Искусственный интеллект и экономика: об итогах XVIII семинара Банка России

В Санкт-Петербурге прошел 18-й семинар по экономическим исследованиям Банка России, Российской экономической школы (РЭШ) и НИУ ВШЭ. Он был посвящен теме «Искусственный интеллект и экономика». Участники обсудили, где большие языковые модели уже могут быть полезны экономистам, какие ограничения возникают при моделировании поведения и прогнозировании, а также как распространение искусственного интеллекта может повлиять на экономический рост, рынок труда, инфляцию и финансовую стабильность. Рассказываем о ключевых выводах и о том, где посмотреть материалы семинара.

В мероприятии участвовали исследователи из Банка России, РЭШ, НИУ ВШЭ, МГУ им. М. В. Ломоносова, Европейского университета в Санкт-Петербурге (ЕУСПб), Института Гайдара, а также представители банковского и академического сообщества.

Что обсуждали:

• возможности и ограничения использования LLM для моделирования поведения экономических агентов;

• применение синтетических респондентов для предварительного тестирования коммуникации ЦБ;

• построение новостных опережающих индикаторов с помощью искусственного интеллекта;

• надежность оценки макропрогнозов LLM на исторических данных;

• влияние ИИ на производительность, занятость, инфляцию и финансовую стабильность.

Алексей Заботкин
Заместитель Председателя Банка России

Английский психиатр и кибернетик Уильям Эшби однажды определил интеллект как способность делать правильный выбор в ситуации, когда очевидного решения нет. Возможно, это определение не исчерпывает само понятие интеллекта, однако оно созвучно задачам макроэкономической политики и принятию экономических решений в целом. Сегодняшнее мероприятие — уникальная возможность обсудить, как методы искусственного интеллекта помогают принимать такие решения, в какой мере они дополняют человеческое суждение и где способны частично его заменить.

Могут ли языковые модели заменить участников экспериментов?

Петр Паршаков, заведующий международной лабораторией экономики нематериальных активов НИУ ВШЭ в Перми, представил исследование о применении больших языковых моделей в игре на доверие. В этой игре первый игрок получает начальную сумму и решает, какую ее часть передать второму. Переданная сумма утраивается, после чего второй игрок определяет, сколько вернуть первому. Например, если из 100 рублей первый игрок передает 40, второй получает 120 и может вернуть, скажем, 60. Авторы попросили восемь LLM выступить в разных ролях и сопоставили их решения с результатами экспериментов, ранее проведенных среди российских участников.

Исследование показало, что в отдельных задачах языковые модели способны приблизиться к средним значениям человеческих ответов. Например, при оценке ожидаемого возврата — суммы, которую первый игрок рассчитывает получить обратно, — ошибка GPT-5.4 составила 39, тогда как у ряда других моделей превысила 200. При оценке фактического возврата вторым игроком разброс был еще больше: минимальная ошибка у Gemini составила 49,5, а у отдельных моделей превысила 600. Однако данный результат не является устойчивым для применяемых моделей и ролей, которые принимают на себя синтетические респонденты.

По мнению авторов, LLM пока нельзя рассматривать как прямую замену людям в экономических экспериментах. При этом они могут быть полезны для пилотирования исследовательского дизайна, предварительной проверки сценариев и формулирования гипотез, если результаты впоследствии валидируются на данных реальных участников.

Еще одно прикладное направление использования ИИ представила Анна Гусева, консультант Департамента денежно-кредитной политики Банка России. В своем исследовании авторы разработали прототип синтетической фокус-группы для предварительного тестирования текстовых материалов. Мультиагентная система моделирует разные типы восприятия, выявляет неоднозначные или слабые формулировки и формирует гипотезы о возможных коммуникационных рисках. Также детали по теме есть в этой новости.

Исследователи подчеркивают, что такой инструмент не показывает фактическую реакцию аудитории и не позволяет оценивать доли различных мнений. Его задача — дать ранний сигнал о местах, где текст может быть понят не так, как предполагал автор. Поэтому результаты синтетической фокус-группы требуют экспертной интерпретации и дальнейшего сопоставления с реакциями реальных людей.

Искусственный интеллект в макроэкономическом прогнозировании

Владимир Косарев, руководитель направления Аналитического центра при Правительстве РФ, рассказал о построении опережающих индикаторов на основе экономических новостей. Авторы работы использовали большую языковую модель, технологии поиска по внешней базе знаний, суммаризацию и оценку релевантности, чтобы извлечь из новостного потока информацию об ожиданиях и неопределенности.

