Всё меняется. Совсем недавно сделать хотя бы базовый литобзор по теме исследования, погрузиться в новую область знания требовало много времени. Сейчас приходит время AI-агентов, способных выполнять базовые исследовательские задачи, которые раньше занимали недели, за минуты. Хорошо это или плохо - вопрос отдельного порядка, одно можно сказать точно - это текущие реалии. Подробнее об изменениях в области применения ИИ в экономических исследованиях в статье Anton Korinek — «AI Agents for Economic Research» (NBER Working Paper №34202, сентябрь 2025).

Статья посвящена использованию AI-агентов — автономных систем на базе больших языковых моделей (LLM), которые могут:
- планировать исследования,
- собирать и анализировать данные,
- писать и отлаживать код,
- выполнять сложные многошаговые исследовательские задачи.

Некоторые направления использования AI-агентов в экономических исследованиях:

I. Deep Research Agents (Google Gemini, OpenAI, Claude, Perplexity)
Используют мультиагентную архитектуру. Могут: анализировать сотни источников, делать структурированные обзоры литературы, собирать статистику и визуализировать результаты. Время подготовки отчёта: от 5 до 30 минут. Недостатки: иногда приводят некорректные ссылки, плохо отбирают ключевые публикации по новым темам.

II. Coding Agents (Claude Code, Cursor, ChatGPT Agents)
Позволяют создавать эконометрические инструменты без знания Python или R. Реализуют концепцию “vibe coding” — написание и отладка кода на основе описания задачи обычным языком. Подход позволяет строить сложные инструменты анализа данных за несколько минут.

III. Автоматизация рабочих процессов
AI-агенты могут: выполнять регрессионный анализ и строить графики (OLS, VAR, ML-модели); интегрироваться с базами данных (FRED, IMF, World Bank); создавать отчёты по макроэкономическим показателям за минуты; готовить презентации и статьи с цитированием источников.

______________________
Ключевые рекомендации для исследователей от автора статьи:
1. Использовать Deep Research Agents для ускоренного обзора литературы и поиска данных.
2. Применять Coding Agents для автоматизации анализа, моделирования и визуализации.
3. Разрабатывать собственных агентов с помощью LangGraph или LangChain.
4. Всегда проверять результаты и проводить верификацию источников.
5. Комбинировать несколько AI-провайдеров, чтобы снизить стоимость и повысить надёжность.

@evidencespace