Terminé mi doctorado en economía en el verano de 2022, unos meses antes del lanzamiento de ChatGPT. En aquel momento no lo sabía, pero mi promoción fue la última en graduarse bajo las antiguas normas. El conjunto de herramientas empíricas que había adquirido durante seis años —leer la literatura, limpiar conjuntos de datos, redactar artículos y revisarlos— estaba a punto de sufrir un cambio fundamental. Ese trabajo ahora puede realizarse, y cada vez  se  realiza más, mediante agentes de IA.

No me quejo. Creo que es el avance más emocionante en la investigación aplicada que he visto en mi vida. Pero tiene implicaciones que los académicos aún no hemos asimilado del todo. La más importante es que el artículo académico, tal como lo conocemos, se está volviendo obsoleto. En su lugar, veremos el auge del manuscrito vivo. Se trata de un artículo que sigue siendo útil incluso después de que los autores se hayan marchado, y que se actualiza continuamente por agentes de IA a medida que llegan nuevos datos y surgen mejores métodos.

Trabajo en microeconomía aplicada, un campo que en las últimas dos décadas se ha transformado gracias a lo que los economistas Joshua Angrist y Jörn-Steffen Pischke denominaron « la revolución de la credibilidad ». Esto se refiere al cambio en la investigación económica hacia diseños experimentales y cuasiexperimentales que permiten sustentar afirmaciones causales. En  un estudio reciente , el economista Paul Goldsmith-Pinkham documentó este cambio, demostrando que casi el 70 % de los artículos de microeconomía aplicada publicados desde finales de la década de 1990 mencionan un método experimental o cuasiexperimental (ensayos controlados aleatorios, experimentos de laboratorio, diferencias en diferencias, discontinuidad de regresión, variables instrumentales, estudios de eventos).

Esto es importante porque estos métodos, que ahora son la norma en mi campo, son precisamente los que los agentes de IA modernos pueden ejecutar con eficacia. Limpiar datos de panel, construir una especificación de diferencias en diferencias, probar tendencias paralelas, realizar comprobaciones de robustez, generar tablas de calidad para publicaciones: todo esto lo pueden hacer los agentes de los principales laboratorios de IA. Antes, entrenar a un asistente de investigación competente para realizar estas tareas requería años. Un agente competente se configura en una tarde y funciona por muy poco dinero.

Ahora que contamos con esta nueva e increíble herramienta que, con un coste marginal mínimo, permite rehacer los análisis cada vez que el mundo aporta nuevos datos o la profesión ofrece un método mejor, ¿qué deberían hacer los investigadores aplicados con ella? Mi respuesta es: deberían dejar de considerar sus artículos como terminados.

Consideremos el trabajo de Raj Chetty y sus coautores en el Atlas de Oportunidades. Este proyecto rastrea los resultados económicos de los niños en la edad adulta hasta las zonas censales en las que crecieron. Este proyecto, y otros similares, pueden considerarse precursores del manuscrito actual. Los autores no solo escribieron el artículo publicado en la  American Economic Review , sino que también crearon  un entorno interactivo  que permite a los usuarios buscar cualquier zona censal de Estados Unidos y ver cómo les fue a los niños criados allí en la edad adulta. El sitio web que crearon ha sido actualizado repetidamente por investigadores, a medida que se han ido publicando nuevos datos censales. Es, en efecto, una versión viva del artículo y ha sido una herramienta invaluable para los responsables políticos y los investigadores que estudian la movilidad económica, de una manera que un documento estático no podría ofrecer.

El Atlas de Oportunidades ofrece una visión de hacia dónde creo que se dirige mi campo. Pero también es producto del panorama actual. Chetty trabaja en Harvard y cuenta con un equipo de investigadores y recursos que los académicos de instituciones más pequeñas, como la mía, solo pueden soñar. Este tipo de investigación viva, hasta ahora, solo ha estado al alcance de un puñado de investigadores en un número limitado de instituciones.

