O tym, jak wykorzystywać AI w badaniach i analizie danych, napisano już całkiem sporo, a kwestia pisania z pomocą AI wciąż budzi kontrowersje, ale przynajmniej toczy się ożywiona debata na jej temat. Za to wykorzystanie AI do docierania do szerokiej publiczności albo do wspomagania własnego przepływu pracy jako autora piszącego publicznie to temat niemal nietknięty. Po roku eksperymentów w tę stronę mam wrażenie, że ogranicza nas wyobraźnia, a nie możliwości narzędzi. W maju wygłosiłem wykład o swoich doświadczeniach dla Machine Collaborators, cyklu warsztatów o tym, jak badacze pracują z AI. Poniżej jego pisana wersja — tekst bardziej praktyczny niż to, co zwykle tu publikuję — i celowo pomyślany tak, by przydał się nawet tym, którzy nie chcą oddać maszynie ani kawałka swojego cennego pisania.
Wiosnę spędziłem, przekonując w trzech osobnych tekstach, że naukowcy muszą się obudzić w kwestii AI, zmieniłem zdanie o detektorach, gdy okazało się, że Pangram naprawdę działa, a potem poszedłem o krok dalej z tezą, że pisanie z pomocą AI bywa w wielu kontekstach całkowicie uprawnione. Jak opowiadałem w rozmowie z The Chronicle of Higher Education, jedni domagali się mojego zwolnienia za te bluźniercze myśli, a inni pisali do mnie prywatnie z pytaniem, jak dokładnie mam to wszystko poustawiane (czasem byli to ci sami ludzie). Ale nawet najostrzejsi krytycy, z którymi rozmawiałem — przynajmniej poza Bluesky — zwykle przyznają, że AI dobrze się sprawdza w robieniu badań, tylko jeszcze nie w pisaniu o nich. Chcę więc odłożyć kwestię pisania na bok i wyjść od łagodniejszego założenia.
Załóżmy, że zrobiliście badanie, opisaliście je i opublikowaliście. Leży teraz w czasopiśmie, które czyta garstka ludzi. Chcielibyście, żeby o waszej pracy i jej wynikach przeczytało więcej osób — zwłaszcza tych wpływowych. Przy własnym przewodniku stylistycznym i porządnej weryfikacji agent AI może wziąć na siebie dużą część tej roboty promocyjnej: przystępne omówienia, dodatki z danymi, pakiety przygotowawcze przed wywiadem. Ten tekst to przewodnik po tym, jak zacząć.
Moi akademiccy czytelnicy pamiętają być może, że pełniejszy argument za naukowym zaangażowaniem publicznym — zwłaszcza w odróżnieniu od „aktywizmu naukowego” — przedstawiłem we wcześniejszym tekście. W skrócie: pisanie dla siłą rzeczy zróżnicowanej, nieakademickiej publiczności poddaje wasze pomysły próbie wytrzymałości i nie pozwala dobrym badaniom zniknąć bez śladu. Nie będę jednak udawał, że obecny system zachęt w akademii sprzyja takiemu wychodzeniu poza własną dziedzinę. Jeśli nie pracujecie w szkole polityk publicznych, zaangażowanie publiczne liczy się w dokumentach awansowych tyle co nic. Odpuszczenie go było więc dającym się obronić sposobem gospodarowania ograniczonym czasem, zwłaszcza jeśli nie sprawia wam przyjemności. Przynajmniej tak było, dopóki nie pojawiły się agenty AI.
Napisanie tekstu dla szerokiej publiczności na podstawie badań, które już wcześniej zrobiłem, zajmowało mi kiedyś jakiś tydzień. Z pomocą agentów zajmuje mi dziś mniej niż dzień, i to bez straty na jakości. Poprzeczka „czy to się w ogóle opłaca” odpowiednio się obniża, a cały zestaw projektów, które wcześniej nie miały sensu — jak przetłumaczona strona internetowa albo automatyczny rejestr pomysłów — nagle go nabiera. Granicą znów jest głównie wasza kreatywność.
