📈 economics

AI Premium

Met behulp van een enorme propriëtaire dataset van 380 biljoen AI-tokens identificeert dit artikel een significante en heterogene "AI-premie" waarbij bedrijven met een hoge blootstelling aan geavanceerde, gesloten AI-modellen en interactieve werkvaardigheden substantiële daaropvolgende aandelenrendementen behalen, terwijl dergelijke premies afwezig zijn in opkomende markten en bij het gebruik van open-weight of informele AI.

Oorspronkelijke auteurs: Nicola Borri, Yukun Liu, Aleh Tsyvinski

Gepubliceerd 2026-06-30

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Nicola Borri, Yukun Liu, Aleh Tsyvinski

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 de wereldeconomie voor als een enorme, bruisende stad. Jarenlang hebben mensen gegokt welke wijken een boom zouden ervaren en welke zouden vervagen met de komst van een nieuwe technologie. Dit paper, geschreven door drie economen, besluit te stoppen met gokken en te beginnen met meten. Ze bouwden een gigantische, high-definition microscoop om precies te kijken hoeveel "AI-brandstof" (genaamd tokens) er in realtime wordt verbruikt, en controleerden vervolgens hoe de aandelenmarkt op die brandstof reageerde.

Hier is het verhaal van hun bevindingen, onderverdeeld in eenvoudige concepten.

1. De "AI-brandstof"-meter

De auteurs gebruikten een unieke dataset genaamd OpenRouter. Denk aan OpenRouter als een gigantisch tankstation dat brandstof verkoopt aan honderden verschillende AI-motoren (zoals GPT, Claude, Llama, etc.) tegelijkertijd.

De Data: Ze volgden 380 biljoen "tokens" (de basisunits van AI-werkzaamheden) die gedurende twee jaar werden gebruikt.
De Schaal: Dit is niet slechts een kleine steekproef; het beslaat ongeveer 2% van het totale wereldwijde AI-gebruik. Het is alsoam met een camera hebben op elke auto in een grote stad, niet slechts op een paar.
De "AI-factor": Ze veranderden deze enorme hoeveelheid data in een enkele "snelheidsmeter" genaamd de AI-factor. Deze meter meet hoe snel het AI-gebruik groeit in termen van volume (tokens), gelduitgaven en het aantal mensen dat het gebruikt.

2. De "AI-premie": Wie wordt beloond?

De kernontdekking is dat de aandelenmarkt is begonnen met het incalculeren van een speciale beloning voor bedrijven die nauw verbonden zijn met deze AI-brandstof. Ze noemen dit de AI-premie.

De Analogie: Stel je voor dat er een nieuwe, superefficiënte elektrische motor wordt uitgevonden. Sommige automerken bouwen al auto's met deze motoren; anderen zitten nog vast aan oude benzinemotoren. De aandelenmarkt realiseert zich dat de bedrijven die de nieuwe motoren bouwen een risico nemen (wat als de nieuwe technologie faalt? wat als de regelgeving verandert?), dus eisen beleggers een hoger potentieel rendement om hun aandelen aan te houden.
Het Resultaat: Bedrijven waarvan de aandelenkoersen meebewegen met de groei van het AI-gebruik (een hoge "AI Beta") behaalden aanzienlijk hogere rendementen dan bedrijven die dat niet deden.
- Het Getal: Een strategie die de meest AI-blootgestelde bedrijven kocht en de minst blootgestelde verkocht, maakte ongeveer 64 cent voor elke $100 die werd geïnvesteerd, elke week. Dat is een enorm bedrag in de financiële wereld.

3. Het is niet alleen "Tech"-bedrijven

Een veelvoorkomende fout is de aanname dat alleen Silicon Valley-bedrijven profiteren van AI. Dit paper laat zien dat de AI-premie veel breder is.

