AI Economist Agent: An Agentic Framework for Model-Grounded Economic Analysis with RAG, Knowledge Graphs, and Large Language Models

Masahiro Kato。2026年。プレプリント（arXiv:2606.20041）。 English

AI Economist Agent は、LLM だけに経済分析を書かせるのではなく、検索や知識グラフ、経済モデルに基づく明示的な計算を組み合わせて分析を生成するエージェント枠組みです。分析の計画に始まり、根拠の取得とモデルの選択、計算を経て報告文の作成に至る各段階を分担させることで、経済的な主張を参照資料と計算結果に結びつけます。

研究が扱う問題

LLM は経済に関するもっともらしい文章を生成できますが、エコノミストの分析には、経済理論と現実のデータによる裏付けが求められます。生成された文章のどの主張が、どの資料とどの計算に基づくのかを辿れないままでは、分析としては使えません。この研究は、生成の流暢さと根拠の追跡可能性を両立させることを問題に据えています。

提案した方法

経済データと経済理論を知識グラフとして持たせ、LLM エージェントが分析を計画し、関連する根拠を検索し、適切なモデルを選び、報告文を作成する、という構成を取ります。数値に関する主張は言語モデルに直接生成させず、明示的なモデル計算の結果から作り、報告文の記述を取得した根拠へ結びつけます。この構成全体を AI Economist Agent と呼んでいます。

主な結果と成立条件

二つの応用で枠組みを評価しました。一つは米国のインフレ持続性と連邦準備制度の政策に関するエコノミストレポートの生成、もう一つは米国の商業用不動産の借り換えストレスを対象とする銀行ストレステストの報告文の生成です。生成された報告を根拠に結びつけることで、経済的な一貫性と追跡可能性が改善することを示しています。評価はこの二つの事例に基づくものであり、経済分析全般への一般化を主張するものではありません。

先行研究との関係

検索した文書に生成を結びつける RAG は Lewis らが提案し（2020年、Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks）、知識グラフで文書群の構造を扱う方法は Edge らの Graph RAG（2024年、From Local to Global: A Graph RAG Approach to Query-Focused Summarization）が発展させました。また、LLM が推論と行動を織り交ぜる枠組みは Yao らの ReAct（2022年、ReAct: Synergizing Reasoning and Acting in Language Models）、外部ツールの呼び出しは Schick らの Toolformer（2023年、Toolformer: Language Models Can Teach Themselves to Use Tools）が代表的です。この研究は、これらの部品を経済分析に固有の要請、すなわち理論とデータによる裏付けのもとで組み上げ、数値的な主張を明示的なモデル計算に限定した点に特徴があります。

利用できる状況

市場や経済の分析レポートを AI で作成したいが、結論の根拠を説明できる必要がある、という状況を想定しています。社内の資料とデータを知識グラフとして整え、モデル計算と組み合わせる構成は、経済分析に限らず、根拠の説明が求められる分析業務に応用できます。

論文と資料

BibTeX

@misc{ai-economist-agent,
  author       = {Masahiro Kato},
  title        = {AI Economist Agent: An Agentic Framework for Model-Grounded Economic Analysis with RAG, Knowledge Graphs, and Large Language Models},
  year         = {2026},
  eprint       = {2606.20041},
  archivePrefix = {arXiv},
  url          = {https://arxiv.org/abs/2606.20041},
}