Podstawowa konfiguracja, jakiej potrzebujecie na dziś (III kwartał 2026)
Jednym z powodów, dla których zwlekałem z publikacją akurat tego tekstu, jest to, że przy tempie rozwoju tych narzędzi każda konkretna rada dotycząca AI ma bardzo krótki termin przydatności. Jedyna trwała rada, jakiej się nauczyłem, brzmi: z agentem AI można po prostu rozmawiać i prosić go o różne rzeczy tak samo, jak prosi się ludzkiego asystenta (badawczego). Przy okazji doszedłem do ogólnej zasady: jeśli coś można w zgodzie z etyką zlecić ludzkiemu asystentowi, to tak samo etyczne powinno być zlecenie tego asystentowi AI. Przy własnej weryfikacji powinno to obowiązywać niezależnie od tego, czy chodzi o tworzenie konspektów, streszczanie źródeł, zbieranie danych, czy nawet pisanie szablonowych odpowiedzi na maile z administracji. Analogia z asystentem to jednak dopiero dolna granica.1 Dzisiejsze agenty są też sprawnymi programistami i przyzwoitymi projektantami, więc kiedy rutyna jest już ogarnięta, ta sama konfiguracja udźwignie znacznie ambitniejsze projekty — jak interaktywne dodatki do badań, które opisuję na końcu tekstu.
Rozsądni ludzie wciąż spierają się o to, ile faktycznego pisania wolno zlecić AI, ale sporo wyjaśnia myślenie o tym jako o kontinuum, a nie o zerojedynkowym podziale. Oto jeden dobry przykład autorstwa Archiego Halla, nawiązujący do mojego wcześniejszego argumentu przeciwko Pangramowi.2 Nie do końca zgadzamy się z Archiem co do tego, gdzie postawić granicę (jego żółty i pomarańczowy to mój zielony), ale nawet ci z was, którzy są jeszcze bardziej zachowawczy niż on, mają mnóstwo ciekawych możliwości, żeby poprawić publiczny odbiór swoich badań.
Oto kilka konkretów, które mogą się przydać wszystkim naukowcom społecznym prowadzącym badania ilościowe. To bardzo podstawowe rzeczy, ale spotykałem osoby, które wciąż nie odróżniają Codexa od ChatGPT, więc warto powiedzieć to wprost:
Zapłaćcie za co najmniej jeden model premium. Poważne narzędzia agentowe (ja używam Claude Code i OpenAI Codex) wymagają subskrypcji rzędu 100-200 dolarów miesięcznie, a darmowe wersje dadzą wam fałszywe wyobrażenie o tym, co jest możliwe.3
Używajcie systemu agentowego, a nie chatbota. To znaczy: nie korzystajcie z Claude’a ani ChatGPT w przeglądarce, nawet jeśli macie folder projektu. Potrzebne jest „narzędzie agentowe”, które dostaje dostęp do waszego komputera i pracuje bezpośrednio na plikach aż do końca zadania, wprowadzając przy tym zmiany w realnym świecie — na przykład aktualizując waszą stronę.
Załóżcie konto na GitHubie, jeśli go nie macie. Agenty pracują najlepiej w folderach z historią wersji, a możliwość cofnięcia zmian bardzo się przydaje. Oto dobry przewodnik dla początkujących.
Rozmawiajcie z agentem, kiedy czegoś nie rozumiecie, najlepiej dyktując. Na pytania o konfigurację, które kiedyś wymagały znajomego programisty, samo narzędzie odpowie teraz cierpliwie i konkretnie.
Prowadźcie i regularnie aktualizujcie wspólny plik z instrukcjami, na przykład CLAUDE.md albo AGENTS.md. Każda poprawka, którą nanosicie po raz drugi, trafia tam raz — i agent przestaje powtarzać ten sam błąd.
Zawsze weryfikujcie wyniki, zwłaszcza wszystko, co idzie do publicznego obiegu, i za pomocą AI (tak), i osobiście. Więcej o tym niżej.
