Czy AI przyspiesza badania naukowe, czy tylko produkcję publikacji?

Nietrudno zauważyć, że generatywna sztuczna inteligencja szybko weszła do pracy badawczej. Pomaga nam przeszukiwać literaturę, narzędzia AI streszczają publikację, ułatwia generowanie kodu, analizowanie danych i poprawę jakości tekstu czy też przygotowywanie pierwszych wersji abstraktu. Ostatnie duże modele językowe są w stanie nawet generować hipotezy. Z perspektywy pojedynczego badania to brzmi świetnie, ale szybsza praca badacza nie musi automatycznie oznaczać szybszego postępu nauki. Coraz więcej badań sugeruje, że warto to rozróżnić.

AI może sprawić, że naukowiec publikuje więcej

Jedno z najciekawszych badań dotyczących tego problemu opublikowali w 2026 roku Qianyue Hao, Fengli Xu, Yong Li i James Evans w Nature. Autorzy przeanalizowali ogromny zbiór 41,3 miliona publikacji naukowych z obszaru nauk przyrodniczych. Wyniki na pierwszy rzut oka wyglądają jak najlepsza reklama wykorzystania AI w nauce.

Badacze wykorzystujący narzędzia AI publikowali średnio 3,02 razy więcej prac, otrzymywali 4,84 razy więcej cytowań, a także wcześniej obejmowali role liderów projektów badawczych. AI rzeczywiście wiązała się z bardzo konkretnymi korzyściami dla indywidualnej kariery naukowca. Tylko autorzy zobaczyli jednocześnie drugą stronę tego zjawiska.

Więcej publikacji, ale mniej różnorodna nauka?

W tym samym badaniu zauważono, że wraz z wykorzystaniem AI zakres badanych tematów naukowych zawężał się o 4,63%, a zaangażowanie naukowców w prace innych badaczy spadało o około 22%. Autorzy zatem opisują ciekawy paradoks: AI może zwiększać wpływ pojedynczego naukowca, a jednocześnie ograniczać zakres eksploracji całej społeczności naukowej. Badania wspierane przez AI częściej koncentrowały się wokół obszarów bogatych w dane i problemów, dla których istniało już dużo wiedzy. To ma sens, bo modele AI uczą się na danych, które już istnieją. 

Najłatwiej można wykorzystywać modele AI tam, gdzie mamy dużą bazę publikacji. Ponadto, sprawdza się dobrze w polu, gdzie mamy dobrze opisane problemy. Co w przypadku, kiedy tego brakuje? To moje ulubione podejście, czyli praca AI-człowiek. Polega to na tym, że człowiek posiada pewnego rodzaju wiedzę ekspercką, by przeprowadzić dane niszowe badanie, ale używa AI do zautomatyzowania procesów. Jednak unikałabym wrzucania pełnych notatek do modelu AI. Ostatnia sprawa z Antropic i znanym matematykiem skłóciła ze sobą dwa środowiska. 

Model sztucznej inteligencji Claude od firmy Anthropic osiągnął w sierpniu 2026 roku znaczny postęp w badaniach nad trudnym problemem matematycznym – hipotezą Riemanna. Sztuczna inteligencja zdołała podnieść dolną granicę udziału nietrywialnych miejsc zerowych funkcji dzeta Riemanna leżących na prostej krytycznej z dotychczasowych 41,6% do aż 67,2% (czyli do ponad dwóch trzecich). Poprzedni rekord utrzymywał się w matematyce przez dekady, a jego przesunięcie o zaledwie ułamek punktu procentowego zajmowało ludzkim naukowcom całe lata. Co istotne w świecie nauki, Claude nie tylko opisał swoje odkrycie w formie artykułu naukowego, ale również stworzył jego formalną wersję w języku programowania Lean, co pozwoliło na maszynowe, stuprocentowe zweryfikowanie poprawności dowodu. Wyniki zostały także pozytywnie ocenione przez wewnętrznych matematyków Anthropic oraz zewnętrznych ekspertów z zakresu teorii liczb (takich jak Brian Conrey i Dan Goldston).

