データサイエンティストに分析の説明を求めると、しばしばプルリクエストを渡され、実装を理解するように送られます。20分後、コードの構成は理解できるかもしれませんが、データが何を示したかはまだ分からないかもしれません。私は質問、私たちが何を見つけたか、そして証拠が結論を支持するかどうかを理解したいのです。Claude Code、OpenAI Codex、Databricks Genie Codeなどのコーディングエージェントは、コードを書き、実行し、修正することができ、アイデアを持ってデータに対して試すまでの労力を減らします。これにより、データサイエンティストの注意がどこにあるべきかを再考する機会が得られます。

データサイエンスは常に、データから何を学べるかを発見することに中心がありました。コードを書く労力が減るにつれて、私たちは探究により多くの注意を払い、その探究を同僚が検査しやすくするべきです。コードは科学的作業のためのツールであり、仮説が私たちが検査し修正できる形をとる製図板の延長です。Microsoft Excelでの分析は有用な科学的洞察を生み出すことができ、その信頼性はPythonで書かれた分析と同じ考慮事項に依存します。

コーディングエージェントにとって、電卓の比較は教訓的です：計算を委任しても、算術を理解し問題を定式化することが重要です。プログラミングの基礎は、コードがデータをどのように変換するかを理解し、実装が分析の要件を満たすかどうかを判断するのに役立ちます。科学的貢献には、有用な質問を定式化し、不完全な観察から防御可能な結論を引き出すための追加の専門知識が必要です。

私の懸念は、コードがアプリケーションが何をすべきかを決定するために必要な探索を中断する可能性があることです。特に、コードが分析よりも多くの精査を受ける場合や、探索的調整がその価値を調査する前にレビューを通過しなければならない場合です。私の経験では、コードレビューが支配的になると、大規模なデータサイエンスチームは発見プロセスを維持するのに苦労することがよくあります。