A Harvard Business Reviewban megjelent, 2026. júniusi elemzések szerint azok a vállalatok, amelyek gyorsan és széles körben vezették be a generatív mesterséges intelligenciát, egyre gyakrabban szembesülnek a „tudásromlás” (knowledge decay) jelenségével. A szerzők — Matthias Holweg, az University of Oxford operációmenedzsment‑professzora és Thomas Davenport, a Babson College professzora — azt írják le, hogyan halmozódik fel a gyenge minőségű AI‑tartalom, és miként rontja ez a szervezeti döntéshozatal alapjául szolgáló információk megbízhatóságát.
Mi az a „workslop”?
A „workslop” kifejezést a BetterUp Labs és a Stanford Social Media Lab kutatói alkották meg 2025 szeptemberében megjelent Harvard Business Review‑cikkükben. Ezzel az AI által generált, első ránézésre megfelelőnek tűnő, de valós értéket nem adó munkákat jelölik. Egy 1150 amerikai teljes munkaidős dolgozót bevonó felmérés szerint a válaszadók 41 százaléka kapott legalább egy „workslop” jellegű anyagot az előző hónap során, és egy ilyen eset átlagosan 1 óra 56 perc pluszmunkát igényelt a hibák feltárásához és kijavításához.
Pénzügyi és szervezeti hatások
A BetterUp–Stanford kutatók a válaszadók által megadott bérek és idők alapján azt számolták ki, hogy egy „workslop” átlagosan havi 186 dollár veszteséget okoz munkavállalónként. Ennek alapján egy 10 ezer fős vállalat esetében a kutatók éves szinten több mint 9 millió dollár elvesztegetett munkaidőt jeleznek. A tanulmányok rámutatnak: ebben az összegben nincsenek benne a morálra, a bizalomra és az együttműködésre gyakorolt további negatív hatások, amelyek a társadalmi és szervezeti költségeket tovább növelhetik.
A BetterUp–Stanford felmérés szerint azok között, akik „workslopot” kaptak, 53 százalék bosszúsnak érezte magát; 42 százalék kevésbé tartotta megbízhatónak a küldőt; közel minden második válaszadó kevésbé tekintette kreatívnak, kompetensnek vagy megbízhatónak a küldőt; és minden harmadik munkavállaló kevésbé szívesen dolgozna újra együtt az adott kollégával.
Termelékenységi várakozások és valós eredmények
A generatív AI‑beruházások megtérülésére vonatkozó empirikus bizonyítékok egyelőre korlátozottak. A MIT Media Lab 2025 júliusi jelentése szerint a szervezetek 95 százaléka nem tudott mérhető megtérülést felmutatni generatív AI‑befektetései után. A Goldman Sachs 2026 márciusi elemzése szintén arra a következtetésre jutott, hogy gazdasági szinten nem mutatható ki érdemi összefüggés az AI‑adoptáció és a termelékenység javulása között, noha az S&P 500‑as cégek vezetői gyakran említik az AI‑t a negyedéves beszámolóikban.
Tudásromlás vs. AI‑hallucináció
A HBR‑szerzők megkülönböztetik a „tudásromlást” a jól ismert AI‑hallucinációktól. Míg a hallucináció egy konkrét ténybeli tévedés, addig a tudásromlás az a folyamat, amely során a hibás vagy alacsony erőfeszítéssel készült AI‑tartalmak hónapok, évek alatt felhalmozódva rontják a vállalat kollektív információs bázisát. Ennek következtében a dolgozók egyre kevésbé bíznak a belső dokumentumokban, és a megbízhatatlan alapokra épített folyamatok megbízhatatlan eredményeket adnak.
Különösen érzékeny: a toborzás
Holweg és Davenport szerint a felvételi folyamat különösen sérülékeny: AI‑generált önéletrajzok, AI‑kész álláshirdetések és automatizált szűrőrendszerek torzíthatják a toborzás eredményét, és csökkenthetik a toborzási folyamatba vetett bizalmat mind a jelentkezők, mind a toborzók részéről.
Nő a dolgozói ellenállás
Egy 2026‑os, 2400 amerikai, brit és európai dolgozót vizsgáló felmérés szerint a válaszadók 29 százaléka bevallotta, hogy aktívan igyekszik megakadályozni munkáltatója AI‑stratégiáját. A Z generációs munkavállalók körében ez az arány 44 százalék, ahol a legfőbb motiváció az állásvesztéstől való félelem.
Az elbocsátások és a valós képességek közti ellentmondás
A technológiai szektorban 2026‑ban több mint 95 ezer munkahelyet szüntettek meg 247 különálló leépítési esemény során, és ezek közel felét az AI‑ra való hivatkozással indokolták. Elemzők azonban kétségbe vonják, hogy sok vállalatnál ténylegesen léteztek‑e olyan kiforrott AI‑rendszerek, amelyek képesek lettek volna átvenni az elbocsátott munkát.
A megoldás több emberi munkát követel
A „workslop” kezeléséhez a HBR‑szerzők emberi ellenőrzési rétegek, minőségi sztenderdek és új felügyeleti folyamatok bevezetését javasolják az AI‑kimenetek köré. Ironikus módon ezek a lépések további emberi erőforrást kötnek le — azokat a munkaórákat, amelyeket a szervezetek eredetileg az AI‑tól reméltek megtakarítani.
Nem minden AI‑használat egyforma
Mindkét HBR‑cikk hangsúlyozza a különbséget a célspecifikus, vállalati adatokon finomhangolt modellek és a nyilvános, nagy nyelvi modellek (LLM‑ek) között. A szerzők szerint a vállalati adatokon tanított saját modellek nagyobb valós értéket teremthetnek, míg az általános LLM‑kimenetek gyakran sablonosak és hibákra hajlamosak.
Összegzés és korlátok
A Harvard Business Review cikkei és a kapcsolódó kutatások arra figyelmeztetnek, hogy a gyors, minőségbiztosítás nélküli AI‑bevezetés több oldalról hátrányos hatásokkal járhat: romló munkaminőség, növekvő rework‑igény, csökkenő bizalom és mérsékelten bizonyított termelékenységi haszon. A szerzők szakértelme súlyt ad az állításoknak, ugyanakkor maga a „tudásromlás” koncepció még nem támasztható alá kontrollált, hosszú távú empirikus vizsgálatokkal; a jelen következtetések több, egymástól független forrás alapján összeálló bizonyítékon nyugszanak.
