Generatieve AI verandert de manier waarop wetenschappelijke ideeën ontstaan

Voor het grootste deel van de moderne wetenschap waren de eerste stadia van een onderzoeksideaal grotendeels onzichtbaar.

Een onderzoeker merkte een afwijking op, verbond twee concepten, betwijfelde een gevestigde aanname of identificeerde een lacune in de literatuur. Dat idee werd privé verfijnd voordat het werd getest door middel van gesprekken met supervisors, collega’s, reviewers en financieringsinstanties.

Generatieve AI dringt zich op in die sequentie.

Onderzoekers kunnen nu een onvolledige gedachte aan een groot taalmodel voorleggen voordat ze het bespreken met een andere persoon. Ze kunnen het systeem vragen om hypothesen te genereren, aannamen te betwisten, aangrenzende gebieden te identificeren of een intuïtie om te zetten in een meer samenhangend voorstel.

Dit kan lijken op een andere productiviteitsverbetering. Het is echter belangrijker dan dat.

Generatieve AI creëert een nieuwe tussenlaag tussen privé-gedachte en menselijke wetenschappelijke oordeel. Die laag kan veranderen hoe ideeën worden gevormd, wie vroeg intellectuele steun ontvangt, hoe onderzoekers worden opgeleid en waar expertise waarde creëert.

Een studie uit 2026¹ gepubliceerd in Research Policy biedt bewijs dat deze transformatie al ongelijkmatig verdeeld is. Minder ervaren onderzoekers waren aanzienlijk meer geneigd om AI-gegenereerde suggesties op te nemen en de resulterende ideeën als nieuw of invloedrijk te beschouwen. Meer ervaren onderzoekers waren meer geneigd om dezelfde suggesties als voor de hand liggend, onvoldoende geavanceerd of slechts een ander instrument te beschouwen.

De resultaten wijzen op een bredere verschuiving in wetenschappelijk werk. Aangezien AI ideeëngeneratie overvloedig maakt, kan de schaarse capaciteit niet langer het produceren van mogelijkheden zijn. Het kan weten welke mogelijkheden het waard zijn om te overleven.

AI verandert de sequentie van wetenschappelijk denken

De studie van Matthias Trobinger, Anil R. Doshi en Sen Chai onderzocht hoe onderzoekers reageerden toen generatieve AI nieuwe onderzoeksrichtingen voorstelde op basis van hun eerdere werk.

In een gerandomiseerd experiment met 310 onderzoekers ontvingen deelnemers geen zichtbare AI-suggesties, één AI-gegenereerde suggestie of drie AI-gegenereerde suggesties. Een follow-upstudie met 28 onderzoekers onderzocht hoe ze AI interactief gebruikten tijdens de vroege ideatie.

De resultaten toonden aan dat AI de inhoud van de ideeën die onderzoekers produceerden, beïnvloedde. Echter, ervaring had een sterke invloed op die invloed.

Minder ervaren onderzoekers waren meer geneigd om AI-suggesties op te nemen, ze te interpreteren als nieuw en de resulterende ideeën als invloedrijk te beschouwen. Meer ervaren onderzoekers waren minder beïnvloed en geloofden vaak dat de voorgestelde richtingen al waren overwogen, onvoldoende ambitieus waren of ontbraken aan de context die nodig was om een echt waardevol onderzoeksprobleem te identificeren.

De belangrijkste implicatie is niet dat de ene groep AI vertrouwde en de andere niet.

Het is dat generatieve AI lijkt te bewegen wetenschappelijke feedback eerder in het proces.

Voordien moesten onderzoekers vaak beslissen of een idee coherent genoeg was om aan een andere persoon voor te leggen. AI verlaagt die drempel aanzienlijk. Het staat een onderzoeker toe om een idee te externaliseren terwijl het nog onvolledig, tegenstrijdig of slecht gearticuleerd is.

Dat creëert een fundamenteel andere workflow.

