企业AI披露：信号还是烟雾？

设想两家公司都在年报中写道：“我们正在积极布局人工智能。”

第一家公司介绍了一个已经交付的产品，说明AI解决了客户的什么问题，并交代团队如何支持这项业务。第二家公司用了很长篇幅讨论AI将如何改变行业，却没有说清楚自己的项目进展。

这是假设情境，但它提出了一个真实而重要的问题：企业关于AI的公开表述，究竟能帮助我们判断多少真实能力？

John M. Barrios、John L. Campbell、Ryan G. Johnson和Christine Liu即将发表在Review of Accounting Studies上的论文Signals or Smoke? The Determinants and Informativeness of Corporate Artificial Intelligence (AI) Disclosures，研究的正是这个问题。

研究给出的答案相当克制：企业AI披露平均而言包含有用信息，而且这些信息超出了AI人才投入指标所能告诉我们的内容；但披露的信息价值，需要结合业务内容、人才基础、能力来源和行业背景判断。

要读懂这个结论，必须分清三个问题：企业投入了什么，管理层掌握了什么，以及企业后来表现如何。

AI投资最重要的部分往往最难看见

购买服务器、租用算力、调用模型，可以形成相对清楚的支出记录。但一家企业把AI真正用起来，还需要训练员工、整理数据、调整流程，并决定哪些判断交给机器、哪些责任留给人。

论文从“通用目的技术”的视角出发，强调AI的经济价值依赖互补性投入，包括人力资本、专有数据和组织能力。问题在于，这些投入在财务报表中并不完整地呈现为一个独立的“AI投资”项目：硬件可能归入固定资产，购买的计算服务形成费用，人才培养和组织改造则分散在人力与管理支出中。

外部观察者因此面对两层不确定性。

一层是投入的不确定性：这家公司到底投入了多少？另一层是回报的不确定性：即使已经投入，这些投入是否能够转化为有价值的业务？

两家企业拥有相近数量的AI人才，可能处于完全不同的阶段。一家仍在整理数据，另一家已经完成产品部署。外部人看到的投入指标相似，管理层掌握的项目进展却可能不同。这个例子说明，单靠投入数量，未必能读懂投资前景。

于是，企业公开披露的意义就出现了：它可能帮助外部人了解难以直接观察的活动，也可能传递管理层对项目的判断。当然，它同样可能成为包装预期的工具。

把企业说的话与后来的结果连起来

研究覆盖2016—2023年的美国上市公司，最终样本包括2,899家公司、11,927个公司年度观测。样本同时要求具备三种渠道的披露资料、人才数据和主要控制变量。

作者把公开表述、人才投入与经营结果放在一起观察。

用AI识别企业的AI叙事

披露测量并非简单统计“AI”出现了几次。作者先筛选候选句子，再对1,611个句子进行人工标注，用这些数据微调金融文本模型FinBERT，识别AI相关内容，最后计算AI句子在各渠道全部句子中的占比。年报分析限于业务、风险因素和管理层讨论与分析等指定章节；两个季度渠道则按季度计算比例，再取财年平均。

这个处理有直观意义：100句话中有10句谈AI，与10,000句话中有10句谈AI，对企业公开沟通重心的含义并不相同。

但要特别注意：模型识别的是“是否在谈AI”，并没有直接判定“说的是真是假”。 研究纳入一般趋势、企业使用、产品技术以及前瞻性陈述等内容。使用了自然语言处理，并不意味着已经自动剔除了所有夸大表述。

用人才数据观察投入

作者利用Revelio的职业履历数据，根据岗位名称和岗位分类识别AI相关员工，再计算其占企业总员工的比例。相关岗位包括机器学习、计算机视觉，也包括数据科学、数据分析等较广泛的领域。

