Levente Littvay opisuje doświadczenie, które dla wielu badaczy brzmi jednocześnie jak obietnica i zagrożenie. Przez kilka dni korzystał z bardzo zaawansowanego modelu AI, który według jego relacji pomógł mu przepisać grant, przygotować trzy artykuły i napisać książkę. Nie chodziło o proste generowanie pustych akapitów. Autor przekazywał modelowi konspekty, slajdy konferencyjne, kod replikacyjny, wcześniejsze rozdziały, styl narratora, strukturę argumentu i założenia projektu. Model nie zaczynał od zera. Pracował na materiale badacza, przyspieszając składanie, formułowanie, rozwijanie i porządkowanie pracy (Littvay, 2026).
To właśnie dlatego tekst Littvaya jest ciekawszy niż kolejna opowieść o ChatGPT piszącym esej. Nie dotyczy studenta, który chce ominąć zadanie. Dotyczy doświadczonego akademika, który ma dane, pomysły, warsztat, kontakty z literaturą i zdolność oceny. AI nie zastępuje tu pustki. Zastępuje część pracy, którą wcześniej wykonywałby sam autor, młodszy współpracownik, doktorant, postdoc albo asystent badawczy.
Najbardziej niewygodne pytanie brzmi więc inaczej niż zwykle. Nie pytamy już, czy AI potrafi produkować słaby tekst naukowy. To wiemy od dawna. Pytamy, co dzieje się z akademią, gdy dobry badacz z dobrymi danymi i bardzo dobrym modelem może w kilka dni wykonać pracę, która wcześniej trwała miesiącami. Jeżeli taka praca jest później czytana, sprawdzana, poprawiana i podpisywana przez człowieka, gdzie przebiega granica między narzędziem a współautorstwem? Co zostaje z mentoringu? Jak oceniać dorobek? Co znaczy „wkład naukowy”, gdy tekst i argument można przyspieszyć o rząd wielkości?
Littvay ma rację w jednym: powrót do akademii sprzed generatywnej AI jest mało prawdopodobny. Próba udawania, że narzędzia nie istnieją, stworzy akademię podwójnego życia: oficjalnie humanistyczną, powolną i opartą na samodzielnym pisaniu; nieoficjalnie opartą na prywatnych kontach, ukrytych promptach i nierówno rozłożonym dostępie do najlepszych modeli.
Przestaje działać stara gra
Stara gra akademicka była oparta na produkcji mierzalnych śladów. Publikacje, granty, cytowania, indeksy, miejsce czasopisma, liczba artykułów, tempo składania wniosków, liczba współautorów, liczba konferencji, liczba recenzji, liczba wystąpień. Oczywiście wszyscy wiedzieli, że to uproszczenie. Wiedzieli także, że system oceny rzadko potrafi inaczej porównywać ludzi, działy, uczelnie i kraje.
Generatywna AI uderza właśnie w tę grę. Jeśli część pracy pisarskiej, redakcyjnej, syntetyzującej, translatorskiej, koderskiej i administracyjnej można radykalnie przyspieszyć, liczba publikacji staje się jeszcze gorszym miernikiem niż wcześniej. Nie dlatego, że każdy tekst wspierany przez AI jest bezwartościowy. Powód jest inny: koszt wytworzenia tekstu zaczyna coraz słabiej mówić o wkładzie poznawczym.
W dawnym modelu objętość pracy była przynajmniej niedoskonałym sygnałem wysiłku. Artykuł wymagał czasu. Grant wymagał czasu. Książka wymagała czasu. Owszem, istniały nierówności: jedni mieli asystentów, inni nie; jedni pisali w języku ojczystym światowej nauki, inni nie; jedni mieli granty, inni prowadzili pięć zajęć tygodniowo. Mimo tego czas był istotną barierą. AI tę barierę obniża.
Skutek jest prosty: akademia musi przestać nagradzać samą ilość. W przeciwnym razie wygrają osoby, które najlepiej zautomatyzują produkcję tekstów, a niekoniecznie te, które dostarczą najwięcej nowej wiedzy. To szczególnie groźne w dziedzinach, gdzie artykuł ma przewidywalną strukturę, literatura jest powtarzalna, dane są wtórne, a wkład polega na dołożeniu kolejnej wariacji do dobrze znanego schematu.
