Badacze proponują artefakty natywne dla agentów jako nowy format pracy naukowej

IEEE Spectrum zwrócił uwagę na propozycję 37 autorów, która podważa podstawową konwencję naukową: badacze powinni przestać traktować publikacje czytelne dla człowieka jako swój główny rezultat. Zamiast tego autorzy chcą tworzyć pakiety badawcze wykonywalne przez maszyny, przeznaczone dla agentów AI. Nie twierdzą, że ludzie powinni stracić dostęp do nauki. Ich zdaniem sztuczna inteligencja potrzebuje dziś większej szczegółowości, niż może pomieścić konwencjonalna publikacja.

Propozycję przedstawiono w The Last Human-Written Paper, przesłanej do ArXiv 27 kwietnia 2026 r. i zrewidowanej 19 maja. Jej autorzy nazywają proponowany zamiennik Agent-Native Research Artifact, czyli ARA. Format łączy twierdzenia naukowe, wykonywalny kod, historię badań i surowe dowody w jednym ustrukturyzowanym pakiecie.

Ta koncepcja rodzi ostrzejszy konflikt, niż sugeruje prowokacyjny tytuł. Nauka musi stać się łatwiejsza do analizy przez maszyny, nie stając się jednocześnie trudniejsza do kwestionowania przez ludzi. Rzeczywista rywalizacja nie przebiega więc między czytelnikami AI a ludzkimi czytelnikami. Chodzi o efektywność maszyn w zestawieniu z funkcjami narracyjnymi, redakcyjnymi i społecznymi, które czynią badania zrozumiałymi.

Artykuł raportuje znaczne korzyści w wybranych benchmarkach uczenia maszynowego. Jednak jego własne wyniki ujawniają też ostrzeżenie. Szczegółowe zapisy wcześniejszych niepowodzeń mogą skierować agenta AI ku użytecznej pracy, ale mogą również zakotwiczyć go w przestarzałych ideach.

Co właściwie historia IEEE Spectrum wniosła do dyskusji

Propozycja zmienia główny obiekt naukowy z perswazyjnego dokumentu w operacyjny pakiet.

Konwencjonalna publikacja przedstawia projekt badawczy jako liniową argumentację. Wprowadza problem, opisuje metodę, raportuje wyniki i wyjaśnia, dlaczego są one istotne. Kod, dane, pliki uzupełniające i zapisy laboratoryjne zwykle znajdują się poza tą główną narracją.

ARA odwraca tę hierarchię. Ustrukturyzowany pakiet staje się głównym zapisem, a czytelna publikacja — jednym ze skompilowanych widoków jego zawartości. Agent AI może analizować pojedyncze twierdzenia, śledzić dowody, wykonywać kod albo odtwarzać decyzje, które ukształtowały eksperyment.

Trzydziestu siedmiu badaczy organizuje ARA w cztery powiązane warstwy. Warstwa poznawcza zapisuje problem, koncepcje, eksperymenty i falsyfikowalne twierdzenia. Warstwa fizyczna zawiera wykonywalny kod, konfiguracje, zależności, wymagania sprzętowe i seedy.

Graf eksploracji zachowuje rozgałęzienia, odrzucone podejścia, niepowodzenia i zmiany kierunku. Warstwa dowodowa przechowuje wyniki, logi, krzywe i inne dane wyjściowe wspierające każde twierdzenie. Odsyłacze krzyżowe łączą stwierdzenie z eksperymentem, kodem i dowodami.

Struktura ta odpowiada na dwa problemy, które autorzy nazywają Storytelling Tax i Engineering Tax. Storytelling Tax pojawia się, gdy badacze kompresują miesiące rozgałęzionej pracy do jednej udanej ścieżki. Nieudane eksperymenty i odrzucone hipotezy często znikają podczas tej kompresji.

