«Ikke fremtidige muligheter, men dagens realiteter»: Hvordan KI-agenter omformer økonomisk forskning

Economics in the Age of AI Agents

Yuan Ren

1. november 2025

Økonomifaget i KI-agentenes tidsalder

I løpet av de siste to årene har måten økonomer driver forskning på gjennomgått en dyptgripende strukturell endring. I NBER-arbeidsnotatet *AI Agents for Economic Research* fra 2025 argumenterer Anton Korinek for at forskningsmiljøet beveger seg fra enkle samtalesystemer som ChatGPT til et nytt paradigme sentrert rundt autonome KI-agenter. Disse systemene integrerer tekstgenerering med planlegging, hukommelse og verktøybruk, noe som gjør dem i stand til å utføre forskningsoppgaver i flere trinn. Mer generelt representerer fremveksten av KI-agenter en teknologisk rekonstruksjon av hvordan forskning i seg selv organiseres.

Korinek ser tilbake på sitt tidligere arbeid *Generative AI for Economic Research* (Korinek, 2023) og påpeker at KI-verktøy på bare to år har utviklet seg fra konseptuelle prototyper til modne systemer klare for daglige forskningsprosesser. De skriver ikke lenger bare e-poster eller sammendrag, men gjennomfører selvstendig litteraturgjennomganger, feilsøker økonometrisk kode, kjører modeller og tolker resultater. Han beskriver dette som «grunnleggende arkitektoniske fremskritt i hvordan KI-systemer fungerer», der hastighet, kostnad og organisering blir definert på nytt av KI-systemer.

I. KIs tre paradigmeskifter: fra språk til resonnering til autonom handling

Korinek deler utviklingen av KI inn i tre paradigmer og argumenterer for at denne banen speiler økonomifagets egen metodologiske utvikling, fra automatisert språkbehandling til verifiserbar resonnering og til slutt til agenter som kan utføre oppgaver autonomt.

Det første paradigmet omfatter tradisjonelle store språkmodeller (LLM-er) som GPT-3 og ChatGPT. Disse modellene er fremragende til å produsere sammenhengende tekst og besvare spørsmål på naturlig språk, men forblir i hovedsak reaktive systemer med én enkelt runde. Korinek viser til Kahnemans (2011) begrep om «System 1»-tenkning og sammenligner dem med menneskelig intuisjon: rask og mønstergjenkjennende, men uten selvrefleksjon og logisk verifisering. Feilene deres i matematisk resonnering skyldes fraværet av en eksplisitt resonneringskjede.

Det andre paradigmet er resonneringsmodellene. Siden september 2024 har nye modeller tatt i bruk tankekjeder (Chain-of-Thought) og trinnvise verifiseringsmekanismer, som lar KI utføre Kahnemans «System 2»-resonnering. For økonomifaget er dette av stor betydning: KI kan nå løse intertemporal optimering, gjennomføre dynamisk programmering og generere operasjonell økonometrisk kode. Korinek understreker at styrket resonneringsevne løfter KI fra språklig assistanse til konseptuell deltakelse i forskningsdesign og teoretisk verifisering.

Det tredje paradigmet, som kalles agentiske chatboter, oppsto mot slutten av 2024. Disse modellene forstår og resonnerer ikke bare, de kan også handle. De planlegger oppgaver, kaller på eksterne verktøy, søker på nettet, kjører Python-skript og justerer strategien ut fra underveis-tilbakemeldinger. Korinek argumenterer for at dette markerer et skifte fra KI som passiv respondent til KI som aktiv samarbeidspartner i forskningen, i stand til å håndtere hele arbeidsflyter fra datainnhenting til modellkjøring. For økonomer representerer dette en grunnleggende endring i forskningens arbeidsdeling.

*Fra resonneringsmodeller til autonome agenter*

II. Gjennombruddsanvendelser og byggingen av KI-agenter for økonomisk forskning

Innen 2025 hadde bruken av KI-agenter i forskning beveget seg forbi eksperimentstadiet. Korinek fremhever to representative systemer: *Deep Research* og *Claude Code*, som viser gjennombrudd innen henholdsvis kunnskapsintegrasjon og automatisert programmering.

Systemet *Deep Research*, introdusert av Google DeepMind sent i 2024, legemliggjør ideen om å la KI gjennomføre søk, filtrering, syntese og strukturert rapportgenerering i flere trinn på tvers av kilder på nett og i databaser. Korinek påpeker at slike systemer kan hente inn hundrevis av artikler og produsere siterings­rike rapporter i løpet av minutter. Samtidig som informasjonsbehandlingen går dramatisk raskere, gjenstår to begrensninger: for det første begrenser avhengigheten av eksisterende kunnskap originaliteten, og for det andre er kvalitetsvurderingen mellom frontlinjelitteratur og perifer litteratur fortsatt ufullkommen. Korinek konkluderer med at Deep Research utgjør det første skrittet mot automatisert informasjonssyntese i økonomifaget, snarere enn en erstatning for faglig skjønn.

