AI przyspiesza tworzenie i ocenę badań, ale nie rozstrzyga, które pytania warto zadawać ani komu wiedza ma służyć. Podczas otwarcia Responsible Research Summit 2026 prof. Grzegorz Mazurek, rektor Akademii Leona Koźmińskiego, rozmawiał o przyszłości nauki w epoce AI z liderami organizacji wyznaczających międzynarodowe standardy odpowiedzialnych badań i edukacji menedżerskiej: Davidem Steingardem, Head of PRME, prof. Alfonsem Sauquetem z EFMD Global, Lily Bi, President and CEO of AACSB International, oraz prof. Agnieszką (Aggie) Chidlow, przewodniczącą RRBM i badaczką University of Birmingham. W centrum dyskusji znalazły się granice automatyzacji, mierzenie wpływu nauki oraz przyszłość systemu publikowania i oceniania badań.
Czy obecny system publikowania badań przetrwa rozwój AI?
Prof. Grzegorz Mazurek: Dużo mówimy o tym, jak AI przyspiesza pracę naukową. Widzimy też ogromną liczbę treści trafiających do czasopism, przez co recenzenci i redaktorzy muszą poświęcać coraz więcej czasu na ustalenie, czy mają do czynienia z rzetelną pracą. Chciałbym więc zapytać o cały system prowadzenia i publikowania badań. Czy w czasach rosnącego znaczenia AI model oparty na czasopismach, wydawcach i pracy recenzentów pozostanie trwały? Czy czeka go zmiana podobna do tej, którą dwie dekady temu przeszła branża muzyczna? Ekosystem będzie zapewne bronił status quo, ale dynamika innowacji może okazać się silniejsza.
Dr David Steingard: Odniosę to pytanie do RRBM Honor Roll, inicjatywy wyróżniającej najlepsze prace naukowe naszej społeczności. Rozpocząłem ten projekt kilka lat temu, a w jego rozwoju pomógł Andrew Karolyi. Marina Papanastassiou, jedna z nowych współredaktorek naczelnych, jest dziś z nami.
Proces oceny zgłoszeń do Honor Roll jest obecnie w pełni zautomatyzowany. Zbudowaliśmy narzędzie ChatSDG+RR7, które potrafi przeczytać artykuł, przeanalizować go z perspektywy siedmiu zasad odpowiedzialnych badań i 17 Celów Zrównoważonego Rozwoju, wystawić ocenę, przekazać informację zwrotną, a nawet wskazać możliwe sposoby wykorzystania wyników. W przypadku Honor Roll zmieniło to rolę około stuosobowej rady redakcyjnej.
W artykule przygotowanym wspólnie z Davidem Reibsteinem, jednym z założycieli RRBM, oraz Markiem Normandinem pokazaliśmy, że narzędzie ocenia prace trafniej i z mniejszym obciążeniem ludzkimi uprzedzeniami oraz błędami. Działa dobrze, ponieważ zostało przygotowane przez ludzi, którzy wiedzieli, czego mają w badaniach szukać. Dopóki utrzymamy HIL – human in the loop, czyli człowieka pozostającego częścią procesu – poradzimy sobie z tą zmianą.
Dr Lily Bi: Nie wywodzę się ze środowiska szkolnictwa wyższego, więc jeśli moje słowa kogoś urażą, proszę potraktować je jako głos wynikający z troski o ten sektor. Jako CEO AACSB mam być jego rzeczniczką wszędzie, gdzie się pojawiam.
AI zmieni badania, edukację i właściwie każdy obszar naszej działalności. Nie zmieni jednak dwóch podstawowych celów odpowiedzialnych badań, na których od 11 lat opiera się RRBM i które podziela AACSB: wiedza ma być wiarygodna i użyteczna. Wiarygodność oznacza rygor akademicki oraz przejście odpowiedniego procesu zapewniania jakości. Użyteczność wymaga istotnego tematu i wpływu – albo przynajmniej jasno określonej intencji wywarcia wpływu.
