Coding agents in the social sciences

Агенты для написания кода в социальных науках

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.

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

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.

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.

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.

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.

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

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).

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.

Агенты для кода пока не добрались до большинства социологов

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.

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

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).

Внедрение крайне неравномерно

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.

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.

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.

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.

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

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.

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.

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

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.

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.

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.

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.

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

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?

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.

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.

Обсуждение

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.

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.

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.

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.

Авторы

Thomas Lyttelton, Maxim Massenkoff, Nathan Wilmers

Благодарности

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

Приложение

Доступно здесь.

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}, }

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.

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.

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.

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.

Связанные материалы

Project Glasswing: первые результаты

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

2028: два сценария мирового лидерства в ИИ

Наши взгляды на ИИ-конкуренцию между США и Китаем.

Обучение Claude пониманию причин

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