AI के युग में skill atrophy से कैसे बचें

• AI tools की वजह से productivity बढ़ने के साथ developers में मुख्य कौशलों के क्षरण (skill atrophy) का जोखिम भी बढ़ रहा है
• AI पर अत्यधिक निर्भरता से critical thinking और problem-solving की क्षमता धीरे-धीरे कमजोर हो सकती है
• debugging, architecture design, memory जैसे महत्वपूर्ण कौशल समय के साथ घट सकते हैं
• AI को tool की तरह इस्तेमाल करें, लेकिन खुद सोचने और सीखने की आदत ज़रूर बनाए रखें
• अगर AI को सहयोगी की तरह इस्तेमाल किया जाए, तो productivity और technical proficiency दोनों बेहतर हो सकते हैं

AI के युग में skill atrophy से कैसे बचें

• coding क्षेत्र में AI assistants का उभार productivity बढ़ाने के साथ skill atrophy का जोखिम भी ला रहा है
  • skill atrophy का मतलब है समय के साथ किसी कौशल का कमजोर होना, जो कम इस्तेमाल या अभ्यास की कमी से होता है
• दोहराए जाने वाले काम AI को सौंपना फायदेमंद हो सकता है, लेकिन जरूरत से ज्यादा ऐसा करने पर core capabilities के नुकसान तक बात पहुँच सकती है
• cognitive offloading की वजह से लोग documentation या tutorials खुद पढ़कर सीखने के बजाय AI पर अधिक निर्भर होने लगते हैं
• जैसे GPS के इस्तेमाल ने रास्ता खोजने की क्षमता को कमजोर किया, वैसे ही AI autocomplete और code generation सोचने की क्षमता को कम कर सकते हैं
• AI द्वारा boilerplate code संभाल लेने से बड़े projects पर काम करने का मौका मिलता है, लेकिन automation और skill atrophy के बीच सीमा तय करना ज़रूरी है

क्या critical thinking इसकी कीमत चुका रही है?

• Microsoft और Carnegie Mellon के researchers की 2025 की study के अनुसार, AI पर निर्भरता जितनी अधिक होती है, critical thinking में कमी उतनी बढ़ती है
• AI पर जरूरत से ज्यादा भरोसा लोगों को खुद सोचने के बजाय autopilot mode में ले जा सकता है
• काम जितना आसान लगता है, उतना ही सतर्कता कम हो जाती है, और इससे लंबी अवधि में स्वतंत्र problem-solving क्षमता घटती है
• AI की मदद लेने वाले workers एक ही समस्या के लिए कम विविध समाधान पेश करते हैं, जिससे सोच का एकरूपीकरण हो सकता है
• researchers ने इसे critical thinking के ह्रास के रूप में परिभाषित किया
• critical thinking को कमजोर करने वाली बाधाएँ
  • cognitive barriers: काम जितना दोहराव वाला हो, AI पर जरूरत से ज्यादा निर्भर होने की प्रवृत्ति उतनी बढ़ती है
  • motivational barriers: time pressure या job scope की सीमाओं की वजह से गहराई से सोचने से बचा जाता है
  • ability barriers: AI के जवाबों को खुद verify या improve करने में कठिनाई महसूस होती है
• एक engineer ने 12 साल के अनुभव के बावजूद स्वीकार किया कि AI की तुरंत मदद के कारण वह खुद को कम सक्षम developer महसूस करने लगा
  • documentation पढ़ना बंद होना: जब LLM तुरंत समझा देता है, तो official docs पढ़ने की जरूरत महसूस नहीं होती
  • debugging क्षमता में कमी: stack trace या error messages का खुद analysis करने के बजाय उन्हें copy-paste करके AI से समाधान माँगा जाता है
  • गहरी समझ का नुकसान: समस्या को सच में समझने की कोशिश किए बिना AI के suggestions बार-बार लागू किए जाते हैं
  • भावनात्मक प्रतिक्रिया में बदलाव: पहले bug fix करने से जो खुशी मिलती थी, अब अगर AI 5 मिनट में जवाब न दे तो वही चीज़ frustration बन जाती है
• LLM को सोचने का काम सौंपते हुए developer दीर्घकालिक mastery के बदले तात्कालिक सुविधा का सौदा कर देता है

