Gdy AI staje się grupą docelową: koniec artykułu naukowego jako dokumentu dla ludzi

Prowokacja z systemem: gdy maszyny stają się właściwą grupą docelową

W maju 2025 roku 37 naukowców z około dwudziestu wiodących uniwersytetów i firm technologicznych opublikowało na ArXiv artykuł o programowym tytule: „The Last Human-Written Paper". Główna teza jest równie prosta, co daleko idąca: naukowy artykuł w jego dzisiejszej formie – dokument tekstowy wynaleziony 350 lat temu – nie jest przystosowany do obsługi przez agenty AI. A ponieważ agenty AI stają się coraz bardziej pierwotnym odbiorcą wiedzy naukowej, format ten powinien zostać gruntownie przemyślany na nowo.

Autorzy proponują w tym celu koncepcję o nazwie „Agent-Native Research Artifact" (ARA). Termin ten jest wybrany celowo: nie chodzi o tekst napisany dla ludzi, który następnie staje się czytelny dla maszyn – lecz o format zaprojektowany od samego początku z myślą o autonomicznych agentach AI. Ludzie mogą na jego podstawie tworzyć w razie potrzeby klasyczne pliki PDF, jednak pierwotną grupą docelową jest maszyna.

Dwa podatki od utraty wiedzy

To, co brzmi jak akademicka autorefleksja, wskazuje na dwa strukturalne problemy, które wykraczają daleko poza świat nauki – i które w środowisku biznesowym każdego dnia kosztują miliony euro zmarnowanej wiedzy.

Badacze określają pierwszy problem mianem „Storytelling Tax": gdy naukowiec dokumentuje swój projekt w artykule, szacunkowo 80 procent rzeczywistej pracy bezpowrotnie ginie. Nieudane eksperymenty, odrzucone konfiguracje parametrów, nieoczekiwane efekty uboczne – wszystko to znika w toku narracyjnego zagęszczania. Pozostaje jedynie czysta historia sukcesu, która często sprawia, że powtórzenie eksperymentu staje się faktycznie niemożliwe.

Drugi problem autorzy nazywają „Engineering Tax": nawet to, co trafia do artykułu, stanowi stratną kompresję rzeczywistości. Brakuje szczegółów implementacyjnych, sformułowania są zbyt ogólnikowe, kluczowe linie kodu pozostają niewymienione. Agent AI – lub ludzki współpracownik – często po prostu nie jest w stanie odtworzyć uzyskanego wyniku.

„AI agents are becoming first-class participants in research workflows, not tools that assist humans but autonomous contributors that read, reproduce, and extend scientific work. That transition demands infrastructure built around agents from the start."

To zdanie pochodzi bezpośrednio z artykułu i wyznacza zmianę paradygmatu: AI nie jest już narzędziem, lecz aktorem w procesie poznania. Infrastruktura musi podążać za tą rzeczywistością.

Od nauki do praktyki biznesowej: prawdziwy potencjał zmiany

To, co na pierwszy rzut oka wygląda jak akademicki problem formatowania, ma bezpośrednie konsekwencje dla każdej organizacji, która chce systematycznie wykorzystywać wiedzę. Dr. Maik Bunzel, założyciel i dyrektor zarządzający mabucon.eu, ujmuje to wprost: w świecie biznesu ten sam problem istnieje pod inną postacią. Wiedza procesowa tkwi w dokumentach Word, wątkach e-mailowych i głowach poszczególnych pracowników – nie w formatach, które agent AI mógłby samodzielnie odczytać, ocenić i operacjonalizować. Pytanie, które artykuł o ARA stawia nauce, w odniesieniu do przedsiębiorstw brzmi: Czy Twoja dokumentacja wiedzy jest gotowa na agenty AI?

Koncepcja ARA przewiduje między innymi tak zwany „Live Research Manager" – komponent AI, który stale obserwuje cały proces badawczy i automatycznie go dokumentuje, bez konieczności aktywnego angażowania człowieka. Z tego kompletnego protokołu można następnie w razie potrzeby wygenerować klasyczny artykuł naukowy. Zasadę tę można bezpośrednio przenieść na procesy biznesowe: zamiast tworzyć dokumentację projektową retrospektywnie i niekompletnie, wiedza jest rejestrowana w czasie rzeczywistym i w ustrukturyzowany sposób – jako podstawa dla autonomicznych agentów AI, które mogą na niej budować.

Large Language Models na progu wiedzy eksperckiej

Główna autorka Jiachen Liu, która ukończyła doktorat z informatyki na University of Michigan w 2025 roku, a następnie współzałożyła Agent Native Research Lab, opisuje rozwój technologiczny z godną uwagi bezpośredniością: już w 2026 roku wiedza na poziomie licencjackim jest niemal w pełni zakodowana w dużych modelach językowych. Kolejny krok – całkowite wchłonięcie wiedzy na poziomie doktoratu i profesury – jest przewidywalny. Od tego momentu, jak głosi jej teza, człowiek nie będzie już w stanie dostarczyć modelowi żadnej dodatkowej bazy wiedzy. AI musiałaby wtedy rozwijać się samodzielnie – a do tego potrzebna jest jej odpowiednia infrastruktura.

