Rachael Bedard, geriatra i lekarka opieki paliatywnej, przyznała na łamach „The New York Timesa”, że medyczny chatbot OpenEvidence poprawia jakość jej pracy, a jednocześnie może odbierać młodym lekarzom szansę na zdobycie podstawowych umiejętności klinicznych. Jej obawy potwierdza Adam Rodman z Harvard Medical School, który ostrzega przed zjawiskiem „never-skilling”, czyli sytuacją, w której lekarz w trakcie szkolenia nigdy nie nabywa kompetencji, bo od początku wyręcza go maszyna.
- Adam Rodman z Harvard Medical School ostrzega przed zjawiskiem „never-skilling", opisanym w maju 2026 roku w „Nature Medicine", czyli sytuacją, w której rezydenci nigdy nie wykształcają podstawowego rozumowania klinicznego, bo od początku szkolenia wyręcza ich AI.
- Z OpenEvidence aktywnie korzysta około 650 tys. lekarzy w USA (blisko dwie trzecie wszystkich), a w samym kwietniu 2026 roku narzędzie było używane przy niemal 27 mln kontaktach klinicznych.
- OpenEvidence jest bezpłatne dla zweryfikowanych lekarzy, a jego model biznesowy opiera się na reklamach koncernów farmaceutycznych i producentów sprzętu medycznego; w styczniu 2026 roku spółka pozyskała 250 mln dolarów w rundzie prowadzonej przez Thrive Capital i DST Global, co podwoiło jej wycenę do 12 mld dolarów.
Tekst ukazał się 25 września 2026 roku w dziale opinii NYT. Nie jest to więc badanie, ale relacja praktyka z 20-letnim stażem, która trafia w najbardziej niewygodny punkt dyskusji o AI w medycynie. Chodzi o to, że to samo narzędzie może wzmacniać doświadczonego lekarza i osłabiać początkującego.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Rachael Bedard kilka razy dziennie konsultuje przypadki z OpenEvidence
Rachael Bedard pracuje w podstawowej opiece zdrowotnej w szpitalu klinicznym i opisuje, że OpenEvidence stało się jej codziennym narzędziem pracy, które zastąpiło wcześniej używany serwis UpToDate. OpenEvidence to platforma AI dostępna wyłącznie dla pracowników ochrony zdrowia, oparta na recenzowanej literaturze medycznej i wytycznych klinicznych, podająca źródła dla każdej odpowiedzi.
Tylko tego lata Bedard korzystała z OpenEvidence między innymi, aby:
- dobrać antybiotyk dla jednego z pacjentów,
- zinterpretować nietypowe wyniki badań krwi,
- rozważyć migrenę u kobiety zgłaszającej się z zawrotami głowy (tę możliwość podsunął jej model),
- omówić możliwości leczenia starszego mężczyzny z rakiem płuca.
Pytała też chatbota o sprawy prywatne: wysypkę na plecach ojca, gorączkę syna i własne problemy ze snem.
Bedard podkreśla, że przewagą OpenEvidence nad dawnymi kompendiami jest rozmowa o konkretnym przypadku. Lekarz może wprowadzić wyniki badań pacjenta albo zdjęcie opisu badania obrazowego i dostać sugestie, na które sam by nie wpadł. Autorka zaznacza jednak, że część odpowiedzi bywa bezużyteczna lub błędna, bo sama literatura medyczna, z której korzysta model, często ma słabą jakość. Dlatego sprawdza źródła, na które powołuje się aplikacja.
Adam Rodman z Harvardu: u rezydentów AI może powodować „never-skilling”
Problem zaczyna się, zdaniem Bedard, u jej studentów i rezydentów. Wszyscy korzystają z OpenEvidence, zapamiętują mniej, niż by chciała, i bywają wobec narzędzia bierni. Doświadczona lekarka, czytając odpowiedź chatbota o bólu pleców, odruchowo porównuje ją z własnym modelem myślenia wypracowanym przez lata. Młody lekarz takiego modelu jeszcze nie ma.
