عصر ایران/ سواد زندگی؛ مریم طرزی- هوش مصنوعی مولد قرار بود کار را سریع‌تر و آسان‌تر کند.بسیاری از سازمان‌ها این وعده را باور کردند. اما نتیجه برعکس شد. در سال ۲۰۲۶، پژوهشگران گارتنر و مجمع جهانی اقتصاد پدیده‌ای تازه را شناسایی کردند. این پدیده در نگاه اول بی‌ضرر به نظر می‌رسد. اما امروز به یکی از بزرگ‌ترین تهدیدهای پنهان بهره‌وری سازمانی تبدیل شده است: «Workslop» یا اشتباه کاری یا زباله کاری هوش مصنوعی.
آزمایشگاه‌های BetterUp و دانشگاه استنفورد این اصطلاح را نخستین بار در سپتامبر ۲۰۲۵ ابداع کردند. این اصطلاح به خروجی‌های هوش مصنوعی اشاره دارد.
این خروجی‌ها ظاهری صیقلی و حرفه‌ای دارند. اما جوهر، زمینه یا دقت لازم برای پیشبرد یک وظیفه را ندارند.
به بیان ساده‌تر، Workslop کاری است که «تمام‌شده» به نظر می‌رسد اما کسی که آن را دریافت می‌کند، باید از صفر دوباره انجامش دهد.
داده‌ها تکان‌دهنده هستند. پژوهش مشترک BetterUp و استنفورد نشان می‌دهد که ۴۱ درصد از کارکنان اداری در ماه گذشته حداقل یک بار Workslop دریافت کرده‌اند و هر مورد به طور متوسط نزدیک به دو ساعت زمان برای اصلاح یا بازانجام می‌طلبد .
برای یک سازمان ۱۰,۰۰۰ نفره، این یعنی حدود ۹ میلیون دلار در سال بهره‌وری از دست‌رفته—و این رقم فقط هزینه مستقیم زمان است .
اما مسئله فراتر از پول است. نظرسنجی Zety در ژانویه ۲۰۲۶ نشان داد که ۵۵ درصد از کارکنان Workslop را از مدیران خود دریافت می‌کنند، نه از همکاران تازه‌کار یا کارآموزان .
این یعنی کسانی که قرار است کیفیت را تضمین کنند، خودشان منبع اصلی زباله کاری هستند.
در سازمان‌هایی که استفاده از هوش مصنوعی اجباری شده، ۷۳ درصد از کارکنان مجبور شده‌اند خروجی هوش مصنوعی همکاران شان را اصلاح کنند—بالاترین نرخ بازکاری ثبت‌شده .
هزینه عاطفی نیز قابل اندازه‌گیری است: ۵۳ درصد از دریافت‌کنندگان Workslop احساس «آزردگی»، ۳۸ درصد «سردرگمی» و ۲۲ درصد «توهین» گزارش کرده‌اند .
حس توهین از این واقعیت ناشی می‌شود که دریافت Workslop به فرد این پیام را می‌رساند که «وقت شما ارزش کمتری از سی ثانیه‌ای دارد که صرف تولید این خروجی شده است».
مهم‌ترین یافته پژوهشی این است که Workslop نه محصول ضعف فناوری، بلکه محصول دستورالعمل‌های مبهم و تیم‌های فرسوده است.
مقاله ژانویه ۲۰۲۶ هاروارد بیزینس ریویو نشان می‌دهد که ترکیب «دستورهای مبهم برای استفاده از هوش مصنوعی» با «کارکنانی که از نظر روانی تخلیه شده‌اند و در محیطی کار می‌کنند که اعتراف به ندانستن یا درخواست کمک در آن امن نیست»، دستور پخت دقیق تولید Workslop را فراهم می‌کند .
مجمع جهانی اقتصاد در تحلیل ژانویه ۲۰۲۶ خود دو نوع کاربر هوش مصنوعی را از هم تفکیک می‌کند: «خلبان‌ها» که از هوش مصنوعی برای گسترش توانایی‌های کاری خود استفاده می‌کنند و «مسافران» که آن را به عنوان میان‌بُری برای رسیدن به محصول نهایی به کار می‌گیرند .
