A fundamental paradox sits at the heart of enterprise AI adoption: the tools organizations deploy to boost productivity may be quietly eroding the human competence required to keep those tools in check.

A randomized study by researchers from Anthropic, published in February 2026, delivers the most rigorous evidence yet of this dynamic. Developers tasked with learning a new asynchronous programming library showed measurable degradation in conceptual understanding, code reading, and debugging abilities when they used AI assistance — without, critically, recording significant efficiency gains on average. The productivity promise of AI, at least in learning contexts, did not materialize. The learning cost did.

The finding cuts against a comfortable assumption held by many technology leaders: that productivity gains and skill development can proceed in parallel, with AI handling execution while humans absorb understanding through exposure. This study suggests the opposite. When workers delegate cognitive effort to AI, the neurological work of forming durable mental models simply does not happen. Understanding is not a byproduct of watching AI perform — it requires active struggle with the material.

There is an important nuance here that executives should not overlook. The researchers identified six distinct patterns of AI interaction, and three of them — characterized by sustained cognitive engagement rather than passive delegation — preserved learning outcomes even while participants received AI assistance. The tool itself is not the villain. The workflow is. Organizations that deploy AI without designing for intentional engagement are, in effect, choosing short-term output metrics over long-term capability building.

The implications compound in safety-critical environments. In software engineering, finance, healthcare, and infrastructure, human oversight of AI-generated outputs is not optional — it is the control mechanism that prevents systemic failure. If the workforce that supervises AI systems is progressively deskilled by using them, the margin for error narrows precisely as the systems grow more capable and consequential. This is the institutional risk that productivity dashboards do not capture.

For investors and board members evaluating AI transformation strategies, the relevant question is no longer simply what AI can do for output today. It is whether the organization is accumulating or depleting the human judgment required to govern AI tomorrow. Those are not the same trajectory, and confusing them is an increasingly expensive mistake.

Source: Raw/trigger-how-ai-impacts-skill-formation.md

In de kern van enterprise AI-adoptie schuilt een fundamentele paradox: de tools die organisaties inzetten om de productiviteit te verhogen, ondermijnen mogelijk stilletjes de menselijke bekwaamheid die nodig is om die tools in toom te houden.

Een gerandomiseerd onderzoek van Anthropic-onderzoekers, gepubliceerd in februari 2026, levert het meest rigoureuze bewijs tot nu toe van deze dynamiek. Ontwikkelaars die een nieuwe asynchrone programmeerbibliotheek moesten leren, vertoonden meetbare achteruitgang in conceptueel begrip, het lezen van code en debuggingvaardigheden wanneer zij AI-assistentie gebruikten — zonder, cruciaal, gemiddeld significant efficiëntiewinst te boeken. De productiviteitsbelofte van AI, in ieder geval in leercontexten, kwam niet uit. De leerkosten wel.

De bevinding staat haaks op een geruststelling die veel technologieleiders koesteren: dat productiviteitswinst en vaardigheidsontwikkeling parallel kunnen verlopen, waarbij AI de uitvoering afhandelt terwijl mensen begrip opdoen via blootstelling. Dit onderzoek suggereert het tegendeel. Wanneer werknemers cognitieve inspanning delegeren aan AI, vindt het neurologische werk van het vormen van duurzame mentale modellen schlicht niet plaats. Begrip is geen bijproduct van toekijken hoe AI presteert — het vereist actieve worsteling met de materie.

Er is een belangrijke nuance die bestuurders niet over het hoofd mogen zien. De onderzoekers identificeerden zes verschillende patronen van AI-interactie, en drie daarvan — gekenmerkt door aanhoudende cognitieve betrokkenheid in plaats van passieve delegatie — behielden leerresultaten zelfs terwijl deelnemers AI-assistentie ontvingen. Het instrument zelf is niet de boosdoener. Het werkproces is dat. Organisaties die AI inzetten zonder bewuste betrokkenheid in te bouwen, kiezen feitelijk voor kortetermijn outputcijfers ten koste van langetermijn capaciteitsopbouw.

De gevolgen stapelen zich op in veiligheidskritische omgevingen. In softwareontwikkeling, financiën, gezondheidszorg en infrastructuur is menselijk toezicht op door AI gegenereerde uitvoer niet optioneel — het is het controlemechanisme dat systemische storingen voorkomt. Als de medewerkers die AI-systemen bewaken door het gebruik ervan progressief vaardiger raken onbekwamer, neemt de foutmarge af precies op het moment dat de systemen capabeler en consequentierijker worden. Dit is het institutionele risico dat productiviteitsdashboards niet vastleggen.

Voor investeerders en bestuurders die AI-transformatiestrategieën evalueren, is de relevante vraag niet langer uitsluitend wat AI vandaag kan doen voor output. Het is de vraag of de organisatie het menselijk oordeelsvermogen dat nodig is om AI morgen te besturen, opbouwt of uitput. Dat zijn geen gelijklopende trajecten, en ze door elkaar halen is een steeds duurdere vergissing.

Bron: Raw/trigger-how-ai-impacts-skill-formation.md