Theorist Toolbox: Tools for Agent Based LLM-assisted economic theory Research

Resumen Técnico: Theorist Toolbox – Un Protocolo Verificado para la Teoría Económica Asistida por LLM

1. Planteamiento del Problema
El artículo aborda una asimetría estructural en la investigación económica: mientras que los economistas empíricos heredan herramientas compartidas (paquetes, archivos de replicación, guías), los teóricos suelen trabajar de forma aislada, dependiendo de la disciplina individual en lugar de una infraestructura compartida. Con los Modelos de Lenguaje de Gran Escala (LLM) ahora capaces de producir derivaciones matemáticas no triviales, la restricción principal para la teoría asistida por máquinas se ha desplazado de la producción a la confianza. Los LLM pueden generar pruebas fluidas y seguras, pero incorrectas (por ejemplo, confundiendo expectativas ex-ante con propiedades ex-post, o confundiendo cancelaciones con el equilibrio presupuestario). El problema central es cómo utilizar los LLM para la teoría económica sin confiar en su producción, específicamente en dominios donde la verificación formal mediante asistentes de prueba (como Lean) aún no es un estándar.

2. Metodología: El Protocolo de Verificación Primero
El autor propone un protocolo de "verificación primero", instanciado como tres métodos reutilizables (habilidades de Claude Code) que difieren en un único eje: la intensidad y la fuente de la verificación externa. Los tres métodos utilizan la misma base de modelo (Claude Opus 4.8) pero varían en su aparato de verificación:

• Método 1: Pasada Única Disciplinada. Un solo modelo genera una prueba completa bajo una disciplina de escritura estricta (sin lagunas retóricas, justificación explícita de signos, distinción entre afirmaciones probadas y conjeturadas). La verificación se limita a la consistencia interna y al auto-señalamiento de limitaciones.
• Método 2: Par Adversarial. Un flujo de trabajo adversarial donde Claude Opus 4.8 propone un resultado y un segundo modelo independiente (OpenAI Codex/gpt-5.5) actúa como un verificador hostil intentando refutar la afirmación. Un autor humano tria los hallazgos, distinguiendo contraejemplos genuinos de falsos positivos. Este método incluye comprobaciones numéricas de Monte Carlo.
• Método 3: Proyecto Multi-Agente. Un flujo de trabajo de investigación estructurado inspirado en el "co-matemático de IA" (Zheng et al., 2026). Descompone el problema en líneas de trabajo (literatura, demostración, codificación) con un "control de revisión" permanente. Opera en "modo estricto", requiriendo que cada laguna sea marcada con etiquetas \unproven{}. Un control de revisión debe aprobar los subobjetivos antes de que se consideren completados. Este método integra el Método 2 como un componente para verificaciones rigurosas.

3. El Banco de Pruebas (Ejemplo Aplicado)
El protocolo se evalúa sobre un único problema de diseño de mecanismos abierto, estratificado sobre el modelo de eigengrade de Gans–Kominers (2026) sobre la inflación de calificaciones.

• Contexto: El modelo trata el rendimiento estudiantil como $P_{ic} = a_i - d_c + \epsilon_{ic}$, donde $a_i$ es la habilidad y $d_c$ es la dificultad del curso. El estimador de eigengrade recupera la habilidad utilizando un Laplaciano de grafo de la red de matriculación.
• La Laguna: Aunque los eigengrades logran neutralidad estratégica, no internalizan la externalidad de información: cada decisión de matriculación o calificación afecta la precisión de la estimación de la habilidad de todos (gobernada por la traza de la pseudoinversa del Laplaciano, $tr(L^+)$).
• La Pregunta: ¿Puede diseñarse un mecanismo para internalizar esta externalidad (valorando la "resistencia efectiva" del grafo) para inducir el reporte veraz o la matriculación eficiente, dadas las restricciones de equilibrio presupuestario y la falta de un numerario monetario para los instructores?

4. Resultados Clave por Método

• Pasada Única (P1): Produjo un mecanismo de matriculación pulido desde la perspectiva del estudiante utilizando una transferencia de Groves (en créditos de matrícula/prioridad) para internalizar la externalidad de matriculación. Identificó correctamente la imposibilidad del equilibrio presupuestario (Green–Laffont), pero no realizó verificación numérica.
• Par Adversarial (P2): Produjo una transferencia de tipo Pigou desde la perspectiva del instructor que implementa la calificación profesional en estrategias dominantes. Crucialmente, el verificador adversarial detectó tres errores significativos en la propuesta inicial:
  1. Refutó una afirmación de neutralidad de incentivos ex-post (mostrando que solo se sostiene en la esperanza).
  2. Demostró que una transferencia de estrategia dominante con equilibrio presupuestario es imposible (mediante una derivada mixta no nula).
  3. Corrigió una afirmación de que era necesario un estimador leave-one-out para la exactitud del primer momento (mostrando que el estimador estándar ya poseía esta propiedad).
• Proyecto Multi-Agente (P3): Produjo una suite de mecanismos "libres de dinero" en el espacio de reporte. Derivó el mismo núcleo de resistencia efectiva que P1, pero en el margen intensivo (fidelidad de calificación). El control de revisión rechazó un subobjetivo que intentaba usar la predicción de pares (que falló al elicitar señales privadas) y forzó un resultado de existencia condicional (requiriendo un cuadro de acción compacto). El resultado listó explícitamente las obligaciones no probadas.

5. Tres Fenómenos Observados
La comparación de las tres ejecuciones arrojó tres hallazgos transferibles:

1. Descubrimiento Convergente: P1 (margen estudiantil) y P3 (margen del instructor), trabajando independientemente con diferentes encuadres, derivaron exactamente el mismo objeto matemático: el núcleo de resistencia efectiva $\|\Pi L^+ b_e\|^2$. Esta convergencia aumentó la confianza en que el objeto es una característica del problema y no un artefacto del modelo.
2. La Verificación Adversarial es Vital: El par adversarial (P2) detectó tres afirmaciones falsas que una pasada única habría publicado. La maquinaria de verificación no fue decorativa; fue esencial para la corrección.
3. El Pulido No es Rigor: El resultado con apariencia más "terminada" (P1) fue el menos verificado. El resultado más "irregular" (P3), cubierto de etiquetas y obligaciones no probadas, fue el más confiable porque nombraba explícitamente lo que no sabía.

6. Significación y Reivindicaciones
El artículo afirma ofrecer un protocolo para profesionales en lugar de un nuevo teorema o una puntuación de referencia (benchmark). Su significación radica en:

• Cambiar la Variable de Diseño: Argumentar que, para la teoría asistida por máquinas, la elección de diseño crítica no es la capacidad del modelo, sino el aparato de verificación externo.
• Definir un Entregable Realista: El objetivo no es un teorema certificado (que requiere una formalización aún no disponible en economía) sino una "frontera de investigación disciplinada": un núcleo verificado, mecanismos operativos, resultados negativos honestos y un registro explícito de preguntas abiertas.
• Transferibilidad Metodológica: El protocolo está diseñado para ser aplicable a cualquier problema de teoría económica donde se busque asistencia de la máquina sin permitir el "hablar sin fundamento" (hand-waving).

El autor señala explícitamente las limitaciones: la evidencia se basa en un único ejemplo aplicado ejecutado por un solo operador con emparejamientos de modelos específicos. Los fenómenos reportados son demostraciones de posibilidad y comportamiento, no tasas de éxito medidas. El artículo concluye que la verificación externa, y no la confianza del modelo, es la salvaguarda necesaria para la teoría económica asistida por máquinas.