Zmieni się natomiast sposób tworzenia, upowszechniania i wykorzystywania wiedzy. AI zrewolucjonizuje proces jej powstawania, niezależnie od tego, czy nam się to podoba. Przegląd literatury, który wcześniej zajmował sześć miesięcy, może zostać wykonany znacznie szybciej. Celem badania nie jest jednak sam przegląd literatury. To metoda, środek służący osiągnięciu celu – wiarygodnego i użytecznego wyniku. Nie powinniśmy mylić środków z celem. Tworzenie wiedzy będzie coraz tańsze, być może niemal bezkosztowe. Podobnie stanie się z jej rozpowszechnianiem.
Najważniejsza zmiana dotyczy jednak właściwego celu badań. Dotychczasowy system nagradza przede wszystkim publikację, nie wpływ. Tłumaczymy to trudnością jego pomiaru. Trzeba więc zapytać: kiedy badacz zaczyna myśleć o wpływie? Typowa ścieżka polega na znalezieniu luki w literaturze: inni zbadali kilka zbliżonych obszarów, lecz nie zajęli się konkretnym zagadnieniem, zatem badacz zakłada, że wypełnienie tej luki stworzy nową wiedzę i pozwoli opublikować artykuł. Można jednak rozpocząć inaczej – od pytania, które jest istotne w rzeczywistym świecie, oraz od określenia zmiany, do której badanie ma się przyczynić.
Intencja wywarcia wpływu powinna pojawiać się już przy formułowaniu pytania badawczego, a nie dopiero na końcu projektu. Dlatego system nagradzania wymaga głębokiej przebudowy. Sama liczba wytworzonych publikacji przestaje być właściwą miarą wartości badań.
Prof. Alfons Sauquet: Mam w tej sprawie więcej pytań niż odpowiedzi. Wiemy już, że „MIT Sloan Management Review” opublikuje we wrześniu ostatni numer. Uzasadnieniem jest przekonanie, że wiedza będzie rozpowszechniana przez inne media – między innymi podcasty i formaty cyfrowe. Sposób dystrybucji wiedzy z pewnością się zmieni.
Nie zgodziłbym się jednak z pomniejszaniem znaczenia przeglądu literatury. W tym procesie jest pewne piękno. Badacz poznaje obszar wiedzy i pytania, które były ważne w przeszłości, a dzięki temu lepiej rozumie najważniejsze pytania współczesności. Wiedzę budujemy na ramionach gigantów, ponieważ wcześniej wykonali pracę, która pozwoliła nam znaleźć się w obecnym miejscu.
W badania wpisana jest niepewność. Zaczynamy od problemu, lecz nie wiemy jeszcze dokładnie, jakiej wiedzy będziemy potrzebować, aby go rozwiązać. AI zaoferuje skróty, ale część podstawowych ram procesu badawczego powinna pozostać.
Myśląc o przyszłości czasopism i recenzowania, zadaję sobie również pytanie: kto będzie kształcił młodego naukowca i pomagał mu stawać się lepszym badaczem? Pamiętam młodą badaczkę, która później otrzymała nagrodę określaną jako „Nobel w dziedzinie energii”. Opowiadała, że po wysłaniu pierwszego artykułu rozpoczęła rozmowę z doświadczonym naukowcem, a on nauczył ją, jak precyzyjniej formułować pytania – w bardzo ludzki sposób. Szybkość niewątpliwie nas zmieni, ale powinniśmy ustalić, ile ludzkiego kontaktu potrzeba, aby rozwijać się jako badacz i jako człowiek. Jak zachować ten element procesu, skoro nie wszystko ma wyłącznie instrumentalną wartość?
W próbie rozwiązania problemu, nawet jeśli na początku nie rozumiemy jeszcze narzędzi ani możliwych skutków, także jest pewne piękno. Skutki nie zawsze okazują się pozytywne. Dobrym przykładem jest Michael Jensen. Stworzył wpływowy model teoretyczny dotyczący zarządzania przedsiębiorstwem i dyscyplinującej roli rynku. W praktyce teoria ta zaczęła sprzyjać dzieleniu, kupowaniu i sprzedawaniu firm dla zysku. Sam Jensen był zaskoczony tymi konsekwencjami i pod koniec kariery próbował przeformułować swoją koncepcję, ponieważ dostrzegał, że została zniekształcona.
