A Harvard Business Review (HBR) több cikke azt állítja, hogy azok a vállalatok, amelyek nagymértékben bevezették a generatív mesterséges intelligenciát, egyre gyakrabban ütköznek egy „tudásromlás” (knowledge decay) nevű jelenségbe. A szerzők — Matthias Holweg, az University of Oxford operációmenedzsment‑professzora, és Thomas Davenport, a Babson College professzora — szerint a probléma nem csupán egyedi hibák sorozata: az alacsony minőségű AI‑tartalom fokozatosan rontja azt az információs bázist, amelyre a szervezetek a döntéseiket alapozzák. A HBR június 2026‑i elemzése visszacsatolási spirált ír le, amelyben a hibás vagy érték nélküli AI‑kimenetek következő munkafázisok alapanyagává válnak, és így nő a javításra, ellenőrzésre fordított munka mennyisége.
A "workslop" fogalma és mérése
A gyenge minőségű AI‑állományokra a BetterUp Labs és a Stanford Social Media Lab kutatói 2025 szeptemberében megalkották a „workslop” kifejezést. Ezzel olyan AI‑által előállított munkákat jelölnek, amelyek első ránézésre megfelelőnek tűnnek, de valójában nem tartalmaznak elegendő értéket a feladat előrehaladásához. Egy 1 150 teljes munkaidős amerikai alkalmazottal végzett felmérés szerint a válaszadók 41 százaléka kapott legalább egy ilyen „workslop” anyagot az előző hónapban; egy eset átlagosan 1 óra 56 perc pluszmunkát igényelt a hibák feltárására és kijavítására.
Pénzügyi és szervezeti következmények
A BetterUp–Stanford kutatók a válaszadók bére és az extra idő alapján számoltak: átlagosan havi 186 dollár veszteséget okoz munkavállalónként a „workslop”. Ebből kiindulva egy 10 000 főt foglalkoztató cég éves szinten több mint 9 millió dollár elvesztegetett munkaidőt tehet ki. Ebbe a számításba nem épülnek be a morálra, a bizalomra és az együttműködésre gyakorolt többlethátrányok: a kutatás szerint azok között, akik „workslopot” kaptak, 53 százalék bosszúsnak érezte magát, 42 százalék kevésbé tartotta megbízhatónak a küldőt, majdnem minden második válaszadó szerint a küldő kevésbé kreatív vagy kompetens lett, és minden harmadik munkavállaló kevésbé szívesen dolgozna újra együtt az illetővel.
Termelékenységi ígéretek és valós megtérülés
A szélesebb kép sem biztató: a MIT Media Lab 2025 júliusi jelentése szerint a szervezetek 95 százaléka nem tudott mérhető megtérülést felmutatni generatív AI‑beruházásaiból, bár világszerte nagy összegeket költöttek ezekre a technológiákra. Hasonló következtetésre jutott a Goldman Sachs 2026 márciusi elemzése: gazdasági szinten nem mutatható ki egyértelmű kapcsolat az AI‑adoptáció és a termelékenység javulása között, miközben az S&P 500 cégek vezetőinek több mint 70 százaléka említette az AI‑t negyedéves beszámolójában.
Mi különbözteti meg a tudásromlást az AI‑hallucinációtól?
A „tudásromlás” fogalma eltér az AI‑hallucinációtól. A hallucináció egy konkrét ténybeli hibát jelöl egy AI‑válaszban; a tudásromlás viszont azt a folyamatot írja le, amikor az ilyen hibák és az általánosan alacsony erőfeszítéssel készült kimenetek hónapokon át felhalmozódnak egy szervezetben. Ennek következményeként csökken a belső dokumentumokba vetett bizalom, megbízhatatlan információkra épülő folyamatok gyengébb eredményeket adnak, és a dolgozók egyre inkább az AI‑tól függnek saját szakértelmük fejlesztése helyett.
