Coding agents in the social sciences

Coding agents in the social sciences

Агенты для написания кода в социальных науках

Summary

Резюме

Мы представляем результаты опроса 1 260 социологов об использовании ИИ и агентов для написания кода, проведённого в феврале–марте 2026 года.Подавляющее большинство респондентов (81 %) пробовали использовать ИИ-чатботы в исследованиях — в основном для написания кода и редактирования текстов. Однако лишь 20 % внедрили в свою работу агентов для написания кода — инструменты вроде Claude Code, которые автономно пишут и выполняют аналитический код.Использование агентов для кода распределено крайне неравномерно. Исследователи с типично мужскими именами применяют их вдвое чаще, чем те, чьи имена типично женские. Учёные из ведущих университетов используют агентов на 40 % чаще остальных.Пользователи агентов публикуют больше препринтов и подают больше грантовых заявок, чем коллеги на той же стадии карьеры и в той же дисциплине, однако это может объясняться изначальными различиями среди ранних последователей.Исследователи более оптимистичны в отношении помощи ИИ при написании публикуемых статей, чем в отношении влияния ИИ на социальные науки в целом.

How are AI coding agents changing how we study the economy and society?

Как ИИ-агенты для написания кода меняют способы изучения экономики и общества?

The human sciences are shifting: for the first time, core research tasks can be handed off to machines. AI chatbots increasingly contribute to scientific research, including in the most prestigious publications and in the social sciences. This has spurred optimism that AI could boost research productivity—while also stoking fears about overloaded peer review and a deluge of academic AI slop.

Гуманитарные и социальные науки переживают сдвиг: впервые ключевые исследовательские задачи можно передать машинам. ИИ-чатботы всё активнее участвуют в научных исследованиях — в том числе в самых престижных публикациях и в социальных науках. Это порождает оптимизм относительно роста продуктивности исследований и одновременно подпитывает опасения по поводу перегруженного рецензирования и потока академического ИИ-мусора.

But while turn-taking AI chatbots have primarily been used for writing assistance, coding agents could restructure social science research more radically. Agentic coding platforms like Claude Code and Codex can take a research idea and a dataset, write and run an analysis, interpret the output, and iterate autonomously. What had been irreducibly human steps in empirical research can, for the first time, be automated. At the extreme, researchers have built multi-agent pipelines to automate computer science research and autonomously execute social science research ideas.

Но если диалоговые ИИ-чатботы в основном использовались для помощи с текстами, то агенты для написания кода способны перестроить исследования в социальных науках куда радикальнее. Агентные платформы вроде Claude Code и Codex могут взять исследовательскую идею и набор данных, написать и запустить анализ, интерпретировать результаты и итерировать автономно. То, что прежде оставалось неустранимо человеческими этапами эмпирического исследования, впервые можно автоматизировать. В предельном варианте исследователи строят мультиагентные конвейеры для автоматизации исследований в computer science и автономного выполнения исследовательских идей в социальных науках.

These tools could accelerate science and make it more daring: fast research execution should mean cheap and plentiful discovery. They could also amplify disparities in research resources and exacerbate congestion in the scholarly record. More deeply, as AI handles a broadening swath of research tasks, its distinctive analytical choices could stamp our collective understanding of our economy, our society, and ourselves.

Эти инструменты могут ускорить науку и сделать её смелее: быстрое выполнение исследований означает дешёвые и обильные открытия. Но они также могут усилить неравенство в исследовательских ресурсах и усугубить перегруженность научного фонда. На более глубоком уровне, по мере того как ИИ берёт на себя всё более широкий спектр исследовательских задач, его характерные аналитические решения могут наложить отпечаток на наше коллективное понимание экономики, общества и нас самих.

In this post, we offer a first look, drawing on a survey of 1,260 quantitative social scientists fielded in early 2026. The survey is the baseline wave of a larger ongoing study of how coding agents affect research productivity, including a randomized experiment providing researchers with access to Claude Code. We will publish results from this experiment in the future. For now, we report what the baseline survey reveals about who is using these tools and for what; how output differs between users and non-users; and what researchers expect about the implications of growing adoption.

В этой публикации мы предлагаем первый взгляд на проблему, опираясь на опрос 1 260 количественных социологов, проведённый в начале 2026 года. Опрос является базовой волной более масштабного продолжающегося исследования того, как агенты для написания кода влияют на продуктивность учёных, включая рандомизированный эксперимент с предоставлением исследователям доступа к Claude Code. Результаты этого эксперимента мы опубликуем позднее. Пока же мы сообщаем, что показывает базовый опрос: кто использует эти инструменты и для чего; как различается продуктивность пользователей и не-пользователей; и что исследователи ожидают от растущего внедрения.

