💰 quantitative finance

The Innovation Tax: Generative AI Adoption, Productivity Paradox, and Systemic Risk in the U.S. Banking Sector

Dit artikel onthult dat hoewel de adoptie van generatieve AI in Amerikaanse banken significante positieve netwerkexternaliteiten genereert, het tegelijkertijd een substantiële kortetermijn-"implementatiebelasting" oplegt die de winstgevendheid van kleinere instellingen onevenredig schaadt en nieuwe systeemrisico's creëert door de algoritmische koppeling van financiële besluitvorming.

Oorspronkelijke auteurs: Tatsuru Kikuchi

Gepubliceerd 2026-02-04

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Tatsuru Kikuchi

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je het Amerikaanse banksysteem voor als een enorme estafette met hoge inzet. Decennialang hebben de hardlopers (banken) met elkaar geworsteld om te zien wie het snelst en meest efficiënt geld kan verplaatsen. Nu heeft er een nieuwe technologie op de baan verschijnen: Generatieve AI (zoals de ChatGPT die het internet heeft veranderd).

Dit artikel stelt een simpele vraag: Zorgt het geven van een nieuw, supersnel paar schoenen aan deze hardlopers ervoor dat ze daadwerkelijk sneller winnen, of struikelen ze er alleen maar over terwijl ze proberen te leren hoe ze ze moeten dragen?

De auteur, Tatsuru Kikuchi, heeft gegevens van 809 banken tussen 2018 en 2025 geanalyseerd om het antwoord te vinden. De resultaten zijn verrassend, een beetje eng en vertellen een verhaal van drie hoofdzaken: een "productiviteitsparadox", een "innovatiebelasting" en een "systemische synchronisatie".

Hier is de uitleg in begrijpelijke taal:

1. De "Productiviteitsparadox" (De schijn versus de realiteit)

Het paper vindt een vreemde tegenstrijdigheid, die de auteur een Productiviteitsparadox noemt.

De Schijn (Wie draagt de schoenen?): Wanneer je kijkt naar de banken die al de AI-schoenen dragen, zien ze eruit als de beste hardlopers. Het zijn de "frontier"-banken — groot, goed beheerd en rijk aan technologie. Omdat ze al de beste zijn, waren zij de eersten die de nieuwe AI-tools kochten. Dus als je slechts een momentopname maakt, lijkt het also wordt AI banken rijker maakt.
De Realiteit (Wat gebeurt er als je ze aantrekt?): Maar wanneer het paper kijkt naar de daad van het aantrekken van de schoenen, verandert het verhaal. Op het moment dat een bank besluit deze AI te adopteren, daalt de winst van die bank aanzienlijk.
- De Analogie: Stel je een professionele hardloper voor die een peperduur paar high-tech schoenen koopt. Voordat hij de schoenen kocht, won hij races. De dag dat hij ze koopt, moet hij al zijn geld uitgeven aan de schoenen, moet hij wekenlang leren hoe hij de veters moet strikken, en zijn loopvorm wordt rommelig terwijl hij zich aanpast. Zijn tijden worden tijdelijk slechter.
- Het Resultaat: De studie vond dat banken die AI adopteerden, een daling zagen in hun Return on Equity (een maatstaf voor winst) van ongeveer 428 basispunten (dat is een enorm deel van hun winst), puur om de opstartkosten te betalen, datawetenschappers in te huren en de benodigde computerkracht aan te schaffen.

2. De "Innovatiebelasting" (Waarom kleine banken meer lijden)

Het paper noemt deze daling in winst de "Innovatiebelasting". Het is de prijs die je betaalt om klaar te zijn voor de toekomst.

