تصور کنید ابزاری در دست دارید که زمان نوشتن مقاله شما را ۱۰ برابر سریع‌تر می‌کند؛ اما به‌جای اینکه از این زمان برای دقت بیشتر استفاده کنید، تصمیم می‌گیرید ۱۰ مقاله متفاوت بنویسید. این همان تله‌ای است که پژوهشگران دانشگاه‌های پرینستون (Princeton) و واشینگتن (University of Washington) برای دانشمندان شناسایی کرده‌اند.
به نقل از این پژوهشگران، افزایش ارزش زمان باعث می‌شود دانشمندان پروژه‌های بیشتری را آغاز کنند و در نتیجه، حجم بیشتری از کارهای سطحی تولید شود. این پدیده از مفهوم «هزینه فرصت» ریشه می‌گیرد. در دنیایی که مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — کارهای خسته‌کننده را انجام می‌دهد، هر ساعتی که صرف صیقل دادن یک مقاله می‌شود، ساعتی است که از شروع یک پروژه جدید از دست می‌رود.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی اثرات اتوماسیون بر کیفیت خروجی‌های فنی اشاره کردیم، جابه‌جایی تمرکز از «کیفیت» به «کمیت»، ریسک کاهش دقت علمی را به‌شدت بالا می‌برد. برای بررسی دقیق این اثر، نویسندگان در تحلیل خود مدل‌های LLM را ایده‌آل فرض کردند؛ یعنی فرض کردند این ابزارها هیچ هزینه مالی ندارند و هیچ خطایی نمی‌کنند تا صرفاً اثر «صرفه‌جویی در زمان» را بسنجند.
طبق گزارش منتشر شده در ۲۳ اوت ۲۰۲۶، این تیم از یک مدل ریاضی بر اساس «تئوری جست‌وجوی بهینه» در اکولوژی رفتاری استفاده کردند. این مدل توصیف می‌کند که موجودات چگونه تلاش خود را بین فرصت‌های رقیب تقسیم می‌کنند. در دنیای علم، هر پروژه به دو مرحله تقسیم می‌شود:
- بررسی قابلیت اجرا: پژوهشگر تشخیص می‌دهد که آیا ایده ارزش دنبال کردن دارد یا خیر.
- اجرا: شامل بخش‌های اجباری (فرمت‌بندی، رسم نمودارها و ارسال) و بخش‌های داوطلبانه (آزمایش‌های اضافی، تحلیل‌های عمیق‌تر و بازنویسی متون).
نویسندگان استدلال می‌کنند که وقتی زمان کمیاب می‌شود، دقیقاً همان بخش «داوطلبانه» است که قربانی می‌شود.
این مدل سه سناریوی مختلف برای کاربرد AI شبیه‌سازی می‌کند:
۱. ارزیابی اولیه ایده‌ها: در اینجا AI تست قابلیت اجرا را ارزان‌تر می‌کند. پژوهشگران سخت‌گیرتر می‌شوند، اما پروژه‌های منتخب را با دقت کمتری پیش می‌برند چون انگیزه اصلی، رفتن سریع به سراغ ایده بعدی است. این الگو در رشته‌های فنی رایج است. این چالش با یافته‌های اخیر همسو است که نشان می‌دهد عامل‌های هوش مصنوعی هنوز فاقد خلاقیت لازم برای خودبهبودی هستند و نمی‌توانند جایگزین تفکر عمیق انسانی شوند.
۲. پشتیبانی از انتشار: AI سرعت نوشتن و فرمت‌بندی را بالا می‌برد. این کار سد ورود را می‌شکند و اجازه می‌دهد پروژه‌های ضعیف‌تر منتشر شوند و سیستم را با تحقیقات سطحی پر کنند. این الگو در رشته‌های میدانی دیده می‌شود.
۳. شتاب‌دهی به تحلیل عمیق: AI در بخش داوطلبانه کمک می‌کند، مثلاً در اجرای آزمایش‌های بیشتر. این تنها سناریویی است که کیفیت تحقیق واقعاً افزایش می‌یابد، زیرا AI دقیقاً همان جایی وارد می‌شود که انسان‌ها معمولاً برای صرفه‌جویی در زمان، از آن می‌گذرند.