James March mawiał, że lubi rozmawiać ze studentami i młodymi badaczami jak z uczniami skupionymi wokół mistrza. Chciałbym, abyśmy zachowali coś z tego ducha w świecie AI. Sztuczna inteligencja pozostanie z nami; pytanie brzmi, jak ją kształtować i wykorzystywać, aby przetrwały wspólnoty tworzące wiedzę.
Prof. Agnieszka (Aggie) Chidlow: Od 2015 roku RRBM, jako społeczność naukowa i globalny ruch, zadaje jedno pytanie: czemu właściwie służy działalność naukowa? Jest ona jedną z kluczowych wartości oferowanych przez instytucje szkolnictwa wyższego i buduje zaufanie do nich na całym świecie.
RRBM nie kwestionuje samej wartości rankingów. Pytamy natomiast, czy systemy rankingowe rzeczywiście mierzą jakość i znaczenie badań. W maju w Dublinie AACSB zaprezentowało Global Research Impact Framework. Z badania towarzyszącego pracom nad tym modelem wynika, że 87 procent dziekanów i 82 procent badaczy zgadza się, iż definicję wpływu trzeba rozszerzyć poza akademicką „wieżę z kości słoniowej” – na społeczeństwo, praktykę biznesową i polityki publiczne.
Powinniśmy więc zapytać, czy rankingi rzeczywiście mierzą wartość działalności naukowej. Wiemy również, między innymi dzięki pracy współzałożyciela RRBM Petera McKiernana, że AI stawia przed nauką poważne wyzwania. Jako strażnicy badań musimy zadbać o ich wiarygodność i znaczenie.
Nie rozmawiamy już o tym, czy używać AI. Ona już tu jest i nie da się jej pominąć. Właściwe pytanie brzmi: jak z niej korzystać i jak kształcić przyszłych liderów, aby robili to odpowiedzialnie? RRBM, jego założyciele i partnerzy strategiczni tworzą inicjatywy oraz ramy, które mają wskazywać tę drogę.
Nie odrzucamy rankingów, lecz sprawdzamy, czy mierzą to, co deklarują, czy może wspierają kulturę publish or perish. Może badania powinny kierować się raczej zasadą publish to flourish – publikować, aby umożliwiać rozwój? Trzeba też pytać, dlaczego kierunek badań wyznaczają określone czasopisma osadzone w określonych kontekstach. Spotykamy się w Polsce, w szybko zmieniającym się kontekście Europy Środkowo-Wschodniej, gdzie dodatkowym wyzwaniem pozostaje język. To również powinno znaleźć miejsce w rozmowie o wiarygodności i znaczeniu nauki.
Romantycy, pragmatycy czy fataliści?
Prof. Grzegorz Mazurek: Na co dzień spotykają państwo wielu badaczy oraz osoby wykorzystujące AI w pracy. Spróbujmy podzielić ich na trzy grupy. Pierwsza to romantycy: są podekscytowani przyszłością, chcą dzięki AI robić nowe rzeczy i patrzą na nią optymistycznie. Druga grupa to pragmatycy: AI już istnieje, trzeba więc używać jej efektywnie i prowadzić dobre badania. Trzecia grupa to fataliści: obawiają się końca znanego świata, utraty dotychczasowej definicji badacza i nie wiedzą, jak będzie wyglądać ich przyszłość. Która z tych grup ma dziś najwięcej energii, a która najmniej?
Dr David Steingard: Nazwijmy ich romantykami, pragmatykami i fatalistami. Staramy się podążać w stronę romantycznego pragmatyzmu. Warto zakochać się w nowym narzędziu, które pomaga wyrazić najgłębszą potrzebę wywarcia wpływu, lecz jednocześnie potrzebujemy struktury i odpowiedniego systemu.