Groot versus Klein: Deze belasting treft iedereen, maar het raakt de kleintjes veel harder.
- Grote banken: Zij hebben diepe zakken. Ze kunnen de kosten van de nieuwe AI spreiden over hun enorme hoeveelheid activa. Het is alsof een grote onderneming een vloot vrachtwagens koopt; de kosten per vrachtwagen zijn laag.
- Kleine banken: Voor een kleine lokale bank is het kopen van dezelfde AI-technologie als het kopen van een privévliegtuig voor een gezin. Het vreet een enorm percentage van hun budget op.
- Het Resultaat: Kleine banken zagen hun winst dalen met 517 basispunten, terwijl grote banken slechts met 129 basispunten daalden. Dit suggereert dat de AI-revolutie een "twee-lagen-systeem" kan creëren waarbij grote banken sterker worden en kleine banken moeite hebben om bij te blijven, wat potentieel kan leiden tot een banksysteem dat gedomineerd wordt door slechts enkele giganten.

3. De "Algoritmische Koppeling" (Het gevaar van iedereen die dezelfde race loopt)

Dit is de meest kritieke bevinding voor de veiligheid van het hele systeem.

Het Goede Nieuws: Wanneer één bank uitvindt hoe ze AI goed kunnen gebruiken, helupt dat hun buren ook. Het is alsof één hardloper uitvindt hoe hij zijn schoenen het beste kan strikken en die tip deelt met het hele team. De studie vond dat wanneer grote banken AI adopteren, dit de productiviteit van andere verbonden banken een boost geeft.
Het Slechte Nieuws (Systemisch Risico): Het probleem is dat iedereen nu dezelfde schoenen gebruikt, dezelfde veters en hetzelfde hardloopadvies. Het paper noemt dit "Algoritmische Koppeling".
- De Analogie: Stel je voor dat elke hardloper ter wereld voortaan exact hetzelfde merk schoenen gebruikt dat door één bedrijf is gemaakt. Als dat bedrijf een fout maakt in het ontwerp, of als de schoenen een verborgen defect hebben, dan struikelt elke hardloper op exact hetzelfde moment.
- Het Risico: Omdat de grootste banken zo verbonden en gesynchroniseerd zijn in hun gebruik van AI, kan een technische storing in één AI-model (zoals een bug in de code of een slechte dataset) een kettingreactie veroorzaken. In plaats van dat één bank failliet gaat, kan het hele systeem tegelijkertijd struikelen. De studie vond dat voor de grootste banken dit "synchronisatie"-effect enorm is.

Samenvatting: Wat betekent dit?

Het paper concludeert dat we ons momenteel in de "Vallei van de J-curve" bevinden.

De J-curve: Wanneer je met een nieuwe technologie begint, ga je eerst omlaag (winsten dalen door kosten) voordat je omhoog gaat (winsten stijgen door efficiëntie).
De Huidige Staat: We bevinden ons op de bodem van de "V". Banken betalen een zware prijs om de technologie werkend te krijgen.
De Toekomst: De grote banken zullen deze dip waarschijnlijk overleven en uiteindelijk de vruchten plukken van de efficiëntie. De kleine banken worstelen onder het gewicht van de kosten. En het hele systeem is nu kwetsbaarder geworden omdat als de "AI-motor" hapert, het gehele banknetwerk in één klap kan stilvallen.

Kortom: AI is een krachtig hulpmiddel dat banken op de lange termijn waarschijnlijk beter zal maken, maar erheen komen is duur, het raakt de kleine spelers het hardst, en het heeft de grote spelers zo nauw met elkaar verbonden dat als er één struikelt, ze allemaal vallen.

Technische Samenvatting: De Innovatiebelasting: Adoptie van Generatieve AI, de Productiviteitsparadox en Systemisch Risico in de Amerikaanse Bankensector

Probleemstelling
Dit artikel onderzoekt de causale impact van de adoptie van Generatieve Kunstmatige Intelligentie (GenAI) op de productiviteit en het systemische risico binnen de Amerikaanse bankensector. Het adresseert een centrale spanning in de literatuur: de "productiviteitsparadox", waarbij technologisch potentieel vaak niet onmiddellijk vertaalt naar gemeten productiviteitswinsten (Solow, 1987). Specifiek onderzoekt de studie of de opkomst van Large Language Models (LLM's) na de release van ChatGPT in november 2022 deze paradox heeft opgelost of nieuwe complexiteiten heeft geïntroduceerd. Verder wordt onderzocht of de adoptie van vergelijkbare AI-architecturen bij verschillende financiële instellingen een nieuw kanaal voor systemisch risico creëert, aangeduid als "algoritmische koppeling", die verschilt van traditionele krediet- en liquiditeitsverbanden.

