Ilyen veszélyeket jelenthet az AI a közgazdasági kutatásban

krtk blog Az ELTE Közgazdaság- és Regionális Tudományi Kutatóközpont blogja.

Módszertani forradalom vagy túlzott technológiai optimizmus?

A közgazdasági kutatásokban megfigyelhető egy sajátos kettősség. Míg korábban a "korlátozott adat, erős modellfeltételezések" paradigmája dominált, mára átléptünk a "bőséges adatok, rugalmas algoritmusok" korszakába. Ez a változás alapvetően alakítja át a kutatási gyakorlatot, azonban a módszertani újítások mögött gyakran homályban marad a közgazdasági elmélet.

Az új megközelítések tagadhatatlan előnyökkel járnak. A műholdadatokon alapuló GDP-becslések, vagy a természetes nyelvfeldolgozás alkalmazása a vállalati jelentések elemzésében korábban elképzelhetetlen lehetőségeket nyitnak meg (Dell 2025). Ugyanakkor kritikusan kell szemlélnünk ezeket a fejleményeket, különösen a hazai alkalmazások szempontjából, ahol az adathozzáférés és az infrastruktúra fejlettsége elmarad a vezető nemzetközi kutatóközpontokétól.

Az okság problémája

A közgazdaságtani kutatás lényege – szemben más tudományterületekkel – nem pusztán a pontos előrejelzés, hanem az oksági mechanizmusok feltárása. Ebből a szempontból a mesterséges intelligencia modellek "fekete doboz" jellege komoly problémát jelent. Hiába képes egy neurális háló pontosan előrejelezni a GDP alakulását, ha nem tudjuk megmagyarázni, hogyan jutott erre az eredményre, és főleg nem tudjuk azonosítani az ok-okozati összefüggéseket.

Ahrens és munkatársai (2025) kétségtelenül értékes munkát végeztek a kettős/torzításmentes gépi tanulási technikák kifejlesztésével, de a módszertani innováció önmagában nem oldja meg az elméleti megalapozottság hiányából fakadó problémákat.

Hiába a kifinomult technika, ha azt nem támasztja alá megalapozott közgazdasági elmélet.

A nyelvi modellek túlértékelésének veszélye

A nagy nyelvi modellek (LLM-ek) kutatási asszisztensként való alkalmazása veszélyes területre visz bennünket. Az a tény – ahogy azt Feyzollahi és Rafizadeh (2025) megállapítja –, hogy az LLM-alapú összefoglaló eszközök jelentősen csökkentik a szakirodalmi áttekintésre fordított időt, nem feltétlenül van jó hatással van a kutatás minőségére.

A mélyelemzés és a kritikai gondolkodás nem helyettesíthető algoritmusokkal.

Fennáll a veszély, hogy a nyelvi modellek alkalmazása felületes irodalomfeldolgozáshoz vezet, ahol a hangsúly inkább a mennyiségen, mint a minőségen van. A közgazdasági kutatás esszenciája éppen a gondolatok szintézise és kritikai értékelése – ezt nem delegálhatjuk mesterséges rendszereknek.

Különösen aggasztó az a tendencia, amit a fiatal kutatók körében tapasztalunk. Az irodalmi áttekintés folyamata – amely korábban a tudományos szocializáció fontos része volt, és lehetőséget adott a szakterület gondolkodásmódjának elsajátítására – mára gyakran leegyszerűsödik néhány prompt megfogalmazására. Ezzel nemcsak az adott kutatási kérdés mélyebb megértése szenved csorbát, hanem a kutató általános tájékozottsága is.

A Ludwig és munkatársai (2025) által kidolgozott "LLM-alapú ökonometriai keretrendszer" figyelemreméltó technikai innováció, de el kell gondolkodnunk azon, hogy valóban jó irányba viszi-e a tudományterületet. Ez a keretrendszer olyan módszertani megközelítést kínál, amely beépíti a nagy nyelvi modelleket a közgazdasági kutatásokba, miközben figyelembe veszi ezek korlátait. A módszer két fő feladattípust különböztet meg:

• az előrejelzési feladatoknál az LLM-ek megbízhatóan használhatók, amennyiben nincs átfedés a modell tanítóadatai és a kutató saját adatai között;
• a becslési feladatoknál pedig, amikor gazdasági fogalmak automatikus mérésére alkalmazzuk az LLM-eket, ellenőrző adatokat kell gyűjtenünk a modellek hibáinak felmérésére és korrigálására.