De Metafoor: Denk aan AI niet als een specif kind van een auto, maar als een nieuw type elektriciteit. Het voedt niet alleen de fabriek van de gloeilampen, maar ook de bakkerij, het ziekenhuis en de scheepswerf.
De Bevindingen:
- Winnaars: De premie was enorm in retail, consumptiegoederen en zware industrie. Dit zijn bedrijven die AI gebruiken om toeleveringsketens te beheren, met klanten te communiceren of logistiek te optimaliseren.
- Verliezers: Verrassend genoeg hadden sommige bedrijven in de gezondheidszorg en niet-duurzame consumptiegoederen een negatieve connectie met AI. De markt lijkt te vrezen dat AI hun specifieke bedrijfsmodellen eerder zal verstoren dan dat het hen helpt.
- Geografie: Deze premie bestaat alleen in ontwikkelde markten (zoals de VS en Europa). In opkomende markten, inclusief China, was het effect onzichtbaar. Het lijkt erop dat beleggers alleen AI-blootstelling belonen waar de technologie daadwerkelijk wordt ingezet en geadopteerd door geavanceerde gebruikers.

4. Wie gebruikt de "goede" brandstof?

Niet alle AI-gebruik is gelijk. Het paper vond dat de aandelenmarkt alleen serieus, intensief AI-gebruik beloont, en niet alleen maar informeel chatten.

De "Intensieve" Marges: De premie komt van:
- Closed-source modellen: Het gebruik van de meest geavanceerde, dure, propriëtaire AI (zoals de nieuwste GPT of Claude) in plaats van gratis, open versies.
- Ervaren gebruikers: Bedrijven en ontwikkelaars die al een lange tijd AI gebruiken, niet alleen nieuwkomers die het voor het eerst proberen.
- Complexe taken: Het gebruik van AI voor lange, ingewikkelde prompts (zoals programmeren of wetenschappelijk onderzoek) in plaats van korte, simpele vragen.
De Les: De markt wedt dat AI een krachtig hulpmiddel zal zijn voor experts en zware industrie, en niet slechts een speeltje voor informele gebruikers.

5. Banen: De "Praters" versus de "Denkers"

De auteurs brachten deze bedrijfsresultaten in kaart naar specifieke vaardigheden. Ze vroegen zich af: "Welke menselijke vaardigheden denkt de markt waardevoller te worden naarmate AI groeit?"

De Verrassende Wending: Je zou denken dat AI juist analytische vaardigheden (wiskunde, wetenschap, logica) waardevoller maakt. De data zegt het tegenovergestelde.
De "Praters" Winnen: De vaardigheden met de hoogste positieve AI-blootstelling zijn interactie, overtuigingskracht, instructie en communicatie. Banen die draaien om praten met mensen, onderhandelen, lesgeven of het coördineren van complexe systemen worden gezien als de "zwakke schakels" die AI niet gemakkelijk kan vervangen.
De "Denkers" Verliezen: Vaardigheden die betrekking hebben op diepe analyse, wetenschappelijke redenering en operationele controle hadden juist een negatieve blootstelling. De markt lijkt te vrezen dat AI deze taken zal automatiseren, wat de waarde van bedrijven die hier zwaar op leunen, potentieel vermindert.
De Analogie: Als AI een superintelligente rekenmachine is, wedt de markt dat de persoon die het antwoord aan de klant kan uitleggen en hem kan overtuigen het product te kopen, waardevoller is dan de persoon die alleen het antwoord heeft berekend.

6. De Opkomst van "Agents"

Ten slotte zag het paper een nieuwe trend: Agentic AI.