در دو مورد از سه سناریوی بالا، دقت کار کاهش می‌یابد. بر اساس مستندات این مقاله، LLMها به‌عنوان فناوری‌های تقویت‌کننده نیروی کار، هزینه فرصت زمان ما را بالا می‌برند و ما را مجبور می‌کنند «کارهای بیشتری را با کیفیت کمتر» انجام دهیم، به‌جای اینکه «همان مقدار کار را با کیفیت بیشتر» پیش ببریم.
داده‌های واقعی نیز این هشدارها را تأیید می‌کنند. یک گزارش میدانی از OpenAI روی ۸ مورد پژوهشی نشان داد که سرعت بازنویسی نرم‌افزارهای تحقیقاتی تا ۶۰ برابر افزایش یافته است، اما گلوگاه صرفاً به مرحله اعتبارسنجی و نگهداری بلندمدت منتقل شده است.
شواهد بیشتر از مطالعه METR روی توسعه‌دهندگان متن‌باز به دست آمده است. این مطالعه نشان داد توسعه‌دهندگان باسابقه هنگام استفاده از ابزارهای AI، ۱۹٪ زمان بیشتری برای اتمام وظایف صرف کردند، هرچند در گزارش‌های ذهنی خود احساس می‌کردند ۲۴٪ سریع‌تر شده‌اند.
این اصطکاک اکنون به سیستم داوری مقالات (Peer-review) رسیده است. مدل AI Scientist-v2 متعلق به شرکت Sakana AI اخیراً مقاله‌ای کاملاً تولیدشده توسط AI را به ورکشاپ ICLR فرستاد که پر از خطاهای ارجاع بود. در واکنش به این اتفاق، Arxiv تهدید کرده است مقالاتی که حاوی منابع توهمی (Hallucination) — یعنی وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد، مثل دوستی که خاطره‌ای را اشتباه تعریف می‌کند — باشند، برای یک سال ممنوع شوند.
برای یک پژوهشگر حرفه‌ای، این یعنی «زمان ذخیره شده» توسط LLMها یک سراب است. اگر ابزار فقط بخش‌های اجباری پروژه را سریع کند، فشار اقتصادی برای افزایش خروجی، به‌طور طبیعی عمق کار را از بین می‌برد. این وضعیت شبیه به «تراژدی منابع مشترک» در توسعه نرم‌افزار است؛ جایی که افزایش بهره‌وری فردی نویسنده، بار سنگینی از بررسی و نگهداری را بر دوش کل جامعه علمی می‌اندازد.
به همین دلیل، پاسخ‌های سازمانی باید متناسب با هر رشته باشد. یک سیاست یکسان برای AI شکست می‌خورد، زیرا اثر شتاب‌دهی کاملاً به این بستگی دارد که کدام مرحله از چرخه حیات پژوهش در حال اتوماسیون است.
گام بعدی شما
- اگر از AI برای نوشتن استفاده می‌کنید، آگاهانه زمان ذخیره شده را به «بخش‌های داوطلبانه» (آزمایش‌های بیشتر و تحلیل عمیق‌تر) اختصاص دهید تا در تله کمیت نیفتید.
- در هنگام داوری مقالات، روی ارجاعات و داده‌های خام تمرکز کنید، زیرا احتمال حذف مراحل اعتبارسنجی در مقالات AI-generated بالاست.
- ابزارهای AI را به‌جای سرعت بخشیدن به فرمت‌بندی، برای شبیه‌سازی سناریوهای پیچیده‌تر در مرحله تحلیل به کار بگیرید.
اما اثر این تله بر استخدامی‌های دانشگاهی و معیارهای ارتقای رتبه دانشمندان حتی پیچیده‌تر است — به تحلیل ما درباره‌ی اقتصاد مدل‌های زبانی مراجعه کنید.
گفتگو