Ta prognoza może brzmieć śmiało, jednak kierunek jest jednoznaczny: LLMs stają się coraz wydajniejsze, a kluczowe wąskie gardło przesuwa się od inteligencji modelu ku jakości dostępnych danych i struktur procesowych. Kto dziś dysponuje złą, niespójną lub fragmentaryczną dokumentacją wiedzy, jutro będzie uzyskiwał słabe wyniki AI – niezależnie od tego, jak dobry jest leżący u podstaw model.

Krytyczna ocena: postęp czy samooptymalizacja bańki AI?

Artykuł nie pozostał bez kontrowersji – przy czym sama autorka przyznaje, że głosy krytyczne raczej nie zgłaszają się bezpośrednio. Istnieją uzasadnione pytania: czyje interesy stoją w centrum, gdy infrastruktura badawcza budowana jest przede wszystkim wokół agentów AI? Nauka pełni zawsze również funkcję społeczną i komunikacyjną wobec ludzi – nie tylko wobec maszyn.

Ponadto badania pokazują, że wspierane przez AI badania naukowe mogą wprawdzie przyspieszać indywidualne kariery w określonych dziedzinach, ale jednocześnie prawdopodobnie ograniczają różnorodność nowych pomysłów i tematów badawczych. Jeśli agenty AI filtrują literaturę przede wszystkim pod kątem odtwarzalności i ustrukturyzowanej użyteczności, istnieje ryzyko, że niekonwencjonalne, trudne do sformalizowania podejścia będą systematycznie niedoceniane.

Niemniej jednak: podstawowa diagnoza – że liczący 350 lat format naukowego artykułu jest strukturalnie nieodpowiedni dla świata z autonomicznymi agentami AI – jest trudna do odparcia. Pytanie nie brzmi czy, lecz jak i z jakimi Guardrails nastąpi ta adaptacja.

Co organizacje mogą teraz konkretnie z tego wywnioskować

Dla organizacji, które chcą wykorzystywać agenty AI nie tylko jako asystentów, lecz jako samodzielnych wykonawców procesów, z tej debaty wynikają bezpośrednie obszary działania:

• Sprawdzenie struktury wiedzy przed wdrożeniem modelu: Zanim agent AI zostanie zintegrowany z procesem roboczym, należy sprawdzić bazę wiedzy pod kątem kompletności, spójności i czytelności maszynowej.
• Dokumentacja procesów jako zasób strategiczny: Wewnętrzne procedury, logika decyzyjna i reguły wyjątków muszą być udokumentowane w taki sposób, aby agent mógł je interpretować bez pomocy człowieka.
• Ciągła dokumentacja zamiast raportów retrospektywnych: Zasada „Live Research Manager" – automatyczne protokołowanie w czasie rzeczywistym – może być przeniesiona na zarządzanie projektami, interakcje z klientami i procesy operacyjne.
• Planowanie zwinności formatów: Systemy powinny być zbudowane tak, aby treści wiedzy mogły być udostępniane w różnych formatach – dla ludzi jako czytelny raport, dla agentów jako ustrukturyzowany protokół danych.

Dr. Maik Bunzel, założyciel i dyrektor zarządzający mabucon.eu, obserwuje w praktyce, że wiele firm przy wdrażaniu AI priorytetyzuje warstwę technologiczną, zaniedbując warstwę infrastruktury. Zastosowanie zaawansowanych systemów agentowych wymaga, aby wiedza nie tylko istniała, lecz była aktywnie agent-ready – ustrukturyzowana, kompletna i interpretowalana przez systemy autonomiczne.

Perspektywy: nowy paradygmat pracy opartej na wiedzy

Artykuł ARA jest wczesnym sygnałem szerszego przesunięcia: praca oparta na wiedzy jest coraz częściej produkowana nie dla ludzkich czytelników, lecz dla hybrydowych systemów złożonych z ludzi i autonomicznych agentów. To przesunięcie jest szczególnie widoczne w nauce, ponieważ praktyki dokumentacyjne są tam bardziej eksplicytne i sformalizowane niż w większości przedsiębiorstw.

Dla świata biznesu oznacza to: kto dziś buduje infrastrukturę, na której jutro mają operować agenci AI, zyska strukturalną przewagę. Nie dlatego, że modele staną się lepsze – to i tak nastąpi – lecz dlatego, że jakość dostępnej wiedzy kontekstowej decyduje o jakości decyzji agentów. Rywalizacja o efektywność napędzaną przez AI jest w ostateczności rywalizacją o najlepszą architekturę wiedzy.

Naukowy artykuł być może jeszcze nie wyginął. Jednak pytanie, które 37 badaczy postawiło swoją publikacją, dotyczy każdej organizacji poważnie stawiającej na autonomiczne systemy AI: Dla kogo właściwie piszecie – i czy Wasza wiedza jest gotowa na agentów, którzy mają z nią pracować?