PRME rozwija obecnie dwa nowe czasopisma. Jednym z nich jest „AI and Responsible Management”, tworzone z Emerald Publishing. Jego misja łączy wykorzystanie AI w odpowiedzialnym zarządzaniu z odpowiedzialnym prowadzeniem badań nad tematami związanymi z wpływem. Od dawna uważałem, że powinniśmy wyprzedzać te zmiany – nie po to, by kontrolować narrację, lecz by dawać ludziom odpowiednie narzędzia.
Podczas konferencji AACSB w Denver w 2024 roku przedstawiono wyniki badania dotyczącego stosunku środowiska szkół biznesu do AI. Przytaczam je z pamięci, ale około 42 procent badanych wykładowców uważało wówczas, że nie należy się do AI nawet zbliżać, a mniej więcej 70 procent nie podjęło z nią istotnej pracy. Gwarantuję, że dziś te liczby wyglądałyby inaczej. AI rozwija się niezwykle szybko – pojawiają się tak potężne modele, że niektóre zostają wycofane. Już w ostatnich dwóch latach widzimy przesunięcie w stronę romantycznego pragmatyzmu. RRBM i ten szczyt mogą pomóc je wzmocnić.
Dr Lily Bi: Zróbmy krótki sondaż na sali. Kto uważa się za romantyka? Kto za pragmatyka? A kto za fatalistę? Wynik jest podobny do odpowiedzi, które zwykle słyszę od dziekanów: zdecydowanie dominują pragmatycy, choć znalazł się również romantyk i fatalista.
Prof. Alfons Sauquet: To trafna analogia. Dziekani najczęściej są pragmatykami: podążają za zmianą, zamiast walczyć z tak silnym nurtem. AI jest jednym z wielkich punktów zwrotnych, być może porównywalnym z pojawieniem się druku. Wcześniej w klasztorze mogła znajdować się jedna księga, czytana codziennie na głos, ponieważ była jedynym dostępnym egzemplarzem. Druk stworzył inny świat, w którym ludzie zaczęli czytać samodzielnie i po cichu. AI może przynieść zmianę o podobnej skali i otworzyć przed nami światy, które dziś trudno sobie wyobrazić.
Musimy więc być pragmatykami. Chciałbym jednak zachować ducha tworzenia wiedzy – proces, który ma własną wartość i piękno.
Prof. Agnieszka (Aggie) Chidlow: Jako społeczność naukowa będziemy musieli pragmatycznie podchodzić do narzędzi rozwijających się w wykładniczym tempie. Mogą one wspierać badania empiryczne od strony metodologicznej, a także pomagać w podejmowaniu problemów ważnych dla różnych społeczności i budowaniu ścieżek prowadzących do wpływu.
Wiedza powstaje jednak na poziomie jednostki. To konkretny badacz działa wewnątrz szerszego systemu. Powinniśmy więc pytać, jak system wspiera tę osobę, aby wiedza tworzona w różnych kontekstach była wiarygodna i użyteczna. Z tym wyzwaniem mierzymy się w całym systemie produkcji wiedzy.
Nie możemy zapominać, że jego podstawowym zasobem jest badacz, na którego oddziałują wszystkie te napięcia. Mamy obowiązek chronić ludzi przed nadmierną presją. W przeciwnym razie zniszczymy zdolność systemu do wytwarzania wiedzy.
Prof. Alfons Sauquet: Warto też przypomnieć, dlaczego tu jesteśmy. AACSB, EFMD, PRME i RRBM spotkały się, aby nadać realne znaczenie idei odpowiedzialnych badań. Nie mamy wszystkich odpowiedzi, ale właśnie takiej rozmowy potrzebujemy. Po 11 latach rozwoju RRBM powinniśmy ją kontynuować.
Jeśli nie punkty, to jak mierzyć wpływ społeczny?
