AI ускорява науката, но резултатите стават по-плитки

Обещанието звучи логично: щом езиковите модели поемат досадната част от научната работа, на учените ще им остане повече време да мислят. Нов теоретичен труд твърди точно обратното — че в две от три възможни ситуации AI води до повече и по-плитки изследвания. Статията „The unintended consequences of large language models as a labor-augmenting technology in science“ е качена в arXiv на 19 юли 2026 г., а през август я подхванаха Nature и The Decoder.

Автори са Ейман Дуеде (Purdue University и Princeton), Кевин Грос (North Carolina State University), М. Дж. Крокет (Princeton) и Карл Бергстрьом (University of Washington и Santa Fe Institute).

Икономиката на едно спестено следобедие

Моделът е икономически, не експериментален. Идеята му е проста: времето на учения е ограничен ресурс, а всеки час, вложен в дошлифоване на един проект, е час, невложен в започването на следващ. Когато AI намали цената на времето, алтернативната цена на задълбочаването расте.

Формулировката на авторите е недвусмислена: като технология, която усилва труда, езиковите модели ни карат „да вършим повече, по-зле — вместо същото количество, но по-добре“.

Три места, на които AI влиза в изследването

Моделът разглежда три отделни режима според това къде точно спестявате време.

1. Търсенето на идеи

Ако AI ускорява генерирането на хипотези и планирането на експерименти, учените стават по-придирчиви какво изобщо развиват — но развиват избраното по-небрежно. Чист резултат: по-малко, но недоизпипани статии.

2. Писането и оформянето

Ако AI поеме фигурите, форматирането и цитатите, прагът за публикуване пада. Проекти, които преди не са си стрували усилието, изведнъж стават рентабилни. Резултат: поток от по-слаби ръкописи, а вече готовите получават още по-малко внимание.

3. Самата аналитична работа

Единственият сценарий с положителен изход. Когато AI ускорява допълнителните анализи, проверките за чувствителност и теоретичните разширения — тоест точно там, където учените обикновено режат ъгли — проектите излизат по-задълбочени.

Два от трите режима значи по-лоша наука. И познайте кои два описват най-точно днешната употреба на чатботовете.

Аргументите от терен

Моделът не виси във въздуха. Авторите се позовават на вече познати наблюдения: полеви отчет на OpenAI за пренаписване на изследователски софтуер отчита ускорения до 60 пъти, но тясното място моментално се премества във валидирането на резултата — някой все пак трябва да провери дали кодът прави каквото трябва.

Още по-неудобно е изследването на METR: разработчици с AI асистент са били с 19% по-бавни при задачите си, макар след опита да са се чувствали с 20% по-бързи. Разминаването между усещане за скорост и реална скорост е точно механизмът, който моделът описва.

Междувременно броят на подаванията в arXiv расте, рецензирането се задъхва, а самият arXiv вече въведе по-строги санкции за грешки от AI произход. Това не е прогноза, а текущо състояние.

И агентите не решават проблема

Втори труд от август, дело на екип от Princeton и UC San Diego, гледа съседния въпрос: защо AI агентите се справят по-добре, когато им дадете готови „умения“ (skills). След 8135 тестови изпълнения се оказва, че ползата е предимно процедурна — правилната последователност от стъпки, инструменти и междинни проверки обяснява 65,7% от случаите, в които агентът със skill бие агента без. Самото подаване на знание помага само в 4,5%.

Снимка: The Decoder

Проблемът е в мащабирането. Когато библиотеката от умения порасне от 5 на 100 записа, точността на извличане в реална употреба пада от 29,6% на 3,3%. В около 10% от случаите агентът прилага умение механично, в неподходящ контекст. Тоест инструментите, които трябва да поемат рутината, сами се нуждаят от надзор — както и другаде в AI индустрията, където тестовете се оказват по-слаби от рекламата.

Защо това има значение

Струва си да четете труда като хипотеза, а не като присъда. Това е математически модел с допускания, не измерване на реални лаборатории — авторите сами описват контрастни изходи в зависимост от контекста, а не един универсален ефект. Никой не е преброил колко по-плитки са станали статиите.

Но моделът обяснява спретнато нещо, което мнозина рецензенти вече усещат: обемът расте по-бързо от качеството. И подсказва къде да насочите AI, ако искате обратния ефект — не към писането на увода, а към анализите, за които обикновено няма време. Същият принцип важи и когато AI реже разходи в самата AI инфраструктура: спестеното трябва да отиде някъде, а къде — е решение, не автоматика.

Заключението на авторите е меко и затова по-неприятно: надеждата, че спестеното време ще се превърне в повече размисъл, най-вероятно няма да се сбъдне сама по себе си.