Consensus wykorzystuje GPT‑5 oraz interfejs Responses API, aby w ciągu kilku minut ukończyć badania, które wcześniej zajmowały całe tygodnie

Każdego roku są publikowane miliony artykułów naukowych — znacznie więcej, niż ktokolwiek jest w stanie przeczytać. 

Dla naukowców wyzwaniem nie jest dostęp do wiedzy, ale przytłaczające zadanie znajdowania, interpretowania i łączenia informacji. Przełomowe odkrycia dokonują się na skraju tego, co jest już znane, mimo to naukowcy nadal spędzają większość swojego czasu na znajdowaniu granic wiedzy, a nie na ich przekraczaniu.

Consensus⁠(otwiera nowe okno), asystent badawczy wykorzystywany przez ponad 8 milionów osób, został stworzony z myślą o zmianie tej sytuacji. Ta platforma, założona przez Christiana Salema and Erica Olsona, wyszukuje, odczytuje oraz dokonuje syntezy zrecenzowanej przez innych naukowców literatury, obejmującej ponad 220 milionów artykułów. Najnowsze funkcja tej platformy, Scholar Agent, to wieloagentowy system zbudowany w oparciu o GPT‑5 oraz interfejs Responses API. Odzwierciedla on sposób, w jaki rzeczywiście działają naukowcy, pomagając im przechodzić od pytania do konkluzji w ciągu kilku minut zamiast tygodni.

Jednak celem tego rozwiązania nie jest wyłącznie szybsze prowadzenie badań — ma ono umożliwić szybsze dokonywanie odkryć. „Nauka rozwija się tym lepiej, im łatwiej jest dostępna” — mówi Salem. „Naszym zadaniem jest zapewnienie naukowcom w dowolnym miejscu możliwości odnajdywania, zaufania i działania w oparciu o dane naukowe”.

Pierwsza wersja Consensus działała jak wyspecjalizowana wyszukiwarka naukowa: indeksowała artykuły naukowe, pozyskiwała odpowiednie wyniki i generowała podsumowania osadzone w cytowaniach. Jednak samo wyszukiwanie to było za mało. 

„Badania nie sprowadzają się wyłącznie do wyszukiwania artykułów” — mówi Salem. „Chodzi również o interpretowanie wyników, porównywanie wniosków i łączenie pomysłów. Im więcej czasu naukowcy spędzają na wyszukiwaniu, czytaniu i interpretowaniu wcześniejszej wiedzy na rzecz odpowiedniego badania, tym mniej czasu zostaje im na odkrycia i zajmowanie się prawdziwymi badaniami”.

Dlatego zespół zaczął na nowo opracowywać rozwiązanie Consensus wokół nowej koncepcji wieloagentowego systemu o nazwie „Scholar Agent”, który będzie pracował w sposób typowy dla ludzi.

Ten system, zbudowany w oparciu o GPT‑5 i interfejs Responses API, uruchamia teraz skoordynowany proces agentowy:

• Agent planowania analizuje ostatnie pytanie użytkownika i decyduje, jakie działania następnie podjąć
• Agent wyszukiwania przeszukuje indeks artykułu nadany przez system Consensus, prywatną bibliotekę oraz sieć cytowań
• Agent odczytu interpretuje artykuły indywidualnie lub w partiach
• Agent analiz dokonuje syntezy wyników, określa strukturę i elementy wizualne oraz zestawia ostateczne dane wyjściowe

Każdy agent charakteryzuje się wąskim zakresem, który sprawia, że rozumowanie jest precyzyjne i minimalizuje halucynacje. Architektura również pozwala systemowi Consensus na decydowanie kiedy nie udzielać odpowiedzi; jeśli żadne odpowiednie badania nie osiągają progu jakości, asystent po prostu o tym poinformuje.

„Dzieląc procesy między agenty, zmniejszamy liczbę błędów i sprawiamy, że system jest bardziej zdyscyplinowany” — mówi Salem. „Żaden agent nie odpowiada za zbyt dużą część procesu, co ma kluczowe znaczenia w kwestii niezawodności”.

Takie właśnie podejście zespół określa mianem inżynierii kontekstu: gromadzenie odpowiednich dowodów przed rozpoczęciem generowania. Każda odpowiedź stanowi „pakiet kontekstu badawczego” — ustrukturyzowany zestaw artykułów, metadanych oraz kluczowych wniosków, które sięgają do oryginalnych badań.

