Using 380 trillion tokens of realized AI consumption across more than four hundred large language models from the licensed OpenRouter dataset, covering roughly 2% of global monthly AI token consumption, this paper analyzes how AI affects firms, markets, and workers . We construct the AI Factor from growth in tokens, dollars, and users, estimate firm-level AI Betas from stock-return comovement, and characterize the AI Premium . First, we build a high-frequency AI factor and decompose it into salient components: frontier closed-source vs open-weight models, core vs new users, seasoned vs casual users, long vs short prompts, prompt-content categories, and agentic vs ordinary requests . The AI factor shows uneven diffusion with token consumption concentrated in programming, technology, and sciences, and an agentic share rising from negligible to more than half of total AI consumption by 2026 . Second, firms with higher AI betas earn higher subsequent returns; the value-weighted long-short AI-beta portfolio yields 64.1 basis points per week, with robust alphas after FF5 and momentum adjustments; robustness checks indicate the premium prices exposure to realized AI consumption rather than to technology stocks or AI-themed attention . Third, the AI premium extends beyond technology into consumer-facing and capital-heavy sectors but is absent in emerging markets including China; developed markets near the frontier show larger premia . Fourth, AI exposure is higher for nonroutine interactive work and social skills and lower for analytical/scientific/operations-control skills (0.36 standard deviations for interaction and communication), with early evidence of the rise of the agentic economy . These findings collectively imply a sizeable, heterogeneous AI premium with meaningful implications for asset pricing and the allocation of economic gains from AI adoption .

以下为对“AI Premium”研究报告的极为详细、结构化的解读与评析。为方便溯源,文中每处直接来自原文并作出结论性的表述处,均在句末标注来源页码,若同一论断来自多页,将以多条形式呈现,如 , 。
一、元数据与概览(引言与研究主题的定位)
报告标题、作者与发布机构、时间与主题。题为 “AI Premium”,作者为 Nicola Borri、Yukun Liu 与 Aleh Tsyvinski,发表于 2026年6月30日,研究对象为“AI Premium”的形成机制、市场定价以及对企业、行业与劳动力的影响,数据基础来自许可的 OpenRouter 数据集,覆盖全球AIToken消耗的一个重要分位。核心议题是构建“AI因子”、估测AI对股票回报的敞口(AI-Betas),并检验市场对AI相关风险的定价(AI Premium)。核心信息包括:高频的AI因子分解、AI暴露与未来回报的正相关性、AI消费的前沿 margin 对定价的放大作用,以及区域、行业与技能层面的异质性。此外,文中明确指出AI的代理性经济(agentic economy)的早期证据与区域差异。以上要点均在摘要与引言中反复强调。,