Het echte disruptieve effect is pre-supervisie AI

Onderzoekers in het begin van hun carrière hebben vaak een structureel nadeel dat weinig te maken heeft met intelligentie of inspanning. Ze hebben kleinere professionele netwerken, minder vertrouwen bij het benaderen van gevestigde experts en minder opgebouwde ervaring bij het omzetten van vage vragen in verdedigbare projecten.

Generatieve AI compenseert gedeeltelijk voor dat nadeel.

Het biedt on-demand voorlopig overleg zonder planningbeperkingen, sociale druk of reputatierisico.

Dit creëert wat kan worden omschreven als een pre-supervisie-laag.

AI vervangt de supervisor niet. In plaats daarvan verandert het wat de supervisor bereikt.

Die onderscheid heeft grote implicaties voor onderzoeksorganisaties. Als onderzoekers meer samenhangende en ontwikkelde voorstellen indienen, kunnen senior wetenschappers minder tijd besteden aan het formuleren van basisvragen en meer tijd aan het evalueren van strategisch belang, methodologische rigor en resource-toewijzing.

In theorie kan dit de efficiëntie van mentorship verbeteren. Ervaren onderzoekers kunnen hun beperkte aandacht richten op hogere-waarde oordeel in plaats van voorlopige structurering.

Echter, het kan ook zwakheden verhullen.

Een gepolijste AI-ondersteunde voorstel kan de schijn van intellectuele volwassenheid creëren zonder de onderliggende redeneervaardigheden die normaal worden ontwikkeld door het proces van constructie. Supervisors kunnen beter gepresenteerde ideeën ontvangen terwijl ze minder zichtbaarheid krijgen in hoe goed de onderzoeker ze begrijpt.

Het resultaat kan een opkomende kloof zijn tussen voorstelkwaliteit en onderzoeker-capaciteit.

Expertise kan verschuiven van generatie naar afwijzing

Generatieve AI verlaagt de kosten van optieproductie dramatisch.

Die overvloed verandert de functie van expertise.

Wanneer mogelijke richtingen duur waren om te genereren, was het produceren van een sterk idee zelf een definiërende capaciteit. Wanneer mogelijkheden bijna zonder limiet kunnen worden gegenereerd, wordt de meer waardevolle capaciteit afwijzing.

Ervaren onderzoekers in de studie verwierpen AI-suggesties vaak niet omdat ze incoherent waren, maar omdat ze niet voldoende belangrijk waren. De ideeën waren soms logische uitbreidingen van eerder werk, maar faalden nog steeds om de drempel van het waard zijn om te onderzoeken.

Dit weerspiegelt een vorm van expertise die huidige AI-systemen moeilijk kunnen reproduceren.

Senior onderzoekers weten vaak:

• Welke vragen al zijn onderzocht, maar nooit zijn gepubliceerd.
• Welke theoretisch aantrekkelijke projecten operationeel onmogelijk zijn.
• Welke methoden zullen falen onder echte wereldbeperkingen.
• Welke resultaten technisch geldig zullen zijn, maar wetenschappelijk onbelangrijk.
• Welke onderzoeksgebieden open lijken, alleen omdat het relevante werk in uitvoering is, maar nog niet openbaar.
• Welke vragen onwaarschijnlijk zijn om peer review of financiering te overleven.

Veel van deze kennis is impliciet. Het bestaat in professionele netwerken, mislukte experimenten, conferentiebesprekingen, verlaten subsidievoorstellen, revieweropmerkingen en jarenlang blootstelling aan het veld.

Zelfs een LLM met brede toegang tot gepubliceerde onderzoeken kan een plausibele richting genereren, terwijl het ontbreekt aan de impliciete en ongepubliceerde kennis die uitlegt waarom het nooit is nagestreefd.

Dit suggereert dat de toekomstige rol van senior onderzoekers steeds meer kan lijken op die van portefeuillebeheerders. Hun waarde zal liggen niet alleen in het produceren van ideeën, maar in het toewijzen van aandacht en middelen aan een groeiende voorraad AI-gegenereerde mogelijkheden.

AI kan toegang egaliseren, maar oordeelskloven vergroten

Generatieve AI wordt vaak beschreven als een democratiserende technologie omdat het meer mensen toegang geeft tot capaciteiten die eerder waren voorbehouden aan specialisten.

