Anthropic AI for Science rozwija się dzięki fundacjom i instytucjom badawczym
Anthropic rozszerzył program AI for Science o 20 partnerów naukowych, wychodząc poza indywidualnych badaczy na rzecz organizacji, które mogą udostępniać dostęp całym społecznościom badawczym. Opublikowane 28 października 2026 r. ogłoszenie zbliża fundacje i instytucje badawcze do decyzji o tym, gdzie Claude trafia do pracy naukowej. Kluczowe pytanie brzmi: co organizacje te mogą stworzyć i zweryfikować dzięki temu dostępowi.
Rozszerzenie sprawia, że Anthropic AI for Science jest historią wdrażania instytucjonalnego w równym stopniu, co programem wsparcia badań. Fundacje mogą łączyć zasoby z projektami, a instytuty koordynować oprogramowanie, dostęp do danych i ewaluację. Wywiera to presję na liderów badań, by oceniali naukową użyteczność wykraczającą poza indywidualny entuzjazm.
Google DeepMind oferuje istotne porównanie poprzez swoją pracę nad Co-Scientist, która organizuje systemy AI wokół generowania i oceniania hipotez badawczych. Ogłoszenie Anthropic podkreśla inną warstwę: organizacje, za pośrednictwem których rozprzestrzeniają się narzędzia naukowe. Oba podejścia napotykają wspólne ograniczenie: szybsza praca obliczeniowa nadal musi prowadzić do wyników, które badacze mogą sprawdzić.
Anthropic AI for Science wykracza poza indywidualne granty
Rozszerzenie daje organizacjom naukowym większą rolę w decydowaniu o tym, jak zasoby AI trafiają do badaczy.
Rozszerzenie programu naukowego Anthropic wymienia partnerów, w tym Sloan Foundation, Simons Foundation, Wellcome Sanger Institute i European Molecular Biology Laboratory. Jego struktura obejmuje fundatorów, instytucje oraz konkretne inicjatywy badawcze. Anthropic twierdzi, że uczestniczący fundatorzy będą rozdzielać kredyty Claude, podczas gdy partnerzy instytucjonalni wykorzystają je wewnętrznie.
Firma opisuje wiele współprac jako działania na wczesnym etapie. Wskazuje też otwarte zbiory danych, oprogramowanie, standardy i wspólne biblioteki jako potencjalne korzyści publiczne. Są to przewidywane rezultaty, a nie dowód, że rozszerzenie już przyspieszyło odkrycia.
To rozróżnienie ma znaczenie, ponieważ przyznanie kredytów i współpraca instytucjonalna rozwiązują różne problemy. Kredyty obniżają bezpośrednią barierę wypróbowania usługi. Instytucja może również zdecydować, które zbiory danych są odpowiednie, kto weryfikuje wyniki oraz czy udane eksperymenty stają się wspólną praktyką.
Na przykład indywidualny badacz może sprawdzić, czy asystent pomaga pisać kod analityczny. Dział musi rozważyć, czy współpracownicy będą mogli później odtworzyć tę analizę. Fundacja musi zdecydować, czy wsparcie takiego przepływu pracy służy jej priorytetom badawczym i społeczności wnioskodawców.
Te obowiązki zmieniają dostęp w decyzję organizacyjną. Zatwierdzenie obejmuje więcej niż wybór modelu, który generuje przekonujące odpowiedzi. Obejmuje przypisanie odpowiedzialności, gdy wygenerowany kod zawodzi, decyzję o miejscu dla wrażliwych informacji oraz zachowanie materiałów stojących za opublikowanym wynikiem.
To praktyczne znaczenie działania za pośrednictwem uznanych organizacji naukowych. Mogą one połączyć eksperymentowanie z istniejącymi procesami recenzji. Mogą też porównywać doświadczenia między projektami, zamiast polegać na odosobnionych historiach sukcesu.
Nie oznacza to, że każda uczestnicząca organizacja przyjmie wspólny przepływ pracy. Dziedziny badawcze różnią się metodami, ograniczeniami dotyczącymi danych i standardami dowodowymi. Wartość udziału instytucjonalnego zależy częściowo od umożliwienia, by te różnice kształtowały wdrożenie.
