ارتبطت أدوات الذكاء الاصطناعي التوليدي (Generative AI) تاريخيا بنماذج اللغات الكبيرة "إل إل إم" (LLMs) التي تميزت بالقدرة الفائقة على صياغة النصوص والدردشة التفاعلية، ولكنها عانت من عقدة معرفية كبرى تمثلت في الهلوسة المعرفية وغياب المرجعية الدقيقة.

ومع تطور الاحتياجات المهنية في قطاعات البحث الأكاديمي والصحافة الاستقصائية، حدثت قفزة نوعية حوّلت هذه الأدوات من مجرد "محاور رقمي" إلى "باحث علمي موثوق" يعتمد على بنية تحتية تقنية صارمة تضمن دقة استقاء المعلومات ونسبتها إلى مصادرها الأصلية؛ إذ تحوّل الذكاء الاصطناعي من مجرد تقنية مساعدة إلى أداة أساسية في بيئات البحث العلمي والأكاديمي.

واليوم يستخدم الباحثون أدوات الذكاء الاصطناعي في تلخيص الأوراق العلمية، وتحليل البيانات، واكتشاف الأنماط، وترجمة الدراسات، وحتى اقتراح أفكار بحثية جديدة، لكن مع هذا التوسع ظهرت مشكلة جوهرية، وهي: هل يمكن الوثوق فعلا بالذكاء الاصطناعي كمصدر للمعرفة العلمية؟

والإجابة عن هذا السؤال ليست بسيطة، فالذكاء الاصطناعي قادر على تسريع البحث العلمي بشكل غير مسبوق، لكنه في الوقت نفسه قد ينتج معلومات خاطئة أو مراجع وهمية تبدو مقنعة للغاية، ولذلك فإن التحدي الحقيقي لا يكمن في استخدام الذكاء الاصطناعي، بل في معرفة كيف نستخدمه بطريقة علمية موثوقة.

قبل ظهور أدوات الذكاء الاصطناعي التوليدي، كان الباحث يقضي ساعات طويلة في البحث اليدوي داخل قواعد البيانات الأكاديمية وقراءة الدراسات وفرز النتائج. أما اليوم، فيمكن لأداة مثل أوبن إيه آي (OpenAI) أو أنظمة البحث الذكية من غوغل إيه آي (Google AI) تلخيص عشرات الدراسات خلال دقائق.

كما ظهرت منصات متخصصة تعتمد على الذكاء الاصطناعي مثل: سيمانتك سكولار (Semantic Scholar) وكونيكتد بيبرز (Connected Papers)، وإليسيت (Elicit).