خلبان‌ها با ابزار «گفتگو» می‌کنند—زمینه می‌دهند، پاسخ‌ها را نقد می‌کنند و از هوش مصنوعی می‌خواهند با آن‌ها فکر کند.
مسافران اولین خروجی قابل قبول را می‌پذیرند و آن را به مرحله بعد می‌فرستند.
تفاوت عملکرد بین این دو گروه، بخش بزرگی از شکاف بهره‌وری میان تیم‌ها را توضیح می‌دهد.
«تشویق بی‌رویه و بدون تمایز استفاده از هوش مصنوعی، یکی از قوی‌ترین پیش‌بینی‌کننده‌های تولید Workslop است» .
وقتی مدیران صرفاً می‌گویند «از هوش مصنوعی استفاده کنید» بدون آنکه مشخص کنند برای چه کاری، با چه استانداردی و چه زمانی نباید از آن استفاده کرد، کارکنان به سمت میان‌بُرها هل داده می‌شوند.
اگر Workslop را فقط یک مشکل بهره‌وری فردی ببینید، بخش بزرگ‌تری از ماجرا را از دست داده‌اید.
ماتیاس هولویگ (استاد دانشگاه آکسفورد) و توماس داونپورت (استاد کالج بابسون) در مقاله ژوئن ۲۰۲۶ هاروارد بیزینس ریویو هشدار می‌دهند: وقتی Workslop در سراسر فرآیندهای سازمان تکرار می‌شود، فرآیندها و خروجی‌ها به تدریج فرسوده می‌شوند. خطاها روی هم انباشته می‌شوند و اعتماد از بین می‌رود.
در نتیجه، دستاوردهای بهره‌وری هوش مصنوعی ناپدید می‌شوند. پژوهشگران این پدیده را «زوال دانش» (Knowledge Decay) می‌نامند.
زوال دانش با «توهم» (Hallucination) متفاوت است. توهم یک خطای واقعی در خروجی هوش مصنوعی است.
زوال دانش آن چیزی است که در طول ماه‌ها اتفاق می‌افتد: کارکنان دیگر به اسناد داخلی اعتماد نمی‌کنند. فرآیندهای مبتنی بر اطلاعات غیرقابل اعتماد نتایج غیرقابل اعتماد تولید می‌کنند.
در همین راستا حافظه نهادی نحیف می‌شود زیرا افراد به جای توسعه تخصص خود، به هوش مصنوعی تکیه می‌کنند .
اعتماد بین فردی نیز قربانی می‌شود. در نظرسنجی BetterUp و استنفورد، ۴۲ درصد از دریافت‌کنندگان Workslop گفتند که فرستنده را کمتر قابل اعتماد می‌بینند و حدود نیمی از آن‌ها همکار خود را «کمتر خلاق، توانمند یا قابل اتکا» ارزیابی کردند.
یک‌سوم گفتند که دیگر تمایلی به همکاری با آن شخص ندارند . این یعنی Workslop نه فقط زمان، بلکه سرمایه اجتماعی سازمان را نیز مصرف می‌کند—و سرمایه اجتماعی بسیار سخت‌تر از زمان بازسازی می‌شود.
اگر تنها معیار موفقیت هوش مصنوعی در سازمان شما «چند ساعت صرفه‌جویی شد» باشد، کارکنان یاد می‌گیرند که سریع‌ترین خروجی را تولید کنند، نه بهترین.
معیارهای مکمل تعریف کنید: نرخ بازکاری خروجی‌های هوش مصنوعی، نسبت خروجی‌هایی که بدون اصلاح قابل استفاده بوده‌اند، و میزان «زمینه‌ای» که کاربر به هوش مصنوعی داده است.
«از هوش مصنوعی استفاده کنید» دستورالعمل نیست. دستورالعمل این است: «برای تحلیل داده‌های مشتری از هوش مصنوعی استفاده نکنید مگر اینکه خروجی را با نمونه تصادفی ۱۰ درصدی اعتبارسنجی کنید» یا «برای ایمیل‌های خارجی، هوش مصنوعی فقط پیش‌نویس می‌دهد؛ امضاکننده مسئول نهایی است».