Engineering Tax opisuje różnicę między informacją wystarczającą do przekonania odbiorcy a informacją wystarczającą do wykonania pracy. Recenzent może rozumieć, dlaczego metoda powinna działać, nie dysponując każdym ustawieniem potrzebnym do jej odtworzenia. Agent AI próbujący przeprowadzić eksperyment nie potrafi niezawodnie wypełnić tej luki.

Autorzy proponują też trzy systemy wspierające. Live Research Manager rejestrowałby decyzje podejmowane podczas zwykłej pracy z asystentem AI. ARA Compiler przekształcałby istniejące publikacje i repozytoria w nową strukturę.

Proces recenzji natywny dla ARA sprawdzałby następnie integralność strukturalną, rygor argumentacji i odtwarzalność. Ludzcy recenzenci nadal odpowiadaliby za oceny dotyczące znaczenia, nowości i naukowego wyczucia.

Analiza IEEE Spectrum czyni tę propozycję wartą uwagi, ponieważ wykracza ona poza wykorzystywanie AI do streszczania publikacji. Stawia pytanie, czy komunikacja naukowa powinna zostać przeprojektowana wokół autonomicznych systemów, które czytają, odtwarzają i rozwijają badania.

To rozróżnienie ma znaczenie. Narzędzia wyszukiwania traktują publikacje jako dokumenty do odnalezienia. ARA traktuje badania jako środowisko, w którym agent może działać.

Propozycja idzie też dalej niż dołączenie notebooka lub repozytorium do pliku PDF. Jej główne twierdzenie brzmi, że publikacje narracyjne są stratnymi kompilacjami. Dodanie większej liczby plików uzupełniających nie musi przywrócić powiązań między twierdzeniami, decyzjami, szczegółami implementacji i surowymi dowodami.

ARA wysuwa zatem bezpośrednie żądanie instytucjonalne. Uniwersytety, konferencje, czasopisma, instytucje finansujące i zespoły badawcze musiałyby uznać ustrukturyzowane artefakty za pełnoprawne rezultaty pracy. Bez takiego uznania ARA pozostanie rozbudowanym dodatkiem, a nie zamiennikiem.

Dlaczego agenci AI wywierają presję na wydawców naukowych

Wydawcy stoją dziś przed problemem formatu, ponieważ systemy AI konsumują badania inaczej niż ludzcy czytelnicy.

Ludzie zazwyczaj zaczynają od tytułów, abstraktów, wykresów i wniosków. Przechodzą między sekcjami zgodnie ze swoimi zainteresowaniami i wiedzą. Dobrze napisana narracja pomaga im zrozumieć, dlaczego dane pytanie ma znaczenie i jak dowody zmieniają argumentację.

Agent AI wykonujący pracę techniczną ma inne potrzeby. Musi identyfikować precyzyjne twierdzenia, rozwiązywać zależności, lokalizować konfiguracje, analizować kod i łączyć raportowane liczby z surowymi wynikami. Musi też odróżnić potwierdzony rezultat od hipotezy lub porzuconej idei.

PDF może zawierać te szczegóły, lecz rzadko udostępnia je w spójny sposób. Tabele mogą być trudne do przetworzenia. Równania mogą tracić strukturę podczas ekstrakcji. Metoda może zależeć od ustawień rozproszonych po tekście, aneksach, kodzie i nieudokumentowanych rozmowach.

Badacze ARA przeanalizowali 8 921 wymagań dotyczących odtworzenia, opatrzonych adnotacjami ekspertów i powiązanych z 23 publikacjami z ICML 2024. Raportują, że tylko 45,4 procent z nich zostało w pełni określonych w odpowiadających im PDF-ach. Wymagania dotyczące tworzenia kodu miały 37,3 procent wystarczającego pokrycia.

Brakujące hiperparametry odpowiadały za 26,2 procent zidentyfikowanych luk informacyjnych. Dane te pochodzą z analizy autorów propozycji, a nie z niezależnego audytu ARA. Mimo to opisują znany problem odtwarzalności w wyjątkowo konkretnych kategoriach.

