技术摘要：“AI 溢价”

1. 问题与动机

本文旨在解决理解人工智能（AI）经济影响方面的根本性空白：尽管 AI 的消费量正在迅速增长，但目前仍缺乏高频、细粒度且已实现的度量标准，来衡量这种消费如何转化为企业、市场和劳动者的风险与价值。现有的文献通常依赖于基于任务的自动化评分、专利计数或调查数据，这些指标可能无法反映市场对 AI 暴露程度的实时定价。

作者认为，AI 代表了一种“转型风险”（Aghion and Howitt, 1992; Pastor and Veronesi, 2009）。随着 AI 在企业、行业和技能之间重新分配租金，投资者应当要求对持有暴露于这种系统性重新分配中的企业进行补偿。核心问题在于，股票市场中是否存在可衡量的“AI 溢价”——具体而言，即那些其回报率与已实现的 AI 消费增长共变的企业的后续回报率是否更高。

2. 数据与方法论

数据来源

本研究的核心是一个来自 OpenRouter, Inc. 的专有授权数据集，涵盖了从 2024 年 1 月到 2026 年 4 月共 380 万亿个 token 的已实现 AI 消费量。

• 粒度： 数据在用户–模型–日层面进行结构化，涵盖了数百万个匿名账户与 400 多种大型语言模型（LLM）的交互。
• 范围： 包括前沿闭源模型（如 OpenAI、Anthropic、Google）和开源权重模型（如 Meta、DeepSeek），以及智能体请求（工具调用）。
• 实现性： 与报告的估计值不同，这些是已实现的付费请求，捕捉了实际的支出和 token 数量。
• 权益数据： 与美国企业的 CRSP/Compustat 以及国际市场的 Compustat Global 进行映射。

AI 因子的构建

作者构建了一个代表全球 AI 消费增长的高频 AI 因子。

1. 输入： 三个周度序列：总 token 数 ($\Delta \ln Tok$)、使用金额 ($\Delta \ln Dol$) 以及独立活跃用户数 ($\Delta \ln User$)。
2. 聚合： 基准 AI 因子是这三个序列的标准周对数增长率的第一主成分。该因子捕捉了 AI 采用在数量、支出和覆盖范围方面的共同变化。
3. 子因子： 细粒度的数据允许基于以下维度构建子因子：
   • 模型类型（闭源 vs. 开源权重）。
   • 用户强度（付费/核心用户 vs. 新用户；资深用户 vs. 非资深用户）。
   • 提示词复杂度（长提示词 vs. 短提示词）。
   • 智能体活动（工具调用 vs. 普通请求）。

实证策略

1. AI Beta 估计： 对于每家上市公司，作者通过在 13 周窗口内将企业的周对数超额回报率对 AI 因子和市场因子进行回归，来估计滚动 AI Beta ($\beta_{AI}$)。该 Beta 衡量了企业对 AI 消费冲击的敏感度。
2. 投资组合排序： 根据其 $\beta_{AI}$ 将企业分为五分位数组。作者分析了随后回报率中的高减低（H-L）价差。
3. Fama-MacBeth 回归： 每周进行横截面回归，以估计 AI 风险的市场价格（即 AI 溢价），并控制标准因子（规模、价值、盈利能力、投资、动量等）。
4. 任务/技能映射： 将企业层面的 Beta 通过 BLS 就业权重映射到职业，再通过 O*NET 评级映射到技能，从而推导出劳动力市场的隐含暴露图谱。

3. 核心贡献

1. 前所未有的数据粒度： 本文利用了最大的跨供应商记录（380 万亿 token）来超越理论或基于调查的 AI 暴露度量，转向已实现的 AI 消费数据。
2. 市场隐含暴露： 不同于基于任务的度量（如 Acemoglu and Restrepo, 2019）或技术自动化评分，本研究直接从股价共变性中推导出 AI 暴露度，反映了市场对 AI 风险的前瞻性估值。
3. AI 风险的分解： 研究区分了 AI 消费的不同边际（例如，前沿模型 vs. 开源权重模型；密集型 vs. 休闲型；以及智能体活动），揭示了市场对 AI 采用的不同组成部分定价存在差异。
4. 智能体经济证据： 本文提供了关于“智能体式”AI（执行多步工作流的模型）兴起的早期实证证据，追踪了其从微不足道到占总 token 量 50% 以上的快速增长。