Maria Lipińska, doktorantka Akademii Leona Koźmińskiego: Jeśli odchodzimy od punktów na rzecz wpływu społecznego, ktoś zapewne będzie chciał zmierzyć ten wpływ kolejnym systemem punktowym. Jak go zdefiniować i oceniać? Jako pracownicy uczelni stale mierzymy się z „duchem punktów”. Czy alternatywą będzie ocena jakościowa? Jak odpowiedzieliby Państwo na ten problem?
Dr Lily Bi: Zacznijmy od pytań wcześniejszych niż sam pomiar: na kogo chcemy wpłynąć i co chcemy zmienić? Dopiero potem pytajmy, jak to mierzyć. Rozpoczynając projekt, badacz powinien określić odbiorców wpływu. To ich należy zapytać, czy i co się zmieniło. Powinien też wskazać oczekiwany rezultat. Każde badanie będzie miało grupę, której dotyczy, oraz cel, do którego zmierza.
Szczegółową odpowiedź pozostawię Eileen McAuliffe, Chief Thought Leadership Officer w AACSB, która kierowała pracami nad Research Impact Framework i będzie o nim mówiła w dalszej części konferencji.
Prof. Agnieszka (Aggie) Chidlow: Aby odpowiedzieć na to pytanie, trzeba już na etapie projektowania badania zaplanować sposób upowszechniania wiedzy i wskazać interesariuszy. Wpływ nie pojawia się w jednym, wyizolowanym momencie. Rozwija się w czasie. Badacz powinien stworzyć mechanizmy pozwalające śledzić, jak jego praca i analizowane zjawisko oddziałują na zamierzonych odbiorców – na poziomie lokalnym, krajowym lub globalnym.
Często tego nie robimy, ponieważ obecny system nas do tego nie skłania. Chcemy go zmieniać tak, aby myślenie o wpływie było wpisane w projekt badania od samego początku.
Prof. Alfons Sauquet: Można myśleć o tym jak o lejku. Zaczynamy szeroko: od zmiany klimatu, ubóstwa albo innego tematu, który budzi zainteresowanie badacza. W miarę postępu prac zawężamy problem i dostrzegamy coraz wyraźniejsze związki między wynikami procesu badawczego a możliwymi konsekwencjami. Na początku trudno dokładnie określić wpływ. Możemy mieć szerokie wyobrażenie o tym, kogo ma dotyczyć, a następnie konkretyzować je wraz z rozwojem projektu – i własnym dojrzewaniem jako badacza.
Dr Lily Bi: Spójrzmy na ten problem jeszcze poziom wyżej. Przez dziesięciolecia, a nawet stulecia proces tworzenia wiedzy koncentrował się na odkrywaniu. Badacz przechodził całą drogę, aby dokonać odkrycia i wytworzyć nową wiedzę. Dziś mamy szansę przesunąć punkt ciężkości z odkrycia na wdrożenie wiedzy. Właśnie tym jest wpływ.
Jeżeli system nagradzania badaczy opiera się przede wszystkim na mierzeniu produkcji, nadszedł czas, aby go zakończyć i zbudować inny. Trudno powiedzieć, jak dokładnie przeprowadzić tę zmianę, lecz przyszłość badań zależy od tego, czy potrafimy wdrożyć wiedzę w przedsiębiorstwach, politykach publicznych i społeczeństwie. Na tym polega prawdziwa wartość naszej pracy.
AI tego nie zmieni. Nie zastąpi człowieka w definiowaniu problemu ani formułowaniu pytania badawczego. Może zastąpić część procesu przeglądu literatury albo znacznie go przyspieszyć, ale nie zastąpi osądu. Gdy AI umożliwi masowe wytwarzanie artykułów, nadal ktoś będzie musiał oceniać proces i rezultat.
Powinniśmy więc wzmacniać tę część pracy, w której wartość tworzy człowiek, zamiast konkurować z AI tam, gdzie technologia już osiąga przewagę. Sektor technologiczny rozwija się bardzo szybko i nie mamy nad tym pełnej kontroli. Mamy jednak wyjątkowe ludzkie kompetencje. To na nich powinniśmy budować przyszłość badań.