Ezen feltételek betartásával az LLM-alapú elemzések ugyanolyan statisztikai megbízhatóságot érhetnek el, mint a klasszikus közgazdasági módszerek.

A közgazdaságtanban azonban nem elegendő a gyors és hatékony adatfeldolgozás – a társadalmi jelenségek értelmezése kontextuális tudást és kritikai gondolkodást igényel.

Ez utóbbiakat pedig éppen azok a manuális, időigényes folyamatok fejlesztik, amelyeket most automatizálni kívánunk.

Intézményi egyenlőtlenségek fokozódása

A technológiai fejlődés nemcsak lehetőségeket teremt, hanem tovább mélyíti a már meglévő szakadékot: míg a vezető nyugati egyetemek és kutatóközpontok GPU-klaszterekkel rendelkeznek, addig a hazai és más kelet-közép-európai intézmények jelentős erőforráshiánnyal küzdenek. Ez a különbség nem pusztán technikai kérdés, hanem a tudományos versenyképesség és befolyás egyenlőtlen elosztásához vezet.

A magyar kontextusban különösen aggasztó ez a tendencia. Bár a Magyar Kutatási Hálózat és a vezető egyetemeink elindították az első MI-programokat, a nyugati intézményekhez képest jelentős a lemaradásunk. A Digitális Magyarország stratégia ambiciózus célokat fogalmaz meg, de a megvalósítás sokszor elmarad az elvárásoktól, és a források elosztása nem mindig követi a szakmai szempontokat.

Saját tapasztalataim a hazai kutatási pályázati rendszer működésével kapcsolatban arra engednek következtetni, hogy a forráselosztás gyakran nem a tudományos kiválóság alapján történik.

Az AI-kutatásra fordított összegek jelentős része olyan projektek finanszírozására megy el, amelyek látványos, de tudományos szempontból kevésbé értékes eredményeket produkálnak.

Eközben hiányoznak az alapkutatásra fordítható források, amelyek nélkül nem alakulhat ki az a tudásbázis, amely lehetővé tenné a valóban innovatív alkalmazások fejlesztését.

A regionális egyenlőtlenségek problémája nem oldható meg pusztán technológiai eszközökkel. Az erőforrások koncentrációja a fővárosban és néhány nagyobb egyetemi központban azt eredményezi, hogy a vidéki intézmények még inkább leszakadnak. Ez a mintázat ismerős lehet más ágazatokból is: a fejlesztési források egyenlőtlen elosztása nemcsak újratermeli, hanem növeli a már meglévő különbségeket. A mesterséges intelligencia kutatási infrastruktúrájának fejlesztésénél különös figyelmet kellene fordítani a regionális szempontokra, méghozzá kiegyensúlyozottabb forráselosztással és célzott kapacitásfejlesztési programokkal.

Oktatási kihívások

A hazai közgazdasági képzés reformja nem merülhet ki abban, hogy a tantervbe beillesztünk néhány adattudományi kurzust. Alapvető szemléletváltásra van szükség, amely egyesíti a közgazdasági elmélet mélységét az új módszertani lehetőségekkel. Ennek hiányában olyan kutatókat képzünk, akik vagy nem értik az új eszközöket, vagy nem rendelkeznek a használatukhoz szükséges megfelelő elméleti háttérrel.

Az interdiszciplináris képzési programok létrehozása üdvözlendő, de csak akkor, ha azokat valódi tartalommal töltjük meg őket. A felszínes ismeretek átadása helyett a kritikai gondolkodás fejlesztésére kell helyezni a hangsúlyt, hogy a jövő közgazdászai képesek legyenek értékelni az új módszerek korlátait és lehetőségeit.

A magyar kkv-szektor valós problémái

A gyakran javasolt AI-alapú üzleti elemző eszközök fejlesztése a kkv-k számára figyelmen kívül hagyja a szektor valós problémáit. A magyar kis- és középvállalkozások elsősorban finanszírozási nehézségekkel, munkaerőhiánnyal és piaci versenyhátrányokkal küzdenek. Ezeket a problémákat nem oldja meg önmagában a mesterséges intelligencia.

A regionális tudásközpontok létrehozása és az ágazatspecifikus útmutatók kidolgozása csak akkor lehet hatékony, ha a gyakorlati alkalmazásra helyezzük a hangsúlyt, és figyelembe vesszük a helyi sajátosságokat. Ehhez kritikus fontosságú lenne a tudományt és a gyakorlatot összekapcsoló intézmények megerősítése.

