AI może otworzyć system nauki dla badaczy dotąd ograniczanych przez język, pochodzenie i brak dostępu do elitarnych sieci. Może też zwiększyć liczbę powierzchownie doskonałych, lecz podobnych do siebie publikacji i doprowadzić przeciążony system recenzowania do granic wydolności. Podczas 2026 Responsible Research Summit prof. Anna Morgan-Thomas i prof. Dorota Dobija rozmawiały o tym, za co w tej sytuacji odpowiadają autorzy, recenzenci, redaktorzy i uczelnie.
Artykuł jest redakcyjnym opracowaniem wystąpień prof. Anny Morgan-Thomas i prof. Doroty Dobiji oraz dyskusji moderowanej przez prof. Desislavę Dikovą podczas 2026 Responsible Research Summit. Wypowiedzi zostały skrócone i zredagowane z zachowaniem ich sensu oraz odrębności stanowisk.
Gdy narzędzie zaczyna współtworzyć twierdzenie
Kto odpowiada za twierdzenie naukowe powstałe przy udziale sztucznej inteligencji? Jaki sposób korzystania z AI można uznać za dopuszczalny, jak go ujawniać i czy recenzenci mogą odpowiedzialnie posługiwać się tymi samymi narzędziami? Prof. Desislava Dikova z Akademii Leona Koźmińskiego i WU Vienna rozpoczęła panel od pytań, które dotyczą już nie tylko warsztatu pojedynczego badacza. Dotykają zasad funkcjonowania całego systemu tworzenia i zatwierdzania wiedzy.
Wraz z automatyzacją kolejnych etapów pracy badawczej zmienia się bowiem nie tylko tempo publikowania. Stawką są także oryginalność badań, różnorodność perspektyw, poufność materiałów, jakość recenzji oraz możliwość wskazania osoby, która rzeczywiście bierze odpowiedzialność za przedstawione wnioski.
System publikowania nigdy nie był równym boiskiem
Prof. Anna Morgan-Thomas z Adam Smith Business School na University of Glasgow określiła siebie jako „romantyczną optymistkę” w ocenie AI. Zaczęła jednak nie od katalogu korzyści, lecz od zakwestionowania opowieści o rzekomo doskonałej nauce sprzed ery generatywnej AI. Jej zdaniem dzisiejsze obawy są zasadne, ale nie powinny przesłaniać wad, które istniały wcześniej.
Publikowanie w najbardziej prestiżowych czasopismach od dawna zależy nie tylko od jakości badania. Znaczenie mają także dostęp do wpływowych sieci akademickich, odpowiednich mentorów i współautorów, znajomość redaktorów, wsparcie językowe i badawcze oraz czas chroniony przed nadmiarem obowiązków dydaktycznych i administracyjnych. Przywołana przez panelistkę analiza opublikowana w „Research Policy” wykazała, że 51,2 proc. artykułów w 18 najwyżej ocenianych czasopismach z obszaru zarządzania miało co najmniej jednego autora ze stu czołowych szkół biznesu.
AI może utrwalić tę koncentrację, ale może też ujawnić jej mechanizmy i częściowo osłabić bariery wejścia. Dla osób piszących po angielsku jako w drugim lub trzecim języku narzędzia wspierające redakcję tekstu nie muszą być drogą na skróty. Mogą wyrównywać szanse w systemie, który często nagradza nie tylko dobrą naukę, lecz również biegłość w rozpoznawalnym stylu akademickim.
– Powinniśmy słyszeć dobrą naukę, a nie tylko naukę dobrze zaprezentowaną – przekonywała prof. Morgan-Thomas.
Odpowiadać za twierdzenia, nie za narzędzia
Z tego rozpoznania wynikała jej główna propozycja: regulacje nie powinny koncentrować się przede wszystkim na tym, czy badacz użył konkretnego narzędzia, lecz na tym, czy potrafi obronić twierdzenia zawarte w publikacji. Sam zakaz korzystania z AI będzie trudny do wyegzekwowania, a deklaracja użycia narzędzia może stać się pustym rytuałem, jeśli nie towarzyszy jej rzeczywista odpowiedzialność.
W artykule „Beyond AI disclosure: Claim accountability and responsible research in scholarly publishing” prof. Morgan-Thomas proponuje, aby autor odpowiadał za możliwość wyjaśnienia, uzasadnienia, odtworzenia i skorygowania każdego twierdzenia ukształtowanego przy udziale AI. W czasie panelu wskazała dwa progi odpowiedzialnego użycia.