4. 核心结果

股票市场中的 AI 溢价

• 正向且显著： 具有较高 AI Beta 的企业获得了显著更高的后续回报。加权值策略（做多高 $\beta_{AI}$，做空低 $\beta_{AI}$）每周收益为 64.1 个基点（t 统计量为 2.84）。
• 稳健性： 在控制了 Fama-French 五因子、动量、规模、价值、盈利能力、投资、杠杆和应计项目后，该溢价依然存在。即使在控制了高科技板块回报、半导体组合和 AI 主题 ETF 后，该结果依然显著。
• 异质性： 溢价并非均匀分布；它由 密集型、面向前沿模型 的 AI 消费边际驱动：
  • 闭源模型驱动的溢价（53.4 bps/周）高于开源权重模型（32.3 bps/周）。
  • 付费/核心用户及资深用户产生的溢价比新用户或休闲用户更强。
  • 长提示词（复杂任务）比短提示词具有更高的定价。

地理与行业分布

• 地理位置： 溢价集中在发达市场（17.9 bps/周），因为这些市场的企业更接近 AI 前沿。在包括中国在内的新兴市场中，该现象不存在，其高减低价差在统计上并不显著。
• 行业： 溢价不仅限于科技公司。在零售和耐用消费品领域最为正向，而在医疗保健和非耐用品领域最为负向。值得注意的是，科技行业表现出混合的暴露情况：半导体公司具有正向暴露，而其他科技公司则表现出负向或中性暴露。

劳动力市场影响

• 技能映射： 市场隐含的 AI 暴露度对于非例行交互类技能（沟通、说服、指令、安装/修理）是正向的，而对于非例行分析与科学类技能（演绎推理、信息使用）是负向的。
• 定量影响： 在交互与沟通内容方面高出一个标准差的职业，其市场隐含的 AI 暴露度比平均水平高出 0.36 个标准差。
• 与现有度量的比较： 市场隐含的暴露度对现有技术性 AI 暴露度量（如 Felten et al., 2021; Eisfeldt et al., 2023）的解释力不足 2%，这表明市场定价的是一个与已实现消费模式相关的独特风险维度，而非仅仅是技术上的自动化能力。

智能体式 AI 的崛起

• 增长： 智能体式 token 份额（调用外部工具的请求）从 2024 年的接近零增长到 2026 年 4 月的 52.2%。
• 定价： 对智能体消费组成部分（工具调用、缓存读取、推理 token）的暴露显示出正向且具有经济意义的点估计（每周 0.3–0.5%），尽管由于样本较短，统计显著性有限。这表明存在一种新兴的“智能体溢价”。

5. 重要性与主张

本文声称提供了首个利用已实现消费数据进行的、跨企业、任务和技能的市场隐含 AI 暴露度映射。其重要性在于：

1. 验证转型风险： 正向 AI 溢价的存在支持了 AI 是一种系统性风险因子的观点，即需要获得补偿，这与创造性破坏和风险重新分配的理论一致。
2. 完善叙事： 研究结果挑战了 AI 纯粹是“科技行业”现象的看法。相反，它是一种广泛的经济力量，影响着消费型和资本密集型行业，并根据其任务性质（交互型 vs. 分析型）产生明显的赢家和输家。
3. 数据驱动的洞察： 通过使用已实现的 token 消费量而非陈述性的意图或技术能力，本研究提供了一个更准确（尽管是前瞻性的）度量，反映了市场如何看待 AI 的经济影响。

作者保持了审慎态度，指出由于样本涵盖了 AI 扩散的一个早期且快速变化的阶段，因此估计值反映的是当前的 AI 暴露度价格，而非长期均衡状态。他们也承认 OpenRouter 数据可能过度代表了资深用户，这意味着该溢价与市场对观察到的、密集型 AI 消费的定价密切相关。