Különösen érintett területek: toborzás és dolgozói ellenállás
Holweg és Davenport kiemelik, hogy a felvételi folyamat különösen kiszolgáltatott: AI‑generált önéletrajzok és álláshirdetések eltéríthetik a toborzást, az automatizált szűrők pedig alkalmas jelölteket zárhatnak ki. Az HBR szerint emiatt a toborzásba vetett bizalom „történelmi mélypontra” esett mind a jelentkezők, mind a toborzók szemében. Emellett a munkavállalói ellenállás is erősödik: egy 2026‑os, 2 400 amerikai, brit és európai dolgozót vizsgáló felmérés szerint a válaszadók 29 százaléka bevallotta, hogy aktívan akadályozza munkáltatója AI‑stratégiáját; a Z generációs válaszadók között ez az arány 44 százalék volt, elsősorban az állásvesztéstől való félelem miatt.
AI‑alapú leépítések és a valóság
A jelenség egybeesik az AI‑hivatkozású elbocsátások hullámával: a technológiai szektorban 2026‑ban több mint 95 000 munkahely szűnt meg 247 különálló leépítési eseményben, és ezek közel felét az érintett vállalatok AI‑okkal indokolták. Elemzők azonban megkérdőjelezték, hogy ezeknél a cégeknél valóban olyan kiforrott AI‑rendszerek működtek‑e, amelyek át tudták volna venni az elbocsátott munkatársak feladatait.
A megoldás: több emberi munka és minőségbiztosítás
Ironikus módon a „workslop” és a tudásromlás kezelése több emberi erőforrást és új folyamatokat követel meg: vezetői kontrollok, minőségi sztenderdek és emberi felügyeleti réteg bevezetése szükséges ahhoz, hogy az AI‑kimenetek megfeleljenek az elvárásoknak. Ez viszont csökkenti azokat a hatékonysági érveket, amelyek miatt sok vállalat gyorsan adoptálta a technológiát.
Nem minden AI‑használat egyforma
A HBR‑cikkek hangsúlyozzák a különbséget a válogatás nélküli, széleskörű AI‑használat és a célzott alkalmazás között. A júniusi elemzés szerint vállalatspecifikus adatokon tanított, belső modellek valódi értéket teremthetnek, míg a nyilvános nagy nyelvi modellek (LLM‑ek) gyakran sablonos szövegeket adnak, amelyekben gyakoribbak a hibák. Azok a cégek, amelyek az AI‑ígéretekre hivatkozva befagyasztották a felvételeket, most azt tapasztalhatják, hogy a munka minősége gyorsabban romlik, mint ahogy a létszám csökken.
Következtetés
A „tudásromlás” koncepció új megvilágításba helyezi az AI‑körüli termelékenységi vitát: nemcsak az a kérdés, hogy az AI gyorsít‑e bizonyos feladatokat, hanem az is, hogy a széleskörű használat javítja‑e vagy rontja‑e a szervezetek döntéshozatali képességét. A Harvard Business Review szerzői szerint azoknál a cégeknél, amelyek nem vezettek be megfelelő minőségbiztosítási mechanizmusokat, az eredmény inkább negatív. Fontos azonban megjegyezni, hogy a „tudásromlás” elméletét eddig elsősorban meglévő kutatások szintézise és önbevalláson alapuló felmérések támasztják alá; hiányoznak a kontrollált empirikus vizsgálatok. Mindazonáltal több, független kutatás és elemzés — köztük a Goldman Sachs, a MIT, a BCG, valamint két HBR‑csoport munkája — hasonló irányba mutat: sok vállalat nem azt kapja a generatív AI‑tól, amit remélt, és különösen a leggyorsabban bevezetők kockáztatják a legnagyobb rejtett költségeket.
body_en:
The issue: generative AI and "knowledge decay"
Several recent Harvard Business Review (HBR) articles warn that firms that have aggressively adopted generative artificial intelligence are increasingly facing a phenomenon labeled "knowledge decay." The authors — Matthias Holweg, professor of operations management at the University of Oxford, and Thomas Davenport, professor at Babson College — argue that low‑quality AI output gradually corrodes the information base companies use for decision making. The June 2026 HBR analysis describes a feedback loop in which faulty or low‑value AI outputs become inputs for subsequent work phases, increasing the time teams spend on checking and fixing content.