Dlaczego wciąż potrzebujecie agenta i dlaczego chatbot z folderem projektu to wciąż nie to samo
Warto poświęcić temu jeszcze kilka słów, bo część osób, które czytały ten tekst przed publikacją, nadal nie była przekonana do agentów. Codziennie rozmawiają z Claude’em albo ChatGPT w przeglądarce, trzymają foldery projektów z wgranymi artykułami i całkiem zasadnie pytają, czego jeszcze badaczowi trzeba.
Różnica polega na tym, co dzieje się po tym, jak model skończy myśleć. Wszystko, co robicie w oknie czatu, to sama informacja: odpowiedź i tak trzeba gdzieś przenieść i samemu coś z nią zrobić. To, co robicie z agentem, daje się przekuć w działanie i zmienia świat wokół was — aktualizuje i publikuje waszą stronę, poprawia i wgrywa kod albo wysyła zaproszenie mailem.
Folder projektu, choć przydatny, nie wystarczy. I nie chodzi tylko o to, że mniej się kopiuje i wkleja z okna chatbota. Wgranie artykułów i materiałów do folderu projektu zmienia to, co chatbot wie; agent zmienia to, co AI potrafi praktycznie zrobić z plikami, które mu udostępniacie. Ponieważ agent ma też dostęp do waszego komputera i terminala, można robić bardziej zaawansowane rzeczy — jak opisany niżej skill do pisania, który żyje w plikach czytanych i aktualizowanych przez agenta przy każdym pisaniu. To samo dotyczy przeglądarki: agent działający w niej, z waszymi loginami i uprawnieniami, dosięgnie znacznie więcej niż wbudowane przeglądanie sieci przez samo AI. Radzę więc jeszcze raz: spróbujcie na jednym konkretnym zadaniu (np. przygotowaniu do wywiadu) i porównajcie wynik z tym, co daje chatbot (np. Claude Fable 5 kontra Claude Code Fable 5). Ale to opisane niżej budowanie i aktualizowanie własnej strony jest idealną okazją, żeby zobaczyć tę różnicę na własne oczy.
Krok zerowy to zawsze własna strona zbudowana z pomocą AI
Wszystko, co dalej, zakłada, że macie w sieci własne miejsce, nad którym panujecie — dla większości naukowców oznacza to stronę osobistą. Jeśli jako badacze jej nie macie, załóżcie ją jak najszybciej; to zresztą pierwsza rzecz, o jaką możecie poprosić agenta. Swoją stronę zrobiłem ręcznie w Jekyllu na szablonie AcademicPages jakieś siedem lat temu. Zostałem przy niej na dobre, przynajmniej emocjonalnie, ale dziś jest więcej dobrych opcji, żeby zacząć od zera.
Stronę można hostować za darmo na GitHub Pages albo we własnej domenie (np. na Squarespace), co kosztuje jakieś 10 dolarów rocznie. Kiedyś, nie umiejąc programować, ustawiałem stronę po swojemu całą wieczność, nawet z pomocą rozmaitych poradników. Z agentowym AI całość może zająć jeden wieczór. Od tej pory strona w zasadzie redaguje się sama. Drobne ulepszenia kosztują po jednym popołudniu. Zmianę opisujecie zwykłym językiem — na przykład dodanie tagów do listy publikacji — a agent sam ją wprowadza. Jedyne, co musicie zrobić, poza lokalnym sprawdzeniem, czy nowe funkcje faktycznie działają, to zatwierdzić i opublikować zmiany.
Wszystkie inne dodatki, jakie przyjdą wam do głowy — wyróżnione publikacje na stronie głównej czy pasek boczny z nadchodzącymi wydarzeniami — też są w zasięgu; granicą jest, jak powtarzam tu w kółko, wyłącznie wasza kreatywność. Żaden z nich z osobna nie uzasadniałby wynajęcia webdevelopera (zwłaszcza przy naszych mizernych akademickich budżetach), ale razem sprawiają, że strona jest znacznie użyteczniejsza dla zaglądającego na nią dziennikarza czy kolegi po fachu.