Przydatne jest rozróżnienie między dystrybucją zasobu a budowaniem zdolności. Dystrybucja oddaje narzędzie w ręce badaczy. Zdolność oznacza, że zespół wie, kiedy z niego korzystać, jak analizować jego wyniki i kiedy lepsza jest inna metoda.
Ogłoszenie ustanawia wysiłek dystrybucyjny. Pytanie o zdolność ujawni się w dalszej pracy. Instytucje stają się więc kluczowymi podmiotami w określaniu, czy rozszerzony dostęp prowadzi do trwałej infrastruktury badawczej.
Dla czytelników śledzących badania naukowe Claude zmienia to rodzaj dowodów, których warto szukać. Nazwy partnerów potwierdzają zasięg. Udokumentowane metody, zasoby wielokrotnego użytku i niezależne kontrole pokazują, co ten zasięg faktycznie osiąga.
Liderzy badań przejmują decyzje dotyczące wdrożenia
Dostęp instytucjonalny przesuwa odpowiedzialność na osoby zarządzające jakością badań, danymi i wspólną infrastrukturą.
Bezpośrednia presja spada na administratorów naukowych, zespoły ds. oprogramowania badawczego i głównych badaczy, czyli osoby odpowiedzialne za kierowanie projektami. Muszą oni przekształcić dostępny zasób w dającą się uzasadnić praktykę badawczą. Wymaga to oceny, gdzie pomoc jest użyteczna, a gdzie nadzór pozostaje niezbędny.
Rozważmy laboratorium oceniające wygenerowany kod analityczny. Udana demonstracja może pokazać, że kod się uruchamia i tworzy wiarygodny wykres. Decyzja badawcza wymaga jednak więcej: ustalenia, czy założenia odpowiadają pytaniu i czy wynik wytrzymuje odpowiednie kontrole.
To różne standardy sukcesu. Narzędzie może zmniejszyć wysiłek potrzebny do uzyskania wyniku, nie zmniejszając wysiłku koniecznego do ustalenia jego znaczenia. Liderzy muszą uwzględnić oba aspekty, zanim opiszą przepływ pracy jako bardziej produktywny.
Stawka organizacyjna wykracza także poza bezpośredni projekt. Jeśli użyteczny przepływ pracy pozostaje w prywatnej historii rozmów badacza, współpracownicy dziedziczą niekompletną metodę. Jeśli zespół zachowuje kod, dane wejściowe i decyzje recenzyjne, usprawnienie łatwiej wykorzystać ponownie.
To sprawia, że dokumentacja staje się częścią decyzji o wdrożeniu. Grupy badawcze potrzebują zapisu tego, co wniósł asystent i co zmienili badacze. Potrzebują też wystarczającego kontekstu, by zrozumieć, dlaczego pozornie obiecujące podejście zostało odrzucone.
Przeszukiwalna baza wiedzy może wspierać dokumentację, ułatwiając odnajdywanie materiałów technicznych. Uzupełnia podstawowe zapisy niezbędne do odtworzenia analizy. Wymogiem naukowym pozostaje możliwość prześledzenia związku między dowodami, decyzjami i wnioskami.
Fundatorzy stoją przed powiązanym problemem alokacji zasobów. Zapewnienie dostępu za pośrednictwem uznanej organizacji może połączyć zasoby z odpowiednią wiedzą specjalistyczną. Procesy selekcji zasługują jednak na kontrolę, jeśli celem jest również poszerzanie uczestnictwa.
Ważne pytanie brzmi, kto otrzymuje praktyczne wsparcie obok samego dostępu. Badacz mający doświadczonych współpracowników od oprogramowania może oceniać nowe narzędzie inaczej niż ktoś pracujący bez takiej pomocy. Równy dostęp do kredytów nie tworzy automatycznie równej zdolności do ich dobrego wykorzystania.
Instytucje powinny więc oceniać sukces względem własnych warunków początkowych. Użytecznym rezultatem dla małego laboratorium może być łatwy w utrzymaniu skrypt analityczny. Większy instytut może dążyć do wspólnej infrastruktury wspierającej projekty między działami.
Żaden z tych rezultatów nie wymaga traktowania każdego zadania jako odpowiedniego dla AI. Selektywne wdrażanie może dostarczyć mocniejszych dowodów niż szerokie wdrożenie o niejasnych korzyściach. Liderzy badań nadal odpowiadają za wskazanie zadań, w których błędy są wykrywalne, a cel naukowy jasny.