En annen vesentlig nyvinning kommer fra Anthropics *Claude Code*, bygget rundt ideen om «vibe coding», der ønsket funksjonalitet beskrives på naturlig språk slik at KI-en automatisk genererer, feilsøker og optimaliserer komplette kodemoduler. Korinek kaller dette «en språklig vending i programmering», med en virkning som kan sammenlignes med innføringen av tidlig statistikkprogramvare. I økonomiske anvendelser kan Claude Code generere regresjonsskript, strukturelle modellrutiner eller simuleringsprogrammer gjennom noen få runder med dialog. Dette senker terskelen betydelig: økonomer uten programmeringskompetanse kan nå utføre komplekse beregningsanalyser. Korinek antyder at sammensetningen av ferdigheter i økonomifaget er i endring, ved at programmeringsdyktighet viker for promptdesign og konseptuell modellering.

I avsnitt 4 viser Korinek hvordan man bygger tilpassbare forskningsagenter. Ved hjelp av rammeverket LangGraph kan forskere generere og koble sammen oppgavenoder gjennom beskrivelser på naturlig språk, for eksempel «last ned data fra FRED», «kjør regresjon», «skriv resultatsammendrag». Disse agentene avgjør selv de påfølgende handlingene ut fra mellomliggende resultater, og viser dermed reell autonomi. Korinek kaller dette fenomenet en «selvreplikerende KI-sløyfe»: KI-systemer bistår nå mennesker i å skrive den neste generasjonen KI. Etter hvert som standardprotokoller som MCP (Model Context Protocol) og A2A (Agent-to-Agent) utvikles, blir samarbeid på tvers av agenter sømløst, noe som varsler fremveksten av et økosystem med flere agenter for økonomisk forskning.

III. Teknologisk demokratisering og kostnadsulikhetens tilbakekomst

Korinek understreker den doble effekten av KI-demokratisering: samtidig som den senker terskelen for å komme i gang, forsterker den også ulikheten i effektiv bruk. Forskere som behersker promptdesign og modellstruktur, oppnår høyere produktivitet, noe som fører til sprik i forskningens tempo og kvalitet, et fenomen som kalles «ulikhet bak demokratiseringen».

Han analyserer videre de økonomiske begrensningene. Etter hvert som beregningsbehovet øker, har premiumabonnementer på lukkede frontlinjemodeller som GPT-4 eller Claude 3.5 steget til 200 dollar i måneden, ti ganger høyere enn i 2024. Tilgang til intelligens blir dermed en funksjon av betalingsevne. I den andre enden leverer åpne modeller som DeepSeek, Alibabas Qwen og Moonshots Kimi-K2 nesten frontlinjeytelse til minimal kostnad, og virker utjevnende. Forfatteren råder økonomifaget til å opprettholde fleksibilitet på tvers av plattformer og unngå avhengighet av enkeltstående økosystemer, for å forhindre nye former for teknologisk monopol.

*Deep Research og vibe coding bygger fremtidens økonomiske forskning*

IV. KI-agentenes begrensninger og behovet for menneskelig tilsyn

Til tross for løftene advarer Korinek forskere gjentatte ganger. For det første lider KI-agenter fortsatt av «hallusinasjoner»: de kan finne på referanser eller data. I miljøer med flere agenter kan slike feil forplante seg videre. For det andre er de svært følsomme for prompter, mangler reproduserbarhet og er sårbare for promptinjeksjonsangrep. I tillegg anvender de i blant teoretiske rammeverk feil, eller gjengir skjevheter fra treningsdataene.

Derfor foreslås det at økonomer behandler KI-agenter slik de ville behandlet menneskelige forskningsassistenter: sett klare mål, overvåk gjennomføringen og verifiser resultatene. KI bør med andre ord betraktes som et sett med forskningssamarbeidspartnere som skal ledes og vurderes, ikke som udiskutable autoriteter. Slikt tilsyn ivaretar forskningsintegriteten og forhindrer overdreven automatisering.

V. Konklusjon: KI-agentenes strukturelle omforming av økonomisk forskning

Til slutt gir Korinek et avmålt fremtidsbilde. KI-agentenes virkelige potensial ligger ikke bare i produktivitetsgevinster, men i å endre forskningens organisatoriske logikk. De flytter forskningen fra lineære arbeidsflyter til nettverksbasert samarbeid, fra individuelt arbeid til hybride menneske-maskin-team. Etter hvert som agenter tilegner seg evnen til å planlegge, utføre og lære, blir grensene for faglig utforskning tegnet på nytt.

Han konkluderer: «Økonomer bør bruke KI-agenter slik professorer bruker sine forskningsassistenter, med klar planlegging, tilsyn og nøye kontroll av resultatene.»

KI produserer kanskje ennå ikke selvstendige teoretiske nyvinninger, men den omformer allerede selve produktfunksjonen til forskningen. Fremtidens økonomer må ikke bare forstå modeller, men også beherske samarbeid med intelligente agenter.

References

Kahneman, D. (2011). *Thinking, fast and slow*. Farrar, Straus and Giroux.

Korinek, A. (2023). Generative AI for Economic Research: Use Cases and Implications for Economists. *Journal of Economic Literature*, *61*(4), 1281–1317. https://doi.org/10.1257/jel.20231736

Korinek, A. (2025). AI Agents for Economic Research. *NBER Working Paper Series*. https://doi.org/10.3386/w34202