Umjetna inteligencija u znanosti: Tko misli, tko odlučuje, tko odgovara?

• Naslovna ilustracija: Znanstvena zajednica (Chat GPT)

• Marija Brajdić Vuković radi kao znanstvena savjetnica na Institutu za društvena istraživanja u Zagrebu u Centru za istraživanje znanosti, rada i održivosti. Članica je Savjeta Ideje.hr.

Iako dio akademske zajednice zagovara potpuno odustajanje od korištenja generativne umjetne inteligencije u znanstvenom radu, taj je vlak, čini mi se, odavno prošao. Umjetna inteligencija je već dio svakodnevice znanstvenog rada. Različite discipline koriste je više ili manje otvoreno i za vrlo različite zadatke: od jezičnog uređivanja tekstova i pregleda literature do programiranja, analize podataka, interpretacije rezultata, čak i za formuliranje istraživačkih pitanja i hipoteza. Ovaj polemički osvrt pišem istodobno sa znanstvenim radom u kojem analiziramo kako hrvatski znanstvenici razumiju i procjenjuju korištenje umjetne inteligencije u vlastitom radu i u znanosti općenito. Upravo mi se kroz taj rad sve više nameće da je vrijeme za drukčije pitanje.

Umjesto da se prvenstveno pitamo možemo li umjetnu inteligenciju držati izvan znanstvenog rada, trebali bismo ozbiljnije promisliti kako uređujemo odnos ljudske i umjetne inteligencije sad kada su obje već prisutne u procesu stvaranja znanja. To je osobito važno kada znanstveni rad prestanemo promatrati samo kroz pitanje njegova nastanka i počnemo ga promatrati kroz pitanje vrednovanja. Umjetna inteligencija ne mijenja samo način na koji nastaje znanstveni proizvod. Ona mijenja i ono što iz proizvoda možemo zaključiti o znanstveniku iza njega. Krenut ću od znanstvene publikacije, koja je jedan od najvidljivijih proizvoda znanstvenog rada i jedan od najčešćih temelja na kojima procjenjujemo znanstvenike. No publikacija je ovdje samo dobar ulaz u širi problem. Iza svakog znanstvenog proizvoda je proces sastavljen od niza aktivnosti, odluka, prosudbi i odnosa s drugim ljudima, a sve češće i s umjetnom inteligencijom. Pokušat ću zato napraviti nekoliko koraka unatrag: od proizvoda prema radu koji je omogućio njegov nastanak, od rada prema doprinosu pojedinca, a od doprinosa prema njegovoj znanstvenoj kompetenciji, prosudbi i odgovornosti.

Moj je argument da umjetna inteligencija destabilizira veze između tih razina, ali ih nije sama stvorila. Samo puno jasnije pokazuje koliko su nesigurni zaključci koje već dugo izvodimo iz znanstvenih proizvoda o ljudima koji su ih proizveli. Zato nije glavno pitanje koliko je umjetne inteligencije korišteno u nekom radu ni koliko je „čovjeka” u njemu ostalo, nego – što u znanstvenom radu zapravo želimo pripisati i vrednovati kao ljudski znanstveni doprinos i na temelju čega iz tog doprinosa zaključujemo da je netko dobar znanstvenik.

1. Dobar rad, dobar znanstvenik?

Kada čitamo dobar znanstveni rad, rijetko procjenjujemo samo tekst koji je pred nama. Iz njega zaključujemo i nešto o ljudima koji su ga napisali. Posebno ako radimo recenziju rada. Autor dobro poznaje literaturu. Jasno misli. Metodološki je kompetentan. Uočio je problem koji drugi nisu vidjeli. Oprezan je u interpretaciji. Dobro piše. Takve zaključke donosimo neprestano, često gotovo neprimjetno. Na njima ne počivaju (samo) formalni postupci ocjenjivanja rada predloženog za objavljivanje u časopisu, već i izbora na radna mjesta, napredovanja, financiranja projekata ili dodjele nagrada. Znanstvena zajednica samu sebe vrednuje svakodnevno. Na temelju radova odlučujemo koga ćemo citirati, pozvati na konferenciju, zamoliti da recenzira rukopis, uključiti u projekt ili preporučiti mlađem kolegi. Čitajući nečiji rad stvaramo sliku o tome kakav je netko znanstvenik. Generativna umjetna inteligencija unosi priličnu nelagodu u takvu svakodnevnu praksu.

