我在微博上观察自己关注的一些学术圈讨论时，产生了一个很粗浅的印象：相比社会学者，经济学家和政治学者这几年似乎更频繁、更强烈地同时提到两种感受，一种是被 AI 明显帮到的兴奋，另一种是被 AI 逼着加速的压力。这个印象当然不具备统计意义，我也很可能看偏了；不同学科内部差异也极大，任何概括都必须很克制。

以下任何表达，错了立刻滑跪！

如果把这种体感差异拆开来看，背后可能有几条相对清晰的线索：研究方法本身的结构、与社会互动的方式、学科对计算与文本生产（例如一手数据二手数据）的依赖程度，以及原本就不均衡的就业生态。也就是说，这并不是哪门学科更好或更弱，而更像是各学科的日常劳动与 AI 的能力边界在何处相遇，从而呈现出不同的冲击形态。

先说一个基本前提：AI 并不是万能的，它目前最擅长的，往往是那些可文本化、可标准化、可复现的环节，比如整理资料、读写初稿、生成代码框架、复盘逻辑链、把一段工作拆成更清晰的步骤。在这些环节里，它像一个高效的助手；但当任务涉及真实世界的复杂性、长期的情境浸泡、伦理责任与不可简化的判断时，它的能力就会迅速打折。

从这个角度看，经济学确实更容易与 AI 的强项形成直接耦合。许多经济学研究依赖结构化数据、明确的模型表达、可重复的分析流程和代码实现。AI 的介入不仅能加速写作与资料整理，更能在编程、推导、检错、复现等层面带来立竿见影的效率提升。效率提升一旦被一部分人率先吸收，就会在同行之间形成新的隐性基准：当有人能用工具把一周的工作压缩成两三天，其他人感受到的往往不是“要不要用”，而是“跟不跟得上”。于是帮助很容易在短时间内转化为压力，一种来自效率竞争与标准上移的压力--粗浅理解，错了立刻滑跪！

政治学的体感则常常先在教学与公共表达层面显现出来。政治学训练中有大量论证型写作和政策沟通实践：短评、备忘录、政策简报、课堂论文、公共评论等。这些任务恰恰是生成式 AI 最容易介入的对象。当然政治学内部方法论非常多元：做定量研究的学者，在数据处理、建模和写作加速上的体验可能更接近经济学-- Again，粗浅理解，错了立刻滑跪！

社会学的情况难一概而论，因为它本来就是一个方法谱系非常宽的领域：既有高度数据化、模型化的计算社会学与数字社会学，也有扎根于访谈、田野、参与式观察、历史档案与意义建构的质性传统。对前一类研究而言，AI 带来的帮助与压力并不会比经济学小。一两年前，按我非常不严谨的“身边即世界”观察，在社会科学领域想找到教职，拥有一个在美国完成的定量或 computational 方向博士学位，似乎是相当有竞争力的背景。当然这只是体感，并不代表完整图景。那时候生成式 AI 还不太会算数，经常出错，真正的数理能力和编程能力依然是明显的技术壁垒。但这两年情况变化得很快。像 Plaude、Copilot 这类工具在代码生成、数据处理和技术解释上的能力已经相当可用。某种程度上，数字处理技能的门槛被迅速拉低了，计算机语言越来越像一种可以用自然语言调度的工具。这并不意味着专业能力不重要，而是意味着技术优势的形态正在变化。

社会学的训练，本身就要求研究生至少具备一定的质性研究能力吧？哪怕最终做的是定量或计算方向，对社会情境的理解、对田野的敏感、对意义建构的意识，通常也是训练的一部分。

对许多质性社会学工作来说，AI 的作用更多集中在外围环节：转录访谈、整理材料、做初步编码、写备忘录、生成一些可能的解释路径。它确实可以节省时间，但很难替代研究者与世界发生真实接触的那段过程：在关系里慢慢建立信任，在具体场域中理解权力与文化的运作，在细节里辨认矛盾、沉默与暧昧。

过去，研究者往往花大量时间在整理资料、写初稿、处理技术细节上，这些繁琐的劳动在某种程度上遮蔽了更深层的问题：我们为什么研究这个问题？数据背后的社会关系是什么？那些不确定性、模糊边界、价值冲突和情境依赖，究竟意味着什么？当技术能力被迅速工具化之后，人的价值反而更集中地体现在判断、提问、责任与情境理解上。

这些核心工作不仅需要时间的沉淀，也依赖伦理意识与责任感，是对研究者敏感度与自我反思能力的持续考验。更何况，质性材料往往涉及隐私与敏感经验：哪些数据适合交给工具处理？如何确保匿名化真正有效？又如何避免被一种流畅却过于整齐的语言，把原本存在的不确定性与张力抹平？这些问题都会让研究者在使用 AI 时更加谨慎。

因此，社会学呈现出的可能是一种不均匀的变化：写作和整理等外围环节变化很快，核心的田野工作与解释环节却更慢、更复杂，也更需要防护与自觉。

另外还有一个常被忽略的背景：就业市场的基线不同，会显著改变冲击被感受到的方式。社会学长期面临紧张的学术就业结构，这不是近两三年的突然事件。长期的不确定与竞争会让很多从业者对压力形成一种“结构性免疫”。不是压力不存在，但它不再以戏剧性断裂的形式出现，而是以叠加的方式被吸收进本来就沉重的常态里。某种意义上，这会钝化新冲击的主观感受：不是因为没有变化，而是因为系统里早已没有太多轻松可失去的空间。