Hol húzható meg a közgazdász felelőssége az AI alkalmazása során?

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

A mesterséges intelligencia megjelenése a közgazdasági kutatásban nem egyszerű technikai változás. Nem pusztán arról van szó, hogy a kutató gyorsabban ír kódot, könnyebben rendez adatot, vagy gördülékenyebben és közérthetőbben fogalmaz meg egy kéziratot. Az AI belép a tudományos döntések rendjébe: befolyásolja, milyen kérdést teszünk fel, milyen módszert választunk a kutatásunkhoz, mit tekintünk meggyőző eredménynek, és hol húzzuk meg az emberi felelősség határát.

A valódi kérdés tehát nem az, hogy a mesterséges intelligencia kiváltja-e a közgazdászt, hanem hogy képesek vagyunk-e megőrizni a közgazdasági gondolkodás lényegét egy olyan rendszerben, amely egyre nagyobb sebességgel termel.

A közgazdász-kutató munkája sohasem pusztán számításból, adatkezelésből vagy szövegírásból állt. Ezek fontos részei a tevékenységének, de nem azonosak magával a közgazdasági gondolkodással. A mesterséges intelligencia e folyamat számos elemét képes gyorsítani. A gyorsítás azonban önmagában nem azonos a megértéssel. Éppen ezért

az AI-t nem szabad egyszerű technikai segédeszközként kezelni.

Az eszközből rendszeralkotó tényező lett

Egy évvel ezelőtt a mesterséges intelligenciára többnyire egy új, sajátos képességekkel rendelkező segédeszközként tekintettem. Megkérhettem, hogy foglaljon össze egy tanulmányt, javítson egy bekezdést, írjon egy programrészletet, vagy készítsen vázlatot egy empirikus elemzéshez. Ebben a felfogásban az AI a kutató asztalán fekvő új technológiai kütyü volt: erős, hasznos, de nekem teljesen alárendelt segédeszköz.

Ma már nem így gondolom. Az újabb rendszerek nemcsak részfeladatokat oldanak meg. Képesek a kutatási folyamat szervezésére is: kérdéseket javasolnak, adatforrásokat keresnek, változókat definiálnak, modelleket ajánlanak, kódot írnak, hibát javítanak, eredményt értelmeznek, és szöveget szerkesztenek. A kutató nem egyszerűen egy választ kap, hanem egy lehetséges kutatási útvonalat.

Ez a változás mélyebb, mint első pillantásra látszik.

Amikor az AI nemcsak végrehajt, hanem javasol, akkor belép a tudományos döntések terébe.

Befolyásolja, hogy mit tartunk lényegi kérdésnek, tudományosan elfogadható módszernek, releváns szakirodalomnak vagy meggyőző eredménynek.

Korábban a közgazdász elsősorban az eredményt ellenőrizte: helyes-e az adat, jó-e a specifikáció, tartható-e az oksági értelmezés, megfelelő-e a robusztussági vizsgálat. Most már azt is ellenőriznie kell, hogyan jutott el a kutatási folyamat az adott eredményig.

• Ki vagy mi javasolta a kérdést?
• Miért éppen azt az adatforrást választotta?
• Milyen alternatív módszerek maradtak ki?
• Milyen implicit feltételezések épültek be az AI által készített kódba vagy szövegbe?

Az oksági validálás így munkafolyamat-validálássá bővül.

Az előrejelzés nem helyettesíti az oksági gondolkodást

A közgazdaságtan egyik alapvető tanulsága, hogy az együttmozgás nem azonos az oksági kapcsolattal. Egy modell előre jelezhet pontosan, miközben nem ad magyarázatot. Egy algoritmus felismerhet mintázatokat, de nem biztos, hogy megérti az intézményeket, a történeti hátteret vagy a döntések társadalmi következményeit.

A mesterséges intelligencia különösen erős a mintázatfelismerésben. Ez az egyik nagy előnye. De éppen ezért veszélyt is rejt magában. A pontosnak látszó előrejelzés könnyen elhomályosíthatja azt a kérdést, amely a közgazdász számára döntő: miért történik valami?