研究的四大主旨轮廓(摘要中的四段性结论在 Introduction 亦有一致阐述):第一,构建高频AI因子并拆解其组成( frontier/closed-source 与 open-weight、核心用户与新用户、长期/短期提示等);第二,AI曝露与股价回报呈现显著的价格化且存在异质性,高AI-Betas对应更高后续回报,形成一个“AI Premium”;第三,AI Premium 不仅限于科技公司,也渗透到零售、耐用品等消费品与资本密集型行业,但在新兴市场(如中国)并不显著;第四,AI暴露与非例行的互动性工作(如沟通、说服、教学)正相关,而在分析性/科学/运营控制等技能上的相关性更弱。以上四点的核心证据分布在相应的章节与图表中。, ,
二、逐节深度解读(逐章精读与剖析)
章节要点概述:研究以 OpenRouter 的全球化数据为基础,构建AI Factor,利用股票收益的共变特征来测度企业对AI需求敏感度(AI Beta),并据此揭示市场对AI相关风险的定价(AI Premium)。文中强调数据的规模、粒度与跨模型覆盖性,能够区分 frontier closed-source 与 open-weight 模型、对用户强度与 tenure 的区分、以及“agentic”请求(调用外部工具的请求)等。核心贡献包括:1) 构建高频AI因子并分解其组成;2) 通过股票收益横截面验证AI曝光的定价与异质性;3) 将AI风险映射到行业与区域,呈现广泛性与区域差异;4) 将AI暴露映射到职业与技能结构,揭示市场对未来技能需求的预期。上述要点在 Introduction 的段落中多次重复强调。研究还强调了若干限制,如样本在早期AI扩散阶段、以及数据可能偏向“开发者/技术型”用户等。标注出处:
数据与变量构建的逻辑(2.1 OpenRouter 数据与三大核心序列):
研究结构与四大部分的梳理(文中明确给出论文的四大部分,与 Abstract 的四点对应):
研究对 OpenRouter 数据的描述性信息: panel 级别为“用户–模型–日”,跨越约2024-2026年,覆盖百万级账号、平均一个账号使用五个以上模型、近70%的账号使用多于一个提供商。这些特征使研究能够对 frontier 与 open-weight、付费/核心用户、资深用户等进行划分,并对提示内容类别与 agentic 调用进行标注。数据的开放性与广度被作为实现AI因子分解的基础。出处:
围绕三大周度序列(总令牌 tokens、美元支出 dollars、独立活跃用户)的构造,以及第一主成分作为 baseline AI factor 的建立过程:Baseline AI factor 是三者周度对数增长的标准化后的一阶主成分,权重分别约为 0.665、0.559、0.496,且解释了三者共同方差的56.5%。这体现出一个“统一共动因子”主导三大维度的变化。出处:,
关于图表与表格的对照:Figure 1 展示了总令牌的周度对数水平的走势,Table 1 给出全样本的变量统计(Baseline AI factor及其输入增长的三项、以及按前后口令分解的若干子因子等)。图表与表格共同支撑了因子构建的合理性与数据的稳健性。出处:, ,
3.1 AI Portfolios(AIbeta分组与回报分层)
研究采用滚动的13周回归模型,单位为周数据,回归形式为:ExcessReturn = α + β_AI × AI_Factor + β_MKT × ExcessMarketReturn。形成周初将样本中的公司按照其预测的 AI exposure(β_AI, tI)分成五分位(quintiles),再进行价值加权(以及对比的等权和NYSE分割)排序。这样得到的高–低暴露回报差距显示 AI 暴露的投资者风险溢价。出处:
表 2(AI-Beta Quintile Portfolios)的要点:不同分位组的AI暴露有显著差异,High-Low 的β_AI σ_w 区分显著,且样本中的平均市值、账面市值比、盈利能力与投资等并无系统性差异,唯 Momentum 在不同分位之间呈现显著差异(前后形成周的动量差异)。这为控制其他因子后的价格发现提供基础。出处:
表 3(Excess Returns of AI-Beta Quintile Portfolios)给出高暴露组相对低暴露组的周度超额回报溢价:在全样本的情况下 High-Low 的周度超额回报差为约64.1基点/周(t = 2.84),在排除了其他因素的模型下也维持正向且显著(在不同加权方式下的结果一致,均支持AI暴露带来正向回报溢价)。作者同时强调这是“投资者对AI暴露的一种风险补偿”的体现。出处:
3.1 的鲁棒性与扩展性证据指向:当控制高科技股票、半导体/AI相关ETF等可能的技术情绪因素后,AI高低暴露组合的溢价仍显著,表明溢价来自“实现的AI消费暴露”本身,而非单纯的科技股涨势或舆论热度的反映。出处:,
3.2 The AI Premium(AI暴露的价格化水平与回归分析)
3.3 额外结果(对比分析、国际证据与不同消费组成的子样本)
3.4 Firm-Level AI Exposure(企业层面的暴露聚合)
研究方法:将企业层面的AI暴露映射到职业层面。先用 BLS 的 occupation-by-industry 权重,将企业暴露转化为职业暴露,再用 O*NET 的技能重要性评级将职业暴露转化为技能暴露。结果构成一个“市场定价的职业与技能暴露图谱”,与 Autor、Levy & Murnane(ALM)以及 Acemoglu & Autor 等的任务框架进行对比。通过此途径,研究发现市场对AI暴露的正向载荷集中在安装/维护、编程、说服、教学、系统集成等职业与技能,负载主要出现在科学、健康护理及运营控制等领域。关键点包括:非例行互动性内容载荷显著正向(对单变量的回归,非例行互动性内容的系数在 0.15 标准差水平,t 值高达 2.87),非例行分析性/数学内容载荷显著负向(-0.15,t = -3.41)。这意味着市场预期AI将促进对沟通、协作、教学与系统集成等技能的增值,同时对抽象分析/科学任务的边际贡献较低,甚至可能替代性较高的领域在AI暴露下呈现负向关系。出处:, ,