Moim ulubionym nowym, poagentowym dodatkiem jest jednak automatyczne tłumaczenie strony: alexanderkustov.org istnieje teraz po angielsku i w 11 innych językach. Nie jest idealne i trochę mi zajęło, zanim to poskładałem, oceniając jakość po tłumaczeniach na języki, które sam znam, ale swoje zadanie w SEO spełnia wystarczająco dobrze. Jeśli dziennikarz w Niemczech, Meksyku czy Japonii wygugluje coś o opinii publicznej na temat imigracji w swoim języku, może trafić na moje badania i się odezwać (co już kilka razy się zdarzyło).
Nie było w tym żadnego grantu ani biura tłumaczeń — stronę przetłumaczył mój agent AI, a teraz raz w tygodniu uruchamiam automatyczną kontrolę, która porównuje angielskie strony z 11 tłumaczeniami i wypisuje wszystko, co się rozjechało. Nawet gdybym na początku wynajął do tej roboty certyfikowanych tłumaczy, nie byłoby mnie stać na regularne aktualizowanie ich przekładów (a nie proszę ludzi o pracę za darmo).4
Co zrobić z artykułami i pomysłami, które już macie
Kiedy artykuły są już opublikowane w sieci, agent AI może śledzić ich losy. Wszyscy znamy Google Scholar — mówi, kto cytuje wasze prace naukowe, ale nie powie, kto linkuje do waszej publicystyki. Zrobiłem więc własny zamiennik: Google Alerts na moje nazwisko i najważniejsze tytuły, narzędzie do linków zwrotnych (np. Ubersuggest) plus zaplanowany skan, który uruchamia się w każdą niedzielę rano i zbiera nowe wzmianki oraz linki zwrotne w jeden raport, który czytam przy kawie.
Podobna konfiguracja pomaga też, jak się okazuje, zapisywać pomysły badawcze i zbierać z różnych platform teksty, które pozwalają te pomysły rozwijać. Mam całą kolejkę rzeczy, które przychodzą mi do głowy pod prysznicem albo w rozmowach z kolegami: osobny wpis dla każdego pomysłu i wzór punktowy uwzględniający subiektywną wartość, spodziewany nakład pracy i aktualność. Kiedy utykam, agent mówi mi, co pisać dalej, i podsuwa do przejrzenia teksty na dany temat z Substacków i czasopism naukowych, które śledzę. Nie musicie robić tego dokładnie tak samo, ale ja używam Obsidiana, żeby porządkować i czytać wszystkie te notatki w markdownie w jednym miejscu, synchronizując je w razie potrzeby z agentem.
To samo repozytorium pozwala mi też tanio testować pomysły, zanim się w nie na dobre zaangażuję. Gdy nie jestem pewien ujęcia tematu, zwykle wypuszczam je najpierw jako post w mediach społecznościowych, a jeśli chwyci, proszę agenta, żeby przejrzał odpowiedzi i streścił zarzuty — te często stają się potem sekcją z kontrargumentami w gotowym tekście. Dopiero potem propozycja idzie do redakcji, a wtedy już wiem, jak argument działa na żywej publiczności.
Jak stworzyć własny przewodnik stylistyczny i skill do pisania
Kiedy macie już stronę, a na niej wszystkie ogólnodostępne artykuły w PDF-ach, zebrane porządnie w jednym miejscu, poproście agenta AI, żeby przerobił je na Markdown, wyciągnął każdy rysunek i każdą tabelę do osobnego pliku i wrzucił to wszystko na stronę obok PDF-a. Wierzcie lub nie, pierwszym czytelnikiem waszego artykułu jest dziś często maszyna; chcecie, żeby wasza praca była czytelna dla AI, żeby AI mogło ją polecić człowiekowi, który wpisał odpowiednie zapytanie.
Tych samych czystych wersji .md (markdown) możecie użyć do zbudowania swojego „banku tekstów” — wiarygodnego źródła prawdy o waszych poglądach, na którym agent ma się opierać. Bardzo się to przydaje, gdy trzeba naszkicować nowe slajdy albo przystępne streszczenie badań. Do tego banku możecie wrzucić wszystko, co kiedykolwiek napisaliście, w postaci zwykłych plików tekstowych (.md) w jednym folderze, do którego agent ma dostęp: eseje, teksty publicystyczne, opublikowane artykuły, rozdziały książek, nawet zapisy wystąpień — wasz głos już w tym korpusie jest.
