如何测算人工智能投资,及其对公司和行业的影响?

这篇论文研究了人工智能技术对经济的影响。我们提出并采用了一种新的方法，即利用员工简历来量化企业级人工智能投资规模，并发现各行业的人工智能投资都呈现显著增长趋势。进行人工智能投资的企业在销售、就业和市场估值方面均呈现更高的增长，其中主要原因是这些增长源于产品创新。此外，我们将企业对大学人工智能毕业生供应情况的了解程度作为人工智能投资的工具变量，回归结果显示其稳健性。大型企业通过利用人工智能更容易实现高增长，这与较高的行业集中度相关。我们的研究结果强调了新技术，特别是人工智能，通过推动产品创新来促进企业增长并塑造超级明星企业的重要作用。

技术变革是投资机会和经济增长的关键驱动力（Romer，1990；Aghion和Howitt，1992；Kogan等人，2017）。过去十年出现了新的技术转变：人工智能（AI）技术的实质性发展及其广泛的商业应用（Furman和Seamans，2019）。作为一种预测技术，人工智能使公司能够从大量数据中更好、更快地学习，并有可能显著改善业务决策。因此，人工智能可作为一种通用技术，通过提高生产力和产品创新，来实现增长（Aghion等人，2017；Agrawal等人，2019）。然而，人工智能是否能够改变经济，并刺激经济增长，仍然是一个悬而未决的问题。因为过去十年，总体生产力增长乏力，导致人们担心AI的好处可能被过度宣传，或需要更长的时间才能实现（Mihet和Philippon，2019；Brynjolfsson等人，2019）。迄今为止，缺乏关于公司级人工智能应用的数据，对理解人工智能技术的应用模式，及其对经济的影响构成了关键挑战（Seamans和Raj，2018）。

本文基于公司中具备AI技术的人力资本，构建了一个测算人工智能技术投资的新指标。人工智能对人类专业知识有严重依赖性，这使得基于人力资本的方法特别适合这种环境。我们获取了美国公司中AI技能员工的存量和需求的独特数据集：来自Cognism Inc.的简历数据。该公司为全球5.35亿个人提供工作历史记录，以及来自Burning Glass的职位发布数据，该数据捕获了1.8亿个职位空缺。我们新的AI测算方法使我们能够分析人工智能的应用模式，并研究其对公司和行业的潜在好处。我们的主要收获是，对人工智能进行更多投资的公司通过增加产品创新来获得更高的增长，这可以从增加的商标、产品专利和公司产品组合的更新中看到。我们的结果表明，人工智能通过产品创新来促进增长，这与人工智能降低产品开发成本是一致的。

首先，我们引入了公司对人工智能技术投资的新指标。详细的数据和测算使我们能够研究人工智能技术对企业的影响，而其他研究则侧重于人工智能对劳动力的影响（Acemoglu等人，2022），并倾向于研究职业或总体水平（Felten等人，2019）。我们提供了新的证据，证明人工智能投资与公司增长有关，并探索了这种增长的机制。

其次，我们能够衡量广泛行业使用人工智能的公司对人工智能的采用情况，这补充了最近专注于人工智能发明公司的工作（Alderucci等人，2020）。我们广泛的行业覆盖范围使我们能够研究人工智能投资对行业增长和集中度等总体趋势的影响。

第三，在个体职业与公司员工数据无法匹配的情况下，Cognism的简历数据提供了美国工作的独特覆盖和详细描述，截至2018年，占美国全职就业人数的64%以上。这使我们能从职位发布中识别AI劳动力需求，从简历中识别的AI工人的存量，并将二者进行比较。最后，我们关于公司人力资本的丰富数据使我们能够衡量和控制其他因素，例如使用非人工智能信息技术，并捕获外部人工智能解决方案和软件（例如IPSoft Amelia）的使用。

即使有我们详细的数据，由于人工智能应用程序的多方面性质，识别公司的人工智能投资也具有挑战性。我们使用一种新的数据驱动方法来识别与AI相关的工作，使其不依赖于预先指定的关键字列表。我们的算法从职位发布的详细技能中学习每个工作与AI的相关性：