AI nie tworzy problemu od zera
AI nie zniszczyła idealnej akademii. Przyspieszyła choroby systemu, które istniały wcześniej. Publikacyjny wyścig, presja na młodych badaczy, rozrost administracji grantowej, recenzenckie przeciążenie, fetysz czasopism, nierówności między instytucjami, inflacja autorstwa, nadużywanie wskaźników i przemysł konferencyjny nie pojawiły się w 2023 r.
DORA już w 2012 r. ostrzegała przed używaniem wskaźników opartych na czasopismach jako zastępczej miary jakości pojedynczych artykułów lub dorobku naukowców (DORA, 2012). Leiden Manifesto przypominał, że ilościowe wskaźniki powinny wspierać ocenę ekspercką, a nie ją zastępować (Hicks i in., 2015). CoARA rozwija podobną intuicję: ocena badań powinna opierać się przede wszystkim na jakościowej ocenie eksperckiej, wspieranej odpowiedzialnie używanymi wskaźnikami (CoARA, 2022).
Generatywna AI sprawia, że tych zaleceń nie da się dłużej traktować jako eleganckich deklaracji. Jeżeli system będzie nadal liczył sztuki, sztuki będą produkowane. Jeżeli będzie nagradzał tempo, tempo zostanie kupione. Jeżeli będzie premiował brzmiące przekonująco syntezy, modele będą je generować. Jeżeli awans zależy od liczby publikacji w określonym oknie czasu, racjonalny badacz zacznie używać narzędzi, które zwiększają liczbę publikacji.
AI jest więc testem szczerości reform oceny naukowej. Akademia od dawna mówi, że chce jakości, wpływu, otwartości, rzetelności, mentoringu i pracy dla społeczeństwa. Teraz musi zdecydować, czy naprawdę chce je mierzyć i nagradzać.
Autorstwo jako odpowiedzialność
Najłatwiejsza część debaty została już rozstrzygnięta przez wydawców: AI nie może być autorem w sensie formalnym. COPE stwierdziło, że narzędzia AI nie mogą być wymieniane jako autorzy, ponieważ nie mogą wziąć odpowiedzialności za pracę, zadeklarować konfliktów interesów ani zarządzać prawami autorskimi (COPE, 2023). Nature Portfolio przyjmuje podobne stanowisko: modele językowe nie spełniają kryteriów autorstwa, a istotne użycie AI powinno być udokumentowane w metodach albo w innym odpowiednim miejscu tekstu (Nature Portfolio, 2024).
To jednak nie rozwiązuje trudniejszego pytania: kiedy użycie AI jest zwykłą pomocą redakcyjną, a kiedy zmienia charakter wkładu naukowego? Poprawienie języka w artykule nie jest tym samym co wygenerowanie przeglądu literatury, sformułowanie hipotez, zaproponowanie ramy teoretycznej, dobór przypadków, interpretacja wyników albo stworzenie planu analizy.
Komisja Europejska w wytycznych o odpowiedzialnym użyciu generatywnej AI w badaniach proponuje właśnie takie rozróżnienie. Prosta pomoc redakcyjna może nie być użyciem istotnym, ale użycie AI do interpretacji danych, przeglądu literatury, identyfikowania luk badawczych, formułowania celów i hipotez może istotnie wpływać na proces badawczy. Badacz pozostaje odpowiedzialny za wynik, za weryfikację źródeł, za prywatność, za poufność, za ochronę własności intelektualnej i za ujawnienie użycia narzędzia tam, gdzie było ono znaczące (Komisja Europejska, 2026).
To prowadzi do praktycznej zasady: AI może pomagać, ale nie może być miejscem przeniesienia odpowiedzialności. Jeśli artykuł zawiera błędne źródło, złą interpretację, wymyślony cytat albo fałszywy wniosek, odpowiedzialny jest człowiek. Jeżeli badacz podpisuje tekst, podpisuje też proces kontroli.
Problem ukrytego współautora
Największe napięcie nie dotyczy tego, że ktoś wpisze model jako autora. Dotyczy sytuacji odwrotnej: model będzie współtworzył dużą część pracy, a tekst będzie wyglądał jak całkowicie ludzki. W wielu przypadkach nikt tego nie wykryje. Detektory AI są zawodne, style pisania można mieszać, tekst można redagować, a modele coraz lepiej naśladują dyscyplinarne konwencje.
