AI Skill Formation and Deskilling

AI assistance produces short-term productivity gains for novice workers but can impair their conceptual understanding and skill development — creating a tension between near-term output and long-term competence that organisations must manage deliberately.

What It Is

Shen & Tamkin (UC Berkeley / Anthropic, February 2026) conducted randomised experiments studying how developers gained mastery of a new asynchronous programming library with and without AI assistance. Their findings challenge the simple narrative that AI tools are uniformly beneficial for workers: AI use impairs conceptual understanding, code reading, and debugging abilities without delivering significant efficiency gains on average. Participants who fully delegated coding tasks showed some productivity improvements, but at the cost of learning the library.

The study identifies six distinct AI interaction patterns — three of which involve “cognitive engagement” and preserve learning outcomes even with AI assistance. The distinction is between using AI as a tool for thinking (where the human remains cognitively active) versus using AI as a substitute for thinking (where the human delegates cognition, not just execution).

Why It Matters (for Organizations)

This research challenges one of the most common justifications for AI deployment: that AI assistance makes workers more productive while maintaining their skills. The evidence suggests a more complex reality: AI assistance can create a “competence illusion” where workers produce adequate output without developing the underlying understanding needed to work independently, supervise AI effectively, or handle edge cases.

For organisations, this has several implications. First, novice onboarding — historically a period of skill formation through challenge and error — may be undermined if AI assistance is provided too liberally. Second, organisations that rely heavily on AI assistance for complex tasks may find their employees have lower adaptive capacity when AI tools fail or produce errors. Third, the ability to “supervise AI effectively” (itself a critical skill in an AI-augmented workforce) requires understanding the domain well enough to recognise AI errors — which requires skill formation that AI assistance may be eroding.

Evidence & Examples

  • Randomised experiment: developers with AI assistance showed impaired conceptual understanding, code reading, and debugging abilities compared to those without assistance (2601.20245v2.pdf)
  • Efficiency gains were not significant on average — though participants who fully delegated coding showed some productivity improvement at the cost of learning (2601.20245v2.pdf)
  • Six AI interaction patterns identified: three involving cognitive engagement (AI as thinking tool) preserved learning; three involving delegation (AI as thinking substitute) did not (2601.20245v2.pdf)
  • “AI-enhanced productivity is not a shortcut to competence” — key finding of Shen & Tamkin, with particular relevance for safety-critical domains where competence matters independently of output quality (2601.20245v2.pdf)
  • Historical analogy: since the industrial revolution, the role of workers shifts from performing tasks to supervising tasks as technology automates execution. The risk is that if AI takes over cognitive execution before workers have learned to perform, they may never develop supervisory competence either (2601.20245v2.pdf)

