医生和工程师也会被 AI“带懒”：真正的风险是关键能力外包

Nature 6 月 18 日报道了一个不太舒服的信号：AI 工具越好用，人可能越容易把关键能力交出去。

这不是“AI 毁掉所有职业技能”的结论。现在的证据还早，也有边界。更准确的说法是：在医疗和软件工程这类高技能岗位里，AI 依赖正在从效率问题，变成能力保留问题。

我更在意的不是医生、工程师该不该用 AI。真正的问题是，工具离手后，人还能不能做出同样质量的判断。

AI 依赖不只影响新手，也开始碰到高技能岗位

美国一项医护人员调查里，70% 的护士、77% 的医生担心，过度依赖 AI 会导致技能流失。

这个数字有意思。担心不是来自旁观者，而是来自每天要为诊疗结果负责的人。

过去几年，AI 在医疗影像、病历生成、诊断建议、代码补全里快速进入日常工作。它的卖点很清楚：更快、更省力、更稳定。

但效率收益很容易看见。少写多少病历、少敲多少代码、节省多少工时，都能统计。

技能损耗更难看见。它往往要等到 AI 停用、出错、覆盖不到，才会暴露。

更关键的是，Nature 提到的对象并不只是新手。相关研究涉及有经验的内镜医生，也涉及软件工程师。

这说明风险不只在“低技能岗位被替代”。高技能专业人士的判断肌肉，也可能被日常工具慢慢改写。

医学和编程的早期证据：工具停下，人可能跟着降速

波兰内镜医生研究给出了一个具体信号。

研究对象是职业生涯中完成过至少 2000 例结肠镜检查的医生。AI 系统用于实时分析结肠镜图像，并提示腺瘤这类癌前病变。

关键变化在这里：引入 AI 前，腺瘤检出率是 28.4%；引入 AI 后，在没有 AI 辅助的检查中，检出率降到 22.4%。

这不能直接推成“AI 导致医生能力退化”。样本、场景、时间窗口都有边界，因果强度还需要更多研究确认。

但它至少提示了一件事：熟练医生在习惯 AI 提醒后，独立识别表现可能出现下滑。

软件工程的风险更隐蔽。

AI 编程助手可以补全函数、生成测试、解释报错。对资深工程师，它能减少重复劳动。对正在形成基本功的人，它也可能跳过理解过程。

Anthropic 对 52 名软件工程师做随机对照试验，看的不是 AI 能不能更快写代码，而是 AI 助手会不会影响基础编码任务的学习。

这个方向本身就重要。因为工程团队过去太容易只看交付速度，不看能力形成。

代码合进去了，不等于人学会了。

对医生、科研人员和工程团队，动作要比态度重要

现在没有成熟的“反技能退化方案”。研究者也强调，还需要更多研究验证。

这就带来一个现实约束：不能因为担心退化就停用 AI，也不能因为 AI 有效率就默认全程依赖。

医疗机构和科研团队要问的问题，不能只停在采购层面。

AI 系统提高了多少检出率、节省了多少工时，当然要看。但还要增加一个指标：医生离开系统后，表现有没有变化。

更具体一点，医院可以考虑保留无 AI 训练和抽查。科研团队在使用 AI 做文献整理、代码分析、实验设计建议时，也要区分“辅助检索”和“替代判断”。关键结论不能只靠模型顺手给出。

对依赖 AI 的软件团队，问题也不是要不要用 Copilot、Claude 这类工具。

更现实的动作是分层使用：

• 新人工程师不能只交 AI 生成结果，要解释调试路径、边界条件和取舍。
• 基础任务训练阶段，可以设置无 AI 时段，确认人能独立完成。
• 代码评审不只看功能跑没跑通，还要看提交者是否理解实现。
• 对核心模块，团队要保留人工拆解和复盘，而不是让 AI 输出成为默认答案。

这会增加成本。也会降低一部分短期效率。

但如果一个团队只统计 AI 带来的代码量，不统计人是否还能独立定位问题，账就算偏了。

自动化带来的技能退化不是新问题。航空业讨论过自动驾驶对飞行员手动操纵能力的影响，GPS 普及后，人们的路线记忆也被研究过。

AI 的麻烦在于，它碰到的不只是操作动作。它开始进入诊断、解释、代码结构设计这些判断环节。

所以接下来最该看的，不是某个模型又把准确率提高了几分。

更该看三件事：长期使用后，人的独立能力是否变化；无 AI、低 AI、全 AI 工作流下，专业人员表现差距是否扩大；哪些任务适合外包，哪些判断必须留在人手里。

目前还看不清长期后果。已经能看清的是，把判断长期交给机器，不是零成本。