Potrzebny będzie też własny przewodnik stylistyczny, bo LLM-y domyślnie piszą generycznie. Mój zaczął się od jednego pliku CLAUDE.md i rozrastał się warstwami. „Wytrenowałem” go na własnych opublikowanych tekstach, poprawiałem pierwsze szkice, które produkował, a potem kazałem mu spisać te poprawki jako reguły. Pisanie AI ma rozpoznawalne wzorce i mój przewodnik zakazuje dziś tików, które wszyscy znają, w tym konstrukcji „to nie X, to Y” i sztucznie krótkich akapitów. Zakazy działają, bo te reguły leżą w pliku, który agent czyta za każdym razem.
Z czasem ten jeden plik urósł do czegoś, co Claude nazywa skillem: niewielkiego folderu z instrukcjami, który agent wczytuje za każdym razem, gdy pisze jako ja. Schemat poniżej pokazuje całą konfigurację. Bank tekstów zasila profil głosu (co mówię, a czego nigdy nie mówię, aż po rytm zdań), a przewodnik stylistyczny trzyma reguły. Zanim zobaczę jakikolwiek szkic, uruchamiają się dwie kontrole: mechaniczny skan wyłapujący zakazane konstrukcje i świeża lektura drugiego agenta, który widzi wyłącznie gotowy tekst i zbiór reguł, bo agent, który napisał szkic, jest ślepy na własne tiki. Moje poprawki wracają potem do przewodnika jako nowe reguły i to właśnie ta pętla sprawia, że cały system się poprawia.
Ten sam agent może też pełnić rolę recenzenta — i to być może najbardziej niedoceniana część całej układanki. Zanim cokolwiek wyjdzie w świat, proszę o krytykę szkicu z perspektyw zdecydowanie nie moich: restrykcjonisty, który uważa, że jestem naiwny w kwestii egzekwowania prawa, albo zwykłego czytelnika, który nigdy nie słyszał o „opinii termostatycznej”. Możecie wskazać konkretnych autorów, których osądowi ufacie, albo po prostu opisać kierunki ideowe; uwagi, które wracają, bywają nierówne, ale niezawodnie wyłapują zarzut, na który zapomniałem odpowiedzieć. W pisaniu dla szerokiej publiczności, gdzie żadna recenzja naukowa nie przyjdzie na ratunek, taka wroga lektura to najlepszy substytut, jaki znalazłem.
Mając te dwa elementy, możecie poprosić o cokolwiek na podstawie jednego gotowego artykułu: dokument przygotowawczy przed wywiadem, propozycję tekstu publicystycznego, post w mediach społecznościowych, prezentację, konspekt artykułu na Substacku, a nawet, jeśli macie odwagę, szkic pełnoprawnego policy brief. Na potrzeby wystąpienia dla Machine Collaborations przepuściłem przez to wszystko jeden z moich najbardziej niesprawiedliwie pomijanych tekstów: badanie z 2020 roku pokazujące, że w większości z 30 badanych krajów większość lub względna większość chce zarazem mniejszej imigracji do własnego kraju i mniejszej emigracji z niego. Wyszły z tego między innymi trzy naprawdę różne ujęcia przyszłego eseju, których wcześniej nie brałem pod uwagę.
Albo załóżmy, że odzywa się do was dziennikarz w sprawie artykułu sprzed lat i pyta, co z niego wynika dla bieżących wydarzeń. Przy takiej konfiguracji da się przygotować dobry szkic tego, co można sensownie powiedzieć — prawie na pewno lepszy i dokładniejszy niż to, co wymyślicie na poczekaniu.