Tensions & Open Questions

  • Short-term vs. long-term productivity: The tension between near-term output (where AI assistance helps) and long-term competence (where AI assistance may hinder) creates a real management dilemma. Organisations under competitive pressure to deliver output now have strong incentives to use AI in ways that may weaken their workforce capability over time.
  • The “cognitive engagement” solution: Shen & Tamkin’s finding that certain AI interaction patterns preserve learning is promising — it suggests the deskilling risk is avoidable with the right design of human-AI collaboration. But implementing “cognitively engaging” AI use requires deliberate workflow design and possibly different tool interfaces, not just deploying AI and hoping for the best.
  • Expert vs. novice asymmetry — now empirically confirmed (📅 FLAG #14): The study focuses on novice developers. The implication was that expert workers may be better positioned to avoid deskilling — framed as inference. This is now empirically supported by Anthropic’s March 2026 “Learning Curves” report (Economic Index research): high-tenure Claude users develop habits and strategies that let them attempt harder, higher-value tasks (not just faster, but more complex); experienced users are more likely to succeed at complex tasks than lower-tenure users. The trajectory suggests the deskilling effect (Shen & Tamkin) is concentrated in the onboarding/novice phase and partially reverses for users who persist. The implication: deskilling is a risk, not a destiny — organisations that invest in getting workers through the novice phase may harvest long-run competence gains. [source: anthropic.com/research/economic-index-march-2026-report; Raw/ ingestion pending]
  • Relevance for investor due diligence: If AI deskilling is real, it is a hidden organisational risk — companies appear more productive in the near term but are building structural fragility. For investors evaluating AI-adopting companies, assessing whether AI use is skill-complementing or skill-substituting may be a meaningful signal (see AI Investment Thesis Capex and Returns).
  • Medical deskilling evidence now emerging: A mixed-method review published in Artificial Intelligence Review (Springer, 2025) and a Frontiers in Medicine paper (2026) both document AI-induced deskilling in clinical settings. The ACCEPT Trial showed that doctors using AI colonoscopy assistance over six months saw their adenoma detection rate drop from 28% to 22% when AI was removed — direct evidence of skill erosion from overreliance. Early-career clinicians and residents are identified as particularly vulnerable, mirroring Shen & Tamkin’s finding about novice developers. NEJM AI published a historical analysis framing this as part of a longstanding anxiety about “cognitive aids and deskilling in medicine.” [source needed — web search findings, not yet in raw/]
  • Finance domain evidence now available (in Raw/): The Precision Proactivity paper (Lepine, Kim, Mishkin, Beane; arXiv:2505.10742, in Raw/) studied 34 financial professionals doing complex valuation tasks with GPT-4o. Key finding: less experienced professionals face larger performance penalties from extraneous load and derive greater marginal gains from AI-generated content — yet are not those who most increase AI uptake under load. This directly mirrors Shen & Tamkin’s novice/expert asymmetry finding. A separate 2025 study found GenAI narrows the performance gap between junior and senior workers on cognitively demanding financial tasks — consistent with experience premium erosion. [source needed — web search for the latter; Raw/ for Precision Proactivity]
  • Legal domain evidence mixed: A 2026 MIT report finds a net 6.4% increase in overall legal employment, but law is seeing declining entry-level job offers specifically, with AI best suited to tasks traditionally assigned to juniors. No direct controlled deskilling study equivalent to the ACCEPT Trial has been published for law as of April 2026. [source needed — web search findings]
  • Legal domain evidence now substantially documented (web search, April 2026): “The Broken Ladder: Human Capital Risk in UK Professional Services” (Green Paper, Artificial Lawyer, January 2026) argues law firms are witnessing a “junior cull” — automating the entry-level tasks (document review, basic drafting) that historically built professional judgment. Key finding: “the efficiency gains of 2025 may have been purchased at the cost of future capability.” Recommended fix: “flight simulator” training environments for juniors, curricula focused on auditing AI output. Thomson Reuters estimates AI tools saving ~190 billable hours/lawyer/year — in a billable-hour model, this is a revenue hole of billions across US/UK markets. Employment paradox mirrors the book market pattern: US legal employment at record 1,208,100 jobs in December 2025; 93.4% of 2024 law grads employed within 10 months (highest on record) — yet Big Four firms cutting entry-level roles by up to 29% in the last cycle. Structural erosion of training pathways is occurring even as aggregate employment holds. An ACCEPT Trial equivalent for law has not yet been published as of April 2026. [source needed — Artificial Lawyer Jan 2026; Legal Cheek Feb 2026; Thomson Reuters data]
  • New 2026 deskilling research — evidence base now substantially broader (web search, April 2026): Several new studies corroborate and extend the core finding:
    • “Deskilling, reskilling, or upskilling? Unpacking the pathways of student adaptation to generative AI” (ScienceDirect/Science Direct, Nov 2025) — three-phase mixed-methods study (survey N=306, interviews N=16, experiment N=397) finds GAI dependence drives three distinct outcomes simultaneously: deskilling (skill erosion), reskilling (new GAI competencies), and upskilling (enhancement of existing skills). Confirms the pattern is not uniform.
    • “Deskilling dilemma: brain over automation” (Frontiers in Medicine, 2026) — documents the risk of “never-skilling” (trainees who never acquire foundational proficiencies due to premature AI reliance) as distinct from deskilling in trained professionals. Direct implication for medical and professional training pipelines.
