在过去十年，人工智能技术获得了实质性的发展，并且实现了广泛的商业应用。作为一种预测技术，人工智能使企业能够更好、更快地从大量数据中学习，并有可能显著改善业务决策。因此，人工智能可以成为一种通用技术，通过提高各个领域的生产力和产品创新来促进增长。然而，人工智能是否能够实现经济增长仍然是一个悬而未决的问题。

其中一个重要原因是，目前我们仍然缺乏关于企业层面上人工智能投资的全面数据。这一缺陷成为了理解人工智能技术的采用模式及其经济影响的一个关键挑战。为此，这篇论文对企业层面的人工智能投资的度量提供了一种新方法，通过对企业员工简历技能的分析，识别员工是否有AI技能，而后计算企业层面有AI技能员工的比例作为企业层面AI投资测度的指标。

基于构造的AI测度，该文发现：（1）人工智能投资能够显著促进企业的销售、就业和市场估值。（2）人工智能投资的作用渠道是促进产品创新，而非工艺创新或降低运营成本。这一结果明显区别于早期的劳动力替代的观点，并且支持了AI技术可以通过快速积累知识而刺激创新的观点。（3）在行业层面，人工智能投资促进了销售和就业，并且使得行业集中程度更高，这个结果与Brynjolfsson et al.（2023）的IT技术催生了“明星企业”并且促使行业更加集中的结果相似。

该文的核心数据来自于美国的Cognism和Burning Glass Technologies。Cognism从各种来源整合简历，截至2018年，它覆盖了美国全部劳动力的64%，并提供了各行业细分。对于个人的就业记录，可以清楚地看到开始日期、结束日期、职位名称、公司名称和职位描述。Burning Glass Technologies数据则包含每个职位发布的详细信息，包括职位名称、工作地点、职业技能和雇主名称，随后与2010-2018年美国上市公司的数据进行匹配得到最终数据集。

在变量层面，该文创新之一是构造了企业层面的AI投资指标，由于传统的结构性数据难以构造出AI投资指标，本文通过员工简历以及招聘广告中披露的技能信息构造企业层面的AI投资指标。具体计算过程为：（1）识别AI相关的技能；（2）识别员工是否具有AI相关技能；（3）将员工的数据聚合到企业层面。

（1）识别AI相关技能。从Burning Glass的招聘信息中识别技能s与AI的相关程度，即技能s与其他典型的AI技术同时出现的招聘信息数量与含有技能s的招聘信息的比例。这个比例越大，则代表技能s与AI相关性越高，相关性大于0.1则认为是AI相关技术。

基准回归使用长差分模型，回归方程为：

因变量是2018年与2010年企业变量的差值，自变量是AI投资的差值。本文使用三个指标来度量企业增长，分别是收入的增长量、员工的增长量和市场价值的增长量，在三个指标中，AI投资增长的系数都显著为正，即AI显著促进了企业增长。

本文考虑两个机制，分别是AI投资促进了产品创新和AI投资促进了工艺创新与降低运营成本。首先考虑第一个机制，本文使用三种方式度量产品创新，分别是商标的增加数量、产品专利的增加数量以及产品结构变化。尽管AI投资并未显著改变产品结构，但是显著提高了商标数量和产品专利，因此AI投资促进了产品创新。

第二个机制是AI投资促进了工艺创新并降低了运营成本，本文使用销售成本和运营费用的变化量代理运营成本，使用人均销售收入、收入TFP以及工艺专利变化量度量工艺创新。结果表明AI投资显著降低了企业的运营成本，但是并未促进工艺创新。

为了展示AI投资的总效应，该文进一步考察行业层面的结果，分别考察AI投资对于行业总量和行业集中度的影响，代理变量为销售收入、员工数量、HHI和大公司市场份额。结果表明AI提高了行业销售以及行业就业，并且促使行业集中。

限于企业层面的AI投资难以度量，关于AI投资经验研究往往难以进行。因此，此篇论文创造性地使用员工简历数据构造了企业层面的AI投资数据，以此检验了AI投资与企业增长之间的关系。

该文在机制分析上也有所创新：更多关注AI对产品创新的推动作用而非关注人工智能对企业劳动力的替代。这种机制反映了人工智能作为一种“预测技术”的本质。预测对于公司在运营的各个方面做出决策至关重要，特别是在产品研发上，这需要公司充分了解项目前景与客户偏好，人工智能可以凭借其强大预测与整合能力帮助企业更好地决策。

综上，该文结果表明：AI投资能够显著促进企业增长，这种效应主要是通过产品创新实现，而非工艺创新。产品创新允许企业通过创造更多产品来扩张，从而扩大企业规模。在行业层面，AI投资促进了行业销售和就业的增长，也提高了行业集中度，即当前的人工智能更倾向于拥有更多数据的大公司。

推文作者：杨登宇 中国人民大学2023级企业经济学博士研究生

邮箱：rucyang2020@163.com