• Milyen mechanizmus működik egyáltalán a való világban?
• Milyen ellenpéldák lehetségesek?
• Milyen intézményi feltételek között érvényes az adott eredmény?
• Milyen szakpolitikai következtetés vonható le az eredményül kapott adatokból? És milyen nem?

Ezekre a kérdésekre nem adható megbízható válasz pusztán nyelvi vagy statisztikai mintázatok alapján. Itt van szükség a gyakorló közgazdász tapasztalatára, ítélőképességére, fegyelmezett, módszertani és elméleti hozzáértésére.

Ez különösen fontos a magyar kutatási témák esetében. A magyar gazdaság és társadalom számos problémája nem érthető meg pusztán általános modellekből. A területi egyenlőtlenségek tartóssága, a roma népesség társadalmi integrációja, az oktatási és egészségügyi intézményrendszer teljesítménye, a bizalom és szabálykövetés gyengesége, az állami kapacitás változása vagy a vállalati termelékenység regionális különbségei mind olyan sajátosságok, melyek kontextusa az általános modellek által nyújtott adatokból pusztán nem érthető meg.

Egy AI-modell képes első pillantásra meggyőző összefoglalót írni. Képes elfogadható hipotézist javasolni. Képes kódot készíteni. De nem biztos, hogy érti, mit jelent egy magyar járás társadalmi szerkezete, egy vállalati mérlegadat intézményi háttere, egy mezőgazdasági támogatási forma helyi alkalmazása vagy egy oktatási mutató mögött álló szelekciós folyamat.

Az AI korában ezért az oksági gondolkodás nem válik kevésbé fontossá. Éppen ellenkezőleg: ez lesz az egyik fő védelmi vonal a látszólag meggyőző, de valójában gyenge tudományos állításokkal szemben.

A termelékenység ára: új ellenőrzési költségek

Sokan azt várják az AI-tól, hogy növeli a kutatói termelékenységet. Ez részben igaz. De a közgazdásznak óvakodnia kell az átlagokról szóló leegyszerűsített állításoktól. Az AI hatása heterogén. Egyes feladatokban jelentős időmegtakarítást tud elérni. Más feladatokban viszont új ellenőrzési költségeket teremt. Ha a feladat jól strukturált, az output könnyen ellenőrizhető, és a hibák gyorsan felismerhetők, akkor az AI valóban növelheti a hatékonyságot. Ilyen lehet egy egyszerű kódvázlat elkészítése, egy strukturált táblázat rendezése, egy részletes irodalomlista első áttekintése vagy egy angol nyelvű szöveg nyelvi javítása.

Más a helyzet, ha a feladat mély kontextusismeretet igényel. Egy bonyolult empirikus stratégia, egy intézményi összehasonlítás, egy történeti folyamat értelmezése vagy egy szakpolitikai következtetés levonása nem automatizálható érdemi veszteség nélkül. Ilyenkor az AI által nyújtott gyorsaság könnyen illúzióvá válhat. A kutató időt nyer az előállításban, de időt veszít az ellenőrzésben.

A közgazdaságtan nyelvén szólva: az AI nem szünteti meg a korlátokat, hanem áthelyezi őket. A korlát kevésbé az előállítási kapacitás, és egyre inkább a validálási kapacitás lesz. Ez különösen fontos a tudományos utánpótlás esetében. A fiatal kutató nemcsak kész eredményekből tanul. Tanul a hibás kódból, a rosszul illesztett modellből, az ellentmondó szakirodalomból, az elutasított hipotézisből és a félresikerült empirikus stratégiából is. Ha ezeket a tanulási alkalmakat túl korán kiváltja az AI, akkor a gyorsulásnak ára lesz: gyengülhet a kutatói mesterség belső elsajátítása.

A magyar doktori képzésben ezért nem az lenne a helyes válasz, hogy az AI használatát egyszerűen tiltjuk vagy korlátlanul engedjük. A fontosabb kérdés az, hogy a doktorandusz hallgató megtanulja-e megkülönböztetni a végrehajtást a megértéstől.

Használhat AI-t kódírásra, irodalomrendezésre vagy nyelvi javításra, de tudnia kell megindokolni a modellválasztást, a változóképzést, az azonosítási stratégiát és az eredmény értelmezését.