  "हम AI की वजह से 10x developer नहीं बने हैं, बल्कि AI पर 10 गुना अधिक निर्भर हो गए हैं"
  "हर बार जब हम ऐसी समस्या जिसे हम खुद हल कर सकते थे उसे AI से हल करवाते हैं, तब हम दीर्घकालिक समझ को अल्पकालिक productivity से बदल रहे होते हैं"

skill atrophy के सूक्ष्म संकेत

• AI पर निर्भरता सिर्फ एक परिकल्पना नहीं है; यह वास्तव में developer skills के कमजोर होने तक ले जा सकती है
• कुछ स्पष्ट संकेतों से आप जाँच सकते हैं कि आपके कौशलों में क्षरण तो नहीं हो रहा

• debugging छोड़ देने की प्रवृत्ति

  • error आते ही debugger इस्तेमाल करने या stack trace खुद पढ़ने के बजाय सीधे AI पर निर्भर हो जाना
  • पहले bugs का खुद analysis और resolution करके विकास होता था, लेकिन अब उस प्रक्रिया को अक्सर AI पर डाल दिया जाता है
  • अगर AI समाधान न दे पाए या उपलब्ध न हो, तो बुनियादी problem diagnosis भी कठिन हो सकती है

• समझे बिना copy-paste coding

  • boilerplate code AI से लिखवाना ठीक है, लेकिन क्यों वह ऐसा काम कर रहा है यह समझे बिना उसे copy करके इस्तेमाल करना समस्या है
  • खासकर युवा developers AI की मदद से तेजी से code लिख लेते हैं, लेकिन वे अक्सर अपने choices या exception handling का कारण नहीं समझा पाते
  • विभिन्न विकल्पों पर विचार करने की प्रक्रिया गायब होने से बुनियादी सोच का अभ्यास कम हो जाता है

• architecture और system-level thinking का कमजोर होना

  • complex system design को एक prompt से हल नहीं किया जा सकता
  • छोटे-छोटे मुद्दे AI से हल करने की आदत पड़ने पर high-level design work से डर या बचने की प्रवृत्ति पैदा हो सकती है
  • AI किसी component या pattern का सुझाव दे सकता है, लेकिन performance, security, maintainability जैसे पूरे context को समझना developer की जिम्मेदारी है
  • system-level thinking का इस्तेमाल न किया जाए तो वह धीरे-धीरे कमजोर हो जाती है

• memory और recall में कमी

  • अक्सर इस्तेमाल होने वाले API calls या language syntax भी धुंधले पड़ सकते हैं
  • AI autocomplete की आदत से खुद code लिखने की क्षमता कम हो सकती है
  • यह वैसा ही है जैसे calculator पर जरूरत से ज्यादा निर्भर छात्र बुनियादी गणना क्षमता खो देता है
• समय के साथ कुछ कौशलों का स्वाभाविक रूप से गायब होना सामान्य है
  • उदाहरण के लिए, assembly language में सीधे memory manage करना या हाथ से लंबा भाग करना अब जरूरी कौशल नहीं रहे
  • लेकिन किन कौशलों को बनाए रखना है और किन्हें छोड़ना ठीक है, यह पहचानना महत्वपूर्ण है
  • emergency में debugging कर पाने की क्षमता अब भी अनिवार्य कौशल मानी जानी चाहिए

  speed और knowledge का trade-off:
  AI तेज जवाब देता है (उच्च speed, कम learning),
  जबकि पारंपरिक तरीके (Stack Overflow, official docs) धीमे होते हैं लेकिन गहरी समझ बनाते हैं

• तुरंत जवाब पाने की दौड़ में आप उस contextual understanding और depth को खो सकते हैं जो एक सच्चे expert बनने के लिए जरूरी है

AI पर अत्यधिक निर्भरता के दीर्घकालिक जोखिम

• यदि AI tools पर अत्यधिक निर्भरता को नियंत्रित न किया जाए, तो करियर में critical thinking crisis का सामना करना पड़ सकता है
• जब AI सोचने की अधिकतर प्रक्रिया अपने ऊपर ले लेता है, तब tool के fail होने या समस्या न सुलझा पाने पर खुद जवाब देने की क्षमता कम हो जाती है

  "जितना ज्यादा आप AI का इस्तेमाल करते हैं, उतना कम आप अपने दिमाग का इस्तेमाल करते हैं। फिर जब आप ऐसी समस्या से टकराएँगे जिसे AI हल नहीं कर सकता, तो क्या आपके पास उसे खुद हल करने का कौशल होगा?"

