AI 與市場力量

資料來源#

Competition in the Age of AI: Initial Evidence from Microdata

摘要#

Calligaris、Calvino、Costa、Greppi 與 Pallanch，Competition in the Age of AI (OECD Artificial Intelligence Papers No. 62, 2026-07-30) 是知識庫中第一篇探問 AI 是否讓市場競爭力下降的資料，並以行政微觀資料而非敘事來回答。作者用自己的話給出的結論是：「呈現的是混合而非令人警覺的圖景。」

論文以 2×2 架構切入：AI 使用者 vs AI 開發者，再分為生成式 vs 非生成式 AI。這些象限的經濟特性不同——基礎模型開發仰賴高固定成本與規模經濟，下游的使用則成本低、普及性高——因此把它們混為一談、統稱為「AI 與競爭」必然模糊失焦。實證章節刻意略過基礎模型市場，只衡量行政資料能涵蓋的三個象限。

四項衡量結果，各自使用不同工具：

非 GenAI 使用（法國 + 葡萄牙 ICT 調查，2011–2022）。 AI 使用企業的規模大得多，但規模溢價來自選擇效應，採用後也沒有動態收益：市占排名沒有變動，加價率也沒有成長。
GenAI 暴露程度（葡萄牙雇主與員工連結資料，2023）。 暴露程度與規模及市占率呈倒 U 型，與生產力及技能則呈單調關係——小型企業與有能力的企業同時都有機會與優勢。
AI 開發（PATSTAT + Orbis，2001–2021）。 全球 AI 專利集中度的所有指標長期都下降，主要由中型新進者帶動；然而在市場內，AI 專利集中度與銷售集中度呈正相關。AI 專利帶來的加價率溢價僅出現在 ICT。
AI 新創（OECD Start-up Database，382,108 家企業）。 GenAI 新創相較於可比的非 AI 新創，取得的 VC 約多 130%，被收購的可能性約高 21%，而收購者多半是既有業者。

證據說明。 empirical — 官方國家統計調查（Eurostat-guideline ICT surveys）、行政資產負債表、人事紀錄、PATSTAT 專利家族與 Orbis 財務資料。但論文中的所有估計都只是相關性，作者也一再如此說明：全文沒有任何因果識別策略，作者承認反向因果關係（「原本就有市場力量的企業或許更有條件投資並採用 AI」），而研究期間大致早於 GenAI——AI 使用虛擬變數只在 2020 和 2022 年觀察，因此「主要反映非 GenAI 的使用」。作者還指出兩項限制：市占率分析忽略企業集團結構與地理市場範圍（因而低估集中度），專利分析則只涵蓋 AI 相關申請密集的 15 個產業。請把全文視為監測基準，這也是論文對自身定位的方式，而非一組效果估計。

解析警告。 這份原始資料由 PDF 轉換而來，verify 回傳 warn。Markdown 中有兩張迴歸表格損壞：Table 4.8（新創收購）列位移嚴重，無法判定係數對應哪一列或哪一欄；Table 4.5 Panel B 的第 (4)–(5) 欄則被合併成單一儲存格。編譯時又發現兩處無聲遺漏：Table 4.3 的 AI user 列遺失標準誤，Table 4.6 的 ICT 列也遺失標準誤。本頁引用的所有表格數字都已用 pdftotext -f <page> -layout 重新查閱來源 PDF（第 33–36、42、45、48、50 頁），並以校正後的形式呈現；來自正文與圖表影像的數字也有標明。canary-recall 回傳 19/19（recall 1.00），因此正文內容完整。(原始資料於 2026-09-05 以 docling 2.126 重新解析：Table 4.8 的 Serial founder 列和 Table 4.5 Panel B 現已完整，但新解析使 Table 4.3（Fast broadband 標準誤滑入 Tech intensity 列）發生位移，並把 Table 4.6（ICT + AI × ICT 合併在同一列）；本頁引用的數字都已在 PDF 第 35/45 頁校正，因此數字沒有變動。詳見 raw/oecd-competition-in-the-age-of-ai 頁面頂端的說明。)

