Więcej, ale gorzej: jak duże modele językowe zmieniają naukę na gorsze
Nauka od dekad funkcjonuje w rytmie wyścigu: publikuj szybko, publikuj dużo, nie zwalniaj. Duże modele językowe, które potrafią w godziny przebrnąć przez przegląd literatury, zredagować manuskrypt i przygotować analizę danych, idealnie wpasowały się w ten rytm. Problem w tym, że — jak pokazuje nowe badanie modelowe — przyspieszenie jednego elementu systemu może pogorszyć jego całość. Naukowcy korzystający z LLM-ów będą, według prognozy, „robić więcej, ale gorzej”.
Matematyczny model akademickiego pośpiechu
Wyniki opublikował w lipcu 2026 roku zespół Eamona Duede, Kevina Grossa, M.J. Crocketta i Carla Bergstroma z Uniwersytetu Waszyngtońskiego w preprintcie na arXiv pt. „The unintended consequences of large language models as a labor-augmenting technology in science”. Autorzy nie mierzyli zachowań realnych badaczy — zbudowali matematyczny model alokacji wysiłku naukowego, w którym założyli wręcz skrajnie optymistycznie: że LLM-y wykonują powierzone zadania tanio, szybko i poprawnie.
Nawet przy tak hojnym założeniu model daje niepokojącą odpowiedź. Kluczem jest pojęcie kosztu alternatywnego czasu badacza. Gdy model językowy skraca fazę przygotowania tekstu, każdy kolejny dzień spędzony nad dopracowywaniem jednej pracy staje się droższy — bo w tym samym czasie można już zbierać dane do następnej. Bodziec do rzetelnego szlifowania manuskryptu słabnie, a tempo przechodzenia do nowych projektów rośnie.
Dwa scenariusze: selekcja projektów i selekcja publikacji
Model rozróżnia dwa typy środowisk badawczych. Tam, gdzie LLM-y są przede wszystkim narzędziem odkrywania obiecujących kierunków badań, naukowcy stają się bardziej selektywni — mogą szybko przesiewać wiele koncepcji i wybierać najlepsze. Ale tam, gdzie modele służą głównie do przyspieszania samego publikowania istniejących danych, efekt jest odwrotny: selektywność spada, bo koszt „wyprodukowania” kolejnego artykułu jest niski.
Autorzy zestawili swoją logikę z teorią optymalnego żerowania z ekologii — zwierzęta w naturze decydują, kiedy zostać przy jednym źródle pokarmu, a kiedy ruszyć dalej, w zależności od kosztów i zysków. Naukowiec w świecie taniej generacji tekstów podejmuje analogiczną decyzję: mniej chętnie inwestuje w doszlifowanie tego, co już ma, a częściej rusza na poszukiwanie następnego „kawałka”.
Nadzieja na głębokie myślenie? Wyniki jej studzą
Popularny argument za adopcją AI w nauce brzmi: skoro maszyna przejmie żmudne czynności, badacz odzyska czas na głębokie myślenie i rozwijanie projektów w całości. Zespół z Waszyngtonu odpowiada chłodno: ich wyniki „temperują takie nadzieje”. Sam mechanizm rynkowy nauki — wyścig o granty, stanowiska i liczby publikacji — sprawia, że zaoszczędzony czas nie zostaje zainwestowany w jakość, lecz natychmiast przekierowany na ilość.
Sama technologia nie jest więc tu głównym winowajcą. To struktura zachęt, która działała w ten sposób od dawna, zostaje jedynie wzmocniona przez nowe narzędzie. LLM nie tworzy patologii „publikuj albo zgiń”, ale działa jak wzmocnienie sygnału w istniejącym układzie.
Co z tego wynika dla recenzji i czytelników?
Dla systemu recenzji naukowej prognoza jest trudna: jeśli strumień manuskryptów przyspieszy, a każda z prac będzie mniej dopracowana, recenzenci — sami zabiegani badacze — dostaną do oceny więcej materiału gorszej średniej jakości. Koszt weryfikacji wzrośnie dokładnie wtedy, gdy wartość pojedynczej publikacji spadnie.
Przypadek ten dobrze ilustruje szersze zagrożenie związane z automatyzacją pracy umysłowej: narzędzie, które indywidualnie wygląda jak czysty zysk, zbiorowo może obniżać standardy, bo zmienia równanie opłacalności staranności. Jeśli instytucje naukowe chcą, żeby LLM-y realnie wsparły odkrycia, potrzebne będą rozwiązania systemowe — od kryteriów awansu premiujących głębię ponad liczbę pozycji po jasne zasady ujawniania udziału AI w powstawaniu prac. Bez tego szybkie narzędzie trafi na szybki taśmociąg i przyspieszy produkcję, której nikt nie zdąży porządnie przemyśleć.
