AI 越用越笨？Anthropic 自家研究揭露殘酷真相

前幾週在一家製造業客戶的 AI 工作坊，中場休息時一個工程師跑來問我：「阿峰老師，我有個問題不知道該不該說。」

「說吧。」

「你教我們怎麼用 AI，我也會了。但我現在在想：以後每次遇到問題，直接丟給 AI 就好了，為什麼還要花時間學懂它？」

這個問題非常好。而且不是他一個人有這個念頭——這幾年我碰到的工程師、顧問、分析師，私底下多多少少都問過類似的問題。

直到我看到 Anthropic 發表的這份研究，我才有了更完整的答案。

---

Claude 的開發公司，自己做實驗打自己臉

2026 年 1 月底，Anthropic（就是做 Claude 的那家公司）在 arXiv 發表了一篇研究論文：《How AI Impacts Skill Formation》。

作者 Judy Hanwen Shen 和 Alex Tamkin 是 Anthropic Fellows，他們做的是一項隨機對照實驗（RCT）——這是科學研究裡最嚴謹的設計，不是問卷、不是觀察，是真的把人隨機分組、控制變數、量化結果。

實驗招募了 52 名有經驗的 Python 開發者，隨機分成兩組：

• 有 AI 組：使用 Claude 輔助學習
• 無 AI 組：完全靠自己

任務是學習一個他們從來沒用過的 Python 函式庫——Trio，一個用來做非同步程式設計的工具。任務完成後，所有人接受測驗，考他們的概念理解、程式碼閱讀能力，以及除錯技巧。

結果怎麼樣？

有 AI 輔助的那組，測驗成績平均低了 17%。

Cohen’s d = 0.738，p = 0.010。這不是隨機誤差，這是統計上顯著的差距。相當於一個工程師的技能水準，被 AI 往後拉了兩個等級。

---

等等，速度至少有比較快吧？

你可能會說：「好啦，學得少一點，但如果速度快很多，也算值得吧？」

研究團隊也量了這個。

結果：有 AI 組完成任務的速度，跟無 AI 組幾乎一樣。

怎麼會這樣？仔細看數據就知道了——有 AI 的人，平均有 30% 的時間花在跟 AI 打字、讀回覆、理解 AI 在說什麼。省下來的時間，幾乎被這些溝通成本吃光了。

你以為在省時間，其實你在花時間跟 AI 聊天。

---

最關鍵的發現：6 種 AI 使用方式

研究團隊做了一件很厲害的事：他們逐一看完所有參與者的螢幕錄影，把使用 AI 的方式分成六種。

這六種方式，決定了你是越用越強，還是越用越廢。

❌ 三種讓你越用越笨的模式

1. 全權委託型 把整個問題直接丟給 AI，等 AI 給完整解答，拿到就貼上。速度表面上最快，但學到的東西最少。因為你從頭到尾都只是在轉貼，沒有思考。

2. 連續求助型 每遇到一個問題就問 AI，問完一題再問下一題。這些人平均問了超過 15 個問題，花了 30% 的時間在跟 AI 打字。問題是，這種連環提問的方式，讓人完全沒有機會在遇到困難時靜下來思考——而那個「卡住又解開」的過程，正是大腦真正在學習的時刻。

3. 複製貼上型 AI 給什麼就用什麼，不問為什麼，直接跑。程式碼可能是對的，但你不知道它為什麼對、如果出錯你也不知道怎麼改。下次遇到類似問題，你還是要再問一次 AI。

✅ 三種讓你邊用邊學的模式

4. 概念提問型 只問 AI 概念性的問題，例如「Trio 的 nursery 是什麼設計原理？」但自己寫程式碼。這種用法讓 AI 發揮它最強的一面——解釋和教學——而把實際操作留給自己。

5. 解釋要求型 讓 AI 寫完程式後，主動要求它解釋每一行在做什麼。不是直接拿去用，而是把 AI 當成老師要求它說明。這樣既有 AI 的速度，又確保自己真的理解。

6. 驗證對照型 先自己寫，再拿 AI 來驗證，比對自己的版本和 AI 的版本有什麼差異。這種方式保留了獨立思考，把 AI 當成即時的 code reviewer，而不是答案自動販賣機。