• वास्तव में AI coding assistants के outage से developers के workflow के पूरी तरह रुक जाने के मामले भी सामने आए हैं

• self-fulfilling prophecy

  • Microsoft research team ने चेतावनी दी कि लोग AI के कारण नौकरी जाने की चिंता तो करते हैं, लेकिन अगर वे "uncritically" AI का उपयोग करते हैं, तो वे खुद अपनी प्रतिस्पर्धात्मकता खो सकते हैं
  • खासकर junior developers अगर "कठिन रास्ते" को छोड़कर सिर्फ तेज productivity पर ध्यान दें, तो गहरी सीख के बिना जल्दी growth plateau में फँस सकते हैं
  • नतीजे में ऐसे button-pushers का समूह बन सकता है जिसने खुद समस्या हल करने की खुशी या गहरी समझ कभी विकसित ही नहीं की
  • वे AI से सवाल पूछने में माहिर हो सकते हैं, लेकिन सही जवाब को सच में समझ नहीं पाते
  • AI की छोटी गलतियों को पहचान न पाने से bugs और security vulnerabilities code में घुल सकती हैं

• team culture और organizational dynamics

  • अगर सभी developers सिर्फ AI assistants पर निर्भर हो जाएँ, तो mentorship और informal learning (osmosis learning) कमजोर पड़ सकते हैं
  • जब junior developers साथियों की बजाय AI पर निर्भर होते हैं, तो senior developers के लिए ज्ञान देना मुश्किल हो जाता है
  • अगर बुनियाद कमजोर juniors की संख्या बढ़ती है, तो seniors का समय AI द्वारा बनाए गए errors को ठीक करने में खर्च होने लगता है
  • अंततः टीम ऐसे लोगों के समूह में बदल सकती है जो अलग-अलग AI पर निर्भर हैं, और critical review या सामूहिक quality maintenance की संस्कृति गायब हो सकती है
  • bus factor में व्यवहारिक रूप से "AI service outage" भी जोड़ा जा सकता है
    • "किसी project को गिराने के लिए कितने लोगों का बस से टकराना जरूरी होगा?"
• यह analog तरीकों में लौटने की बात नहीं है, बल्कि AI का सावधानी से उपयोग करने की चेतावनी है
  • AI का उपयोग करते हुए भी ध्यान रखें कि आप सिर्फ काम नहीं, अपनी सोचने की क्षमता भी outsource न कर दें
  • लक्ष्य यह है कि AI के लाभ अधिकतम मिलें, और साथ ही आपके अपने कौशल और सोचने की शक्ति मजबूत बनी रहे

AI को बैसाखी नहीं, सहयोगी की तरह इस्तेमाल करें

• AI coding assistants से productivity बढ़ाने के साथ-साथ सोचने की क्षमता और कौशल बनाए रखने के लिए सजग उपयोग की आदतें जरूरी हैं
• AI को सर्वज्ञ उत्तर मशीन नहीं, बल्कि junior pair programmer या rubber duck debugging partner की तरह देखना चाहिए
• यहाँ कुछ व्यावहारिक रणनीतियाँ हैं जिन पर विचार किया जा सकता है

• "AI hygiene" का अभ्यास – हमेशा verify करें और समझें

  • AI का output भरोसेमंद लगे तब भी उसे बिना शर्त सही न मानें; verify करें
  • AI-generated functions या code के लिए जानबूझकर tests चलाएँ और edge cases तलाशें
  • खुद से पूछें: "यह solution काम क्यों करता है?", "इसकी limitations क्या हैं?"
  • AI से code को line by line समझाने या alternative approaches बताने को कहें, ताकि उसे learning tool की तरह इस्तेमाल कर सकें
  • AI के जवाबों से सवाल-जवाब करने पर निष्क्रिय उत्तर सक्रिय सीख में बदल सकते हैं

• fundamentals की ट्रेनिंग – कभी-कभी कठिनाई भी जरूरी है

  • हर हफ्ते कुछ समय "AI के बिना coding time" के रूप में तय करें, ताकि समस्याएँ पूरी तरह manual तरीके से हल कर सकें
  • अनुभवी developers "No-AI Day" रखते हैं, जिसमें वे खुद code लिखते हैं, errors का analysis करते हैं और docs खोजते हैं
  • शुरुआत में यह धीमा और frustrating लग सकता है, लेकिन समय के साथ आत्मविश्वास और गहरी समझ वापस आने लगती है
  • AI के बिना लगातार coding करने से बुनियादी क्षमता को entropy की तरह गिरने से रोका जा सकता है
  • यह developer brain के लिए cross-training जैसा है