    • “AI deskilling is a structural problem” (AI & SOCIETY, Springer, 2026) — argues deskilling is a systemic design failure in how AI is deployed in workplaces, not an individual-level risk management issue.
    • “De-Skilling the Knowledge Economy” (AEI, 2026) — policy-level analysis documenting deskilling risks across knowledge professions; argues for regulatory response.
    • “The AI Deskilling Paradox” (Communications of the ACM, 2026) — synthesises the evidence that AI tools produce short-term productivity gains at the cost of long-term capability — directly labelling the Shen & Tamkin finding as a “paradox.”
    • These converging publications represent a shift from individual papers to a field-wide recognition of the deskilling dynamic. [source needed — web search April 2026; all sources require Raw/ ingestion for verbatim citation]
  • ✅ NOW RESOLVED — Cross-domain RCT (April 2026): A 2026 randomised controlled trial by Oxford, MIT, UCLA, and Carnegie Mellon (N=1,222) provides the closest equivalent to the ACCEPT Trial across domains. Participants were given fraction problems of increasing difficulty; half had GPT-5 in a sidebar. Findings: AI-assisted participants performed better with the tool but worse without it on unassisted follow-up problems (71% solve rate vs. 77% for controls). The study identifies two mechanisms for capability erosion: hedonic adaptation (once AI completes tasks quickly, the reference point for “normal” task duration shifts upward, making unassisted work feel harder and less worth attempting) and direct skill-substitution (users bypass the thinking). Critically, the effect is not universal — participants who used AI to scaffold their thinking (hints group) performed as well as or better than controls; only those who used AI for direct answers showed decline. This mirrors Shen & Tamkin’s cognitive engagement finding precisely: the mode of AI use, not AI use per se, determines skill outcomes. [source: theslowai.substack.com — “Does AI Make You Worse at Learning?”, 2026; full citation pending Raw/ ingestion]
  • 📅 NEW (June 2026) — BambooHR sector evidence corroborates mentorship displacement: BambooHR State of the Workforce 2026 (June 2, 2026; N=1,248): in the technology sector specifically, 43% of workers say senior employees now spend more time reviewing AI-generated work than mentoring junior talent. This is a direct field observation of the mechanism by which AI deskilling propagates: senior capacity that would be devoted to knowledge transfer is consumed by AI output review, reducing the mentorship through which novices build skills. Practitioner-level corroboration of this article’s structural argument. [source: BambooHR State of the Workforce 2026, June 2, 2026; bamboohr.com/resources/data-at-work/data-stories/dignity-debt-2026 — not yet in Raw/]
  • 🔴 TODO (NEAR-RESOLVED — pending ingestion only): The cross-domain RCT above provides causal evidence of deskilling. Finance-domain gap now substantively closed: Precision Proactivity (Lepine, Kim, Mishkin, Beane; arXiv:2505.10742 v3, March 7 2026; in Raw/) studied 34 financial professionals on complex valuation tasks with GPT-4o and found: (1) extraneous load is the strongest negative predictor of quality (~3× the effect of intrinsic load); (2) model-initiated task switching is the single strongest predictor of performance decline; (3) less experienced professionals face larger performance penalties AND derive greater marginal gains from AI-generated content — but are not those who most increase AI uptake under load. This directly replicates Shen & Tamkin’s novice/expert asymmetry in finance. Formal ingestion to Raw/ will add verbatim citation detail; substantive gap is closed. Remaining gap: legal-domain equivalent of the ACCEPT Trial remains unpublished as of June 2026. [source: arXiv:2505.10742; file in Raw/; June 2026 health check]
  • 📅 NEW (July 2026) — Legal-domain RCT now published, and it points the other way: Schwarcz, Manning, Prescott, Barry, Cleveland & Rich, AI-Powered Lawyering (Journal of Law and Empirical Analysis, 2026; DOI 10.1177/2755323X261427048) — RCT with 137 upper-level law students (Minnesota/Michigan) randomised to a RAG legal tool (Vincent AI), a reasoning model (o1-preview), or no AI. Both AI arms significantly improved work quality. Reported secondary finding [?]: participants who used AI early performed better on later unassisted tasks — suggesting scaffolded enhancement rather than deskilling in this setting, consistent with the “mode of use” moderator above (structured RAG tooling ≈ hints group). ⚠️ Runs counter to this article’s headline in the legal domain; needs full-text verification of the transfer claim before the tension is formalised. [source needed — DOI above; not yet in Raw/; found 2026-07-25 health check] Abstract-level verification (2026-07-31): SSRN abstract (id 5162111, last revised 2026-05-27) confirms the primary findings — both AI arms significantly enhance work quality, productivity gains of 50–130% in 5 of 6 tasks, o1-preview improves analytical depth, Vincent AI adds no extra hallucinations — but the abstract does not mention the unassisted-transfer finding. The transfer claim remains unconfirmed at abstract level; treat as [?] until the full PDF is ingested into Raw/. Full-text verification (2026-08-11): the published JLEA full text (open access, journals.sagepub.com + Michigan repository) does NOT contain the unassisted-transfer finding. Keyword search of the complete published text (transfer / unassisted / taken away / carryover / order effect / later tasks) returns nothing; the design was a within-subject crossover (each participant completed 2 tasks without AI, 2 with o1-preview, 2 with Vincent AI) and no order-effect analysis is reported. The transfer claim traces only to secondary reporting and author interviews (e.g. Above the Law, Feb 2025; podcast commentary). Downgraded: the counter-deskilling force of FLAG #34 is interview-reported only, not a peer-reviewed finding. The primary findings (both AI arms improve quality; 50–130% productivity gains in 5 of 6 tasks; o1-preview deepens analysis; Vincent AI adds no extra hallucinations) are now full-text verified. [source needed — full PDF still not in Raw/; freely downloadable at repository.law.umich.edu/facarticles/3173]

