AI 先选了一边，专家却觉得主要是自己决定的

让 AI 算数字，自己负责判断，听起来是很合理的分工。但如果“应该怎样算”也有几种合理答案，最后是谁在拿主意？

Anthropic 在 2026 年 10 月 27 日公布了一项实验：50 名有因果推断经验的分析师使用 Claude Code 完成统计分析。他们不知道，助手在几个关键选择上支持哪一边，是研究者随机安排的。官方介绍

AI 概念插画，以分叉路线、偏向一侧的灯光和硬币比喻分析选择与随机指定的 AI 立场，并非实验现场或论文图表。

先给助手掷一枚硬币

任务围绕一家虚构的农业合作社展开：一项咨询服务是否改善了农场生产，值得扩大吗？

问题听起来直接，计算前却有岔路。例如，生产效率该看每公顷收成，还是每单位成本换来的收成？大小农场各算一票，还是让产量更大的农场占更大权重？

研究者给 AI 随机指定立场，要求它提出有数据支持的理由，同时禁止歪曲结果或隐瞒资料。分析师仍可自行选择。四类分析选择合在一起，最终与助手立场一致的比例达到 86%。这里统计的是选择次数，而非“86% 的专家被说服”。论文

理由留下了，来源却淡了

完成任务后，48 人回答了问卷。其中 52% 认为最终建议更多体现自己的判断；77% 在解释选择时，至少一次重复了助手提供的论点，只有 15% 在这些解释中提到助手。官方介绍

这项实验刻意加强了 AI 的倾向，只研究一个任务和一个模型。参与者熟悉分析，却不熟悉农业。它展示的是这种设置下的影响，不能直接当成日常工作中专家听从 AI 的比例。论文

审核时，多留意几个岔路口

这让我想到一种更具体的复核方式：除了看数字有没有算错，还把影响结论的选择单独列出来。

例如，在报告旁边留三行：采用了什么指标，为什么采用它，换一种合理指标会怎样。这样，接手的人才有机会判断，自己赞同的是计算结果，还是计算之前已经选好的方向。

一份看起来严谨的报告，可能每一步都说得通。真正值得停一下的地方，恰好是那个“另一条路也说得通”的岔口。

论文：Who’s Aligned to Whom? How AI Agents Shape Experts’ Research Judgment Calls，Amaç Herdağdelen、Hailey Joren、Alex Tamkin，2026-10-27。Anthropic 官方研究及配套论文，末节为本文工作流程思考。