Donedavno se o umjetnoj inteligenciji govorilo uglavnom kao o alatu: simpatično komunikativnom, brzom, neumornom, a povremeno i vrlo korisnom. U najboljim trenucima taj alat zna napisati pristojan sažetak, složiti funkcionalan komad programskog koda, pronaći pokoju rupu u tablici ili pomoći korisniku da kroz hrpu nepreglednih podataka prokrči put brže nego što bi to uspio sam.

A kako smo svi iskusili, AI-alat ima i svojih loših trenutaka, onih u kojima samopouzdano glumi sigurnost ondje gdje je trebao pokazati skromnost, pa korisniku isporučuje netočnosti i gluposti tonom srednjoškolca uvjerenog da je upravo riješio problem ujedinjenja opće relativnosti i kvantne mehanike.

Tri sloja istraživačke autonomije

Najnoviji smjer razvoja (da ne pretjerujemo nazivajući to pojmom „napredak”) u AI-industriji više nije u tome što AI-modeli postupno postaju sve bolji u onome što su i dosad radili, nego u činjenici da ih vodeće tvrtke sve manje nazivaju „AI-pomoćnicima” i sve otvorenije o njima govore kao o „suradnicima”.

Upravo to sada radi i OpenAI. Prema razgovoru koji je MIT Technology Review (MIT-TR) vodio s njihovim glavnim znanstvenikom Jakubom Pachockim, tvrtka je kao novu glavnu razvojnu zvijezdu vodilju postavila izgradnju „AI istraživača”, autonomnog sustava koji bi mogao samostalno preuzimati veće i složenije istraživačke zadatke ^[1].

Premda na prvu ne zvuči kao bogzna kakav pomak u koncepciji AI-agenata, ta priča nije ni jednostavna ni bezazlena i ne može se samo svesti na pitanje „hoće li AI uskoro zamijeniti znanstvenike?” jer bi to bila previše simplificirana formulacija za puno zanimljiviji problem. Priču o automatiziranom istraživaču korisnije je čitati kroz tri skepsom i oprezom prožeta sloja: tehnološki, znanstveno-radni i političko-sigurnosni.

Tek kada se sva tri sloja stave jedan uz drugi, vidi se da se više ne radi samo o izradi sve boljeg „digitalnog šrafcigera”, nego o pokušaju da se umjetna inteligencija premjesti za isti laboratorijski stol za kojim su dosad sjedili isključivo živi ljudi, znanstveno obrazovani stručnjaci.

Prvi sloj: tehnološka ambicija

Kad OpenAI govori o „AI istraživaču”, pritom ne misli na još jedan chatbot koji će još malo bolje i preciznije odgovarati na pitanja iz biologije ili kemije. Ambicija je znatno veća, pa Pachocki u razgovoru za MIT-TR govori o sustavu koji bi mogao preuzimati istraživačke zadatke za čije rješavanje bi čovjeku inače trebalo nekoliko dana, a pritom samostalno razlagati problem na podzadatke, birati pristupe i vraćati rezultate, obavljajući to koherentno tijekom dugog vremenskog razdoblja i uz minimalnu količinu ljudskog navođenja.

Prvi korak u tom smjeru trebao bi biti „autonomni AI istraživački pripravnik”, planiran već za ovu godinu. To bi trebalo izgledati kao da je posrijedi nekakav stažist iz podatkovnog centra: ne mora još voditi cijeli institut, ali bi trebao biti kadar obaviti ozbiljan dio posla bez da mu netko svakih pet minuta drži ruku na ramenu i ponavlja upute.

Dugoročniji cilj još je ambiciozniji: OpenAI, prema tim navodima, cilja na višagentski istraživački sustav koji bi bio implementiran do 2028. godine – nešto što bi moglo zahvaćati matematiku, fiziku, biologiju, kemiju, pa čak i poslovne ili političke probleme, ukoliko ih se može dovoljno dobro formulirati u tekstu, kodu ili nekoj drugoj simboličkoj formi. To više ne bi bio samo softver za pomoć pri radu, već pokušaj automatizacije čitavog niza intelektualnih operacija koje čine istraživački proces: definicije problema, razlaganja na manje cjeline, prikupljanja podataka, isprobavanja pristupa, analize rezultata i povratne korekcije.

Zašto OpenAI misli da je to sada izvedivo? Zato što vjeruje da ima na raspolaganju većinu potrebnih tehničkih preduvjeta. Pritom se najčešće spominju takozvani rezonirajući modeli koji pokušavaju rješavati probleme korak po korak i sposobni su vraćati se unatrag kad naiđu na slijepu ulicu, a tu su i agentski alati poput Codexa, koji mogu preuzeti veće komade rada u kodiranju, analizirati dokumente, pisati skripte i automatizirati niz radnji koje su još jučer bile isključivo ljudski posao ^[2].

