AI 把投稿箱塞满后,下一个被改写的是整个发表规则

一篇论文写完，点下“Submit”，你看到的是一个上传成功的页面。

期刊编辑看到的却像另一幅画面：稿件一份份落进收件箱，系统开始找审稿人，审稿人要在教学、项目、实验和会议之间挤出时间，把别人的工作从头看到尾。生成式 AI 让写作更快之后，这条本来就不宽的通道，会先变得更聪明，还是先变得更拥挤？

投稿按钮变轻了，评审链条没变短

在学术世界里，论文不是写完就算抵达终点。

它还要经过编辑初筛、同行评审、修改、再判断。同行评审可以理解成餐馆出菜前那道试味：厨师很多，菜单也越来越长，但真正能尝出火候的人并不会因为厨房上了新机器就自动翻倍。

生成式 AI 改变的，首先是写作端的摩擦。

摘要可以更快润色，框架可以更快搭，回应审稿意见也能更快起草。单看一个作者，这像省时间；放进整个投稿系统里，问题就变了。如果每个人都更容易多投一篇，编辑和审稿人收到的不会是“同样多但更精致”的稿子，也可能是“更多还没磨透”的稿子。

这篇论文抓住的，正是这个岔路口。

他们翻了五年的投稿和评审

作者没有只问“AI 会不会帮科研”。他们把镜头对准一本期刊的完整流程记录。

论文分析了 Organization Science 从 2021 年 1 月到 2026 年 2 月的首轮投稿与文字评审：一共 6,957 篇投稿，涉及 11,887 位作者；这些稿件对应 10,389 份评审，来自 2,519 位不同审稿人。

这个规模的好处，是它能同时看见两边。

左边是投稿。论文摘要有没有越来越像 AI 生成文本，投稿量有没有变化，文字质量有没有一起走高。右边是评审。审稿意见里 AI 痕迹怎么变，评审质量有没有跟着改善。像看一条双向车道，不能只数开进来的车，还得看收费站和出口有没有一起扩容。

论文给出的图景不太轻松：自 ChatGPT 发布后，这本期刊的投稿量上升了 42%，而论文观察到的写作质量并没有一起变好，反而出现下降。更细看，AI 使用在投稿端继续增加；评审端的 AI 使用也在早期上升，但到了后面没有显示出同样的持续攀升和质量回报。

问题就露出来了。

“更多”会自己奖励自己

这件事不能只怪一个工具。

论文把矛头指向激励。学术系统很容易奖励可见的产出：投稿数、论文数、项目竞争、履历上的新条目。生成式 AI 像把传送带的入口电机换强了。如果考核仍然偏爱“多”，人就会自然把省下来的时间拿去多生产，而不是每次都拿去多打磨。

这和外卖店高峰期很像。

下单按钮越来越顺，厨房接单量冲上去。可厨师、出餐台和骑手没有同步增加时，系统未必把每份餐做得更好，最先出现的往往是等待、返工和匆忙。投稿系统里的返工更隐蔽：编辑筛稿更累，审稿邀请更难发，认真评审的注意力被切得更碎。

所以论文标题里的 `More Versus Better` 不是一句修辞。

它是在问：当 AI 让科研写作更省力，制度最后把这份省力导向哪里？导向更扎实的问题、更透明的方法和更清楚的证据，还是导向一台更勤快的投稿机？

审稿意见也能生成，但信任不能批量打印

有人会说，那就让 AI 也帮忙审稿。

它当然可以做一些事。查语句、列问题、提醒结构缺口、帮助审稿人整理要点，这些都不神秘。可同行评审最难的部分，往往不是把一段话写得像评审意见，而是判断研究设计哪里真的站不住，证据是否支持结论，方法上的小洞会不会让整个故事漏气。

这需要责任。

一份评审意见不是评论区回复。它会影响作者的时间、编辑的决定和一项研究能否进入公共知识库。文本可以批量生成，愿意为判断负责的人不能批量生成。

这不是一本期刊替整个学界下结论

话也要说稳。

这篇论文研究的是一本管理学期刊的投稿与评审记录，不等于每个学科、每家期刊、每种 AI 使用方式都会走出同一条曲线。它还依赖 AI 文本检测器来估计使用痕迹，检测器能提供线索，却不是给每一段文字盖章定案的法官。

而且，AI 不是天然站在“坏稿件”一边。

对于语言表达受限的作者，好的写作辅助可能降低门槛；对于认真做研究的人，工具也可能把时间从改句子挪回改问题。关键在于，系统到底奖励什么。奖励深一点的思考，工具就可能帮人把力气用在刀刃上；只奖励更快更多，工具会把那条旧路跑得更快。

投稿按钮不会自己变重。

真正要被重新设计的，是它后面的规则：编辑如何筛选，期刊如何要求披露，机构如何评价研究者，审稿劳动如何被尊重。否则 AI 省下来的那点时间，可能不会变成更好的论文。

它会先变成下一封更快抵达的投稿邮件。