Nowy eksperyment opublikowany w „Research Policy” pokazuje coś, czego nie widać w statystykach korzystania z czatbotów: generatywna sztuczna inteligencja nie działa tak samo na wszystkich naukowców. Badacze na początku drogi przyjmują jej podpowiedzi i oceniają własne projekty jako bardziej odkrywcze, a ci z długim dorobkiem odrzucają dokładnie te same sugestie jako oczywiste albo za mało ambitne.
Kluczowe fakty:
- Badanie „How Experience Moderates the Impact of Generative AI on the Research Process" opublikowane w „Research Policy" objęło 310 naukowców z różnych dziedzin i miało formę randomizowanego eksperymentu online.
- Uczestnicy byli losowo przydzielani do grup otrzymujących zero, jedną lub trzy sugestie badawcze wygenerowane przez AI na podstawie ich wcześniejszego dorobku naukowego.
- Zbiorczy wpływ AI na ocenę nowatorstwa i wykonalności propozycji badawczych okazał się statystycznie nieistotny – wyraźny efekt pojawiał się dopiero po podziale uczestników według stażu naukowego, przy czym młodsi badacze przyjmowali sugestie AI, a starsi je odrzucali.
Sprawdziłem oryginalną publikację, bo streszczenia krążące po branżowych serwisach gubią najciekawszy szczegół. Autorzy nie stwierdzili żadnego uśrednionego wpływu AI na to, jak badacze oceniali nowatorstwo i wykonalność swoich propozycji. Efekt pojawia się dopiero wtedy, gdy podzielić uczestników według stażu. I wtedy robi się naprawdę ciekawie.
Dla kontekstu: Anil R. Doshi, jeden ze współautorów, udostępnia na swojej stronie w UCL School of Management wystąpienie TEDx poświęcone pracy z generatywną AI.
Znajdź dostawcę, partnera lub narzędzie dla swojego biznesu, a jeśli prowadzisz firmę, która w swoim DNA ma AI, skorzystaj z możliwości bezpłatnego dodania swojej firmy.
Eksperyment na 310 badaczach z różnych dyscyplin
Pracę „How Experience Moderates the Impact of Generative AI on the Research Process” napisali Matthias Tröbinger, Sen Chai i Anil R. Doshi. Ukazała się w „Research Policy” (rocznik 55, numer 8, artykuł 105575). To randomizowany eksperyment online z udziałem 310 naukowców reprezentujących różne dziedziny, którym system generował propozycje nowych kierunków badawczych na podstawie ich wcześniejszego dorobku.
Serwis Unite.AI, który opisał badanie pod koniec lipca, dodaje, że uczestnicy trafiali do grup otrzymujących zero, jedną albo trzy sugestie AI, a uzupełniające studium objęło 28 osób pracujących z modelem interaktywnie.
Wynik zbiorczy jest zaskakująco płaski. Dopiero doświadczenie badawcze zmienia obraz, i to w kierunku odwrotnym, niż podpowiadałaby intuicja o cyfrowo sprawnej młodzieży i skostniałych profesorach. Młodsi naukowcy włączają podpowiedzi do własnych propozycji, bo te uruchamiają nowe tory myślenia i potwierdzają to, co już przeczuwali. Starsi reagują niechęcią.
Trzy powody, dla których weterani mówią „nie”
Autorzy nazywają mechanizmy tej niechęci wprost:
- deprecjonowanie pomysłów pochodzących z zewnątrz, niezależnie od ich jakości
- rezerwa wobec samej technologii
- poczucie, że maszyna podważa ich zawodową tożsamość
„bardziej doświadczeni badacze wykazują awersję, głównie z powodu deprecjonowania cudzych pomysłów” / „more experienced researchers show aversion, primarily due to discounting outside ideas” czytamy w streszczeniu pracy.
Ten trzeci punkt jest najbardziej ludzki i najmniej wygodny. Jeśli przez dwadzieścia lat budowałeś pozycję na umiejętności wskazywania właściwych pytań, model, który generuje ich dwadzieścia w dziesięć sekund, nie jest neutralnym narzędziem. Jest konkurencją do roli, którą pełnisz.
