L’intelligenza artificiale sta iniziando ad assorbire una quota ampia del lavoro matematico e computazionale di routine che un tempo definiva molti ambiti dell’economia e delle scienze sociali affini. Man mano che questi strumenti diventano ampiamente disponibili, è probabile che la disciplina si divida: la ricerca migliore migliorerà, mentre il lavoro basato su metodi standard, facilmente replicabili, potrebbe essere messo sotto pressione.
Ai livelli più alti, l’AI è destinata a comportarsi meno come un sostituto dei ricercatori e più come un amplificatore. Progetti guidati da esseri umani potrebbero scalare in modi che in precedenza erano troppo costosi o lenti. Ciò include condurre e codificare grandi numeri di interviste qualitative, progettare e monitorare interventi comportamentali in contesti reali e processare vaste raccolte di testi—documenti di policy, comunicazioni aziendali, social media, atti giudiziari—con un livello di copertura che sarebbe scoraggiante per un team tradizionale.
Questo spostamento probabilmente aumenterà il premio associato agli esperimenti sul campo. Se l’AI rende più rapida l’analisi e la scrittura, allora il collo di bottiglia si sposta sull’accesso: relazioni con imprese, governi, scuole, ospedali e piattaforme in grado di ospitare interventi e generare evidenza credibile. I ricercatori capaci di assicurarsi partnership e condurre test sul terreno—potenzialmente includendo sperimentazioni di workflow basati su AI all’interno delle organizzazioni—potrebbero scoprire che il loro lavoro è particolarmente richiesto.
I dati amministrativi, già una risorsa potente nell’economia applicata, potrebbero diventare ancora più centrali. L’AI potrebbe aiutare ad analizzare dataset sensibili su larga scala, ma i benefici potrebbero non essere condivisi in modo ampio. L’accesso ai registri governativi spesso dipende da permessi rigorosi e da ambienti controllati. In questo scenario, un gruppo più ristretto di ricercatori affermati—quelli di cui le agenzie si fidano e ai quali è consentito distribuire modelli locali, non cloud, su sistemi sicuri—potrebbe ottenere un vantaggio significativo. I ricercatori a inizio carriera e gli studenti di PhD, che in genere non hanno né credenziali né connessioni, potrebbero trovare più difficile competere in questi contesti ad alto valore basati sui dati.
Un altro ambito destinato a crescere è la storia economica. Se i moderni sistemi di AI riescono a trascrivere, tradurre e strutturare rapidamente materiale d’archivio, allora il fattore limitante diventa la digitalizzazione dei documenti fonte. Questo potrebbe innescare una spinta competitiva a scansionare e convertire archivi—registri di spedizione, censimenti, libri contabili aziendali, giornali, atti legali—in dati leggibili dalle macchine. Il ritorno è duplice: nuovi fatti descrittivi e nuovi modi per identificare relazioni causali sfruttando la variazione storica.
È inoltre probabile che l’AI rimodelli il modo in cui la ricerca viene vagliata. Invece di una peer review concentrata principalmente sul manoscritto, la verifica potrebbe estendersi a includere l’intero pacchetto di ricerca—articolo, codice e dati—al momento della sottomissione. Controlli automatizzati su errori, riproducibilità e coerenza potrebbero rendere molto più ordinaria una revisione “a 360 gradi”, innalzando gli standard e riducendo il tempo tra le affermazioni e la loro validazione.
La perturbazione più grande potrebbe colpire gli studi che già oggi possono essere svolti end-to-end con input specifici minimi: scaricare dataset pubblici, eseguire esperimenti di survey straightforward o produrre modelli teorici relativamente standard. Se l’AI può eseguire gran parte di quella pipeline in modo economico e rapido, questo output “di ordinaria amministrazione” potrebbe perdere valore per i ricercatori accademici che vi fanno affidamento. Parte di quel lavoro potrebbe migrare verso agenzie pubbliche e grandi istituzioni in grado di rispondere alle proprie domande operative senza aver bisogno degli incentivi e delle tempistiche della pubblicazione peer-reviewed.
Perché è importante
L’AI potrebbe ampliare il divario tra i ricercatori che hanno accesso privilegiato a dati, partnership e archivi e quelli che non lo hanno, rimodellando i percorsi di carriera in economia e nelle scienze sociali. Le istituzioni potrebbero alzare le aspettative in materia di trasparenza e replicazione man mano che la revisione assistita dall’AI diventa uno standard. La prossima fase da osservare è come università, riviste e governi definiranno regole per un uso sicuro dell’AI su dati sensibili—e chi verrà autorizzato a utilizzarla.