A new survey on AI coding agent use among quantitative social scientists

Новый опрос об использовании ИИ-агентов для написания кода среди количественных социологов

We fielded the survey in late February and March 2026, targeting active quantitative social scientists. This was not a representative sample—respondents were recruited for a study that offered access to Claude Max accounts, so selection into the sample could tilt toward researchers curious about AI tools. However, the respondents were fairly similar to an earlier sample that received a more generic invitation (see Table A2 in the Appendix).

Мы провели опрос в конце февраля — марте 2026 года, нацелившись на активных количественных социологов. Выборка не была репрезентативной — респондентов набирали для исследования, предлагавшего доступ к аккаунтам Claude Max, поэтому в выборку могли попасть преимущественно исследователи, интересующиеся ИИ-инструментами. Тем не менее респонденты были достаточно похожи на более раннюю выборку, получившую более общее приглашение (см. Таблицу A2 в Приложении).

Respondents were evenly split between economics, political science and sociology, each around a fifth of the sample, with management sciences and psychology close behind (see Table A1). We also received a smaller number of responses from public health, education and communications researchers. Roughly 40% were full or associate professors, 25% were assistant professors, and about 30% were doctoral students.

Респонденты распределились примерно поровну между экономикой, политологией и социологией — по ~20 % выборки каждая, с менеджментом и психологией чуть позади (см. Таблицу A1). Также было получено меньшее число ответов от исследователей в области общественного здравоохранения, образования и коммуникаций. Около 40 % были полными или ассоциированными профессорами, 25 % — доцентами, и примерно 30 % — аспирантами.

Coding agents haven't reached most social scientists

Агенты для кода пока не добрались до большинства социологов

We measured overall AI use in two ways. First, we asked “Have you previously used genAI models to aid your research process?” 81% of respondents said yes.

Мы измеряли общее использование ИИ двумя способами. Во-первых, мы спросили: «Использовали ли вы ранее генеративные ИИ-модели для помощи в исследовательском процессе?» 81 % респондентов ответили утвердительно.

But what about those who have actually adopted increasingly capable coding agents into their workflow? Here, we asked “Do you regularly (more than once a week) use an AI coding assistant integrated into your command line (such as Codex, Cursor, or Claude Code)?” In a follow-up question, we verified that they used one of those tools (or Google Antigravity).¹

Но как обстоят дела с теми, кто действительно внедрил в рабочий процесс всё более мощных агентов для написания кода? Здесь мы спросили: «Используете ли вы регулярно (чаще раза в неделю) ИИ-ассистента для написания кода, интегрированного в командную строку (такой как Codex, Cursor или Claude Code)?» В дополнительном вопросе мы подтвердили, что они используют один из этих инструментов (или Google Antigravity).1

Only 20% of respondents use coding agents. Our survey came around two months after a flurry of discussion about Claude Code and Opus 4.6 that kicked off in late December of 2025. Yet even among interested respondents who self-selected into our survey, only ⅕ had adopted agents into their workflow. Claude Code is the most common coding agent tool reported, with 86% of users reporting Claude Code use (31% report using Codex, the next most common tool).

Лишь 20 % респондентов используют агентов для написания кода. Наш опрос проводился примерно через два месяца после волны обсуждений Claude Code и Opus 4.6, начавшейся в конце декабря 2025 года. Тем не менее даже среди заинтересованных респондентов, самостоятельно вызвавшихся участвовать, только ⅕ внедрили агентов в свой рабочий процесс. Claude Code — самый распространённый инструмент: 86 % пользователей агентов сообщают об использовании Claude Code (31 % используют Codex — следующий по популярности инструмент).

Adoption is highly uneven

Внедрение крайне неравномерно

Figure 1 shows there is large variation in the overall adoption rate, from 39% of economists and 25% of political scientists to single digits for public health (6%), education (4%) and communication (6%). This gradient roughly tracks differences across fields in overall AI use, but differences in coding agent adoption are steeper on average.

На Рисунке 1 видна значительная вариация в общем уровне внедрения: от 39 % экономистов и 25 % политологов до единичных процентов в общественном здравоохранении (6 %), образовании (4 %) и коммуникациях (6 %). Этот градиент примерно соответствует межотраслевым различиям в общем использовании ИИ, но различия во внедрении агентов для кода в среднем более резкие.