Skill Partnerships Human-AI · AI Career Pathways and Workforce Mobility · AI Labor Displacement and Augmentation · AI and Creative Industries · LLM Biases and Behavioral Economics · AI Makes You Faster, Not Smarter · AI Helps the Weak, Hurts the Strong

AI, Vaardigheidsontwikkeling en Deskundigheidsverval

AI-assistentie levert beginners kortetermijn productiviteitswinst, maar kan hun conceptueel begrip en vaardigheidsontwikkeling schaden — een spanning tussen output op korte termijn en competentie op lange termijn die organisaties bewust moeten managen.

Wat Is Het

Shen & Tamkin (UC Berkeley / Anthropic, februari 2026) voerden gerandomiseerde experimenten uit om te bestuderen hoe ontwikkelaars een nieuwe asynchrone programmeerbibliotheek beheersten met en zonder AI-assistentie. Hun bevindingen dagen het simpele verhaal uit dat AI-tools voor werknemers uniform voordelig zijn: AI-gebruik schaadt conceptueel begrip, het lezen van code en debuggingvaardigheden, zonder gemiddeld significant efficiëntiewinst op te leveren. Deelnemers die coderingstaken volledig delegeerden lieten enige productiviteitsverbetering zien, maar ten koste van het leren van de bibliotheek.

De studie identificeert zes verschillende AI-interactiepatronen — drie waarbij “cognitieve betrokkenheid” centraal staat en leerresultaten worden behoud zelfs met AI-assistentie. Het onderscheid ligt tussen AI gebruiken als denkhulpmiddel (waarbij de mens cognitief actief blijft) versus AI als denkvervanging (waarbij de mens niet alleen de uitvoering, maar ook het denken delegeert).

Waarom Het Relevant Is (voor Organisaties)

Dit onderzoek daagt een van de meest gangbare rechtvaardigingen voor AI-inzet uit: dat AI-assistentie werknemers productiever maakt terwijl hun vaardigheden op peil blijven. Het bewijs wijst op een complexere werkelijkheid: AI-assistentie kan een “competentie-illusie” creëren waarbij werknemers toereikende output produceren zonder het onderliggende begrip te ontwikkelen dat nodig is om zelfstandig te werken, AI effectief te bewaken of randgevallen te hanteren.

Voor organisaties heeft dit meerdere implicaties. Ten eerste kan inwerkperiodes voor beginners — van oudsher een periode van vaardigheidsvorming door uitdaging en fouten — worden ondermijnd als AI-assistentie te vrijelijk wordt aangeboden. Ten tweede kunnen organisaties die voor complexe taken sterk leunen op AI-assistentie, ontdekken dat hun medewerkers minder adaptief zijn wanneer AI-tools falen of fouten produceren. Ten derde vereist de vaardigheid om “AI effectief te bewaken” (op zichzelf een kritieke vaardigheid in een door AI aangevuld personeelsbestand) een domeinbegrip dat diep genoeg gaat om AI-fouten te herkennen — en dat vereist vaardigheidsontwikkeling die AI-assistentie mogelijk uitholt.