因此，这项指标反映的是AI相关人力资本，而非全部AI支出，更不等于生成式AI工程师人数。企业购买外部服务、使用通用软件，可能在内部AI团队不大的情况下开展应用。

用未来结果检查信息含量

经营效率采用随机前沿分析估计：以营业成本、固定资产、研发和员工等作为投入，以收入作为产出，判断企业在行业生产关系下的相对效率。创新则主要观察AI专利申请占比。

两者都不是单个AI项目的投资回报率。专利占比也不能直接解释为创新总量或商业价值。

谁更爱谈AI？先看行业再看企业

样本中，AI相关句子的平均占比为：业绩电话会1.51%，10-K年报指定章节1.08%，业绩公告1.07%。这些比例并不高，但公司间差异明显。

哪些公司披露得更多？结果主要指向行业环境、研发投入、较低的有形资产比例，以及更多分析师关注。AI员工占比也与三个渠道的披露显著正相关。

最有启发性的数字来自作者对模型解释力的分解：行业相关因素约占模型已经解释的披露差异的83%—87%。

这不是说83%—87%的企业都在跟风，也不是说行业解释了全部披露差异的83%—87%。它说明，在研究模型能解释的那部分差异中，行业背景占据主要份额。

这一发现提醒我们：同一句AI表述，放在不同产业中，含义可能不同。披露可能同时反映行业技术机会、同行竞争和投资者的信息需求。作者无法把这些因素中的真实能力与披露激励完全拆开。

所以，比较两家企业谁更“AI化”，不宜直接拿跨行业的词频排名作为答案。

披露与人才也不能相互替代。三个渠道的披露指标与AI员工占比的相关系数约为0.20—0.31，呈正相关，却远非一一对应。

这个不完全重合的空间，正是论文进一步追问的地方：企业说出来的话，是否包含人才指标没有捕捉到的信息？

最关键的发现：控制人才投入以后披露仍然有信息

作者先检验，当期AI披露能否与下一年的经营效率和AI专利占比联系起来。随后，再加入AI员工占比，观察这种关系是否仍然存在。

结果是：在控制研发、规模、盈利能力等公司特征，以及行业和年份因素后，三个渠道的AI披露均与下一年的经营效率、AI专利占比显著正相关；加入AI人才变量后，这些正向关系仍然成立。

以AI专利占比为例，控制AI员工占比后的结果如下。

表中为控制其他变量后的关联，三者均在1%水平上显著。它们不是“多写一句AI就会多产生专利”的因果效应，也不是专利数量增长率。

这项结果的价值在于：在本研究的样本和模型中，知道一家企业的AI员工占比以后，其AI披露仍然包含与未来表现相关的额外信息。

作者进一步将这种增量信息解释为管理者对投资回报前景的信心。管理者可能比外部观察者更早了解项目是否顺利、产品能否交付、客户是否愿意采用。这些内部判断，未必能从人员数量中推断出来。

不过，“信心”是作者对证据的解释，没有被直接测量。尚未观察到的数据质量、团队能力和项目成熟度，同样可能构成披露的信息来源。研究支持披露具有信息增量，但不能确认所有增量都来自管理者的心理信心。

对读者而言，可以得到一个实用判断：企业言论值得读，前提是把它与资源和后续结果放在一起读。

四个条件帮助读懂AI叙事

产品与服务让披露更容易被检验

作者把AI披露分为两类。一类指向产品、服务和商业应用；另一类涉及一般运营、风险因素和内部流程。

结果显示，产品相关披露与未来效率、AI专利占比的关联更强。在分别控制AI人才投入的回归中，产品相关披露与下一年AI专利占比的关联系数为7.01，非产品相关披露为3.38；跨方程系数差异检验也支持两者存在差别。

作者的解释是可验证性：客户能够使用产品，竞争者能够观察功能，分析师能够把承诺与实际交付对照起来。管理层一旦作出具体的产品陈述，就更容易面对外部检验。

这为判断披露提供了比“技术名词是否先进”更有用的线索：谁能检验这段话，依据什么来检验？

例如，作为假设，“AI将全面赋能业务”很难核查；“某项产品已经加入一项可试用的AI功能”则提供了观察入口。当然，产品是否有用、能否盈利，还需要另外检验。

同时，内部流程披露的信息较弱，不代表内部AI应用的价值较低。企业可能在内部创造很大价值，只是外部人较难观察。论文比较的是披露的信息含量，不能据此给两类应用的经济价值排序。