Inny przypadek, przegląd od AI Levent Alpöge z Anthropic i Tristan z NYU przeprowadzili kluczowe badania nad równaniami ruchu płynów, co bezpośrednio doprowadziło do głośnego ogłoszenia dowodu przez OpenAI we wrześniu 2026 roku. 15 sierpnia 2026 roku Levent Alpöge (związany z Anthropic) oraz Tristan Buckmaster (z Uniwersytetu Nowojorskiego - NYU) ogłosili ważne odkrycia matematyczne dotyczące równań pokrewnych (Eulera oraz aproksymacji Boussinesqa). Zainspirowani tymi wynikami i krążącymi plotkami, we wrześniu 2026 roku OpenAI rzuciło do pracy 10 tysięcy agentów AI, którzy w 88 godzin przygotowali dowód dla równania Naviera-Stokesa. Działania OpenAI wywołały dyskusję i kontrowersje w świecie nauki i technologii. Firma przyznała, że ich nagły sprint badawczy był inspirowany wcześniejszą, pionierską pracę zespołu z udziałem badacza z Anthropic. Matematyczny problem milenijny wciąż czeka na ostateczną, niezależną weryfikację przez środowisko naukowe. Były kontrowersje z wrzucaniem notatek bezpośrednio do modelu językowego. Czy przełomowe odkrycie powinno zostać tak po prostu przekazane do modelu językowego? 

Znacznie trudniejsze są natomiast pytania dotyczące zjawisk słabo opisanych, nowych albo takich, dla których danych jest prawie niewiele. Moim zdaniem, model językowy został poprowadzony za rękę, dlatego takie osiągnięcie się udało. Jednak kto naprawdę jest twórcą odkrycia, pozostaje nieznany. 

Produktywność naukowca nie jest tym samym co postęp naukowy

Produktywność a postęp naukowy to zupełnie coś innego i należy to rozróżnić. W nauce bardzo łatwo mierzyć produktywność za pomocą liczby publikacji, cytowań, liczby analiz, tempa przygotowania tekstu czy przetworzonych artykułów. Znacznie trudniej zmierzyć oryginalność pytania badawczego. AI może bardzo mocno poprawić pierwszą grupę wskaźników, ale nie oznacza poprawy drugiej. 

AI świetnie radzi sobie tam, gdzie istnieje już struktura

Kto nie lubi gotowych rozwiązań? Dobrze pokazuje to również eksperyment Amy Wenxuan Ding i Shibo Li opublikowany w Scientific Reports. Badacze sprawdzili, czy generatywna AI jest w stanie samodzielnie przejść przez proces odkrycia naukowego w eksperymencie dotyczącym genetyki molekularnej. Trzeba przyznać, że wynik był dość charakterystyczny. GenAI radziła sobie z inkrementalnymi odkryciami, czyli takimi, które można było zbudować na istniejącej reprezentacji wiedzy. Znacznie gorzej radziła sobie natomiast z generowaniem naprawdę nowych hipotez, dostrzeganiem nietypowych anomalii i zmianą kierunku rozumowania, gdy dane nie pasowały do wcześniejszych założeń. Co jeszcze ciekawsze, model potrafił być przy tym nadmiernie przekonany, że dokonał prawidłowego odkrycia. Zatem problem nie polega wyłącznie na tym, że AI czegoś nie wie. Problem polega również na tym, że może nie wiedzieć, że czegoś nie wie. Logiczne, prawda?

To ważne, bo nauka zaczyna się często tam, gdzie coś się nie zgadza. Wiele dużych odkryć nie pojawiło się dlatego, że ktoś jeszcze sprawniej przeanalizował dobrze znany schemat. Te badania pojawiły się, bo ktoś zauważył anomalię. Trudniej zapytać: a co jeśli naprawdę jest tu coś interesującego? Coś, co warto zbadać? I to jest rodzaj myślenia, którego nie da się sprowadzić wyłącznie do szybkiego przetwarzania istniejącej wiedzy.

AI może przyspieszyć przegląd literatury. Bardzo mocno

Tak, sama to przerabiałam. Wykorzystanie modeli AI w tym kierunku bardzo usprawniło moją pracę. Adel i Alani przeanalizowali w 2025 roku wykorzystanie ChatGPT w systematycznych przeglądach literatury. W analizowanych badaniach wykorzystanie AI pozwalało ograniczać nakład pracy nawet o około 60–65%. W prostych zadaniach, takich jak screening tytułów i abstraktów, modele potrafiły osiągać bardzo wysoką czułość. To oznacza, że badacz może w krótszym czasie przejrzeć znacznie większą liczbę publikacji. Ale znowu pojawia się druga strona. Szybszy research może oznaczać również szybsze produkowanie błędów. Czy jesteśmy w stanie je zauważyć na bardzo wczesnym etapie? 