Podstawowym benchmarkiem jest PaperBench, który ocenia, czy agenci AI potrafią odtwarzać badania z zakresu uczenia maszynowego. Odtwarzanie oznacza więcej niż odpowiadanie na pytania dotyczące publikacji. Agent musi ponownie zbudować eksperymenty i uzyskać wyniki, które mogą ocenić eksperci.

Wydawcy nie są jedynymi grupami pod presją. Badacze musieliby rejestrować więcej ustrukturyzowanych informacji podczas aktywnego prowadzenia projektu. Laboratoria potrzebowałyby zasad zachowywania wewnętrznych decyzji bez ujawniania materiałów poufnych.

Recenzenci konferencyjni potrzebowaliby narzędzi do poruszania się po artefaktach, które mogą zawierać tysiące plików i zdarzeń. Archiwiści potrzebowaliby stabilnych standardów dla środowisk, zależności, pochodzenia danych i uprawnień dostępu. Instytucje badawcze musiałyby także zdecydować, które działania maszyn można uznać za ważną weryfikację.

Odpowiedzią artykułu na obciążenie autorów jest automatyzacja. Jego Live Research Manager obserwowałby pracę człowieka i agenta, a następnie przekształcał decyzje w ustrukturyzowane zapisy. Takie podejście zakłada, że asystent AI uczestniczy w projekcie od początku do końca.

To założenie pasuje do części laboratoriów informatycznych. Mniej naturalnie pasuje do biologii eksperymentalnej, badań klinicznych, badań terenowych i pracy jakościowej. Znaczna część ich dowodów zaczyna się od fizycznych obserwacji, wywiadów, instrumentów, próbek lub ograniczonych zapisów.

Autorzy przyznają, że ich ewaluacja obejmuje uczenie maszynowe. Twierdzą, że warstwy fizyczna i eksploracyjna mogą wymagać znacznych dostosowań dla eksperymentów prowadzonych poza środowiskami obliczeniowymi. To ograniczenie istotnie zawęża bezpośrednie twierdzenie.

Publikowanie naukowe służy również czytelnikom, którzy nie wykonują kodu. Decydenci, dziennikarze, studenci, badacze interdyscyplinarni i społeczności, których badania dotyczą, potrzebują wyjaśnień, a nie przeszukiwania repozytoriów. Format zoptymalizowany wyłącznie dla agentów zawiódłby te grupy odbiorców.

Silniejszą wersją tej propozycji jest zatem podwójna publikacja. Ustrukturyzowany obiekt badawczy może przechowywać wykonywalne szczegóły, podczas gdy ludzka narracja wyjaśnia cel, niepewność i konsekwencje. Sam artykuł faktycznie wspiera to podejście, nazywając narracje skompilowanymi widokami.

IEEE Spectrum wskazuje realny punkt nacisku, lecz praktyczna odpowiedź nie wymaga porzucenia prozy. Wymaga zakończenia roli PDF-a jako jedynej autorytatywnej reprezentacji projektu.

Główny konflikt według IEEE Spectrum to wiedza kontra narracja

Struktura czytelna dla maszyn może zachować więcej szczegółów badań, lecz same szczegóły nie tworzą naukowego zrozumienia.

Autorzy streszczają swoją zasadę projektową hasłem „Knowledge over Narrative”. To sformułowanie wskazuje zarówno najmocniejszą stronę propozycji, jak i jej kluczową słabość. Wiedza badawcza nie zawsze daje się oddzielić od sposobu konstruowania argumentacji.

Narracja może ukrywać niepowodzenia i wygładzać niepewność. Może też wyjaśniać, dlaczego problem zasługuje na uwagę, które założenia mają wagę moralną i gdzie dowody pozostają niejednoznaczne. Funkcje te trudno sprowadzić do twierdzeń, zależności i wykonywalnych zadań.

Publikacje naukowe są przekonujące, ponieważ nauka wymaga osądu. Czytelnicy oceniają, czy pytanie jest istotne, czy porównanie jest uczciwe oraz czy wyjaśnienie odpowiada dowodom. Pakiet weryfikowalny przez maszyny może wspierać te decyzje, nie czyniąc ich automatycznymi.