W takiej sytuacji polityka oparta wyłącznie na wykrywaniu skazana jest na porażkę. Potrzebna jest kultura ujawniania, która nie karze automatycznie za każde użycie AI. Jeśli badacz wie, że samo przyznanie się do pomocy modelu obniży ocenę, będzie ukrywał użycie. Jeśli instytucje stworzą jasne, stopniowane kategorie użycia, łatwiej będzie wymagać przejrzystości.
Można wyobrazić sobie prostą skalę:
AI użyta do korekty językowej;
AI użyta do streszczenia materiałów wskazanych przez autora;
AI użyta do porządkowania struktury tekstu;
AI użyta do wygenerowania pierwszego szkicu na podstawie danych i konspektu;
AI użyta do przeglądu literatury;
AI użyta do interpretacji wyników;
AI użyta do generowania lub wykonywania analizy;
AI użyta w procedurze recenzji lub oceny.
Każdy poziom wymaga innego ujawnienia i innej kontroli. Uczciwa akademia przyszłości będzie potrzebowała metadanych procesu badawczego, a nie tylko gotowego PDF-u.
„Promptowanie artykułów” i granica czerwonej linii
Littvay wskazuje jedną granicę, którą trudno zakwestionować: nie można po prostu promptować artykułów do istnienia bez konkretnych danych, materiału, pytań, źródeł i odpowiedzialnego audytu (Littvay, 2026). To dobra minimalna granica.
Artykuł naukowy powinien dodawać coś do wiedzy. Może dodawać nowe dane, nowe źródło, nową interpretację, nową metodę, nowe uporządkowanie sporu, nowy wynik replikacji, negatywny wynik dobrze zaprojektowanego eksperymentu, nowe narzędzie albo silniejsze potwierdzenie wcześniejszej tezy. Tekst, który tylko wygląda jak artykuł, ale nie niesie nowej informacji, jest śmieciem poznawczym. AI może produkować go w dowolnej ilości.
W epoce generatywnej AI pytanie o wkład trzeba zadawać ostrzej: co w tym tekście nie istniałoby bez pracy badawczej autora? Jakie dane, źródła, obserwacje, interpretacje, narzędzia albo ryzyka zostały naprawdę wniesione? Co może zostać sprawdzone przez innych? Co jest reprodukowalne? Co ma znaczenie poza sprawnością narracji?
Dawniej słaby tekst mógł przynajmniej być wynikiem pracy człowieka. Teraz może być wynikiem kilku minut generowania. To wymaga wyższego progu publikacyjnego, nie niższego.
Koniec młodszego współautora?
Jedna z najbardziej niepokojących uwag Littvaya dotyczy relacji z młodszymi badaczami. Opisuje sytuację, w której AI wykonała zadanie podobne do pracy młodszego współautora: przygotowała strukturę, argument, opis, analizę i szkic tekstu. Autor przyznaje, że tym samym odebrał komuś okazję do uczenia się, choć zaznacza, że te konkretne teksty bez AI zapewne nigdy by nie powstały (Littvay, 2026).
To jest problem całej akademii. Doktoranci i postdocy uczyli się przez udział w pracy starszych badaczy: przygotowywanie przeglądów literatury, analizę danych, pisanie pierwszych szkiców, odpowiadanie na recenzje, redakcję tabel, składanie grantów, rozmowy o teorii. Część tej pracy była wyzyskiem. Część była najlepszą szkołą zawodu. AI może usunąć oba elementy naraz.
Jeżeli starszy badacz będzie mógł sam z modelem stworzyć tekst szybciej niż z młodszym współpracownikiem, mentoring stanie się mniej oczywisty ekonomicznie. Młody badacz traci wtedy nie tylko linię w CV. Traci sytuację, w której ktoś pokazuje mu, jak myśli się przez projekt.
Akademia musi więc świadomie chronić uczenie się przez współpracę. Nie dlatego, że AI jest zła, lecz dlatego, że zawód naukowca wymaga przekazywania praktyk, których nie da się nauczyć z regulaminu: jak rozpoznać dobry problem, jak nie oszukiwać samego siebie, jak czytać recenzję bez paniki, jak odróżnić silny argument od eleganckiej retoryki, jak przyznać się do błędu, kiedy porzucić projekt, kiedy powiedzieć „nie wiem”.
Kto zyskuje, kto traci
AI w akademii pogłębi nierówności, jeśli dostęp do najlepszych narzędzi, danych, instrukcji i prywatnej infrastruktury będzie zależał od pozycji. Badacz z bogatej uczelni może mieć dostęp do bezpiecznych modeli, płatnych subskrypcji, doradców, prawników, asystentów i lokalnych serwerów. Badacz z biedniejszej instytucji może korzystać z publicznego czatu z limitami, ryzykiem poufności i gorszymi modelami.