Methodologie
De studie maakt gebruik van een nieuwe kwartaal-paneldataset (2018–2025) die 809 Amerikaanse bankhoudende vennootschappen koppelt via hun SEC 10-Q-documenten aan Federal Reserve-regulatiedata (FR Y-9C en FFIEC Call Reports). GenAI-adoptie wordt geïdentificeerd door middel van tekstuele analyse van SEC-documenten, waarbij gezocht wordt naar specifieke trefwoorden (bijv. "generative AI", "LLM", "GPT-4").

Om endogeniteit en identificatieproblemen aan te pakken, hanteren de auteurs twee complementaire econometrische strategieën:

Dynamic Spatial Durbin Model (DSDM): Gebruikt om netwerkspillovers en dwarsdoorsneden tussen variabelen te kwantificeren. Het model incorporeert temporele dynamiek en ruimtelijke interdependentie, gedefinieerd door twee gewichtsmatrices:
- Netwerkgewichtsmatrix ( $W_{network}$ ): Gebaseerd op activassimilariteit om competitieve relaties te vangen.
- Geografische Gewichtsmatrix ( $W_{geo}$ ): Gebaseerd op de nabijheid van hoofdkantoren om lokale arbeid en vendor-ecosysteemeffecten te vangen.
  Het model schat het directe effect van eigen adoptie ( $\beta$ ) en het spillover-effect van adoptie door peers ( $\theta$ ). De schatting vindt plaats via Maximum Likelihood (MLE), Quasi-MLE en Bayesiaanse MCMC.
Synthetic Difference-in-Differences (SDID): Gebruikt om causale inferentie vast te stellen met betrekking tot de "Implementatiebelasting". Deze benadering maakt gebruik van de release van ChatGPT in november 2022 als een exogene schok. SDID construeert een synthetische counterfactual voor behandelde banken (die in 2023Q1 of later over GenAI melden) door controlegroepen te herwegen zodat zij de pre-behandelings-trajecten matchen. Deze methode verlicht de strikte parallelle trends-aanname van standaard DiD en gaat om met gestaffelde adoptie.

Belangrijkste Bijdragen

Resolutie van de Productiviteitsparadox in GenAI: Het artikel documenteert een duale realiteit: AI-adoptanten zijn "frontier"-bedrijven met een hogere baseline-productiviteit (selectie-effect), maar de daad van adoptie veroorzaakt een kortstondige daling in productiviteit (behandelings-effect).
Kwantificering van de "Innovatiebelasting": Het levert de eerste causale schattingen van de onmiddellijke financiële kosten van GenAI-integratie, waarbij wordt aangetoond dat er een significante, tijdelijke druk op de rendementen staat.
Concept van "Algoritmische Koppeling": De studie introduceert een theoretisch en empirisch kader voor hoe gedeelde AI-architecturen de besluitvormingsprocessen bij banken synchroniseren, wat een nieuw kanaal voor systemische besmetting creëert dat onafhankelijk is van balansblootstellingen.
Methodologische Integratie: Het demonstreert het nut van het combineren van DSDM (voor netwerkspillovers) en SDID (voor causale behandelings-effecten) om selectiebias te onderscheiden van causale impacts in studies naar technologische adoptie.

