AI może sprawić, że naukowcy będą pisać lepiej. Problem w tym, że zaczną myśleć tak samo

Generatywna sztuczna inteligencja niewątpliwie zwiększa produktywność naukowców. Pozwala szybciej analizować materiał, poprawiać tekst, porządkować argumentację i poszukiwać nowych tropów badawczych. Najnowsze badania opisane w „Nature” wskazują jednak na mniej oczywiste zagrożenie: korzystając z tych samych modeli, możemy stopniowo zacząć formułować podobne pytania, podobne odpowiedzi i podobne teksty. Dla nauki byłoby to szczególnie niebezpieczne - pisze prof. Grzegorz Krawiec.

1 września 2026 r. „Nature” opublikowało bardzo interesujący tekst Matthew Hutsona pod znamiennym tytułem „Bland new world: is AI making us all think the same?”. Nie jest to pojedyncze badanie, lecz przegląd coraz liczniejszych wyników badań dotyczących wpływu generatywnej sztucznej inteligencji na ludzką kreatywność, język i sposób myślenia. Pytanie postawione przez autora brzmi niewinnie, ale w istocie dotyka przyszłości nauki: czy powszechne korzystanie z tych samych dużych modeli językowych nie prowadzi do homogenizacji ludzkiego myślenia?

AI może poprawić pojedynczą pracę i jednocześnie zaszkodzić nauce jako całości

Na pierwszy rzut oka mamy do czynienia z paradoksem. Generatywna AI może sprawić, że konkretny człowiek będzie pracował lepiej. Dostanie interesujący pomysł, poprawi język, szybciej uporządkuje materiał albo odkryje argument, którego sam wcześniej nie zauważył. Z perspektywy pojedynczego autora jest to korzyść. Problem zaczyna się wtedy, gdy spojrzymy nie na jednego autora, ale na tysiące autorów.

Badania Anila R. Doshiego i Olivera P. Hausera opublikowane już w 2024 r. w „Science Advances” pokazały charakterystyczną zależność. Osoby korzystające z pomysłów generowanych przez AI tworzyły opowiadania oceniane jako lepiej napisane i bardziej interesujące. Jednocześnie powstałe w ten sposób teksty stawały się bardziej podobne do siebie. Indywidualna kreatywność mogła więc rosnąć, natomiast zbiorowa różnorodność twórczości malała.

Jeszcze bardziej wymowne są wyniki opublikowane w 2026 r. przez Emily Wenger i Yoeda Kenetta. Autorzy porównywali odpowiedzi wielu ludzi i wielu dużych modeli językowych w zadaniach wymagających kreatywności. Okazało się, że odpowiedzi różnych LLM były do siebie znacznie bardziej podobne niż odpowiedzi różnych ludzi. Autorzy ostrzegają więc, że nawet zmiana jednego modelu na drugi nie musi rozwiązać problemu. Dzisiejsze modele mogą bowiem prowadzić swoich użytkowników w stronę podobnych rozwiązań. Dla nauki powinien to być sygnał alarmowy.

Ponad 400 tys. publikacji naukowych i „creative scar”

Szczególnie ważne są badania opublikowane w 2026 r. w „Technology in Society”. Przeanalizowano w nich 419 344 artykuły naukowe z różnych dyscyplin, opublikowane przed i po udostępnieniu ChatGPT-3.5. Druga część badania miała charakter eksperymentalny i obejmowała tysiące pomysłów tworzonych w zadaniach kreatywnych.

Wyniki nie sprowadzają się do stwierdzenia, że AI jest szkodliwa. Przeciwnie: korzystanie z niej zwiększało produktywność i mogło poprawiać rezultaty pracy. Jednocześnie jednak rosło podobieństwo tworzonych treści. Co szczególnie interesujące, po odebraniu uczestnikom dostępu do AI wzrost indywidualnej kreatywności zanikał, natomiast homogenizacja utrzymywała się. Autorzy nazwali to zjawisko „creative scar” — kreatywną blizną.

To określenie wydaje mi się niezwykle trafne również w odniesieniu do pracy naukowca. Możemy bowiem przyzwyczaić się nie tylko do używania konkretnego narzędzia. Możemy przyzwyczaić się do sposobu, w jaki ono porządkuje problem.