„Nie chcemy, żeby naukowcy marnowali czas na powtórne sprawdzenie każdego stwierdzenia” — mówi Salem. „Jeśli system nie jest w stanie ugruntować odpowiedzi w rzeczywistych dowodach, nie opracuje jej”.

W przypadku systemu Consensus dokonano migracji z Chat Completions do interfejsu Responses API w celu wsparcia trasowania wieloagentowego. Ta zmiana poprawiła zarówno niezawodność, jak i wydajność pod względem kosztów, zapewniając zespołowi lepszą kontrolę nad wywołaniami subagentów. Dzięki możliwościom GPT‑5 w zakresie rozumowania w długim kontekście i niezawodnego wywoływania narzędzi, wybór był prosty.

Wczesne oceny potwierdziły założenia: GPT‑5 sprawował się lepiej od GPT‑4.1, Sonnet 4 i Gemini 2.5 Pro w zakresie dokładności wywoływania narzędzi oraz stabilności planowania. Dzięki temu zespół Consensus mógł poświęcać mniej uwagi na manipulowanie poleceniami, a więcej na budowanie zachowań agentów, które odzwierciedlały bezpośrednio procesy badawcze.

Od samego początku system Consensus podchodził do rynku inaczej niż powszechnie się oczekuje. Zamiast sprzedaży poprzez instytucje, zespół skupił się na ludziach samodzielnie prowadzących badania: studentach, kadrze akademickiej i lekarzach klinicznych, którzy już dziś potrzebowali odpowiedzi. To bezpośrednie skupienie się na badaczach uformowało zarówno projekt, jak i szybki rozwój produktu.

„Każdy mówił, że nie można kierować się bezpośrednio do konsumentów w środowisku akademickim, jednak AI to zmieniła” — mówi Salem. „Ludzie nie czekają już na potwierdzenia — używają tego, co się sprawdza”.

Ta decyzja ukształtowała charakter produkt i krzywą wzrostu. Consensus przypomina bardziej nowoczesną aplikację dla konsumentów niż tradycyjne narzędzie akademickie: szybkie wprowadzenie, intuicyjny projekt, konwersacyjny interfejs. Zyskał popularność poprzez ustne rekomendacje na kampusach i w laboratoriach.

Pierwszymi zaawansowanymi użytkownikami zostali studenci studiów podyplomowych i doktoranci, następnie z systemu zaczęła korzystać kadra akademicka i prywatni badacze. Później pojawili się lekarze kliniczni, którzy zaczęli korzystać z systemu Consensus do pozyskiwania najnowszych danych naukowych w swoich dziedzinach. 

„Nie planowaliśmy, że użytkownikami będą lekarze” — mówi Salem. „Ale ich potrzeby są zbieżne z potrzebami innych naukowców: muszą mieć szybki dostęp do rzetelnych danych naukowych”.

Firma niedawno podpisała umowę z biblioteką medyczną Mayo Clinic oraz właśnie wprowadziła „Tryb medyczny”, nową funkcję, zaprojektowaną z myślą o lekarzach poszukujących danych naukowych z dziedziny medycyny.

W poprzednich latach Consensus rozwijał się bardzo szybko, osiągając liczbę użytkowników na poziomie ponad 8 milionów badaczy na całym świecie i 8-krotnie zwiększając przychody.

Ten rozwój nie zmienił jednak priorytetów związanych z produktem. Każda funkcja nadal bazuje na weryfikowalnych odpowiedziach z niskim poziomem halucynacji. Zespół bardzo dużo zainwestował w systemy oceny, które sprawdzają dokładność, możliwość śledzenia cytowań oraz spójność stylistyczną pomiędzy agentami.

Architektura systemu Consensus została z rozmysłem opracowana jako rozwiązanie modułowe i zaprojektowana w taki sposób, aby umożliwić dołączanie nowych agentów w miarę rozwoju i poprawy modeli — agenty replikujące eksperymenty, generujące liczby lub uruchamiające analizy statystyczne.

„Tworzymy asystentów, których naukowcy faktycznie potrzebują w gwałtownie zmieniającym się świecie” — mówi Salem. „Modele stają się coraz lepsze, system rozwija się razem z nimi, a nauka posuwa się do przodu coraz szybciej”.