AI 如何驱动企业增长？来自人力资本视角的深度研究（学术论文研读）

在 AI 技术浪潮风起云涌的时代，人工智能（AI）已成为企业竞争的关键变量。然而，AI 究竟如何影响企业发展？其价值实现是否依赖特定路径？

发表于《金融经济学杂志》（Journal of Financial Economics）2024 年刊的一篇研究论文，通过独特的人力资本视角，为我们揭开了 AI 与企业增长之间的深层关联。该研究由哥伦比亚大学、加州大学伯克利分校等机构的学者共同完成，基于海量简历数据与职位发布信息，构建了全新的企业 AI 投资衡量指标，其结论对企业管理者制定 AI 战略具有重要的实践指导意义。

1. 核心洞见：重新理解 AI 驱动增长的底层逻辑

传统认知中，技术对企业的价值往往等同于“效率提升”或“成本削减”，但这项研究通过实证数据颠覆了这一观点，提出三个关键洞见：

1. 增长核心是产品创新，而非成本控制：AI 对企业增长的贡献中，80% 以上来自产品创新（如新产品研发、现有产品升级），仅有不到 20% 与运营效率相关。研究显示，AI 投资企业的产品专利数量增长 23%，而“人均销售额”“运营成本率”等效率指标无显著变化。

2. 人力资本是 AI 落地的关键载体：企业 AI 投资的本质是“AI 人才投资”—— 研究构建的 AI 衡量指标（基于员工简历与岗位需求数据）显示，AI 岗位占比每提升 1 个标准差，企业市值增长 22.3%，且这一效应在控制其他变量后依然稳健。

3. 大企业更易捕获 AI 红利：初始规模越大的企业，AI 投资带来的增长幅度越大，头部企业的 AI 增长效应是中小企业的 4-5 倍，核心原因在于大企业拥有更多“数据资产”—— AI 模型训练的关键输入。

2. 研究背景

1. AI 的重要性与经济增长的悖论

研究指出，技术变革是经济增长的关键驱动力，而过去十年人工智能（AI）作为一项新兴技术，其发展和商业应用都非常迅猛。理论上，AI 作为一种“通用目的技术”，有潜力通过提升生产率和促进产品创新来推动各行各业的增长。

然而，现实是过去十年的宏观经济数据显示生产率增长乏力，这让人们怀疑 AI 的实际效益是否被夸大，或者需要更长时间才能显现。

2. 核心研究障碍：缺乏衡量企业 AI 投资的有效数据

当前，学术界和业界想要理解 AI 的真实经济影响，面临的最大挑战是“缺乏全面的、企业层面的 AI 投资数据”。传统衡量企业 AI 投资的方法依赖企业财报中模糊的研发支出数据，且局限于特定行业的案例分析，这些方法存在明显局限：

• 依赖企业财报中的“研发支出”数据，但研发支出包含非 AI 投入（如传统技术研发），无法单独剥离 AI 的贡献；

• 聚焦特定行业（如科技、金融）或特定 AI 应用（如机器人、算法推荐），难以反映 AI 在不同行业的通用性；

• 采用“是否使用 AI”的二元指标（如 “是 / 否引入 AI 工具”），无法量化 AI 投资的强度与深度。

没有可靠的数据，就无法系统性地分析企业的 AI 投资及其对企业发展的实际影响。

3. 突破研究障碍的创新视角：从人力资本切入

为了破解这一数据困境，该研究引入了人力资本视角（human capital perspective）。人力资本视角是一种将员工作为企业核心资产和关键投入来看待的分析方法，尤其适用于衡量那些难以通过传统财务数据量化的无形资产。

研究者认为，AI 技术高度依赖人类的专业知识，因此使用企业拥有的“AI 技能人力资本”来衡量其 AI 投资水平是一种特别合适的方法。他们创造性地结合了两个独特的、大规模的数据集来实现这一目标：

• Cognism 简历数据：覆盖全球 5.35 亿份个人简历，包含岗位名称、工作描述、技能关键词等信息，可识别企业“现有 AI 人才存量”（如员工是否从事机器学习、计算机视觉相关工作）；

• Burning Glass 岗位数据：涵盖美国 1.8 亿条职位需求，通过技能共现算法（如“TensorFlow”与“机器学习”的共现频率）识别企业“AI 人才需求增量”。