Cztery warstwy ARA oferują jednak wyraźne korzyści. Powiązania twierdzeń z dowodami mogą ujawniać niepoparte wnioski. Zapisy konfiguracji mogą ograniczyć liczbę zmarnowanych prób odtworzenia. Historie eksploracji mogą powstrzymać wiele zespołów przed powtarzaniem tego samego nieudanego podejścia.

Proponowany punkt wejścia PAPER.md wspiera również stopniowe ujawnianie informacji. Agent może najpierw przeczytać zwięzły przegląd, a następnie załadować wyłącznie pliki potrzebne do konkretnego pytania. Taka konstrukcja pomaga kontrolować wykorzystanie kontekstu, zachowując dostęp do głębszych materiałów.

Podejście to rozwija wcześniejsze wysiłki, aby obiekty badawcze były łatwiejsze do odnalezienia i ponownego użycia. Zasady FAIR ustanowiły, że dane powinny być możliwe do znalezienia, dostępne, interoperacyjne i wielokrotnego użycia. Inne systemy pakują przepływy pracy, pochodzenie danych, notebooki lub atomowe twierdzenia.

ARA próbuje połączyć wszystkie te wymiary z wykonywaniem i historią decyzji. Jego nowość wynika w mniejszym stopniu z pojedynczego typu pliku, a bardziej z powiązań między nimi. Twierdzenie może wskazywać na eksperyment, ścieżkę kodu, wynik i sekwencję wcześniejszych decyzji.

Taka struktura ułatwiłaby audyt pracy naukowej, gdyby badacze rzetelnie ją utrzymywali. Mogłaby także zwiększyć widoczność selektywnego raportowania. Recenzent mógłby sprawdzić, ile podejść zawiodło, zanim raportowana metoda odniosła sukces.

Wyczerpujące zapisy wprowadzają jednak nowe problemy interpretacyjne. Nieudany eksperyment może wynikać z błędnej implementacji, a nie ze złej hipotezy. Agent mógłby potraktować dawne niepowodzenie jako uniwersalne ograniczenie, choć dotyczyło ono tylko jednego środowiska.

Własne testy rozszerzeń artykułu pokazują to ryzyko. Agenci wyposażeni w ARA szybciej znajdowali użyteczne pierwsze kroki w pięciu zadaniach RE-Bench. Mieli dostęp do śladów niepowodzeń i heurystyk, które agenci opierający się na publikacjach musieli odkrywać na nowo.

W przypadku dwóch zadań wykorzystujących bardziej zaawansowany model, początkowa przewaga nie przełożyła się na najlepszy wynik końcowy. Agent oparty na artykule nadal eksplorował poza udokumentowanym schematem działania. Agent ARA pozostawał zakotwiczony w strategiach zapisanych w artefakcie.

Taki wynik osłabia najprostszy argument sprzedażowy. Bardziej ustrukturyzowany kontekst nie zawsze zapewniał lepsze wyniki w otwartych badaniach. Czasem brak wiedzy pozwalał zachować szerszą przestrzeń poszukiwań.

Istotny kompromis dotyczy pamięci i eksploracji. Systemy naukowe potrzebują wystarczającej pamięci, by uniknąć niepotrzebnego powtarzania pracy. Potrzebują też mechanizmów, które nie pozwolą odziedziczonym wnioskom stać się niewidzialnymi granicami.

Ludzcy badacze już mierzą się z tym problemem. Przeglądy literatury pomagają im rozwijać wcześniejsze prace, lecz przyjęte ramy mogą zniechęcać do stawiania alternatywnych pytań. Agent maszynowy mógłby wzmocnić ten efekt, ponieważ konsekwentnie podąża za jawnymi strukturami.

ARA mogłaby ograniczyć to ryzyko, dołączając do nieudanych ścieżek informacje o pochodzeniu, datach, możliwościach modeli i warunkach zakresu. Agenci mogliby obniżać wagę starych wyników, gdy zmienił się sprzęt, dane lub metody. Mogliby również otrzymywać celowo wyznaczone budżety eksploracji poza zapisanym grafem.