W tym samym przeglądzie jako jeden z głównych problemów wskazano halucynacje. W niektórych analizowanych badaniach ich poziom dochodził nawet do 91%, szczególnie przy bardziej złożonych zadaniach związanych z interpretacją i syntezą informacji. AI znacznie lepiej radziła sobie z prostym screeningiem niż z subtelną interpretacją wyników. Bo przegląd literatury nie polega tylko na tym, żeby znaleźć 200 artykułów. Trzeba ocenić ich jakość, porównać metodologie, zobaczyć sprzeczności, zidentyfikować lukę badawczą, a potem wyciągnąć sensowny wniosek. 

Możemy mieć iluzję, że rozumiemy więcej

Ten problem opisują bardzo dobrze Lisa Messeri i M. J. Crockett w artykule opublikowanym w Nature w 2024 roku. Autorki piszą o iluzji rozumienia przed modele językowe. AI może sprawić, że badacz otrzyma bardzo szybko uporządkowane odpowiedzi, wykresy, podsumowania i interpretacje. W efekcie powstaje poczucie, że problem został dobrze zrozumiany, ale płynna odpowiedź nie jest tym samym, co poprawne rozumowanie. Messeri i Crockett zwracają uwagę, że systemy AI mogą zwiększać produktywność, ale jednocześnie wzmacniać przekonanie, że wiemy więcej, niż faktycznie wiemy. Niestety jest to szczególnie niebezpieczne w nauce. Bo nauka opiera się właśnie na ciągłym podważaniu własnych założeń. Można zauważyć, że pod naszym naciskiem zmieni zdanie, a powinna jednak trzymać się swoich własnych założeń i nie ulegać konargumentom. Taki jest problem modeli AI.

AI już uczestniczy w pisaniu publikacji naukowych

Nie mówimy już zresztą o hipotetycznym scenariuszu, bo LLM-y są już dawno wykorzystywane w publikacjach naukowych. Liang i współautorzy przeanalizowali 1 121 912 preprintów i artykułów naukowych opublikowanych między 2020 a 2024 rokiem. Na podstawie zmian częstości występowania określonych słów oszacowali, jak duża część tekstów mogła zostać zmodyfikowana przy pomocy modeli językowych. Najwyższe wartości pojawiły się w informatyce — nawet do 22% analizowanych prac. W matematyce oraz w czasopismach z portfolio Nature szacowany udział był niższy i dochodził do około 9%. Stała się częścią rzeczywistego ekosystemu publikacyjnego.

Czy zlecając pisanie AI, oddajemy również część myślenia?

Bietti i Bangerter w tekście opublikowanym w PLOS Biology w 2026 roku zwracają uwagę na jeszcze inny problem. Pisanie naukowe nie jest tylko etapem technicznym, który następuje po zakończeniu badania. Pisząc, porządkujemy argumentację, zauważamy luki, poprawiamy własne błędy i uczymy się na nich. Czasem dopiero podczas pisania orientujemy się, że interpretacja, która początkowo wydawała się oczywista, wcale taka nie jest. Często tak jest w recenzjach naukowych. Skoro dwóch recenzentów zrozumiało zdanie zupełnie inaczej, to wina jest po naszej stronie. Nie potrafiliśmy prostym językiem wytłumaczyć, że jest inaczej. Autorzy ostrzegają więc, że zbyt intensywne outsourcingowanie pisania do LLM może prowadzić do oddzielenia pisania od myślenia. Bo może się okazać, że oszczędzamy czas na czynności, która nie była tylko „pisaniem”, a była to część procesu rozumowania. 