Az agrárközgazdasági kutatásaim során számos alkalommal szembesültem azzal, hogy a technológiai újítások adaptációja a kisebb gazdasági szereplők körében rendkívül lassú és egyenlőtlen. Ez nem elsősorban az információhiány vagy a képzettség hiánya miatt van így, hanem azért, mert a technológiai befektetések megtérülése bizonytalan, különösen a magyar gazdasági környezetben, ahol a szabályozási környezet gyakran változik, a piaci viszonyok pedig kiszámíthatatlanok.

Az AI-alapú megoldások bevezetése előtt érdemes lenne alaposabban felmérni, hogy melyek azok a valós üzleti problémák, amelyekre ezek a technológiák választ adhatnak.

A kkv-szektor problémái gyakran nem az adatelemzési kapacitás hiányából fakadnak, hanem sokkal inkább az adminisztratív terhekből, a finanszírozási nehézségekből és a képzett munkaerő hiányából.

A nemzetközi összehasonlító kutatások azt mutatják, hogy a digitalizáció és az automatizálás előnyeiből elsősorban a nagyobb, tőkeerősebb vállalatok profitálnak, míg a kisebb szereplők gyakran lemaradnak. Ha nem figyelünk tudatosan erre a tendenciára, az AI-alapú technológiák bevezetése tovább mélyítheti a már meglévő szakadékot a vállalkozások között, ami hosszú távon a gazdasági koncentráció növekedéséhez és a verseny csökkenéséhez vezethet.

Az elméleti megalapozottság szükségessége

A módszertani újítások csak akkor hoznak valódi áttörést, ha megfelelő elméleti háttérrel rendelkeznek.

A jelenlegi tendencia, amely a "minél több adat, annál jobb" elvet követi, nem feltétlenül vezet mélyebb megértéshez. A közgazdaságtan erőssége éppen az elméleti modellek és az empirikus vizsgálatok közötti egyensúly megteremtésében rejlik.

A mesterséges intelligencia alkalmazásakor különösen fontos, hogy ne tévesszük szem elől a közgazdaságtan alapvető kérdéseit:

• hogyan működnek a piacok,
• milyen tényezők befolyásolják a gazdasági szereplők döntéseit,
• és hogyan lehet javítani a társadalmi jólétet.

Ezekre a kérdésekre nem találunk választ pusztán az adatok elemzésével, erős elméleti megalapozottságra is szükség van. Az intézményi közgazdaságtan és az evolúciós közgazdaságtan tanulságai különösen fontosak ebben az összefüggésben. Ezek az irányzatok rámutatnak arra, hogy a gazdasági folyamatok megértéséhez nélkülözhetetlen a történeti és intézményi kontextus ismerete. Hiába rendelkezünk szofisztikált előrejelző eszközökkel, ha nem értjük a gazdasági szereplők viselkedésének mozgatórugóit és azokat az intézményi keretfeltételeket, amelyek között azoknak működniük kell.

A piaci és nem piaci koordinációs mechanizmusok interakciója, az ösztönzők rendszere, a tulajdonjogok védelme, a szerződések kikényszeríthetősége – ezek olyan alapvető kérdések, amelyek nem redukálhatók pusztán adatelemzési problémákra.

Az AI-eszközök használata során ezért különösen fontos, hogy ne veszítsük el a kapcsolatot a közgazdaságtan elméleti gyökereivel.

Acemoglu (2025) munkája jó példa arra, hogyan lehet egyensúlyt teremteni az elméleti megalapozottság és az új technológiák alkalmazása között.

Az általa kidolgozott makrogazdasági AI-modell nem csupán felszíni empirikus mintázatokat tár fel, hanem ezeket egy átfogó elméleti keretbe ágyazza, amely figyelembe veszi a gazdasági szereplők ösztönzőit és a piacok működési sajátosságait. A tanulmányban alkalmazott feladatalapú modellben a gazdasági termelést az egyes feladatok elvégzésének költségei és hatékonysága határozza meg. Ebben a megközelítésben a mesterséges intelligencia hatásai elsősorban a feladatok automatizálásán és a feladatkomplementaritásokon keresztül érvényesülnek, míg a makrogazdasági következményeket egy módosított Hulten-tétel segítségével számszerűsíti a szerző.