根据该技能与机器学习、计算机视觉和自然语言处理等核心AI技能是否同时出现，衡量招聘信息数据中每项技能与人工智能的相关性。

通过平均每个招聘职位所要求的所有技能的人工智能相关性，来衡量每个职位的人工智能相关性。

利用从职位发布数据中确定的大多数人工智能相关技能，在结构化程度较低的简历数据中对人工智能员工进行分类。

对于每个员工，我们考虑具有最高人工智能相关性的技能（例如“深度学习”）是否出现在职称、职位描述或该工作期间获得的任何出版物、专利或奖项中。这使我们可以在每个时间点对每家公司的每个员工进行分类。我们将简历数据和职位发布数据汇总到公司级别，并与Compustat数据库中的上市公司进行匹配。从结果来看，人工智能投资的两种衡量标准虽然基于两个独立的数据集，但高度相关，并产生一致的结果。

我们基于人力资本的人工智能投资的测算具有直观性。首先，我们的AI测算方法不会识别与一般技能，而只有那些与AI特别相关的技能。进一步地，我们手动检查大量人工智能分类工作样本，并确认我们的分类选择了AI技能的职位。此外，鉴于我们主要依靠所需的技能来识别人工智能相关术语，我们通过确认人工智能相关度最高的招聘信息在多大程度上偏向于高度特定于人工智能的职位名称来验证我们的测量结果。最后，我们提供了人工智能在几家公司中具体应用的详细案例研究。第五，我们确认人工智能投资公司也增加了研发（R&D）支出，这与应用新人工智能技术的实验增加一致。最后，我们通过使用外部人工智能解决方案和软件来丰富我们的基本测算，确认这种改进测算产生了非常相似的结果。

在员工简历和职位发布数据集中，随着时间的推移，人工智能职位的比例急剧增加，从2010年到2018年增长了七倍多。人工智能工作岗位的份额在技术部门最高，但随后，各部门的人工智能投资增长速度相似。在公司层面，在大型公司和现金持有量较高的公司中，人工智能投资的增长更加明显。纵观当地劳动力市场状况，我们发现，工资较高和受教育程度较高的地区在人工智能招聘方面增长更快。

接下来，我们讨论人工智能投资是否与更高的公司增长相关这一基本问题。按照技术变革等缓慢发展过程的标准（如 Acemoglu 和 Restrepo，2020），我们针对2010年至2018年企业面板数据，使用被解释变量的变化对AI人力资本（以人工智能工人所占比例衡量）的变化进行长期差分回归。这种策略特别适合我们的环境，即人工智能投资随着时间的推移逐渐积累，并产生可能不是立竿见影的效果。我们囊括了一套丰富的控制指标：截至2010年，行业固定效应和公司、行业和通勤区级特征。我们记录了在人工智能投资较多的公司中，一个强劲而一致的高增长模式：在8年期间，基于简历的人工智能投资指标增加了一个标准差，相当于销售额增长了19.5%，就业增长了18.1%，市场估值增长了22.3%。这些结果在主要行业部门（如制造、金融和零售）无处不在，支持人工智能是一种通用技术的想法。

长期差分回归制了时间不变的公司特征，此外我们还进行了其他检验，以解决变量缺失或反向因果关系的问题。首先，我们利用公司层面的面板数据，使用标准的分布式领先-滞后模型（Aghion等人，2020），围绕人工智能投资动态地检查公司每年的增长。在人工智能投资之前，我们没有发现公司增长的预趋势，这证实了人工智能投资公司没有处于差异增长趋势，并在两到三年后增长，这表明人工智能的影响不是立竿见影的。其次，结果很稳健，包括对过去公司和行业增长的控制，以及托宾的q代理的未来增长机会。最后，我们确认，我们的结果具体反映了对人工智能的投资，而不是其他技术：在控制机器人、非人工智能信息技术和非人工智能数据分析的同时级公司级投资时，人工智能投资的影响保持不变。