Dat is gedeeltelijk waar in de wetenschap.

Onderzoekers zonder elite-netwerken of gemakkelijk beschikbare supervisors kunnen nu onmiddellijk brainstormen, uitleggen, synthetiseren en kritiseren. Dit kan onderzoekers op kleinere instellingen, in ondergefinancierde regio’s of buiten dominante academische netwerken helpen om sterkere projecten te formuleren.

Echter, gelijke toegang tot AI produceert niet gelijke resultaten, waardoor een potentieel paradox ontstaat: AI kan de kloof in ideeëngeneratie verkleinen, terwijl het de belangrijkheid van evaluatieve vaardigheden vergroot.

De onderzoekers die het meest worden beïnvloed door AI-gegenereerde suggesties, kunnen ook het minst zijn toegerust om hun beperkingen te identificeren. Ondertussen kunnen degenen die het best zijn toegerust om de suggesties te evalueren, minder directe waarde zien in het gebruik ervan.

Het resultaat kan een nieuwe vorm van ongelijkheid in wetenschappelijk werk zijn: niet ongelijke toegang tot ideeën, maar ongelijke capaciteit om ze te filteren.

Het wetenschappelijke monocultuurprobleem

Er is een ander risico dat verder gaat dan individuele onderzoekers.

Grote taalmodellen genereren output door patronen te leren uit bestaande literatuur. Als veel onderzoekers soortgelijke modellen gebruiken om onderzoeksrichtingen te genereren, kunnen deze onderzoekers overlappende suggesties ontvangen, waardoor een vorm van wetenschappelijke convergentie ontstaat die het aantal ideeën uitbreidt, maar de intellectuele diversiteit verkleint.

Individueel kan elke suggestie nieuw lijken.

Collectief kan het systeem de aandacht concentreren rondom dezelfde methoden, variabelen en theoretische kaders.

De studie toont dit systeemniveauresultaat niet direct aan. Echter, de bevindingen maken de mogelijkheid meer geloofwaardig. Minder ervaren onderzoekers waren meer geneigd om AI-suggesties op te nemen, en onderzoekers in het begin van hun carrière vertegenwoordigen een aanzienlijk deel van de toekomstige wetenschappelijke productie.

Als AI een tussenlaag wordt tijdens de vormende stadia van hun carrière, kunnen de modellen niet alleen individuele projecten beïnvloeden, maar ook de grenzen van wat opkomende onderzoekers het waard vinden om te bestuderen.

Onderzoeks-AI moet zijn ontworpen als een tegenstander

De meeste generatieve AI-producten zijn geoptimaliseerd om behulpzaam te zijn. Ze beantwoorden vragen, breiden ideeën uit en produceren gepolijste output.

Wetenschappelijke ideatie kan een andere ontwerpfilosofie vereisen.

De meest waardevolle onderzoeksassistent is niet het systeem dat het meest overtuigende voorstel genereert. Het kan het systeem zijn dat het meest effectief probeert om het te vernietigen.

Een onderzoeksgerichte AI moet in verschillende modi werken:

Hypothese generator

Het systeem moet concurrerende verklaringen voorstellen in plaats van één voorkeursrichting. Het moet aannamen, theoretische kaders en methodologische benaderingen variëren.

Adversarial reviewer

Het moet identificeren waarom een voorstel triviaal, onuitvoerbaar, al onderzocht, statistisch ondergepowered, ethisch problematisch of onwaarschijnlijk om belangrijk bewijs te produceren kan zijn.

Novelty auditor

Het moet huidige papers, preprints, octrooien, klinische proeven, subsidiedatabases en conferentiebijdragen ophalen om te bepalen of het idee echt onverkend is.

Constraint simulator

Het moet het voorstel testen tegen praktische beperkingen zoals toegang tot monsters, apparatuureisen, kosten, tijdslijnen, regelgevende goedkeuringen en gegevensbeschikbaarheid.

Provenance tracker

Het moet documenteren welke elementen afkomstig zijn van de onderzoeker, opgehaalde literatuur, externe medewerkers of model-gegenereerde suggesties.