Ez a módszer lehetővé teszi, hogy a termelékenységi és GDP-növekedési előrejelzéseket két kulcstényező, vagyis a technológia által érintett feladatok aránya és az átlagos költségcsökkenés mértéke alapján határozzuk meg. Így Acemoglu kutatása realisztikus és mérhető keretek között értelmezi az AI várható gazdasági hatásait, valódi értéket teremtve nem csupán módszertani újítással, hanem a gazdasági folyamatok mélyebb megértésével is.

A technológia csak eszköz, nem pedig cél

A mesterséges intelligencia kétségtelenül értékes eszköz a közgazdasági kutatásban, de nem helyettesítheti a megalapozott elméleti gondolkodást és az intézményi megértést.

A túlzott technológiai optimizmus helyett kritikus szemléletre van szükség, amely felismeri mind a lehetőségeket, mind a korlátokat.

A magyar közgazdaságtani közösség számára különösen fontos, hogy ne csupán követni próbálja a nemzetközi trendeket, hanem saját erősségeire építve alakítsa ki kutatási stratégiáját. Ez magában foglalja a közgazdasági elmélet és az intézményi elemzés hagyományainak megőrzését, miközben szelektíven integráljuk az új módszertani lehetőségeket.

A hazai agrárökonómiai kutatások területén szerzett több évtizedes tapasztalataim alapján állíthatom, hogy a technológiai fejlődés önmagában nem old meg strukturális problémákat. Az agrárgazdaságban különösen jól látható, hogy a mesterséges intelligencia és más digitális technológiák elsősorban a nagyüzemi termelésben hasznosulnak, míg a kisebb gazdaságok gyakran kimaradnak az innovációból. Ez nem csupán technológiai kérdés, hanem a gazdasági erőviszonyok és az intézményi környezet következménye. Különösen fontosnak tartom, hogy a közgazdasági képzésben megőrizzük a pluralizmust, vagyis a különböző elméleti irányzatok egyidejű jelenlétét. A túlzott specializáció és technicizálódás könnyen vezethet szűklátókörűséghez. A jövő közgazdászainak nemcsak a legújabb adatelemzési technikákat kell ismerniük, hanem érteniük kell a gazdasági rendszerek működésének komplex természetét is.

Hangsúlyozni szeretném, hogy

kritikai észrevételeim nem a technológiai haladás vagy az innováció elutasítását jelentik, hanem éppen ellenkezőleg: a megalapozott, átgondolt fejlesztést támogatom.

A mesterséges intelligencia alkalmazása a közgazdasági kutatásban akkor lehet igazán gyümölcsöző, ha nem válik öncélúvá, hanem a mélyebb megértést és a társadalmi jólét növelését szolgálja. Végső soron a technológia csak eszköz, nem pedig cél. A közgazdasági kutatás igazi értéke továbbra is abban rejlik, hogy segít megérteni a gazdasági folyamatokat, és ezen keresztül hozzájárul a társadalmi problémák megoldásához. Ezt az alapvető küldetést nem szabad szem elől tévesztenünk az új technológiák iránti lelkesedés közepette sem. A mesterséges intelligencia és más digitális technológiák csak akkor szolgálhatják a közjót, ha bevezetésük és alkalmazásuk során tudatosan törekszünk a társadalmi egyenlőtlenségek csökkentésére és a fenntartható fejlődés elősegítésére.

Mindezek fényében különösen fontos lenne, hogy a mesterséges intelligencia közgazdasági kutatásokban való alkalmazásáról széles körű szakmai és társadalmi diskurzus induljon meg. A technológiai fejlődés – különösen a mesterséges intelligencia terén – olyan elképesztő gyorsasággal zajlik, amelyet korábban elképzelni sem lehetett.

Az elmúlt két és fél évben az AI-modellek generációváltása és funkcionalitásuk bővülése exponenciálisan felgyorsult, ami újabb és újabb kérdéseket vet fel a tudományos közösség számára.

Ebben a gyorsan változó környezetben különösen nagy a kockázata annak, hogy a mesterséges intelligenciával kapcsolatos módszertani divatok mögött elméletileg nem kellően megalapozott kutatások születnek, miközben az érdemi tudományos reflexió lemarad. Ezért kulcsfontosságú, hogy a szakma folyamatosan napirenden tartsa a mesterséges intelligencia alkalmazásának etikai, elméleti és gyakorlati korlátait és lehetőségeit, hogy ne sodródjunk az AI fejlődési hullámával, hanem aktív alakítóivá válhassunk.

A cikk a szerző véleményét tükrözi, amely nem feltétlenül esik egybe a Portfolio szerkesztőségének álláspontjával.

A címlapkép illusztráció. Címlapkép forrása: Getty Images