Povrh svega, tu je i općenito poboljšanje modela kroz nekoliko generacija, od GPT-3 preko GPT-4 do novijih sustava, koje u OpenAI-ju tumače kao dokaz da se postupno povećava ukupna sposobnost dugotrajnijeg i složenijeg rada velikih jezičnih modela ^[1],[4]

Sve to zajedno stvara vrlo jasan dojam: OpenAI više ne želi graditi samo bolji alat za obavljanje zadataka, nego suradnički sustav kojemu se ti zadaci mogu delegirati. Razlika između ta dva pojma nije semantička sitnica, nego promjena čitave logike: alat se koristi svojeručno, a suradniku se posao povjerava i prepušta.

Drugi sloj: može li AI doista biti znanstvenik-kolega?

Na toj razini stvar postaje još zanimljivija. Naime, tehnološka ambicija djeluje grandiozno, ali pravo pitanje nije što model može napraviti, nego koje je pravo značenje pojma „istraživati”. Jer, nije isto odraditi zadatak pretraživanja literature, a s druge strane moći samostalno postaviti originalnu hipotezu, kao što nije isto napisati par skripti na zadanu temu ili deduktivno doći do stvarno vrijednog znanstvenog uvida u tu temu. I nije isto dati točan odgovor na dobro definirano pitanje ili uopće prepoznati i odabrati koje je pitanje potrebno postaviti.

Znanost, naravno, nije samo romantizirana scena s raščupanim i pomalo umornim genijem, kredom, pločom i loše skuhanom kavom koja se hladi kraj hrpe papira, pa se velik dio stvarnog znanstvenog rada sastoji od nimalo glamuroznih, često dosadnih i nekreativnih postupaka: čitanja, uspoređivanja, provjeravanja, čišćenja podataka, kodiranja, testiranja, bilježenja, vraćanja na početak, ponavljanja pokusa, traženja gdje je stvar pošla po zlu. Upravo zato je ideja „AI istraživača” zavodljiva: ako sustav može ubrzati one dijelove posla koji troše vrijeme, živce i mišiće kažiprsta na mišu, tada bi njegova praktična vrijednost bila očita.

I doista, nema osobitog smisla glumiti da današnji modeli nisu već sada korisni u znanstvenom i tehničkom radu: u kodiranju su mnogima postali ozbiljan oslonac, u analizi, sažimanju, razradi mogućih pristupa i brzom ispitivanju ideja mogu skratiti rad koji je prije trajao danima. Pachocki u intervjuu navodi da je i sam bio skeptičan prema osnovnim oblicima generativne pomoći pri programiranju, pa zatim promijenio mišljenje kad je vidio za što su sve sposobni noviji sustavi. Takve izjave u javnosti nisu nevažne, jer ne dolaze od marketinškog praktikanta koji je jučer zamijenio kofein promotivnim sloganima, nego od čovjeka koji predvodi istraživački odjel jedne od ključnih svjetskih AI tvrtki.

Ali iz toga ne slijedi automatski da AI već sada zaslužuje status „kolege”, a kamoli „istraživača”. Tu počinje – kako bi rekli filozofi znanosti – „epistemološki problem”, a praktično govoreći – problem vjerodostojnosti. I to ne samo vjerodostojnosti osobe koja ushićeno govori o proizvodu vlastite kompanije, nego i o vjerodostojnosti činjenice da AI-alat koji u tri od četiri slučaja briljira, a u četvrtom napravi tihu, neprimjetnu i vrlo ozbiljnu grešku, može biti itekako koristan, ali nije sustav kojemu se bezbrižno prepušta lanac zaključivanja. Kada se za nešto u znanstvenim krugovima kaže da „djeluje uvjerljivo”, to u znanstvenom smislu vrijedi otprilike koliko i „doktorat iz astrologije”: šareno, puno brojki i podataka, atraktivno, jasno prezentirano... ali u načelu – bezvrijedno.

Na to upozoravaju i neki skeptični stručnjaci za umjetnu inteligenciju. Doug Downey iz Allenovog instituta za AI priznaje da ideja automatiziranog istraživača jest privlačna, ali istovremeno podsjeća na ono što je i dalje Ahilova peta ovakvih sustava: kad zadatak zahtijeva nizanje više koraka, vjerojatnost da će svi biti izvedeni ispravno ima vrlo nezgodnu naviku postajati sve manja. A još je veći problem to što jedan krivi korak ne mora odmah spektakularno eksplodirati kao novogodišnji vatromet; mnogo je gore kada se uvuče tiho, pa kumulativno kontaminira sve korake koji dolaze poslije u procesnom slijedu.