Nierówność dotyczy także czasu. Osoba z niskim obciążeniem dydaktycznym może eksperymentować z modelami, budować własne pipeline’y, automatyzować analizy i testować nowe narzędzia. Osoba przeciążona zajęciami, opieką, pracą administracyjną lub niestabilnym zatrudnieniem będzie miała mniej przestrzeni, by nauczyć się używać AI dobrze.
Dochodzi nierówność dyscyplinarna. Dziedziny silnie sformalizowane, o przewidywalnej strukturze artykułów, mogą szybciej zautomatyzować część produkcji. Dziedziny wymagające długiej pracy terenowej, archiwalnej, filologicznej, etnograficznej lub klinicznej nadal będą wolniejsze. Jeśli system oceny dalej premiuje liczbę tekstów, wolniejsze dziedziny zostaną ukarane za to, że produkują wiedzę trudniej automatyzowalną.
To byłoby absurdalne. W świecie AI najbardziej wartościowe mogą stać się właśnie dane pierwotne, długie obserwacje, archiwa, rozmowy, źródła jakościowe, replikacje, rzetelne bazy danych, narzędzia, publiczne repozytoria i interpretacje zakorzenione w kontekście. Wszystko, czego model nie może łatwo wywnioskować z już istniejącego korpusu.
Nowa wartość danych pierwotnych
Littvay proponuje prowokacyjną miarę wkładu: czy badanie dodaje coś do danych treningowych przyszłości? Jeśli AI mogłaby wyprowadzić dany tekst z istniejącej literatury, wkład jest ograniczony. Jeśli praca tworzy nowe źródła, nowe dane, nowe interpretacje albo nową infrastrukturę, jej wartość rośnie (Littvay, 2026).
To nie jest formalna miara jakości, ale jako intuicja jest bardzo użyteczna. W świecie generatywnym większą wartość będą miały rzeczy trudne do wygenerowania:
dane terenowe;
wywiady;
archiwa;
eksperymenty;
długie obserwacje;
replikacje;
negatywne wyniki;
narzędzia badawcze;
dobrze opisane zbiory danych;
kody analityczne;
mapy pojęciowe;
prace syntetyczne oparte na prawdziwej znajomości dziedziny;
teksty publiczne, które zmieniają rozumienie problemu poza akademią.
Taka zmiana może być dobra dla nauki. Może odwrócić uwagę od produkcji kolejnych wariantów tego samego artykułu i przesunąć ją ku temu, co naprawdę powiększa wspólny zasób wiedzy.
Mniej tekstów, większy próg
Jeśli AI zwiększa zdolność produkcji, czasopisma powinny podnieść próg przyjęcia. Nie chodzi o bardziej elitarną selekcję dla prestiżu. Chodzi o ochronę wspólnej uwagi. Redaktorzy i recenzenci już teraz są przeciążeni. Jeśli liczba artykułów wzrośnie przez automatyzację, system recenzji może stać się jeszcze bardziej niewydolny.
Odpowiedź nie powinna polegać na dodaniu AI-recenzenta do AI-autorów i stworzeniu automatycznej wojny tekstów. Komisja Europejska ostrzega przed istotnym używaniem generatywnej AI w działaniach wpływających na ocenę innych badaczy, w tym w recenzowaniu i ocenie projektów, ze względu na poufność, stronniczość, halucynacje i odpowiedzialność (Komisja Europejska, 2026).
Lepszy kierunek to ograniczanie liczby ocenianych produktów. REF 2021 w Wielkiej Brytanii wymagał od jednostek określonej liczby prac zależnej od liczby etatów, a pojedynczy pracownik mógł mieć przypisanych co najmniej jeden i maksymalnie pięć outputów (REF, 2021). Nie jest to idealny system, ale pokazuje ważną intuicję: ocena kilku najlepszych prac mówi więcej niż liczenie wszystkiego.
Akademia powinna przesunąć się w stronę zasady: mniej, ale lepiej sprawdzonych prac. Więcej miejsca na książki, dane, narzędzia, edycje źródeł, publiczne bazy, raporty dla instytucji, oprogramowanie, tłumaczenia wiedzy i wkład w infrastrukturę. Mniej premiowania samej liczby PDF-ów.
