesta también dijeron que consideran menos capaces y confiables a los colegas que les envían workslop.

Cómo evitar el workslop

Para evitar el workslop los investigadores sugieren que los directivos y administradores necesitan establecer salvaguardas claras y presentar modelos del uso de IA que resulten de calidad. El mandato de “usar la IA en todo, todo el tiempo” ha causado que la gente haga “copy-paste” para redactar documentos.

Las compañías deben, en cambio, desarrollar mejores prácticas y sugerir que la IA generativa puede añadir valor y ayudar a cumplir objetivos mediante el uso correcto y recomendado.

Este artículo ha sido traducido de Gizmodo US por Lucas Handley. Aquí podrás encontrar la versión original.