Jeszcze niedawno rola AI w badaniach naukowych przypominała pracę użytecznego asystenta. Systemy mogły streszczać artykuły, porządkować zbiory danych albo przygotowywać szkic abstraktu. To badacze nadal odpowiadali za samo myślenie. Zmieniło się to pod koniec 2025 r., gdy najbardziej zaawansowane modele AI typu frontier zaczęły samodzielnie i niezawodnie planować oraz rozumować
Kluczową cechą tych modeli jest tzw. tool calling – zdolność do korzystania z zewnętrznych narzędzi po to, by oddziaływać na świat, a nie tylko go opisywać. To początek ery agentowej AI (agentic AI): systemów, które nie tylko odpowiadają na polecenia, ale potrafią samodzielnie planować, wykonywać zadania i iterować własną pracę. W nauce – podobnie jak w innych dziedzinach – chatboty stały się współpracownikami zdolnymi autonomicznie wykonywać rzeczywistą pracę od początku do końca.
Przykładem jest opracowany przez tokijską firmę Sakana AI system The AI Scientist. Zaprezentowana w połowie 2025 r. technologia – obecnie rozwijana już w drugiej wersji – jest przez firmę określana jako „pierwszy kompleksowy system do w pełni automatycznego odkrywania naukowego”. The AI Scientist analizuje istniejącą literaturę naukową, generuje hipotezy, pisze i uruchamia kod, analizuje wyniki oraz tworzy pełny artykuł naukowy – w dużej mierze bez udziału człowieka. Rozumuje, popełnia błędy i poprawia własną pracę, podobnie jak młody naukowiec.
Dowód? Artykuł naukowy przygotowany przez AI Scientist został w 2025 r. zaakceptowany podczas warsztatów International Conference on Learning Representations. To coś rzeczywiście nowego: autonomiczny system AI przeszedł łagodniejszą wersję testu Turinga, demonstrując naukową jakość, choć jeszcze nie inteligencję maszynową w pełnym znaczeniu tego pojęcia. Co więcej, sam system AI Scientist był przedmiotem artykułu opublikowanego w marcu 2026 r. w czasopiśmie Nature.
Innym istotnym osiągnięciem był lutowy pokaz systemu Fully Automated Research System (Fars), przeprowadzony przez singapurski startup Analemma. System stworzył 166 kompletnych artykułów naukowych z zakresu uczenia maszynowego w około 417 godzin – czyli średnio jeden artykuł co 2,5 godziny – przy koszcie około 1100 dolarów za publikację.
Google Cloud AI Research zaprezentowało niedawno system PaperOrchestra, który przekształca surowe logi eksperymentalne i robocze notatki badacza w gotowy do zgłoszenia manuskrypt, wraz z wykresami i zweryfikowanymi cytowaniami. W ślepej ewaluacji przeprowadzonej przez 11 badaczy AI system wyraźnie przewyższył istniejące autonomiczne rozwiązania tego typu.
Po dwóch dekadach badań nad przełomowymi innowacjami technologicznymi uważam, że przekroczona została ważna granica. Choć do momentu, w którym systemy AI dorównają najlepszym pracom tworzonym przez ludzi, wciąż jeszcze daleko, era w pełni zautomatyzowanych badań naukowych już się rozpoczęła.
Konsekwencje dla świata akademickiego
Pojawienie się autonomicznych systemów badawczych następuje w momencie, gdy system akademicki w wielu krajach znajduje się pod ogromną presją. W ciągu ostatniej dekady liczba artykułów zgłaszanych do czasopism naukowych rosła znacznie szybciej niż liczba wykwalifikowanych recenzentów, co doprowadziło do opinii, że system publikacji naukowych jest „przeciążony”.
Jeśli systemy takie jak Fars będą w stanie produkować tysiące artykułów rocznie, infrastruktura publikacyjna nauki stanie przed skalą działalności, do której nigdy nie była projektowana. Już teraz wykryto recenzje naukowe zawierające treści generowane przez AI. Wraz ze wzrostem liczby zgłoszeń może to zmienić rolę opublikowanego artykułu naukowego jako jednoznacznego sygnału jakości i kompetencji ludzkich badaczy.