Je li autor doista tako dobro napisao tekst? Je li sam pronašao svu tu literaturu? Je li on strukturirao argument? Tko je napisao programski kod? Odakle je došla ideja za dodatnu analizu? Je li autor sam uočio alternativno objašnjenje svojih rezultata ili mu ga je predložila UI?

Najjednostavniji odgovor na tu nelagodu je pokušati ustanoviti što je „doista napravio čovjek”, a što umjetna inteligencija. Odatle dolazi velik dio sadašnjih rasprava o korištenju UI u znanosti: smije li se koristiti, za što, treba li njezino korištenje prijaviti, koliko detaljno, kako razlikovati pomoć pri jezičnom uređivanju od generiranja sadržaja i gdje počinje problem autorstva. Međutim, problem s umjetnom inteligencijom možda nije prvenstveno u tome što više nećemo znati tko je napisao znanstveni rad. Problem je što postaje mnogo očitije da nikada nismo sasvim dobro znali što iz napisanog rada smijemo zaključiti o znanstveniku.

Veza između znanstvenika i njegova proizvoda nikada nije bila jednostavna. Znanost se odavno radi u timovima, a iza jednog rada mogu stajati vrlo različiti doprinosi: od konceptualizacije i prikupljanja podataka do analize, programiranja ili pisanja. Čak ni autorstvo i redoslijed autora ne znače isto u svim disciplinama. Znanstvena zajednica zato već dugo živi s prilično nesavršenom vezom između autorstva, doprinosa i konačnog proizvoda. Umjetna inteligencija nije stvorila taj problem, ali ga je učinila težim za ignoriranje i zaoštrila. Generativni sustavi više nisu samo pomoć pri završnom oblikovanju znanstvenog proizvoda. Mogu sudjelovati u pretraživanju i sintetiziranju literature, formuliranju istraživačkih pitanja i hipoteza, programiranju i analizi, interpretaciji rezultata, razvijanju argumenta i pisanju teksta. Njihova se uloga tako može protezati od tehničke pomoći do aktivnosti koje smo navikli smatrati intelektualnom jezgrom znanstvenog rada. Zato pitanje postaje pitanje vrednovanja.

Znanstveni proizvodi nikada nisu služili samo za procijenu jesu li oni sami dobri. Koristimo ih i kao tragove nečijeg rada, sposobnosti i znanstvenog doprinosa. Iz onoga što vidimo zaključujemo o onome što ne vidimo. Ako se način proizvodnje tih tragova mijenja, mora se promijeniti i oprez s kojim iz njih izvodimo zaključke. Prije nego što se, međutim, zapitamo što umjetna inteligencija čini takvom vrednovanju, vrijedi napraviti korak unatrag. Što je zapravo taj znanstveni rad koji pokušavamo vrednovati?

2. Znanstveni rad mnogo je veći od proizvoda

Posljednjih nekoliko godina u projektu RESETH* bavimo se svakodnevnim radom hrvatskih znanstvenika, njihovim profesionalnim ulogama i načinima na koje razumiju vlastitu odgovornost. Nalaze tih istraživanja analiziramo i objavljujemo u znanstvenim radovima. Ovdje su mi važni zbog jednog naizgled jednostavnog uvida: znanstveni rad mnogo je veći od njegovih vidljivih proizvoda.

Istraživanje počinje mnogo prije pisanja rada. Treba prepoznati problem i procijeniti vrijedi li ga istraživati, smjestiti ga u postojeće znanje, formulirati pitanje i odlučiti kako na njega odgovoriti. Treba birati ili razvijati metode, prikupljati i analizirati podatke, reagirati kada nešto ne funkcionira i mijenjati početne odluke kada se pokažu pogrešnima. Rezultat zatim treba interpretirati: procijeniti koje je od mogućih objašnjenja uvjerljivije, koliko je nalaz robustan, što mu proturječi i koliko daleko iz njega možemo zaključivati. Ponekad je važna znanstvena odluka da nešto nećemo tvrditi. Sve se to uglavnom ne radi samostalno.

