La petjada de carboni de la recerca en economia en l’era de la IA generativa

La IA generativa està canviant la forma en què es produeix recerca en economia, sobretot en tasques intensives en programació. Aquest canvi pot elevar la productivitat, però també abaratir la prova i error i, amb això, augmentar el còmput redundant, el consum energètic i les emissions. Aquest treball analitza aquesta tensió en un cas concret i freqüent: la construcció d’una revisió de literatura a gran escala recolzada en modelització de temàtiques amb Latent Dirichlet Allocation (LDA). Encara que el cas empíric és específic, la pregunta de fons és més àmplia: si la IA facilita produir codi més de pressa, també pot facilitar produir més còmput del necessari. Comparem dues versions del mateix procediment: (i) un quadern desenvolupat amb assistència de Gemini i (ii) una versió reconstruïda i depurada amb GPT 5 baix criteris explícits d’eficiència (green prompting), orientats a consolidar configuració, evitar recàlculs i limitar exploracions de baix retorn. Mesurem temps, línies de codi executables i emissions estimades amb CodeCarbon. La versió depurada redueix el temps de 4343 a 1819 segons (58,1%), les emissions de 45,88 a 22,94 g de CO2e (50,0%) i el codi de 787 a 323 línies (59,0%), mantenint una equivalència pràctica de resultats. La conclusió principal és senzilla: l’eficiència no sorgeix automàticament per usar assistents d’IA, sinó per com l’investigador guia el seu ús, fixa restriccions operatives i elimina còmput innecessari.