Een voorbeeld is de diagnose van ligamentscheuren in de knie. Het inzetten van AI verhoogde wel de precisie naar 96%, maar de helft van de fouten die nog gemaakt worden, zijn het gevolg van een vooringenomenheid dat 'AI wel juist zal zitten'. Onderzoekers noemen dit automatisatie-bias. Een steekproef bij radiologen die mammografieën moesten interpreteren, stelde ook een toename van fouten vast wanneer AI het mis had. Bij andere radiologen leidde AI tot een vermindering van de tijd die een radioloog besteedde aan de interpretatie van een scan.  

De bias wilt nog niet zeggen dat de expertise van de arts geërodeerd is, enkel dat hij of zij te veel vertrouwen stelt in de AI-suggesties. De sterkste aanwijzing dat AI de expertise aantast, werd bij gastro-enterologen gevonden. Voordat AI haar intrede deed, konden ze 28% van de adenomen correct detecteren. Na een tijdlang AI gebruikt te hebben daalde dat percentage naar 22%, wanneer ze dezelfde oefening deden terug zonder de hulp van AI.

De aftakeling van vaardigheden is recent duidelijk aangetoond bij softwareprogrammeurs.² Deelnemers met een vergelijkbare achtergrond deden eerst enkele basisoefeningen met een vertrouwde programmeertaal om vervolgens twee programmeertaken in 35 minuten af te ronden, met of zonder assistentie van AI. Na het afronden van de twee taken kregen ze een toets voorgeschoteld en vulden ze een evaluatie in.

Verrassend genoeg leidde het gebruik van AI niet tot een snellere afronding van de taken. Uit de test bleek achteraf dat ze er bovendien minder uit geleerd hebben, dus dat ze minder vaardigheden verworven hebben. Het ging om een verschil van 4 punten op een toets waar 27 punten te halen viel.

Deelnemers verloren veel tijd met het uitschrijven van instructies voor AI, en dat verklaart waarom ze minder snel presteerden. Uiteindelijk hangt veel af van hoe je AI gebruikt. Zelf de code uitschrijven maakt dat je vaardigheden beter consolideert. Ook het maken van domme foutjes zorgt ervoor dat je de kennis beter bijhoudt.