Wat is het? In plaats van alleen een vraag te beantwoorden, kunnen deze AI-"agents" een reis plannen, een vlucht boeken, het weer controleren en een e-mail sturen, allemaal zelfstandig. Het zijn als digitale werknemers die actie ondernemen.
De Groei: In 2024 was dit bijna niet aanwezig. Tegen 2026 werd meer dan 50% van alle AI-tokens gebruikt voor deze "agent"-taken.
De Kosten: Interessant genoeg daalde de kosten per taak naarmate deze agents gebruikelijker werden. Het is alsof een bezorgdienst goedkoper wordt naarmate deze sneller en geautomatiseerder wordt.
Het Marktsignaal: Hoewel de data nog in een vroeg stadium is, zijn er tekenen dat de markt begint te belonen dat bedrijven deze autonome agents succesvol inzetten.

Samenvatting

Het paper betoogt dat we ons in een overgangsfase bevinden. De aandelenmarkt betaalt momenteel een "risicopremie" aan bedrijven die diep geïntegreerd zijn met echt, intensief AI-gebruik. Dit gaat niet alleen over techbedrijven; het gaat over hoe AI retail, productie en diensten vormgeeft. De markt gelooft dat in deze nieuwe wereld menselijke interactie en coördinatie de meest waardevolle vaardigheden zullen zijn, terwijl puur analytisch werk de meeste verstoring kan ervaren.

Technische Samenvatting: "AI Premium"

1. Probleem en Motivatie

Het artikel adresseert een fundamentele kloof in het begrip van de economische impact van Kunstmatige Intelligentie (AI): terwijl het AI-consumptie snel groeit, is er geen hoogfrequente, granulaire en gerealiseerde maatstaf voor hoe deze consumptie zich vertaalt in risico en waarde voor bedrijven, markten en werknemers. De bestaande literatuur vertrouwt vaak op taakgebaseerde automatisering-scores, patenttellingen of enquêtegegevens, die mogelijk niet de realtime prijsstelling van AI-blootstelling door de markt reflecteren.

De auteurs stellen dat AI een "transitierisico" vertegenwoordigt (Aghion en Howitt, 1992; Pastor en Veronesi, 2009). Naarmate AI de rentes herverdeelt over bedrijven, sectoren en vaardigheden, zouden beleggers compensatie moeten eisen voor het aanhouden van posities in bedrijven die blootgesteld zijn aan deze systematische herverdeling. De centrale vraag is of er een meetbare "AI-premie" bestaat in aandelenmarkten—specifiek, of bedrijven waarvan de rendementen correleren met de gerealiseerde groei in AI-consumptie, hogere daaropvolgende rendementen behalen.

2. Data en Methodologie

Databronnen

De kern van de studie is een propriëtaire, gelicentieerde dataset van OpenRouter, Inc., die 380 biljoen tokens aan gerealiseerde AI-consumptie beslaat van januari 2024 tot april 2026.

Granulariteit: De data is gestructureerd op gebruiker–model–dag niveau, waarbij miljoenen geanonimiseerde accounts interactie hebben met meer dan 400 large language models (LLM's).
Omvang: Het omvat zowel frontier closed-source modellen (bijv. OpenAI, Anthropic, Google) als open-weight modellen (bijv. Meta, DeepSeek), evenals agentic requests (tool calls).
Realisatie: In tegen tegenoverlopende schattingen zijn dit gerealiseerde betaalde verzoeken, die daadwerkelijke uitgaven en token-aantallen vastleggen.
Aandelengegevens: Gemapt aan CRSP/Compustat voor Amerikaanse bedrijven en Compustat Global voor internationale markten.

Constructie van de AI-factor

De auteurs construeren een hoogfrequente AI-factor die de groei in wereldwijde AI-consumptie vertegenwoordigt.

Inputs: Drie wekelijkse series: totale tokens ( $\Delta \ln Tok$ ), gebruikte dollars ( $\Delta \ln Dol$ ), en unieke actieve gebruikers ( $\Delta \ln User$ ).
Aggregatie: De baseline AI-factor is de eerste hoofdcomponent van de gestandaardiseerde wekelijkse log-groei van deze drie series. Deze factor vangt de gemeenschappelijke variatie in de hoeveelheid, uitgaven en het bereik van AI-adoptie.
Sub-factoren: De granulariteit maakt de constructie van sub-factoren mogelijk op basis van:
- Modeltype (Closed-source versus Open-weight).
- Gebruikersintensiteit (Betaald/Core versus Nieuw; Ervaren versus Niet-ervaren).
- Prompt-complexiteit (Lang versus Kort).
- Agentic activiteit (Tool calls versus Gewone verzoeken).