Dlatego rozszerzenie ma znaczenie również dla nabywców korporacyjnych poza środowiskiem akademickim. Organizacje oceniające asystentów AI stają przed podobnym rozróżnieniem między indywidualną wygodą a niezawodnością instytucjonalną. Wiarygodna historia wdrożenia wyjaśnia, kto sprawdza pracę i jak użyteczne praktyki przetrwają poza pierwszym użytkownikiem.
Wspólne narzędzia mogą zwiększyć wartość wsparcia badań
Zasób naukowy wielokrotnego użytku może przynosić korzyści badaczom, którzy nigdy bezpośrednio nie otrzymają pierwotnego wsparcia.
Najsilniejszy argument instytucjonalny opiera się na pracy, która może się rozprzestrzeniać. Zweryfikowana metoda przetwarzania danych może służyć innemu laboratorium. Udokumentowany komponent oprogramowania może wspierać kolejny projekt. Publiczny standard może ograniczyć wysiłek potrzebny do połączenia narzędzi.
Korzyści te zależą od utrzymania i przejrzystości. Opublikowanie kodu umożliwia inspekcję, ale nie gwarantuje, że inny badacz będzie mógł go uruchomić. Ponowne wykorzystanie wymaga zrozumiałych danych wejściowych, określonych założeń i dostatecznie kompletnego środowiska obliczeniowego.
Allen Institute przedstawia konkretny obraz wymaganej pracy. Jego współpraca nad agentami badawczymi z 10 lutego 2026 r. opisuje plany dotyczące niestandardowych agentów AI, czyli systemów oprogramowania realizujących zadania przy użyciu połączonych narzędzi. Proponowane zastosowania obejmują zbieranie metadanych, analizę danych biologicznych i adnotację, czyli etykietowanie oraz klasyfikowanie danych badawczych.
Dyrektor ds. technologii Allen Institute, Andy Hickl, przedstawia szansę w kontekście zdolności badaczy do eksplorowania danych i hipotez. To użyteczna perspektywa partnera, ponieważ wskazuje ograniczenie operacyjne. Wyzwanie obejmuje zwiększenie użyteczności istniejących zasobów naukowych.
Opis instytutu jest deklaracją zamierzonej pracy. Nie potwierdza ogólnej poprawy wydajności w zadaniach naukowych. Ocena tej współpracy wymaga zbadania konkretnych przepływów pracy, ich wymogów recenzyjnych oraz jakości wyników.
Adnotacja dobrze ilustruje to rozróżnienie. Asystent może proponować etykiety dla zbioru danych, zmniejszając powtarzalny wysiłek przygotowawczy. Badacze nadal muszą ustalić, czy te etykiety są wystarczająco dokładne dla zamierzonej analizy.
Skutki dalszego wykorzystania mogą być znaczące. Błędna etykieta może wpływać na późniejsze porównania bez powodowania oczywistego błędu oprogramowania. Użyteczna ewaluacja bada więc, jak proponowane etykiety wpływają na wnioski naukowe, obok czasu potrzebnego na ich stworzenie.
Istniejące projekty otwartej nauki pokazują, dlaczego wspólne zasoby zasługują na uwagę. Projekt mapowania połączeń mózgu FlyWire łączy zautomatyzowaną analizę obrazów z korektą ekspertów, aby odtworzyć połączenia w mózgu dorosłej muszki owocowej. Jego sztandarowa publikacja ukazała się w październiku 2024 r., przed omawianym tutaj rozszerzeniem.
Ta chronologia ma znaczenie. Istniejące osiągnięcia badawcze nie powinny stawać się sugerowanymi rezultatami nowo ogłoszonej współpracy. Istotne pytanie dotyczy tego, jaka dodatkowa praca staje się możliwa dzięki wsparciu i czy jej rezultaty pozostają użyteczne dla szerszej społeczności.
FlyWire oferuje również praktyczny punkt odniesienia dla ludzkiego nadzoru. Zautomatyzowane przetwarzanie i korekta ekspertów wnoszą różne elementy do tego zasobu. Ich połączenie pomaga wyjaśnić, dlaczego przepływu pracy naukowej nie można oceniać wyłącznie przez możliwości jego zautomatyzowanego komponentu.