Te zabezpieczenia nie są drobnymi szczegółami implementacyjnymi. Decydują o tym, czy artefakt natywny dla agentów stanie się mapą, czy klatką. Mapa wskazuje znany teren, pozostawiając miejsce poza swoimi granicami.

Najlepszy rezultat zachowałby obie reprezentacje. Ludzie otrzymywaliby jasną narrację z rozliczalnym autorstwem. Agenci otrzymywaliby możliwy do zbadania obiekt badawczy zawierający szczegóły operacyjne, których proza nie potrafi efektywnie pomieścić.

Zyski w benchmarkach są znaczące, ale nie stanowią jeszcze rozstrzygającego dowodu

Opisane wyniki uzasadniają dalsze testy, a nie powszechne zastąpienie artykułów naukowych.

Autorzy oceniają rozumienie, reprodukcję, rozszerzanie i zautomatyzowaną recenzję. Ich najbardziej bezpośrednie porównanie dostarcza agentom albo pakiet ARA, albo tradycyjny artykuł wraz z powiązanym kodem. Testy mierzą następnie, jak dobrze każda reprezentacja wspiera zadania badawcze.

W pytaniach i odpowiedziach obejmujących PaperBench oraz RE-Bench artykuł raportuje wzrost trafności z 72,4 proc. do 93,7 proc. To różnica 21,3 punktu procentowego w 450 pytaniach. Wynik sugeruje, że ustrukturyzowane artefakty pomagają agentom odnajdywać precyzyjne informacje techniczne.

W przypadku reprodukcji raportowany wskaźnik sukcesu wzrasta z 57,4 proc. do 64,4 proc. Ocena obejmuje 150 podzadań zaczerpniętych z 15 artykułów PaperBench. Poprawa o siedem punktów jest użyteczna, ale nadal oznacza, że ponad jedna trzecia zadań kończy się niepowodzeniem.

Wyniki dotyczące rozszerzeń są bardziej złożone. ARA uzyskała najlepszy wynik w trzech z pięciu otwartych zadań i we wszystkich pięciu szybciej znalazła skuteczny początkowy kierunek. Jednak wcześniejsze zapisy niepowodzeń czasami ograniczały silniejsze agenty.

Są to wyniki autorów z preprintu. W chwili publikacji na ArXiv praca nie przeszła tradycyjnej recenzji czasopismowej. Niezależne zespoły nadal muszą odtworzyć porównania i sprawdzić, czy proces tworzenia artefaktów nie sprzyjał warunkowi ARA.

Artykuł ujawnia kilka istotnych ograniczeń. Ewaluatorzy zaznajomieni z wybranymi artykułami i formatem ARA pomagali budować benchmark z ludzkimi adnotacjami. Wyniki mogą się różnić w przypadku nieznanych tematów, nietypowych metodologii lub mniej starannie przygotowanych artefaktów.

Kompilator nie potrafi też odzyskać informacji nieobecnych w oryginalnym artykule. Jeśli autorzy pominęli ustawienie eksperymentu, system ekstrakcji nie może go wiarygodnie odtworzyć. Przekonwertowany starszy artykuł dziedziczy więc wiele luk dokumentu źródłowego.

Rejestrowanie na bieżąco może zachować więcej informacji, lecz tworzy kolejną zależność. System zakłada, że decyzje badawcze przechodzą przez przepływ pracy wspomagany przez AI. Rozmowy poza tym przepływem, ręczne eksperymenty, prywatne wiadomości i niezarejestrowane osądy mogą pozostać pominięte.

Bezpieczeństwo jest większym nierozwiązanym problemem. Artykuł stwierdza, że wymagania produkcyjne, w tym wykonywanie w sandboxie, wykrywanie anomalii na poziomie treści oraz szczegółowe kontrole dostępu, nie zostały jeszcze wdrożone. Kontrole te są niezbędne, zanim agenci zaczną wykonywać nieznane pakiety badawcze.