Empirische Strategie

AI Beta Schatting: Voor elk publiek bedrijf schatten de auteurs een rollende AI Beta ( $\beta_{AI}$ ) door het wekelijkse log-excess rendement van het bedrijf te regresseren op de AI-factor en de marktfactor over een venster van 13 weken. Deze beta meet de gevoeligheid van het bedrijf voor schokken in AI-consumptie.
Portfolio Sorting: Bedrijven worden gesorteerd in quintielen op basis van hun $\beta_{AI}$ . De auteurs analyseren de high-minus-low (H-L) spread in daaropvolgende rendementen.
Fama-MacBeth Regressies: Wekelijkse cross-sectionele regressies worden uitgevoerd om de marktprijs van AI-risico (de AI-premie) te schatten, waarbij wordt gecontroleerd voor standaardfactoren (omvang, waarde, winstgevendheid, investeringen, momentum, etc.).
Mapping naar Taken/Vaardigheden: Bedrijf-niveau betas worden gemapt naar beroepen met behulp van BLS werkgelegenheidsgewichten en vervolgens naar vaardigheden via O*NET-ratings om een door de markt geïmpliceerde blootstellingskaart voor arbeid af te leiden.

3. Belangrijkste Bijdragen

Ongekende Datagranulariteit: Het artikel maakt gebruik van de grootste cross-provider registratie van gerealiseerde AI-consumptie (380T tokens) om verder te gaan dan theoretische of enquête-gebaseerde maten van AI-blootstelling.
Markt-geïmpliceerde Blootstelling: In tegenstelling tot taakgebaseerde maten (bijv. Acemoglu en Restrepo, 2019) of technische automatiseringsscores, leidt deze studie AI-blootstelling direct af uit aandelenkoers-covariantie, wat de vooruitblikkende waardering van AI-risico door de markt reflecteert.
Decompositie van AI-risico: De studie onderscheidt verschillende marges van AI-consumptie (bijv. frontier versus open-weight, intensief versus casual), wat onthult dat de markt specifieke componenten van AI-adoptie anders prijst.
Bewijs voor de Agentic Economy: Het artikel levert vroeg empirisch bewijs voor de opkomst van "agentic" AI (modellen die multi-step workflows uitvoeren), waarbij de snelle groei van verwaarloosbaar naar meer dan 50% van het totale tokenvolume wordt gevolgd.

4. Belangrijkste Resultaten

De AI-premie in Aandelenmarkten

Positief en Significant: Bedrijven met hogere AI-betas behalen significant hogere daaropvolgende rendementen. Een waarde-gewogen long-short strategie (Long High $\beta_{AI}$ , Short Low $\beta_{AI}$ ) levert 64,1 basispunten per week op (t-statistiek 2,84).
Robuustheid: De premie blijft bestaan na controle voor Fama-French vijf factoren, momentum, omvang, waarde, winstgevendheid, investeringen, leverage en accruals. Het blijft significant zelfs na controle voor high-technology sectorrendementen, semiconductor portfolio's en AI-gethematiseerde ETF's.
Heterogeniteit: De premie is niet uniform; deze wordt gedreven door de intensieve, frontier-georiënteerde marge van AI-consumptie:
- Closed-source modellen drijven een grotere premie aan (53,4 bps/week) dan open-weight modellen (32,3 bps/week).
- Betaalde/Core en Ervaren gebruikers genereren een sterkere premie dan nieuwe of casual gebruikers.
- Lange prompts (complexe taken) worden meer geprijsd dan korte prompts.