To je osobito važno u područjima poput biologije, kemije ili medicine, gdje problemi nisu uredno i precizno definirani kao natjecateljski zadaci iz matematike ili jasno prepoznatljivi programski bugovi. Znanost koja se bavi ne-binarnim problemima poput biologije gotovo je uvijek „prljavija”, heterogenija i tvrdokornija. Podaci su neuredni, kriteriji uspjeha često nisu jednoznačni, granica između trivijalnog i značajnog nije uvijek jasno vidljiva, a cijena krivog zaključka može biti znatno veća od jedne pogrešno unesene promjene u programskom kodu.

Drugim riječima, korisnost AI-a u znanosti više nije upitna, ona realno postoji. Upitno je nešto drugo: gdje se nalazi točka u kojoj AI prestaje biti sjajan pomoćnik i marljivi neumorni alat i počinje se koristiti kao suradnik kojemu se može povjeriti intelektualni proces bez stalne ljudske kontrole. Stroj koji ponekad isporuči ideju za koju bi doktorandu trebali tjedni rada jest impresivan. No stroj koji pritom povremeno u petom koraku analize ubaci pogrešku i to učini dovoljno uvjerljivo da to nitko odmah ne primijeti, nije novi Einstein, nego vrlo skup i iznimno samouvjeren generator djelomično točnih radnih verzija stvarnosti. To ponekad znači korak do katastrofe, ukoliko rezultate „strojno proizvedene” znanosti ne nadzire pravi, živi, iskusni znanstvenik. Štoviše, nekoliko njih.

Treći sloj: tko nadzire takav sustav – i tko od njega dobiva moć?

Kad bi priča o automatiziranom istraživaču bila samo tehnološka ili samo znanstvena, bila bi već dovoljno velika tema. No najteži sloj nalazi se drugdje: u pitanju nadzora, sigurnosti i koncentracije moći. Pachocki u intervjuu otvoreno priznaje da AI-sustav koji može autonomno ubrzavati istraživanje otvara ozbiljna neriješena pitanja. Što ako krene u pogrešnom smjeru? Što ako pogrešno shvati cilj? Što ako bude kompromitiran? Što ako netko takvu infrastrukturu iskoristi za nešto zlonamjerno?

Jedan od odgovora koji OpenAI nudi jest nadzor nad takozvanim „misaonim tragovima”, odnosno chain-of-thought monitoring ^[3]. Ideja je da modeli ostavljaju neku vrstu radnih bilješki dok rješavaju problem, a da istraživači ili drugi modeli te bilješke mogu nadzirati i uočavati neželjeno ponašanje prije nego što ono proizvede štetu. U teoriji to zvuči razumno i elegantno: ako već nije moguće potpuno kontrolirati sustav, barem se može pratiti njegov radni dnevnik.

U praksi je, međutim, pitanje koliko takav dnevnik doista otkriva. Jer ovdje se dolazi do pomalo komične, a nimalo bezazlene situacije u kojoj jedna crna kutija treba pomagati u nadzoru druge crne kutije, dok ljudi sa strane nastoje zadržati dojam da situaciju ipak nekako drže pod kontrolom. To ne znači da je pristup beskoristan, ali posve sigurno znači da nije ni čarobni štit. Ako se povjerenje u ovakve sustave bude gradilo na pretpostavci da njihove „bilješke” vjerno odražavaju sve bitne aspekte njihova rada, onda je to možda više psihološka utjeha nego stvarno riješen problem.

No još je važnije to što priča o nadzoru ne ostaje samo na tehničkom nivou. Kad Pachocki u intervjuu govori o „čitavom istraživačkom laboratoriju u data centru”, on pritom možda misli na budući oblik znanstvene produktivnosti, ali između redaka govori i o nečemu drugom: o infrastrukturi moći ^[1]. Jer ako mali broj privatnih kompanija razvije sustave koji mogu obavljati posao za koji su prije bile potrebne veće skupine visokoobrazovanih ljudi, tada ne dobivamo samo novu tehnologiju. Dobivamo novu asimetriju moći.