Bewijs & Voorbeelden

  • Gerandomiseerd experiment: ontwikkelaars met AI-assistentie vertoonden in vergelijking met die zonder assistentie een verslechterd conceptueel begrip, lagere code-leesvaardigheden en verminderd debuggingvermogen (2601.20245v2.pdf)
  • Efficiëntiewinst was gemiddeld niet significant — hoewel deelnemers die coderingstaken volledig delegeerden enige productiviteitsverbetering lieten zien, ten koste van het leren van de bibliotheek (2601.20245v2.pdf)
  • Zes AI-interactiepatronen geïdentificeerd: drie met cognitieve betrokkenheid (AI als denkhulpmiddel) behielden leerresultaten; drie met delegatie (AI als denkvervanging) niet (2601.20245v2.pdf)
  • “AI-verbeterde productiviteit is geen snelweg naar competentie” — kernbevinding van Shen & Tamkin, met bijzondere relevantie voor veiligheidskritische domeinen waar competentie onafhankelijk van outputkwaliteit van belang is (2601.20245v2.pdf)
  • Historische analogie: sinds de industriële revolutie verschuift de rol van werknemers van het uitvoeren naar het bewaken van taken naarmate technologie de uitvoering automatiseert. Het risico is dat als AI de cognitieve uitvoering overneemt voordat werknemers hebben leren presteren, zij mogelijk ook nooit toezichtscompetentie ontwikkelen (2601.20245v2.pdf)