A doktori képzés feladata nem az, hogy megőrizze a régi munkaformák minden elemét. Sokkal inkább az, hogy ne engedje eltűnni azokat a tanulási helyzeteket, amelyekben a kutatói ítélőképesség kialakul.

Az AI tehát nemcsak technológiai, hanem oktatási kérdés is.

Az infrastruktúra egyenlőtlenségei

A mesterséges intelligenciáról sokszor úgy beszélünk, mintha mindenki számára egyformán hozzáférhető eszköz lenne. Ez veszélyes illúzió. Az AI mögött infrastruktúra áll: adatközpontok, chipek, energia, felhőszolgáltatások, adatvédelmi rendszerek, licencszerződések, jogi támogatás és intézményi kapacitás.

Nem minden kutató fér hozzá ugyanahhoz a minőséghez. Nem minden egyetem tudja ugyanazt a technológiai környezetet biztosítani. Nem minden kutatóintézet rendelkezik biztonságos adatkezelési rendszerrel, megfelelő számítási kapacitással vagy szakértői támogatással.

Magyarországon ehhez a kérdéshez a nyelv is hozzátartozik. A magyar nem egyszerűen kommunikációs közeg, hanem tudományos erőforrás is. A jogszabályok, az intézményi dokumentumok, a történeti források, a szakpolitikai viták, vállalati beszámolók és hazai adatleírások jelentős része magyarul keletkezik.

Ha a nagy nyelvi modellek elsősorban angol nyelvű tudásanyagon tanulnak, akkor a magyar kutató kettős közvetítésre kényszerül: nemcsak a valóságot kell értelmeznie, hanem azt is, hogy a gép miként fordítja le ezt a valóságot egy globális – leginkább angol – tudományos nyelvre.

Ez nem pusztán stiláris kérdés. Hatással lehet arra is, milyen problémák látszanak jól megfogalmazhatónak, milyen fogalmak tűnnek természetesnek, és mely helyi intézményi sajátosságok vesznek el az általánosítás során.

A nyelvi szuverenitás itt nem bezárkózást jelent. Inkább azt a képességet, hogy a magyar intézményi, történeti és társadalmi tapasztalat saját fogalmaival is feldolgozható maradjon.

A hazai tudományos tér belső egyenlőtlenségei szintén fontosak. Más lehetőségei vannak egy nagy budapesti egyetemnek vagy kutatóközpontnak, mint egy kisebb vidéki intézménynek; más az adat- és jogi támogatás, más a nemzetközi hálózat, más a hozzáférés a fizetős adatbázisokhoz és számítási kapacitásokhoz. Az AI ezért nem egyenlő pályára helyezi a szereplőket, hanem rávilágít arra, hogy a tudományos teljesítmény mögött mindig intézményi feltételek állnak.

Ezért helytelen azt állítani, hogy az AI önmagában demokratizálja a tudományt. Lehet demokratizáló hatása, de az nem következik be automatikusan. Megfelelő intézményi feltételek nélkül inkább növelheti a különbségeket a centrum és a periféria, a gazdag és a szegény intézmények, a jól támogatott és a magukra hagyott kutatók között.

Az adat nem nyersanyag, hanem intézményi termék

A közgazdasági kutatásban gyakran beszélünk „adatokról”, mintha azok egyszerűen rendelkezésre álló nyersanyagok lennének. Ez félrevezető. Az adat mindig intézményi termék: valaki létrehozta, definiálta, gyűjtötte, tisztította, dokumentálta, hozzáférhetővé tette és szabályozta a használatát.

A magyar empirikus közgazdasági kutatás jó példát ad erre. A KSH mikroadatain, a kutatószobai hozzáférésen vagy a KRTK Adatbank által gondozott adatbázisokon végzett elemzések nem pusztán technikai műveletekből állnak. Ismerni kell az adatfelvétel logikáját, a változók jelentését, az idősorok töréseit, a jogi hozzáférés feltételeit és az adatvédelmi korlátokat.