2×2 架構，以及它為何是論文真正的貢獻#

	使用者	開發者
生成式 AI	在生產流程採用 GenAI 工具（電子郵件、服務、程式碼、分析）。從 ChatGPT 使用者到微調自家 LLM 的企業都有。降低進入門檻，有利競爭；若吸收能力不均，則不利競爭	前沿基礎模型建置者（高固定成本、規模與範疇經濟、垂直整合），以及多元的小型特定任務模型開發者
非生成式 AI	推薦系統、異常偵測、預測。向雲端業者採購可降低固定成本；資料所有權與管理準備度成為差異所在	銷售客製化解決方案的小型 ICT/獨立 AI 企業，以及將 ML 與儲存服務綑綁的大型多產品平台。領域專業知識與專有資料是優勢所在

這個架構很重要，因為競爭疑慮因象限而異，有時方向甚至相反。GenAI 使用所在的象限，可能讓小型企業超越既有業者；GenAI 開發所在的象限，則因規模經濟而直接指向寡占。論文坦承的一項限制是，「不同象限之間有時可能難以區分」——只為內部使用而開發 AI 的企業會歸類為使用者，而專利證據「也可能與生成式 AI 系統的開發有關」。

架構的文獻回顧中有一項結構性事實值得單獨記下：截至 2023 年年中，Azure、AWS 與 Google Cloud 合計約占雲端市場的 65%（引用 Biglaiser、Crémer 與 Mantovani 2024）。小型 AI 開發者正依賴這三家供應商，而這是微觀資料看不到的競爭疑慮。

非 GenAI 使用：巨大的水準差距來自選擇效應，沒有動態收益#

描述性差距極大。在法國，使用 AI 的企業平均市占率是未使用者的 7.5×；葡萄牙則是 3.2×（Figure 4.1，正文陳述）。若 AI 帶來市場力量，理應在控制其他因素後仍存在這項差距，並且隨時間擴大。實際上兩者都沒有發生。

控制其他因素後，水準溢價便消失（Table 4.1，依變數 = 3 位數產業內的市占率十分位；根據 PDF 第 33 頁校正）：

`AI user` 係數	(1) 基準	(2) + 寬頻、技術密集度	(3) + 落後一期的對數生產力
法國 (N 15,837 → 14,895)	0.0657*** (0.0204)	0.0530** (0.0208)	0.0266 (0.0178) ns
葡萄牙 (N 8,472 → 8,144)	0.0681*** (0.0208)	0.0283 (0.0214) ns	0.0199 (0.0206) ns

讓溢價消失的變數是落後一期的生產力（法國 0.1816***，葡萄牙 0.1925***）——是其取代的 AI 係數的 7–9 倍。採用 AI 的企業原本就更數位化、生產力也更高；市占率溢價屬於它們，而非 AI。這項結果在市占率層面重現了 Calvino 與 Fontanelli (2023) 的發現：「生產力溢價並非全都來自 AI 使用。」

沒有動態收益（Table 4.2，依變數 = 五年內十分位位置的變化，根據 PDF 第 34 頁校正）：AI user 係數在六種模型設定中全都不顯著——法國 0.0124 / 0.0091 / −0.0052，葡萄牙 0.0112 / 0.0039 / 0.0045。採用者並不比未採用者更可能往上攀升。起始十分位的係數一直大幅為負（−0.1185*** 至 −0.1714***），也就是機械性的天花板效應；落後一期的生產力再度發揮真正作用。

加價率也沒有提升（Table 4.3，t−3 至 t+2 的加價率成長率，根據 PDF 第 35 頁校正）：法國的 AI user 係數為 0.0081 (0.0064) 和 0.0073 (0.0065)，葡萄牙則為 0.0163 (0.0126) 和 0.0076 (0.0131)——全部都不顯著。Figure 4.2 顯示，2011–2022 年間兩國的加價率走勢都沒有分歧，儘管兩國的全國加價率趨勢差異很大（葡萄牙上升速度遠快於法國）。