Spanningen & Openstaande Vragen

  • Kortetermijn versus langetermijn productiviteit: De spanning tussen output op korte termijn (waar AI-assistentie helpt) en competentie op lange termijn (waar AI-assistentie kan hinderen) creëert een reëel managementdilemma. Organisaties onder concurrentiedruk om nu output te leveren, hebben sterke prikkels om AI in te zetten op manieren die hun personeelscapaciteit op den duur kunnen verzwakken.
  • De oplossing van “cognitieve betrokkenheid”: De bevinding van Shen & Tamkin dat bepaalde AI-interactiepatronen leren in stand houden is bemoedigend — het suggereert dat het deskilling-risico vermijdbaar is met de juiste inrichting van mens-AI-samenwerking. Maar het implementeren van “cognitief betrokken” AI-gebruik vereist bewuste workflowontwerp en mogelijk andere tool-interfaces, niet slechts AI uitrollen en hopen op het beste.
  • Expert versus beginner asymmetrie — nu empirisch bevestigd (📅 FLAG #14): De studie richt zich op beginnende ontwikkelaars. De implicatie was dat ervaren werknemers beter gepositioneerd zijn om deskilling te vermijden — geformuleerd als gevolgtrekking. Dit wordt nu empirisch ondersteund door Anthropic’s rapport “Learning Curves” van maart 2026 (Economic Index research): Claude-gebruikers met langere gebruiksduur ontwikkelen gewoontes en strategieën waarmee ze moeilijkere, hoogwaardiger taken aanpakken (niet alleen sneller, maar complexer); ervaren gebruikers slagen vaker bij complexe taken dan gebruikers met kortere gebruiksduur. Dit traject suggereert dat het deskilling-effect (Shen & Tamkin) geconcentreerd is in de inwerk-/beginnerssfase en gedeeltelijk keert voor gebruikers die doorzetten. De implicatie: deskilling is een risico, geen lot — organisaties die investeren in het door de beginnersfase heen helpen van werknemers, kunnen op lange termijn competentiewinst oogsten. [bron: anthropic.com/research/economic-index-march-2026-report; Raw/ ingestion pending]
  • Relevantie voor due diligence door investeerders: Als AI-deskilling reëel is, is het een verborgen organisatorisch risico — bedrijven lijken op korte termijn productiever, maar bouwen structurele fragiliteit op. Voor investeerders die AI-adopterende bedrijven evalueren, kan het beoordelen of AI-gebruik vaardigheidscomplementerend of vaardigheidsvervangend is een betekenisvol signaal zijn (zie AI Investment Thesis Capex and Returns).
  • Medisch deskilling-bewijs komt nu op: Een gemengde methodereview gepubliceerd in Artificial Intelligence Review (Springer, 2025) en een Frontiers in Medicine-paper (2026) documenteren beide AI-geïnduceerde deskilling in klinische omgevingen. De ACCEPT Trial toonde aan dat artsen die zes maanden AI-colonoscopie-assistentie gebruikten hun adenoomdetectieratio zagen dalen van 28% naar 22% zodra de AI werd verwijderd — direct bewijs van vaardigheidserosie door overmatig vertrouwen. Vroege-carrière-clinici en coassistenten worden geïdentificeerd als bijzonder kwetsbaar, wat de bevinding van Shen & Tamkin over beginnende ontwikkelaars weerspiegelt. NEJM AI publiceerde een historische analyse die dit kader als onderdeel van een langdurige bezorgdheid over “cognitieve hulpmiddelen en deskilling in de geneeskunde.” [source needed — web search findings, not yet in raw/]
  • Bewijs uit financiën nu beschikbaar (in Raw/): Het Precision Proactivity-paper (Lepine, Kim, Mishkin, Beane; arXiv:2505.10742, in Raw/) bestudeerde 34 financiële professionals bij complexe waarderingstaken met GPT-4o. Kernbevinding: minder ervaren professionals ondervinden grotere prestatiestraffen van externe belasting en halen grotere marginale winsten uit door AI gegenereerde inhoud — maar zijn niet degenen die AI-gebruik het meest verhogen onder belasting. Dit weerspiegelt direct de beginner/expert-asymmetrie van Shen & Tamkin. Een afzonderlijke studie uit 2025 vond dat GenAI het prestatieverschil tussen junior en senior werknemers bij cognitief veeleisende financiële taken verkleint — in lijn met erosie van de ervaringspremie. [source needed — web search voor het laatste; Raw/ voor Precision Proactivity]
  • Bewijs uit de juridische sector gemengd: Een MIT-rapport uit 2026 constateert een netto 6,4% toename in totale juridische werkgelegenheid, maar de sector ziet specifiek afnemende instap-vacatures, waarbij AI het best geschikt is voor taken die traditioneel aan juniors werden toegewezen. Er is nog geen direct gecontroleerd deskilling-onderzoek equivalent aan de ACCEPT Trial gepubliceerd voor de juridische sector per april 2026. [source needed — web search findings]
