Il corso fornisce una comprensione consapevole del funzionamento degli algoritmi di intelligenza artificiale, sia predittiva sia generativa, e degli strumenti per analizzarne gli effetti economici su mercati, imprese, lavoro e politiche pubbliche. Il corso si articola in tre parti. La prima parte (fondamenti tecnologici dell'IA) introduce la storia e le determinanti dell'IA contemporanea, il machine learning supervisionato e non supervisionato, le reti neurali e il deep learning, i modelli linguistici di grandi dimensioni (LLM) e l'IA generativa, con attenzione a capacita e limiti dei sistemi. La seconda parte (IA applicata all'analisi economica) affronta il rapporto tra econometria e machine learning, l'inferenza causale e la predizione, la previsione macroeconomica e il nowcasting con big data, e le principali applicazioni dell'IA a credito, finanza, pricing e piattaforme digitali. La terza parte (economia dell'IA) analizza gli effetti dell'IA su produttivita e crescita, mercato del lavoro, salari e disuguaglianze, struttura di mercato e concorrenza, regolazione (AI Act europeo) e geopolitica dell'IA, fino ai temi di frontiera. Il corso comprende laboratori pratici senza prerequisiti di programmazione e un progetto di gruppo.

Il corso (72 ore, 12 settimane, 36 lezioni da 2 ore) si articola in tre parti.
PARTE I - Fondamenti tecnologici dell'IA (settimane 1-4). Settimana 1: che cos'e l'intelligenza artificiale (storia: IA simbolica, machine learning, deep learning; dati, calcolo, algoritmi); l'IA come tecnologia di uso generale (confronto con elettricita e vapore; productivity J-curve); mappa del corso e primo contatto con gli strumenti. Settimana 2: apprendimento supervisionato (regressione e classificazione, ponte con l'econometria); valutazione di un modello predittivo (training/test set, overfitting, bias-varianza, metriche come scelta economica); laboratorio 1: costruzione di un classificatore su dati di credito. Settimana 3: dal percettrone alle reti profonde; perche il deep learning ha vinto (rappresentazioni apprese, leggi di scala e costi economici); apprendimento non supervisionato e per rinforzo (clustering, raccomandazione, pricing dinamico). Settimana 4: modelli linguistici di grandi dimensioni (transformer, pre-training, fine-tuning, RLHF); capacita e limiti (allucinazioni, bias, multimodalita); laboratorio 2: prompting e uso critico di un LLM su compiti economici; prima prova intermedia.
PARTE II - IA applicata all'analisi economica (settimane 5-8). Settimana 5: econometria vs machine learning (inferenza causale vs predizione, prediction policy problems); previsione macroeconomica e nowcasting con big data; laboratorio 3: confronto tra modello econometrico e modello ML. Settimane 6-8: applicazioni dell'IA a credito e finanza, pricing e piattaforme digitali; analisi di casi applicativi; laboratorio 4 e seminari di discussione su paper empirici; seconda prova intermedia.
PARTE III - Economia dell'IA: impatti e politiche (settimane 9-12). Settimana 9: IA, produttivita e crescita (paradosso della produttivita, automazione vs creazione di nuovi compiti; seminario su paper empirico recente). Settimana 10: IA e mercato del lavoro (framework task-based, complementarita vs sostituzione; effetti su salari e disuguaglianza; politiche per la transizione). Settimana 11: concorrenza, regolazione e geopolitica (struttura di mercato della filiera IA; AI Act europeo e approcci internazionali; semiconduttori, catene del valore e sovranita digitale). Settimana 12: temi di frontiera (agenti autonomi, IA e politica economica, scenari di lungo periodo); presentazioni dei progetti di gruppo e chiusura del corso.