Soms krijg ik commentaar dat ik te kritisch ben als het over AI gaat. Maar laat ik het voor eens en altijd duidelijk maken: ik tracht steeds voor- en nadelen te zien. Dat doe ik trouwens niet enkel met AI. En dat is dus niet anders met deze nieuwe studie in Nature van Qianyue Hao en collega’s. Zij proberen op grote schaal te onderzoeken hoe AI wetenschappelijk onderzoek beïnvloedt. Hun conclusie klinkt tegelijk indrukwekkend en ongemakkelijk: AI lijkt individuele wetenschappers succesvoller te maken (een voordeel), maar tegelijk de wetenschap in het geheel wat smaller te maken (een nadeel).
Zeer belangrijke informatie om mee te beginnen: dit onderzoek gaat niet over papers die door ChatGPT zijn geschreven, maar over echte wetenschap. De onderzoekers bekijken vooral wetenschappers die AI gebruiken als hulpmiddel binnen hun eigenlijke onderzoek. Denk aan machine learning voor medische beeldanalyse, AI voor eiwitstructuren zoals AlphaFold, voorspellende modellen, patroonherkenning in grote datasets of generatieve AI als ondersteuning bij onderzoek. Het gaat dus eerder over AI-assisted science dan over AI-written science.
De schaal van het onderzoek is indrukwekkend. De auteurs analyseerden meer dan 41 miljoen wetenschappelijke artikels uit biologie, geneeskunde, chemie, fysica, materiaalwetenschappen en geologie tussen 1980 en 2025. Met een getraind taalmodel (juist) probeerden ze te detecteren welke papers AI gebruikten.
Wat ze vervolgens vinden, is moeilijk te negeren. Onderzoekers die AI gebruiken publiceren gemiddeld drie keer meer papers, krijgen bijna vijf keer meer citaties en worden sneller onderzoeksleider. Bovendien verschijnen AI-gerelateerde papers vaker in toptijdschriften en krijgen ze gemiddeld meer aandacht.
Dat klinkt bijna als een reclamefolder voor AI in de wetenschap. Maar het interessante deel van het artikel begint voor mij eigenlijk pas daarna. Volgens de auteurs zorgt AI namelijk tegelijk voor een vernauwing van de wetenschappelijke exploratie. Om dat te meten plaatsen ze papers in een soort semantische ruimte: artikels die inhoudelijk sterk op elkaar lijken liggen dichter bij elkaar.
Hun analyse suggereert dat AI-onderzoek zich sterker concentreert rond bestaande, populaire en vooral datarijke onderzoekslijnen. De “knowledge extent”, een maat voor hoe breed wetenschap zich inhoudelijk verspreidt, blijkt bij AI-onderzoek kleiner. Daarnaast zien ze minder interactie tussen opvolgende onderzoekslijnen en een sterkere concentratie van aandacht rond een beperkt aantal invloedrijke papers.
AI lijkt vandaag vooral goed in het efficiënter maken van bestaande onderzoekspaden, niet noodzakelijk in het openen van volledig nieuwe richtingen. Of zoals de auteurs het zelf formuleren: AI lijkt momenteel eerder bestaande velden te automatiseren dan nieuwe te exploreren.
Toch is voorzichtigheid belangrijk. Dit blijft observationeel scientometrisch onderzoek. Dat onderzoekers die AI gebruiken succesvoller zijn, betekent niet automatisch dat AI de oorzaak is. Het kan evengoed zijn dat sterke labs sneller AI adopteren, meer middelen hebben en sowieso al zichtbaarder waren. De auteurs proberen daarvoor statistisch te corrigeren, maar erkennen zelf dat causaliteit moeilijk volledig vast te leggen is.
Ook hun maat voor “vernauwing van wetenschap” verdient nuance. Minder spreiding in onderzoeksthema’s hoeft niet noodzakelijk slecht te zijn. Soms betekent het ook dat een veld meer matuur wordt, efficiënter samenwerkt of zich tijdelijk concentreert op een doorbraak. Wetenschap verloopt nu eenmaal niet altijd evenwichtig verspreid over alle mogelijke ideeën.
En dan is er ook nog dit. Het artikel zegt vooral iets over het huidige type AI-gebruik in wetenschap. Vandaag draait veel AI-toepassing rond patroonherkenning, classificatie, voorspelling en analyse van bestaande datasets. De auteurs wijzen er zelf op dat AI vooral goed werkt in datarijke domeinen. Dat hoeft niet noodzakelijk zo te blijven.
Toch denk ik dat het artikel een belangrijke spanning blootlegt. Wetenschap beloont vandaag sterk wat zichtbaar, schaalbaar en snel impactvol is. AI lijkt die mechanismen nog te versterken. Dat kan leiden tot efficiëntere wetenschap, maar mogelijk ook tot meer concentratie rond dezelfde populaire vragen en datasets.