详细分解与稳健性:Table 9 将 Occupation Exposure 与多组 Task/Skill 指标进行对比,Table 8/ Table 9 显示市场定价的职业暴露与 ALM、Deming 以及其他技能框架的对比,结果显示市场对AI暴露的解释力在2%–11%之间,且与 pre-generative-AI 的任务暴露指标并非高度相关,说明本研究的职业暴露度量具有独特性,与现有的任务/技能量表并不完全一致。出处:, ,
关于 Agentic AI 的初步证据(Section 5):Agentic consumption(模型执行多步工作、调用外部工具、协调其他代理等)在数据中呈现显著增长,agentic token 的份额在2026年前后达到总 tokens 的约52%,但 agentic 的美元价格单位下降,显示出成本效率的提升(缓存、引导路由等机制的实施)。初步的跨行业暴露回归给出对 agentic 相关分量的回报影响在 0.3%–0.5%/周的数量级,尽管样本期较短且估计不精确,仍被解读为对未来 agentic premium 的初步证据。出处:, , ,
三、图表深度解读(聚焦重要图表/图片的含义、趋势与证据连结)
Figure 1: Weekly Total Tokens(总令牌周度趋势)
Table 1: Summary Statistics(AI变量与公司特征的全样本统计)
Table 2: Properties of U.S. AI-Beta Quintile Portfolios
Table 3: Excess Returns of AI-Beta Quintile Portfolios
Table 4: Fama-MacBeth Cross-Sectional Regressions
Table 5–Table 6(跨样本与国际证据)
Figure 2: S&P 500 Firm-Level AI Exposure
Figure 3: Skill Exposure to the AI Factor
Figure 4–Figure 6: Agentic AI Consumption 的崛起及其价格化特征
Figure IA.4: AI VIX(AI风险波动性)
Figure IA.5–IA.7 等附表:区域、职业、技能维度的更深层对比
四、估值分析(若干估值方法与关键输入)
研究的核心估值框架实质是一组“市场定价 AI 风险”的横截面回归与组合排序结果,而非传统意义上的企业现金流折现(DCF)估值。核心方法包括:
估值的关键输入与假设(对照文本中说明):
五、风险因素评估(作者识别的主要风险及缓解)
六、批判性视角与细微之处(客观的局限与潜在偏见)
七、结论性综合(对整个研究的要点性总结)
核心发现一:AI Factor 的建立与解释力。通过对全球OpenRouter数据的三大维度(总令牌、美元支出、活跃用户)进行周度增长的主成分分析,研究构建了一个高频的AI因子,并揭示该因子在多种子样本下的稳健性。该因子及其组成显示出跨模型( frontier 与 open-weight)、跨用户类型( paid/core、新用户、 seasoned 用户)以及跨任务(long/short prompts、内容类别、agentic 与普通请求)的广泛共动性。出处:,
核心发现二:AI暴露的市场定价与异质性。高AI暴露的公司在未来周度回报方面表现出显著溢价,形成一个“AI Premium”。在全样本中,High–Low 的周度超额回报约 64.1bp(t=2.84),并且在多种风险调整模型下依然显著。跨国与跨行业的检验显示,这一溢价在发达市场更为明显,在中国等新兴市场则不显著。职业层面,非例行的互动性任务与人际技能(如沟通、教学、协调)对AI暴露的正向载荷最高,而分析性、科学性和运营控制类技能的载荷为负。代理性AI消费的初步证据表明,随着 agentic 组件的兴起,市场对其风险的定价正在形成,但证据仍需扩展。出处:, , , , ,
核心发现三:区域与行业的广域性但区域差异显著。AI Premium 的扩散不仅限于科技行业,而是在零售、消费品、资本密集型行业等多领域存在正向暴露;但在新兴市场(至少在中国)并不显著,提示区域差异与市场成熟度的重要性。出处:,
核心发现四:职业与技能层面的市场映射为“市场对未来技能结构的前瞻”提供了实证证据。通过 Occupation-Skill 映射,研究显示市场对“以互动/沟通为核心、具备安装/维护等技能组合”的暴露更易被AI替代或协同,强化了对教育与培训的政策含义:未来职业的提升应聚焦在人机协作、沟通、协调和系统集成等方面的能力提升,而对高强度分析/数学的需求在AI扩散的边际贡献上可能呈现更复杂的变化。出处:,
总体判断:AI Premium 是一个系统性的、跨行业、跨区域的市场现象,其核心证据来自对高频AI消费数据的因子分析、横截面回归与事件研究的综合运用。尽管存在样本选择偏差、区域异质性与代理性AI证据尚在早期等局限,但综合证据支持“AI暴露被市场定价,且溢价强烈存在于深度参与、前沿与互动性任务相关的消费形态”这一结论。报告在方法论上通过多种鲁棒性测试与跨市场检验增强了结论的可信度,但对于代理性AI的长期动态与不同区域制度背景下的稳定性,还需要持续的数据积累与更新的研究来进一步确认。, , ,
附:关键引用(便于溯源)
总体而言,此报告提供了一个以大规模、多维数据为基础的“AI暴露—资产定价”的系统性分析框架,揭示了AI在企业、行业、区域与技能结构中的多层次影响及其在市场定价中的体现。未来研究若能扩展样本覆盖到更多新兴市场、延长 agentic 相关分量的观测期,并结合宏观与行业层面的冲击情景分析,将进一步提升对 AI 经济影响的理解与预测能力。
2606.30583.pdf