AI nie musi podawać nam fałszywych informacji. Wystarczy, że podpowie pierwszy sposób myślenia

Do tej pory dyskusja o AI w nauce koncentruje się przede wszystkim na halucynacjach, wymyślonych orzeczeniach sądowych, fałszywych przypisach, plagiacie, ochronie własności intelektualnej oraz pytaniu, czy można przedstawiać tekst wygenerowany przez model jako własny. Są to problemy rzeczywiste, ale być może wcale nie najgroźniejsze. Najbardziej niebezpieczna odpowiedź AI nie musi być fałszywa. Może być prawdziwa, logiczna, znakomicie napisana i całkowicie przewidywalna.

Jeżeli rozpoczynając badanie, zapytamy model: „Jakie są najważniejsze problemy związane z X?”, otrzymujemy kilkanaście uporządkowanych propozycji. Od tego momentu trudno już udawać, że ich nie widzieliśmy. Następuje efekt zakotwiczenia. Nasze dalsze myślenie zaczyna poruszać się w przestrzeni wyznaczonej przez pierwszą odpowiedź. W przypadku naukowca jest to fundamentalna różnica. Zadaniem nauki nie jest bowiem jedynie udzielanie poprawnych odpowiedzi na istniejące pytania. Często największym osiągnięciem jest postawienie pytania, którego wcześniej nikt nie postawił.

Polska nauka ma tutaj szczególny problem

W polskich warunkach ryzyko homogenizacji może być większe, niż się wydaje. Nasz system nauki jest od lat silnie związany z ilościową i bibliometryczną oceną dorobku. Ministerialny wykaz czasopism pozostaje ważnym instrumentem polityki naukowej państwa i wpływa m.in. na ewaluację dyscyplin oraz postępowania awansowe.

Nie kwestionuję potrzeby oceniania jakości nauki. Problem polega na tym, że każdy system premiujący publikowanie może w połączeniu z generatywną AI stworzyć wyjątkowo silną zachętę do zwiększania produkcji tekstów. Jeżeli za pomocą AI przygotowanie artykułu trwa krócej, można przygotować ich więcej. Jeżeli łatwiej napisać abstrakt po angielsku, odpowiedzieć recenzentom, opracować przegląd literatury albo nadać tekstowi język charakterystyczny dla czasopism międzynarodowych, racjonalny uczestnik systemu zacznie z tych możliwości korzystać. W krótkim okresie statystyki będą wyglądały znakomicie. Problem może ujawnić się dopiero później: będziemy mieli więcej publikacji, ale mniej oryginalnych idei.

Co ciekawe, podobną dyskusję prowadzi się już w Polsce. Narodowe Centrum Nauki w badaniu opublikowanym w kwietniu 2026 r., a dotyczącym wniosków grantowych, podało, że 42 proc. ankietowanych badaczy korzystało z generatywnej AI. Najczęściej chodziło o korektę językową, przygotowanie streszczeń i tłumaczenia. Jednocześnie 54 proc. respondentów uważało, że AI nie powinna służyć do tworzenia koncepcji wniosku ani przygotowywania przeglądu literatury. Dwie trzecie badanych sprzeciwiało się wykorzystywaniu generatywnej AI do oceny projektów.

Intuicja środowiska wydaje się zatem trafna: AI jako narzędzie: tak. AI jako substytut myślenia naukowego: nie.

Prawnicy powinni uważać szczególnie

W naukach prawnych problem jest jeszcze bardziej skomplikowany. Model językowy bardzo dobrze radzi sobie z odtwarzaniem dominujących schematów argumentacyjnych. Jeżeli zapytamy go o interpretację przepisu, zazwyczaj otrzymamy rozwiązanie uporządkowane, wyważone i odpowiadające dominującemu sposobowi prezentowania danego zagadnienia.

Ale rozwój nauki prawa bardzo często dokonywał się właśnie dzięki tym, którzy zakwestionowali pogląd dominujący.