Największym problemem może być nie zła odpowiedź, ale dobra odpowiedź na złe pytanie

Modele AI coraz lepiej odpowiadają, ale nauka nie polega tylko na dobrym odpowiadaniu. Bardzo często najważniejsze jest postawienie pytania, którego wcześniej nikt nie zadał. Czy wiąże się to z odwagą? Poniekąd tak. Można mieć perfekcyjnie przeprowadzoną analizę statystyczną i można mieć pięknie wygenerowany wykres. Jeżeli jednak pytanie badawcze jest banalne albo źle postawione, otrzymujemy po prostu bardzo sprawnie przeprowadzone mało interesujące badanie. AI może więc obniżyć koszt wykonania badania, ale nie musi automatycznie zwiększyć wartości samego pomysłu. Akurat to nasze zadanie, aby zwiększyć wartość naszego pomysłu i dobrze go sprzedać środowisku.

Zatem może pojawić się paradoks produktywności

Wyobraźmy sobie sytuację, w której każdy naukowiec dzięki AI może przygotować dwukrotnie więcej analiz i dwa razy więcej tekstów. Na poziomie jednostki wygląda to jak ogromny sukces, ale nie w przypadku, kiedy każdy zacznie tak robić. Czyli narzędzie, które miało zmniejszyć przeciążenie naukowców, może jednocześnie zwiększyć ilość treści, którą inni naukowcy muszą później przetworzyć. I wtedy produktywność jednostki niekoniecznie oznacza produktywność systemu.

Więcej publikacji nie oznacza więcej wiedzy. Są to często badania, które nie są niszowe, tylko takie, gdzie jest pełno podobnych rozwiązań. Tutaj wracamy do wyników Hao i in. Ich analiza sugeruje właśnie coś takiego. AI może bardzo mocno zwiększać produktywność i widoczność pojedynczych badaczy, ale jednocześnie prowadzić do większej koncentracji nauki wokół podobnych, dobrze opisanych obszarów. To trochę taki paradoks. Możemy publikować więcej niż kiedykolwiek, ale mimo to nadal pozostaje pytanie: czy odkrywamy dzięki temu więcej rzeczy, których wcześniej naprawdę nie wiedzieliśmy? No właśnie. 

AI może przyspieszyć badania. Ale nie powinno przyspieszać bezrefleksyjności

Nie sądzę więc, żeby problem polegał na tym, że AI zacznie „robić naukę za naukowców”. Bardziej interesujący jest inny scenariusz. AI może sprawić, że naukowcy będą produkować więcej, ale wtedy największym wyzwaniem nie będzie już wytworzenie wyniku. Będzie nim odpowiedź na pytanie: który z tych wyników naprawdę ma znaczenie? Bo szybkość jest ogromną zaletą wtedy, kiedy wiemy, dokąd zmierzamy. W nauce problem polega jednak na tym, że bardzo często właśnie tego próbujemy się dopiero dowiedzieć. Dlatego nie pytajmy, jak bardzo AI może przyspieszyć badania, ale "Czy dzięki AI będziemy odkrywać więcej, czy po prostu szybciej publikować to, co już potrafimy zbadać?" 

Być może właśnie na tej różnicy będzie polegała jedna z najważniejszych zmian w nauce najbliższych lat.

Literatura

Hao, Q., Xu, F., Li, Y., & Evans, J. (2026). Artificial intelligence tools expand scientists’ impact but contract science’s focus. Nature, 649(8099), 1237–1243. DOI: 10.1038/s41586-025-09922-y. PubMed

Messeri, L., & Crockett, M. J. (2024). Artificial intelligence and illusions of understanding in scientific research. Nature, 627, 49–58. DOI: 10.1038/s41586-024-07146-0. Nature

Ding, A. W., & Li, S. (2025). Generative AI lacks the human creativity to achieve scientific discovery from scratch. Scientific Reports, 15, 9587. DOI: 10.1038/s41598-025-93794-9. Nature

Adel, A., & Alani, N. (2025). Can generative AI reliably synthesise literature? Exploring hallucination issues in ChatGPT. AI & Society, 40, 6799–6812. DOI: 10.1007/s00146-025-02406-7. DOI

Liang, W., Zhang, Y., Wu, Z., et al. (2025). Quantifying large language model usage in scientific papers. Nature Human Behaviour, 9(12), 2599–2609. DOI: 10.1038/s41562-025-02273-8. PubMed

Bietti, L. M., & Bangerter, A. (2026). Will the widespread use of large language models in scientific writing undermine scientists’ critical thinking? PLOS Biology, 24(6), e3003801. DOI: 10.1371/journal.pbio.3003801.