• AI से पूछने से पहले समस्या पर खुद प्रयास करें

  • किसी समस्या पर आते ही तुरंत AI से न पूछें; पहले खुद approach सोचें
  • कम से कम pseudocode या कोई सरल idea पहले स्वयं तैयार करें, फिर AI का उपयोग करें
  • bug आने पर कम से कम 15–30 मिनट खुद debugging करने की आदत डालें
  • इससे problem-solving क्षमता बढ़ती है, और AI के जवाब की तुलना अपनी approach से करके active learning संभव होती है

• AI का उपयोग code review को replace करने के लिए नहीं, augment करने के लिए करें

  • AI-generated code को भी उतनी ही सख्ती से review करें जैसे वह किसी human colleague ने लिखा हो
  • जहाँ संभव हो, AI code पर human code review भी चलाएँ ताकि team-level quality बनी रहे
  • इससे team knowledge loop में बनी रहती है, और AI पर भरोसा करते समय अकेले developer से छूट जाने वाली समस्याएँ पकड़ी जा सकती हैं
  • यह "AI draft बना सकता है, लेकिन code का ownership हमारा है" जैसी सोच को बढ़ावा देता है
  • किसने लिखा, इससे फर्क नहीं पड़ता; repository में मौजूद हर code को समझना और maintain करना टीम की जिम्मेदारी है

• active learning – follow-up questions और पुनरावृत्ति

  • AI का दिया solution सही चलने पर भी वहीं रुकें नहीं; सीख को मजबूत करने के लिए समय निकालें
  • अगर AI ने complex regex या algorithm लिखा है, तो उसकी संरचना खुद समझाएँ या AI से पूछें कि यह तरीका क्यों चुना गया
  • AI को सिर्फ answer provider नहीं, बल्कि अनंत धैर्य वाले tutor की तरह conversational तरीके से इस्तेमाल करें
    • ChatGPT द्वारा generated code पर पूछें: "यह तरीका क्यों नहीं चलेगा?"
  • ऐसा करने पर AI सिर्फ code dispenser नहीं, बल्कि mentor बन सकता है

• learning journal और "AI assist" सूची बनाएँ

  • जिन विषयों पर आप बार-बार AI से पूछते हैं, उन्हें लिखकर knowledge gaps पहचानें
  • उदाहरण के लिए, अगर आप CSS में div alignment या SQL query optimization बार-बार पूछ रहे हैं, तो उन विषयों का focused study करें
  • flashcards या छोटे practice problems बनाकर दोहराव करें ताकि चीजें long-term memory में जाएँ
  • अगली बार मिलती-जुलती समस्या आए, तो पहले AI के बिना हल करने की कोशिश करें और देखें कि तरीका याद है या नहीं
  • AI को पहला समाधान नहीं, बल्कि आखिरी safety net की तरह इस्तेमाल करने का रवैया रखें

• AI के साथ pair programming करें

  • AI को question-answer API की तरह लेने के बजाय pair programming partner की तरह बातचीत करें
  • उदाहरण के लिए, आप function का draft लिखें और AI से improvements पूछें, या AI draft दे तो आप उसे refine करें
  • उदाहरण वार्तालाप: "यह function काम कर रहा है, लेकिन क्या इसे और साफ़ तरीके से refactor किया जा सकता है?"
  • इससे control आपके हाथ में रहता है। आप सिर्फ जवाब consume नहीं करते, बल्कि AI के योगदान को curate और direct करते हैं
  • AI को ऐसे junior developer की तरह मानें जिसे supervision चाहिए, और अंतिम जिम्मेदारी human developer की है यह स्पष्ट रखें
• इन आदतों के साथ AI का उपयोग शुद्ध लाभ बन सकता है, और आपकी अपनी क्षमता भी कमजोर नहीं पड़ती
• वास्तव में, AI से अनजान code समझवाना या उसे tricky cases से test करना व्यक्तिगत कौशल-वृद्धि के लिए भी बहुत उपयोगी है
• उदाहरण के लिए, AI से unfamiliar code explain करवाने से ज्ञान गहरा हो सकता है, और कठिन cases से AI को उलझाने पर testing mindset बेहतर हो सकता है
• मुख्य बात यह है कि निष्क्रिय उपभोक्ता नहीं, सक्रिय उपयोगकर्ता बने रहें

