#27 論文という形式が、AIに合わなくなってきた

論文という「人間向けに圧縮された物語」をやめて、AIエージェントが直接読んで実行し、続きの研究までできる「実行可能な研究パッケージ」に置き換えようという提案。

研究の現場では、何ヶ月もかけて山ほど仮説を試し、ほとんどが失敗し、最後にうまくいった一筋を「論文」という直線的な物語にまとめます。失敗、設計上の試行錯誤、地味なノウハウは、ほぼすべて捨てられます。

人間が読むなら、それでよかった。しかし今や、AIエージェントが論文を読み、再現し、発展させる時代です。著者らの分析によれば、PaperBenchの再現要件のうち PDFから完全に読み取れるのはわずか 45.4%。RE-Benchでは、AIエージェントが費やしたドル換算コストの 90.2% が「失敗した試行」に使われており、その情報は論文に残らないため、別のエージェントが同じ袋小路に何度も突っ込みます。論文という形式そのものが、AI時代のボトルネックになっているわけです。

著者らは「論文 = 物語」ではなく「研究 = 構造化された知識パッケージ」と捉え直し、 ARA（Agent-Native Research Artifact）​ というフォーマットを提案します。ARAは1つの論文を4層のフォルダ構造で表現します：

• /logic：主張・仮説・検証計画（「なぜこの研究は正しいか」）
• /src：実行可能なコードと設定（「どう動くか」）
• /trace：探索の枝分かれ全体（試した・捨てた・方向転換した、すべての記録）
• /evidence：あらゆる主張の根拠となる生データ

肝は「失敗の木」を一級市民として保存すること。さらに3つの仕組みでこれを支えます。 Live Research Manager は研究者とAIの会話から自動で記録を抜き出し、研究者に追加作業をさせずにARAを育てます。 ARAコンパイラ は既存のPDFやGitHubリポジトリをARAに変換します。 ARA-Native Review System は、構造的なチェック（再現できるか、主張と実験が紐付いているか）を機械が自動で行い、人間レビュアーは「面白いか」「新規性があるか」だけに集中できる仕組みです。

3つの実験でARAの有用性を確認しています。

• 理解（質問応答）​：450問で、ARAは 93.7% の正答率に対し、PDF+GitHubは 72.4%。特に「失敗の知識」を問う質問では、ARAが 81.4% に対しベースラインは 15.7% と圧倒的差。
• 再現：15本の論文で、難易度加重した再現成功率がARA 64.4% vs PDF+リポジトリ 57.4%。難しいタスクほど差が広がる（簡単 +4.9pt、難しい +8.5pt）。
• 拡張（既存研究の改良）​：5タスク中3つでARAエージェントが上回りました。ただし2タスクでは、強いモデル（Claude Sonnet 4.6）がARAの「過去の記録」に縛られ、自由な発想ができず逆転負け。一方、弱いモデル（Sonnet 4.5）ではARAが圧勝。失敗記録は「ガードレール」にも「足かせ」にもなりうるという、興味深い知見です。

これは「論文の書き方の話」に見えて、実は AIが研究や開発の主担当になっていく時代のインフラ設計 の話です。

企業の研究開発でも、すでにエンジニアやデータサイエンティストはAIエージェントとペアで仕事をしています。問題は、過去の社内プロジェクト・他チームの成果・公開論文を「次のAIエージェント」がそのまま受け継げないこと。失敗の記録、設定値、地味なノウハウが文書化されていないからです。ARA的な発想（失敗を含む全履歴を機械可読に保存し、コードと主張を紐付ける）は、社内ナレッジマネジメントや R&D の生産性に直接効きます。

また、論文査読が「コードが動くか」「表が主張と一致しているか」のような機械的チェックから解放されれば、人間の専門家は本当に重要な「新規性」「インパクト」の判断に時間を使えるようになります。GitHubがソフトウェア開発を変えたように、研究成果が「fork」「diff」「merge」できる時代が来るかもしれない、という壮大な提案です。