FSAIM – pierwsza w polskim środowisku akademickim metodyka prowadzenia badań naukowych z wykorzystaniem AI

Sztuczna inteligencja potrafi w kilka sekund napisać przekonujący akapit o badaniu, którego nigdy nie przeprowadzono. Potrafi też wygenerować tabelę, znaleźć eleganckie uzasadnienie dla niemal każdego wyniku i podać źródło, które brzmi wiarygodnie, choć nie istnieje. To nie znaczy, że AI nie nadaje się do nauki. Znaczy tylko, że nie wolno traktować jej jak automatu do pisania artykułów. Z tego właśnie problemu powstała FSAIM – FinSpecAI Method. Została opracowana po to, aby uporządkować całą drogę od pomysłu badawczego do gotowej publikacji i sprawić, by udział AI był widoczny, kontrolowany i możliwy do sprawdzenia.

Według przeglądu publicznie dostępnych źródeł przeprowadzonego 22 sierpnia 2026 roku FSAIM jest pierwszą zidentyfikowaną, publicznie udokumentowaną metodyką opracowaną w polskim środowisku akademickim, która przenosi zasady spec-driven AI development na pełny cykl badań empirycznych.

Nie kolejny chatbot, lecz zasady prowadzenia badania

Termin spec-driven development wywodzi się z inżynierii oprogramowania. Oznacza sposób pracy, w którym najpierw dokładnie ustala się, co ma powstać, jakie warunki musi spełnić wynik i jak zostanie sprawdzony. Dopiero później przystępuje się do wykonania. FSAIM przenosi tę logikę do świata nauki. Zamiast mówić AI: „napisz artykuł na ten temat”, metodyka dzieli pracę na kolejne etapy, zgodnie z ogólnie przyjętymi zasadami procesu naukowego. Każdy etap ma określone wejście, oczekiwany rezultat i moment, w którym człowiek sprawdza pracę oraz podejmuje decyzję, czy można ją kontynuować.

To trochę jak połączenie planu budowy z czarną skrzynką samolotu. Plan pilnuje kolejności prac, a czarna skrzynka zachowuje ślad tego, co rzeczywiście się wydarzyło. Jeśli w badaniu pojawi się błąd, można wrócić do konkretnej decyzji, danych albo fragmentu kodu, zamiast zgadywać, gdzie coś poszło nie tak.

Jak wygląda badanie prowadzone według FSAIM

Najpierw pomysł przechodzi próbę obalenia. AI może pomóc znaleźć wcześniejsze badania, konkurencyjne wyjaśnienia i słabe punkty projektu, ale to badacz rozstrzyga, czy pytanie jest ważne i czy warto poświęcić mu czas. Następnie, jeszcze przed poznaniem wyników, zamrażane są pytania, hipotezy i plan analizy. Ten krok chroni przed bardzo ludzką pokusą dopasowania opowieści do tego, co akurat wyszło w danych. Jeżeli plan później się zmienia, zmiana jest dozwolona, lecz musi zostać zapisana i wyjaśniona.

W czasie analizy AI może przygotowywać kod, sprawdzać dane, wykonywać obliczenia i tworzyć wykresy. Obowiązuje jednak prosta zasada: żadna liczba nie trafia do artykułu z pamięci modelu językowego. Liczby muszą pochodzić z danych i możliwego do ponownego uruchomienia kodu. Po uzyskaniu wyników następuje jeden z najważniejszych momentów całego procesu: porównanie tego, czego się spodziewano, z tym, co rzeczywiście wykazało badanie. Wynik niepasujący do przewidywań nie jest problemem do ukrycia. Często jest najciekawszą częścią pracy.

Dopiero na tej podstawie powstaje tekst. Artykuł nie jest swobodnie pisany „obok” badania. Jest budowany z zatwierdzonych elementów: planu, danych, wyników, tabel, wykresów i zapisanej interpretacji. Dzięki temu zdanie w publikacji można cofnąć do obliczenia, a obliczenie – do danych i kodu. Na końcu powstaje pakiet pozwalający odtworzyć badanie oraz dziennik pokazujący, gdzie i w jaki sposób wykorzystano AI.

AI pracuje dla badacza, nie zamiast niego

FSAIM nie próbuje usuwać człowieka z nauki. Przeciwnie – dokładnie wskazuje decyzje, których nie należy oddawać algorytmom. AI może przeszukiwać literaturę, porównywać warianty metod, pisać i sprawdzać kod, przygotowywać wykresy, pilnować zgodności liczb oraz proponować wersję tekstu. Badacz pozostaje odpowiedzialny za wybór problemu, zatwierdzenie planu, ocenę sensu danych, interpretację wyników i ostateczną treść wniosków.

