81% vs 20%，這個差距才是 AI 真正的鴻溝
整理版優先睇
AI 真正的鴻溝唔係用冇用過 AI，而係有冇用 Coding Agent 做完整嘅工作；跨過呢道門檻嘅人，生產力會明顯拉開。
Anthropic 喺 5 月 27 號發表咗一份針對 1260 名社會科學家嘅調研，發現 81% 用過 AI 聊天工具（如 ChatGPT、Claude），但只有 20% 用過 Coding Agent（如 Claude Code）。作者係 WaytoAGI 社區 AI 編程區主理人，佢認為呢 60 幾個百分點嘅差距先係 AI 真正嘅鴻溝。
作者指出，Coding Agent 唔係「升級版 ChatGPT」，而係完全唔同嘅工作模式：聊天工具係「你問我答」，Coding Agent 係「你交個 project 俾佢，佢自己搞掂」。門檻主要有三層：環境門檻（要用 Terminal）、認知門檻（唔敢俾大任務）、場景門檻（冇連貫嘅多文件任務）。用上 Coding Agent 嘅研究者，論文產出同經費申請明顯更多，因為佢哋敢嘗試以前唔敢做嘅事，嘗試成本降到 10 分鐘內。
作者建議唔好由學工具開始，而係先揾一個真實嘅 project（例如整理文檔、分析數據集、整個人網站），然後倒逼自己去用 Coding Agent。跨過呢道門檻嘅人，每日可以多做幾件事，生產力差距就係咁樣拉開嘅。
- 81% 用過 AI 聊天工具，但只有 20% 用過 Coding Agent——呢個先係 AI 真正嘅鴻溝。
- Coding Agent 嘅邏輯係「交活兒」而唔係「問問題」，需要重寫你嘅工作流。
- 三層門檻：環境（Terminal）、認知（唔敢俾大任務）、場景（冇連貫任務）。
- 用上 Coding Agent 嘅人產出更多，因為嘗試成本急降到 10 分鐘內，敢做以前唔敢嘅事。
- 先揾一個真實 project，再倒逼自己用 Coding Agent，而唔係反過來學完工具先揾場景。
81% vs 20%：呢個差距先係關鍵
Anthropic 喺 5 月 27 號發咗份調研，對象係 1260 名社會科學家。結果顯示，81% 用過 AI 聊天工具，但只有 20% 用過 Coding Agent。作者話，AI 真正嘅鴻溝唔係「用冇用過 AI」，而係呢條 81% 到 20% 嘅罅隙。
呢班社會科學家唔係程序員，但成日要做數據分析、跑統計、寫文獻綜述，呢啲工作本質上都係 Coding Agent 可以接管 嘅任務。所以佢哋嘅使用率特別反映到 Agent 嘅普及程度。
ChatGPT 同 Coding Agent 完全係兩回事
好多人以為識用 ChatGPT 就叫識用 AI，作者以前都咁諗，但用過 Claude Code 之後發現完全唔同。
聊天工具似 「同一個好熟嘅朋友打電話」，你問佢答，你主導。Coding Agent 似 「將個 Project 交俾一個同事」，佢自己讀文件、改 code、跑測試、debug，你只係喺關鍵節點拍板。
兩者嘅差別唔止係用法，而係你要成個工作流 重新寫過。前者考提問能力，後者考拆活能力，係兩套完全唔同嘅肌肉。
三層門檻，卡住咗 80% 嘅人
作者喺社區觀察大量普通人上手 Coding Agent，發現 Anthropic 嘅數據同佢嘅一手感受好吻合。門檻主要有三層：
- 1 環境門檻：Claude Code 要用 Terminal，好多社會科學家、PM、設計師一世都未開過 Command Line。裝 Node.js、配 API key 已經等於叫唔識揸車嘅人去考車牌。
- 2 認知門檻：好多人以為 Agent 係「升級版 ChatGPT」，裝完之後都係問「幫我寫個 Python 腳本」，完全浪費咗 Agent 可以自己讀 code、改文件嘅能力。
- 3 場景門檻：如果你嘅日常工作冇「連貫、需要操作多個文件嘅任務」，Agent 嘅優勢就出唔嚟。但社會科學家要清洗數據、跑回歸、畫圖、寫論文，呢啲場景正好係 Agent 最發揮到嘅地方。