Los agentes de IA cambiarán esta situación. Un profesor asistente en una pequeña universidad de artes liberales como la mía ahora puede implementar un agente de investigación que obtenga la versión más reciente de un conjunto de datos público, recalcule las especificaciones de su modelo y actualice las figuras y tablas de su manuscrito. El costo de esto es mucho menor que el enfoque convencional de contratar asistentes de investigación y seguirá disminuyendo con el tiempo a medida que estos modelos se generalicen. Un proyecto de investigación ambicioso como el Atlas de Oportunidades dejará de estar limitado a laboratorios de élite y se convertirá en algo que cualquier investigador aplicado serio podrá desarrollar.

Actualizar y refrescar datos, aunque sea laborioso, es una aplicación bastante sencilla de la IA. La cuestión del método es más compleja. Las distintas disciplinas rara vez coinciden en el método adecuado para responder a una pregunta de investigación, y es comprensible que existan discrepancias sobre si un método más reciente supone una mejora real respecto a uno anterior. Los agentes de IA no pueden decidir por sí mismos qué constituye un progreso; es el investigador humano quien activará la actualización cuando considere que está justificada.

Consideremos lo que sucedió tras  la publicación en el Journal of Econometrics del artículo de Andrew Goodman-Bacon de 2021  sobre diferencias en diferencias con variación en el momento de la administración del tratamiento  . De la noche a la mañana, los economistas aplicados se percataron de que un método fundamental que habían utilizado durante años podía producir estimaciones muy engañosas cuando los efectos del tratamiento variaban entre cohortes. En cuestión de meses, surgió una nueva generación de estimadores para abordar las preocupaciones planteadas en el artículo de Goodman-Bacon. La disciplina alcanzó rápidamente un consenso general. Las revistas y los revisores comenzaron a exigir que los autores utilizaran los nuevos métodos econométricos.

En el pasado, cientos de artículos publicados con el método anterior habrían quedado archivados, con sus hallazgos congelados en el tiempo y ya obsoletos. Pero en un mundo de manuscritos dinámicos, un agente de IA podría reevaluar esos artículos en una tarde e informar si los resultados originales coinciden con los generados por el nuevo método. Nada de esto invalida el trabajo original. Los investigadores utilizan los datos y métodos disponibles al escribir, y esperan, e incluso en algunos casos desean, que futuros académicos cuestionen y desarrollen sus investigaciones.

La revisión por pares no se ha adaptado a nada de esto, y no pretendo saber exactamente cómo debería hacerlo. Las revistas tendrán que decidir qué significa publicar un artículo cuyas cifras cambian constantemente. Los lectores tendrán que aprender a citar una versión en lugar de una obra completa. Los comités de permanencia tendrán que averiguar cómo evaluar a un académico cuya contribución más influyente sea un panel de control o un sitio web, en lugar de un informe técnico. Estos son problemas institucionales complejos, y llevará años resolverlos. Pero la tecnología no va a esperar.

Al principio dije que soy un académico joven. Quiero terminar explicando cómo se siente esa perspectiva desde dentro, porque sospecho que no soy el único. Nada de mi formación de posgrado me preparó para este momento. Estudié econometría, no aprendizaje automático. Mis tutores fueron excelentes al enseñarme a escribir un artículo académico, pero no tuvieron la oportunidad de enseñarme a gestionar e implementar un agente de IA, ya que tales agentes aún no existían.

Lo que mi programa de doctorado sí me aportó, y que considero lo más valioso, fue un conjunto de habilidades: cómo leer rápidamente la literatura nueva, cómo poner a prueba un resultado, cómo detectar cuándo una suposición de identificación implica más trabajo del que el autor admite, y cuáles son las preguntas importantes que vale la pena plantear. Estas habilidades son aplicables a la actualidad. De hecho, son precisamente las habilidades que un investigador necesita para supervisar adecuadamente a un agente.

El manuscrito vivo no volverá obsoletos a los investigadores aplicados. Va a cambiar nuestra forma de trabajar del mismo modo que la revolución de la credibilidad transformó la economía: elevando el nivel de exigencia y premiando a los académicos que se adapten. Mi formación no preveía esto, pero, al final, sí me preparó para ello.