Co zrobić ze slopem i halucynacjami
Ilekroć opisuję kolegom ten przepływ pracy, pierwsza obawa, jaką słyszę, brzmi: to po prostu wyprodukuje jeszcze więcej slopu. Nie zrozumcie mnie źle — mnóstwo tekstów wygenerowanych przez AI za jednym podejściem w pełni na to zasługuje (podobnie jak spora część tekstów pisanych przez ludzi). Ale wszystko w opisanym tu układzie wychodzi z założenia, że macie już porządne, recenzowane badania i zredagowaną publicystykę. Agent jest tu tylko po to, żeby przepakować wasze własne tezy albo pokazać je w nowym świetle na potrzeby waszego własnego, ludzkiego, gównianego pierwszego szkicu. Tak samo jak przy zbyt entuzjastycznych ludzkich asystentach, odpowiedzialność za to, co wychodzi pod waszym nazwiskiem, zostaje po waszej stronie. To, czy efekt czyta się jak slop, zależy od weryfikacji, redakcji i całej dodatkowej harówki, którą wykonacie przed kliknięciem „opublikuj”.
Ta weryfikacja nie jest opcjonalna, bo modele wciąż zmyślają, a wielu twierdzi dziś, że halucynacje to największe wąskie gardło w badaniach wspieranych przez AI. Przekonałem się o tym boleśnie. Mój przepływ pracy przechrzcił kiedyś mojego współautora, Jamesa Dennisona, na „Micka Dennisona” — imię wymyślone od zera, choć prawidłowe leżało w plikach, na których agent akurat pracował. Innym razem przypisał parodystyczne konto (@GovAmyKlobuchar) prawdziwej senator i podsunął mi adres LinkedIna zgadnięty ze schematu mojego nazwiska.
Co więc właściwie robię? Każę modelowi trzykrotnie sprawdzić każde nazwisko, datę, źródło i link; każę mu wkleić wynik tej weryfikacji, żebym widział, co naprawdę pobrał; a potem rzeczy istotne sprawdzam sam. Może to i przesada, ale rutynowo proszę też Codexa o sprawdzenie tego, co zrobił Claude Code, i odwrotnie.
Jeśli chodzi o halucynacje dotyczące źródeł i ich atrybucji, Steven Denney napisał najlepsze praktyczne omówienie, jakie znam. Rozwiązanie Denneya jest dokładnie tym, co zbudowalibyście dla szybkiego, ale niechlujnego ludzkiego asystenta badawczego. Instrukcje wielokrotnego użytku sprawdzają każde cytowanie w Crossref i po numerze DOI, a folder projektu trzyma oryginalne PDF-y obok wersji czytelnych maszynowo, żeby twierdzenia dało się skonfrontować ze wszystkimi oryginalnymi źródłami pod ręką, przy minimalnym ryzyku błędu.
Muszę przyznać, że nawet przy wszystkich tych kontrolach i najnowszych modelach (używam Fable 5 i GPT 5.6) system nie jest doskonały. Mój agent Claude’a najwyraźniej tak bardzo kocha regułę trójki, że wciąż dorzuca triady do moich szkiców, choć mój własny przewodnik stylistyczny wprost ich zakazuje, i robił to w tym właśnie tekście raz po raz, mimo że prosiłem go, żeby przestał.
Jaka przyszłość czeka naukowe zaangażowanie publiczne?
Jeśli macie po tym wszystkim ochotę spróbować, zacznijcie od jednego gotowego artykułu i poproście agenta, żeby zrobił z niego gotowy materiał — na przykład przygotowanie do wywiadu — w waszym własnym stylu. Dopracowujecie wynik, aż zabrzmi jak wy, a instrukcje, które do tego doprowadziły, zapisujecie, żeby następnym razem było lepiej i szybciej.
Zauważycie może, że celowo nie załączyłem tu swojego własnego, formalnego skilla do pisania. Powód jest taki, że koduje on mój głos, a wy, drodzy czytelnicy, powinniście wypracować swój. Najprościej zrobić to tak: wskażcie agentowi ten właśnie tekst i poproście, żeby wdrożył opisany tu układ, z dowolnymi wariacjami pasującymi do tego, co chcecie osiągnąć.