निष्कर्ष: अपनी धार बनाए रखें

• software industry AI-based code generation के युग की ओर तेजी से बढ़ रही है, और यह अब वापस न लौटने वाला रुझान बन चुका है
• इन tools को अपनाना सिर्फ अपरिहार्य ही नहीं, बल्कि अधिकतर मामलों में लाभकारी भी है
• लेकिन AI को workflow में शामिल करते समय, हर व्यक्ति को क्या मशीन को सौंपना है और क्या खुद संभालकर रखना है इस पर सावधानी से निर्णय लेना होगा

• अगर आप coding से प्रेम करते हैं, तो सिर्फ features जल्दी ship करना ही नहीं, बल्कि समस्या-समाधान की craftsmanship और आनंद भी बनाए रखें

• AI को amplifier की तरह इस्तेमाल करें, replacement की तरह नहीं
• AI को दोहराए जाने वाले काम संभालने दें, और उससे बचा समय creative और complex कामों में लगाएँ
• लेकिन बुनियादी कौशल क्षीण न हों इसका ध्यान रखें, और हमेशा "कैसे" और "क्यों" पूछने वाली जिज्ञासा जीवित रखें
• debugging instinct और system thinking को लगातार तेज करते रहें; केवल AI के shortcuts का पीछा न करें
• "संक्षेप में, AI को अपनी बैसाखी नहीं, अपना सहयोगी बनाइए"

• सफल developer वही होगा जो मानवीय intuition और अनुभव को AI की superpowers के साथ संतुलित ढंग से जोड़ सके
  • चाहे autopilot हो या न हो, codebase में रास्ता ढूँढना जानता हो
• self-directed practice और challenges के जरिए आपको इतना सक्षम होना चाहिए कि flashy tools fail हो जाएँ या कोई नई समस्या सामने आए, तब भी आप खुद उसे हल कर सकें
• "इस बात की चिंता मत कीजिए कि AI आपको replace करेगा; चिंता इस बात की कीजिए कि आप वे कौशल विकसित नहीं कर रहे जो आपको replace करना मुश्किल बनाते हैं"
• अगर आप हमेशा इस सिद्धांत पर कायम रहें कि "AI जो जवाब देता है, उसे एक engineer के मन से समझना चाहिए", तो आप AI की लहर पर सवार भी रहेंगे और उसमें बहेंगे नहीं

• बोनस

  • अगली बार जब AI पूरा feature code करके देने का प्रलोभन दे, तो उसे इस संकेत की तरह लें कि आपको कुछ हिस्सा खुद लिखकर देखना चाहिए
  • हैरानी की बात है कि आपको बहुत कुछ याद होगा, और फिर से हाथ से coding करने की खुशी भी मिलेगी
  • AI को productivity बढ़ाने वाले tool की तरह इस्तेमाल करें, लेकिन सक्रिय रूप से कौशल निखारने की आदत कभी न छोड़ें

भविष्य का सर्वश्रेष्ठ developer वह होगा, जो आज के AI के कारण भी, खुद सोचना नहीं भूला हो

[redcrash0721]

https://freederia.com/researcharchive/
यह AI वैज्ञानिकों की साइट है
इस तरह की दिशा विभिन्न संभावनाओं को और बढ़ावा देगी

[mhj5730]

यह ऐसी तकनीक है जो उत्पादकता का ऐसा स्तर देती है जिसे ठुकराना मुश्किल है। आगे बढ़कर, जब यह ऐसे approaches या library APIs का इस्तेमाल कर देती है जिनके बारे में आपने आम तौर पर कभी सोचा भी नहीं था, तो दिमाग में जैसे चिंगारियां सी छूटने लगती हैं। AI पर 10 गुना अधिक निर्भर होना एक स्वाभाविक घटना है, लेकिन हर चीज़ को किसी all-in-one solution को सौंप देने के बजाय, यह समझना ज़रूरी है कि यह आखिरकार एक co-pilot (सह-पायलट) ही है। रोज़मर्रा की ज़िंदगी में भी, और code में भी, यह ऐसा महसूस होता है जैसे कोई बेहद मददगार PhD researcher हमेशा आपके बगल में मौजूद हो।

[ruinnel]

पहले मेरे साथ काम करने वाले एक junior developer ने... इंटरनेट पर खोजकर मिला code, उसका indent तक ठीक किए बिना, ज्यों का त्यों copy-paste कर दिया था... उसे देखकर मैंने आह भरते हुए...

