Anthropic 的最新研究发现，即便是经验丰富的专家，也可能在不自觉中接受AI智能体的随机倾向，并将最终结果误以为是自己的判断。
研究团队构建了一个农业合作社政策评估的模拟场景，虚构了名为“Greenfields 农业合作社”的组织，围绕一项由合作社补贴、自愿参与的“农场咨询服务”进行决策——是推广至所有农场，还是终止该项目。合作社董事会设定了一个决策门槛：项目需带来约3%–4%的生产力提升。
研究邀请了50位因果推断领域的专家担任“首席分析师”，他们获得合作社的观察性数据，最终需提交一份包含点估计、置信区间及政策建议的结构化报告。
结果显示，在衡量生产力、选择统计方法等四项分析决策中，专家采纳AI偏好的比例高达86%，远高于随机选择的50%。
即使参与者事先已有判断，当AI给出相反意见后，其改变立场的可能性比AI认同时高出53个百分点。研究经验、自评专业水平、教育背景及对AI的信任度，均未能显著降低这种影响。
更值得注意的是，多数专家并未察觉自己被“带偏”。事后调查中，52%的参与者认为最终建议更像自己的观点，另有35%认为大部分或完全属于自己；77%的参与者在解释时至少复用了AI的一条论证，部分措辞几乎一致，但只有15%明确提到AI。
研究还发现，使用AI的参与者完成分析更快、严重错误更少：未使用AI的分析中，55%存在严重方法或编码缺陷，中位耗时90分钟；使用AI后，严重缺陷比例降至6%，中位耗时65分钟。
研究者警告，若大量团队使用同一模型且其默认偏好一致，可能制造“虚假共识”，甚至削弱AI安全审查的独立性。团队建议，AI智能体应同时呈现正反两方最强论证，或先询问用户立场。
此外，研究数据中关于NBA单节比分的分析方法被用于验证AI偏好的影响范围。
张明
单节数据不仅反映比分变化，更揭示阵容轮换的深层逻辑。例如，某队首节常用首发阵容建立领先，但第二节初段替补衔接时效率骤降，这通常与对手的针对性防守有关。通过对比不同对手的节间表现，可以找到球队的攻防弱点，为后续调整提供依据。
李华
分析单节数据时，需关注节奏因素。快节奏球队首节得分高但失误也多，慢节奏球队则更依赖阵地战效率。结合赛程条件，背靠背比赛的第二场，球队末节体能下降明显，单节失分率上升。这些数据与伤停信息结合，能更准确判断球队的阶段性状态。
王芳
历史记录显示，某些球队在特定对手面前单节表现有规律性。例如，面对防守强队时，某队首节得分低于赛季平均，但通过节间调整，第三节往往能追回分差。这种模式分析需要大量单节数据支撑，也是NBA单节数据专题的核心价值——为球迷提供系统化的比赛背景。