  • Bewijs uit de juridische sector nu substantieel gedocumenteerd (webonderzoek, april 2026): “The Broken Ladder: Human Capital Risk in UK Professional Services” (Green Paper, Artificial Lawyer, januari 2026) betoogt dat advocatenkantoren een “junior cull” meemaken — het automatiseren van instaptaken (documentreview, basisdrafts) die historisch professioneel oordeelsvermogen opbouwden. Kernbevinding: “de efficiëntiewinst van 2025 is mogelijk gekocht ten koste van toekomstige capaciteit.” Aanbevolen oplossing: “vluchtsimulator”-trainingsomgevingen voor juniors, curricula gericht op het auditen van AI-uitvoer. Thomson Reuters schat dat AI-tools ~190 factureerbare uren per advocaat per jaar besparen — in een op uurhonorarium gebaseerd model vertegenwoordigt dit een omzetgat van miljarden in de VS/VK-markten. De werkgelegenheidsparadox weerspiegelt het boekenmarktpatroon: juridische werkgelegenheid in de VS op een recordniveau van 1.208.100 banen in december 2025; 93,4% van de afgestudeerden van 2024 is binnen 10 maanden aan het werk (hoogste ooit) — toch snijden Big Four-kantoren instapfuncties met tot 29% in de laatste cyclus. Structurele erosie van opleidingstrajecten vindt plaats zelfs als de totale werkgelegenheid op peil blijft. Een ACCEPT Trial-equivalent voor de juridische sector is per april 2026 nog niet gepubliceerd. [source needed — Artificial Lawyer Jan 2026; Legal Cheek Feb 2026; Thomson Reuters data]
  • Nieuw deskilling-onderzoek 2026 — bewijsbasis nu aanzienlijk breder (webonderzoek, april 2026): Meerdere nieuwe studies onderbouwen en breiden de kernbevinding uit:
    • “Deskilling, reskilling, or upskilling? Unpacking the pathways of student adaptation to generative AI” (ScienceDirect, nov. 2025) — mixed-methods studie in drie fasen (enquête N=306, interviews N=16, experiment N=397) vindt dat GAI-afhankelijkheid drie verschillende uitkomsten tegelijkertijd veroorzaakt: deskilling (vaardigheidserosie), reskilling (nieuwe GAI-competenties) en upskilling (versterking van bestaande vaardigheden). Bevestigt dat het patroon niet uniform is.
    • “Deskilling dilemma: brain over automation” (Frontiers in Medicine, 2026) — documenteert het risico van “never-skilling” (trainees die door vroegtijdige AI-afhankelijkheid nooit basisvaardigheden verwerven), als onderscheiden van deskilling bij opgeleide professionals. Directe implicatie voor medische en professionele opleidingstrajecten.
    • “AI deskilling is a structural problem” (AI & SOCIETY, Springer, 2026) — betoogt dat deskilling een systemische ontwerpfout is in de manier waarop AI op de werkvloer wordt ingezet, geen individueel risicobeheervraagstuk.
    • “De-Skilling the Knowledge Economy” (AEI, 2026) — beleidsanalyse die deskilling-risico’s in kennisberoepen documenteert; pleit voor een regelgevende reactie.
    • “The AI Deskilling Paradox” (Communications of the ACM, 2026) — synthetiseert het bewijs dat AI-tools kortetermijn productiviteitswinst leveren ten koste van langetermijn capaciteit — benoemt de bevinding van Shen & Tamkin expliciet als een “paradox.”
    • Deze convergerende publicaties vertegenwoordigen een verschuiving van individuele papers naar erkenning van de deskilling-dynamiek in het hele vakgebied. [source needed — web search april 2026; alle bronnen vereisen Raw/-ingestion voor woordelijk citaat]
  • ✅ NU OPGELOST — Domeinoverstijgend RCT (april 2026): Een gerandomiseerd gecontroleerd onderzoek uit 2026 door Oxford, MIT, UCLA en Carnegie Mellon (N=1.222) biedt het dichtstbijzijnde equivalent van de ACCEPT Trial over domeinen heen. Deelnemers kregen breukvraagstukken van toenemende moeilijkheidsgraad; de helft had GPT-5 in een zijpaneel. Bevindingen: AI-ondersteunde deelnemers presteerden beter met het instrument, maar slechter zonder het op onondersteunde vervolgvragen (71% oplossingspercentage vs. 77% voor controlegroep). De studie identificeert twee mechanismen voor capaciteitserosie: hedonische adaptatie (zodra AI taken snel afrondt, verschuift het referentiepunt voor “normale” taakduur omhoog, waardoor onondersteund werk moeilijker en minder de moeite waard aanvoelt) en directe vaardigheidsvervanging (gebruikers omzeilen het denken). Het effect is niet universeel — deelnemers die AI gebruikten om hun denken te ondersteunen (hints-groep) presteerden even goed als of beter dan de controlegroep; alleen degenen die AI voor directe antwoorden gebruikten vertoonden achteruitgang. Dit weerspiegelt de cognitieve betrokkenheidsbevinding van Shen & Tamkin precies: de wijze van AI-gebruik, niet AI-gebruik op zich, bepaalt leeruitkomsten. [bron: theslowai.substack.com — “Does AI Make You Worse at Learning?”, 2026; volledige citatie in afwachting van Raw/-ingestion]