Znanstveni rad uključuje suradnju, podjelu rada, prepoznavanje tuđe ekspertize, mentoriranje, recenziranje i različite profesionalne uloge. A kroz njega se neprestano pojavljuju i pitanja odgovornosti: prema podacima i sudionicima istraživanja, suradnicima, pravilima profesije, javnosti i posljedicama znanja koje proizvodimo. Kako pokazuju i naša istraživanja, konkretan sadržaj tih aktivnosti i odgovornosti razlikuje se među disciplinama, karijernim pozicijama i institucionalnim uvjetima. Ali kroz sve te razlike postoji nešto što se vrlo teško vidi u gotovom proizvodu: znanstveni rad sastoji se od velikog broja odluka i prosudbi. Treba prepoznati što je važno. Odabrati između mogućnosti. Procijeniti kvalitetu dokaza. Posumnjati u rezultat koji izgleda predobro. Prepoznati kada nešto ne znamo i kada treba pitati nekoga tko zna više. Razlikovati zanimljivo objašnjenje od uvjerljivog. Procijeniti kada ima dovoljno dokaza za tvrdnju i gdje ona mora stati. Moglo bi se zato očekivati da vrednovanje znanstvenika pokušava ustanoviti koliko dobro netko radi upravo te stvari.

U hrvatskom sustavu bilo bi, međutim, prilično neuvjerljivo tvrditi da se to sustavno događa. Formalno vrednovanje znanstvenog rada kod nas velikim je dijelom organizirano oko provjerljivih i prebrojivih tragova rada. Za izbore i napredovanja propisuju se vrste i broj potrebnih publikacija i drugih postignuća te kategorije u kojima ona moraju biti ostvarena. Takav sustav ima razumljive razloge: formalno vrednovanje mora biti provedivo, usporedivo i barem donekle zaštićeno od arbitrarnosti. Broj radova, vrsta publikacije ili indeksiranost časopisa mnogo su lakše provjerljivi od pitanja je li netko originalan mislilac, koliko dobro donosi metodološke odluke ili koliko je važan njegov stvarni doprinos zajedničkom istraživanju. Međutim, cijena takve objektivizacije je velika redukcija onoga što nazivamo dobrim znanstvenim radom.

Zato paralelno postoji i mnogo manje formalizirana profesionalna prosudba zajednice. U razgovorima među znanstvenicima često ćemo čuti neku verziju rečenice: „Ali svi mi znamo tko je stvarno dobar.” Dvije osobe koje formalno zadovoljavaju iste kriterije, kolege ipak ne smatraju jednako dobrim znanstvenicima. Možemo iznimno cijeniti nekoga čija vrijednost nije osobito dobro zahvaćena brojem publikacija zato što postavlja odlična pitanja, vidi metodološki problem koji drugi ne vide, pouzdano prosuđuje dokaze ili je osoba kojoj se drugi obraćaju kada istraživanje zapne. Naravno, ni „mi znamo tko je dobar” nije pouzdana alternativa formalnim pokazateljima. Akademske reputacije nastaju u mrežama odnosa, vidljivosti, statusa i moći te mogu reproducirati hijerarhije i predrasude. Ali postojanje tog paralelnog sustava prosudbe ipak otkriva nešto važno: sama znanstvena zajednica očito ne vjeruje da je ispunjavanje formalnih kriterija isto što i biti dobar znanstvenik.

3. Što UI mijenja u tome kako prepoznajemo dobrog znanstvenika

Kada kažemo da „znamo” da je netko dobar znanstvenik, na čemu zapravo temeljimo taj sud? Dijelom na neposrednom iskustvu rada s tom osobom. Vidjeli smo kako vodi istraživanje, rješava problem, mentorira doktoranda ili reagira kada analiza ne daje očekivani rezultat. Ali mnogo češće raspolažemo samo tragovima njezina rada. Čitamo njezine članke. Slušamo izlaganja. Vidimo projekte koje vodi. Pratimo kako se neki istraživački program razvija kroz vrijeme. Iz tih tragova zaključujemo nešto što u njima nije neposredno vidljivo. Ako netko kontinuirano postavlja zanimljiva pitanja, pripisujemo mu originalnost. Ako radovi pokazuju metodološku sofisticiranost, pretpostavljamo metodološku kompetenciju. Ako kroz više istraživanja prepoznajemo koherentan problemski sklop, zaključujemo da iza njih postoji sposobnost konceptualizacije i razvoja istraživačkog programa.Vrednovanje znanstvenika, dakle, uvijek uključuje zaključivanje iz vidljivih tragova prema nečemu što neposredno ne vidimo. Pojednostavljeno, možemo je prikazati ovako:

proizvod→ doprinos → kompetencija → sud o znanstveniku.