Czy AI może prowadzić badania automatycznie?
Littvay idzie dalej: wyobraża sobie agentów AI wykonujących formułowe projekty w naukach społecznych, zwłaszcza tam, gdzie badania są symulacyjne, empiryczne i powtarzalne. Agent może wygenerować dane, przeprowadzić analizę, opisać wyniki, napisać tekst, przygotować tabele i wykresy, a człowiek może audytować końcowy produkt (Littvay, 2026).
To brzmi groźnie, ale nie jest samo w sobie nienaukowe. Nauka od dawna automatyzuje pomiary, sekwencjonowanie, teleskopy, symulacje, obliczenia, przeszukiwanie literatury i część analizy danych. Automatyzacja nie jest problemem wtedy, gdy jest jawna, kontrolowana, reprodukowalna i prowadzi do nowej wiedzy.
Problemem jest brak przejrzystości. Jeśli agent generuje hipotezy, kod, wyniki i tekst, badacz musi pokazać procedurę. Jakie dane wejściowe? Jaki model? Jaka wersja? Jakie prompty? Jakie losowe ziarna? Jakie kryteria odrzucenia wyników? Co sprawdził człowiek? Co można odtworzyć? Gdzie model mógł wprowadzić błąd?
W naukach społecznych ryzyko jest szczególne, bo modele językowe są trenowane na ludzkich tekstach i mogą odtwarzać konwencjonalne interpretacje, stereotypy, dominujące paradygmaty i styl przekonującego wyjaśniania. AI może tworzyć pozór teorii, która brzmi tak, jak powinna brzmieć teoria w danej dziedzinie. Badacz musi odróżnić trafność od stylu.
Metoda naukowa jako zabezpieczenie
Najlepszą obroną przed zalewem AI-tekstu nie jest zakaz. Jest nią mocniejsza metodologia. Dane, kod, prerejestracje, replikacje, otwarte protokoły, uzupełnienia, jawne decyzje analityczne, opisy użycia AI, dostęp do materiałów i rygor rozumowania będą ważniejsze niż wcześniej.
Hong Kong Principles podkreślają, że ocena badaczy powinna nagradzać odpowiedzialne praktyki, pełne raportowanie, otwartą naukę, różnorodne rodzaje aktywności badawczej oraz wkład taki jak recenzowanie i mentoring (Moher i in., 2020). To brzmi jak odpowiedź napisana przed eksplozją generatywnej AI, ale pasuje do niej dobrze. Jeśli tekst można łatwo wytworzyć, większą wagę trzeba nadać temu, co czyni go sprawdzalnym.
To może paradoksalnie wzmocnić dobrą naukę. AI obniża koszt pisania, więc trudniej uzasadnić niechlujność dokumentacji. Jeśli model może pomóc opisać metodę, posprzątać kod, przygotować readme, stworzyć tabele replikacyjne i wyjaśnić procedury, brak przejrzystości będzie wyglądał jeszcze gorzej.
Public scholarship jako część pracy
Littvay pisze, że akademicy powinni mocniej docenić komunikację publiczną: media, blogi, podcasty, tłumaczenie wiedzy dla ludzi spoza uczelni (Littvay, 2026). Ten punkt jest bardzo ważny. Jeśli AI przejmie część formalnej produkcji akademickiej, rośnie znaczenie pracy, która buduje zaufanie, wyjaśnia spory i pomaga społeczeństwu korzystać z wiedzy.
Akademia cierpi dziś na kryzys zaufania. Część obywateli postrzega ją jako odległą, hermetyczną, ideologiczną, arogancką albo bezużyteczną. Odpowiedzią nie może być większa liczba artykułów za paywallem. Potrzebne są formy komunikacji, które nie redukują wiedzy do marketingu, ale pozwalają zrozumieć, skąd biorą się twierdzenia naukowe, co jest pewne, co sporne, gdzie są ograniczenia i dlaczego metoda ma znaczenie.
Public scholarship bywa dziś traktowane jako aktywność dodatkowa. W świecie AI powinno stać się częścią oceny pracy naukowej. Nie każdy badacz musi prowadzić podcast albo pisać eseje. Ale system powinien doceniać tych, którzy potrafią odpowiedzialnie przenosić wiedzę poza obieg specjalistyczny.
AI może w tym pomagać: upraszczać język, przygotowywać warianty tekstu, tłumaczyć, tworzyć materiały dydaktyczne. Człowiek nadal musi odpowiadać za sens, niuanse, ograniczenia i uczciwość przekazu.