通过分析这两个数据库中与 AI 相关的技能（如机器学习、深度学习、计算机视觉等），研究人员得以精准地量化每家公司在任意时间点的 AI 人力资本水平。

这种方法绕开了模糊的财务报告，直击 AI 能力的核心——掌握 AI 相关技能的人。通过这种基于人力资本视角的创新方法，该研究得以构建一个可靠的企业级 AI 投资衡量指标，从而为系统性地研究 AI 的经济影响奠定了基础。

3. 研究问题与研究方法

为了系统地回答 AI 如何驱动企业增长的问题，研究者提出了以下几个具体问题：

1. AI 投资与企业增长的关系：投资 AI 是否与企业更高的销售额、就业和市值增长相关？

2. 增长的内在机制：如果 AI 促进了增长，其主要驱动渠道是什么？是通过“产品创新”，还是通过“流程创新和成本削减”？

3. 增长的分布特征：由 AI 驱动的增长是否在不同类型的企业中存在差异，例如，是否更集中于大型企业？如果有差异，那这种差异是否会影响行业格局？

破解问题一：AI 投资与企业增长的关系

第一步：构建指标

基于 Cognism 简历和 Burning Glass 岗位数据形成的“人力资本数据集”，构建一种新的企业 AI 投资衡量指标。

研究者使用海量招聘信息数据，从“技能”和“职位”两个层面衡量 AI 关联度，之后，基于员工职位描述、工作期间出版物、专利和 AI 关联度等信息，从员工层面衡量 AI 关联度。

通过对企业内所有员工进行这样的分析和分类，研究者最终可以计算出在任何一个时间点，该公司拥有的 AI 人力资本的总量或比例，从而实现对企业 AI 投资的量化评估。

第二步：全面分析、严谨推论

研究采用长期差分回归作为主要分析策略，使用 2010 年至 2018 年间，企业 AI 人才比例的变化数据，并与其同期销售额、就业和市值等指标的变化进行回归分析。

这种方法尤其适用于分析技术变革的过程，并能有效控制那些不随时间变化的公司固有特征（如企业文化）所带来的干扰。为进一步验证二者之间存在因果关系，而非仅仅是相关性，研究采用了更为严谨的检验方法。

• 首先，通过领先滞后模型进行动态分析，检验结果显示，企业在增加 AI 投资之前并未表现出异常的增长趋势，从而排除了“高增长企业更倾向于投资 AI”这种反向因果的可能性。

• 其次，研究采用了工具变量法，以解决可能存在的“遗漏变量”问题。研究者构建了一个新颖的工具变量——即企业在 AI 热潮兴起前与那些“历史上 AI 研究实力雄厚的大学”之间的招聘联系强度。其逻辑在于，这种历史联系使得企业能更便利地获得 AI 人才供给，从而外在地推动了企业的 AI 投资，这使得研究可以更纯粹地分离出 AI 投资对企业增长的因果效应。

破解问题二：AI 投资促进企业增长的内在机制

理论上，AI 可以通过两条路径促进企业发展：

• 流程创新（process innovation）：通过自动化替代人力、优化运营流程来降低成本、提升生产效率。这是过去许多技术（如工业机器人）影响经济的主要方式。

• 产品创新（product innovation）：通过降低新产品开发成本、提升现有产品质量、或创造全新的产品与服务来开拓市场、增加收入。

研究采用了对比验证的方法，分别对两种路径进行了检验：

检验“流程创新”渠道的方法

为了验证 AI 是否通过降低成本和提升效率来驱动增长，研究者检验了以下几个关键指标：

• 运营成本：研究者直接分析了 AI 投资增长与企业“销售成本”和“运营费用”变化的关系。结果发现成本与销售额同步增长，并未出现成本削减的迹象。

• 生产率指标：研究考察了两个核心的生产率指标：一是“人均销售额”，即劳动生产率；二是“全要素生产率”。结果显示，AI 投资的增长与这两个生产率指标之间没有显著的关联。

• 流程专利（process patents）数量：与产品专利相对应，流程专利直接反映了企业在生产和运营流程上的创新活动。研究发现，AI 投资的增长与流程专利的数量之间存在“零关系”。

