现代人工智能系统基于机器学习算法，可以检测数据中的模式，因此通常被称为黑匣子，因为其预测的原理很难解释和理解。同样，在宏观经济学家看来，采用人工智能系统的公司也像黑匣子：人工智能无形资产毕竟是一大类商业投资，包括对各种流程、实践和新业务及组织模式的实验。但这些公司在采用人工智能系统时究竟在做什么？会产生什么影响？
会议上发表的几篇论文说明了经济学家如何开始打开这些组织黑匣子来衡量人工智能的影响以及它与现状的对比。在这样做的同时，他们还将一些复杂的因素纳入人工智能经济学中，这些因素在企业部署人工智能系统时发挥作用，这些系统不仅增加了预测的供应，还重塑了其他参与者（员工、消费者、竞争对手、人工智能系统本身）做出决策的信息环境，从而导致战略行为和通常在宏观视角中抽象的意外后果。
Susan Athey 和合著者比较了芝加哥 UberX 和 UberTaxi 的服务质量。他们假设，依靠用户评论工作的 UberX 司机将提供更高质量的乘车服务，而通过分析有关驾驶速度和持续时间、紧急刹车次数等的详细远程信息数据，这一假设得到了证实。他们还测试了向司机提供有关其表现的信息是否会改变他们的行为，发现表现最差的司机往往会在这些推动下改善驾驶。该论文表明，人工智能系统是“管理和监管日益重要的数字平台和市场的方法的一项发明”，同时也引发了人们对工人隐私和操纵的担忧。
Michael Luca 和合著者（未链接到论文）测试了各种系统的有效性，以选择波士顿哪些餐厅应该进行卫生检查。他们表明，来自复杂机器学习算法的建议优于人类检查员生成的排名。有趣的是，他们还发现检查员不遵守人工智能建议的情况很高，这表明使用人工智能来指导员工决策的组织必须克服员工对这些系统的沉默和不信任
Adair Morse 和合著者分析了“金融科技”人工智能 开曼群岛电话号码数据 系统对消费者贷款歧视的影响，发现与面对面贷款相比，这些系统往往会减少（但不会消除）对拉丁裔和非裔美国借款人的歧视，无论是在收取的利率还是贷款批准率方面。人工智能系统仍然会通过识别数据中受保护特征的代理来进行歧视。这表明采用人工智能可以减少旧问题（人类偏见），同时引入新问题（算法偏差）。
人工智能技术对经济学研究贡献巨大，因为经济学研究通常试图检测数据中的（因果）模式。Susan Athey 在首届人工智能经济学会议上探讨了这些机会，特别关注如何使用机器学习来增强现有的计量经济学方法。
今年会议上发表的几篇论文探讨了这方面的新数据来源和方法，例如使用 LinkedIn 和 Uber 的大数据集分别衡量乘车过程中的技术采用和服务质量，以及在线实验来测试 UberX 司机对信息提示的反应。在 Nesta，我们正在使用机器学习方法分析开放数据集，以绘制 AI 研究图。
虽然这些方法开辟了新的分析机会，但它们也带来了可重复性方面的挑战，特别是当研究依赖于无法与其他研究人员共享的专有数据集时（如果数据所有者能够控制发布哪些研究结果，则会增加出版偏见的风险），以及道德问题，例如关于参与在线实验的同意。在我们自己的工作中，我们试图通过非常透明地进行分析（例如，我们在 AI 映射分析中使用的数据和代码可在GitHub上找到）并制定道德准则来指导我们的数据科学工作来解决这些问题。