Ale jest też druga możliwość, której badanie nie rozstrzyga. Może doświadczeni naukowcy odrzucają te sugestie, bo mają rację. Bo wiedzą, że dany kierunek już próbowano i porzucono, że próbka jest nie do zdobycia, że recenzenci to zabiją. Tej wiedzy nie ma w żadnym artykule, więc nie ma jej też w modelu.
Warstwa, która pojawia się przed promotorem
Najważniejsza zmiana nie dotyczy jednak tego, kto ufa AI. Dotyczy kolejności zdarzeń.
Kiedyś niedojrzały pomysł musiał przetrwać pierwsze spotkanie z człowiekiem. Trzeba go było sformułować na tyle sensownie, żeby nie wstyd było pokazać promotorowi albo koledze z zespołu. Teraz między prywatną myślą a ludzką oceną pojawia się nowa warstwa, dostępna o trzeciej w nocy, bez umawiania terminu i bez ryzyka wyjścia na naiwnego.
Doktorant przychodzi na konsultację z gotową, uporządkowaną, przećwiczoną propozycją. Wygląda to lepiej. Pytanie brzmi, czy jest lepsze.
Widzę tu klasyczny konflikt między jakością produktu a jakością procesu. Uporządkowany wniosek grantowy przygotowany z pomocą modelu jest realną korzyścią, szczególnie dla badaczy z mniejszych ośrodków, bez sieci kontaktów i bez promotora, który ma dla nich czas. To wyrównuje szanse i nie będę udawał, że jest inaczej.
Martwi mnie co innego. Umiejętność oceny pomysłu rodzi się z generowania złych pomysłów i zderzania ich z rzeczywistością. Jeśli usuniemy ten etap, dostaniemy pokolenie badaczy piszących świetne wnioski i niepotrafiących ocenić, który z nich jest wart pięciu lat życia. Promotor zobaczy dopracowany dokument i nie zobaczy, ile rozumowania stoi za nim naprawdę.
Nie mam gotowej odpowiedzi. Mam pytanie, które według mnie powinno paść na każdej radzie wydziału w Polsce: czy oceniamy propozycję, czy oceniamy człowieka, który ją przyniósł? Bo to przestały być te same rzeczy.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Rzadkim zasobem przestaje być pomysł, a staje się jego odrzucenie
Kiedy wygenerowanie dwudziestu kierunków badawczych kosztuje kilka minut, wartość przesuwa się na drugą stronę. Nie na produkcję możliwości, tylko na decyzję, które z nich mają prawo przetrwać.
W eksperymencie doświadczeni badacze odrzucali sugestie nie dlatego, że były niespójne. Odrzucali je, bo były nieważne. Logiczne przedłużenie dotychczasowej pracy, poprawne metodologicznie, kompletnie pozbawione znaczenia. Ta ocena opiera się na wiedzy, której nie ma w publikacjach: na porzuconych grantach, uwagach recenzentów, rozmowach na konferencjach, eksperymentach, które się nie udały.
Rola starszego naukowca zaczyna przypominać zarządzanie portfelem. Nie chodzi o to, żeby wymyślić, tylko żeby rozdzielić uwagę i pieniądze między rosnącą podaż możliwości.
Ryzyko monokultury naukowej
Jest jeszcze problem, którego to badanie nie mierzy, ale który ci sami autorzy udokumentowali wcześniej. W pracy opublikowanej w 2024 roku w „Science Advances” Doshi i Oliver P. Hauser wykazali, że dostęp do pomysłów generowanych przez model podnosi indywidualną kreatywność piszących, ale efekt zbiorowy jest odwrotny: powstające teksty są do siebie bardziej podobne niż te pisane bez wsparcia AI.
Przełóżmy to na naukę. Jeśli tysiące doktorantów pyta te same trzy modele o kierunki badawcze w swojej dziedzinie, każdy z nich dostanie odpowiedź, która jemu wyda się nowa. Zbiorowo pole badawcze się zawęzi. Pojedyncza sugestia jest oryginalna, rozkład sugestii już nie.
