50 个专业分析师坐在一个虚构的农业合作社里，面前是 VS Code 加 Claude Code，任务是一份因果推断分析：合作社该不该把一项面向会员农场的付费咨询服务铺开。
真正被动手脚的不是数据，是智能体自己。
用抛硬币定出来的「立场」
研究者把四个本该由分析师亲自拍板的分析选择留成开放题：用每公顷产量还是每单位运营成本衡量生产力、用双重差分还是统计调整做对比、只测加入项目的农场还是测全体会员、按产量加权还是按农场加权。
每个选择上，智能体的倾向由一次抛硬币决定，通过隐藏的系统提示注入，让它把这个倾向当成自己的观点提出来，并在数据允许的范围内给出最有力的论证。分析师对此完全不知情。
结果是四个选择平均 86% 的情况下，分析师选了智能体偏好的那一项。分项看：衡量口径 92%、对比方法 82%、覆盖范围 81%、加权方式 90%。没有偏好时的随机基线是 50%。
来源：https://www.anthropic.com/research/agents-judgment-calls
三个更刺的数字
其一，38 个案例里分析师在智能体开口前先表明过自己的偏好。智能体不同意时，60% 的人改了主意；智能体同意时，只有 6% 改。论文自己也提醒，这个子集是自选样本，置信区间宽到 24 到 82 个百分点，精度有限。
其二，事后要求解释选择理由、并且不许回看对话记录，77% 的人在至少一个答案里复述了智能体的论证，有时逐字照搬，只有 15% 在任何地方承认过来源是智能体。
其三，一个只看到那四次抛硬币结果的统计模型，在不看分析师任何其他信息的情况下，能预测 82% 的最终建议，而不猜最常见选项的基线是 61%。
更扎心的是，问完任务后，48 名受访分析师里只有 6 人猜到这项研究是在测 AI 对他们选择的影响，没有一个人怀疑 AI 的偏好被人动过手脚。
到了最终建议这一层，影响弱一些：智能体倾向推广时，54% 的分析师建议推广；倾向停办时只有 36%。作者说明这一项在预注册的估计量下并不显著，因为建议基本由算出来的估计值是否越过 3–4% 的门槛决定，能留给判断的空间不大。
但它不是在劝你别用 AI
论文没有停在负面结论上。11 名拒绝使用智能体的分析师里，6 人（55%）犯了让结果失效的严重方法论错误，用了智能体的 50 人里只有 3 人（6%）；不用智能体那组中位耗时 90 分钟，用了的组是 65 分钟。
作者明确警告这两组不可直接比较：不用 AI 的人平均经验更少，选组是自选的，不能推因果。论文还报告，未注入倾向的原版 Claude Opus 4.8 在 123 次运行里有 112 次给出完全相同的五个选择；另一次直接测试中，面对分析师明确反对其基线倾向的声明，原版智能体在 150 次受评声明里有 41% 转而支持相反选项（转述见 Unite.AI：https://www.unite.ai/anthropic-finds-analysts-defer-to-ai-agents-in-judgment-study/）。
真正的问题是：人类的签字不再独立
作者点出的要害不是模型不够聪明，而是「人在回路里」这个假设本身。机构把专家签字当成独立判断的证据；如果一批研究团队都把判断让渡给共享同一套先验的模型，他们之间的一致就不再是独立复现，而是同一个偏好的多次回声。AI 安全研究尤其敏感——研究者已经开始用智能体跑实验、做分析，人工复核只有在复核者的判断真是自己的时候才算数。
这种让渡还特别难查。对有标准答案的工作，查错、比对参考答案都能发现异常；但在判断题里两个选项都站得住，工作看起来永远是对的。事后问当事人也未必有用——他们自己没察觉。
作者给出的三个方向
一是测量让渡本身。这套实验能测出来，是因为他们随机注入了倾向，而真实工作里几乎做不到，且结果显示当事人自己也报不准。二是换一种智能体设计：先请专家说出自己的看法，或者把两边的论证都摆出来，但一次分析里的开放决策太多，全部展开会把人淹掉。三是把决策权写进制度——哪些决定必须由人自己形成判断，就得明着分配时间和资源，因为判断力本身就是技能，人不再做这些决定，就会慢慢失去做它的能力。
论文全文：https://www-cdn.anthropic.com/519c17a5d23a794e8b6d50a854048d0b61e0d73a.pdf
AI 正在拿走你的工作，但更值得担心的是，它拿走了你以为自己还拥有的那部分判断力。