پژوهش BetterUp نشان می‌دهد که آموزش مهارت‌های رابطه‌ای—پرسیدن سؤال بهتر، دادن زمینه، نقد پاسخ‌ها—موجب می‌شود کارکنان ۳۰ درصد بیشتر با ابزارهای هوش مصنوعی تعامل سازنده داشته باشند و کار باکیفیت‌تری تولید کنند .
بخشی از Workslop از ترس ناشی می‌شود. اگر کارمندی نداند چگونه از هوش مصنوعی برای یک وظیفه خاص استفاده کند، اما احساس کند اعتراف به این ندانستن او را بی‌کفایت نشان می‌دهد، به میان‌بُر روی می‌آورد.
رهبری مشارکتی—دعوت به سؤال، آشکار کردن عدم‌قطعیت و عمل بر اساس بازخورد کارکنان—احتمال شکل‌گیری ذهنیت «خلبان» را از ۶ برابر (وقتی فقط استفاده از هوش مصنوعی اجباری است) به ۲۱ برابر افزایش می‌دهد .
یکی از راه‌های کاهش Workslop این است که مشخص شود یک خروجی چگونه تولید شده است: آیا هوش مصنوعی استفاده شده؟
چه کسی آن را بررسی کرده؟ چه تغییراتی اعمال شده؟ وقتی فرآیند قضاوت انسانی قابل مشاهده باشد، فرستنده می‌داند که «صیقلی بودن ظاهری» کافی نیست و گیرنده می‌داند که یک انسان واقعاً روی خروجی کار کرده است .
Workslop یک بیماری فناوری نیست. یک بیماری مدیریتی است. زمانی شکوفا می‌شود که سازمان‌ها فشار برای «استفاده از هوش مصنوعی» را با فشار برای «کیفیت» جایگزین می‌کنند.
زمانی که مدیران دستور می‌دهند بدون آنکه زمینه بدهند، و زمانی که کارکنان چنان از نظر زمانی و روانی تحت فشار هستند که «سریع تحویل دادن» تنها گزینه منطقی به نظر می‌رسد.
اما Workslop قابل درمان است. پژوهش‌ها نشان می‌دهند که مداخلات هدفمند—آموزش مهارت‌های گفتگو با هوش مصنوعی، شفاف‌سازی انتظارات، و رهبری مشارکتی—می‌توانند در عرض چند ماه نرخ بازکاری را به طور محسوسی کاهش دهند.
خبر بد این است که هیچ‌کدام از این مداخلات ارزان یا خودکار نیستند. اما هزینه آن‌ها در مقایسه با ۹ میلیون دلاری که یک سازمان ۱۰,۰۰۰ نفره سالانه صرف اصلاح زباله کاری می‌کند، سرمایه‌گذاری کوچکی به نظر می‌رسد.
منابع پیشنهادی برای مطالعه بیشتر
Harvard Business Review — “Don’t Let AI Slop Muck Up Your Company’s Processes” (ژوئن ۲۰۲۶): تحلیل زوال دانش سازمانی و سه چالش اعتبارسنجی، تأیید و آنتروپی.(مشاهده مقاله)
World Economic Forum — “Workslop: Why AI performance depends on how we think, talk and lead” (ژانویه ۲۰۲۶): تفکیک «خلبان» از «مسافر» و نقش رهبری در کیفیت خروجی هوش مصنوعی.(مشاهده مقاله)
Gartner — “9 Future of Work Trends for 2026” (ژانویه ۲۰۲۶): Workslop به عنوان یکی از nine روند کلیدی که سازمان‌ها باید در سال ۲۰۲۶ مدیریت کنند.(مشاهده گزارش)
BetterUp & Stanford Social Media Lab — پژوهش اولیه Workslop (سپتامبر ۲۰۲۵، HBR): داده‌های بنیادین درباره شیوع، هزینه و پیامدهای عاطفی Workslop.
کانال تلگرامی سواد زندگی: savadzendegi@