AI statystycznie premiuje to, co często pojawia się w materiale, na którym się uczyła. Badacz natomiast powinien czasami zainteresować się właśnie tym, co występuje rzadko.

W prawie administracyjnym widać to szczególnie dobrze. Można przeanalizować dziesiątki orzeczeń i dojść do wniosku, że pewna wykładnia jest utrwalona. Zadaniem naukowca nie jest jednak wyłącznie jej opisanie. Powinien również zapytać, czy jest prawidłowa, zgodna z konstrukcją instytucji prawnej, aksjologią prawa, prawami człowieka, zasadą proporcjonalności czy funkcją regulacji.

AI znakomicie odpowie na pytanie: „Jakie stanowisko dominuje?”. Znacznie trudniejsze pytanie brzmi: „A dlaczego wszyscy mogą się mylić?” I właśnie tego pytania naukowiec nie może oddać maszynie.

Dochodzi jeszcze problem kulturowy

„Nature” przywołuje również badania dotyczące kulturowego ujednolicania języka. W eksperymencie z udziałem osób z Indii i Stanów Zjednoczonych korzystanie z podpowiedzi AI zwiększało podobieństwo tworzonych tekstów. Co istotne, kierunek tej zmiany nie był neutralny: teksty uczestników z Indii przesuwały się w stronę amerykańskich wzorców językowych, a część lokalnych szczegółów kulturowych zanikała. Badanie obejmowało 118 osób i zostało następnie opublikowane w materiałach konferencji CHI.

Dla polskiej humanistyki i nauk społecznych jest to problem ogromny. Jeżeli będziemy coraz częściej pisać teksty anglojęzyczne z pomocą modeli wytrenowanych przede wszystkim na globalnym, a w praktyce w dużej mierze anglosaskim, obiegu wiedzy, możemy nieświadomie przejmować nie tylko angielskie słownictwo, ale także anglosaskie kategorie pojęciowe.

W prawie byłoby to szczególnie szkodliwe. Kontynentalna kultura prawna posiada własny język dogmatyczny, własne konstrukcje, własną metodologię i własną tradycję interpretacyjną. Nie każdą kategorię amerykańskiej czy brytyjskiej kultury prawnej można bez strat przenieść do polskiego prawa, w tym prawa administracyjnego. Model może jednak zrobić to niezwykle elegancko.

Sam korzystam z AI i dlatego nie chcę jej zakazywać

Nie piszę tego tekstu z pozycji przeciwnika sztucznej inteligencji. Przeciwnie. Sam bardzo często z niej korzystam. Jako prawnik i nauczyciel akademicki wykorzystuję ją do porządkowania materiałów, poszukiwania nowych tropów, analizowania argumentów, przygotowywania materiałów dydaktycznych, sprawdzania różnych wariantów rozumowania oraz redagowania tekstów. Także przy pracy nad tym artykułem korzystam z generatywnej AI. Nie widzę powodu, aby to ukrywać. Przeciwnie: właśnie własne doświadczenia sprawiają, że problem opisany w „Nature” uważam za bardzo poważny.

Największą pokusą nie jest bowiem polecenie maszynie: „napisz za mnie tekst”. Naukowiec stosunkowo łatwo rozpoznaje, że przekroczył wówczas pewną granicę. Znacznie bardziej subtelna sytuacja powstaje wtedy, gdy pytamy: „podaj dziesięć oryginalnych tematów”, „jakie argumenty można tutaj przedstawić?”, „jaka powinna być struktura tej monografii?”, „co jeszcze powinienem zbadać?”.

Sam pracując nad większymi projektami naukowymi, dostrzegam tę różnicę bardzo wyraźnie. AI potrafi w kilka sekund zaproponować konstrukcję, której przygotowanie samodzielnie wymagałoby godziny. Powstaje jednak pytanie: czy oszczędziłem godzinę pracy, czy też utraciłem godzinę własnego myślenia? Nie ma jednej odpowiedzi na to pytanie. I dlatego nie jestem zwolennikiem ani bezrefleksyjnego zachwytu nad AI, ani jej zakazywania.

