Przyszłość pracy naukowej: zmiana roli badacza w erze AI

W 2022 roku przegląd literatury do artykułu przeglądowego zajmował zespołowi badawczemu od czterech do ośmiu tygodni. W 2025 roku to samo zadanie, przy użyciu asystenta RAG na zaindeksowanym korpusie dziedzinowym, zajmuje kilka dni. Badacz nadal decyduje, które cytowania wejdą do manuskryptu i czy wnioski są biologicznie wiarygodne. Ale punkt ciężkości przesunął się: zamiast spędzać czas na szukaniu, spędza go na ocenie i weryfikacji.

W Cashcrown obserwujemy ten wzorzec u klientów z sektora farmaceutycznego, materiałoznawczego i analityki środowiskowej. Zmiana nie jest jednorodna i nie jest bezbolesna. Dlatego opisujemy ją uczciwie, bez deklaratywnych zapewnień o „rewolucji”.

Oddzielenie tego, co działa powtarzalnie, od tego, co wciąż jest eksperymentem, jest pierwszym krokiem do sensownego wdrożenia.

Przeszukiwanie literatury i synteza. LLM z dostępem do bazy publikacji przeszukuje dziesiątki tysięcy artykułów, identyfikuje luki i sprzeczności, zestawia cytowania łączące odległe dziedziny. Czas potrzebny na systematic review skraca się od kilku miesięcy do kilku dni. To zadanie, w którym AI regularnie przetwarza więcej materiału niż byłoby dostępne dla ludzkiego zespołu w realnym harmonogramie.

Generowanie hipotez z wzorców w danych. Systemy analizujące duże korpusy dziedzinowe wskazują kombinacje czynników niewidocznych w ludzkim przeglądzie. Nie każda sugestia modelu jest trafna, ale selekcja nawet kilku procent użytecznych hipotez spośród większej puli jest szybsza niż generowanie ich od zera. Kluczowe: to badacz ocenia, które hipotezy wejdą do eksperymentu.

Ekstrakcja danych z nieustrukturyzowanych źródeł. Raporty laboratoryjne, protokoły eksperymentalne, surowe pomiary w PDF, transkrypcje wywiadów klinicznych. Model zamienia je na ustrukturyzowane tabele gotowe do analizy, eliminując błędy przepisania. Nadal wymaga audytu wynikowego przez badacza, szczególnie przy danych krytycznych.

Symulacje in silico. W chemii obliczeniowej, genomice i materiałoznawstwie modele AI szacują właściwości kandydatów przed fizycznym eksperymentem. To pozwala wstępnie odrzucić warianty o niskiej szansie powodzenia i skoncentrować zasoby laboratoryjne na najbardziej obiecujących kierunkach.

Ograniczenia, których nie można przemilczeć. AI nie ma modelu przyczynowego świata. Korelacja w danych treningowych nie jest implikacją w naturze. Systemy sprawdzają się w interpolacji, czyli szacowaniu nowych punktów w dobrze zbadanej przestrzeni, a zawodzą przy ekstrapolacji, czyli zjawiskach poza rozkładem treningowym. Każdy system badawczy oparty na AI musi mieć warstwę weryfikacji eksperymentalnej. Bez niej wynik modelu to hipoteza, nie fakt.

Konkretny obraz zmian widać dopiero na poziomie poszczególnych zadań. Poniżej zestawienie oparte na obserwacji wdrożeń z lat 2024-2025:

Wzorzec jest spójny: AI skraca czas selekcji i generowania kandydatów o rząd wielkości. Eksperyment lub obserwacja empiryczna pozostaje niezbędna do potwierdzenia. Badacz, który rozumie tę strukturę, zyskuje realny mnożnik produktywności. Badacz, który traktuje wynik modelu jako fakt bez weryfikacji, wchodzi w ryzyko.

Human-oversight w procesach badawczych to nie procedura biurokratyczna. To odpowiedź na konkretny mechanizm błędu: automation bias, czyli tendencję do przyjmowania wyników systemu automatycznego bez krytycznej weryfikacji, gdy system działa pewnie i szybko.