Defining and measuring "workslop"
Researchers at BetterUp Labs and the Stanford Social Media Lab coined the term "workslop" in an HBR piece published in September 2025 to describe AI‑generated work that appears serviceable but lacks sufficient value to advance tasks. In a survey of 1,150 full‑time U.S. employees, 41% reported receiving at least one workslop item in the prior month; each incident required on average 1 hour 56 minutes of extra work to uncover and correct errors.
Financial and organizational costs
Using respondents' reported wages and time, the BetterUp–Stanford team estimated that workslop costs an average of $186 per employee per month. For a company with 10,000 employees this would translate to more than $9 million in lost work time annually. That figure excludes broader impacts on morale, trust, and collaboration: among those who received workslop, 53% felt annoyed, 42% trusted the sender less, nearly half judged the sender as less creative or competent, and one in three were less willing to collaborate with that colleague again.
Productivity promises vs. measured returns
Broader evidence on productivity is similarly sobering. The MIT Media Lab reported in July 2025 that 95% of organizations could not demonstrate measurable returns from generative AI investments despite large global spending. Goldman Sachs reached a comparable conclusion in March 2026: at the macro level there is no clear link between AI adoption and productivity gains, even as more than 70% of S&P 500 executives mentioned AI in quarterly earnings reports.
How knowledge decay differs from hallucinations
Knowledge decay is distinct from the familiar notion of AI hallucinations. A hallucination is a discrete factual error in an AI response; knowledge decay describes what happens when such errors and generally low‑effort outputs accumulate across months in an organization. Employees lose confidence in internal documents, processes built on unreliable information produce unreliable results, and organizational knowledge atrophies as staff rely more on AI than on developing their own expertise.
Particularly affected areas: hiring and employee resistance
Holweg and Davenport highlight hiring as especially vulnerable: AI‑generated resumes flood recruiters, AI‑written job ads mislead applicants, and automated filters can exclude genuinely suitable candidates. HBR characterizes trust in hiring processes as having fallen to a "historic low" among both applicants and recruiters. Worker pushback is also measurable: a 2026 survey of 2,400 U.S., U.K. and European employees found 29% admitted actively undermining their employer's AI strategy; among Generation Z respondents that share was 44%, largely driven by fear of job loss.
AI‑related layoffs and the reality behind them
This phenomenon coincides with waves of AI‑cited layoffs: in the tech sector in 2026 more than 95,000 jobs were cut across 247 distinct layoff events, and roughly half of those companies cited AI as the rationale. Analysts have questioned whether many of those firms actually had mature AI systems capable of taking over the tasks of the laid‑off workers.
The irony: more human work required
Paradoxically, addressing workslop and knowledge decay requires more human labor and new processes: leaders must implement oversight, quality standards, and human review layers to ensure AI outputs meet expectations. That, in turn, undercuts some of the efficiency arguments that motivated rapid AI adoption.
Not all AI use is equal
Both HBR articles stress the distinction between undifferentiated AI usage and targeted deployment. The June analysis suggests that models trained on company‑specific data can create genuine value, while public large language models (LLMs) often produce generic, template‑style text that is more error‑prone. Organizations that froze hiring citing AI gains may now find those gains illusory if work quality erodes faster than headcount.
Conclusion
The concept of knowledge decay reframes the productivity debate around AI: the question goes beyond whether AI speeds up individual tasks to whether widespread use improves or degrades an organization's overall decision‑making capability. HBR's authors conclude that for firms that deployed AI without adequate quality controls the net effect is more likely negative. It is important to note that the knowledge‑decay hypothesis so far rests largely on synthesis of existing studies and self‑reported survey data rather than controlled empirical trials. Still, multiple independent analyses — including work from Goldman Sachs, the MIT, BCG, and two HBR research teams — point in a similar direction: many companies are not receiving the promised returns from generative AI, and those that adopted it fastest and most enthusiastically may be paying the highest hidden price.
