La productividad que se paga en el escritorio de al lado

Piensa en el último correo complicado que recibiste. Uno de esos hilos largos, con tres personas en copia y una decisión enredada adentro. Tenías dos caminos. El primero era leerlo con calma, entender qué estaban pidiendo realmente y responder “de acuerdo, avancemos”. Dos minutos de lectura, cuatro palabras de respuesta. El segundo era pegarlo en una IA, pedirle un resumen, pedirle una respuesta que sonara a la altura, revisarla por encima y enviarla.

El segundo camino se siente más productivo. Se ve más profesional. Y muchas veces termina en un intercambio de diez mensajes, tres aclaraciones y una reunión para confirmar que todos estaban de acuerdo desde el principio.

Lo que se aceleró no fue resolver. Fue producir.

Esta distinción parece menor y no lo es, porque ahí se está yendo buena parte de la plata que las empresas creen estar ahorrando con inteligencia artificial. En septiembre de 2025, un equipo de BetterUp Labs junto al Stanford Social Media Lab publicó en Harvard Business Review un término para esto: workslop. Lo definieron como contenido generado con IA que aparenta ser buen trabajo pero carece de la sustancia para hacer avanzar la tarea. En su encuesta a 1.150 trabajadores estadounidenses, el 41% había recibido algo así en el mes anterior, y cada episodio les costaba en promedio una hora y 56 minutos resolverlo. Calculado sobre los sueldos reportados, son unos 186 dólares mensuales por empleado. En una organización de diez mil personas, alrededor de nueve millones de dólares al año.

Pero el número que más me interesa de ese estudio no es el costo. Es el efecto social. Más de la mitad de quienes recibieron workslop declararon molestia, un 42% consideró menos confiable a quien se lo envió y cerca de un tercio dijo que preferiría no volver a trabajar con esa persona. Es decir, la herramienta que usamos para parecer competentes está logrando exactamente lo contrario, y quien la usa no se entera.

Ahí está el mecanismo completo. El trabajo mal pensado no desaparece, se traslada. El que genera el documento ahorra veinte minutos y el que lo recibe pierde dos horas interpretándolo, corrigiéndolo o rehaciéndolo. En la contabilidad de la empresa, el ahorro aparece y el costo no, porque ocurre en otro escritorio, en otra gerencia, en otro trimestre. Es una transferencia disfrazada de eficiencia.

El problema de fondo es que somos pésimos jueces de nuestra propia velocidad. En julio de 2025, el laboratorio independiente METR hizo un experimento controlado con desarrolladores experimentados trabajando en sus propios repositorios. Antes de empezar, estimaron que la IA los haría un 24% más rápidos. Al terminar, sintieron que habían sido un 20% más rápidos. La medición mostró que se demoraron un 19% más. Vale la pena decir que el propio METR advirtió en febrero de 2026 que ese resultado ya no refleja necesariamente las herramientas actuales y que su estudio de seguimiento tuvo problemas de selección. No corresponde usarlo para afirmar que la IA nos hace más lentos. Pero lo que sí queda en pie, y es lo incómodo, es que la percepción y el cronómetro apuntaron en direcciones opuestas, y nadie en la sala lo notó.

En el código pasa lo mismo y queda registrado. GitClear analizó 211 millones de líneas modificadas entre 2020 y 2024. Las líneas asociadas a refactorización, que es el trabajo de ordenar y reutilizar lo que ya existe, cayeron desde cerca del 25% en 2021 a menos del 10% en 2024. El código copiado y pegado subió, y 2024 fue el primer año registrado en que el copiar y pegar superó al reordenar. Los bloques duplicados se multiplicaron por ocho en un solo año. Se escribió más código que nunca y se ordenó menos que nunca. Alguien va a pagar esa diferencia, y no va a ser quien apretó el tab.

Es tentador leer todo esto como un problema de gente floja que usa mal la herramienta. No lo es, y esa lectura es la que impide arreglarlo. Un estudio posterior de los mismos investigadores, publicado en enero de 2026, encontró que el workslop aparece donde hay mandatos de IA poco claros y equipos sobrecargados. Traducido: cuando la instrucción desde arriba es “usen IA” y la métrica es la adopción, la organización obtiene exactamente lo que pidió. Gente usando IA. Nadie pidió entendimiento, así que nadie lo entregó.

Y aquí es donde el problema deja de ser tecnológico. Si tu tablero muestra porcentaje de adopción, cantidad de consultas o ahorro de horas estimado, estás midiendo la mitad barata de la ecuación. La mitad cara es el retrabajo, y casi ninguna empresa lo mide, porque medirlo implicaría preguntarle a quien recibe el trabajo cuánto tiempo le tomó dejarlo utilizable. Es una pregunta simple y casi nadie la hace.

Producir dejó de ser el cuello de botella. Entender nunca dejó de serlo. La diferencia es que antes ese desbalance no se notaba, porque producir también era caro y lento, y esa lentitud nos obligaba a pensar un poco antes de empezar.

Así que la pregunta que sigue, y que dejo abierta para la próxima columna, es quién en tu organización tiene hoy el trabajo explícito de pensar antes de que alguien apriete generar.

¿Cuánto tiempo de tu semana pasada se fue en arreglar algo que llegó impecable y mal pensado, y a quién le reportaste ese costo?