使用模式	特徵	學習效果
❌ 全權委託型	任務全丟給 AI，拿答案就貼	最低
❌ 連續求助型	每個問題問 AI，平均 15+ 題	低
❌ 複製貼上型	不理解就直接用 AI 的程式碼	低
✅ 概念提問型	只問原理，自己動手寫	高
✅ 解釋要求型	要求 AI 解釋每一行	高
✅ 驗證對照型	先自己寫，再用 AI 比對	最高

---

認知外包：不只是程式設計的問題

你可能覺得，這只是軟體工程師的事。但研究團隊引用的幾項平行研究，讓我很在意。

McKinsey 顧問研究： 用 AI 的顧問，完成的任務多了 12.2%。聽起來很棒。但品質呢？下降了。他們完成了更多東西，但每件事做得更差。

客服中心研究： AI 讓效率提升了 15%。但副作用是——新進員工的技能成長明顯減緩。那些本來應該透過處理困難問題來成長的新人，現在把問題丟給 AI，技能就這樣停在原地。

醫學訓練研究： 用 AI 輔助診斷的醫學生，視覺辨識能力比沒用 AI 的學生差。

寫作研究： 用 AI 提升的寫作表現，一旦拿掉 AI，立刻消失。這個現象有個名字叫「外骨骼效應」——AI 幫你撐著的時候你可以跑很快，但 AI 一走，你比穿上 AI 之前還要弱。

---

這對你的公司意味著什麼

我帶過超過 400 家企業做 AI 培訓，每次跟人資或主管討論 AI 導入，最常聽到的說法是：「讓員工用 AI 提高生產力就好了，工具嘛，會用就行了。」

這個想法沒有錯，但不完整。

Anthropic 這份研究告訴我們幾件事：

1. 生產力提升 ≠ 能力提升 你的員工用 AI 完成了更多任務，不等於他們的能力有在增長。如果有一天 AI 工具改版、出問題、或者遇到 AI 沒辦法處理的情況，你的人是不是還有能力 handle？

2. 新人是最需要注意的族群 越是新手，越容易被 AI 的便利性「保護」，但也越容易因為這種保護而失去成長機會。一個五年內沒有靠自己解決過困難問題的人，他的能力基礎其實是空心的。

3. 使用方式比工具選擇重要 給同一個員工一樣的 AI，用法不同，結果天差地別。全權委託型的人越用越廢，驗證對照型的人越用越強。你公司在教「要不要用 AI」，還是在教「怎麼用 AI」？

4. 高風險領域需要認知保護策略 醫療、法律、工程——這些領域如果員工的判斷能力萎縮，出事的不只是個人，是整個組織的風險。

---

問題不在 AI，問題在用法

論文裡有一句話讓我印象很深：

「The process of encountering and subsequently resolving errors independently is what builds real skills.」 （獨立遇到問題、解決問題的過程，才是真正建立技能的方式。）

這跟我在培訓現場一直說的是同一件事：AI 是外骨骼，不是肌肉。

外骨骼可以讓你跑得更快、搬得更重。但如果你每天都穿著它，你自己的肌肉就不會長。有一天外骨骼不在了，你連以前的速度都跑不到。

所以怎麼用？

• 概念不懂就問 AI，但實作自己來
• 讓 AI 寫，但要求它解釋
• 先自己寫，再用 AI 做對照

這三種用法，讓 AI 成為你的學習加速器，而不是你的能力替代品。

---

給企業主管的一句話

下次你在設計員工的 AI 使用規範或培訓課程，不只是問「哪個 AI 工具最好用」，還要問：「我的員工用 AI 的方式，是在幫他們成長，還是在讓他們變弱？」

答案，現在有數據可以支持了。

---

📎 出處： – Anthropic 研究論文：arXiv:2601.20245《How AI Impacts Skill Formation》（2026/01/28） – DevOps.com：〈Anthropic Research Shows Trade-Off Between AI Productivity and Developer Mastery〉 – Psychology Today：〈Cognitive Offloading — Using AI Reduces New Skill Formation〉

---

我是阿峰老師。如果你的公司正在思考怎麼導入 AI，又不想讓員工越用越弱，歡迎到 autolab.cloud 聯繫我，或加入我們的 LINE 社群 一起研究。