Pierwszy dotyczy poufności. Nieopublikowany manuskrypt, dane uczestników badania czy materiały objęte tajemnicą nie powinny trafiać do otwartych systemów AI. Drugi próg dotyczy osądu: badacz musi rozumieć przedstawiane rozumowanie i zachować zdolność jego zakwestionowania. Jeśli nie potrafi wyjaśnić, skąd wziął się wniosek, sprawdzić jego podstaw ani zmienić go pod wpływem krytyki, nie powinien go podpisywać własnym nazwiskiem.
– Musimy być w stanie obronić to, co powstaje – podsumowała.
Dwadzieścia tekstów przed pierwszą kawą
Prof. Dorota Dobija, kierowniczka Katedry Rachunkowości i Ładu Korporacyjnego Akademii Leona Koźmińskiego, spojrzała na tę samą zmianę z perspektywy redaktorki i recenzentki. Zaproponowała prosty scenariusz: redaktor otwiera rano skrzynkę i znajduje dwadzieścia nowych zgłoszeń. Każde ma płynny język, uporządkowaną strukturę i przekonująco brzmiące uzasadnienie. Nie wiadomo jednak, w jakim stopniu AI uczestniczyła w wyborze pytania badawczego, przeglądzie literatury, metodzie, analizie danych i formułowaniu wniosków.
Problem nie sprowadza się do wykrycia oszustwa. Redakcja ma ocenić rezultat procesu, którego znaczna część pozostaje niewidoczna, a dotychczasowe systemy wydawnicze są przygotowane przede wszystkim do wykrywania podobieństw tekstowych. Nie pozwalają rzetelnie ustalić, jak powstał argument ani gdzie kończy się pomoc narzędzia, a zaczyna zastępowanie naukowego osądu.
Skala dodatkowo komplikuje sytuację. Dwadzieścia nowych manuskryptów może oznaczać konieczność zdobycia czterdziestu zgód na recenzję. Prof. Dobija wspominała, że czasem musiała wysłać dwanaście zaproszeń, aby znaleźć dwie osoby gotowe ocenić jeden artykuł. Jeśli dzięki AI liczba poprawnie napisanych zgłoszeń będzie rosła szybciej niż zdolność środowiska do ich uważnego czytania, recenzowanie może stać się wąskim gardłem całego systemu.
Coraz lepszy język, coraz bardziej podobne teksty
Badania nad publikacjami biomedycznymi wskazują już na gwałtowną zmianę języka abstraktów po upowszechnieniu generatywnej AI. Autorzy analizy ponad 15 milionów abstraktów oszacowali, że w 2024 roku co najmniej 13,5 proc. z nich mogło zostać przetworzonych przy użyciu dużych modeli językowych, a w niektórych podzbiorach odsetek był znacznie wyższy. Jest to wniosek statystyczny oparty na zmianach słownictwa, a nie dowód, że wskazane teksty zostały w całości napisane przez AI. Pokazuje jednak skalę przemiany.
Zdaniem prof. Dobiji największe ryzyko nie polega wyłącznie na tym, że tekstów będzie więcej. Mogą one stawać się coraz bardziej jednorodne: podobnie skonstruowane, oparte na tych samych łatwo dostępnych źródłach i prowadzące do bezpiecznych, przewidywalnych wniosków. Modele uczą się na istniejącej literaturze, a dzisiejsze publikacje będą danymi treningowymi dla kolejnych systemów. Jeśli do obiegu trafi coraz więcej uśrednionych treści generowanych na podstawie wcześniejszych uśrednionych treści, z nauki mogą stopniowo znikać rzadkie przykłady, nieoczywiste interpretacje i rzeczywista nowość.
Redaktorzy stają się w tej sytuacji mimowolnymi regulatorami AI. To od ich decyzji zależy, jakie praktyki zostaną uznane za dopuszczalne, czego autorzy będą musieli ujawniać i jak pogodzić innowację z rzetelnością. Otrzymują jednak tę odpowiedzialność bez wspólnych standardów, odpowiednich narzędzi i dodatkowych zasobów.
Prof. Dobija nie przedstawiała przy tym AI jako narzędzia, którego sama unika. Na zakończenie wystąpienia ujawniła, że prezentację przygotowała we współpracy z Claude, podkreślając zarazem, że przedstawione argumenty i oceny są jej własne. To rozróżnienie dobrze oddawało sedno jej stanowiska: wsparcie narzędzia jest dopuszczalne, ale nie może zastępować intelektualnej odpowiedzialności człowieka.
Czy AI osłabia krytyczne myślenie?