Złośliwy artefakt mógłby zawierać niebezpieczny kod lub wprowadzające w błąd instrukcje. Naruszona zależność mogłaby zmienić wyniki. Wrażliwe ślady mogłyby ujawnić nieopublikowane pomysły, dane osobowe, ustalenia dotyczące bezpieczeństwa lub poufne zbiory danych.

Prywatność również koliduje z kompleksowym rejestrowaniem. Zachowywanie każdego odrzuconego pomysłu i każdej rozmowy brzmi wartościowo dla maszyn. Badacze mogą jednak wypowiadać się mniej swobodnie, jeśli każdy spekulacyjny komentarz staje się częścią trwałego artefaktu.

Selektywny dostęp może ograniczyć tę obawę, lecz ograniczone dowody komplikują weryfikację. Recenzenci muszą wiedzieć, co ukryto i dlaczego. Instytucje muszą także zapobiegać wyciekaniu prywatnych materiałów poprzez generowane podsumowania lub pochodne wyniki.

Zautomatyzowana recenzja wprowadza kolejną niepewność. Proponowany ARA Seal sprawdza strukturę, rygor i wykonanie na kolejnych poziomach. Kompletność strukturalna nie gwarantuje jednak, że twierdzenie jest naukowo istotne lub koncepcyjnie trafne.

Duże modele językowe mogą również wydawać niespójne oceny. Artykuł opisuje patologie związane z opartym na modelu audytorem rygoru, w tym rozbieżności między wykrytymi problemami a przyznanymi ocenami. Ludzka recenzja pozostaje konieczna nawet w ramach proponowanej architektury.

Te ograniczenia nie przekreślają osiągniętych zysków. Pokazują, dlaczego wdrażanie powinno zaczynać się od równoległych artefaktów w dziedzinach obliczeniowych. Konferencje mogą wymagać pakietów ARA, zachowując jednocześnie artykuły czytelne dla ludzi i zwykły proces recenzji.

Zespoły mogłyby następnie porównywać obciążenie związane z tworzeniem materiałów, czas recenzentów, wskaźniki reprodukcji, incydenty bezpieczeństwa i ponowne wykorzystanie artefaktów. Takie pomiary dostarczyłyby silniejszych dowodów niż zastępowanie artykułów wyłącznie na podstawie wyników benchmarków.

Propozycję najlepiej rozumieć jako badanie infrastruktury. Oferuje testowalny format i narzędzia wspierające. Nie ustanowiła uniwersalnego celu końcowego dla komunikacji naukowej.

Trzy sygnały pokażą, czy badania natywne dla agentów działają

Kolejny etap należy oceniać przez pryzmat wdrożenia, niezależnej reprodukcji i bezpieczeństwa operacyjnego, a nie prowokacyjnych tytułów.

Pierwszym sygnałem jest wdrożenie przez konferencje, czasopisma lub duże laboratoria. Wiarygodny pilotaż wymagałby ustrukturyzowanych artefaktów dla określonej klasy zgłoszeń obliczeniowych. Określałby również zasady archiwizacji i obowiązki recenzentów.

Dobrowolne przesyłanie materiałów na GitHub jest użyteczne, ale nie testuje akceptacji instytucjonalnej. Badacze reagują na wymogi publikacyjne, praktyki cytowania, zasady finansowania i zachęty związane z awansem. Format staje się infrastrukturą dopiero wtedy, gdy systemy te go uznają.

Drugim sygnałem jest niezależna reprodukcja. Zewnętrzne zespoły powinny odtworzyć opisane porównania ARA, wykorzystując wcześniej niewidziane artykuły, inne agenty i wiele rodzin modeli. Powinny ujawnić koszt tworzenia i utrzymywania każdego artefaktu.

Użyteczne badanie rozdzieliłoby trzy efekty. Jeden wynika z lepszego formatowania. Drugi z dodania informacji niedostępnych w artykule. Trzeci z tego, że ewaluatorzy wiedzą, jak skonstruowano artefakt.

