Сосновська, Євгенія РоманівнаСкіцько, Володимир Іванович2026-02-262026-02-262025Сосновська Є. Р., Скіцько В. І. Розв’язання економетричних задач із застосуванням моделей генеративного штучного інтелекту: порівняльний аналіз ChatGPT та Gemini. Проблеми економіки. 2025. №4. C. 428–442. https://doi.org/10.32983/2222-0712-2025-4-428-442https://www.problecon.com/article/?year=2025&abstract=2025_4_0_428_442https://dr.csbc.edu.ua/handle/123456789/1343У статті здійснено комплексне дослідження та порівняльний аналіз компетентності сучасних моделей генеративного штучного інтелекту у контексті їх застосування для вирішення прикладних задач економетричного моделювання. Об’єктом дослідження обрано моделі різних архітектурних типів: «просунуті» версії з розширеними можливостями міркування – Google Gemini 2.5 Pro та ChatGPT-5 Thinking + Study, а також їхні оптимізовані «легкі» версії – Google Gemini 2.5 Flash та базова модель ChatGPT-5. Емпіричну базу дослідження сформовано на основі реальних даних ринку житлової нерухомості України, зокрема репрезентативної вибірки зі 100 об’єктів, що включає як кількісні, так і якісні змінні. Методологія експерименту передбачала послідовне виконання повного циклу економетричного дослідження: попередню обробку даних, розвідувальний аналіз та візуалізацію, побудову багатофакторної лінійної регресійної моделі, діагностику мультиколінеарності та гетероскедастичності, розрахунок показників еластичності для економічної інтерпретації, а також перевірку прогнозних властивостей моделі на тестовій вибірці. Верифікація отриманих за допомогою моделей генеративного штучного інтелекту результатів здійснювалася шляхом зіставлення з еталонними розрахунками, виконаними вручну в середовищі MS Excel. Результати проведеного експерименту виявили суттєву відмінність в результатах роботи досліджуваних моделей. Встановлено, що моделі класу Pro/Thinking (Gemini 2.5 Pro, ChatGPT-5 Thinking) демонструють абсолютну математичну точність, коректно розраховуючи коефіцієнти регресії, коефіцієнт детермінації, F-критерій та показники середньої й граничної ефективності. Натомість базові та «легкі» версії моделей (Gemini 2.5 Flash, ChatGPT-5) виявили схильність до критичних помилок, зокрема галюцинацій у вигляді генерації фіктивних даних, втрати контексту при обробці великих датасетів та нездатності до самостійної валідації вхідної інформації. Також виявлено спільну слабкість усіх протестованих моделей у задачах якісної класифікації типів гетероскедастичності та схильність ігнорувати макропоказники на користь мікроаналізу окремих змінних. На підставі отриманих даних зроблено висновок про те, що на сучасному етапі розвитку генеративний штучний інтелект не може повністю замінити людину, однак «просунуті» моделі можуть ефективно використовуватися як допоміжний інструмент для автоматизації рутинних операцій, написання коду та первинної обробки даних за умови обов’язкової верифікації результатів фахівцем.SOCIAL SCIENCES::Business and economics::EconomicsSOCIAL SCIENCES::Business and economicsSOCIAL SCIENCES::Business and economics::Business studiesSOCIAL SCIENCES::Business and economics::Economics::EconometricsSOCIAL SCIENCES::Statistics, computer and systems science::Informatics, computer and systems science::Information technologyArticle