Adam Rodman, lekarz i badacz AI z Harvard Medical School, kierujący programami AI w Beth Israel Deaconess Medical Center, rozróżnił w rozmowie z Bedard dwa zjawiska. U doświadczonych lekarzy wsparcie AI może powodować niewielką utratę umiejętności, co jego zdaniem nie ma większego znaczenia. U osób o małym doświadczeniu jest inaczej:
„przerzucenie wysiłku poznawczego na maszynę może powodować never-skilling” / „the cognitive offloading can cause never-skilling”
Termin „never-skilling” opisała w maju 2026 roku perspektywa opublikowana w czasopiśmie „Nature Medicine”. Autorzy wyróżnili w niej trzy ryzyka związane z AI w kształceniu lekarzy:
- deskilling, czyli stopniową utratę umiejętności, które doświadczony lekarz już ma, z powodu ich nieużywania,
- never-skilling, czyli brak wykształcenia podstawowego rozumowania klinicznego u osób, które od początku nauki polegają na AI,
- mis-skilling, czyli bezkrytyczne przyswajanie błędów AI jako wiedzy medycznej.
Autorzy tekstu w „Nature Medicine” uczciwie zaznaczają, że bezpośrednich dowodów na never-skilling w szkoleniu medycznym na razie brak. Obawa wynika z teorii uczenia się i pierwszych sygnałów z badań prowadzonych poza medycyną. Wpływ AI na naukę zależy według nich od tego, jak i kiedy narzędzie zostaje wprowadzone.
Tekst Rachael Bedard czytam jako jeden z uczciwszych głosów w tej dyskusji. Lekarka nie twierdzi, że AI jest zagrożeniem, i nie udaje, że z niego nie korzysta. Mówi wprost, że dzięki niemu leczy lepiej, a jednocześnie widzi, że jej przewaga nad maszyną wynika z lat nauki bez maszyny.
Ten sam mechanizm obserwuję poza medycyną. Doświadczony programista, prawnik czy redaktor używa AI jak szybszego asystenta i od razu wyłapuje bzdury. Junior często nie ma z czym porównać odpowiedzi, więc ją przyjmuje. W redakcji to kosztuje poprawki, w szpitalu może kosztować zdrowie pacjenta.
Nie uważam, że rozwiązaniem jest zabranianie AI studentom medycyny. To byłoby udawanie, że narzędzie, z którego korzysta większość lekarzy w USA, nie istnieje. Otwarte pytanie brzmi raczej tak: kto i jak ma sprawdzać, czy młody lekarz potrafi myśleć samodzielnie, skoro na co dzień nigdy nie musi? I drugie, mniej wygodne: czy darmowe narzędzie finansowane z reklam firm farmaceutycznych powinno być głównym źródłem wiedzy klinicznej całego pokolenia lekarzy?
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Wypełnij formularz, a my skontaktujemy się z Tobą, aby upewnić się czego potrzebujesz.
OpenEvidence korzysta już większość lekarzy w USA
Skala, o której pisze Bedard, jest ogromna. Według przedstawicieli firmy, cytowanych w maju 2026 roku przez NBC News, z OpenEvidence aktywnie korzysta około 650 tys. lekarzy w USA, czyli blisko dwie trzecie wszystkich, a kolejne 1,2 mln poza Stanami Zjednoczonymi. W samym kwietniu narzędzie było używane przy niemal 27 mln kontaktach klinicznych.
W styczniu 2026 roku OpenEvidence pozyskało 250 mln dolarów w rundzie prowadzonej przez Thrive Capital i DST Global, co podwoiło wycenę spółki do 12 mld dolarów. Prezes Daniel Nadler mówił wtedy CNBC, że firma przekroczyła w poprzednim roku 100 mln dolarów rocznych przychodów, a 95 proc. nowych użytkowników dowiaduje się o narzędziu od innego lekarza. Nadler podkreślał też, czym OpenEvidence różni się od ogólnych chatbotów:
„Nie jest trenowany na otwartym internecie ani na mediach społecznościowych” / „It’s not trained on the open internet or social media”
Model biznesowy OpenEvidence opiera się na reklamach. Narzędzie jest bezpłatne dla zweryfikowanych lekarzy, a firma zarabia głównie na reklamach koncernów farmaceutycznych i producentów sprzętu medycznego. Bedard wspomina też, że OpenEvidence zapowiedziało rozszerzenie bezpłatnego dostępu dla lekarzy z krajów rozwijających się.