人才基础与公开表述需要联合判断

作者综合三个渠道的披露，将企业按披露程度和AI人才水平分组。整体上，高披露、高AI人才的组合，与更好的后续效率和AI创新表现相联系；高披露而人才水平非高的企业，也表现出正向关联。

这一结果与“投入基础和披露信息相互补充”的解释一致。有人、有项目，又能说明业务进展，确实比孤立的一项信息更值得继续核查。

但它不是给企业贴标签的四象限测谎仪。人才水平“非高”包括较低占比和识别值为零，并不等于完全没有人才。高人才、低披露组虽然没有显示显著的效率差异，其AI专利占比仍显著高于“无AI披露且AI员工占比非高”的基准组。因此，不能将沉默等同于没有创新，更不能认为增加宣传就能把人才转化为绩效。

外部购买能力使披露含义更加复杂

企业不一定要把所有AI能力都建在内部。模型服务、云平台和咨询伙伴，都可能帮助企业开展应用。

作者利用文本识别可能从外部获取AI能力的公司。结果发现，在部分指标和期间，这类企业的披露与未来表现的关联较弱；但多数相关检验中，正向信息含量并没有消失。

一个合理的战略解释是：披露使用了某项大家都可以买到的服务，对判断企业独有能力的帮助，可能有限。要进一步理解优势，还得观察企业怎样把外部工具与自身数据、业务知识和流程结合起来。这是基于结果的延伸解释，论文没有直接测量整个整合过程。

尤其不能把这一发现改写成“自研优于外包”。研究比较的是披露与未来结果的关联，并没有识别两种组织方式的因果绩效差异。其外包指标也来自文字线索，并非采购合同或实际外包支出。

AI较少被提及的行业披露可能更有辨识度

另一项有趣的结果是：在AI披露较少见的行业，披露与后续经营效率的关联更强；不过，AI专利占比的结果没有显著的行业组间差异。

这可以从信息的新颖程度来理解。当某类说法在行业中很普遍时，再多说几句未必能增加很多辨识度；当它相对少见时，一项具体披露可能带来更多新信息。

这仍然不意味着“传统行业使用AI的回报更高”。研究告诉我们的是披露的相对信息价值，而非各行业AI项目的回报排序。

这篇论文给战略管理研究带来了什么

把资源投入与管理判断区分开来

论文最有意思的推进，是尝试把“投入了多少”与“管理者怎样看待这些投入的前景”分开。

投入可以提供资源基础的信息，披露则可能提供项目进展和管理判断的信息。两者结合起来，才能更接近企业真实的战略状态。对战略管理研究而言，这提示我们同时观察资源配置和管理层如何理解、解释这些资源的用途。

把披露内容与可验证条件联系起来

“谈得多不多”提供了一种测量，但“谈的内容能否被外部检验”进一步决定了我们如何解释这种测量。产品与服务的分析，使披露研究从篇幅和频率走向具体内容及其验证条件。

这里有一个值得继续追问的机制：当企业知道其承诺能够被客户或其他观察者检验时，它会怎样选择承诺内容？这种选择，又怎样影响外部人对企业能力的判断？论文提供了与这一机制一致的证据，未来仍需更直接的识别。

提醒我们区分对外叙事与内部组织过程

从本文进一步延伸，AI年报文本可以帮助观察企业向外界强调什么，却不能单独告诉我们组织内部实际上怎样分配注意力、预算和决策权。

这对注意力基础观和人机协作研究尤其重要。企业可能反复谈论AI，但真正改变战略的，是相关问题是否进入管理会议，是否得到预算，是否改变任务分工与决策程序。反过来，企业也可能已经发生深刻变化，却只在公开文件中简短提及。

因此，后续研究可以把公开AI叙事与内部议程、项目立项、人才配置和流程变化相连接。披露强度与组织内的实际应用深度，需要分别测量，再研究它们如何对应。 这是由论文引出的研究方向，并非本文已经完成的检验。

