當我們開始研究某件事時，往往會想要更多材料。我們閱讀文章、蒐集數字、尋找專家意見，並請AI進行摘要。因為我們會覺得，資訊越多，判斷就應該越可靠。當然，如果材料太少，我們可能會遺漏重要事實。但材料增加並不等於理解了問題。即使讀了十個來源，如果它們各自分開存在，我們仍可能不清楚真正需要判斷的是什麼。
假設我們研究一個引進新型交通方式的地區。我們可以蒐集很多數字：使用人數、成本、移動時間、環境影響、安全性等等。但任何一個數字都不能單獨決定自身的意義。即使使用量增加了，也要看使用者只是從另一種交通方式轉移過來，還是原本無法移動的人因此獲得了出行機會。即使成本下降了，如果服務範圍縮小，評價也會改變。研究不只需要蒐集事實，也需要檢視事實之間的關係。
AI可以大幅減少尋找資料和整理其內容所需的時間。這對研究而言是一項重要優勢。另一方面，當摘要變得更快時，多個來源可能被壓縮成相似的結論，使它們之間的差異變得較不明顯。即使是處理同一主題的資料，如果所涉及的地區、期間、條件或測量方法不同，也不能簡單地合併。研究的品質不只取決於壓縮資訊的能力，也取決於我們能否辨識哪些差異會影響問題。
觀察關係，也會改變相反證據的意義。當我們發現一個與自己觀點不同的結果時，可以把它當作例外而排除。但如果我們問：「為什麼在這些條件下會出現相反的結果？」，一個新的問題就會出現。相反的證據不只是妨礙結論；它還能告訴我們，這個結論在多大範圍內成立。研究不只是把同一方向的資訊不斷累積起來，也是在尋找不同結果背後的條件差異。
此時，我們可以期待AI做的，並不只是「尋找更多相關資料」。它還可以把支持某項主張的證據與反對它的證據區分開來，比較結果發生變化時的條件，並指出尚未得到確認的關係。但這些連結並不會自動變得正確。人仍然需要檢查資料來源、研究對象、期間和測量方法，並判斷AI連結起來的資訊是否真的在回答同一個問題。
隨著研究推進，最初的問題可能會改變。我們也許從「這種方法有效嗎？」開始，卻發現真正的問題是「它對誰有效，又在什麼條件下有效？」。這並不是研究的失敗。正是因為看到了各項資訊之間的關係，我們才發現原來的問題過於粗略。好的研究不會強行把答案塞回最初的問題中；必要時，它會更新問題本身。
這也是Sai＊aus Labo透過關係來處理知識的原因。與其把一篇文章孤立成一個已經完成的答案，不如讓它能夠與其他問題、反證、條件以及後來獲得的知識連結起來。這樣，當新的研究開始時，我們就不只是重複使用過去的文章，而是可以檢視「與我們先前的理解相比，什麼發生了變化」。知識的價值不只在於被保存，也在於它能透過下一個問題再次接受檢視。
研究始於蒐集資訊，但不必止於此。透過檢視事實與事實、證據與反證、結果與條件，以及過去的問題與現在的問題之間的關係，資訊會更接近能夠支持判斷的知識。隨著AI讓蒐集變得更快，人類需要思考的地方，也會從資料的數量轉向關係的意義。研究的深度不只取決於我們蒐集了多少，也取決於我們發現了哪些關係。
不是答案，而是理解。