Rodman proponuje zajęcia z rozumowania klinicznego bez AI
Rachael Bedard nie uważa, że lekarzy w 2026 roku da się sensownie kształcić bez kontaktu z AI. Pisze, że nie zależy jej na tym, by rezydenci pamiętali każdy protokół diagnostyczny. Chce za to, by nauczyli się słuchać pacjenta jak lekarz, odróżniać chorego „naprawdę” od niewymagającego pilnej pomocy i ustalać priorytety, gdy pacjent zgłasza kilka problemów naraz.
Adam Rodman proponuje, by zachować w szkoleniu „wartościowy wysiłek” mimo dostępności AI. Wśród pomysłów wymienia zajęcia z rozumowania klinicznego prowadzone bez AI oraz szkolenia z krytycznego korzystania z narzędzi AI. Bedard przyznaje jednak, że nikt jeszcze nie wie, jak będzie wyglądać opieka nad pacjentem, gdy AI zostanie w pełni włączona do medycyny. Dlatego obecne pokolenie przyszłych lekarzy może być według niej najbardziej poszkodowane: uczy się, zanim ktokolwiek wie, jak je dobrze uczyć.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Polscy pacjenci są podzieleni, a Kodeks Etyki Lekarskiej stawia warunki
W Polsce dyskusja toczy się na razie bardziej o akceptację AI przez pacjentów niż o skutki dla szkolenia lekarzy. Badanie UCE Research i fundacji Medigent, przeprowadzone na próbie 1017 dorosłych Polaków i opublikowane we wrześniu 2026 roku, pokazuje taki rozkład opinii o AI jako wsparciu dla lekarzy:
- 46,7 proc. popiera takie wykorzystanie AI,
- 30,6 proc. jest przeciwnych,
- 22,7 proc. nie ma zdania.
Współautor badania, dr n. med. Wojciech Francuzik z fundacji Medigent, zwraca uwagę, że na wynik wpłynęło sformułowanie pytania, które dotyczyło „wsparcia lekarzy, a nie ich zastąpienia”. Według Francuzika respondenci akceptują sytuację, w której AI analizuje dane, ale ostateczna decyzja pozostaje przy lekarzu.
Polskich lekarzy obowiązuje też art. 12 Kodeksu Etyki Lekarskiej, który dopuszcza korzystanie z algorytmów AI w diagnostyce i leczeniu pod określonymi warunkami, m.in. poinformowania pacjenta o użyciu AI i uzyskania jego świadomej zgody. Scenariusz opisany przez Bedard, czyli lekarz rutynowo konsultujący przypadki z chatbotem, rodzi w polskich realiach pytanie, jak ten przepis stosować w praktyce. Na polskich uczelniach medycznych problem never-skilling nie był jak dotąd, o ile mi wiadomo, przedmiotem szerszej publicznej debaty, choć studenci korzystają z tych samych ogólnodostępnych narzędzi AI co ich rówieśnicy za oceanem.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym tekstu opinii Rachael Bedard „Being a Doctor Will Never Be the Same After A.I.”, The New York Times z dnia 25.09.2026 oraz perspektywy „AI-induced never-skilling in medical education”, Nature Medicine i reportażu NBC News o OpenEvidence. Dane finansowe OpenEvidence zweryfikowano z materiałem CNBC ze stycznia 2026. Polski kontekst: badanie UCE Research i fundacji Medigent opisane przez Teleinfo24.
Cytaty Adama Rodmana (Harvard Medical School, Beth Israel Deaconess Medical Center) i Daniela Nadlera (prezes OpenEvidence) zostały zweryfikowane z oryginalnym anglojęzycznym materiałem źródłowym.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji w temacie wpływu AI na kształcenie lekarzy.