Wzorzec, który stosujemy przy wdrożeniach systemów analitycznych, wyróżnia trzy rodzaje punktów kontrolnych:

Weryfikacja listy hipotez. AI generuje kandydatów, badacz akceptuje, które trafią do eksperymentu. Decyzja nie jest techniczna, jest naukowa: wymaga oceny wiarygodności mechanizmu i kontekstu dziedzinowego.

Zatwierdzenie protokołu. AI proponuje projekt eksperymentu, kierownik badań zatwierdza przed uruchomieniem. Dotyczy to szczególnie eksperymentów na materiale biologicznym lub z nieodwracalnymi konsekwencjami.

Walidacja przed publikacją. AI przygotowuje draft, cały zespół weryfikuje każde twierdzenie przed wysłaniem do recenzji. Autorstwo i odpowiedzialność naukowa nie są przenoszone na model.

Szczegółowe omówienie tego, dlaczego intuicja i kontekst badacza są niezastąpione, znajdziesz w artykule o roli człowieka w pętli.

Dane treningowe systemów naukowych nie są neutralne. Replikują błędy przeszłości: nadreprezentację określonych populacji w badaniach klinicznych, szufladkowanie wyników negatywnych, koncentrację odkryć na dobrze finansowanych obszarach i językach.

Model wytrenowany na takiej literaturze odtworzy te zniekształcenia jako „naukowe wzorce”. W odkrywaniu leków oznacza to ryzyko pomijania celów terapeutycznych słabo reprezentowanych w dotychczasowej literaturze. W genomice oznacza reprodukowanie wniosków wyprowadzonych głównie na próbach europejskiego pochodzenia.

Więcej o tym mechanizmie i metodach mitigacji piszemy w artykule o stronniczości algorytmicznej w badaniach naukowych.

Mitigacje są możliwe, ale wymagają świadomej decyzji projektowej przed wdrożeniem:

• Audyt zbioru treningowego: jakie populacje, języki, lata i czasopisma są nadreprezentowane.
• Aktywne wzbogacanie danych o źródła historycznie niedoreprezentowane.
• Monitorowanie wyników po wdrożeniu pod kątem systematycznych różnic między podgrupami.

Nauka opiera się na falsyfikowalności. Jeśli nie rozumiesz, dlaczego model przewiduje właśnie ten wynik, nie możesz zaprojektować eksperymentu, który to przewidywanie sprawdzi.

Explainability w systemach badawczych ma kilka praktycznych form:

Attention maps i saliency. Model wskazuje, które fragmenty danych wejściowych miały największy wpływ na wynik. To nie jest pełne wyjaśnienie przyczynowe, ale daje punkt startowy do weryfikacji przez badacza.

Uzasadnienia w języku naturalnym. LLM dołączone do modelu predykcyjnego generuje uzasadnienie: „ta kombinacja podstawników koreluje z wysoką toksycznością w 94% analogicznych struktur w zbiorze treningowym”. Badacz ocenia, czy mechanizm jest biologicznie wiarygodny.

Przedziały ufności i sygnał distributional shift. Dobry system badawczy nie podaje tylko wyniku, ale też poziom pewności i flaguje, kiedy dane wejściowe odbiegają od rozkładu treningowego. To sygnał: „szacuję z mniejszą pewnością niż zwykle”. Badacz decyduje, co z tym sygnałem zrobić.

Pełne omówienie mechanizmu czarnej skrzynki i warstw wyjaśnialności znajdziesz w artykule o przejrzystości systemów AI.

Kiedy AI generuje hipotezę, projektuje eksperyment i syntetyzuje wyniki, pytanie o autorstwo staje się realnym problemem prawnym i etycznym.

Stan na 2026 rok: AI nie może być wymienione jako autor publikacji naukowej. Wytyczne ICMJE, Nature i Science jednoznacznie to wykluczają. Badacz podpisujący pracę odpowiada za każde twierdzenie, niezależnie od narzędzia, które je wygenerowało.

Oznacza to, że korzystanie z AI jako asystenta badawczego bez dokumentowania jego wkładu może być potraktowane jako naruszenie integralności naukowej. Praktyczne podejście obserwowane w wiodących instytucjach:

• Deklarowanie w sekcji Methods, które etapy były wspomagane przez AI i jakim narzędziem.
• Prowadzenie logu promptów i wyników modelu jako części dokumentacji badawczej.
• Weryfikacja każdego kluczowego twierdzenia przez człowieka przed włączeniem do manuskryptu.

