La huella de carbono de la investigación en economía en la era de la IA generativa

La IA generativa está cambiando la forma en que se produce investigación en economía, sobre todo en tareas intensivas en programación. Ese cambio puede elevar la productividad, pero también abaratar la prueba y error y, con ello, aumentar el cómputo redundante, el consumo energético y las emisiones. Este trabajo analiza esa tensión en un caso concreto y frecuente: la construcción de una revisión de literatura a gran escala apoyada en modelización de temáticas con Latent Dirichlet Allocation (LDA). Aunque el caso empírico es específico, la pregunta de fondo es más amplia: si la IA facilita producir código más deprisa, también puede facilitar producir más cómputo del necesario. Comparamos dos versiones del mismo procedimiento: (i) un cuaderno desarrollado con asistencia de Gemini y (ii) una versión reconstruida y depurada con GPT 5 bajo criterios explícitos de eficiencia (green prompting), orientados a consolidar configuración, evitar recálculos y limitar exploraciones de bajo retorno. Medimos tiempo, líneas de código ejecutables y emisiones estimadas con CodeCarbon. La versión depurada reduce el tiempo de 4343 a 1819 segundos (58,1%), las emisiones de 45,88 a 22,94 g de CO2e (50,0%) y el código de 787 a 323 líneas (59,0%), manteniendo una equivalencia práctica de resultados. La conclusión principal es sencilla: la eficiencia no surge automáticamente por usar asistentes de IA, sino por cómo el investigador guía su uso, fija restricciones operativas y elimina cómputo innecesario.