AI potrafi przeszukiwać literaturę, poprawiać kod i rozpoznawać wzorce szybciej niż człowiek. Nie rozumie jednak kontekstu, nie ponosi odpowiedzialności i może upodabniać do siebie sposób, w jaki naukowcy myślą oraz piszą. Prof. Christopher Hartwell pokazuje, gdzie kończy się użyteczność narzędzia, a zaczyna odpowiedzialność badacza.
Publikowany tekst jest redakcyjnym opracowaniem wykładu inauguracyjnego „Artificial Intelligence Meets Natural Ignorance: Thinking Responsibly about Research in a ChatGPT World”, wygłoszonego przez prof. Christophera Hartwella podczas 2026 Responsible Research Summit w Akademii Leona Koźmińskiego. Wypowiedź została skrócona i uporządkowana na potrzeby publikacji. Usunięto powtórzenia, dygresje oraz elementy wynikające z ustnego charakteru wystąpienia, zachowując jego argumentację, przykłady i autorski styl.
AI jest znakomitym stażystą. Nie można pozostawić jej bez nadzoru
Żyjemy w szczególnym momencie historii wiedzy. Badacze nigdy wcześniej nie mieli dostępu do tak wielu informacji ani do narzędzi zdolnych przetwarzać je z podobną szybkością. Systemy AI potrafią streszczać literaturę, generować hipotezy, pisać kod, tłumaczyć teksty, a nawet przygotowywać całe fragmenty publikacji.
Brzmi przekonująco? Ten wstęp napisał ChatGPT. Poprosiłem go o otwarcie wykładu i otrzymałem poprawny, elegancki tekst. Wystarczyło kilka drobnych zmian, aby zabrzmiał jak mój. Właśnie na tym polega problem.
Sztuczna inteligencja może pomóc nam przezwyciężać niewiedzę o świecie i mechanizmach, które nim rządzą. Może przeglądać literaturę, pisać kod i pomagać w porządkowaniu argumentów. Wiemy też, że bywa narzędziem nadużyć: studenci oddają prace napisane przez modele językowe, recenzje powstają automatycznie, a badacze przesyłają do czasopism teksty wygenerowane przez AI.
Nieuczciwość jest jednak tylko częścią problemu. Osoby szukające skrótów robiły to także wcześniej. Poważniejsze ryzyko dotyczy tych, którzy działają uczciwie, lecz zbyt wiele powierzają technologii. Nadmierne poleganie na AI może pozbawić nas własnego głosu. A przecież to głos, ciekawość i pasja sprawiają, że jesteśmy badaczami. Obawiam się również, że AI może ujednolicać naukę nie tylko w obrębie poszczególnych dyscyplin, lecz także pomiędzy nimi.
Najtrafniej myśleć o AI jak o stażyście. Dobry stażysta potrafi wykonać bardzo dużo pożytecznej pracy, ale nie można zostawić go bez nadzoru. Trzeba precyzyjnie określić zadanie, przekazać kontekst, a następnie sprawdzić wynik. Na początku wymaga to sporego nakładu pracy. Dopiero później narzędzie rzeczywiście zaczyna oszczędzać czas.
Do czego AI rzeczywiście przydaje się badaczom
Sam korzystam z AI w pracy naukowej. Jeden z moich magistrantów nauczył się dzięki niej programować w R i Stacie oraz pozyskiwać dane z internetu. Zaczynał bez tych umiejętności, a krok po kroku zbudował warsztat potrzebny do przygotowania pracy. Dla mnie był to modelowy przykład: technologia nie wykonała za niego badania, lecz umożliwiła mu nauczenie się nowych metod.
Od wielu lat pracuję w Stacie. Gdy kod przestaje działać, proszę model o znalezienie błędu. Kiedyś po wielu godzinach bezskutecznych poszukiwań AI zauważyła, że arkusz z Excela został zaimportowany z przesunięciem o jedną komórkę. Innym razem pomogła mi przetwarzać zdjęcia dziewiętnastowiecznych rosyjskich gazet bankowych wykonane w archiwum w Helsinkach. Zaawansowane narzędzia OCR i AI wydobywają z fotografii dane z bilansów banków. Człowiek nadal odpowiada za zgromadzenie materiału i kontrolę jakości, ale nie musi ręcznie przepisywać każdej tabeli.
AI ułatwia również tłumaczenie dużych zbiorów dokumentów. Znam rosyjski, lecz nie na tyle dobrze, by swobodnie pracować z obszerną dokumentacją dotyczącą sowieckiej polityki narodowościowej z lat 1931–1933. Maszynowe tłumaczenie pozwoliło mi szybciej zobaczyć materiał w języku, w którym myślę najsprawniej. A kiedy po pięciu rundach recenzji czasopismo poprosiło mnie o zmianę siedmiu stron bibliografii z formatu APA na Chicago, ChatGPT wykonał tę mechaniczną pracę w kilka chwil.