  • 📅 NIEUW (juni 2026) — BambooHR-sectordata bevestigt verdringing van mentorschap: BambooHR State of the Workforce 2026 (2 juni 2026; N=1.248): in de technologiesector specifiek zegt 43% van de werknemers dat senior medewerkers nu meer tijd besteden aan het reviewen van door AI gegenereerd werk dan aan het begeleiden van junior talent. Dit is een directe veldwaarneming van het mechanisme waarmee AI-deskilling zich verspreidt: seniorcapaciteit die normaal aan kennisoverdracht zou worden besteed, wordt opgeslokt door het reviewen van AI-uitvoer, waardoor het mentorschap waardoorheen beginners vaardigheden opbouwen afneemt. Practitioner-niveau bevestiging van het structurele argument van dit artikel. [bron: BambooHR State of the Workforce 2026, 2 juni 2026; bamboohr.com/resources/data-at-work/data-stories/dignity-debt-2026 — not yet in Raw/]
  • 🔴 TODO (NAGENOEG OPGELOST — alleen ingestion nog nodig): Het domeinoverstijgend RCT hierboven levert causaal bewijs van deskilling. Lacune in financiën nu substantieel gedicht: Precision Proactivity (Lepine, Kim, Mishkin, Beane; arXiv:2505.10742 v3, 7 maart 2026; in Raw/) bestudeerde 34 financiële professionals bij complexe waarderingstaken met GPT-4o en vond: (1) externe belasting is de sterkste negatieve voorspeller van kwaliteit (~3× het effect van intrinsieke belasting); (2) door het model geïnitieerd taakwisselen is de sterkste enkelvoudige voorspeller van prestatiedaling; (3) minder ervaren professionals ondervinden grotere prestatiestraffen EN halen grotere marginale winsten uit door AI gegenereerde inhoud — maar zijn niet degenen die AI-gebruik het meest verhogen onder belasting. Dit repliceert direct de beginner/expert-asymmetrie van Shen & Tamkin in financiën. Formele ingestion in Raw/ zal woordelijk citatiedetail toevoegen; de inhoudelijke lacune is gedicht. Resterende lacune: juridisch equivalent van de ACCEPT Trial is per juni 2026 nog niet gepubliceerd. [bron: arXiv:2505.10742; bestand in Raw/; gezondheidscheck juni 2026]
  • 📅 NIEUW (juli 2026) — Juridisch RCT nu gepubliceerd, en het wijst de andere kant op: Schwarcz e.a., AI-Powered Lawyering (Journal of Law and Empirical Analysis, 2026; DOI 10.1177/2755323X261427048) — RCT met 137 rechtenstudenten, gerandomiseerd naar RAG-tool (Vincent AI), redeneermodel (o1-preview) of geen AI. Beide AI-armen verbeterden de werkkwaliteit significant. Gerapporteerde secundaire bevinding [?]: vroege AI-gebruikers presteerden beter op latere taken zonder AI — wijst op ondersteunde versterking in plaats van deskilling in deze setting. ⚠️ Staat haaks op de kop van dit artikel voor het juridische domein; volledige tekst verifiëren voordat de spanning wordt geformaliseerd. [source needed — DOI hierboven; nog niet in Raw/; gezondheidscheck 2026-07-25] Verificatie op abstractniveau (2026-07-31): het SSRN-abstract (id 5162111, laatst herzien 2026-05-27) bevestigt de primaire bevindingen (kwaliteitsverbetering in beide AI-armen; productiviteitswinst 50–130% in 5 van 6 taken), maar noemt de transferbevinding niet. De transferclaim blijft [?] tot de volledige PDF in Raw/ is opgenomen. Verificatie op volledige tekst (2026-08-11): de gepubliceerde JLEA-tekst (open access) bevat de transferbevinding NIET. Het ontwerp was een within-subject crossover (elke deelnemer deed 2 taken zonder AI, 2 met o1-preview, 2 met Vincent AI) en er is geen volgorde-effectanalyse gerapporteerd; de claim is alleen terug te voeren op secundaire berichtgeving en auteursinterviews. Afgewaardeerd: de anti-deskilling-kracht van FLAG #34 is uitsluitend interview-gebaseerd, geen peer-reviewed bevinding. De primaire bevindingen zijn nu wel op volledige tekst geverifieerd. [source needed — PDF nog niet in Raw/; vrij te downloaden via repository.law.umich.edu/facarticles/3173]

Gerelateerde Concepten

Skill Partnerships Human-AI · AI Career Pathways and Workforce Mobility · AI Labor Displacement and Augmentation · AI and Creative Industries · LLM Biases and Behavioral Economics · AI Makes You Faster, Not Smarter · AI Helps the Weak, Hurts the Strong