如果两家公司都被归进“科技行业”，生成式 AI 对它们的意义仍可能完全不同。一家的员工主要做容易被 AI 改写的任务，另一家的产品只是贴着 AI 概念。只看行业标签，很容易把两者混在一起。这篇研究想解决的，就是如何从员工实际做什么出发，观察市场怎样重估一家公司。
论文由 Andrea L. Eisfeldt、Gregor Schubert、Miao Ben Zhang 和 Bledi Taska 合著，于 2026 年 10 月 8 日在《Journal of Finance》在线发表。以下结论均来自该论文；现有材料只有摘要，无法独立交叉验证，也不足以还原完整的变量定义和统计检验。
不问公司属于哪一行，先问员工在做什么
作者构建了一个“岗位暴露度”指标——衡量一家公司员工承担的任务，有多少可能被生成式 AI 改变。关键一步是把职业层面的任务信息映射到公司层面，由此得到每家公司的劳动力暴露程度。作者称这是首个此类指标，不过这项优先权主张仍需结合既有文献判断。
这个角度比“是不是 AI 公司”更细。行业标签像看商场招牌，岗位暴露度则像走进店里，看每个人每天具体做什么。研究关心的也不是 AI 概念本身，而是它可能怎样改变人力成本、生产率与盈利前景，最终进入公司估值——也就是市场对未来现金流及风险的综合定价。
论文还特意区分两种暴露：一种来自员工任务，另一种来自公司产品。摘要称，劳动力暴露对企业价值的影响不同于产品对 AI 的暴露。这意味着，一家公司销售 AI 产品，与它自身的员工容易被 AI 改变，并不是同一笔交易逻辑。
市场在 ChatGPT 发布后迅速重排座次
作者构建了一个名为 “Artificial-Minus-Human” 的多空组合。多空组合会同时买入一组股票、卖空另一组股票，用两组之间的相对表现观察市场是否在重新定价某项特征。
论文报告，这一组合在 ChatGPT 发布后的两周内取得了 5% 的收益。这个数字说明，劳动力 AI 暴露程度不同的公司，在那段时间出现了明显的相对价格变化。但它不能直接解读成“生成式 AI 让相关公司的价值普遍上涨 5%”，更不代表任意一家高暴露公司都涨了 5%。摘要也没有交代比较基准、风险调整、统计显著性、交易成本和具体样本区间。
研究还发现，企业拥有的数据资产越多，劳动力暴露与企业价值之间的效应越明显。直觉上，数据可能影响公司把生成式 AI 真正嵌入工作的能力；但摘要没有给出数据资产的定义或效应量，因此这里能确认的只是两者存在更强的经验关联。
暴露不等于一定裁员
同样是“容易被 AI 影响”，结果可能相反。替代意味着 AI 减少完成工作所需的人力；互补则意味着 AI 提高员工效率，或扩大员工能做的事。
作者用一个更具体的判断框架来区分两者：被暴露的任务究竟属于岗位的核心工作，还是辅助工作。论文随后考察 ChatGPT 发布后的劳动力需求与盈利能力，认为数据支持“劳动—技术替代”渠道。这里的“支持”是经验结果与替代机制相符，并不等于已经证明生成式 AI 导致了裁员或利润变化。摘要也没有清楚说明核心任务与辅助任务各自对应替代还是互补的具体方向。
为什么这把尺子值得跟踪
对“AI 赢家”交易来说，这项研究提供了一个比行业分类更接近公司内部生产过程的观察尺度。投资者不再只问谁卖 AI、谁在财报里提 AI，而可以继续追问：公司的哪些岗位会受影响，这些任务处在业务核心还是辅助环节，公司又是否拥有足够的数据资产。
它也提醒我们，AI 暴露不是天然利好。若 AI 替代劳动，价值变化可能来自成本和盈利预期；若 AI 与劳动互补，逻辑则可能是效率与能力扩张。把两条路径混成一个“AI 概念”，会掩盖公司之间真正的差异。
局限与未知
- 现有摘要没有披露指标构造细节、样本范围、效应量和稳健性检验，无法判断结果对不同设定是否稳定。
- 5% 是多空组合在特定两周内的相对收益，不是单家公司估值变化，也不能仅凭摘要判断风险调整后是否显著。
- 劳动力需求和盈利数据只被表述为支持替代渠道；在缺少完整识别设计的情况下，不宜把它写成确定的因果结论。