Optymistyczna interpretacja zakłada, że AI może przesunąć akademię od silnego uzależnienia od wskaźników ilościowych w stronę oceny wpływu i innowacyjności publikacji. Takiej reformy od dawna domagają się krytycy obecnego systemu.
Mniej optymistyczny scenariusz zakłada, że wraz ze skalowaniem badań prowadzonych przez AI system akademicki – zaprojektowany do promowania spójnych i metodologicznie poprawnych prac – może zacząć generować coraz więcej publikacji przyrostowych zamiast rzeczywiście przełomowych. W efekcie ucierpieć może zarówno jakość, jak i oryginalność badań.
Nauka zawsze potrzebowała heretyków, by się rozwijać. Włoski astronom Galileo Galilei, nazywany „ojcem nowoczesnej nauki”, został zmuszony do odwołania swojej obrony heliocentryzmu przed inkwizycją Kościoła katolickiego. Węgierski lekarz Ignaz Semmelweis zmarł w zakładzie psychiatrycznym, nie zdoławszy przekonać współpracowników, że mycie rąk może ratować życie. Jednocześnie historycznie to właśnie zdolność instytucji naukowych do wspierania radykalnych idei była jednym z fundamentów postępu nauki. Aby utrzymać tę zdolność, systemy AI będą musiały być trenowane tak, by maksymalizować nowość i transformacyjność, a nie tylko prawdopodobieństwo i stopniowy postęp.
Wpływ AI na przemysły kreatywne
Transformacyjne skutki tej nowej generacji AI wykraczają daleko poza badania naukowe. Dobrym przykładem jest podcast The Epstein Files, stworzony w całości przez AI. Na początku 2026 r. znalazł się on na pierwszym miejscu brytyjskich list Apple Podcasts i Spotify, osiągając 700 tys. pobrań w pierwszym tygodniu.
Jeszcze dalej zaszła branża muzyczna – i właśnie tam konflikty są najbardziej widoczne. Do połowy 2025 r. całkowicie wygenerowany przez AI zespół The Velvet Sundown zdobył ponad milion słuchaczy miesięcznie na Spotify. W 2026 r. platforma została zmuszona do wprowadzenia mechanizmów ochrony artystów po tym, jak utwory tworzone przez AI zaczęły wypierać muzykę ludzi z popularnych playlist. Z kolei Deezer – mierzący się z napływem około 50 tys. utworów generowanych przez AI dziennie – zaczął usuwać je z redagowanych playlist.
Największym problemem pozostaje jednak kwestia własności. Sądy w USA orzekły, że dzieła wygenerowane przez AI nie mogą być objęte prawem autorskim, ponieważ autorstwo człowieka pozostaje wymogiem prawnym. AI może tworzyć na skalę przemysłową, ale nikt nie może legalnie posiadać praw do takiej twórczości.
To problem wykraczający daleko poza prawo własności intelektualnej. W branżach kreatywnych zagraża on systemowi tantiem, licencji i wycen katalogów, na których artyści, wydawnictwa i wytwórnie opierały swoje modele biznesowe przez dziesięciolecia.
W nauce destabilizuje natomiast całą architekturę bodźców, opartą na fundamentalnym założeniu, że wiedza jest zarówno tworzona, jak i posiadana przez ludzi. Gdy to założenie się rozpada, rozpada się również znaczna część instytucjonalnej logiki regulującej sposób, w jaki tworzymy, nagradzamy i obdarzamy zaufaniem ekspertów.
Pytanie we wszystkich tych dziedzinach nie brzmi już, czy AI potrafi wykonywać tę pracę. Chodzi raczej o to, czy wystarczająco dobrze przemyśleliśmy, co zyskamy – i co stracimy – kiedy zacznie robić to na masową skalę.
Artykuł The AI scientist: now academic papers can be fully automated, what does this mean for the future of research? ukazał się w serwisie The Conversation.