Dla Anthropic AI for Science szansą instytucjonalną jest wspieranie porównywalnych połączeń narzędzi, wiedzy specjalistycznej i wspólnych materiałów. To oczekiwanie analityczne, a nie wynik potwierdzony przez ogłoszenie. Dowody pojawią się wraz z zasobami, które inni badacze będą mogli sprawdzić i wykorzystać.
Szczególnie pouczający rezultat wyjaśniałby, jak zasób zmienił się po zewnętrznej informacji zwrotnej. Korekty pokazują, czy osoby utrzymujące zasób potrafią reagować na naukową kontrolę. Dalsza użyteczność wymaga tego procesu obok pierwszego wydania.
Podejście Google uwypukla to samo ograniczenie walidacyjne
Konkurencyjni asystenci naukowi nadal zależą od dowodów, które wytrzymują krytyczną ocenę poza własnym wygenerowanym rozumowaniem.
Badania Google DeepMind nad Co-Scientist stanowią użyteczne porównanie dla naukowych badań Claude. Google opisuje system oparty na Gemini, którego agenci generują, krytykują, klasyfikują i udoskonalają hipotezy. Przedstawia go jako partnera dla badaczy rozwijających pomysły do zbadania.
Ten nacisk różni się od modelu dystrybucji instytucjonalnej opisanego w najnowszym ogłoszeniu Anthropic. Co-Scientist eksponuje ustrukturyzowany proces badawczy wewnątrz systemu AI. Ekspansja Anthropic eksponuje organizacje naukowe otrzymujące i rozdzielające zasoby.
Podejścia te mogą w praktyce się pokrywać. Instytucja może wykorzystywać asystenta do tworzenia hipotez, prac programistycznych lub przygotowywania danych. Istotne porównanie dotyczy tego, jak każde z nich łączy proponowany wkład z wiarygodnym sposobem jego weryfikacji.
Uszeregowana hipoteza nadal pozostaje hipotezą. Dopracowane wyjaśnienie nadal pozostaje wyjaśnieniem. Żadne z nich nie staje się wynikiem empirycznym tylko dlatego, że przejrzało je wielu agentów albo że rezultat brzmi spójnie z ustaloną literaturą.
Samo Google DeepMind porusza tę kwestię w analizie wąskiego gardła walidacji naukowej. Jego autorzy twierdzą, że agenci usprawniają generowanie pomysłów, nie zapewniając równoważnych korzyści w zakresie walidacji. Wskazują również konsekwencje dla grantodawców, instytucji i recenzji naukowej.
To istotne uznanie ze strony firmy budującej systemy AI dla nauki. Umieszcza ono zdolność organizacyjną w obrębie technicznej opowieści. Tworzenie większej liczby propozycji pomaga tylko wtedy, gdy badacze potrafią je skutecznie wybierać i analizować.
Dla fundacji sugeruje to szerszą definicję wsparcia. Zasoby na generowanie kandydackich pomysłów mogą wymagać odpowiadających im zasobów na ocenę. W przeciwnym razie program może zwiększać liczbę prac oczekujących na uwagę ekspertów.
Dla instytutów zmienia to sposób mierzenia produktywności. Liczenie wygenerowanych hipotez premiuje wolumen rezultatów. Śledzenie, które hipotezy otrzymują rzeczywiste badawcze sprawdzenie, lepiej pokazuje, czy przepływ pracy służy programowi badawczemu.
To samo rozróżnienie dotyczy oprogramowania. Liczenie wygenerowanych skryptów ujawnia aktywność. Badanie, które skrypty stają się sprawdzonymi, utrzymywanymi komponentami, pokazuje, czy instytucja zyskała coś trwałego.
Na podstawie tych ogłoszeń nie ma podstaw, by ogłaszać uniwersalnego zwycięzcę między Anthropic a Google. Ich publiczne opisy obejmują różne elementy pracy naukowej. Wiarygodne porównanie wymagałoby wspólnego zadania, równoważnego dostępu do istotnych informacji oraz spójnych kryteriów oceny.
Badacze potrzebują także swobody wyboru między podejściami w miarę zmiany ich pracy. System przydatny do eksploracji literatury może mniej odpowiadać pracy z ograniczonym zbiorem danych. Asystent pomagający przygotować kod może dawać niewiele korzyści podczas interpretacji eksperymentu.