为了深入探讨推动公司增长及人工智能投资的潜在影响因素，本研究采用了一种创新的工具变量（IV）策略。我们主要利用企业早期与人工智能研究领域杰出大学的联系，以及这些大学中人工智能人才的变化，来量化企业在人工智能方面的投资。研究的核心观点在于，受训练的人工智能劳动力的缺乏是制约公司采用人工智能的一个主要因素（CorrelationOne, 2019）。近年来，在人工智能研究方面具有历史领先地位的大学培养了更多具有AI技能的毕业生，从而使得企业更容易从这些大学招聘到人工智能人才。

为了构建该工具变量，我们构建了两个新数据集，包括（i）每所大学人工智能研究的前期实力；（ii）2010年之前的公司-大学招聘网络，来衡量公司招聘对人工智强势大学的覆盖。与自2012年以来对人工智能的商业兴趣越来越普遍一致，我们发现，2010年公司与人工智能强势大学的联系，并不由AI技术工人的需要驱动，并且与2010年之前的公司增长无关。工具变量回归结果显著，表明人工智能投资的工具变量可以预测2010至2018年间的公司增长。我们还验证了这些结果并非由人工智能强势大学的其他特征（如一般计算机科学的实力或大学总体排名）所驱动。

在探索人工智能（AI）促进公司增长的机制方面，我们提出了一个理论框架，强调AI可通过两个互相关联的途径推动公司增长：（i）产品创新和（ii）流程创新及降低运营成本。

根据第一个渠道，人工智能可以降低产品创新的成本，从而提高现有产品的质量，并允许公司创造新产品（Klette和Kortum，2004a；Hottman等人，2016）。从理论上讲，人工智能可以通过多种方式降低产品创新的成本。首先，由于产品开发涉及具有不确定效益的长时间实验（Braguinsky等人，2021），人工智能算法从大型数据集中快速学习的能力可以减少产品开发中实验的不确定性，并使学习有前途的项目的过程更加高效。例如，在Moderna，人工智能算法在短短65天内开发出第一种新冠肺炎疫苗，这个过程以前需要数年时间。人工智能算法本身可以构成改进的产品（例如，人工智能驱动的交易平台）。此外，人工智能可以通过提高公司了解客户偏好和根据客户偏好定制产品的能力，为扩大产品范围做出贡献（Mihet和Philippon，2019）。从经验上讲，我们发现拥有较大人工智能投资的公司出现产品创新的增加，这反映在更多的产品专利（即专注于产品创新的专利，见Ganglmair等人，2021）和商标（Hsu等人，2021）。

人工智能可以刺激增长的第二个渠道是流程创新，这将降低运营成本并提高现有产品的生产力——例如，通过在某些任务中取代人力（Agrawal等人，2019；Acemoglu和Restrepo，2019）或通过更高效的流程和更好地预测生产流程的投入来提高运营效率（Basu等人，2001；Farboodi和Veldkamp，2021）。从实证上看，我们没有找到对第二个渠道的支持。人工智能投资与每个工人的销售额、总要素生产率或工艺专利（即专注于工艺创新的专利）的变化无关。之前的几项技术表现出与基于任务的自动化模型一致的劳动效应（例如，Acemoglu和Restrepo，2018）。就人工智能而言，公司使用人工智能的详细案例研究揭示了人工智能应用的广度，从经验上讲，劳动力替换效应似乎不是我们分析的主要驱动力。相反，人工智能投资和公司增长之间的关系似乎是由产品创新驱动的，产品创新允许公司通过创造更多产品进行扩张，从而扩大公司规模。人工智能投资可以通过允许公司部署更多资本来生产额外产品来帮助克服产能限制，但这伴随着相应的成本增加。