Empirische Resultaten

De Productiviteitsparadox en de Innovatiebelasting:
- DSDM-resultaten: Tonen een positief direct effect ( $\beta > 0$ ) aan, wat aangeeft dat banken die GenAI adopteren al hoogpresterend zijn (bijv. ROE-coëfficiënt $\approx 0,42$ ).
- SDID-resultaten: Onthullen een negatief causaal effect (ATT < 0). Adoptie veroorzaakt een daling van 428 basispunten in de Return on Equity (ROE) en een daling van 46 basispunten in de Return on Assets (ROA). Deze daling wordt toegeschreven aan de "Innovatiebelasting"—enorme huidige uitgaven voor GPU's, data scientists en infrastructuur die het netto-inkomen tijdens de implementatiefase drukken.
- J-curve Dynamiek: Een event study-analyse bevestigt een J-curve patroon, waarbij de productiviteit daalt in de kwartalen voorafgaand aan de adoptie en in de onmiddellijke post-adoptieperiode, alvorens een potentieel herstel in te zetten.
Grootte-heterogeniteit (De Digitale Kloof):
- De Implementatiebelasting wordt onevenredig zwaar gedragen door kleinere instellingen. Banken in de onderste 75% naar activa ervaren een daling van de ROE van 517 basispunten, vergeleken met een daling van 129 basispunten voor de bovenste 25% (grote banken).
- Dit suggereert aanzienlijke schaalvoordelen bij de implementatie van AI, waarbij grote banken de vaste kosten kunnen spreiden en superieure datainfrastructuur kunnen benutten, terwijl kleinere banken proportioneel zwaardere lasten dragen.
Netwerkspillovers en Systemisch Risico:
- Positieve Spillovers: De DSDM-schattingen tonen significante positieve spillover-coëfficiënten ( $\theta$ ) aan. Voor de volledige steekproef is $\theta = 0,161$ voor ROA en $\theta = 0,679$ voor ROE. Dit geeft aan dat kennisdiffusie (via talentmobiliteit, vendor-ecosystemen en gestandaardiseerde API's) de "business-stealing" effecten domineert.
- Algoritmische Koppeling: Spillovers worden drastisch versterkt onder grote banken, met $\theta = 3,13$ voor ROE. Dit suggereert dat de "systemische kern" van de bankensector sterk gesynchroniseerd raakt.
- Risico-implicatie: Deze synchronisatie creëert een kwetsbaarheid waarbij een technisch falen in een breed toegepast AI-model of een vendor een gecorreleerde schok over het gehele netwerk kan triggeren, een mechanisme dat fundamenteel verschilt van traditionele financiële besmetting.

Betekenis en Claims
Het artikel claimt de eerste uitgebreide empirische analyse te bieden van de GenAI-adoptie in de bankensector, waarbij het de literatuur over de productiviteitsparadox, banktechnologie en financiële netwerken overbrugt.

Theoretische Betekenis: Het lost de schijnbare tegenstrijdigheid tussen hoogpresterende adoptanten en de negatieve causale impact van adoptie op door onderscheid te maken tussen selectie (frontier-bedrijven adopteren als eerste) en behandeling (adoptie brengt onmiddellijke kosten met zich mee). Dit sluit aan bij de "Innovatie J-curve" hypothese, die suggereert dat de bankensector zich momenteel in de investeringsfase van een algemene technologie bevindt.
Beleidssignificantie: De bevindingen suggereren dat het Amerikaanse banksysteem "algoritmisch gekoppeld" wordt. De auteurs stellen dat deze nieuwe vorm van interdependentie een update van de regelgevende kaders vereist. Specifiek suggereren zij dat stresstests scenario's van gecoördineerde AI-systeemfalen moeten bevatten en dat macroprudentieel beleid gericht moet zijn op het systemische risico dat door "too connected to fail" AI-architecturen wordt gepresenteerd.
Concurrentieveld: De resultaten wijzen op een opkomend tweeledig systeem waarbij schaalvoordelen grote banken in staat stellen om implementatiekosten efficiënter te absorberen, wat mogelijk kan leiden tot een grotere marktconcentratie en barrières voor kleinere instellingen.

Het artikel concludeert dat hoewel de adoptie van GenAI banken positioneert voor toekomstige dominantie, de onmiddellijke transitie gepaard gaat met aanzienlijke productiviteitsverliezen en de creatie van nieuwe, gesynchroniseerde systemische risico's die nauwlettende monitoring vereisen van zowel toezichthouders als marktpartijen.

1. De "Productiviteitsparadox" (De schijn versus de realiteit)

2. De "Innovatiebelasting" (Waarom kleine banken meer lijden)

3. De "Algoritmische Koppeling" (Het gevaar van iedereen die dezelfde race loopt)

Samenvatting: Wat betekent dit?

Meer zoals dit