Egy évvel ezelőtt azt írtam, hogy a mesterséges intelligencia (AI) megjelenése a közgazdasági kutatásban nem csupán módszertani kiegészítő, hanem komoly kockázatokat is hordoz. Azóta a helyzet nem egyszerűbb lett: az AI ma már nem csak eszköz, hanem egyre inkább a kutatási folyamat szervezője és befolyásoló tényezője.
Az AI belép a tudományos döntések rendjébe: javasolhat kutatási kérdéseket, adatforrásokat, változódefiníciókat, modelleket, írhat kódot, javíthat hibákat, értelmezhet eredményeket és szerkeszthet szövegeket. Így a kutató nem pusztán egy választ kap, hanem egy lehetséges kutatási útvonalat — és ez megváltoztatja, mit tekintünk relevánsnak, meggyőzőnek vagy tudományosnak.
Oksági gondolkodás vs. előrejelzés
A közgazdaságtan egyik alapigazsága, hogy az együttmozgás nem azonos az oksági kapcsolattal. Az AI-k erősek a mintázatfelismerésben és az előrejelzésben, de ezek önmagukban nem adnak magyarázatot: nem biztos, hogy megértik az intézményeket, a történeti kontextust vagy a társadalmi következményeket. Pontosan ezért az oksági gondolkodás ma nem kevésbé, hanem inkább fontosabb védelmi vonal lesz a látszólag meggyőző, de gyenge tudományos állításokkal szemben.
A magyar kutatási témák különösen igénylik az intézményi érzékenységet: területi egyenlőtlenségek, a roma közösségek integrációja, az oktatási és egészségügyi intézményrendszer teljesítménye, az állami kapacitás változása vagy vállalati termelékenység regionális különbségei nem értelmezhetők pusztán általános modellekből származó minták alapján.
A termelékenység ára: új validálási költségek
Az AI valóban növelheti egyes feladatokban a kutatói termelékenységet — például kódvázlatok, strukturált táblázatok rendezése, irodalomlisták első áttekintése vagy nyelvi javítások esetén. Ugyanakkor új ellenőrzési költségeket is generál: ha az AI mély kontextust igénylő feladatokat gyorsít fel, a kutató időt nyer az előállításban, de többet kell ellenőriznie és megindokolnia a döntéseket.
Ez különösen veszélyes a doktori képzésre nézve: ha a fiatal kutató nem tanulja meg a hibákból és a rosszul felépített empirikus stratégiákból adódó tanulási alkalmakat, a szakmai mesterség elsajátítása gyengülhet. A helyes válasz tehát nem a teljes tiltás vagy korlátlan engedélyezés, hanem olyan képzés, amely megkülönbözteti a végrehajtást a megértéstől — a doktorandusz használhat AI-t, de tudnia kell megindokolni a modell- és változóválasztást, az azonosítási stratégiát és az eredmény interpretációját.
Infrastruktúra és nyelvi kérdések: nem mindenki fér hozzá egyformán
Az AI mögött komoly infrastruktúra áll: adatközpontok, chipek, energia, felhőszolgáltatások, adatvédelmi rendszerek, licencszerződések és intézményi kapacitás. Nem minden kutató vagy intézmény rendelkezik ugyanolyan hozzáféréssel ezekhez a forrásokhoz. Magyarországon ehhez a nyelvi dimenzió is hozzátartozik: a nagy nyelvi modellek többsége angol nyelvű tudásanyagon alapul, így a magyar kutató kettős közvetítésre kényszerül — nemcsak a társadalmi valóságot kell értenie, hanem azt is, hogy a gép miként fordítja le ezt a valóságot egy globális tudományos nyelvre. A nyelvi szuverenitás célja itt az, hogy a magyar intézményi és történeti tapasztalat saját fogalmaival feldolgozható maradjon.
Az egyenlőtlenségek a hazai tudományos térben is megjelennek: más lehetőségei vannak a nagy budapesti intézményeknek, mint kisebb vidéki szereplőknek; más a hozzáférés az adatokhoz, a számítási kapacitáshoz és a jogi támogatáshoz. Az AI nem automatizálja a tudományt demokratikussá: megfelelő intézményi feltételek hiányában inkább növelheti a különbségeket.