检验“产品创新”渠道的方法

研究者使用了三个指标来量化和衡量企业的产品创新活动，并分析它们与企业 AI 人才密度增长的关系。

• 商标（trademarks）数量：商标通常在企业准备将新产品或服务商业化时进行注册，是产品创新的一大体现。因此，研究者检验了 AI 投资增长与企业申请商标数量的变化是否存在正相关关系，以此衡量新产品的产生速度。

• 产品专利（product patents）数量：研究者区分了产品专利和流程专利，专门分析了那些与产品功能和设计直接相关的“产品专利”数量的变化。这不仅反映了新产品的创造，也反映了对现有产品的改进。

• 产品组合变化（changes in product mix）：研究者借鉴了 Hoberg et al. (2014) 的方法，通过文本分析企业年度报告中对产品描述的变化，来衡量企业产品线的更新迭代速度。

破解问题三：AI 驱动增长的分布特征，以及对行业格局的影响

为了研究 AI 驱动的增长是否在不同规模的企业中存在差异，以及企业层面的增长是否会转化成行业层面的增长，研究者采用了以下两种研究方法：

按企业规模进行分组回归分析

研究者将样本中的公司按照其在 2010 年的初始规模（以员工作为衡量标准）分为三个等级（小型、中型、大型），对这三个不同规模的企业组分别进行了长期差分回归分析，比较不同规模的企业中，AI 投资对增长的影响系数差异。

通过这种分组比较，可以直接观察到 AI 投资带来的增长效应是否随企业规模的增大而增强。研究发现，这种关系是单调递增的，即企业初始规模越大，AI 投资带来的增长效应越强。

行业层面集中度分析

研究者将分析单位从单个公司提升到整个行业层面，考察行业整体的 AI 投资水平与行业结构变化之间的关系。为了衡量行业集中度，研究采用了两个标准的经济学指标：赫芬达尔-赫希曼指数 (Herfindahl-Hirschman Index, HHI) 及行业内最大公司的市场份额。

研究者通过回归分析，检验了行业层面的 AI 投资增长是否与同期的行业集中度指标（HHI 或头部企业市场份额）的提升相关联。结果显示，AI 投资越多的行业，其集中度也越高。

4. 研究发现

通过上述方法，研究构建了“AI 投资——企业增长”的完整分析框架，并提炼出三个核心发现：

发现一：AI 投资与企业增长的量化关系
在控制行业、企业初始特征等变量后，研究得出明确的量化结论：企业 AI 岗位占比每增加 1 个标准差（约 0.62%），对应：

• 销售额增长 19.5%（回归系数为 0.195，在 1% 的水平上显著）

• 就业人数增长 18.1%（回归系数为 0.181，在 5% 的水平上显著）

• 市值增长 22.3%（回归系数为 0.223，在 5% 的水平上显著）

更重要的是，这一效应在制造业、金融业、零售业等行业均成立。

发现二：增长的核心路径——产品创新
研究发现，AI 对企业增长的贡献主要来自产品创新，而非流程创新和成本削减：

• 关于产品创新的直接证据：企业 AI 员工每增加 1 个标准差，商标数量增长 13.4%（回归系数为0.134，在 5% 的水平上显著）、产品专利数量增长 23.9%（回归系数为0.239，在1%的水平上显著）。例如，Moderna 利用 AI 加速 mRNA 疫苗研发，将传统需要数年的流程缩短至 65 天；卡特彼勒通过 AI 优化机械设计，推出更安全、灵活的“智能机械”产品线。

• 成本与效率的关联无显著变化：AI 投资与“人均销售额”、“全要素生产率”等效率指标无显著关联，也未增加企业的流程专利。这意味着，AI 目前并未大规模替代现有劳动力或降低运营成本。

为何 AI 驱动增长的机制会聚焦于产品创新渠道？研究从“预测技术”的本质给出解释：AI 的核心价值在于处理海量数据、降低不确定性，在产品研发中，这种能力可以帮助企业更快地试验新产品（如通过 AI 模拟消费者反馈）、更精准地匹配客户需求（如通过用户行为数据定制产品），从而降低产品创新的成本与风险。