零結果中的唯一裂縫。 在相同控制變數下，序位 probit 發現 AI 使用與落在最高十分位的機率較高相關——只有法國達到顯著。作者將此解讀為異質性：AI 可能強化原本就位居頂端的企業優勢，卻不會推升一般採用者。這是本節唯一指向集中化的結果，而且只來自單一國家的一種模型設定。

GenAI 暴露程度：規模呈倒 U 型，技能呈單調關係#

由於官方統計尚未涵蓋 GenAI 使用，論文以企業職業組成代理衡量 GenAI 的潛在使用：將 Felten-Raj-Seamans 的職業層級 GenAI 暴露分數套用於葡萄牙人事紀錄，再計算以就業人數加權的企業平均值。這是知識庫中 Exposure Taxonomy: Observed, Theoretical, Reported, Anticipated 尚未涵蓋的一個新軸向——不是新的暴露程度構念，而是把既有的職業構念彙總到企業層級；而這正是該頁指出暴露指數在結構上無法捕捉的企業與職業間差異。

按 GenAI 暴露程度五分位分組的企業特徵，葡萄牙 2023 年（Table 4.4，根據 PDF 第 36 頁校正）：

	Q1（暴露最低）	Q2	Q3	Q4	Q5（暴露最高）
使用 AI 的企業比例	0.06	0.09	0.08	0.09	0.12
營業額（千 EUR）	961	1,851	1,651	1,614	1,077
附加價值（千 EUR）	376	597	661	650	497
資本（千 EUR）	336	666	595	480	367
就業人數	14	16	15	9	6
生產力（千 EUR/每名員工）	24	32	37	45	52
企業年齡	15	17	18	16	12
市占率	0.06	0.11	0.09	0.09	0.05
加價率	1.58	1.57	1.64	1.87	1.95
高等教育程度比例	0.04	0.09	0.16	0.30	0.46

兩種梯度朝相反方向變化，這就是整項發現：

單調上升： 生產力（24 → 52，+117%）、加價率（1.58 → 1.95）、高等教育程度比例（0.04 → 0.46，相差 11.5 倍），以及自陳 AI 使用比例（0.06 → 0.12，剛好翻倍）。
倒 U 型，在 Q2–Q3 達峰值： 營業額、附加價值、資本與市占率（0.06 → 0.11 → 0.05）。位於頂端的企業就業人數與企業年齡也較低：暴露程度最高的企業平均有** 6 名員工、企業年齡 12 年**；最低組則分別為 14 人與 15 年。

因此，最容易暴露於 GenAI 的企業規模小、年輕、教育程度高、生產力也高——但不是市場領導者。作者同時解讀這兩方面：暴露程度「尚未只限於最大型的既有業者……為中型、高生產力企業運用這些工具挑戰市場領導者創造了可競爭的窗口」，同時也提醒「能力較高的企業或許更容易釋放生成式 AI 的效益，因此提高生產力差距擴大的風險」。

衡量方法本身的反身性是需要注意之處，論文也明確指出。 GenAI 暴露分數偏重認知型非例行任務，因此聘有程式設計師、分析師與寫作者的企業會依定義得到高分——而這些企業的高等教育程度比例與生產力也都較高。因此，高等教育程度梯度部分反映了衡量工具自身的特性。規模與市占率的倒 U 型則不是機械性結果，因為暴露分數並未納入企業規模。

AI 開發：集中度下降，但與市場集中度相關#

長期趨勢是分散化，與直覺敘事相反。 Figure 4.3（已檢視圖表）繪出 2001–2021 年間全球 AI 專利申請中，由最大 1 / 4 / 20 / 100 家專利權人持有的比例。走勢呈 U 型，中間有一次尖峰：四項指標都降至約 2009–2011 年的低谷，在 2011 年後（深度學習時代慣常認定的轉折點）快速上升，約於 2014 年達峰，接著一路下降至 2021 年。Panel B 顯示 2001→2021 年的變化，所有指標都為負值——從長條圖讀值約為 −60% (CR1)、−51% (CR4)、−49% (CR20)、−32% (CR100)。同四個時點的 CR100 約為 32.5 → 17.5 → 31 → 22.5。