证据很有价值但结论有清楚的边界

这篇论文的优势，在于组合了多渠道文本、独立的人才数据和后续结果，并进行了多项稳健性检验。替换人才的资历和薪酬指标，改变模型形式，控制既有结果，或将观察窗口延长至两年、三年后，主要的正向信息关系仍然存在。

但读者仍需保留四项限定。

第一，有时间顺序的相关关系仍然不是因果关系。 主模型控制了行业和年份因素，没有加入企业固定效应，也没有利用自然实验或工具变量来识别披露的因果作用。优秀的组织能力、较成熟的项目，可能同时带来更多披露和更好的表现。作者也明确承认研究发现属于关联性证据。

第二，控制人才不等于控制全部AI投入。 职业履历中的岗位标签无法完整反映数据资产、团队质量、外购服务和组织调整。披露在人才指标之外的信息，仍可能部分来自这些未被测量的投入。

第三，平均信息含量不能替代个体真实性核验。 研究发现整体上的正向关系，仍然允许其中一些企业夸大AI能力。判断某一家企业是否兑现承诺，需要回到它自己的产品、合同、投入记录和经营证据。

第四，样本和时代范围有限。 样本要求三个披露渠道与人才数据同时可用，不能直接代表所有企业；研究期止于2023年，也不能用来宣称已经验证了随后几年大规模生成式AI或AI Agent应用的效果。

这些边界并不削弱论文的核心价值。它的贡献是说明企业AI叙事中存在可利用的信息，以及理解这些信息需要哪些条件。

对管理者和研究者的启示

对于企业管理者，这项研究带来的沟通启示是：让公开表述与可观察的业务进展相连接。

在论文证据基础上，可以进一步提出五个检查问题。它们是实践性延伸，并非作者检验过的评级工具。

1. AI具体进入了什么业务？ 说明产品、服务或流程中的具体任务，让读者知道应用发生在哪里。
2. 谁在承担这些任务？ 交代内部团队与外部伙伴的分工，让人才和能力来源成为可理解的信息。
3. 目前推进到了什么阶段？ 区分探索、试点、上线和持续运营，避免把未来目标写成当前能力。
4. 哪些结果已经可以观察？ 可以说明处理时间、差错率、客户采用或收入贡献等与场景匹配的指标，并交代比较基准。这些是沟通建议，不是论文逐项验证的结果。
5. 后续怎样复核承诺？ 尽可能保持披露口径一致，使外部人能够把不同期间的说法与实际变化相比较。

对于研究者，更值得谨慎处理的是AI测量。年报词频具有规模化研究的便利，但当它被命名为“AI应用程度”甚至“AI能力”时，研究实际上跨越了从语言到行为、再到能力的多个层次。

本文提示我们，可以把披露、人才、采购、项目和业务结果分别测量，研究它们的一致与偏离。高披露、低内部AI员工占比，可能源于外部采购、应用阶段差异或宣传策略；这些机制需要额外证据区分。

对于人机协作研究，还可以进一步追问：相似的AI人才规模，为什么在一些企业表现为可交付的产品，在另一些企业主要停留在内部试验？任务配置、判断权安排和验证程序是否解释了这种差异？

对于绿色转型研究，同样可以提出一个延伸问题：企业宣称“AI促进低碳”时，这项承诺何时进入具体项目的目标和决策规则，又怎样与能耗、排放或资源利用结果对应？这些都是本文带来的研究启发，其数据并未检验这些问题。

结语

企业AI叙事的价值，最终需要放回业务过程理解。人才说明资源承诺，产品提供观察入口，后续结果帮助检验此前的判断。

这篇论文给出的有用提醒是：认真读企业说的话，同时继续追问这些话与投入、行动和结果怎样连接。这样的阅读，既能识别公开沟通中的有效信息，也为检验过度承诺留下空间。

下一次看到企业宣布“全面拥抱AI”，可以问得更具体一点：这项战略由谁推进，进入了哪个产品或流程，留下了什么能够持续核查的结果？

论文信息

Barrios, J., J. Campbell, C. Liu, and R. Johnson. 2026. Signals or smoke? The determinants and informativeness of corporate artificial intelligence (AI) disclosures. Review of Accounting Studies, forthcoming.