Исследователи с типично мужскими именами используют AI-агентов для кода более чем вдвое чаще, чем исследователи с женскими именами — даже если сравнивать людей одной специализации и одного карьерного уровня. Это данные свежего исследования Anthropic среди учёных в области социальных наук. Экономисты лидируют с показателем 39% использования coding agents, тогда как исследователи в сфере образования — только 4%.
Контекст
Anthropic — разработчик Claude, один из ключевых игроков в гонке foundation models — периодически публикует исследования об использовании своих инструментов. Это редкость для отрасли: большинство компаний держат подобную аналитику при себе. Данное исследование касается конкретного среза — академических социальных наук, где coding agents (автономные AI-инструменты, пишущие и выполняющие код) только начинают проникать в рабочий процесс.
Важная деталь методологии: авторы контролировали дисциплину и карьерный уровень. То есть разрыв — не артефакт того, что мужчин-экономистов больше, чем женщин в education research. Внутри одной группы — одинаковый статус, одна область, разные паттерны использования инструментов. Это меняет разговор: перед нами не структурный, а поведенческий феномен.
Разрыв в потреблении coding agents оказался значительно шире, чем в общем использовании AI. Иными словами, женщины используют AI-ассистентов в целом почти так же часто, но именно к агентным инструментам — тем, что пишут и запускают код — обращаются заметно реже.
Аналитика
Это исследование важно не само по себе, а как сигнал о том, что происходит с AI-adoption в профессиональных сообществах. Coding agents — следующий уровень автоматизации после простых чат-интерфейсов. Если на этапе «просто спросить у AI» гендерный разрыв относительно небольшой, то при переходе к агентной автоматизации он резко расширяется. Это предупреждение: AI-инструменты становятся конкурентным преимуществом, и если одна группа осваивает их быстрее, разрыв в производительности накапливается.
Разброс по дисциплинам — 39% у экономистов vs 4% у исследователей в education — говорит о том, что культура работы с кодом в дисциплине критически важна. Экономисты традиционно пишут много скриптов (R, Python, Stata); им легче принять coding agent как расширение привычного инструментария. Для педагогических исследователей код — чужеродная среда, и AI-агент там воспринимается как что-то слишком техническое.
Более широкий тренд: по мере того как agentic AI перестаёт быть нишевым инструментом разработчиков и проникает в аналитику, контент, юриспруденцию и науку — поведенческие паттерны раннего adoption формируют долгосрочное расслоение по производительности. Сегодня это академики, завтра — любая организация, где люди делают похожую работу с разной готовностью пробовать новое.
Кейсы применения в бизнесе
B2B-SaaS стартап: если вы строите AI-first продукт для корпоративного рынка — это сигнал об onboarding. Если ваш инструмент требует хотя бы минимальной работы с кодом или промптами, часть аудитории будет испытывать барьер не технический, а психологический. Стоит встроить мастер-сценарии, шаблоны и «нулевой код» flow — и отдельно замерять retention по сегментам. Иначе вы потеряете половину потенциальных пользователей ещё на старте.
Корпорация с legacy: при rollout AI-инструментов внутри компании — не полагайтесь на самоорганизацию. Исследование показывает, что без целенаправленной поддержки adoption расслаивается по демографическим группам. Внедряйте structured onboarding, назначайте AI-чемпионов в каждом отделе и создавайте внутренние community of practice — иначе инструменты освоит 20% сотрудников, а остальные будут их игнорировать.
SMB и локальный бизнес в КР/СНГ: при выборе AI-инструментов для команды смотрите на то, насколько они требуют технического бэкграунда. Coding agents типа Claude или Cursor мощны, но стартуют проще, если есть минимальный контекст работы с кодом. Для смешанных команд — хорошая точка входа: no-code AI-workflow платформы, которые прячут код за интерфейс, но дают agentную автоматизацию. Примеры таких подходов есть и среди местных разработчиков.
Кейсы в личной жизни
Разработчик: если вы уже пользуетесь AI для кода — переходите к агентному режиму. Claude, Cursor Composer, GitHub Copilot Workspace умеют не просто генерировать фрагменты, а запускать задачи автономно: рефакторинг, написание тестов, анализ данных. Попробуйте отдать агенту задачу целиком — не «напиши функцию», а «разбери этот датасет и сделай отчёт». Разница в продуктивности ощутима уже через неделю.
Контент-мейкер и фрилансер: coding agents — не только для программистов. Если вы работаете с данными, таблицами, аналитикой — агент может автоматизировать рутину: парсинг, обработку, форматирование. Не нужно знать Python «как разработчик». Достаточно уметь объяснить задачу словами — агент напишет и выполнит код сам. Это навык, который стоит освоить независимо от специализации.
Студент и исследователь: если вы работаете с данными в учёбе или науке — coding agents резко снижают порог для количественного анализа. Попросите агента помочь с обработкой данных в R или Python, объяснением статистических методов через код, воспроизведением расчётов из статьи. Это не читинг — это новый инструмент грамотности, и те, кто освоит его раньше, будут объективно продуктивнее.
Как применить сегодня
- Попробуйте Claude или любой coding agent с задачей, которую обычно делаете вручную в Excel или скриптах — дайте ему полное задание, не просите «напиши функцию», а опишите цель.
- Если вы руководите командой — проведите короткий аудит: кто из сотрудников реально использует AI-инструменты агентного типа? Скорее всего, картина будет похожа на результаты исследования Anthropic.
- Создайте внутренний шаблон или playbook для самого частого рутинного процесса в команде — с примером промпта для coding agent. Это снижает барьер для тех, кто ещё не пробовал.
- Если вы сами избегаете coding agents — начните с минимального кейса: «агент, напиши скрипт, который переименует эти файлы по такому-то паттерну». Это 5 минут и первый шаг к привычке.
- Следите за публикациями Anthropic об использовании AI — это редкий случай, когда крупная AI-компания публикует поведенческие данные. Такие данные полезны для обоснования внутренних решений по AI-adoption.