To rozróżnienie ma znaczenie, ponieważ każdy szczegółowy pakiet badawczy może przewyższać krótki PDF. Trudniejsze pytanie brzmi, czy konkretna ontologia ARA zapewnia trwałe korzyści w różnych projektach i instytucjach. Niezależne testy mogą ustalić tę różnicę.

Trzecim sygnałem jest wiarygodny model bezpieczeństwa i zarządzania. Zanim agenci zaczną wykonywać współdzielone artefakty, ekosystem potrzebuje sandboxingu, kontroli zależności, kontroli pochodzenia, uprawnień i trwałych dzienników audytu. Te zabezpieczenia muszą działać między organizacjami.

Zarządzanie musi również definiować autorstwo. Jeśli agenci rejestrują decyzje, modyfikują twierdzenia, wykonują eksperymenty i generują podsumowania, czytelnicy muszą wiedzieć, które wkłady pochodziły od ludzi. Atrybucja nie może stać się nieprzejrzystym polem wygenerowanym po zakończeniu pracy.

Publiczne repozytorium ARA udostępnia kod i przykłady do eksperymentowania. Ta otwartość może pomóc niezależnym badaczom analizować proponowany schemat. Daje też potencjalnym użytkownikom konkretny obiekt do przetestowania, a nie wyłącznie teoretyczny standard.

Wdrożenie w najbliższym czasie prawdopodobnie będzie nierówne. Uczenie maszynowe i systemy obliczeniowe oferują najczytelniejsze dopasowanie, ponieważ ich eksperymenty już obejmują kod, konfiguracje, logi i mierzalne wyniki. Inne dyscypliny będą wymagać odmiennych zabezpieczeń fizycznych i etycznych.

Badacze nie powinni interpretować pytania IEEE Spectrum jako polecenia pisania dla maszyn zamiast dla ludzi. Powinni traktować je jako wezwanie, by przestać zmuszać jeden dokument do obsługi każdej grupy odbiorców.

Artykuł może pozostać interfejsem dla ludzi. Pakiet natywny dla agentów może stać się zapisem operacyjnym. Żaden z nich nie powinien po cichu zastępować drugiego, dopóki dowody nie pokażą, które funkcje naukowe każdy format wykonuje dobrze.

Ten podział oferuje również praktyczny przepływ pracy dla pracowników wiedzy. Zespoły mogą zachowywać ustrukturyzowany materiał źródłowy, jednocześnie tworząc czytelne wyjaśnienia dla współpracowników. Przeszukiwalna baza wiedzy opiera się na tej samej szerokiej zasadzie: zachowaj dowody, jednocześnie ułatwiając ich odnajdywanie.

Trudność nie polega na generowaniu większej liczby plików. Polega na utrzymywaniu wiarygodnych powiązań między twierdzeniami, decyzjami, kodem i dowodami. Powiązania te muszą przetrwać zmiany w oprogramowaniu, rotację personelu i spory dotyczące interpretacji.

IEEE Spectrum zwrócił uwagę na poważną propozycję ukrytą pod celowo dramatycznym tytułem. Przyszłością publikowania naukowego raczej nie będzie ostatni artykuł napisany przez człowieka. Bardziej prawdopodobne, że będzie nią pierwszy zapis badań uczciwie zaprojektowany dla obu rodzajów czytelnika.

Przed przyjęciem ARA badacze powinni zadać konkretne pytanie: czy ten pakiet ułatwia weryfikację pracy, nie osłabiając ludzkiego zrozumienia? Jeśli niezależne replikacje, pilotaże instytucjonalne i bezpieczne wykonanie odpowiedzą twierdząco, artefakty natywne dla agentów zasługują na formalne miejsce obok artykułów. Do tego czasu naukowcy powinni eksperymentować z formatem, zachowywać czytelne narracje i opierać się traktowaniu efektywności maszynowej jako jedynej miary komunikacji naukowej.