"Google search करके Stack Overflow जैसी जगहों से मिला code वैसे का वैसा copy-paste मत करो, पहले खुद समझो और फिर इस्तेमाल करो"
ऐसा कहा था।

अब सब कुछ इतना एक जैसा क्यों लग रहा है? हाहा

[savvykang]

जो लोग इसे अच्छी तरह नहीं जानते, उनके लिए यही सबसे आसान तरीका है।

[loblue]

क्या Foundation एक SF उपन्यास नहीं, बल्कि भविष्यवाणी की किताब थी!

[GN⁺]

Hacker News राय

• GPS से नक्शा पढ़ने की क्षमता कमज़ोर होने वाली आम उपमा पर एक अलग नज़रिया पेश किया गया है। GPS से पहले ड्राइविंग सीखने वाले पिता को ड्राइविंग और नेविगेशन एक साथ संभालने में कठिनाई होती है। इसके विपरीत, GPS के साथ ड्राइविंग सीखने वाले लोग नेविगेशन निर्देशों को प्रोसेस करते हुए ड्राइविंग संभालने की क्षमता विकसित करते हैं। यह कौशल आधुनिक ड्राइवरों की एक ज़रूरी क्षमता बन चुका है

  • AI और programming में भी ऐसा ही पैटर्न देखा जा सकता है। डेवलपमेंट प्रक्रिया में AI को प्रभावी ढंग से integrate करने वाले नए कौशल उभर रहे हैं, और यह आगे बढ़कर 'AI के साथ programming' में बदल रहा है

• LLM का उपयोग करके पाठ्यपुस्तक के सवालों की फोटो लेकर समझ बढ़ाना संभव हो गया है। LLM लोगों की मंशा को amplify करने वाला tool है, इसलिए जिन लोगों में सीखने का इरादा है उनके लिए यह फायदेमंद है। लेकिन जो लोग सिर्फ सतही दिखावा करना चाहते हैं, उनके लिए इसका नकारात्मक असर हो सकता है

• LLM के साथ काम करते हुए समस्या को पूरी तरह समझने और अपनी मंशा को स्पष्ट रूप से समझाने की क्षमता बेहतर होती है। LLM coding की रफ्तार बढ़ा देता है, लेकिन गलत code भी ज़्यादा तेज़ी से बना सकता है। इसलिए system requirements को साफ़-साफ़ समझाने और high-level abstraction में सोचने की क्षमता और महत्वपूर्ण हो जाती है

• एक राय यह भी है कि AI से जुड़ा skill degradation, labor cost घटाने के लिए जानबूझकर पैदा किया गया परिणाम है। यह इस वास्तविकता पर ज़ोर देता है कि AI का लक्ष्य productivity बढ़ाना नहीं बल्कि cost कम करना है

• LLM, LeetCode जैसी skills का अभ्यास करने में उपयोगी है। AI Studio के Gemini 2.5 Pro का उपयोग करके LeetCode समस्याएँ हल करना और सुधार के बिंदु खोजने के लिए प्रेरित करने वाले तरीके से सीखा जा सकता है

• Claude का उपयोग करके ideas को explore करने और तर्क की कमज़ोर कड़ियाँ खोजने में मदद मिलती है। सबसे खराब स्थिति में Claude एक भरोसेमंद सलाहकार की भूमिका निभाता है, और सबसे अच्छी स्थिति में एक जासूस की

• कागज़ी नक्शे का उपयोग न कर पाने का उदाहरण दिखाता है कि तकनीकी बदलाव व्यक्तिगत क्षमताओं को कैसे प्रभावित करते हैं। अगर GPS काम न करे, तो कागज़ का नक्शा ढूँढना भी मुश्किल हो सकता है, यह चिंता की बात है

• skill degradation के अलावा मानवीय ज्ञान के एकरूपी हो जाने का जोखिम भी है। LLM द्वारा मज़बूत किया गया 'common sense' किसी खास इलाके की समस्याओं की जगह सामान्य समाधान थोप सकता है

• बाहरी tools पर निर्भर हुए बिना, नेटवर्क बंद करके coding या दस्तावेज़ लिखना अपनी सोचने की क्षमता परखने का अच्छा तरीका है। रचनात्मक रूप से सोचे बिना दूसरों के ideas दोहराना नापसंद होने के कारण किसी ने रिटायर होने का फैसला किया

• यह संभावना जताई गई कि आने वाले 10 वर्षों में औसत IQ 10 अंकों से ज़्यादा गिर सकता है, लेकिन तब भी हर कोई AI से बने blog posts के ज़रिए productivity बढ़ने का दावा करेगा