Экономисты из Принстонского университета, Университета Вашингтона и других институтов опубликовали теоретическую работу, которая ставит под сомнение распространенное предположение, что ИИ освободит ученым время для более глубоких исследований. Модель, построенная на основе теории оптимального фуражирования из поведенческой экологии, показывает, что в двух из трех сценариев применение LLM приводит к снижению тщательности научной работы.
В основе модели лежит концепция альтернативных издержек: когда ИИ берет на себя часть рутинных задач, время ученого становится более ценным, и каждый час, потраченный на текущий проект, воспринимается как потерянная возможность начать новый. Исследователи намеренно идеализируют LLM, предполагая, что они сокращают временные затраты без ошибок и с минимальными финансовыми издержками, чтобы изолировать эффект экономии времени от известных недостатков технологии.
Модель описывает жизненный цикл проекта в две фазы: сначала ученый оценивает жизнеспособность идеи, затем решает, продолжать ли работу. Продолжение включает обязательную часть (создание графиков, форматирование текста, подача заявки) и добровольную (дополнительные эксперименты, углубленный анализ, полировка текста). Именно добровольная часть страдает при дефиците времени, утверждают авторы.
В двух из трех сценариев применение ИИ снижает тщательность исследований, так как время становится более ценным.
В первом сценарии ИИ помогает оценивать ранние идеи: ученые становятся разборчивее, так как начать новый проект дешевле, и отбирают только самые перспективные, но прорабатывают их менее тщательно. Во втором сценарии ИИ ускоряет публикацию: писать и оформлять статьи становится проще, поэтому в оборот попадает больше слабых работ, каждая из которых поверхностна. Только в третьем сценарии, когда ИИ ускоряет добровольную фазу — дополнительные эксперименты и анализ, — качество улучшается, поскольку технология воздействует именно на тот этап, где ученые обычно экономят время.
Авторы пишут: «Как трудосберегающая технология, LLM повышают альтернативную стоимость нашего времени, побуждая нас делать больше, но хуже — а не то же количество, но лучше». Представление о том, что сэкономленное время автоматически перетекает в более глубокий анализ, не подтверждается.
Практические наблюдения согласуются с моделью. Отчет OpenAI о восьми научных кейсах показал ускорение до 60 раз при переписывании исследовательского кода, но узкое место сместилось на проверку и долгосрочное обслуживание. Исследование METR выявило, что опытные разработчики с ИИ тратили на 19% больше времени на задачи, хотя субъективно ощущали ускорение на 24%. В публикационной системе также заметно напряжение: в областях, где LLM ускоряют написание, число подач растет, перегружая рецензирование. Sakana ИИ провела полностью сгенерированную ИИ статью через воркшоп ICLR, а arXiv ввел санкции вплоть до годичного запрета на подачу за галлюцинированные источники.
Авторы подчеркивают, что институциональные меры должны быть специфичны для дисциплин, поскольку эффект ИИ зависит от того, какой этап процесса ускоряется. Исследование разработки ПО описывает аналогичную динамику как трагедию общин: индивидуальный выигрыш в производительности оборачивается издержками для тех, кто проверяет и поддерживает результаты.
