Il termine è nuovo, il problema no: si chiama “workslop” ed è il contenuto generato dall’IA che sembra professionale, passa i controlli superficiali, ma non porta da nessuna parte. Una ricerca congiunta di BetterUp Labs e dello Stanford Social Media Lab ha messo i numeri su un fenomeno che molti manager già conoscono bene. Il 40% dei lavoratori ha ricevuto workslop nell’ultimo mese. Ogni episodio costa in media due ore di lavoro per correggere, verificare o riscrivere. Per un’azienda da 10.000 dipendenti, il totale annuo supera i 9 milioni di dollari.
La definizione tecnica è precisa: contenuto generato dall’IA che maschera il lavoro senza farlo davvero. Report che sembrano completi ma non dicono nulla di utile. Email lunghe che il destinatario deve riassumere con un altro modello linguistico. Presentazioni che soddisfano la richiesta formale del manager ma non avanzano il progetto di un millimetro. Il CEO di Shopify, Tobi Lütke, ha usato un’immagine efficace: la “slop grenade”, la granata di contenuto inutile che esplode nella casella di posta altrui, scaricando il lavoro vero su chi riceve. “Perché abbiamo inventato compressione e decompressione?”, ha detto. Il paradosso è che chi usa l’IA per rispondere più in fretta spesso rallenta chi deve leggere.
Il contesto spiega perché il fenomeno sia esploso adesso. Negli ultimi due anni l’adozione dell’IA nelle aziende è quasi raddoppiata, con workflow interi affidati a strumenti generativi. Molte organizzazioni hanno reso l’uso dei tool una pratica obbligatoria, senza però definire standard di qualità per l’output. Il risultato è quello che il MIT Media Lab ha rilevato in un rapporto recente: il 95% delle organizzazioni che hanno investito nell’IA non vede un ritorno misurabile. Per anni si era attribuito questo dato a un problema di tecnologia. La ricerca di BetterUp suggerisce invece che il problema è comportamentale: i dipendenti usano gli strumenti per produrre contenuto che sembra lavoro, non per produrre lavoro che funziona.
Quasi la metà del workslop circolano tra colleghi dello stesso livello. Un ulteriore 18% scende dai diretti riporti ai manager. Non è un problema di persone pigre: è un problema di incentivi mal calibrati. Se il sistema premia la velocità di consegna e non la qualità dell’output, l’IA diventa uno strumento per consegnare prima, non per consegnare meglio. La ricerca di Stanford tratteggia un parallelo con le prime fasi dell’email e di PowerPoint, quando le organizzazioni scambiavano il volume di attività per efficienza reale. La storia si ripete con strumenti più veloci.
La questione non è se l’IA generativa possa essere utile. Può esserlo. I dati della Wharton School mostrano guadagni di produttività reali in alcune aziende, ma distribuiti in modo disomogeneo tra team e settori. Il punto di rottura non è nella tecnologia, è nel metodo di adozione. Le aziende che fissano obiettivi specifici per ogni caso d’uso, che mantengono revisione umana sull’output e che non premiano la quantità indipendentemente dalla qualità, ottengono risultati diversi. Quelle che delegano in blocco, senza governance, accumulano workslop e poi pagano qualcun altro per smaltirlo. Il costo non è solo economico: ogni correzione erode la fiducia tra colleghi e rallenta i processi decisionali. A quel punto, l’IA ha fatto esattamente l’opposto di ciò per cui era stata introdotta.