嗰 20% 用上嘅人，多數係先有咗「手頭有個 project 要做」嘅場景，順勢用起 Agent。其餘 80% 唔係冇能力，係未遇到啱嘅活撬動佢。
槓桿所在：敢做以前唔敢做嘅事
作者自己用 Claude Code 半年，最大體會係唔係「寫 code 快咗」，而係 「敢做以前唔敢做嘅事」。以前見到個數據集，諗住要分析但超過 3 個鐘就放棄；而家就咁掉俾 Claude Code 試，得就繼續，唔得就停，嘗試成本壓到 10 分鐘之內。
點樣先跨得過呢道門檻？
作者建議唔好由「學 Claude Code 點用」開始，而係 「揾一個真實嘅 Project，倒逼自己用 Coding Agent」。具體步驟：
- 諗清楚一件最近一直冇動手做嘅事：例如整理舊文檔、分析公開數據集、整個個人網站。
- 將呢件事「甩」俾 Claude Code，裝環境、配 API、查文檔全部都係為咗完成呢件事而做，自然就會過到。
- 第一次用 Agent 撬完一個 Project，第二次就敢撬更大嘅；半年之後工作流就完全換咗。
先有目標，先學工具——呢個順序好重要。社區裏面跨過鴻溝嘅人，幾乎都係呢個模式：揾個想幹又幹唔曬嘅活，用 Agent 做撬棍，撬完一次就停唔到。
先睇一組數字。
Anthropic 喺 5 月 27 號出咗一份調查，對象係 1260 個社會科學家。
81% 嘅人，用過 AI 聊天工具，好似 ChatGPT、Claude 呢啲。
但得 20% 嘅人，用咗 Coding Agent，好似 Claude Code 咁。
差距超過 60 個百分點。
我睇住呢兩個數字好耐。講真，AI 真正嘅鴻溝，唔係喺「有冇用過 AI」，而係喺呢條 81% 到 20% 嘅裂縫入面。
呢份調查入面仲有幾個數字好刺眼
Anthropic 今次嘅調查對象係社會科學家，唔係程序員。呢點好關鍵。
社會科學家唔係日日寫 code 嘅羣體，但佢哋要做數據分析、行統計、寫文獻綜述，本質上都屬於「可以被 Coding Agent 接管嘅工作」。所以呢班人點樣用，特別反映出 Coding Agent 嘅真實普及程度。
調查入面有幾個細節，比百分比本身更加有意思。
第一，用咗 Coding Agent 嘅研究者，發表工作論文同申請經費嘅數量，比起冇用嘅明顯更多。
第二，男性使用率係女性嘅 2 倍。
第三，頂尖大學研究者嘅使用率，比其他大學高 40%。
呢啲數字夾埋，說明一件事。Coding Agent 唔係「錦上添花」嘅工具，佢已經靜靜地拉開生產力差距。但拉開嘅方向，唔係按需求分，係按「你有冇行出第一步」嚟分。
Coding Agent 同聊天 AI，分別唔係一個級別
好多人以為，識用 ChatGPT，就算係識用 AI。
我以前都咁諗。後來真係上手 Claude Code，發現完全唔同。
聊天工具似啲乜？似你同一個好熟嘅朋友打電話。你問，佢答。問題清楚，答案就清楚。問題模糊，佢仲會反問你。成個過程，你係主導嘅人，佢係回應嘅人。
Coding Agent 唔同。佢更加似，你將一個 project 交俾一個同事，幫佢裝好開發環境，話俾佢知「我要呢個結果」，然後佢自己行、自己讀文件、自己改 code、自己行測試、出問題自己 debug。你只係喺關鍵節點決定。
呢兩件事嘅分別，唔止係「用法唔同」。
係你個腦入面嘅工作流程，完全要重新寫過。
聊天工具嘅邏輯係「我問問題」。Coding Agent 嘅邏輯係「我交 job」。前者考驗提問能力，後者考驗拆解 job 嘅能力。呢係兩套完全唔同嘅肌肉。
20% 嗰邊嘅人，門檻卡喺邊
我係 WaytoAGI 社區 AI 編程區嘅主理人，喺社區入面觀察過大量普通人上手 Coding Agent 嘅過程。Anthropic 呢個數據，同我嘅一手感受高度吻合。
門檻主要有三層。
第一層，環境門檻。