Najkrócej: AI jest silnikiem napędzającym badanie, ale kierownica pozostaje w rękach badacza.

Co FSAIM ma chronić

Metodyka powstała przede wszystkim po to, aby ograniczyć cztery rodzaje ryzyka.

Pierwsze to zmyślone fakty, liczby i publikacje. Każde ważne twierdzenie powinno mieć możliwe do sprawdzenia źródło, a każda liczba powinna wynikać z danych i udokumentowanej analizy.

Drugie to podglądanie wyniku przed ustaleniem zasad gry. Jeżeli hipotezy i sposób analizy są ustalane dopiero po obejrzeniu danych, łatwo pomylić przypadkowe dopasowanie z odkryciem.

Trzecie to utrata śladu pracy. Po kilku miesiącach sam autor może nie pamiętać, dlaczego usunął część obserwacji, zmienił model albo wybrał konkretny wykres. FSAIM wymaga, by takie decyzje były zapisywane wraz z uzasadnieniem.

Czwarte to zbyt mocny język wniosków. Korelacja nie staje się przyczyną tylko dlatego, że AI potrafi przekonująco opisać mechanizm. Siła twierdzenia musi odpowiadać temu, co rzeczywiście pozwalają powiedzieć dane i projekt badania.

Na czym polega pierwszeństwo FSAIM

FSAIM nie wynajduje od zera prerejestracji, reprodukowalnych obliczeń, kontroli relacji człowiek-AI ani obowiązku ujawniania użycia sztucznej inteligencji. Wszystkie te idee mają własną historię. Nowość polega na złożeniu ich w jeden wykonywalny proces obejmujący całe badanie i przygotowanie publikacji. Specyfikacje są w nim źródłem prawdy, przejście do kolejnych etapów zatwierdza człowiek, a artykuł powstaje z możliwych do sprawdzenia elementów.

Określenie „pierwsza” dotyczy więc precyzyjnie wyznaczonej klasy: publicznie udokumentowanej, kompletnej metodyki spec-driven dla badań empirycznych z AI, opracowanej w polskim środowisku akademickim. Nie jest to deklaracja światowego pierwszeństwa ani twierdzenie, że wcześniej nikt w Polsce nie korzystał z AI podczas badań.

Dlaczego FSAIM

Metodyka nie została opracowana jako zestaw czysto teoretycznych założeń. Rozwija się podczas rzeczywistych prac badawczych i przygotowywania publikacji.

Metodyka FSAIM ma obecnie status „badania w trakcie” i status standardu w trakcie walidacji. To działający mechanizm, któremu towarzyszy zestaw reguł oraz instrukcji w postaci uniwersalnego pluginu. Jego rdzeń zaprojektowano tak, aby nie zależał od konkretnego modelu językowego ani dostawcy, dlatego może współpracować z różnymi środowiskami, m.in. ChatGPT/Codex, Claude (w tym Claude Science). Trwają badania, w ramach których sprawdzana jest przenośność między projektami, zespołami i dziedzinami.

Gdzie można poznać FSAIM

Przystępny opis metodyki, jej etapy, podział zadań między człowieka i AI znajdują się na stronie fsaim.wojarnik.pl.

Formalną koncepcję przedstawia publikacja „FSAIM: Spec-driven AI as a Governance Layer for Empirical Research – A Position Note”, dostępna w SSRN pod adresem ssrn.com/abstract=6853581 i przez DOI 10.2139/ssrn.6853581.

Szersze podstawy naukowe metodyki opisuje artykuł „Spec-Driven AI for Empirical Research: A Scoping Review and an Architecture of Epistemic Control”, dostępny jako publikacja SSRN oraz pod DOI 10.2139/ssrn.7073778.

FSAIM nie obiecuje nauki „jednym kliknięciem”. Oferuje coś mniej widowiskowego, ale znacznie cenniejszego: gdy AI wykonuje coraz większą część pracy, człowiek nadal potrafi wyjaśnić, skąd wziął się wynik, kto podjął decyzję i na jakiej podstawie należy oceniać jego wiarygodność.

Jako autor metodyki zapraszam do kontaktu osoby zainteresowane współpracą nad zastosowaniem FSAIM w prowadzonych badaniach naukowych: grzegorz.wojarnik@usz.edu.pl