В исследовании было проанализировано около 1,2 млн новостей. На их основе сформированы индексы, отражающие возможное влияние информационного фона на промышленное производство. Затем авторы сравнили прогнозы индекса промышленного производства и ряда отраслевых показателей: модели строились как на традиционных макроэкономических данных, так и с добавлением новостного индекса. Прогнозы проверяли для разных отраслей и сроков упреждения — от одного до шести месяцев. Например, отдельно оценивалось, насколько точно можно предсказать выпуск машин и оборудования через один месяц или производство резиновых и пластмассовых изделий через шесть месяцев. Добавление новостного индекса снизило ошибку в 69 из 108 таких сравнений. Наиболее заметным оказался эффект для машиностроения, металлургии и других отраслей, чувствительных к внешним шокам.

Отдельное внимание участники уделили внутривыборочной точности LLM в макроэкономическом прогнозировании. Руководитель направления Александр Елисеев и начальник центра Сергей Селезнев (Департамент исследований и прогнозирования) в своей работе предложили «тесты с подменой дат», которые позволяют определить, не использует ли модель при ретроспективном прогнозировании информацию о событиях, уже попавшую в ее обучающие данные.

Три протестированные модели не прошли сформулированные авторами тесты. Это может означать, что высокая точность на историческом периоде может быть связана не только с прогнозными способностями LLM, но и со знанием будущих (относительно даты прогноза) событий или контекста соответствующей эпохи. Авторы отметили, что внутривыборочную точность языковых моделей нельзя автоматически считать показателем качества их будущих прогнозов: необходимы дополнительные тесты либо модели с контролируемой датой отсечения обучающих данных.

Как ИИ изменит экономику?

Важным событием семинара стал круглый стол «Влияние ИИ и роботизации на экономику: вызовы для макроэкономической политики». Модератором выступил директор Департамента исследований и прогнозирования Александр Морозов. В дискуссии приняли участие Иван Стельмах (РЭШ), Александр Власов (ЦМИ Сбербанка), Валерий Черноокий (РЭШ), Наталья Волчкова (РЭШ) и Юлия Вымятнина (Школа вычислительных социальных наук ЕУСПб).

Участники рассмотрели несколько возможных каналов влияния искусственного интеллекта.

Рост производительности может проявиться не сразу: для этого необходимы инвестиции в технологии, данные, инфраструктуру, обучение сотрудников и перестройку бизнес-процессов. При этом экономический эффект может быть растянут во времени из-за дефицита энергии, вычислительных мощностей, квалифицированных кадров и прочих факторов.

На рынке труда ИИ, вероятнее всего, будет замещать отдельные задачи, а не профессии целиком. Первые эффекты могут проявляться через изменение структуры найма и требований к навыкам, а не через массовые увольнения. Особого внимания требует положение молодых работников в профессиях, наиболее подверженных автоматизации.

Влияние ИИ на инфляцию остается неоднозначным. Более точное прогнозирование спроса и эффективная логистика могут сглаживать колебания на стороне издержек. В то же время дефицит вычислительных ресурсов, энергии и специалистов, а также более частое алгоритмическое изменение цен способны усиливать перенос издержек в цены.

В финансовом секторе новые риски могут быть связаны не только с ошибками отдельных алгоритмов, но и с использованием одинаковых моделей и данных многими участниками рынка. Сближение стратегий, концентрация поставщиков ИИ-решений и высокая скорость реакции способны повысить вероятность возникновения системных рисков, что требует макропруденциального подхода к оценке технологических изменений.

Эксперты подчеркнули: влияние искусственного интеллекта на экономику не предопределено самой технологией. Оно будет зависеть от того, как ИИ встроится в производственные процессы, будет ли дополнять человека или преимущественно замещать его, насколько разнообразными останутся принимаемые решения и как быстро адаптируются институты и регулирование.

О конкурсе экономических исследований

На специальной сессии семинара главный редактор журнала «Деньги и кредит» Филипп Картаев наградил призеров конкурса экономических исследований студентов и аспирантов.

Анна Иванова из НИУ ВШЭ представила работу «Систематические ошибки в прогнозах по ключевой ставке от аналитиков и участников денежного рынка». Исследование показало, что прогнозы не полностью соответствуют гипотезе рациональных ожиданий: в долгосрочной перспективе в них чаще проявляется чрезмерная реакция на новую информацию. Эти отклонения сильнее выражены в ожиданиях денежного рынка, тогда как прогнозы профессиональных аналитиков в среднем ближе к условиям рациональности. Корректировка систематических ошибок и динамическое усреднение прогнозов могут повысить их точность на средних и длинных горизонтах. Полученные результаты могут быть полезны при интерпретации ожидаемой траектории процентных ставок и калибровке моделей кривой доходности денежного рынка.

Где посмотреть материалы?

Материалы предыдущих семинаров доступны на странице семинаров.