Vidimo neki proizvod znanstvenog rada. Pokušavamo ustanoviti kakav je bio doprinos pojedinca njegovu nastanku. Iz toga zaključujemo o njegovim znanjima, sposobnostima i znanstvenoj prosudbi. Na temelju toga stvaramo sud o njemu kao znanstveniku. Formalni sustavi često taj lanac skraćuju. Publikacija određene vrste može se neposredno pretvoriti u bod, ispunjeni kriterij ili uvjet za napredovanje. Tada je put više nalik ovome:

proizvod → pokazatelj → formalni ishod vrednovanja.

Ali upravo činjenica da uz takav sustav opstaje i čitav paralelni svijet profesionalnih reputacija govori da nam to nije dovoljno. Umjetna inteligencija destabilizira obje logike.

Za sustav koji prvenstveno broji proizvode problem je prilično očit. Ako tehnologija omogućuje lakšu i bržu proizvodnju nekih znanstvenih outputa, njihova količina još nam manje govori o količini, zahtjevnosti ili kvaliteti rada koji iza njih stoji. Ali zanimljiviji je drugi problem. Umjetna inteligencija mijenja evidencijsku vrijednost proizvoda kao traga o njegovu proizvođaču. Recentna literatura o vrednovanju znanosti već upozorava na taj problem: znanstveni proizvod može ostati sasvim dobar, a istodobno postati manje pouzdan pokazatelj sposobnosti osobe koja iza njega stoji (Ochiai, 2026).

To možemo vrlo jednostavno vidjeti na primjeru programiranja. Zamislimo dva istraživača kojima AI proizvede jednako dobar kod za statističku analizu. Prvi zna koju analizu želi, razumije zašto odgovara njegovu istraživačkom pitanju, može procijeniti rezultat i prepoznati ograničenja postupka. Drugi je zatražio od sustava da analizira podatke, prihvatio ponuđeni postupak i dobio rezultat koji izgleda uvjerljivo, ali ne razumije sasvim što je napravljeno. Proizvod može biti jednak. Čak i opis korištenja umjetne inteligencije može biti jednak: “UI je korištena za generiranje programskog koda.” Ali teško bismo rekli da nam ta dva slučaja govore isto o znanstvenoj kompetenciji istraživača.

Slično vrijedi za ideje. UI može predložiti istraživačko pitanje, hipotezu ili moguće objašnjenje nalaza. Ali sama činjenica da ideja nije prvi put nastala u glavi istraživača još nam ne govori mnogo o njegovu znanstvenom doprinosu. Jedno je među pet ponuđenih hipoteza odabrati onu koja zvuči najbolje. Drugo je u neočekivanom prijedlogu prepoznati važnu vezu, povezati je s postojećim znanjem, odbaciti površne alternative, preoblikovati početnu ideju i od nje razviti istraživački problem. Generiranje ideje nije isto što i konceptualizacija.

I upravo tu postaje vidljivo zašto pitanje „je li korištena umjetna inteligencija?” nije dovoljno dobro pitanje vrednovanja. Naravno da je transparentnost važna. Postoje dobri razlozi da znamo je li UI korištena i za što: zbog istraživačkog integriteta, provjerljivosti, zaštite podataka, odgovornosti za pogreške i razumijevanja procesa kojim je rezultat nastao. Ali čak i kada bismo imali savršeno precizan zapis svih aktivnosti koje je obavio čovjek i svih onih koje je obavila umjetna inteligencija, još uvijek ne bismo nužno znali koliko je taj čovjek dobar znanstvenik. Tu je korisno razlikovati dva problema koja se u raspravama o AI-ju često preklapaju.

Problem atribucije pita: tko je što napravio?

Problem vrednovanja pita: što ono što je napravio govori o njegovoj znanstvenoj kompetenciji?