Najwyraźniejsza różnica między panelistkami ujawniła się w rozmowie o kształceniu doktorantów. Prof. Dikova zapytała, co stanie się z umiejętnością krytycznego czytania, budowania teorii i rozumowania metodologicznego, jeśli młodzi badacze zaczną przekazywać AI przeglądy literatury, projektowanie pytań badawczych, dobór metod i pisanie tekstów.
Prof. Morgan-Thomas odpowiedziała prowokacyjnie, że warto ponownie przemyśleć, jakich kompetencji rzeczywiście będzie potrzebował przyszły naukowiec. System kształcenia doktorantów już dziś jest niespójny z systemem karier: doktorantów przygotowuje się do stworzenia rozprawy, a następnie rozlicza głównie z publikacji. Przywołała przykład młodego badacza, który dzięki umiejętnej współpracy z AI w ciągu kilku miesięcy zrobił ogromny postęp. Jej zdaniem samo narzędzie nie eliminuje refleksyjności. Odpowiednio użyte może pomagać ją ćwiczyć, o ile człowiek potrafi prowadzić z modelem wymagający dialog.
Prof. Dobija postawiła granicę znacznie ostrzej.
Potrzebujemy krytycznego myślenia, a AI je zabija – powiedziała. Nie można bezwarunkowo ufać odpowiedzi otrzymanej od modelu. Badacz musi umieć wybrać to, co istotne, zweryfikować rezultat i dodać własny osąd.
Nie odrzuciła współpracy człowieka z AI, ale sprzeciwiła się przekazywaniu narzędziu całych zadań intelektualnych. Automatyczny przegląd literatury może pomijać najnowsze lub płatne publikacje i wzmacniać uprzedzenia wynikające z tego, jakie źródła są dostępne modelowi. Bez wcześniejszej wiedzy doktorant może nawet nie zauważyć braków.
Czy AI może recenzować AI?
Kolejne pytanie dotyczyło automatyzacji recenzji. Czy w systemie przeciążonym rosnącą liczbą zgłoszeń AI może nie tylko wspomagać recenzenta, ale ostatecznie go zastąpić?
Prof. Morgan-Thomas uznała kryzys obecnego modelu za szansę na głębszą przebudowę. System recenzowania już dziś jest przeciążony i często nie spełnia swojej rozwojowej funkcji. AI może doprowadzić go do granicy, po której konieczne stanie się stworzenie innych mechanizmów oceny i publikowania wiedzy.
Prof. Dobija dopuściła recenzowanie wspomagane przez AI, pod warunkiem że narzędzie pomaga formułować pytania, porządkować uwagi lub sprawdzać elementy tekstu, a ostateczny osąd należy do człowieka. Sprzeciwiła się natomiast w pełni automatycznym decyzjom. Detektory generowanych treści dają wyniki fałszywie dodatnie, a ich bezrefleksyjne użycie może szczególnie krzywdzić autorów piszących bardzo formalnym angielskim lub korzystających z profesjonalnego wsparcia językowego.
Jako redaktorka nie zgadza się więc na automatyczne odrzucanie tekstów wyłącznie na podstawie wyniku detektora. Sprawdza między innymi prawdziwość przywołanych źródeł i spójność argumentu. Narzędzie może wskazać miejsce wymagające uwagi, ale nie powinno wydawać wyroku.
Granica, której nie wolno zamazać
Pytanie z sali o możliwość wygenerowania fikcyjnych wywiadów jakościowych pokazało, że AI potrafi nie tylko wspierać analizę, lecz także tworzyć materiał łudząco podobny do danych empirycznych. W tym punkcie stanowiska panelistek były zbieżne. Przedstawianie syntetycznych wypowiedzi jako rozmów przeprowadzonych z realnymi uczestnikami jest fabrykowaniem danych. Narzędzie jest nowe, lecz naruszenie podstawowej zasady badań pozostaje takie samo.
Dyskusja nie doprowadziła do prostego katalogu dozwolonych i zakazanych zastosowań AI. Ujawniła jednak wspólny rdzeń odpowiedzialności. Badacz nie może przekazać narzędziu odpowiedzialności za własne twierdzenia. Recenzent nie może ukryć za automatyczną oceną własnego osądu. Redaktor nie powinien zastępować procedury rzetelnej weryfikacji wynikiem niedoskonałego detektora. Uczelnia zaś nie może oczekiwać szybszej produkcji publikacji bez inwestowania w kompetencje, standardy i system oceny zdolny tę produkcję udźwignąć.
AI nie usuwa odpowiedzialności z nauki. Sprawia jedynie, że trzeba ją wskazać znacznie precyzyjniej.
