Entre no verlo y aceptarlo: así perciben los usuarios el workslop
¿Qué tan conscientes son los trabajadores del contenido de baja calidad que generan con IA? Un rediseño basado en datos de Harvard Business Review.
El elefante en la habitación: ¿qué tan útil es realmente lo que generamos con IA?
Cada vez es más común que la inteligencia artificial se utilice para generar contenido en entornos laborales: desde informes y presentaciones hasta fragmentos de código. Esta adopción creciente abre una pregunta clave: ¿qué tan buena es realmente la calidad de ese contenido?
En muchos casos, lo que parece un entregable bien estructurado y profesional puede carecer de profundidad, contexto o valor real. A este fenómeno se le ha denominado “workslop”: contenido generado con IA que aparenta ser útil, pero que en la práctica requiere rehacerse o aporta poco al trabajo.
En este contexto, resulta especialmente relevante entender cómo perciben los propios usuarios la calidad del contenido que generan con IA. ¿Son conscientes del problema? ¿Lo subestiman? ¿O incluso lo aceptan como parte del proceso?
Un estudio reciente publicado por Harvard Business Review explora precisamente esta percepción.
Cuando el diseño se interpone en el mensaje
Aunque el gráfico original presenta información interesante, su diseño dificulta la interpretación clara del mensaje.
Uno de los principales problemas es el uso de diagramas de pastel dentro del gráfico, que intentan reforzar el porcentaje de cada categoría. Sin embargo, en lugar de aportar claridad, introducen ruido visual y aumentan la carga cognitiva, haciendo más difícil comparar los valores entre categorías.
Además, el gráfico incluye líneas divisorias innecesarias entre barras que no aportan información adicional y fragmentan la lectura. Este tipo de elementos visuales compite con los datos en lugar de apoyarlos.
Otro punto a mejorar es la gran cantidad de categorías con rangos irregulares, lo que dificulta identificar patrones claros en la distribución. La falta de agrupación obliga al lector a hacer un esfuerzo adicional para entender la historia detrás de los datos.
Finalmente, el gráfico carece de un enfoque narrativo claro. Presenta los datos, pero no guía al usuario hacia los insights más relevantes, dejando la interpretación completamente abierta.
De distribución a historia: cómo hacer que los datos hablen
A partir de estas limitaciones, se propuso una versión alternativa enfocada en simplificar la lectura y reforzar la narrativa.
En primer lugar, se ajustó la orientación y estructura del gráfico para facilitar la incorporación de anotaciones directamente sobre los datos, permitiendo destacar los hallazgos más relevantes sin necesidad de elementos adicionales.
Se agruparon algunos rangos con baja representación para reducir el ruido visual, manteniendo la integridad de la información pero mejorando su legibilidad.
Uno de los cambios más importantes fue la introducción de tres grupos claramente diferenciados:
Un grupo significativo de usuarios (~30%) que no percibe ningún nivel de workslop, lo que puede reflejar confianza total —o incluso sobreconfianza— en el contenido generado.
La mayoría de los usuarios, que reconoce la existencia de workslop, pero en niveles moderados.
Un grupo más reducido (~10%) que admite que más de la mitad de su contenido podría considerarse workslop, y aun así lo utiliza.
Estos grupos permiten transformar el gráfico de una simple distribución en una herramienta de interpretación.
Adicionalmente, se simplificó la paleta de colores y se eliminaron elementos innecesarios como los gráficos de pastel, priorizando una estética más limpia y enfocada en el mensaje.
Menos gráficos, más criterio: lo que realmente importa aquí
Más allá del rediseño, este ejercicio deja varios aprendizajes relevantes.
En primer lugar, menos es más. Una única visualización bien construida puede ser suficiente para transmitir un mensaje claro, especialmente cuando se apoya en anotaciones y agrupaciones que guían la lectura.
En segundo lugar, el valor de una visualización no está solo en mostrar datos, sino en ayudar a interpretarlos. En este caso, el insight no está en los valores individuales, sino en los extremos: quienes no perciben ningún problema y quienes aceptan altos niveles de baja calidad.
Finalmente, este análisis abre una reflexión más amplia: el desafío del workslop no es únicamente técnico, sino también perceptual. No se trata solo de cuánto contenido de baja calidad se genera, sino de si somos capaces de reconocerlo —o si, en algunos casos, hemos empezado a normalizarlo.