Claude Code 要喺 command line 入面行。就呢一點，已經過濾咗好大一批人。好多社會科學家、產品經理、設計師，成世都冇開過 Terminal。叫佢哋裝 Node.js、set API key、記幾個 npm 命令，等於叫一個唔識揸車嘅人先去考車牌。
聊天工具就冇呢個問題。開網頁，登入，開始傾。零門檻。
呢一層門檻，Anthropic、OpenAI 呢啲廠商其實心知肚明，但短期內解決唔到。Command line 係程序員嘅母語，整到好似傻瓜介面咁，就會冇咗靈活性。魚與熊掌嘅取捨。
第二層，認知門檻。
好多人以為 Coding Agent 係「升級版嘅 ChatGPT」。裝好咗一上手，都係「你幫我寫個 Python script 計嚇平均數」呢種用法。
唔係唔得，係浪費。
Coding Agent 真正嘅槓桿，在於佢可以自己讀你個 project 嘅 code、自己理解 context、自己行工具、自己改一串文件。你俾佢嘅 job 越大，佢嘅優勢越明顯。但你首先要「敢」俾大 job 佢。
社區入面我見過最典型嘅卡位係咁。一個人裝好咗 Claude Code，問佢「你可以幫我做啲乜」，然後都係用聊天模式問問題。用咗兩個星期，得出結論「同 ChatGPT 差不多」，就剷咗。
佢唔係用錯，係冇意識到應該點用。
第三層，場景門檻。
呢一層最隱蔽。
如果你嘅日常工作冇「連貫、需要操作多個文件嘅 task」，Coding Agent 嘅優勢的確顯示唔到出嚟。例如你只係偶然寫一段 code，咁 ChatGPT 網頁版就夠。
但社會科學家呢個羣體好特殊。佢哋要清洗數據、行回歸、畫圖、寫論文，每一步都涉及一堆文件、一堆中間產物。呢種場景，正正係 Coding Agent 最能發揮嘅地方。
調查入面嗰 20% 用咗嘅人，多數係先有「我手頭有個 project 要做」嘅場景，先順勢將 Coding Agent 用起嚟。剩低 80% 冇用嘅人，唔一定係冇能力，係手頭冇合適嘅 job 去撬動佢。
點解用咗嘅人會拉開差距
Anthropic 嘅數據話，用咗 Coding Agent 嘅研究者，論文產出同經費申請都更多。
呢個唔係因為佢哋更聰明，係因為佢哋嘅工作流程被重新做過。
我自己用咗 Claude Code 半年有多，最深嘅體會係，佢唔係令我「寫 code 更快」，而係令我「敢做以前唔敢做嘅嘢」。
以前見到一個數據集，想分析嚇，我會先估算「呢個要花我幾多時間」。如果超過 3 個鐘，多數就會放棄。
而家唔同。我會先將數據集交俾 Claude Code，等佢行一次，睇嚇大概。行得通就繼續，行唔通就停。成個嘗試成本壓到 10 分鐘以內。
結果就係，我嘗試嘅次數多咗，做到嘅事都多咗。
呢個邏輯，Anthropic 調查入面嘅研究者大概都係一樣。佢哋唔係因為用咗 AI 先論文多，係因為用咗 AI 之後，「敢嘗試嘅事」多咗，自然產出就上嚟。
呢個先係 Coding Agent 真正嘅槓桿。
如果你想跨過呢道鴻溝
寫呢篇嘅時候，我反覆咁諗，要俾讀者一個點樣嘅建議。
唔係「快啲去裝 Claude Code」。呢種建議太虛。
我嘅建議係，俾自己揾一個真實嘅 project，倒轉逼自己用 Coding Agent。
即係點解呢？
唔好先研究 Claude Code 點用，再揾嘢去試。呢條路 90% 嘅人行唔通。會卡喺「我學咗一堆，但冇場景」嘅狀態。
掉轉嚟。先諗清楚一件你最近一直冇鬱手做嘅事。例如，將自己幾年前嘅文檔批量整理一次。例如，將一份公開數據集行一次分析。例如，俾自己做一個個人網站。
然後，將呢件事交俾 Claude Code。裝環境、set API、查文檔，曬呢啲都喺「為咗完成呢件事」嘅驅動之下，自然就過咗。
呢個順序好重要。先有目標，再學工具。掉轉嚟，工具學咗都用唔上。
