Доклад «GPT в руках экономиста-исследователя: инструмент анализа или источник эпистемологического шума?» подготовлен и представлен сотрудниками Центра структурной политики Института экономики УрО РАН к.э.н. Ольгой Брянцевой и к.э.н. Екатериной Потапцевой в рамках пленарного заседания XXIII Международная конференция молодых ученых «Развитие территориальных социально-экономических систем: вопросы теории и практики».
Генеративный ИИ всё заметнее входит в исследовательскую практику экономиста, помогает быстрее искать и систематизировать литературу, генерировать гипотезы, писать и отлаживать код, работать с большими массивами текстов, извлекать индикаторы из документов, проводить контент-анализ и структурировать аргументацию. В этом смысле ИИ действительно становится новым исследовательским инструментом — своего рода когнитивной автоматизацией и измерительной технологией для работы с данными и текстами.
Но, вместе с этим возникает и другая сторона проблемы. ИИ может производить не знание, а его убедительную имитацию: создавать искусственную когерентность, подменять причинный анализ гладким нарративом, снижать воспроизводимость результатов и формировать эффект псевдо-строгости, когда вывод звучит точно и уверенно, но не опирается на полноценную проверку. Именно поэтому в экономическом анализе ИИ следует рассматривать не как замену исследователю, а как инструмент, требующий постоянной экспертной настройки, валидации и контроля.
Ключевой вывод здесь, пожалуй, такой:
ИИ полезен там, где он расширяет исследовательские возможности, но опасен там, где начинает подменять метод.
Его сильная сторона:
— ускорение скрининга, первичного анализа, обработки корпуса текстов и генерации рабочих версий интерпретации.
Его слабая сторона:
— склонность создавать аналитическую иллюзию там, где от экономиста требуется строгая причинная логика, прозрачность процедуры и воспроизводимость результата.
В этом смысле принцип «исследователь в контуре анализа» остаётся не пожеланием, а обязательным методологическим условием.
Особенно интересен ИИ в тех задачах, где экономист работает не только с числами, но и с большими массивами правовых, регуляторных и программных текстов. В докладе это показано на кейсе статьи The United States as an Active Industrial Policy Nation , где чат GPT использовался как инструмент первичного скрининга большого корпуса правовых актов США, но финальные выводы опирались на последующую экспертную проверку. Именно такая логика — GPT как высоко производительный фильтр, а не финальный арбитр — сегодня выглядит наиболее продуктивной для академической экономики.
Обсуждать здесь нужно не только прирост скорости, но и цену этой скорости: риски методологических искажений, новых форм шума и ложной уверенности в выводах.