W miarę rozszerzania się konkurencji czyni to osąd instytucjonalny ważniejszym. Organizacje naukowe powinny oceniać relację między narzędziem a zadaniem. Reputacja dostawcy i widoczność partnerstwa nie mogą zastąpić takiej oceny.
Większa liczba wyników może ukrywać nierozstrzygnięte pytania naukowe
Rozszerzony dostęp staje się wartościowy, gdy badacze potrafią odróżniać użyteczną pomoc od przekonujących błędów.
Sceptyczne stanowisko nie wymaga założenia, że asystenci naukowi zawodzą przy każdym zadaniu. Zaczyna się od węższej obawy: pozorna produktywność może przesłaniać to, czy badacze rozumieją i weryfikują wytwarzaną pracę.
Lisa Messeri i M. J. Crockett analizują ten problem w swojej perspektywie w Nature dotyczącej iluzji rozumienia. Twierdzą, że entuzjazm wobec AI może wykorzystywać ograniczenia poznawcze i sprzyjać naukowym monokulturom. Według ich ujęcia niektóre metody i pytania mogą wypierać alternatywy.
Ich perspektywa poprzedza to ogłoszenie i nie ocenia tych partnerstw. Dostarcza szerszego ostrzeżenia istotnego dla wdrażania w instytucjach. Narzędzie może kształtować pytania, którymi zajmują się badacze, obok tempa, w jakim się nimi zajmują.
Wpływ ten zasługuje na analizę, gdy dostęp rozprzestrzenia się za pośrednictwem cenionych organizacji. Udział instytucjonalny może ułatwiać uzasadnienie eksperymentowania. Powinien także stwarzać okazje do kwestionowania założeń i porównywania podejść.
Na przykład badacze mogą preferować analizy, które asystent potrafi łatwo wykonać. Taka wygoda jest użyteczna, gdy służy pytaniu naukowemu. Staje się problemem, gdy dostępny przepływ pracy po cichu decyduje o tym, które pytania otrzymują uwagę.
Właściwą odpowiedzią jest zachowanie świadomego wyboru. Zespoły powinny wyjaśniać, dlaczego wybrały daną metodę i jakie alternatywy rozważały. Wygenerowana rekomendacja zasługuje na analizę nawet wtedy, gdy przypomina akceptowaną praktykę.
Błędy różnią się także widocznością. Uszkodzony kod może natychmiast przerwać działanie. Nieodpowiednie założenie statystyczne może pozostać ukryte za czystym wynikiem. Recenzja musi zatem obejmować zarówno rozumowanie naukowe, jak i zachowanie oprogramowania.
To komplikuje twierdzenia o oszczędności czasu. Szybsza pierwsza wersja robocza może wymagać dodatkowej oceny eksperckiej. Istotne porównanie uwzględnia korektę, weryfikację i konsekwencje błędów, a nie tylko początkowy etap generowania.
Negatywne wyniki byłyby tu informatywne. Udokumentowane zadanie, w którym pomoc nie przyniosła korzyści, może odwieść innych badaczy od nieodpowiedniego przepływu pracy. Takie raporty mogą zwiększyć praktyczną wartość programu, nawet jeśli osłabiają szeroką narrację o produktywności.
Warunki dostępu tworzą kolejną niepewność. Tymczasowe wsparcie może umożliwić eksperymentowanie, nie określając jednak, jak projekt będzie działał później. Instytucje muszą zrozumieć, czy mogą zachować i utrzymywać użyteczne rezultaty, gdy wsparcie się zmieni.
Przenośność jest więc częścią jakości badań. Kod, transformacje danych i dokumentacja metodologiczna powinny pozostawać zrozumiałe poza konkretnym interfejsem rozmowy. Nie eliminuje to zależności od usług programistycznych, lecz ułatwia ocenę tej zależności.
Ekspansję należy zatem oceniać poprzez zestaw konkretnych wkładów badawczych. Szerokie twierdzenia o przyspieszonym odkrywaniu wymagają mocniejszych dowodów niż udane wdrożenie lub entuzjastyczne opinie. Udział instytucji tworzy miejsce do gromadzenia tych dowodów, pod warunkiem że ocena pozostanie wyraźnie określona.
Szukaj wyników możliwych do ponownego wykorzystania, sprawdzonych rezultatów i dalszego użycia
Kolejne użyteczne dowody pokażą, co badacze wytworzyli, jak to sprawdzili i czy inni nadal z tego korzystali.