Recentni prijedlozi reforme vrednovanja zato opravdano pomiču pažnju s grubih pokazatelja produktivnosti prema boljem prepoznavanju specifično ljudskih doprinosa znanstvenom radu (Hosseini et al., 2026). To je važan pomak. Ali ni savršeno utvrđen ljudski doprinos još nije vrednovanje. Znati da je netko sudjelovao u „konceptualizaciji” ne govori nam je li prepoznao važan problem ili samo odabrao jednu od ponuđenih tema. Znati da je radio „analizu” ne govori nam razumije li zašto je metoda primjerena. Znati da je osobno napisao tekst govori još manje o kvaliteti prosudbi na kojima tekst počiva. Ako želimo znati koliko je netko dobar znanstvenik, nije stoga dovoljno ustanoviti ni kakav je proizvod nastao ni tko je izvršio pojedine aktivnosti. Moramo pitati kakvu je epistemičku ulogu osoba imala u njegovu nastanku.

4. Od doprinosa prema prosudbi i odgovornosti

Zanimljivo je da znanstvena zajednica već ima jednu naizgled perifernu praksu koja počiva na ideji da samo autorstvo nije dovoljno da bismo razumjeli nečiji znanstveni doprinos. Svatko tko posljednjih godina predaje rad u časopis vjerojatno je barem jednom ispunjavao rubriku u kojoj treba označiti tko je konceptualizirao istraživanje, tko razvio metodologiju, tko proveo analizu, tko napisao prvu verziju teksta, a tko ga je uređivao. CRediT taksonomija pokušava otvoriti crnu kutiju autorstva. Umjesto da samo pitamo tko je autor, pitamo koje je vrste doprinosa pojedini autor dao. To je važan prvi korak: autorstvo nije isto što i doprinos. Ali umjetna inteligencija pokazuje da moramo napraviti i drugi: doprinos nije isto što i izvršena aktivnost (Khosrowi, Finn & Clark, 2025).

Što, primjerice, znači da je netko sudjelovao u konceptualizaciji? Je li prvi formulirao istraživačko pitanje? Prepoznao problem? Povezao nekoliko postojećih ideja na nov način? Među nizom mogućih pitanja prepoznao ono koje vrijedi istražiti? Promijenio početnu ideju nakon što je shvatio da ne vodi nikamo? Što znači metodološki doprinos? Osmisliti analitički postupak? Tehnički ga provesti? Prepoznati da predloženi postupak ne odgovara problemu? Razumjeti njegove pretpostavke i ograničenja? Dvije osobe mogu, dakle, sudjelovati u istoj aktivnosti i imati vrlo različitu epistemičku ulogu u stvaranju znanja.

Tu mi se čini korisnim govoriti o epistemičkoj agenciji (Sikimić, 2026; Coeckelbergh, 2026). Ne kao o još jednoj kategoriji koju treba dodati obrascu, nego kao o sposobnosti aktivnog usmjeravanja procesa stvaranja znanja: postavljanja problema, razlikovanja relevantnog od irelevantnog, biranja među mogućnostima, povezivanja novog s postojećim znanjem, prepoznavanja pogreške, promjene smjera kada za to postoje razlozi i razumijevanja granica onoga što se može tvrditi.

Umjetna inteligencija takvu agenciju ne mora nužno smanjiti. Može je i poduprijeti. Istraživač može uz AI razmotriti više mogućih objašnjenja nego što bi ih sam generirao, brže provjeriti alternativnu analizu ili lakše prijeći tehničku prepreku koja ga je ranije ograničavala. Ali ista tehnologija omogućuje i da se epistemički važne odluke prihvate bez razumijevanja razloga na kojima počivaju. Zato uz agenciju dolazi prosudba (Colangelo & Galli, 2026). UI može predložiti analizu. Znanstvenik mora biti u stanju procijeniti je li ona primjerena problemu. Može ponuditi interpretaciju. Netko mora odlučiti postoje li dovoljni razlozi da ona postane znanstvena tvrdnja. Može proizvesti uvjerljivu sintezu literature. Netko mora razlikovati relevantno od nerelevantnog, provjeriti tvrdnje i prepoznati važno neslaganje koje je sinteza možda zagladila.