Just over a quarter of doctoral students and postdocs use coding agents at least weekly; among tenured professors that rate falls by more than half. The researchers adopting coding agents are the juniors—more technologically fluent, more likely to be working directly with code and data, and facing stronger career pressures to produce research.

Чуть более четверти аспирантов и постдоков используют агентов для написания кода хотя бы раз в неделю; среди профессоров с постоянными позициями этот показатель падает более чем вдвое. Те, кто внедряет агентов, — это младшие исследователи: более технически грамотные, чаще работающие непосредственно с кодом и данными и испытывающие более сильное карьерное давление.

Adoption differences extend beyond discipline and career stage. We classify researcher names according to gender and find that those with typically male names have adopted coding agents at more than twice the rate of respondents with typically female names. High-status and private universities also see notably higher use. All of these differences are significant at the p<0.05 level. These differences are starker than the differences in overall AI use, and suggest higher inequality, at least in this early period of coding agent adoption.

Различия во внедрении выходят за рамки дисциплины и карьерной стадии. Мы классифицировали имена исследователей по гендерному признаку и обнаружили, что обладатели типично мужских имён внедряют агентов для кода более чем в два раза чаще, чем респонденты с типично женскими именами. В престижных и частных университетах использование также заметно выше. Все эти различия значимы на уровне p<0,05. Они более выражены, чем различия в общем использовании ИИ, и свидетельствуют о повышенном неравенстве — по крайней мере на этом раннем этапе внедрения агентов.

The gender gap in coding agent use does not just reflect a gap in rates of trying AI. Among respondents who have tried using AI for research, there is even a slightly larger gender gap in regular coding agent use than in the overall sample. These differences also persist when comparing across genders in the same disciplines and career stages.

Гендерный разрыв в использовании агентов не сводится к различиям в частоте первичного обращения к ИИ. Среди респондентов, уже пробовавших ИИ для исследований, гендерный разрыв в регулярном использовании агентов даже несколько больше, чем в выборке в целом. Эти различия сохраняются и при сравнении внутри одних и тех же дисциплин и карьерных стадий.

Researchers mainly use AI to code and edit, not write

Исследователи используют ИИ в основном для написания кода и редактирования, а не для создания текстов

Among researchers using AI, whether through coding agents or chatbots, what are they actually using it for? Debate about AI in academic research has focused heavily on writing: hallucinated literature reviews, “it’s not X, it’s Y” strewn across formulaic introductions, and the possibility of fully automated paper writing.

Для чего именно исследователи, будь то пользователи агентов или чатботов, применяют ИИ? Дискуссия об ИИ в академических исследованиях во многом сосредоточена на письме: галлюцинации в обзорах литературы, шаблонные вводные с конструкцией «это не X, а Y» и возможность полностью автоматизированного написания статей.

But Figure 4 shows that the most common use, for both coding agent users and others, is for coding up analysis of quantitative data: 97% of coding agent users and 77% of other AI users report using it to generate code. Next most common is editing prose, followed by asking for methods advice and background on prior research. Aggregating across coding agent users and others, only a third of all AI users have used it to draft prose at all. These patterns generally hold across disciplines, with only economists and management researchers commonly using AI to draft prose.

Однако Рисунок 4 показывает, что самое распространённое применение — как у пользователей агентов, так и у остальных — это написание кода для анализа количественных данных: 97 % пользователей агентов и 77 % прочих ИИ-пользователей используют его для генерации кода. На втором месте — редактирование текстов, затем — консультации по методам и обзор предшествующих исследований. В совокупности по всем ИИ-пользователям лишь треть вообще использовала ИИ для написания черновиков текстов. Эти паттерны в целом сохраняются по дисциплинам, и только экономисты и специалисты по менеджменту часто используют ИИ для создания текстов.

Coding agent users are posting more working papers and sending out more grant proposals, but not submitting more to journals

Пользователи агентов для кода публикуют больше препринтов и подают больше грантовых заявок, но не чаще отправляют статьи в журналы

Are coding agents making researchers more productive? That’s the question motivating the broader study this survey kicks off. The experiment we are running on this question is still ongoing. But the baseline survey lets us compare coding agent users to others across a whole bunch of checkpoints in the research process. This comparison is purely descriptive: we compare researchers who select into coding agent use to those who do not, and expect that the two groups differ in a number of ways that we cannot adjust for. Differences should not be interpreted as causal, but as a first cut comparison between researchers using coding agents and those who are not.