我们最终的结果说明，人工智能对行业具有动态的潜在影响。我们按初始规模估计了企业人工智能投资和公司集团内公司增长之间的关系，并发现在大型企业中，人工智能投资与公司增长之间的积极关系要强得多，这与人工智能可以通过拥有更多数据的大公司来增加不平等的理论一致，这是人工智能实施的关键投入（Mihet和Philippon，2019；Farboodi等人，2019）。然后，我们测试人工智能推动的公司级增长是否转化为行业级增长。对人工智能投资公司的积极影响可能被行业内竞争对手的负面溢出效应所抵消，甚至占主导地位，Basu等人（2006）表明，如果投入使用减少，技术的使用在总体层面上可能会收缩。尽管如此，我们发现，在人工智能方面投资更多的行业在Compustat公司的样本中经历了销售和就业的总体增长。最后，人工智能投资与行业集中度的提高有关，这与我们的发现一致，即人工智能有利于拥有更多数据的大型公司。这表明人工智能投资可以通过加强赢家最多动态来影响行业动态。

总体而言，我们记录了人工智能与更高的公司增长密切相关，这种增长主要来自公司使用人工智能技术进行产品创新。这种机制反映了人工智能作为预测技术的性质。预测对于公司运营各个方面的决策至关重要（Farboodi和Veldkamp，2022），特别是在产品开发方面（Cockburn等人，2018），这需要实验和学习有前途的项目和客户偏好（Braguinsky等人，2021）。使用人工智能进行更好的预测的能力可以创造新的商业机会。在这种情况下，我们的论文提供了微观证据，并有助于解开“新项目”和投资机会的黑匣子：像人工智能这样的新技术，让公司能够更好、更快地学习，可以通过降低公司的产品开发成本来扩大投资机会前沿。

最近的工作在研究人工智能技术对各种特定环境中公司活动的影响方面取得了进展：

机器人咨询（D'Acunto等人，2019）

金融技术创新（Chen等人，2019）

贷款承销（Jansen等人，2020；Fuster等人，2020）

金融分析师（Grennan和Michaely，2019；Abis和Veldkamp，2023；Cao等人，2021）

创业（Gofman和Jin，2022）。

Acemoglu等人（2022b）使用Burning Glass职位发布数据来研究接触人工智能技术（基于公司的职业结构）对劳动力需求的影响。我们关于公司员工的综合数据和数据驱动方法使我们能够衡量广泛行业的实际人工智能投资，并揭示人工智能如何作为通用技术刺激经济增长（Goldfarb等人，2023）。我们的实证证据支持了这一观点，并提供了额外的见解：人工智能通过增强产品创新来促进增长的机制，这被认为是增长的关键驱动力（例如，Hottman等人，2016；Argente等人，2021）。

重要的是，就人工智能而言，劳动力替代似乎不是驱动公司级影响的主要机制，这与应用于以前技术的基于任务的自动化模型（例如，Acemoglu和Restrepo，2018）不同。相反，我们的结果表明，人工智能的主要用途是产品创新，这是技术采用文献中较少探索的机制。作为一种预测技术（Agrawal等人，2019），人工智能通过使公司能够更好、更快地从大数据中学习来创造新的商业机会。因此，我们的结果支持Cockburn等人（2018），他们认为人工智能技术可以通过更快地积累知识来刺激创新。产品创新渠道还有助于解释Rock（2019）的结果，Rock（2019）显示，谷歌TensorFlow的推出加快了与公司接触人工智能相关的市场估值收益，同时对生产力没有影响。最后，我们的结果与Hirvonen等人（2022）的最新工作一致，他们表明，芬兰采用制造机器人主要通过增加产品创新来促进公司增长。

尽管有关研究一直在努力衡量无形资产（Corrado等人，2016），但大部分方法依赖于公司级别的成本项目，如研发和SG&A（Eisfeldt和Papanikolaou，2013；Peters和Taylor，2017；Crouzet和Eberly，2019；Eisfeldt等人，2020）。我们的方法为技术使用相关的无形资产提供了一种新的衡量标准，这一标准在公司和部门之间具有一致性，并适用于各种形式的无形资产，特别是那些基于人类专业知识的资产。例如，我们不仅能衡量对人工智能的投资，还能衡量对机器人、非AI信息技术和非AI数据分析的投资。

此外，我们的方法为使用文本分析来衡量人力资本和创新等无形资产的日益增多的文献提供了支持。例如，Hoberg和Phillips（2016）通过分析10-K文件的文本来衡量公司产品组合，Kogan等人（2019）利用专利文本构建技术变化指标，Fedyk和Hodson（2023）使用文本分析来衡量公司对技术技能的关注，等等。