发现三：AI 增长效应的“规模差异”和“行业集中”现象

1. 增长红利向大型企业倾斜

研究发现，AI 投资带来的增长并非均匀分布，而是显著地向初始规模更大的公司倾斜。研究将公司按初始规模分为三组后发现，AI 投资与企业增长之间的正向关系在大型企业中要强得多。大型企业：AI 投资带来的销售额增长为 25.6%；中型企业：增长为 12.3%；小型企业：增长仅为 5.1%。

研究指出，出现这种大企业优势现象的核心原因在于“数据优势”：大型企业在长期运营中积累了更多的用户数据、生产数据、供应链数据，而这些数据是 AI 模型训练的关键输入。例如，大型药企拥有海量临床试验数据，能更快通过 AI 筛选有效药物分子；大型零售商基于多年销售数据，能更精准地预测流行趋势。

2. 行业集中度提升
研究表明，企业层面的不均衡增长最终导致了行业整体格局的变化，即行业集中度的提升。研究通过行业层面的分析发现，在控制了其他因素后，一个行业在 AI 领域的投资越多，该行业的赫芬达尔-赫希曼指数（HHI，衡量市场集中度的常用指标）也越高。一个标准差的行业 AI 投资增长，对应着 HHI 指数提升 0.018 个百分点。

5. 对企业领导者的启示：从“技术采购”转向“能力建设”

这篇严谨的学术研究，为身处 AI 时代的商业领袖们提供了三个至关重要的战略启示：

1. 重新定义 AI 战略的终极目标。企业的 AI 战略重心，应从单纯追求内部流程的自动化和效率提升，转向利用 AI 创造新的客户价值和开辟新的增长曲线。领导者需要思考的根本问题是：AI 如何帮助我们创造出客户愿意为之付费的新产品、新服务或新体验？

2. 将人力资本置于 AI 战略的核心。研究清晰地表明，AI 的成功应用依赖于拥有相关技能的人才。企业竞争的本质，是对 AI 人才的争夺。但这不仅仅是指少数顶尖的数据科学家，更包括全体员工。如果 AI 的价值在于赋能创新，那么组织中的每一个人都需要理解 AI 能做什么、不能做什么，以及如何更好地使用 AI 进行工作。

3. 拥抱“AI 增强人”而非“AI 取代人”的理念。研究结果是对“AI 威胁论”的有力回应。AI 并没有导致大规模的失业，反而伴随着企业员工总数的增长。成功的企业并非用 AI 来削减人力成本，而是用 AI 来放大人的创造力，让员工从重复性工作中解放出来，专注于更具战略性和创新性的任务。

使用 AI 的目的不是要取代人，而是要增强人，成为增强人类智慧和创造力的强大工具。企业的未来，不取决于拥有多少 AI 工具，而在于有多少能够高效使用这些工具的人。因此，提升整个组织的“AI 素养”，便成为企业在 AI 时代保持竞争力的关键所在。这不再是 IT 部门或少数技术专家的事，而是关乎每一位员工、每一位管理者的核心能力。通过系统化的学习和实践，让员工掌握高效、高质量使用 AI 进行创新的能力，企业才能真正抓住 AI 带来的增长机遇，而不是在技术变革的浪潮中被淘汰。

UMU ALT 团队由来自清华大学、北京大学、中国人民大学、康奈尔大学、佛罗里达大学等全球知名高校的博士组成，专注于深入解析 AI 与组织、管理、人力资源等领域的交叉研究。我们系统梳理大量相关学术论文，提炼其中的研究方法与核心洞见，并将其转化为企业可实际应用的知识资源。欢迎关注 AI 力论文研究合集。同时，我们结合学术成果、行业领袖建议及最佳实践访谈，推出了📖《发展大模型时代的 AI 力》在线系列课程。该课程旨在帮助企业全面理解 AI 技术演进对组织架构、管理模式及员工能力所带来的深远影响，助力组织构建面向未来的 AI 竞争力。欢迎点击文末“阅读原文”，深入了解课程内容，或📖 联系 UMU 专属顾问，开启您的 AI 转型之旅。

参考文献：

Babina, T., Fedyk, A., He, A., & Hodson, J. (2024). Artificial intelligence, firm growth, and product innovation.ournal of Financial Economics, 151，103745.