Делают ли агенты для кода исследователей более продуктивными? Это ключевой вопрос более масштабного исследования, которое начинается с данного опроса. Эксперимент, призванный ответить на этот вопрос, ещё продолжается. Но базовый опрос позволяет сравнить пользователей агентов с остальными по целому ряду контрольных точек исследовательского процесса. Это чисто описательное сравнение: мы сопоставляем исследователей, самостоятельно выбравших агентов, с теми, кто этого не сделал, и понимаем, что две группы различаются по ряду параметров, которые мы не можем учесть. Различия не следует интерпретировать как причинные — это лишь первый срез сравнения между пользователями агентов и теми, кто их не использует.

Figure 5 shows self-reported output over the six months before the survey at different stages of the research process, from projects started to papers submitted. The adjusted estimates compare coding agent users to others, controlling for career stage, discipline, and the week they completed the survey. Coding agent users are starting more projects, posting more working papers, submitting more grants, and possibly sending out more conference submissions.

На Рисунке 5 показана самооценённая продуктивность за шесть месяцев до опроса на разных этапах исследовательского процесса — от начатых проектов до поданных статей. Скорректированные оценки сравнивают пользователей агентов с остальными с учётом карьерной стадии, дисциплины и недели прохождения опроса. Пользователи агентов начинают больше проектов, публикуют больше препринтов, подают больше грантовых заявок и, возможно, отправляют больше заявок на конференции.

So are coding agent users writing more papers? First, consider the differences in early pipeline output between coding agent users and others. Coding agent users are starting projects at a pace of around a quarter of a paper more and posting around a half of a working paper more than non agent users. In percentage terms, coding agent users look around 10% (empirical projects started) to 75% (working papers posted) more productive than others in their discipline and career stage.

Итак, пишут ли пользователи агентов больше статей? Рассмотрим сначала различия на ранних этапах исследовательского конвейера. Пользователи агентов начинают проекты в темпе примерно на четверть статьи больше и публикуют примерно на половину препринта больше, чем не-пользователи. В процентном выражении пользователи агентов выглядят на 10 % (начатые эмпирические проекты) — 75 % (опубликованные препринты) продуктивнее коллег в своей дисциплине и на своей карьерной стадии.

However, this productivity difference only appears for these early pipeline measures. We find no evidence that coding agent users are submitting more new papers to journals or resubmitting papers more quickly. This could reflect the timeline of getting a paper to submission, as coding agent use is a recent phenomenon. But it could also reflect that coding agents are more useful at getting projects up and running than they are at the last mile of perfecting a paper for journal submission.

Однако эта разница в продуктивности проявляется только для показателей на ранних этапах. Мы не находим свидетельств того, что пользователи агентов подают больше новых статей в журналы или быстрее переподают доработанные рукописи. Это может объясняться сроками доведения статьи до подачи, поскольку использование агентов — недавний феномен. Но это также может указывать на то, что агенты полезнее для запуска проектов, чем для последнего рывка по доведению статьи до журнальной подачи.

Researchers expect AI tools to raise productivity, but are less confident that they will improve social science overall

Исследователи ожидают, что ИИ-инструменты повысят продуктивность, но менее уверены, что они улучшат социальные науки в целом

We also asked researchers what they expected of AI tools. Does AI make social scientists more productive, in terms of writing publishable papers? And do they think AI will make the social sciences better or worse?

Мы также спросили исследователей об их ожиданиях от ИИ-инструментов. Делает ли ИИ социологов более продуктивными в написании публикуемых статей? И считают ли они, что ИИ сделает социальные науки лучше или хуже?

Researchers are optimistic about AI raising paper-writing productivity. On a 1 to 10 scale, 88% of respondents were above a 5, and half were at 8 or above. Figure 6 shows that these ratings vary strongly with AI use. The left side of the plot shows researchers that use AI for more types of tasks are more optimistic. The right side shows coding agent users are more optimistic than others.

Исследователи оптимистичны в отношении роста продуктивности при написании статей. По шкале от 1 до 10, 88 % респондентов поставили оценку выше 5, а половина — 8 и выше. Рисунок 6 показывает, что эти оценки сильно зависят от опыта использования ИИ. Левая часть графика показывает, что исследователи, использующие ИИ для большего числа задач, настроены более оптимистично. Правая часть — что пользователи агентов оптимистичнее остальных.