Takva asimetrija ne tiče se samo profita ili tržišne dominacije. Ona se tiče i geopolitike, sigurnosti, vojske, industrijske konkurentnosti i regulatorne nemoći. AI alati već su pokazali da se mogu koristiti za traženje sigurnosnih rupa i osmišljavanje novih oblika napada. U ekstremnijim scenarijima spominje se i mogućnost da napredni sustavi pomognu u dizajnu sintetskih mikroorganizama ili drugih opasnih bioloških alata. Ti scenariji možda danas još zvuče kao zbirka lošijih epizoda iz nekog distopijskog sci-fi serijala, ali upravo je problem u tome što je granica između melodrame i izvedive zlouporabe u ovom području vrlo nejasna i fleksibilna.

A onda na stol dolazi i pitanje tko određuje i povlači crvene linije preko kojih se ne smije prelaziti? Tko odlučuje koje su primjene legitimne, a koje nisu? Može li se očekivati da privatne kompanije same sebi budu dovoljan moralni korektiv? Povijest tehnologije ne daje osobito razloga za takav optimizam. Ako sustav može ubrzati znanost, može ubrzati i razvoj tehnologija nadzora, oružja, cyber-operacija i geopolitičke prednosti. Sve što obećava nagli skok produktivnosti obično obećava i nagli skok neravnomjerne raspodjele moći.

U tom smislu možda je i pogrešno pitati se samo „hoće li AI istraživač doista biti dovoljno pametan da zamijeni znanstvenika”. Mnogo je važnije pitanje: „Što se događa ako i bez punog uspjeha postane dovoljno dobar da znatan dio istraživačkog rada koncentrira unutar nekoliko kompanija i njihovih podatkovnih centara?”. San o automatiziranom istraživaču može promijeniti svijet, a za to nije potrebno da stroj postane univerzalni genij; dovoljno je da postane dovoljno koristan, dovoljno jeftin u odnosu na ljude i dovoljno centraliziran da preoblikuje način na koji se proizvode znanje, odluke i inovacije.

Više od hypea, manje od čudotvorca

Najlakše bi bilo ovu priču jednostavno prihvatiti kao novo poglavlje neminovnog procesa tehnološkog napretka ili je suprotno tome odbaciti kao još jednu preuveličanu najavu iz doline u kojoj se prazna obećanja tiskaju brže od poluvodičkih pločica. I jedno i drugo bi bilo prejednostavno. Jer, tehnološki napredak jeste stvaran: AI sustavi doista već sada mogu raditi stvari koje su još prije dvije-tri godine djelovale nevjerojatno. Ali jednako je stvarna i činjenica da korisnost nije isto što i pouzdanost, a impresivna demonstracija nije isto što i stabilan, provjerljiv i društveno prihvatljiv sustav.

Zato priča o automatiziranom istraživaču nije priča o tome hoće li strojevi uskoro istisnuti ljude iz laboratorija. Ona je prije svega priča o tome kako nakon što robotika sve uspješnije zamjenjuje fizički rad, najmoćnije AI tvrtke sve otvorenije pokušavaju automatizirati i intelektualni rad. Na tehnološkoj razini to znači da pokušavaju izgraditi sustave koji mogu samostalno raditi dulje i složenije zadatke. Na znanstveno-radnoj razini to znači da iskušavaju granicu između korisnog pomoćnika i stvarnog suradnika. A na političko-sigurnosnoj razini to znači da se otvara tko kontrolira infrastrukturu koja bi mogla ubrzavati ne samo civilnu znanost nego i cijeli niz osjetljivih društvenih procesa.

Možda OpenAI do 2028. doista neće imati digitalnog znanstvenika koji samostalno otkriva nove zakone prirode, piše genijalne radove i mrzovoljno se svađa s recenzentima. No dovoljno govori već i sama činjenica da najutjecajniji ljudi AI-industrije ozbiljno planiraju takav sustav.

Umjetna inteligencija više se ne nudi samo kao pametni alat na radnom stolu znanosti, nego za tim istim stolom sve glasnije traži svoje mjesto. A na obiljnim je znanstvenicima da joj to mjesto ne prepuste olako, brzopleto i nepromišljeno.

Literatura

[1] Will Douglas Heaven. „OpenAI is throwing everything into building a fully automated researcher”. MIT Technology Review, 20. ožujka 2026.
[2] OpenAI. „Introducing the Codex app”. OpenAI, 4. ožujka 2026.
[3] OpenAI. „How we monitor internal coding agents for misalignment”. OpenAI, 19. ožujka 2026.
[4] OpenAI. „Introducing GPT-5.4”. OpenAI, 5. ožujka 2026.
[5] Akari Asai i sur. „Synthesizing scientific literature with retrieval-augmented language models”. Nature, 650, 857–863 (2026)