To nie jest obciążenie administracyjne. To standard powtarzalności, bez którego nauka przestaje być nauką.

Zmiana roli nie polega na zastąpieniu przez AI, lecz na przesunięciu akcentów. Czas zaoszczędzony na etapach wstępnych daje przestrzeń na zadania, których model nie wykona: ocenę wiarygodności mechanizmu i odpowiedzialność za wnioski.

Kompetencje, które rosną na znaczeniu:

• Krytyczna ocena wyników modeli: rozumienie, kiedy ufać, kiedy kwestionować i jak weryfikować.
• Prompt engineering dla kontekstów badawczych: formułowanie zapytań minimalizujących ryzyko halucynacji.
• Zarządzanie danymi treningowymi: wiedza o tym, czego model „nauczył się”, jest warunkiem interpretacji jego wyników.
• Dokumentacja i reprodukowalność: wersjonowanie modelu, logowanie promptów, deterministyczne ziarna.

Artykuł o LLM jako generatorze hipotez szczegółowo omawia, gdzie taki nadzór jest niezbędny.

Nie w sensie całościowym. AI zastępuje konkretne zadania, takie jak przeszukiwanie literatury, wstępna selekcja kandydatów czy generowanie hipotez do weryfikacji. Zadania wymagające oceny wiarygodności mechanizmu, projektowania eksperymentów o wysokiej wartości informacyjnej i odpowiedzialności za wnioski pozostają po stronie badacza. Zmienia się proporcja czasu spędzanego na poszczególnych czynnościach, nie znika rola człowieka.

AI Act nie zakazuje stosowania AI w nauce, ale nakłada obowiązki proporcjonalne do ryzyka. Systemy wysokiego ryzyka (np. wpływające na decyzje medyczne, regulacyjne lub bezpieczeństwo ludzi) wymagają oceny zgodności, dokumentacji technicznej i nadzoru człowieka. Obowiązek wpisu do publicznej bazy danych UE dotyczy systemów z Załącznika III; systemy będące elementem bezpieczeństwa produktów objętych prawem sektorowym z Załącznika I (np. AI w wyrobach medycznych pod MDR) podlegają reżimowi sektorowemu, a nie wpisowi do tej publicznej bazy. Ważne dla nauki: AI Act wyłącza ze swojego zakresu systemy AI tworzone i użytkowane wyłącznie do celów badań i rozwoju naukowego (art. 2 ust. 6, motyw 25) — obowiązki pojawiają się dopiero, gdy taki system jest wdrażany do realnego użytku. Systemy wspomagające przeszukiwanie literatury lub wstępną selekcję hipotez, które nie wpływają bezpośrednio na decyzje wysokiego ryzyka, mają łagodniejsze wymogi.

Tylko jeśli system jest zaprojektowany z myślą o reprodukowalności: deterministyczne ziarno, wersjonowanie modelu i danych treningowych, log promptów i wyników. Modele generatywne z domyślną losowością produkują różne wyniki przy tym samym wejściu, co jest problemem dla standardów naukowych. Systemy badawcze z reguły używają temperature równego zero lub zapisują seed dla każdego wywołania.

Hipoteza z modelu to punkt startowy, nie wniosek. Weryfikacja wymaga: sprawdzenia, czy hipoteza jest falsyfikowalna, zaprojektowania eksperymentu z mierzalnym endpoint, oceny, czy mechanizm jest biologicznie lub fizycznie wiarygodny, i porównania z istniejącą literaturą. Szczegółowe omówienie projektu weryfikacji znajdziesz w artykule o AI jako autonomicznym naukowcu.

Standard przyjęty przez głównych wydawców (Nature, Science, ICMJE) wymaga deklaracji w sekcji Methods: które etapy były wspomagane przez AI i jakim narzędziem. Log promptów i wyników modelu powinien być częścią dokumentacji badawczej, dostępnej na żądanie recenzenta. Autorstwo i odpowiedzialność za każde twierdzenie pozostaje przy badaczu-człowieku.