---
citekey: Korinek2023
priority: nucleo
units: [U1, U2, U6]
type: article
venue: Journal of Economic Literature
year: 2023
---

# Korinek 2023 — Generative AI for Economic Research

**Cita.** Korinek, A. (2023). Generative AI for economic research: Use cases and implications for economists. *Journal of Economic Literature*, 61(4), 1281–1317. DOI: 10.1257/jel.20231736.

**Citekey Quarto:** `[@Korinek2023]`

## Tesis central

Los modelos de lenguaje grandes (LLMs) ya no son una curiosidad técnica: son una **tecnología de propósito general** que afecta cada fase del workflow de investigación económica. Korinek mapea de forma sistemática **seis casos de uso** —ideación, escritura, búsqueda de literatura, análisis de datos, generación de código y derivaciones matemáticas— y argumenta que el economista que no aprenda a delegar/colaborar con LLMs queda en desventaja productiva sostenida.

## Aporte por unidad del curso

- **U1 (Intro a IA):** Es **el** mapa conceptual del curso. Define el vocabulario (capability, hallucination, prompting) y posiciona al estudiante respecto del estado del arte 2023.
- **U2 (Problema):** El caso "ideación" (sec. 3.1) muestra cómo usar LLMs para generar y refinar preguntas de investigación.
- **U6 (Métodos):** Casos "data analysis" y "code" (sec. 3.5–3.6) son el puente directo con Code Interpreter / Claude para tareas econométricas.

## Metodología / diseño

Paper de **revisión + framework conceptual**. Korinek prueba personalmente cada caso con GPT-4 (versión a inicios de 2023) y reporta ejemplos concretos con prompts y outputs. No es un RCT sino una taxonomía estructurada con evidencia ilustrativa.

## Hallazgos clave (citables para slide)

- **Seis dominios de uso:** ideación, escritura, búsqueda, análisis de datos, código, matemáticas. Cada uno con ejemplos reproducibles.
- **Capacidades fuertes (2023):** brainstorming, redacción, traducción, código simple, búsqueda con GPT-4 + plugins.
- **Capacidades débiles (2023):** matemática avanzada, derivaciones formales, análisis estadístico complejo, citas verificables (alucinaciones).
- **Productividad estimada:** Korinek anticipa ganancias de **20–30% en tareas rutinarias de escritura/código** para investigadores que invierten en aprender prompting.
- **Argumento normativo:** los economistas deben tratar los LLMs como un colaborador junior que requiere **revisión sistemática**, no como un oracle infalible.

## Citas textuales destacadas

> "Generative AI tools, if used properly, can serve as research assistants that augment economic researchers' productivity, much like graduate students or research associates."

> "Hallucinations remain a critical problem… users must verify any factual claims, citations, and statistics produced by the model."

## Conexiones con otras lecturas del bib

- **Actualiza con:** `[@Korinek2024update]` — versión junio 2024 que incorpora razonamiento (o1) y agentes.
- **Contrapeso crítico:** `[@MesseriCrockett2024]` — riesgo epistemológico de "ilusiones de comprensión".
- **Evidencia experimental complementaria:** `[@NoyZhang2023]`, `[@Brynjolfsson2025]`, `[@DellAcqua2023]`.
- **Aplicación pedagógica:** `[@CowenTabarrok2023]` — cómo enseñar economía con LLMs.

## Limitaciones y críticas

- **Sesgo del usuario experto.** Korinek es un PhD usando LLMs en tareas que ya domina. Estudiantes de maestría sin esa base pueden no cosechar las ganancias estimadas.
- **Obsolescencia rápida.** El paper es de 2023 con GPT-4. Capacidades ya superadas: matemática (o1/o3 sí razonan), código (Claude Sonnet 4.x), búsqueda (Perplexity, Gemini).
- **Sin validación causal.** Las ganancias de productividad son estimaciones; los RCTs llegan después (Noy-Zhang, Brynjolfsson).

## Pregunta detonadora para clase

> Si Korinek tiene razón en que los LLMs son "research assistants junior", ¿cuáles son las **dos capacidades** que deberían estar en su pre-analysis plan antes de delegar una tarea a Claude/ChatGPT?

## Slide de aterrizaje sugerido

- **Título:** "Los seis usos de la IA generativa en investigación económica (Korinek 2023)"
- **Visual:** matriz 2×3 con los seis casos de uso, cada uno con un ícono.
- **Bullet de cierre:** *"La pregunta no es si usar IA, es cómo verificarla."*

## Lectura mínima si el tiempo es escaso

- Sección 1 (Introducción) y sección 7 (Conclusión): 8 páginas.
- Si pueden leer una más, sección 3.1 (ideación) y 3.5 (data analysis) son las más útiles para el curso.