Growing up in the modern world: how does artificial intelligence enhance firm growth?
Notice bibliographique
Résumé
Purpose This paper examines the relationship between Artificial Intelligence (AI) technology development and firm growth. Specifically, it aims to explore how the availability of AI influences firm growth and whether larger firms benefit more from AI-driven technological advancements compared to smaller firms. Design/methodology/approach Using a dataset from CRSP-Compustat covering public firms from 1975 to 2023, this study employs price per memory (PPM) as a proxy for AI technology accessibility to assess its impact on firm growth. The analysis focuses on three key growth metrics: total assets, tangible assets and market capitalization. By examining how data processing capacity influences these growth rates, the study compares the performance of large firms to small firms. A panel data regression is conducted, controlling for macroeconomic trends and industry-specific effects on firm growth. Additionally, the study investigates the heterogeneous impacts of AI technology accessibility across firms of different sizes. Findings The findings reveal that PPM, as a proxy for AI technology availability, significantly affects firm growth. Specifically, larger firms experience faster growth, especially in recent years, as AI technology becomes more accessible and cost-effective. These results suggest that large firms gain the most substantial benefits from AI advancements, further widening the growth gap between large and small firms. Originality/value This research extends prior studies on the impact of AI on firm growth by introducing PPM as a novel proxy for AI availability. It provides new insights into how AI technologies disproportionately benefit larger firms and offers important policy implications regarding firm financing and information regulation. This study also highlights areas for future empirical research on the role of AI in the financial industry.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».