這個排序就是論點：範圍最廣的指標降幅最小，代表中型創新者（排名 21–100）相較於最頂端與長尾業者都提高了市占。作者指出，這項下降「似乎主要是由中型創新者數量增加所帶動，而非最大業者的活動絕對減少」——這是「市場擴張的特徵」。只納入 PCT 專利的穩健性分析（Figure A B.1）同樣呈現 2011 年後的尖峰，但之後的集中度仍較高；而且在這項衡量中，長期只有 CR1 下降，較廣泛的指標則上升。兩種分析對 CR4–CR100 的長期方向並不一致，論文兩者都列出。

領導者之間的流動性。 以 AI 專利家族的年度流量排名，某一年位居第一的專利權人，隔年仍維持第一的機率為 0.48；五年期間內留在頂端的機率則「大幅下降」（Figure 4.6）。短期穩定，中期重洗牌。

但企業層級的分散化，與市場層級的相關性並存。 以同一市場中的 AI 專利集中度，迴歸解釋市場集中度（銷售額 CR4，定義為 3 位數產業 × 地理範圍 × 年份，資料來自 Calligaris et al. 2024）（Table 4.5，根據 PDF 第 42 頁校正；15 個產業、2000–2019、N = 168–170）：

依變數：市場 CR4	(1) 無固定效果	(2) + 年固定效果	(3) + 年與地理固定效果
Panel A — 由排名最前的專利權人持有的 AI 專利比例	0.192*** (0.0704)	0.163** (0.0806)	0.167** (0.0831)
Panel B — 由按銷售額排名最前的企業持有的 AI 專利比例	0.426*** (0.152)	0.401** (0.155)	0.391** (0.162)

Panel B 的係數約為 Panel A 的 2.4 倍：兩者連結較緊密的重點不是「創新很集中」，而是「銷售領先企業持有 AI 專利」。調整後的 R² 始終接近零或為負值（Panel A 為 0.04 至 −0.03；Panel B 為 0.08 至 0.014）——這些是在一個 170 筆觀察值的面板資料中得到的條件相關性，並非解釋模型。論文提出三種解讀，沒有選定其中一種：領導者的 AI 專利鞏固了其地位；領導者有規模投資 AI；或是某項第三方效率因素同時推動兩者。還有第四項事實讓情況更複雜——市場領導者通常不是 AI 專利權人（多數產業很少或沒有 AI 專利由市場領導者持有），只有在集中度高的產業才是如此。

企業資料遺漏的集中化故事，出現在地理層級。 最近幾年，美國與中國合計占近 70% 的 AI 相關專利申請（Figure 4.4，正文陳述）；中國占比大幅上升，美國、日本與 EU27 則持平或下滑。企業層級的集中度下降，國家層級的集中度卻上升。

加價率：AI 專利帶來收益，但只在 AI 是產出時#

首次申請 AI 相關專利的企業，後續加價率成長確實較高（Figure 4.7，已檢視圖表）：到 2021 年，AI 專利群組的累積加價率成長約為 +12%，其他專利申請企業則約 +4%，差距從 2015 年後開始擴大。論文正文稱之為「略高」，比自身圖表呈現的幅度低了約三倍——若要引用文字而非圖表，這點值得注意。（早期數值波動很大，符合 AI 群組樣本較小的情況。）

迴歸顯示，原始差距其實是產業組成效應（Table 4.6，依變數 = 對數加價率，根據 PDF 第 45 頁校正；21 個歐洲國家，約 593–606K 個企業年觀察值）：

	(1)	(2)	(3) Cou-Year FE	(4) + Ind-Year FE	(5) 企業固定效果
`AI`	0.0376*** (0.0076)	0.0018 (0.0073)	−0.0370*** (0.0080)	−0.0565*** (0.0082)	−0.0144 (0.0103)
`ICT`		0.1848*** (0.0019)	0.1754*** (0.0019)
`AI × ICT`			0.0795* (0.0174)**	0.0784* (0.0173)**	0.0055 (0.0239)

