เมื่อเราเริ่มค้นคว้าเรื่องใดเรื่องหนึ่ง เรามักอยากได้ข้อมูลเพิ่มขึ้น เราอ่านบทความ รวบรวมตัวเลข ค้นหาความเห็นของผู้เชี่ยวชาญ และขอให้ AI ช่วยสรุป เพราะรู้สึกว่าข้อมูลที่มากขึ้นน่าจะทำให้การตัดสินของเราน่าเชื่อถือขึ้น แน่นอนว่าหากมีข้อมูลน้อยเกินไป เราอาจพลาดข้อเท็จจริงสำคัญ แต่การมีข้อมูลเพิ่มขึ้นไม่ใช่สิ่งเดียวกับการเข้าใจคำถาม แม้จะอ่านแหล่งข้อมูลสิบแห่งแล้ว หากแต่ละแหล่งยังแยกออกจากกัน เราก็อาจยังไม่ชัดเจนว่าจริง ๆ แล้วเราจำเป็นต้องตัดสินอะไร
สมมติว่าเราศึกษาพื้นที่แห่งหนึ่งที่นำรูปแบบการขนส่งแบบใหม่มาใช้ เราสามารถรวบรวมตัวเลขได้มากมาย เช่น จำนวนผู้ใช้ ค่าใช้จ่าย เวลาเดินทาง ผลกระทบต่อสิ่งแวดล้อม ความปลอดภัย และอื่น ๆ แต่ไม่มีตัวเลขใดเพียงตัวเดียวที่กำหนดความหมายของตัวมันเองได้ แม้ว่าการใช้งานจะเพิ่มขึ้น ก็ยังสำคัญว่าผู้ใช้เพียงย้ายมาจากการขนส่งรูปแบบอื่น หรือผู้ที่ก่อนหน้านี้ไม่สามารถเดินทางได้กลับเข้าถึงการเดินทางได้ แม้ว่าค่าใช้จ่ายจะลดลง การประเมินก็เปลี่ยนไปหากพื้นที่ให้บริการเล็กลง การวิจัยไม่เพียงต้องรวบรวมข้อเท็จจริง แต่ยังต้องตรวจสอบความสัมพันธ์ระหว่างข้อเท็จจริงเหล่านั้นด้วย
AI สามารถลดเวลาที่ต้องใช้ในการค้นหาเอกสารและจัดระเบียบเนื้อหาได้อย่างมาก นี่เป็นข้อได้เปรียบสำคัญสำหรับการวิจัย ในขณะเดียวกัน เมื่อการสรุปทำได้เร็วขึ้น แหล่งข้อมูลหลายแห่งอาจถูกย่อไปสู่ข้อสรุปที่คล้ายกัน ทำให้ความแตกต่างระหว่างแหล่งข้อมูลเหล่านั้นมองเห็นได้ยากขึ้น แม้แต่แหล่งข้อมูลที่กล่าวถึงหัวข้อเดียวกันก็ไม่สามารถนำมารวมกันอย่างง่าย ๆ ได้ หากแตกต่างกันในด้านพื้นที่ ช่วงเวลา เงื่อนไข หรือวิธีการวัด คุณภาพของการวิจัยจึงไม่ได้ขึ้นอยู่เพียงกับความสามารถในการย่อข้อมูล แต่ยังขึ้นอยู่กับว่าเราสามารถระบุได้หรือไม่ว่าความแตกต่างใดส่งผลต่อคำถาม
การมองความสัมพันธ์ยังเปลี่ยนความหมายของหลักฐานที่ขัดแย้งด้วย เมื่อเราพบผลลัพธ์หนึ่งที่แตกต่างจากมุมมองของเรา เราอาจปัดทิ้งว่าเป็นข้อยกเว้น แต่หากเราถามว่า “เหตุใดภายใต้เงื่อนไขเหล่านี้จึงเกิดผลลัพธ์ตรงกันข้าม?” คำถามใหม่ก็จะเกิดขึ้น หลักฐานที่ขัดแย้งไม่ได้เพียงขัดขวางข้อสรุป แต่ยังช่วยให้เราเห็นว่าข้อสรุปนั้นใช้ได้ไกลเพียงใด การวิจัยไม่ใช่เพียงการสะสมข้อมูลที่ไปในทิศทางเดียวกัน แต่ยังเป็นการค้นหาความแตกต่างของเงื่อนไขที่อยู่เบื้องหลังผลลัพธ์ที่แตกต่างกันด้วย