最后，我们的研究为关于行业集中和超级明星公司的最新文献作出了贡献（例如，Gutiérrez和Philippon，2017；Covarrubias等人，2019；Grullon等人，2019；Autor等人，2020）。以往文献显示，大型公司更多地采用IT和互联网技术，并从中获益（参考：Forman，2005；Brynjolfsson等人，2008，2023；Bessen，2020）。我们的研究表明，新技术如人工智能对于大型公司也具有规模优势，可能是推动超级明星公司现象的重要因素。这支持了无形资产推动最大公司增长并促使行业集中的假设（例如，Crouzet和Eberly，2019）。特别地，人工智能似乎降低了对大公司而言特别高的产品开发成本（Akcigit和Kerr，2018），使这些公司更容易扩展。同时，我们的证据也与Gutiérrez和Philippon（2019）中提到的超级明星公司缺乏生产力增长的观点一致。

本文深入研究了公司如何投资过去十年最重要的新技术之一——人工智能，并从中受益。

我们使用两个关于人力资本的详细数据集，在公司层面引入了人工智能技术投资的新指标：来自Cognism的简历数据，该数据揭示了每家公司劳动力的实际构成，以及来自Burning Glass Technologies的招聘信息，表明每家公司对特定技能的需求。我们独特的测算方式使我们能够研究各行各业公司人工智能投资的决定因素和经济后果。我们发现，人工智能投资和公司规模之间有一个积极的反馈循环：人工智能投资集中在最大的公司中，随着公司对人工智能的投资，它们会越来越大，获得销售、就业和市场份额。这种由人工智能推动的增长似乎并非源于削减成本；相反，人工智能投资公司通过产品创新和增加产品供应进行扩张。

我们的发现凸显了20世纪80年代和90年代采用人工智能技术（AI）和采用信息技术（IT）之间的重要差异。43之前的许多文献发现，IT投资与经济上生产力大幅增长有关，但在市场份额等公司增长指标上结果喜忧参半。

相比之下，我们观察到人工智能投资公司的增长有所增加，产品创新也有所增加，但（尚未）有证据表明公司水平的生产力更高。我们的结果还显示，大型公司的人工智能应用率更高，人工智能投资收益更大，这与之前关于IT扩散模式的工作形成鲜明对比（Hobijn和Jovanovic，2001）。这些差异凸显了与前几波IT相比的人工智能的独特特征：作为一种预测技术，我们的结果表明，人工智能通过使公司能够更好、更快地从大数据中学习来促进产品创新并创造新的商业机会。人工智能技术的使用和应用在2010年代及以后迅速扩大。我们的结果说明了人工智能应用的早期浪潮，如果存在效率收益，可能会有更多的回电。我们预计人工智能的演变效果将成为未来研究的一个令人兴奋的领域。

我们的发现表明，人工智能的好处在很大程度上取决于谁拥有大数据——人工智能技术的关键输入（Fedyk，2016）。虽然数据是非竞争的（数据可以由任何数量的公司同时使用），但最近的理论研究表明，由于担心创造性的破坏，公司可能会选择囤积他们拥有的数据，导致对非竞争数据的使用效率低下；将数据产权授予消费者可以产生接近最佳的分配（Jones和Tonetti，2020）。最近的实证证据表明，在金融服务中将数据所有权从公司转移到消费者可以激励公司进入，并可能打破大公司的数据优势（Babina等人，2023b）。虽然我们的实证工作并不直接说明数据所有权的最佳性，但我们的结果表明，在公司拥有消费者数据的现状下，人工智能有助于提高行业集中度和最近工作中记录的“超级明星”公司的崛起（Gutiérrez和Philippon，2017；Autor等人，2020）。进一步了解人工智能如何影响生产流程、公司战略和公司组织结构，并评估人工智能技术在公司和工人之间的分布影响，是未来研究的卓有成效的途径。

文章来源：微信公众号“人大金融科技研究所”，2023年12月24日（本文仅代表作者观点）。

本篇编辑：陈智诚