Skala jest realna. Z badania Wiley ExplanAItions z 2025 roku wynika, że 84 procent naukowców używa narzędzi AI w jakimkolwiek obszarze pracy, wobec 57 procent rok wcześniej. Do zadań badawczych i publikacyjnych przyznaje się 62 procent, przy 45 procentach w 2024 roku. A 70 procent uznaje te narzędzia za przydatne właśnie przy generowaniu pomysłów i burzy mózgów. To nie jest margines.
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.
Co to oznacza dla polskiej nauki
Polska ma już własne ramy i są one zaskakująco rozsądne. Narodowe Centrum Nauki opublikowało 8 maja 2025 roku stanowisko, które dopuszcza pomocnicze użycie generatywnej AI przy przygotowywaniu wniosków grantowych: streszczenia, tłumaczenia, ilustracje, redakcja językowa. Jednocześnie zakazuje jej stosowania ekspertom w ocenie merytorycznej.
„Rozumiemy, że AI wpływa na funkcjonowanie nauki, również na proces przygotowywania wniosków” mówił przy tej okazji Krzysztof Jóźwiak, dyrektor NCN, zaznaczając, że agencje finansujące badania na świecie nie podchodzą do tej zmiany nadmiernie restrykcyjnie.
Środowisko myśli podobnie. W sondażu przeprowadzonym przez NCN w październiku 2025 roku, na który odpowiedziało ponad 2,7 tysiąca z blisko 8,8 tysiąca zaproszonych kierowników projektów z konkursów OPUS, SONATA i PRELUDIUM, 67 procent badanych nie chce, by generatywna AI oceniała wnioski grantowe. Z narzędzi AI korzystało 42 procent, najczęściej przy korekcie językowej, przygotowaniu abstraktu i tłumaczeniu.
I tu widzę lukę. Polskie regulacje bardzo precyzyjnie opisują, gdzie AI wolno pomagać w pisaniu. Milczą o tym, co pokazuje badanie Tröbingera, Chai i Doshiego: o etapie, na którym pomysł dopiero powstaje. Żaden regulamin nie obejmie rozmowy doktoranta z modelem o trzeciej nad ranem, dwa miesiące przed napisaniem pierwszego zdania wniosku.
Co można z tym zrobić na poziomie uczelni i szkół doktorskich:
- wymagać, żeby doktorant przedstawił krytykę propozycji wygenerowanej przez model, zanim ją przyjmie
- kazać zestawiać pomysł powstały z AI z pomysłem opracowanym samodzielnie
- dokumentować, które sugestie odrzucono i dlaczego
- oceniać sposób rozumowania, nie tylko finalny dokument
- wprowadzić na zajęciach z metodologii ćwiczenia na wiarygodnie brzmiących, ale wadliwych wynikach modelu
Żaden z tych punktów nie wymaga nowej ustawy. Wymaga decyzji promotora.
Bo przyszłość nauki wspieranej przez AI nie rozstrzygnie się na pytaniu, czy maszyna potrafi zaproponować pytanie badawcze. Rozstrzygnie się na tym, czy ludzie zachowają zdolność odrzucania tych złych.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym pracy Matthiasa Tröbingera, Sen Chai i Anila R. Doshiego „How Experience Moderates the Impact of Generative AI on the Research Process”, Research Policy 55(8), 105575, badania Doshi i Hauser, Science Advances 2024 oraz raportu Wiley ExplanAItions 2025. Korzystałem także z opisu badania w serwisie Unite.AI oraz z materiałów Springer Nature dotyczących wykorzystania AI w komunikacji naukowej. Polski kontekst regulacyjny opracowano na podstawie stanowiska Narodowego Centrum Nauki z 8 maja 2025 roku oraz doniesień serwisu Nauka w Polsce i Forum Akademickiego o sondażu NCN z października 2025 roku. Cytat Krzysztofa Jóźwiaka, dyrektora NCN, pochodzi z komunikatu Centrum. Cytat ze streszczenia pracy w „Research Policy” został zweryfikowany 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 danych o wpływie generatywnej AI na proces powstawania pomysłów badawczych.