Benchmarki zamiast kolejnych artykułów
W tekście pojawia się ciekawa propozycja: jeśli modele różnią się zdolnościami w zależności od zadania, naukowcy mogą tworzyć benchmarki dla konkretnych zastosowań badawczych. Littvay pisze o ocenie modeli w pisaniu, modelowaniu zachowań i generowaniu idei (Littvay, 2026).
To dobry przykład wkładu naukowego, który nie musi mieć postaci klasycznego artykułu. Benchmark, zestaw testów, otwarte repozytorium, narzędzie ewaluacyjne albo protokół audytu może być bardziej użyteczny niż kolejny tekst opisujący ogólne szanse i ryzyka AI.
Akademia powinna nauczyć się nagradzać takie produkty. Wiele dziedzin już to robi częściowo, szczególnie informatyka, biologia obliczeniowa, psychometria, medycyna oparta na danych. Nauki społeczne i humanistyka mogą również potrzebować benchmarków: do analizy tekstu, kodowania jakościowego, rekonstrukcji argumentu, tłumaczenia pojęć, rozpoznawania błędów źródłowych, symulacji zachowań, oceny halucynacji w danych historycznych, wsparcia pracy archiwalnej.
Jeśli AI zmienia warsztat, narzędzia oceny warsztatu są wkładem naukowym.
Nauczanie po końcu starej gry
Czy uczyć studentów i doktorantów używania AI? Tak, bo inaczej nauczą się sami, gorzej i w ukryciu. Zakaz totalny w edukacji akademickiej będzie coraz mniej wiarygodny. Potrzebne są zasady, które rozróżniają poziomy użycia.
Student może użyć modelu do wyjaśnienia pojęcia, wygenerowania pytań kontrolnych, sprawdzenia struktury argumentu, znalezienia słabości własnego tekstu, stworzenia planu czytania. Inna sytuacja występuje, gdy model pisze esej, którego student nie rozumie. Jeszcze inna, gdy doktorant używa AI do opracowania procedury analitycznej, której nie potrafi zweryfikować.
Nauczanie powinno przesunąć się z wykrywania na audyt. Student powinien umieć pokazać, jak korzystał z narzędzia, co zaakceptował, co odrzucił, jak sprawdził źródła, gdzie model się pomylił, jakie decyzje były jego własne. To uczy odpowiedzialności, zamiast tylko produkować grę w ukrywanie.
W przypadku doktorantów i młodych badaczy potrzebne są warsztaty z odpowiedzialnego użycia AI w researchu: przegląd literatury, poufność danych, praca z nieopublikowanymi materiałami, analiza jakościowa, kodowanie, statystyka, replikowalność, raportowanie użycia modeli, przechowywanie promptów, bezpieczeństwo i autorstwo.
Recenzja naukowa pod presją
AI uderzy także w recenzję. Autorzy będą w stanie szybciej produkować teksty. Czasopisma będą otrzymywać więcej zgłoszeń. Recenzenci będą kuszeni, aby używać AI do streszczania artykułów i pisania recenzji. Tu ryzyko jest bardzo duże: recenzowany tekst jest często poufny, może zawierać nieopublikowane dane, pomysły i wyniki. Wklejenie go do zewnętrznego modelu może naruszać poufność.
Komisja Europejska wyraźnie zaleca ostrożność w używaniu generatywnej AI w procesach oceny, takich jak recenzje i ocena projektów, ze względu na poufność, stronniczość i odpowiedzialność (Komisja Europejska, 2026). Wydawcy i agencje grantowe będą musiały opracować jasne reguły. Bez nich powstanie niejawna praktyka: recenzenci będą używać AI, a autorzy nie będą wiedzieli, czy ich nieopublikowane teksty trafiły do zewnętrznych systemów.
Możliwe rozwiązanie to kontrolowane, lokalne narzędzia do wsparcia recenzji, które nie oceniają treści za recenzenta, ale pomagają w zadaniach technicznych: sprawdzanie kompletności danych, zgodności z checklistą, obecności kodu, formatów, konfliktów interesów, jasności opisu metod. Ocena naukowa powinna pozostać u człowieka.
