El 15 de septiembre, en el podcast The Knowledge Project con Shane Parrish, Tobi Lütke contó que su gente en Shopify se tira algo que él llama granadas de slop. Sus palabras: “So we call those slop grenades that people toss at each other” (así llamamos a las granadas que la gente se tira entre sí). Salida de IA que alguien generó, aprobó sin mirar de cerca, y le pasó a un colega. Ese colega ahora tiene que revisarla él.

Es el mismo Lütke que año y medio antes, el 7 de abril de 2025, publicó un memo declarando que “el uso reflexivo de IA es ahora una expectativa base” en Shopify. El memo traía una regla de headcount: antes de pedir más gente, un equipo tenía que demostrar que la IA no alcanzaba. El uso de IA entró también a las evaluaciones de desempeño.

Mandar el uso de la IA y decidir quién revisa lo que produce son dos decisiones distintas. Shopify resolvió la primera hace año y medio. La segunda se la está inventando en vivo, con nombre nuevo para el síntoma.

Qué es exactamente una granada de slop

Lütke dio dos ejemplos concretos en el podcast. El primero: alguien le pide a un agente un cambio de código, aprueba el pull request sin leerlo con cuidado, y el equipo que sigue en la cadena tiene que revisarlo de verdad. El segundo: alguien usa un modelo para convertir una idea corta en un correo largo, y quien lo recibe usa otro modelo para volverlo corto otra vez. Nadie leyó nada en el medio.

El término no es de Lütke. Lo acuñó Harry Brundage, y Lütke se lo reconoció públicamente en X después del episodio, diciendo que ojalá se vuelva un término común. Ya escribimos sobre cómo Shopify puso agentes de Anthropic a trabajar en producción real, con permisos de verdad sobre sistemas de verdad. La misma velocidad que hizo posible eso es la que ahora produce más salida de la que un humano alcanza a revisar a tiempo.

El costo tiene número: workslop

En septiembre de 2025, BetterUp Labs y el Social Media Lab de Stanford publicaron en Harvard Business Review un nombre distinto para casi lo mismo: workslop, contenido de IA que aparenta estar terminado pero no avanza la tarea.

Encuestaron a 1.150 trabajadores de tiempo completo en Estados Unidos. El 40% había recibido workslop el mes anterior. Cada caso costaba en promedio 1 hora y 56 minutos de tiempo ajeno para entender qué faltaba y arreglarlo. Con ese ritmo, el costo llega a unos 186 dólares por empleado al mes. En una empresa de 10.000 personas, más de 9 millones de dólares al año, sin que nadie lo vea como una línea del presupuesto.

Ya lo llamamos deuda de criterio cuando nadie ejerce juicio sobre lo que la IA entrega. El nombre cambia, el mecanismo es el mismo: la decisión de revisar o no revisar se toma en un extremo de la cadena, y el que paga está en el otro.

No es solo un problema interno

En agosto ya escribimos sobre el botón que LinkedIn le dio a cualquier lector para reportar slop. Ahí el revisor es un extraño con el dedo en el scroll. En Shopify el revisor es un colega con el correo lleno. Son audiencias distintas y el mecanismo de fondo es idéntico: nadie decidió quién verifica antes de que la salida se mueva, así que la verifica quien la recibe, en el peor momento posible.

Diseñar quién revisa, antes del primer PR

El memo de 2025 mandó usar la IA. No hay ninguna parte pública de ese memo que asigne quién revisa lo que esa IA produce antes de que avance. Un año y medio después, Shopify tiene un nombre para la consecuencia y todavía la está resolviendo caso por caso, con memoria de trabajo humana en vez de una regla.

Eso es lo que resolvemos antes de que una empresa arranque, no después. En el discovery de AI Maestro mapeamos cada proceso de tu operación antes de instalar una herramienta: qué pasos usarían IA, qué sale de cada uno y quién tiene que dar el visto bueno antes de que ese resultado siga adelante. La revisión queda asignada por proceso, con dueño y criterio explícito, no como un reflejo que cada persona inventa a su manera el día que le llega la primera granada.