To, co opisuję, wkrótce będzie dolną, a nie górną granicą możliwości agentów. Na przykład politolog Andy Hall ze Stanfordu ujawnił w tym tygodniu, że zamierza publikować sporą część swoich oryginalnych badań bezpośrednio na Substacku. Tak szybka publikacja pozwoli mu omawiać i promować najnowsze wyniki nie tylko wśród naukowców, ale też wśród decydentów i dziennikarzy, z pominięciem „często arbitralnych” uwag recenzentów czasopism. Mówi otwarcie o kosztach rezygnacji z recenzji naukowej i widać, że ta opcja jest łatwiejsza dla osób z tenure i innych o bezpiecznej pozycji. Przy pracach na czasie rachunek coraz częściej przemawia jednak za szybkością i widzę już kolejnych badaczy — łącznie ze mną — którzy podejmują tę samą decyzję.
Najbardziej ekscytuje mnie dziś nowa granica: interaktywność. Jeszcze niedawno interaktywny materiał z danymi mogła sobie pozwolić zbudować tylko redakcja z zapleczem The New York Times, a czasopisma naukowe pozostają zbyt zacofane na cokolwiek bardziej zaawansowanego niż statyczny PNG. Z agentem każdy badacz może dziś opublikować interaktywny dodatek do wydanego artykułu. Modelslant.com, działający na żywo dodatek, który Sean Westwood, Justin Grimmer i Andy Hall zbudowali do swojego artykułu roboczego o postrzeganym przechyle politycznym modeli AI, pozwala czytelnikom samodzielnie przeglądać rankingi, a laboratorium Halla utrzymuje już całą półkę podobnych prototypów. Nic z tego nie wymaga już jednak zasobów stanfordzkiego laboratorium, a wasz własny, zbyt rzadko czytany artykuł to dokładnie taki kandydat, dla jakiego takie dodatki powstały.
Puenta mojego pierwszego tekstu o AI wciąż obowiązuje: zamknijcie się w pokoju z Claude Code i jednym żmudnym zadaniem popularyzatorskim albo badawczym, na które nigdy nie mieliście czasu, i zobaczcie, co się stanie. Konkretne narzędzia z tego przewodnika za rok będą pewnie wyglądać staroświecko, ale stojąca za nimi zmiana nigdzie się nie wybiera. Koszt krańcowy poważnego pisania dla szerokiej publiczności runął, a badacze, którzy dziś milczą, oddają pole autorom z gorszymi informacjami. Możecie jeszcze nie lubić AI ani pisania z jego pomocą, ale jeśli macie coś wartego powiedzenia, milczenie przy jednoczesnym nieużywaniu najlepszych dostępnych narzędzi jest waszym aktywnym wyborem.
Ogromne podziękowania dla Mike’a Riggsa, Jannika Reigla, Jeffa Fonga oraz, rzecz jasna, Claude’a i Codexa za pomocne uwagi do szkicu.
A jeśli macie szczęście mieć prawdziwego, ludzkiego asystenta, ta sama zasada obowiązuje piętro niżej: pozwólcie mu zlecać tego rodzaju pracę własnemu agentowi AI, żeby jego czas szedł na te części zadania, które robi najlepiej albo których naprawdę przyszedł się uczyć. ↩
Chętnie przyznaję, że w zasadzie przegrałem tę sprawę, biorąc pod uwagę najnowsze wydarzenia wokół integracji Pangramu z Substackiem. Chcę wierzyć, że moje teksty, obok wielu innych, zdołały popchnąć tę integrację w bardziej produktywnym kierunku (jako funkcja włączana dobrowolnie, bez mocy wstecznej i dostępna w sposób przejrzysty zarówno dla czytelników, jak i dla autorów). ↩
Mam wrażenie, że przy odrobinie wysiłku wielu naukowców powinno dać radę pokryć te koszty spoza własnej kieszeni: z budżetów badawczych, funduszy wydziałowych, subskrypcji uczelnianych i programów badawczych oferowanych przez same firmy AI. ↩
Jedno praktyczne zastrzeżenie: maszynowe tłumaczenie nauk społecznych zawodzi jednak dokładnie na kluczowych terminach. Trzymam więc przypięty plik ze słowniczkiem, który pilnuje, żeby „backlash” był po hiszpańsku zawsze reacción, a po włosku reazione, i żeby „thermostatic” było zawsze termostático. ↩