Granty i administracja sensu
Littvay zaczyna od przepisanego grantu. To może być obszar, w którym AI przyniesie ulgę, ale też zwiększy presję. Wnioski grantowe są często przesadnie rozbudowane, stylistycznie ujednolicone i uzależnione od retoryki obietnicy. AI potrafi taką retorykę produkować świetnie. To może obniżyć koszt składania wniosków i zwiększyć dostęp dla osób, które gorzej piszą po angielsku. Może też doprowadzić do zalewu perfekcyjnie brzmiących, lecz poznawczo przeciętnych aplikacji.
Agencje finansujące będą musiały odpowiedzieć. Jeśli każdy wniosek będzie lepiej napisany, oceniający będą musieli bardziej polegać na realności planu, danych wstępnych, jakości zespołu, wykonalności, ryzyku i wkładzie. Piękny język przestanie odróżniać. Być może to dobrze.
Komisja Europejska sugeruje, że aplikanci powinni deklarować istotne użycie generatywnej AI w przygotowaniu wniosków, a funderzy powinni tworzyć warunki przejrzystości bez automatycznego karania (Komisja Europejska, 2026). To rozsądny kierunek. Jeśli AI jest używana do poprawy jasności, nie ma powodu do moralnej paniki. Jeśli AI projektuje hipotezy, interpretuje literaturę albo generuje plan pracy, oceniający powinni to wiedzieć.
Akademia bardziej ludzka
Najbardziej poruszająca część tekstu Littvaya pojawia się pod koniec: wartość człowieka w akademii powinna być mierzona tym, ilu ludziom poprawił życie i w jakim stopniu (Littvay, 2026). To brzmi niemal naiwnie w systemie zdominowanym przez granty, rankingi i wskaźniki. Ale może właśnie dlatego jest potrzebne.
Jeżeli AI przejmie część produkcji tekstu, tym bardziej trzeba docenić to, czego system od dawna nie umiał mierzyć: dobry mentoring, uczciwe recenzowanie, opiekę nad doktorantami, budowanie narzędzi dla innych, naprawianie instytucji, komunikację z publicznością, rzetelne kursy, wspieranie młodych badaczy, ochronę standardów, organizowanie danych, tworzenie wspólnej infrastruktury, pracę z lokalnymi społecznościami.
Akademia może stać się bardziej produktywna i bardziej okrutna zarazem. AI może zwiększyć dorobek osób już silnych, a słabszym dołożyć presji. Może uwolnić czas od mechanicznego pisania albo wypełnić ten czas oczekiwaniem jeszcze większej produktywności. Może poprawić dostęp do angielskiego stylu akademickiego albo stworzyć nowe bariery dla tych, którzy nie mają dobrych narzędzi. Wynik zależy od instytucji.
Co powinna zrobić uczelnia
Uczelnia nie powinna zaczynać od zakazów. Powinna zacząć od mapy użyć. Gdzie pracownicy używają AI? Do pisania? Kodowania? Recenzowania? Grantów? Analizy danych? Nauczania? Administracji? Pracy z poufnymi materiałami? Dopiero wtedy można stworzyć reguły.
Minimalny zestaw zasad powinien obejmować: zakaz wprowadzania poufnych i nieopublikowanych danych do publicznych systemów bez gwarancji ochrony; obowiązek ujawniania istotnego użycia AI w publikacjach i grantach; szkolenia z halucynacji, biasów i weryfikacji; reguły dotyczące użycia AI w recenzjach; lokalne lub kontraktowo zabezpieczone narzędzia dla pracowników; wsparcie dla młodszych badaczy; brak karania za jawne, odpowiedzialne użycie; sankcje za fałszowanie, fabrykację i ukrywanie istotnego wkładu narzędzi.
Uczelnia powinna też zmienić ocenę pracy. Mniej liczenia tekstów. Więcej oceny kilku najważniejszych wkładów. Więcej miejsca na dane, narzędzia, public scholarship, mentoring i odpowiedzialne praktyki. DORA, Leiden Manifesto, CoARA i Hong Kong Principles dają gotowy język reformy. AI daje powód, aby wreszcie potraktować je poważnie.
Co powinien zrobić badacz
Badacz powinien zbudować własny protokół. Prosty, praktyczny, powtarzalny.
Po pierwsze, rozdzielić zadania niskiego i wysokiego ryzyka. Korekta językowa to co innego niż interpretacja danych. Streszczenie znanego artykułu to co innego niż wybór literatury. Formatowanie bibliografii to co innego niż generowanie źródeł.