Divergence engine

Het moet opzettelijk buiten de dominante literatuur zoeken en analogieën uit verre disciplines presenteren in plaats van voortdurend de meest statistisch waarschijnlijke route te versterken.

Dit zou AI herpositioneren van een geautomatiseerde ideeënfabriek tot een intellectueel stress-test systeem.

Universiteiten moeten misschien opnieuw nadenken over hoe onderzoekers worden opgeleid

De opkomst van AI-ondersteunde ideatie creëert een opleidingsprobleem.

Wetenschappelijk onderwijs heeft traditioneel aangenomen dat onderzoekers oordeel ontwikkelen door herhaalde blootstelling aan onzekerheid. Ze leren door het produceren van zwakke ideeën, literatuur te misverstaan, kritiek te ontvangen, aannamen te herzien en te ontdekken waarom ogenschijnlijk veelbelovende richtingen falen.

AI kan sommige van die wrijving verwijderen.

Het verwijderen van onnodige wrijving is gunstig. Het verwijderen van ontwikkelingswrijving is dat misschien niet.

Als junior onderzoekers zich verlaten op AI om elke vroege idee te structureren, kunnen ze sterker korte-termijnoutput produceren, terwijl ze minder onafhankelijke probleemformuleringervaring accumuleren.

Universiteiten moeten daarom AI-beleid niet als een binaire keuze tussen toestemming en verbod framingen. De belangrijkere vraag is hoe AI-gebruik moet worden geïntegreerd in de ontwikkeling van expertise.

Mogelijke vereisten kunnen zijn:

• Onderzoekers moeten een AI-gegenereerd voorstel kritiseren voordat ze het aannemen.
• AI-ondersteunde ideeën moeten worden vergeleken met onafhankelijk gegenereerde alternatieven.
• Studenten moeten documenteren waarom specifieke AI-suggesties zijn afgewezen.
• Supervisors moeten het redeneerproces evalueren, niet alleen het definitieve voorstel.
• Onderzoeksmethoden cursussen moeten kalibratie-oefeningen met plausibele maar gebrekkige AI-output omvatten.

Het doel zou niet zijn om een kunstmatig AI-vrij model van onderzoek te behouden. Het zou zijn om ervoor te zorgen dat AI de ontwikkeling van onderzoekers versnelt in plaats van het te vervangen.

Conclusie

Generatieve AI helpt wetenschappers niet alleen om meer ideeën te genereren. Het verandert wanneer ideeën sociaal worden, wie vroeg intellectuele steun ontvangt en waar expertise waarde creëert.

Voor onderzoekers in het begin van hun carrière kan AI fungeren als een altijd beschikbare voorlopige medewerker. Het kan de sociale kosten van het presenteren van onvolledige gedachten verkleinen en helpen om intuïties om te zetten in voorstellen die klaar zijn voor menselijke discussie.

Voor ervaren onderzoekers kan de waarde elders liggen. Hun voordeel ligt steeds meer in het herkennen van welke plausibele ideeën onbelangrijk zijn, welke elegante projecten onuitvoerbaar zijn en welke schijnbare lacunes geen lacunes zijn.

Dit wijst naar een nieuwe arbeidsverdeling in de wetenschap.

AI zal onderzoekspossibiliteiten overvloedig maken. Menselijke expertise zal bepalen welke mogelijkheden tijd, financiering en aandacht verdienen.

De organisaties die het meest profiteren, zullen niet die zijn die AI inzetten om het grootste aantal ideeën te genereren. Ze zullen die zijn die de sterkste systemen bouwen voor kritiek, selectie, herkomst en intellectuele diversiteit.

De toekomst van AI-ondersteunde wetenschap zal minder afhangen van of machines onderzoeksrichtingen kunnen suggereren en meer van of mensen het vermogen behouden om de verkeerde te verwerpen.

Referenties:

^{1. M. Trobinger, A. R. Doshi, en S. Chai, How experience moderates the impact of AI suggestions on researchers’ perceptions of their ideas, Research Policy 55 (2026) 105575, https://doi.org/10.1016/j.respol.2026.105575}