W nadchodzących miesiącach pierwszym sygnałem wartym obserwacji będzie publikacja możliwych do zbadania materiałów badawczych. Mogą one obejmować oprogramowanie, udokumentowane transformacje danych, metody oceny lub współdzielone zasoby. Ich znaczenie zależy od tego, czy ktoś spoza zespołu, który je stworzył, potrafi zrozumieć ich działanie.
Publikacja z jasnymi instrukcjami i ograniczeniami wzmocniłaby argument za dystrybucją instytucjonalną. Pokazałaby, że wsparcie wytworzyło coś zdolnego funkcjonować poza pojedynczym badaczem. Publikacja bez kontekstu potrzebnego do ponownego wykorzystania stanowiłaby słabszy dowód.
To rozróżnienie ma praktyczny charakter. Repozytorium może być publiczne, a jednocześnie trudne do zinterpretowania lub uruchomienia. Recenzenci powinni szukać spójnego związku między deklarowanym zadaniem naukowym, implementacją i dowodami uzasadniającymi jej użycie.
Drugim sygnałem jest ocena mierząca kompletny przepływ pracy. Użyteczne raporty powinny wyjaśniać, czego próbowali badacze, co wniosła pomoc oraz jak sprawdzono wyniki. Porównania powinny obejmować wysiłek ekspertów wymagany do poprawienia lub zatwierdzenia pracy.
Pomogłoby to odróżnić przyspieszenie zadania od postępu naukowego. Skrócenie czasu przygotowania może być wartościowe samo w sobie. Ustalenie, że wynikająca z tego metoda poprawia wiarygodność lub zasięg badań, wymaga dodatkowych dowodów.
Niezależna analiza dodatkowo wzmocniłaby te raporty. Inny zespół odtwarzający analizę lub wskazujący jej ograniczenia dostarcza informacji, których nie zapewni ogłoszenie partnerstwa. Jasne opisy nieskutecznych podejść również zwiększyłyby zaufanie do procesu oceny.
Trzecim sygnałem jest dalsze użycie poza początkową demonstracją. Współdzielony zasób, który otrzymuje poprawki i wspiera późniejsze projekty, dostarcza dowodów trwałej wartości. Dalsze utrzymanie ma znaczenie, ponieważ pytania badawcze, zależności programistyczne i źródła danych się zmieniają.
Szerszy udział również byłby informatywny. Jeśli badacze spoza pierwotnych zespołów partnerskich mogą korzystać z powstałych materiałów, argument za korzyścią publiczną staje się silniejszy. Jeśli wyniki pozostają zależne od nieudokumentowanej lokalnej wiedzy, ich zasięg będzie węższy.
Żaden z tych sygnałów nie wymaga natychmiastowego ogłoszenia odkrycia. Infrastruktura instytucjonalna często zyskuje wartość dzięki niezawodnej pracy, która przyciąga niewiele uwagi. Lepsza dokumentacja, sprawdzone oprogramowanie i użyteczne dane mogą wspierać przyszłe ustalenia, nie stając się same w sobie odkryciami.
Czytelnicy powinni zatem śledzić artefakty badawcze obok wiadomości o partnerstwie. Anthropic AI for Science rozszerzył kanały, poprzez które badacze mogą otrzymywać wsparcie. To, czy taki układ poprawia pracę naukową, stanie się jaśniejsze dzięki konkretnym, możliwym do zbadania wkładom.
Dla zespołu badawczego rozważającego znaczenie tych zmian punktem wyjścia powinno być konkretne zadanie naukowe oraz zdefiniowanie użytecznych dowodów przed oceną pomocy. Zachowaj oryginalne dane wejściowe, wygenerowane materiały, poprawki i końcowe rozumowanie. Porównaj pełny nakład pracy z dotychczasowym podejściem, w tym czas recenzji i nierozwiązane błędy. Zapytaj, czy inny badacz może zbadać wynik bez dostępu do prywatnej rozmowy lub nieudokumentowanych decyzji. Następnie wyjdź poza początkowy sukces: kto będzie utrzymywał przepływ pracy i kto jeszcze może z niego skorzystać? Śledź te pytania w miarę pojawiania się rezultatów partnerów i oceniaj ekspansję na podstawie badań, które stają się łatwiejsze do zbadania, odtworzenia i dalszego rozwijania.