The survey is drawing from people who are interested in trying these tools out, so it should not be surprising to see some optimism about productivity. But even among these optimists, there is a real gap between views about AI helping narrowly with publishable papers and broadly affecting the social sciences. 70% of respondents are more optimistic about paper productivity than about broader field impact. There are few researchers more optimistic about field impacts than about paper productivity, and many who are more pessimistic.

Опрос проводился среди людей, заинтересованных в испытании этих инструментов, так что определённый оптимизм относительно продуктивности неудивителен. Но даже среди этих оптимистов существует реальный разрыв между оценками помощи ИИ конкретно для публикуемых статей и общего влияния на социальные науки. 70 % респондентов более оптимистичны в отношении продуктивности написания статей, чем в отношении влияния на дисциплину в целом. Мало кто оптимистичнее в отношении общего влияния, чем в отношении продуктивности, и многие настроены более пессимистично.

Discussion

Обсуждение

Social scientists who are using coding agents are posting more working papers and applying for more grants. Relative to others in their discipline and career stage, they are also starting more projects. But as of March 2026, they are not yet driving a surge in journal submissions. The increased number of project starts may be early evidence of productivity increasing. It could also indicate that early adopters were already more productive researchers.

Социологи, использующие агентов для написания кода, публикуют больше препринтов и подают больше грантовых заявок. По сравнению с коллегами в той же дисциплине и на той же карьерной стадии они также начинают больше проектов. Но по состоянию на март 2026 года они пока не создают всплеска журнальных подач. Рост числа начатых проектов может быть ранним свидетельством повышения продуктивности, а может указывать на то, что ранние последователи и прежде были более продуктивными исследователями.

Overall, early adoption of coding agents has tilted toward early career researchers, men, and those at higher status universities. Coding agent use is currently more unevenly distributed across these categories than LLM use more broadly. We also find suggestive evidence that researchers fear that the immediate benefits of rising paper productivity may come along with field-level costs. Perhaps more papers means congestion and competition for attention; perhaps respondents fear that some researchers will use AI tools in ways that exacerbate existing problems in social science, like selective reporting and risk-averse, incremental research.

В целом раннее внедрение агентов для написания кода сместилось в сторону молодых исследователей, мужчин и представителей более престижных университетов. Использование агентов в настоящее время распределено более неравномерно по этим категориям, чем использование LLM в целом. Мы также обнаруживаем косвенные свидетельства того, что исследователи опасаются: непосредственные выгоды от роста продуктивности могут сопровождаться издержками на уровне дисциплины. Возможно, больше статей означает перегруженность и конкуренцию за внимание; возможно, респонденты опасаются, что некоторые исследователи будут использовать ИИ-инструменты так, что это усугубит существующие проблемы социальных наук — такие как избирательная отчётность и осторожные, инкрементальные исследования.

There are several caveats to the findings in this report. The data presented here is based on an email survey of quantitative social scientists, recruited explicitly to participate in a study on workflows and AI use. We expect that the respondents are both heavier users and more optimistic about LLMs than non-responders. The early-stage productivity differences we see should be interpreted descriptively. The early adopters of coding agents may be more productive and otherwise different from non-adopters in many ways that we cannot measure directly in the survey. Finally, we only look here at the number of projects researchers report, and report nothing about their quality. In future updates on this study, we will show results comparing coding agent users to a clean comparison group, and assess whether the content, and not just quantity, of coding agent augmented work looks different.

К результатам этого отчёта следует сделать ряд оговорок. Представленные данные основаны на электронном опросе количественных социологов, специально приглашённых для участия в исследовании рабочих процессов и использования ИИ. Мы предполагаем, что респонденты более активно используют и более оптимистично оценивают LLM, чем те, кто не ответил на опрос. Различия в продуктивности на ранних этапах следует интерпретировать описательно. Ранние последователи агентов могут быть более продуктивными и отличаться от не-пользователей по многим параметрам, которые мы не можем напрямую измерить в опросе. Наконец, здесь мы рассматриваем только количество проектов, а не их качество. В будущих отчётах по этому исследованию мы покажем результаты сравнения пользователей агентов с чистой контрольной группой и оценим, отличается ли содержание, а не только объём, работы с участием агентов.

Notwithstanding these limitations, we show that coding agents are diffusing into the social sciences. The way we study the economy and politics, for example, is increasingly through analysis decisions made in part by AI coding agents. We plan to bring more evidence in future reports on the potential and risks of this kind of automation.

