当我要求数据科学家解释一项分析时，我经常收到一个拉取请求，并被要求去理解实现。二十分钟后，我可能理解了代码的组织方式，但仍然不知道数据显示了什么。我想理解问题、我们发现了什么，以及证据是否支持结论。编码代理如Claude Code、OpenAI Codex和Databricks Genie Code可以编写、执行和修改代码，减少了从想法到用数据尝试之间的努力。这让我们有机会重新考虑数据科学家的注意力应该放在哪里。

数据科学一直以发现我们能从数据中学到什么为中心。随着编写代码的努力减少，我们应该更多地关注探究，并让同事更容易检查这种探究。代码是科学工作的工具，是绘图板的延伸，假设在其中形成我们可以检查和修改的形式。Microsoft Excel中的分析可以产生有用的科学洞察，其可信度取决于与用Python编写的分析相同的考虑因素。

对于编码代理，计算器的比较具有启发性：即使我们委托计算，理解算术和表述问题仍然重要。编程基础帮助我们理解代码如何转换数据，并确定实现是否满足分析要求。科学贡献需要额外的专业知识来表述有用的问题，并从不完整的观察中得出可辩护的结论。

我担心的是，代码可能会中断确定应用程序应该做什么所需的探索，特别是当代码比分析受到更多审查，或者探索性调整必须通过审查才能调查其价值时。根据我的经验，当代码审查占主导地位时，较大的数据科学团队往往难以保持发现过程。