To nie są najbardziej spektakularne zastosowania. AI wspiera diagnostykę chorób, rozpoznawanie obrazów, analizę danych pod presją czasu, monitoring rynku i przeszukiwanie sieci. Studenci w Lozannie stworzyli aplikację identyfikującą na zdjęciach roztocza zagrażające pszczołom. Wspólny mianownik jest wyraźny: AI dobrze radzi sobie z wizualizacją i wykrywaniem, rozpoznawaniem wzorców, łączeniem danych z wielu źródeł, zadaniami opartymi na regułach oraz pracą wykonywaną szybko i na dużą skalę.
To właśnie dlatego porównanie do stażysty jest tak użyteczne. AI świetnie realizuje zadania uporządkowane i powtarzalne. Nie oznacza to jednak, że rozumie, dlaczego zadanie jest ważne ani co wynik oznacza dla całego projektu badawczego.
Presja publikacyjna otwiera drogę do nadużyć
Ciemna strona AI jest dobrze znana. W jednym z badań prowadzonych wśród osób studiujących na Uniwersytecie Kalifornijskim w Berkeley jedna czwarta codziennych użytkowników AI przyznała się do oszukiwania. Sam ukryłem kiedyś w instrukcji do projektu zdanie napisane białą czcionką. Prosiło ono o opisanie psa Schumpetera o imieniu Ellie, rzekomego źródła inspiracji dla większości jego prac. Schumpeter prawdopodobnie nie miał takiego psa. Ellie jest imieniem mojego psa i zapewniam, że nie inspiruje ona teorii ekonomicznych.
Student czytający instrukcję nie widział ukrytej linijki, ale model językowy ją odczytywał. Spośród około siedemdziesięciu osób tylko jedna zakończyła esej opowieścią o Ellie. Pocieszające było to, że pozostali przeszli test. Nie zmienia to faktu, że nauczyciele muszą dziś szukać nowych sposobów rozpoznawania bezrefleksyjnego użycia narzędzi.
Nadużycia związane z AI nie kończą się na studentach – problem dotyczy również naukowców, redaktorów i recenzentów. Zgodnie z raportem „Nature” ślady tekstu generowanego przez AI pojawiły się w 14 procentach abstraktów biomedycznych, a liczba niskiej jakości prac wykorzystujących publiczne zbiory danych i automatyzację rośnie. Presja „publikuj albo giń” tworzy silne bodźce do korzystania z fabryk artykułów i innych skrótów. Algorytmami można także manipulować wskaźnikami cytowań, od których nadal zależą awanse i oceny dorobku.
Zdarza się, że absurdalna ilustracja wygenerowana przez AI przechodzi przez redakcję i recenzję, mimo że zawiera bezsensowne podpisy. Zdarza się też, że pracownik uczelni używa AI do napisania artykułu przestrzegającego studentów przed używaniem AI. Te przykłady nie dowodzą, że technologię należy odrzucić. Pokazują raczej, jak łatwo zawodzą procedury, gdy presja na szybkość i produktywność staje się ważniejsza od osądu.
Nie powinniśmy jednak popadać w panikę. Czasem to oczekiwania nauczyciela są wąskie lub stronnicze, a odpowiedź modelu ujawnia problem z samym zadaniem. Potrzebujemy reguł i przejrzystości, ale równie potrzebna jest uczciwa ocena tego, czego rzeczywiście oczekujemy od studentów, autorów i recenzentów.
Badania to więcej niż rozpoznawanie wzorców
Badania są pracą detektywistyczną. Zaczynamy od problemu i próbujemy rzucić światło na to, czego jeszcze nie rozumiemy. Gromadzimy dane, analizujemy je, interpretujemy i przedstawiamy wyjaśnienie, jak działa wybrany fragment świata. Pytamy o mechanizmy, kanały oddziaływania i o to, czy obserwowany związek jest korelacją, czy przyczynowością. Projektujemy eksperyment albo strategię badawczą, a następnie bronimy opartego na dowodach stanowiska.
Dlatego przedstawiamy wyniki na konferencjach, bronimy doktoratów i przechodzimy przez recenzje. Kwestionujemy metody, założenia, ramy teoretyczne i deklarowany wkład, ponieważ na tym polega nauka. Dane czasem potwierdzają nasze wcześniejsze przekonania, a czasem im przeczą. W obu przypadkach możemy posunąć wiedzę naprzód.
AI pomaga w znacznej części tej pracy, ale pozostała część ujawnia jej ograniczenia. Model rozpoznaje wzorce, lecz często pomija kontekst. Można wielokrotnie poprawiać polecenie, ale w pewnym momencie napisanie lub przeanalizowanie materiału samodzielnie zajmuje mniej czasu. Model językowy jest maszyną probabilistyczną, a nie bazą danych. Generuje odpowiedź najbardziej prawdopodobną na podstawie dostępnego materiału, co nie znaczy, że odpowiedź jest prawdziwa.
Jakość wyniku zależy od danych treningowych i może odtwarzać ich uprzedzenia. Elegancki język również nie gwarantuje zrozumienia. AI lubi superlatywy, krótkie akapity i zgrabne trójdzielne konstrukcje. Taki tekst może wyglądać profesjonalnie, ale brzmi coraz bardziej podobnie niezależnie od autora. Jeżeli młodzi naukowcy, zwłaszcza piszący w języku obcym, zastąpią narzędziem proces uczenia się komunikacji, odbierzemy im możliwość rozwijania tej kompetencji.