Dobar znanstvenik pritom nije onaj koji sve zna niti onaj koji sve može napraviti sam. Upravo suprotno, dio znanstvene prosudbe jest sposobnost prepoznati granice vlastite kompetencije: kada rezultat treba dodatno provjeriti, kada nam treba ekspertiza kolege, kada ne razumijemo dovoljno dobro metodu koju nam je predložila UI ili kada nemamo dovoljno razloga vjerovati generiranoj informaciji.

Ali ako prosudba postaje toliko važna, pojavljuje se još jedno pitanje: kako se ona uopće stječe? To je osobito važno za mlade istraživače. Upravo je to jedna od tema oko kojih se u našem istraživanju pojavljuje izražena zabrinutost znanstvenika: što će korištenje umjetne inteligencije značiti za učenje znanstvenog rada i profesionalnu socijalizaciju novih generacija istraživača. Epistemička agencija i znanstvena prosudba nisu sposobnosti koje se pojavljuju završetkom doktorata niti ih je moguće naučiti samo iz pravila dobrog znanstvenog postupanja. Razvijaju se kroz profesionalnu socijalizaciju: kroz pokušaje i pogreške, razgovore s mentorima i kolegama, čitanje, pisanje, analizu, recenziranje i postupno preuzimanje sve složenijih znanstvenih odluka. Upravo zato umjetna inteligencija otvara zanimljiv paradoks. Mnoge aktivnosti koje može ubrzati ili djelomično preuzeti istodobno su aktivnosti kroz koje se učimo znanstvenom radu. Pregledavanje literature nije služilo samo proizvodnji pregleda literature; kroz njega se učilo prepoznavati relevantne izvore, prijepore i praznine u znanju. Analiziranje podataka nije služilo samo proizvodnji rezultata; kroz njega se učilo razumjeti pretpostavke metoda, prepoznati neobičan rezultat i procijeniti kada analizi ne treba vjerovati. Pisanje nije bilo samo proizvodnja teksta; bilo je i način razjašnjavanja vlastitog argumenta.

Zato kod mladih istraživača pitanje ne može biti samo koliko im UI povećava produktivnost. Moramo pitati i što se događa kada tehnologiji prepustimo upravo aktivnosti kroz koje se razvijaju sposobnosti potrebne za procjenu onoga što tehnologija proizvodi. Moguće je, naime, proizvesti znanstveni rad na razini za koju još nismo razvili kompetenciju potrebnu da ga samostalno procijenimo (Call et al., 2026; Sætra, 2026). To profesionalnu socijalizaciju čini jednim od važnih pitanja korištenja umjetne inteligencije. Mentorstvo više ne može podrazumijevati da će se znanstvena prosudba spontano razvijati kroz obavljanje zadataka. Morat ćemo eksplicitnije promišljati koje se sposobnosti kroz pojedine zadatke razvijaju, kada UI može poduprijeti njihovo učenje, a kada njihovo prerano delegiranje preskače upravo iskustvo kroz koje nastaje samostalan znanstvenik.

Sve to napokon vodi prema odgovornosti. Jer pitanje nije samo može li znanstvenik procijeniti ono što mu umjetna inteligencija nudi, nego i može li za odluke koje na temelju toga donosi dati razloge i iza njih stati. U istraživanjima odgovornosti znanstvenika koja provodimo na našem projektu stalno se vraćamo tome da odgovornost nije moguće svesti na poštivanje pravila. Velik dio odgovornog znanstvenog djelovanja pojavljuje se upravo ondje gdje pravilo ne može unaprijed odrediti što treba učiniti: koliko je dokaza dovoljno, koliko daleko smijemo interpretirati rezultat, kada treba promijeniti metodološku odluku, kako komunicirati neizvjestan, ali društveno važan nalaz ili gdje završava vlastita kompetencija. Naši nalazi također upućuju na to da je takva odgovornost situirana. Ne izgleda jednako u svim disciplinama, profesionalnim ulogama i institucionalnim okolnostima. Zato ni epistemičku agenciju ne treba zamišljati kao osobinu izoliranog pojedinca koji potpuno autonomno proizvodi znanje. Znanstvena prosudba ostvaruje se unutar podjele rada, odnosa s kolegama, dostupnih resursa, institucionalnih pravila i različitih stupnjeva profesionalne autonomije.