Polski Kodeks Etyki Pracownika Naukowego już dostrzega AI

Warto przypomnieć, że problem nie jest w polskiej nauce całkowicie ignorowany. Zaktualizowany Kodeks Etyki Pracownika Naukowego PAN, uchwalony 5 grudnia 2024 r., wprost odnosi się do sztucznej inteligencji. Jego par. 16 wymaga wskazania wykorzystania narzędzi AI w pracy badawczej, a par. 25 przewiduje, że w przypadku użycia AI do przygotowania tekstu publikacji lub jej części autorzy powinni załączyć stosowne oświadczenie uzgodnione z redakcją czasopisma lub wydawnictwem. Kodeks wskazuje ponadto zatajanie wykorzystania AI przy tworzeniu lub opracowywaniu publikacji jako jedno z działań podważających rzetelność procesu badawczego.

To dobry kierunek, ale, jak się wydaje, sama jawność korzystania z AI nie wystarczy. Można przecież całkowicie uczciwie napisać, że korzystało się z ChatGPT, Claude czy Gemini (lub innych mniej popularnych, np. Groka, czy Perplexity), a jednocześnie nie dostrzec, że model wpłynął na wybór problemu badawczego, strukturę argumentacji albo zakres dostrzeżonych kontrargumentów. Potrzebujemy zatem czegoś więcej niż obowiązku ujawniania AI.

Potrzebujemy „higieny intelektualnej” korzystania z AI

Wydaje mi się, że środowisko akademickie powinno wypracować zasady swoistej „higieny intelektualnej”. Pierwsza faza pracy nad problemem naukowym powinna (przynajmniej czasami), odbywać się bez AI. Naprawdę warto najpierw samodzielnie postawić pytanie, określić hipotezę i zanotować własne pomysły. Dopiero później można zapytać model o alternatywy.

Jeszcze ważniejsze byłoby odwrócenie sposobu korzystania z AI. Zamiast pytać przede wszystkim: „Co powinienem napisać?”, naukowiec powinien częściej pytać: „Co jest słabe w moim rozumowaniu?”, „Jak można obalić moją tezę?”, „Jakich kontrargumentów nie dostrzegam?”, „Które moje założenie może być błędne?”.

AI jest znacznie bezpieczniejsza jako adwersarz własnej myśli niż jako jej źródło.

W tym sensie bardzo dobrze należy ocenić stanowisko NCN: dopuszcza ono pomocnicze wykorzystanie generatywnej AI przy przygotowywaniu wniosków, ale odpowiedzialność pozostawia po stronie badacza, natomiast w procesie merytorycznej oceny projektów korzystanie z takich narzędzi jest niedopuszczalne.

Nauka potrzebuje ludzi, którzy myślą inaczej

Najbardziej niepokoi mnie możliwość powstania nauki niezwykle produktywnej, znakomicie napisanej i intelektualnie przeciętnej. Wyobraźmy sobie tysiące artykułów przygotowanych według idealnych struktur: introduction, literature review, methodology, discussion, conclusions. Poprawny angielski. Świetne abstrakty. Właściwe słowa kluczowe. Eleganckie odpowiedzi na recenzje.

A potem zadajmy pytanie: ile naprawdę nowych idei znajduje się w tych tekstach? Generatywna sztuczna inteligencja prawdopodobnie pozostanie z nami na stałe. I dobrze. Jest jednym z najpotężniejszych narzędzi intelektualnych, jakie człowiek stworzył. Ale właśnie dlatego trzeba chronić przed nią to, czego nie powinniśmy automatyzować. Nie własną gramatykę. Nie formatowanie bibliografii. Nie tłumaczenie abstraktu. Trzeba chronić własną zdolność zadawania dziwnych pytań, kwestionowania poglądów większości i dochodzenia do wniosków, których nikt, w tym model językowy, wcześniej nam nie podpowiedział.

Jeżeli sztuczna inteligencja sprawi, że każdy naukowiec będzie trochę lepszy, ale wszyscy naukowcy będą bardziej do siebie podobni, nauka może na tej rewolucji ostatecznie stracić.

I chyba właśnie przed tym przede wszystkim ostrzega dziś „Nature”.

dr hab. Grzegorz Krawiec, prof. UKEN w Krakowie