สิ่งที่เราคาดหวังจาก AI ในที่นี้ไม่ใช่เพียง “การค้นหาเอกสารที่เกี่ยวข้องเพิ่มขึ้น” AI ยังสามารถแยกหลักฐานที่สนับสนุนข้ออ้างออกจากหลักฐานที่คัดค้าน เปรียบเทียบเงื่อนไขที่ทำให้ผลลัพธ์เปลี่ยนไป และชี้ให้เห็นความสัมพันธ์ที่ยังไม่ได้รับการยืนยัน แต่การเชื่อมโยงเหล่านั้นไม่ได้ถูกต้องขึ้นมาโดยอัตโนมัติ มนุษย์ยังต้องตรวจสอบแหล่งที่มา กลุ่มประชากร ช่วงเวลา และวิธีการวัด และพิจารณาว่าข้อมูลที่ AI เชื่อมโยงเข้าด้วยกันนั้นกำลังตอบคำถามเดียวกันจริงหรือไม่
เมื่อการวิจัยดำเนินไป คำถามเดิมอาจเปลี่ยนแปลงได้ เราอาจเริ่มด้วยการถามว่า “วิธีนี้ได้ผลหรือไม่?” แล้วพบว่าคำถามที่แท้จริงคือ “ได้ผลกับใคร และภายใต้เงื่อนไขใด?” นี่ไม่ใช่ความล้มเหลวของการวิจัย การมองเห็นความสัมพันธ์ระหว่างข้อมูลแต่ละชิ้นทำให้เราเห็นว่าคำถามเดิมหยาบเกินไป การวิจัยที่ดีไม่บังคับให้คำตอบย้อนกลับไปพอดีกับคำถามแรก แต่เมื่อจำเป็น จะปรับคำถามนั้นเอง
นี่คือเหตุผลที่ Sai＊aus Labo จัดการความรู้ผ่านความสัมพันธ์เช่นกัน แทนที่จะแยกบทความหนึ่งออกมาเป็นคำตอบที่เสร็จสมบูรณ์ บทความนั้นสามารถเชื่อมโยงกับคำถามอื่น หลักฐานโต้แย้ง เงื่อนไข และความรู้ที่ได้มาในภายหลังได้ เมื่อการวิจัยใหม่เริ่มต้นขึ้น บทความก่อนหน้าจึงสามารถนำมาใช้ไม่ใช่เพียงด้วยการทำซ้ำ แต่ด้วยการตรวจสอบว่า “อะไรเปลี่ยนไปจากความเข้าใจก่อนหน้านี้ของเรา” คุณค่าของความรู้ไม่ได้อยู่เพียงที่การถูกเก็บรักษาไว้ แต่ยังอยู่ที่การเปิดให้พิจารณาใหม่ผ่านคำถามถัดไปด้วย
การวิจัยเริ่มต้นด้วยการรวบรวมข้อมูล แต่ไม่จำเป็นต้องจบลงเพียงเท่านั้น ด้วยการตรวจสอบความสัมพันธ์ระหว่างข้อเท็จจริง ระหว่างหลักฐานกับหลักฐานโต้แย้ง ระหว่างผลลัพธ์กับเงื่อนไข และระหว่างคำถามในอดีตกับคำถามในปัจจุบัน ข้อมูลจะเข้าใกล้ความรู้ที่สามารถสนับสนุนการตัดสินได้มากขึ้น เมื่อ AI ทำให้การรวบรวมรวดเร็วขึ้น จุดที่ต้องใช้ความคิดของมนุษย์จะเปลี่ยนจากจำนวนแหล่งข้อมูลไปสู่ความหมายของความสัมพันธ์ ความลึกของการวิจัยจึงเปลี่ยนแปลงไม่เพียงตามปริมาณที่เรารวบรวม แต่ยังตามความสัมพันธ์ที่เราค้นพบด้วย
ไม่ใช่คำตอบ แต่คือความเข้าใจ