Po drugie, zapisywać istotne użycie AI. Model, wersja, data, cel, zakres, wpływ na tekst lub analizę. Nie zawsze trzeba publikować każdy prompt, ale trzeba móc odtworzyć proces.
Po trzecie, sprawdzać źródła samodzielnie. Nie cytować z modelu bez wejścia do tekstu. Nie ufać streszczeniu bez kontroli. Nie pozwolić, aby płynny styl zastąpił wiedzę.
Po czwarte, chronić dane. Nie wrzucać nieopublikowanych manuskryptów, danych osobowych, materiałów terenowych, recenzowanych tekstów i poufnych grantów do narzędzi, których warunków nie znamy.
Po piąte, dbać o młodszych współpracowników. Jeśli AI skraca pracę, część zaoszczędzonego czasu powinna wrócić jako mentoring, rozmowa, wyjaśnianie procesu i wspólna nauka. Inaczej akademia wyprodukuje więcej tekstów i mniej badaczy.
Nowa gra
Stara gra akademicka polegała na przetrwaniu w systemie publikacji, grantów i wskaźników. Nowa gra powinna mieć inne zasady.
Nie nagradzać za największą liczbę tekstów, tylko za największy wkład w wiedzę.
Nie karać za użycie AI, tylko karać za brak odpowiedzialności, brak ujawnienia i brak kontroli.
Nie traktować artykułu jako jedynej waluty, tylko doceniać dane, narzędzia, mentoring, komunikację publiczną i infrastrukturę.
Nie wymagać od młodych badaczy wejścia w wyścig z automatyzacją, tylko uczyć ich pracy, której automatyzacja nie unieważnia: zadawania dobrych pytań, rozumienia kontekstu, etyki, metodologii, rozmowy z ludźmi, interpretacji i odwagi przyznania się do niepewności.
Nie pozwolić, aby AI stała się kolejną maszyną zwiększania presji. Jeśli narzędzia skracają pracę, zysk nie może zostać natychmiast skonsumowany przez większe normy produkcji.
Wniosek
„Game over” nie oznacza końca nauki. Oznacza koniec pewnego modelu akademickiej gry: liczenia produktów, udawania samodzielności tam, gdzie praca jest wspomagana, ignorowania nierówności narzędziowych, utożsamiania tekstu z wkładem i publikacji z sensem pracy badacza.
AI sprawia, że pytanie o sens akademii staje się bardziej naglące. Jeśli naukowiec ma być wyłącznie producentem tekstów, modele będą coraz groźniejszym konkurentem. Jeśli ma być osobą tworzącą nowe dane, interpretacje, metody, narzędzia, instytucje, rozmowy i zaufanie społeczne, AI może stać się silnym instrumentem pracy.
Największym błędem byłoby udawanie, że nic się nie stało. Drugim błędem byłoby uznanie, że skoro modele potrafią pisać, wszystko wolno. Przyszłość akademii zależy od trzeciej drogi: jawnego, odpowiedzialnego, metodologicznie kontrolowanego użycia AI oraz zmiany systemu oceny tak, aby nagradzał wkład, a nie produkcję.
Stara akademia lubiła mówić, że liczy się jakość. AI sprawdzi, czy mówiła prawdę.
Źródła
Coalition for Advancing Research Assessment. (2022). Agreement on Reforming Research Assessment.
Committee on Publication Ethics. (2023). Authorship and AI tools. COPE Position Statement.
DORA. (2012). San Francisco Declaration on Research Assessment.
European Commission. (2026). Living guidelines on the responsible use of generative AI in research. Third version, May 2026.
Hicks, D., Wouters, P., Waltman, L., de Rijcke, S., & Rafols, I. (2015). Bibliometrics: The Leiden Manifesto for research metrics. Nature, 520, 429–431.
Littvay, L. (2026). It’s game over for academia as we know it. Levente Littvay, 24 czerwca 2026.
Moher, D., Bouter, L., Kleinert, S., Glasziou, P., Sham, M. H., Barbour, V., i in. (2020). The Hong Kong Principles for assessing researchers: Fostering research integrity. PLOS Biology, 18(7), e3000737.
Naddaf, M. (2025). How are researchers using AI? Survey reveals pros and cons for science. Nature, 4 lutego 2025.
Nature Portfolio. (2024/2026). Artificial Intelligence (AI): editorial policies.
REF. (2021). Guidance on REF 2021 results. Research Excellence Framework.
UNESCO. (2023/2026). Guidance for generative AI in education and research.