社區入面跨過呢道鴻溝嘅人，幾乎都係呢個模式。先有一個想做又做唔曬嘅 job，然後將 Coding Agent 當做撬棍。撬完一次，第二次就敢撬更大。半年落嚟，工作流程就完全換咗。
最後
81% 對 20%，係，又一個二八定律嘅案例
佢唔係話 AI 普及不均，係話 AI 真正嘅紅利，已經唔喺「用 AI」呢一層，而喺「俾 AI 幫你做完整嘅 job」呢一層。
聊天工具係一個紅利期。Coding Agent 係下一個紅利期。兩個紅利期之間，隔住一道唔算高、但好多人跨唔過嘅門檻。
跨過咗嘅人，每日可以多做幾件事。冇跨過嘅人，會繼續覺得「AI 都係咁咋」。
差距就係喺呢道門檻上拉開嘅。
參考來源：
Anthropic Research，「Coding Agents in the Social Sciences」，2026-05-27
先看一組數字。
Anthropic 在 5 月 27 號發了一份調研，對象是 1260 名社會科學家。
81% 的人，用過 AI 聊天工具，ChatGPT、Claude 這種。
但只有 20% 的人，用上了 Coding Agent，比如 Claude Code。
差距 60 多個百分點。
我盯着這兩個數字看了很久。說實話，AI 真正的鴻溝，不在「用沒用過 AI」，而在這條 81% 到 20% 的縫裏。
這份調研裏還有幾個數字很扎眼
Anthropic 這次的調研對象是社會科學家，不是程序員。這一點很關鍵。
社會科學家不是天天寫代碼的羣體，但他們要做數據分析、跑統計、寫文獻綜述，本質上都屬於「能被 Coding Agent 接管的工作」。所以這羣人怎麼用，特別能反映 Coding Agent 的真實普及面。
調研裏有幾個細節，比百分比本身更有意思。
第一個，用上了 Coding Agent 的研究者，發表工作論文和申請經費的數量，比沒用上的明顯更多。
第二個，男性使用率是女性的 2 倍。
第三個，頂尖高校研究者的使用率，比其他高校高 40%。
這些數字湊在一起，說明一件事。Coding Agent 不是「錦上添花」的工具，它已經在悄悄地拉開生產力差距。但拉開的方向，不是按需求分，是按「你有沒有先邁出這一步」分。
Coding Agent 和聊天 AI，差的不是一檔
很多人以為，會用 ChatGPT，就算是會用 AI 了。
我以前也這麼覺得。後來真上手 Claude Code，發現完全不是一回事。
聊天工具像什麼呢？像你跟一個很懂的朋友打電話。你問，他答。問題清楚，答案就清楚。問題模糊，他還會反問你。整個過程，你是那個主導的人，他是那個回應的人。
Coding Agent 不一樣。它更像，你把一個項目甩給一個同事，給他裝好開發環境，告訴他「我要這個結果」，然後他自己跑、自己讀文件、自己改代碼、自己跑測試、出問題自己 debug。你只在關鍵節點拍板。
這兩件事的差別，不只是「用法不同」。
是你腦子裏的工作流，完全要重寫一遍。
聊天工具的邏輯是「我問問題」。Coding Agent 的邏輯是「我交活兒」。前者考驗提問能力，後者考驗拆活兒能力。這是兩套完全不同的肌肉。
20% 那一邊的人，門檻卡在哪裏
我是 WaytoAGI 社區 AI 編程區的主理人，在社區裏觀察過大量普通人上手 Coding Agent 的過程。Anthropic 這個數據，跟我的一手感受高度吻合。
門檻主要有三層。
第一層，環境門檻。
Claude Code 要在命令行裏跑。光這一條，已經過濾掉一大批人了。很多社會科學家、產品經理、設計師，一輩子沒打開過 Terminal。讓他們裝 Node.js、配 API key、記幾個 npm 命令，等於讓一個不會開車的人先去考駕照。
聊天工具就沒這問題。打開網頁，登陸，開聊。零門檻。
這一層門檻，Anthropic、OpenAI 這些廠商其實心裏清楚，但短期內解決不了。命令行是程序員的母語，把它做成傻瓜界面，就會丟掉靈活性。魚和熊掌的取捨。
第二層，認知門檻。