Umjetna inteligencija tome dodaje još jednog posrednika, ali ne ukida osnovni problem. Netko i dalje mora moći objasniti zašto je određena odluka prihvaćena, na čemu počiva povjerenje u rezultat, što se ne zna i koliko daleko se može stati iza tvrdnje koja je na kraju objavljena. Zato bih početni lanac vrednovanja sada dopunila:

proizvod → doprinos → epistemička agencija i prosudba → odgovornost → sud o znanstveniku.

Ni to, naravno, nije novi obrazac za vrednovanje. Bilo bi pomalo ironično kada bismo na problem reduktivnog vrednovanja odgovorili tako da epistemičku agenciju, prosudbu i odgovornost pretvorimo u još tri kućice koje treba označiti. Poanta je upravo suprotna. Umjetna inteligencija možda nas prisiljava da prestanemo poistovjećivati ono što je lako vidljivo i prebrojivo s onime što je u znanstvenom radu doista važno. Ako tehnička izvedba zadatka više nije nužno dobar pokazatelj kompetencije, moramo preciznije reći koju smo kompetenciju tim zadatkom zapravo pokušavali prepoznati. Ako autorstvo nije dovoljno da se ustanovi doprinos, moramo bolje razumjeti doprinos. A ako ni popis doprinosa nije dovoljan da bismo procijenili znanstvenika, moramo ozbiljnije uzeti u obzir prosudbu, epistemičku agenciju i odgovornost koje se iza njih nalaze.

To pred znanstvenu zajednicu postavlja dva povezana zadatka. Prvi se odnosi na vrednovanje: kako ćemo te dimenzije znanstvenog rada prepoznavati i vrednovati kada njihovi dosadašnji vidljivi tragovi postaju sve manje pouzdani? Drugi je pitanje profesionalne socijalizacije: kako ćemo osigurati da ih novi znanstvenici uopće razviju ako dio aktivnosti kroz koje su se tradicionalno stjecale sve više preuzima umjetna inteligencija? Možda pitanje koliko je znanstvenog rada umjetna inteligencija spremna preuzeti ili zapravo već preuzima, iako vrlo važno, nije suštinsko pitanje za budućnost znanosti. Pitanje je što smo u ljudskom znanstvenom radu cijelo vrijeme smatrali vrijednim. Kako ćemo to ubuduće prepoznavati i vrednovati, ali i kako ćemo omogućiti novim generacijama znanstvenika da upravo te sposobnosti razviju?

Bilješka:

*projekt „Društvena odgovornost i profesionalna etika hrvatskih istraživača – RESETH” (HRZZ IP-2022-10-2911)

Dodatni izvori:

1. Call, D. R., Sanchez-Lanier, M., Kalyanaraman, A., & Duttke, S. H. (2026). Towards a research renaissance: Empowering early career researchers through mentored AI use. PLOS Biology, 24(8), e3003917. https://doi.org/10.1371/journal.pbio.3003917
2. Coeckelbergh, M. (2026 [online 2025]). “AI and Epistemic Agency: How AI Influences Belief Revision and Its Normative Implications.” Social Epistemology, 40(1), 59–71.
3. Colangelo, M. T., & Galli, C. (2026). “The sophist in the server: Rhetoric, Reasoning and Scientific Judgment in the Age of LLMs.” EMBO Reports, 27, 1098–1102.
4. Hosseini, M., et al. (2026). “Generative AI can and should accelerate research evaluation reform to better recognize ‘distinctly human contributions’.” Research Evaluation, 35, rvag020.
5. Khosrowi, D., Finn, F., & Clark, E. (2025). “Engaging the many-hands problem of generative-AI outputs: a framework for attributing credit.” AI and Ethics, 5, 4495–4513.
6. Lin, Z., & Sohail, A. (2026). “Recalibrating academic expertise in the age of generative AI.” Patterns, 7(1), 101473.
7. Ochiai, M. (2026). “From reviewable output to recognized producer: generative AI and the validation–recognition gap in science and higher education.” Research Evaluation, 35, rvag047.
8. Sætra, H. S. (2026). The rise of the research automaton: Science as process or product in the era of generative AI? AI & Society, 41(3), 1865–1879. https://doi.org/10.1007/s00146-025-02557-7
9. Sikimić, V. (2026). “Navigating AI-Accelerated Science: An Intellectual Virtue Approach to Responsible Inquiry.” Episteme, First View, 1–18.