大语言模型在科研领域的渗透率，正呈现一种奇特的“表里不一”现象。Anthropic最新发布的一项针对1260名定量社会科学家的调查揭开了这层矛盾：81%的受访者曾使用过AI聊天机器人，但只有20%将编码智能体（如Claude Code、Codex）作为常规工作工具。聊天机器人的高认知度与编码智能体的低实际采用率之间，横亘着一条由性别、校际差距和用户心态共同构筑的鸿沟。

调查中最刺眼的数据是性别差异：以男性名字命名的研究者，其编码智能体常规使用率是女性研究者的两倍。这一差距远超聊天机器人的使用差异（聊天机器人方面性别差异不明显），说明编码工具的采用并非单纯的“技术接受度”问题，而可能植根于职业发展路径中的隐性壁垒。顶尖高校研究者的采用率高出其他院校40%，进一步放大了“马太效应”——技术最先被资源和信心最充裕的群体捕获，而原本就处于竞争弱势的研究者可能被加速边缘化。

值得注意的是，编码智能体使用者产出了更多工作论文和基金申请。但调查团队谨慎提醒：这很可能反映的是早期采用者的自身特质——他们原本就更高效、更有资源，而非AI直接“赋能”的结果。这种“选择偏差”在技术扩散初期极易被误读为因果效应，若不加分辨，会催生出“AI必然提升学术生产力”的乐观泡沫。

研究者对AI的态度呈现微妙的二元性：对“AI助力撰写一篇可发表论文”普遍乐观，但对“AI重塑整个社会科学领域”则持保留态度。这种割裂暗示，学者们愿意将AI视为局部效率工具，却不信任它能撼动学科的知识生产范式——毕竟，社会科学的核心在于理论建构、因果推断和批判性思维，而这些恰好是当前AI的短板。

从行业视角看，这20%的采用率既是挑战也是机遇。编码智能体在定量社科领域的推广，需要针对性突破性别和校际瓶颈：例如设计更直观的低代码界面、提供女性和非顶尖院校的专门培训、建立社群互助机制。同时，技术布道者应警惕早期用户的“幸存者偏差”——那些已经从AI获益的“顶校男性”并不能代表大多数。未来的研究需要跟踪长期效果，区分“赋能”与“筛选”。

Anthropic将此次调查定性为“初步”，更深入的因果分析和纵向追踪已在路上。在AI工具向学术腹地渗透的当下，社科领域的数据揭示了一个普适规律：技术的普及速度，往往不取决于它有多强大，而取决于它有多公平。对编码智能体而言，缩小那两倍的性别差距和40%的校际差距，或许比提升精度更能决定它的未来。