De verborgen prijs van wetenschappelijke versnelling
Kunstmatige intelligentie werd jarenlang gepresenteerd als de ultieme wetenschapsversneller. Generatieve taalmodellen helpen bij het analyseren van data, schrijven artikelen, systematiseren van literatuur en zelfs het formuleren van hypotheses. Publicaties ontstaan sneller, citaties nemen toe, projectaanvragen worden efficiënter voorbereid dan ooit tevoren.
Toch gooit nieuw onderzoek van Cambridge University roet in het eten. De snelheid heeft mogelijk een prijs – en die prijs is wetenschappelijke diversiteit.
Het snelheidsparadox dat niemand zag aankomen
Onderzoekers wijzen op een verrassende tegenstelling. Technologie die is ontworpen om vooruitgang te versnellen, zou deze op de lange termijn juist kunnen vertragen. Het probleem ligt niet in de tool zelf, maar in het overheersende gebruik ervan.
Wetenschappers die actief AI gebruiken publiceren sneller, worden vaker geciteerd en verkrijgen gemakkelijker financiering. Dit creëert een gesloten cirkel: hoe meer kunstmatige intelligentie in onderzoek wordt toegepast, des te meer prikkels er zijn om het nog breder in te zetten.
Het resultaat? Steeds meer projecten, analyses en publicaties concentreren zich rond dezelfde technologie.
Drievoudige convergentie bedreigt wetenschappelijke vrijheid
In het Cambridge-onderzoek wordt dit fenomeen beschreven als drievoudige convergentie.
Ten eerste – thematisch. Verschillende wetenschapsgebieden formuleren steeds vaker vraagstukken door de AI-lens. Zelfs disciplines die voorheen volledig unieke onderzoeksvelden hadden, beginnen een vergelijkbare taal te spreken en problemen via dezelfde modellen te onderzoeken.
Ten tweede – methodologisch. Grote taalmodellen worden de standaardtool voor classificatie, tekstanalyse en dataverwerking. Wanneer één methode dominant wordt, vormt deze subtiel ook de vragen zelf. Onderzoekers beginnen te vragen wat het makkelijkst te analyseren is met de beschikbare technologie.
Ten derde – linguïstisch. Wetenschappelijke publicaties gebruiken steeds vaker dezelfde termen en structuren. Zinnen zoals “betrouwbare AI”, “mens-AI samenwerking” of “ethisch gebruik” worden universele formules die individuele denklijnen uitwissen.
De auteurs vergelijken deze situatie met landbouwmonocultuur. Wanneer slechts één gewas op de velden groeit, wordt het systeem kwetsbaar voor ziekten en crisis. Hetzelfde geldt voor wetenschap – intellectuele uniformiteit verzwakt de veerkracht tegen onverwachte problemen.
Epistemische feedbackloop: het systeem voedt zichzelf
Een van de meest besproken bedreigingen is de zogenaamde epistemische feedback. Kunstmatige intelligentie wordt gebruikt om ideeën over kunstmatige intelligentie te genereren. Met andere woorden, het systeem begint zichzelf te voeden.
In zo’n situatie verliezen projecten die niet gerelateerd zijn aan AI zichtbaarheid en financiering. Langzamer, experimenteel of onconventioneel onderzoek wordt minder aantrekkelijk omdat de resultaten niet zo snel en efficiënt worden gegenereerd.
Op termijn kan het wetenschappelijke landschap vernauwen, zelfs als individuele onderzoekers productiever worden dan ooit.
Meer publicaties betekent niet automatisch meer begrip
Vergelijkbare trends werden ook opgemerkt door onderzoekers van andere universiteiten. Wetenschappers van Tsinghua en de Universiteit van Chicago analyseerden honderdduizenden publicaties en ontdekten dat AI de impact van individuele wetenschappers vergroot – hun werk wordt vaker geciteerd en bereikt een breder publiek.
Maar tegelijkertijd neemt het totale spectrum aan onderwerpen af.
Onderzoeken van Yale en Princeton spreken over een ander risico – de “illusie van begrip”. Wanneer kunstmatige intelligentie helpt bij het genereren van teksten, analyses of hypotheses, kan de indruk ontstaan dat we meer weten dan we werkelijk doen. Productiviteit groeit, maar diepgaand begrip volgt niet noodzakelijkerwijs.
Terug naar de basis is geen oplossing
Cambridge-onderzoekers stellen niet voor om kunstmatige intelligentie op te geven of terug te keren naar papieren cataloguskaarten. Ze pleiten voor structurele veranderingen.
Ze stellen voor financiering te diversifiëren, zodat grote projecten ook vertegenwoordiging garanderen van onderzoek dat niet met AI te maken heeft. Ook benadrukken ze methodologische diversiteit – het combineren van experimentele, kwalitatieve, etnografische benaderingen met digitale modellen.
Een ander cruciaal aspect is het evaluatiesysteem. Als alleen snelheid en publicatievolume worden beloond, is het natuurlijk dat wetenschappers de meest efficiënte tools kiezen. Maar als originaliteit, risico en intellectuele moed worden gewaardeerd, ontstaan er meer prikkels om niet alleen het populairste pad te volgen.
De bedreiging ligt niet in technologie, maar in haar monopolie
Kunstmatige intelligentie is op zich noch redder noch vernietiger. Het probleem ontstaat wanneer één tool de dominante paradigma wordt. Wetenschap heeft altijd gebloeid waar competitie tussen ideeën, methoden en perspectieven bestond.
Als alle vragen in de toekomst zo worden geformuleerd dat ze gemakkelijk door algoritmen kunnen worden opgelost, krijgen we misschien snellere, maar smallere wetenschap.
De grootste doorbraken in de geschiedenis ontstonden meestal niet waar het het gemakkelijkst was, maar waar het het moedigst was om anders te denken.
Kunstmatige intelligentie kan een krachtige partner zijn. Maar als het de enige filter wordt waardoor we de wereld bekijken, loopt de wetenschap het risico te verliezen wat het levend maakt – diversiteit, onvoorspelbaarheid en het vermogen om te verbazen.