Несмотря на эти ограничения, мы показываем, что агенты для написания кода проникают в социальные науки. То, как мы изучаем экономику и политику, например, всё больше опосредуется аналитическими решениями, частично принимаемыми ИИ-агентами. В будущих отчётах мы планируем представить дополнительные данные о потенциале и рисках такого рода автоматизации.

Authors

Авторы

Thomas Lyttelton, Maxim Massenkoff, Nathan Wilmers

Thomas Lyttelton, Maxim Massenkoff, Nathan Wilmers

Acknowledgements

Благодарности

Tim Belonax, Keir Bradwell, Jake Eaton, Rebecca Hiscott, Peter McCrory, Kerry Persen, Sarah Pollack, Santi Ruiz, Heather Whitney, Jack Clark.

Tim Belonax, Keir Bradwell, Jake Eaton, Rebecca Hiscott, Peter McCrory, Kerry Persen, Sarah Pollack, Santi Ruiz, Heather Whitney, Jack Clark.

Appendix

Приложение

Available here.

Доступно здесь.

Citation

Цитирование

@online{lyttelton2026agents, author = {Thomas Lyttelton and Maxim Massenkoff and Nathan Wilmers}, title = {Coding Agents in the Social Sciences}, date = {2026-05-27}, year = {2026}, url = {https://www.anthropic.com/research/coding-agents-social-sciences}, }

@online{lyttelton2026agents, author = {Thomas Lyttelton and Maxim Massenkoff and Nathan Wilmers}, title = {Coding Agents in the Social Sciences}, date = {2026-05-27}, year = {2026}, url = {https://www.anthropic.com/research/coding-agents-social-sciences}, }

References

Литература

Alvero, A. J., Stoltz, D. S., Stuhler, O., & Taylor, M. A. (2026). Generative AI in Sociological Research: State of the Discipline. Sociological Science, 13, 45-62.

Alvero, A. J., Stoltz, D. S., Stuhler, O., & Taylor, M. A. (2026). Generative AI in Sociological Research: State of the Discipline. Sociological Science, 13, 45-62.

Korinek, A. (2025). AI agents for economic research (No. w34202). National Bureau of Economic Research. NBER Working Paper Series.

Korinek, A. (2025). AI agents for economic research (No. w34202). National Bureau of Economic Research. NBER Working Paper Series.

Liang, W., Zhang, Y., Wu, Z., Lepp, H., Ji, W., Zhao, X., ... & Zou, J. (2025). Quantifying large language model usage in scientific papers. Nature Human Behaviour, 1-11.

Liang, W., Zhang, Y., Wu, Z., Lepp, H., Ji, W., Zhao, X., ... & Zou, J. (2025). Quantifying large language model usage in scientific papers. Nature Human Behaviour, 1-11.

Lu, C., Lu, C., Lange, R. T., Yamada, Y., Hu, S., Foerster, J., ... & Clune, J. (2026). Towards end-to-end automation of AI research. Nature, 651(8107), 914-919.

Lu, C., Lu, C., Lange, R. T., Yamada, Y., Hu, S., Foerster, J., ... & Clune, J. (2026). Towards end-to-end automation of AI research. Nature, 651(8107), 914-919.

Wilmers, N., & Engzell, P. (2026). The Paper Factory. SocArXiv Preprints.

Wilmers, N., & Engzell, P. (2026). The Paper Factory. SocArXiv Preprints.

Footnotes

Примечания

Мы запустили опрос всего через месяц после выхода Claude Cowork и до выпуска приложения OpenAI Codex, поэтому в этом вопросе мы сосредоточились на инструментах командной строки для взаимодействия с агентами. Это означает, что мы не учитываем исследователей, использующих ИИ-агентов исключительно через более универсальные десктопные приложения.

Related content

Связанные материалы

Project Glasswing: An initial update

Project Glasswing: первые результаты

An early update on what we've learned from Project Glasswing.

Предварительный отчёт о том, что мы узнали из Project Glasswing.

2028: Two scenarios for global AI leadership

2028: два сценария мирового лидерства в ИИ

Our views on the AI competition between the US and China.

Наши взгляды на ИИ-конкуренцию между США и Китаем.

Teaching Claude why

Обучение Claude пониманию причин

New research on how we've reduced agentic misalignment.

Новое исследование о том, как мы снизили рассогласование в агентном поведении.