Az adat intézményi termék
Az adat nem egyszerű nyersanyag: mindig intézményi termék. A gyűjtés, tisztítás, dokumentálás és szabályozás mind intézményi aktusok. A magyar empirikus kutatás példái — például a KSH mikroadatok vagy a KRTK Adatbank által gondozott adatbázisok — jól mutatják, hogy a számok mögötti logika ismerete elengedhetetlen. Az AI segíthet a dokumentáció feldolgozásában és a munkafolyamatok gyorsításában, de nem helyettesíti azt a tudást, amely megmagyarázza, mit jelentenek a változók a magyar intézményi kontextusban.
Tudományos figyelem és szelekciós hatás
Az AI hajlamos előnyben részesíteni az adatgazdag, jól strukturálható témákat. Ez egyéni szinten racionális motivációkat teremt a kutatók számára, de rendszer szinten torzíthatja a kutatási napirendet: háttérbe szorulhatnak azok a lassabb, nehezebben formalizálható, de társadalmilag kritikus kérdések, amelyek Magyarországon különösen fontosak (például a szegénység intézményi újratermelődése vagy az informális intézmények szerepe).
Az AI tehát nem semleges nagyító: az eszköz képességei határozzák meg, mely problémák válnak láthatóbbá.
A publikációs rendszer feszültségei
Az AI beavatkozása a publikációs folyamatba vegyes hatású. Javíthatja a nyelvi minőséget és segíthet a technikai előkészületekben, ami különösen hasznos a nem angol anyanyelvű szerzők számára. Ugyanakkor növelheti a beküldött kéziratok számát, miközben a bírálói kapacitás változatlan marad. Ezért a folyóiratoknak és a kutatóközösségeknek finomabban kell megkülönböztetniük az AI-használat típusait (nyelvi javítás, kódírás, adatfeldolgozás, irodalomkeresés, hipotézisalkotás, eredményértelmezés stb.), és követelményeket kell megfogalmazni a döntési pontok dokumentálására.
Felelősség és visszakövethetőség
Az AI egyik legnagyobb veszélye nem csupán az, hogy hibázik, hanem hogy a hiba eredete elmosódik. A döntési pontok — ki definiálta a változót, ki választotta a modellspecifikációt, miért mellőztek alternatív magyarázatokat — nyomon követhetőknek és megindokolhatóknak kell lenniük. Az AI nem szerző a szakmai értelemben: nem vállal felelősséget, nem vitatkozik, nem dönt társadalmi következményekről. A felelősség a kutatóén marad, ezért az átláthatóság mellett a döntések visszakövethetősége, az ellenőrzés dokumentálása és az érdemi emberi jóváhagyás létfontosságú.
Konklúzió: nem kiszorítás, hanem átalakulás
A mesterséges intelligencia nem teszi feleslegessé a közgazdászt, de átalakítja szerepét: a kutatóból egyre inkább a kutatási folyamat szervezője, ellenőre és értelmezője lesz. Ez magasabb szintű felelősséget követel: elméleti fegyelmet, oksági gondolkodást, intézményi érzékenységet és társadalmi felelősséget.
A magyar közgazdaságtani közösség feladata, hogy ne kritikátlanul kövesse a nemzetközi módszertani divatokat, de ne is zárkózzon el az új eszközöktől. A cél az, hogy saját kutatási hagyományokra, adat-infrastruktúrára és magyar nyelvű tudásra építve használjuk az AI-t úgy, hogy az eszköz logikája ne uralja a tudomány logikáját.
Fertő Imre az ELTE Közgazdaság- és Regionális Tudományi Kutatóközpont (KRTK) Közgazdaságtudományi Intézetének (KTI) főigazgatója, a Budapesti Corvinus Egyetem (BCE) egyetemi tanára. A cikk a szerző véleményét tükrözi; nem feltétlenül egyezik meg a Portfolio szerkesztőségének álláspontjával.