Ograniczenie widać także w wizualizacjach. Potrzebowałem kiedyś mapy pokazującej drogę z Zurychu do Astrachania. Grafika wyglądała przekonująco, tyle że umieszczała Astrachań w Kazachstanie zamiast w Rosji. Przetestowałem cztery modele i przez godzinę próbowałem przesunąć miasto na właściwe miejsce. Obraz był estetyczny, ale nie miał wiarygodnej warstwy danych. To dobry przykład różnicy między rezultatem, który wygląda poprawnie, a rezultatem, który jest poprawny.
Ujednolicona nauka traci głos
Gdy wiele osób prosi ten sam model o szybkie rozwiązanie podobnego problemu, otrzymują podobne odpowiedzi. Widać to w prostym ćwiczeniu marketingowym: kandydaci przygotowujący z pomocą AI kampanię szwajcarskiej czekolady przynoszą efektowne, lecz niemal identyczne projekty. Modele się rozwijają, a użytkownicy uczą się pisać lepsze polecenia, ale ryzyko zbieżności ku średniej nie znika.
Nauka już dziś częściowo ujednolica badaczy. Każda dyscyplina wprowadza nas w określoną literaturę, metody, narzędzia i kulturę seminariów. Uczymy się, w jakich czasopismach publikować, jak recenzować, prowadzić zajęcia i zbierać materiał. Ten proces nie jest doskonały, lecz wyrasta z doświadczenia, sporów i prób. Dyscyplina jest ekologią planów: różne koncepcje kierunku jej rozwoju spotykają się, konkurują i korygują nawzajem.
AI może zastosować wzorzec z przeszłości, ale nie wie, dlaczego powstał. Może też zaproponować najnowszą technikę, nie rozumiejąc, czy pasuje ona do pytania. Potrafi kopać, ale badacz musi wskazać miejsce. Bez tego powstaje jedynie wiele dziur.
Model nie ma również dostępu do pełni wiedzy ukrytej w praktyce wspólnoty naukowej. Doktorant musi wiedzieć nie tylko, co opublikowano, lecz także jakie pytania są ważne dla jego środowiska, czego oczekują konkretni redaktorzy i jak dojrzewa dyskusja na konferencjach. Analiza dotychczasowych publikacji może zasugerować pewne prawidłowości, ale nie zastąpi rozmowy z redaktorem, promotorem czy współpracownikami.
AI operuje językiem, lecz go nie stworzyła. Przetwarza mapy wiedzy zbudowane przez ludzi, ale nie wyjaśnia, jak terytorium stało się dla nas zrozumiałe. Jest skuteczna w wykonywaniu odrębnych zadań. Praca akademicka nie jest jednak zbiorem odrębnych zadań, lecz procesem łączenia pytań, danych, znaczeń, odpowiedzialności i dialogu.
Narzędzie nie może wyznaczać kierunku
W podręczniku szkoleniowym IBM z 1979 roku zapisano: „Komputer nigdy nie może zostać pociągnięty do odpowiedzialności. Dlatego komputer nigdy nie może podejmować decyzji zarządczych”. Ta zasada nie straciła aktualności. AI powinna pozostać narzędziem służącym naszym pasjom i wielkim wyzwaniom. Nie może decydować, dokąd zmierza badanie.
Nadmierne użycie AI narzuca także normę językową, która nie powstała organicznie we wspólnocie badaczy. Na początku wykładu model zaproponował, że doda do mojego wstępu więcej humoru. Mógł to zrobić, ale nie byłby to mój humor. Każdy badacz ma własny sposób stawiania pytań, argumentowania i opowiadania o wynikach. Jeśli pisanie jest czyjąś mocną stroną i wkładem w pracę zespołu, dlaczego miałby ją zlecać maszynie? AI może być partnerem do testowania pomysłów, lecz nie powinna przejmować autorstwa naszego myślenia.
Odpowiedzialność spoczywa szczególnie na doświadczonych badaczach. Jesteśmy przewodnikami dla studentów, doktorantów, postdoków i osób rozpoczynających karierę. Musimy pokazywać im, jak korzystać z AI odpowiedzialnie, a nie jedynie zakazywać używania narzędzia. Wartość mogą zyskać badania jakościowe i oryginalne sposoby pozyskiwania danych, czyli te obszary, w których nie wystarcza przetworzenie tego, co już istnieje.
Możliwości AI będą się mnożyć, ale wraz z nimi pojawią się kolejne pułapki. Dlatego badacze powinni działać proaktywnie, ostrożnie i refleksyjnie. Musimy rozumieć nie tylko, co AI może zrobić dla nas, lecz także co może zrobić z nami.
Nie wolno zapominać, że jest narzędziem. Powinna pomagać nam przezwyciężać naturalną niewiedzę, zamiast ją utrwalać.