很多人以為 Coding Agent 是「升級版的 ChatGPT」。裝好了一上手，還是「你幫我寫個 Python 腳本算一下平均數」這種用法。
不是不行，是浪費。
Coding Agent 真正的槓桿，在它能自己讀你的項目代碼、自己理解上下文、自己跑工具、自己改一連串文件。你給它的活兒越大，它的優勢越明顯。但你得先「敢」把大活兒給它。
社區裏我見過最典型的卡點是這種。一個人裝好了 Claude Code，問它「你能幫我做什麼」，然後還是用聊天模式問問題。用了兩個禮拜，得出結論「跟 ChatGPT 差不多」，卸載。
他不是用錯了，是沒意識到該怎麼用。
第三層，場景門檻。
這一層最隱蔽。
如果你的日常工作沒有「連貫的、需要操作多個文件的任務」，Coding Agent 的優勢確實顯不出來。比如你只是偶爾寫一段代碼，那 ChatGPT 網頁版就夠了。
但社會科學家這個羣體很特殊。他們要清洗數據、跑回歸、畫圖、寫論文，每一步都涉及一堆文件、一堆中間產物。這種場景，恰恰是 Coding Agent 最能發力的地方。
調研裏那 20% 用上的人，多半是先有了「我手頭有個項目要幹」的場景，才順勢把 Coding Agent 用起來。剩下 80% 沒用上的人，未必是沒能力，是手頭沒有合適的活兒撬動它。
為什麼用上的人會拉開差距
Anthropic 的數據說，用上 Coding Agent 的研究者，論文產出和經費申請都更多。
這不是因為他們更聰明，是因為他們的工作流被重做了。
我自己用 Claude Code 半年多，最深的體會是，它不是讓我「寫代碼更快」，而是讓我「敢做以前不敢做的事」。
以前看到一個數據集，想分析一下，我會先估算「這要花我多少時間」。如果超過 3 小時，多半就放棄了。
現在不一樣。我會先把數據集甩給 Claude Code，讓它跑一遍，看個大概。能跑通就繼續，跑不通就停。整個嘗試成本被壓到了 10 分鐘以內。
結果就是，我嘗試的次數變多了，做成的事也變多了。
這個邏輯，Anthropic 調研裏的研究者大概也是一樣的。他們不是因為用了 AI 才論文多，是因為用了 AI 之後，「敢嘗試的事」變多了，自然產出就上來了。
這才是 Coding Agent 真正的槓桿。
如果你想跨過這道鴻溝
寫這篇的時候，我反覆在想，要給讀者一個怎樣的建議。
不是「趕緊去裝 Claude Code」。這種建議太空。
我的建議是，給自己找一個真實的項目，倒過來逼自己用 Coding Agent。
什麼意思呢？
不要先研究 Claude Code 怎麼用，再找東西去試。這條路 90% 的人走不通。會卡在「我學了一堆，但沒場景」的狀態。
倒過來。先想清楚一件你最近一直沒動手做的事。比如，把自己幾年前的文檔批量整理一遍。比如，把一份公開數據集跑一遍分析。比如，給自己做一個個人網站。
然後，把這件事甩給 Claude Code。裝環境、配 API、查文檔，所有這些都在「為了完成這件事」的驅動下，自然就過去了。
這個順序很重要。先有目標，再學工具。反過來，工具學了也用不上。
社區裏跨過這道鴻溝的人，幾乎都是這個模式。先有一個想幹又幹不完的活兒，然後把 Coding Agent 當撬棍。撬完一次，第二次就敢撬更大的。半年下來，工作流就完全換了。
最後
81% vs 20%，對，又一個二八定律的案例
它不是說 AI 普及不均，是說 AI 真正的紅利，已經不在「用 AI」這一層了，而在「讓 AI 替你幹完整的活兒」這一層。
聊天工具是一個紅利期。Coding Agent 是下一個紅利期。兩個紅利期之間，差着一道不算高、但很多人邁不過去的門檻。
邁過去的人，每天能多幹幾件事。沒邁過去的人，會繼續覺得「AI 也就那樣」。
差距就是在這道門檻上拉開的。
參考來源：
Anthropic Research，「Coding Agents in the Social Sciences」，2026-05-27