Az AI segíthet a dokumentáció feldolgozásában, a kódolási munka gyorsításában vagy az előzetes elemzések elkészítésében. De nem pótolja azt a tudást, amely megmondja, mit jelent egy változó a magyar intézményi valóságban. Egy adatbázis nem azért lesz közgazdaságilag értelmezhető, mert egy algoritmus gyorsan dolgozik vele. Attól lesz értelmezhető, hogy a kutató tudja, milyen társadalmi és intézményi folyamatok rejlenek a számok mögött.

A tudományos figyelem torzulása

A mesterséges intelligencia nemcsak abban változtatja meg a kutatást, hogyan dolgozunk. Abban is, hogy mit tartunk kutatásra érdemesnek.

Ha az AI az adatgazdag, jól strukturált, könnyen formalizálható témákban adja a legnagyobb előnyt, akkor a kutatók ösztönzést kapnak arra, hogy ilyen témákat válasszanak. Ez egyéni szinten racionális. A kutató gyorsabban jut eredményhez, könnyebben ír cikket, több eséllyel publikál.

A rendszer szintjén azonban más a következmény. A tudományos figyelem eltolódhat azon problémák felé, amelyek jól illeszkednek az AI képességeihez. Ezzel párhuzamosan háttérbe szorulhatnak azok a kérdések, amelyek lassabbak, nehezebbek, kevésbé adatgazdagok, de társadalmilag nagyon fontosak.

Magyarországon különösen sok ilyen probléma van. A szegénység intézményi újratermelődése, a bizalom hiánya, az állam működési zavarai, a gazdasági átmenetek társadalmi költségei, a regionális lemaradás vagy az informális intézmények szerepe nem mindig illeszthető könnyen tiszta adatstruktúrákba. Mégis ezek közé tartoznak a legfontosabb kérdések.

Az AI tehát szelekciós mechanizmus is. Nem semleges nagyító, amely minden kérdést egyformán láthatóbbá tesz. Inkább olyan eszköz, amely bizonyos problémákat közelebb hoz, másokat távolabb tol. Ezt a torzítást tudatosítani kell.

A publikációs rendszer új feszültségei

A tudományos publikáció rendszere már az AI előtt is túlterhelt volt. Sok kézirat, kevés bíráló, lassú döntések, növekvő publikációs kényszer. Az AI ebbe a rendszerbe lép be.

Egyik oldalról persze ez jó: javíthatja a nyelvi minőséget, különösen azoknál, akik nem angol anyanyelvűek. Segíthet a hivatkozások rendezésében, a kód dokumentálásában, az ellenőrzések előkészítésében. Ez csökkentheti a tudományos kommunikáció egyes egyenlőtlenségeit.

Másik oldalról azonban növelheti a kéziratok mennyiségét. Ha könnyebb tanulmányt előállítani, több tanulmány kerülhet a folyóiratokhoz. A bírálói kapacitás viszont nem nő automatikusan. A peer review emberi figyelemre, szakmai ítéletre és időre épül. Ezek továbbra is szűkös erőforrások. Ezért nem elegendő annyit mondani, hogy a szerző használt AI-t. Meg kell különböztetni a használat típusait. Más a nyelvi javítás, más a kódírás, más az adatfeldolgozás, más az irodalomkeresés, más a hipotézisalkotás, és megint más az eredmények értelmezése.

Ez a magyar tudományos közegben is fontos kérdés. A nemzetközi publikációs kényszer, az angol nyelvű folyóiratok dominanciája és a korlátozott szerkesztői támogatás miatt az AI sok kutató számára valódi segítség lehet. De nem szabad összekeverni a nyelvi akadály csökkentését a tudományos állítás megalapozásával. Egy jobban megírt kézirat nem feltétlenül jobb kutatás. A világos fogalmazás fontos, de nem helyettesíti az azonosítást, az elméleti érvelést és az intézményi tudást.

Minél közelebb kerül az AI a tudományos állítás magjához, annál nagyobb az emberi felelősség. A felelősség nem delegálható.

A mesterséges intelligencia egyik legnagyobb veszélye nem az, hogy hibázik. Az ember is hibázik. A veszély inkább az, hogy a hiba eredete elmosódik. Ki döntött a változó definíciójáról? Ki választotta a modellspecifikációt? Ki hagyta figyelmen kívül az alternatív magyarázatot? Ki értelmezte túl az eredményt? Ha a kutató nem tud válaszolni ezekre a kérdésekre, akkor elvesztette a kontrollt a saját kutatása felett. A tudományban azonban a felelősség nem ruházható át a gépre.