Geografische en Sectorale Verdeling

Geografie: De premie is geconcentreerd in ontwikkelde markten (17,9 bps/week) waar bedrijven dichter bij de AI-frontier staan. Het is afwezig in opkomende markten, inclusief China, waar de H-L spread statistisch insignificant is.
Sectoren: De premie strekt zich uit buiten de technologiebedrijven. Deze is het meest positief in retail en consumentengoederen en het meest negatief in gezondheidszorg en niet-duurzame goederen. Opvallend genoeg vertoont de technologiesector een gemengde blootstelling, waarbij semiconductor-bedrijven een positieve blootstelling hebben, terwijl andere techbedrijven een negatieve of neutrale blootstelling laten zien.

Implicaties voor de Arbeidsmarkt

Skill Mapping: De markt-geïmpliceerde AI-blootstelling is positief voor niet-routinematige interactieve vaardigheden (communicatie, overtuigingskracht, instructie, installatie/reparatie) en negatief voor niet-routinematige analytische en wetenschappelijke vaardigheden (deductief redeneren, informatiegebruik).
Kwantitatieve Impact: Een beroep met een standaarddeviatie die één hoger ligt in interactie- en communicatiegehalte, heeft een 0,36 standaarddeviatie hogere markt-geïmpliceerde AI-blootstelling.
Vergelijking met Bestaande Maten: De markt-geïmpliceerde blootstelling verklaart minder dan 2% van de variatie in bestaande technische AI-blootstellingsmaten (bijv. Felten et al., 2021; Eisfeldt et al., 2023), wat suggereert dat de markt een andere dimensie van risico prijst die gerelateerd is aan gerealiseerde consumptiepatronen in plaats van enkel technische automatiseerbaarheid.

De Opkomst van Agentic AI

Groei: Het aandeel van agentic tokens (verzoeken die externe tools aanroepen) groeide van bijna nul in 2024 naar 52,2% van de totale tokens in april 2026.
Pricing: Blootstelling aan agentic consumptiecomponenten (tool calls, cache reads, reasoning tokens) vertoont positieve, economisch significante punt-schattingen (0,3–0,5% per week), hoewel de statistische significantie beperkt wordt door de korte steekproef. Dit suggereert een opkomende "agentic premie".

5. Betekenis en Claims

Het artikel claimt de eerste markt-geïmpliceerde mapping van AI-blootstelling over bedrijven, taken en vaardigheden te bieden met behulp van gerealiseerde consumptiedata. De significantie ligt in:

Validatie van Transitierisico: Het bestaan van een positieve AI-premie ondersteunt het standpunt dat AI een systematisch risico is dat compensatie vereist, consistent met de theorieën van creatieve destructie en risico-herverdeling.
Verfijning van het Narratief: De resultaten dagen het idee uit dat AI puur een "technologiesector"-fenomeen is. In plaats daarvan is het een brede economische kracht die consumentgerichte en kapitaalintensieve industrieën beïnvloedt, met duidelijke winnaars en verliezers op basis van de aard van hun taken (interactief versus analytisch).
Data-gedreven Inzicht: Door gebruik te maken van gerealiseerde token-consumptie in plaats van geuite intenties of technische capaciteiten, biedt de studie een accuratere, zij het vooruitblikkende, maatstaf voor hoe de markt de economische impact van AI waarneemt.

De auteurs blijven bescheiden en merken op dat de steekproef een vroege, snel bewegende fase van AI-diffusie beslaat, waardoor de schattingen de huidige prijs van AI-blootstelling reflecteren in plaats van een langetermijn-evenwicht. Ze erkennen ook dat OpenRouter-data een oververtegenwoordiging kan geven van geavanceerde gebruikers, wat impliceert dat de premie gekoppeld is aan de markt-pricing van geobserveerde, intensieve AI-consumptie.