Az AI nem szerző a közgazdasági értelemben. Nem visel szakmai felelősséget. Nem áll ki egy vitában az állítása mellett. Nem mérlegeli a társadalmi következményeket. Nem felel a téves szakpolitikai tanácsért. A felelősség a kutatóé marad.

Ezért az AI használatának legfontosabb normája nem pusztán az átláthatóság. Az átláthatóság szükséges, de nem elég. A döntési pontok visszakövethetősége, az ellenőrzés dokumentálása és az érdemi emberi jóváhagyás legalább ilyen fontos. A kutatónak tudnia kell, mit fogadott el, mit vetett el, és miért.

A közgazdász szerepe átalakul

A mesterséges intelligencia tehát nem teszi feleslegessé a közgazdászt. De megváltoztatja a közgazdász szerepét. A kutató egyre kevésbé csak végrehajtója az elemzésnek. Egyre inkább szervezője, ellenőre és értelmezője a kutatási folyamatnak. Ez nem alacsonyabb rendű feladat. Éppen ellenkezőleg: magasabb szintű felelősséget kíván. A közgazdásznak értenie kell az AI működésének logikáját, de nem válhat annak kiszolgálójává. Meg kell őriznie az elméleti fegyelmet, az oksági gondolkodást, az intézményi érzékenységet és a társadalmi felelősséget.

Ez a magyar közgazdaságtani közösség számára különösen fontos. Nem az a cél, hogy kritikátlanul kövessük a nemzetközi módszertani divatokat, de az sem, hogy elzárkózzunk az új eszközöktől. A feladat inkább az, hogy saját kutatási hagyományainkra, adat-infrastruktúránkra, intézményi tapasztalatainkra és magyar nyelvű tudásunkra építve használjuk az AI-t.

A gép gyorsan dolgozik. De nem tudja eldönteni, hogy a gyorsaság milyen irányba viszi a tudományt. Ez a döntés továbbra is az emberé.

Záró megjegyzés

Egy évvel ezelőtt a fő figyelmeztetés az volt, hogy a mesterséges intelligencia nem helyettesítheti a megalapozott elméleti gondolkodást és az intézményi megértést. Ez az állítás ma is érvényes. De ma már hozzá kell tenni valamit: az AI nemcsak a kutatás módszertanát, hanem a kutatás intézményi feltételeit, ösztönzőit és felelősségi rendjét is átalakítja.

Nem attól kell tartanunk elsősorban, hogy az AI „kiváltja” a közgazdászt. A nagyobb veszély az, hogy észrevétlenül átalakítja a kutatás ösztönzőit, leszűkíti a tudományos figyelmet, megnöveli az ellenőrizetlen állítások számát, és elhomályosítja a felelősség határait.

A mesterséges intelligencia hasznos eszköz lehet a közgazdasági kutatásban. De csak akkor, ha nem engedjük, hogy az eszköz logikája uralja a tudomány logikáját.

A közgazdaságtan feladata továbbra sem pusztán az, hogy adatokat rendezzen és modelleket futtasson. Feladata az, hogy megértse a gazdasági és társadalmi rendszerek működését, feltárja az oksági összefüggéseket, és felelősen mérlegelje a következményeket. Ebben a munkában az AI segíthet. De nem helyettesítheti azt az ítéletet, amely a tudományt tudománnyá teszi. Az elmúlt egy év éppen arra figyelmeztet, hogy ez a kérdés nem zárható le egyszerű szabályokkal. A változás nem lineáris, és sokkal gyorsabb, mint amilyen ritmusban a tudományos intézmények általában alkalmazkodni szoktak. Ezért nem elég egyszer eldönteni, mit gondolunk az AI-ról. Újra és újra beszélnünk kell róla: a módszertanról, az ösztönzőkről, a felelősségről és arról, hogy a gyorsulás közben mi maradjon meg a közgazdasági gondolkodás lényegéből.

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

A címlapkép illusztráció. Címlapkép forrása: Getty Images