逐欄來看：只要加入 ICT 虛擬變數，AI 的獨立溢價（+3.8%）便消失；納入固定效果後更轉為負值。仍然成立的是交互作用——在 ICT 產業內，AI 專利讓加價率提高約 +7.9%；在其他產業，AI 專利反而與加價率略微下降相關。 作者的解讀是：AI 在 AI 為企業產出時帶來市場力量，而非作為其他產品投入時。這為「AI 創造市場力量」劃出一道明確且可檢驗的界線，也與知識庫在勞動面向一再發現的模式一致——見 Firm AI-Spend Intensity and Headcount Growth，該文顯示只有在 Information 產業，衡量到的員工人數成長才達到統計顯著。

納入企業固定效果後，交互作用便消失（0.0055，ns）。作者將此歸因於兩個因素：企業開始申請專利後，AI 在企業內部隨時間變化不大；企業效果也吸收了早期最具創新力採用者的未觀察品質。這是實質的弱點——控制企業品質最充分的模型設定，得出的結果反而是零。

新創生態系：資金流向 GenAI，收購者也隨之而來#

新創樣本包含 382,108 家由 VC 支持或申請過專利的企業，首次 VC 融資或首次申請專利發生於 2001 至 2024 年。研究根據企業描述，以 LLM 微調模型對照標籤與專利衍生標籤進行分類：5,633 家 GenAI (1.5%)、89,764 家非 GenAI (23.5%)，其餘 75% 為非 AI 企業。 分類器本身就是一項有趣的研究產物——一篇探討 LLM 經濟影響的論文，用 LLM 作為衡量工具——而正文並未說明是否用保留的人工作標資料集驗證過。

新創成立。 兩類 AI 新創占各創業年份新創總數的比例都快速上升（Figure 4.8，已檢視圖表）：GenAI 新創比例在 2010 年前約為 1%，之後升至 2024 年批次的約 5–6%，其中幾乎所有增幅都發生在 2020 年後；非 GenAI 新創比例則從 2001 年約 14% 上升到 2024 年約 48%。絕對數量較早達峰（GenAI 在 2023 年約 555 家，非 GenAI 在 2017–18 年約 7,500 家），之後下降；作者將此歸因於近期批次的登記延遲，而非成長放緩。(兩個面板的比例軸都標示為「%」，但圖表實際以小數繪製；以上數字將軸讀作小數，才能與樣本總數中的 1.5%/23.5% 相符。)

資金。 VC 總額在 2021 年約達 $900bn 高峰，到 2023 年左右減半；但 GenAI 所占的部分在市場下行期間仍持續直線成長——2021 年前幾乎為零，2024 年約 $40bn，2025 年部分年度約 ~$50bn。此時 AI 相關新創取得的資金已接近較小資金池的一半（Figure 4.9，已檢視圖表；金額為圖表讀值）。

在控制可觀察變數後（Table 4.7，依變數 = 融資總額對數，根據 PDF 第 48 頁校正），GenAI 新創在基準模型中比非 AI 新創多 2.219 個對數點；納入國家－年份固定效果、專利、連續創業者與博士創業者控制變數後，仍多 1.314 個對數點——也就是論文所稱約 130% 的溢價。非 GenAI 新創的數值為 0.818 → 0.455。六種模型設定中的兩者都達到 1% 顯著水準。調整後 R² 為 0.003–0.066：AI 身分是融資的強力條件預測因子，但對整體融資的預測力不高。

退場——政策意涵最鮮明的發現。 樣本中的無條件收購退場機率為 7.58%。在線性機率模型中（Table 4.8，根據 PDF 第 50 頁校正；N 245,481–376,305）：

	(1) 基準	(2) + Cou-Year FE	(7) 完整控制變數 + 固定效果
`GenAI`	0.0161*** (0.00402)	0.0342*** (0.00681)	0.0332*** (0.00710)
`Non-GenAI`	0.000369 (0.00103) ns	0.0146*** (0.00263)	0.0157*** (0.00254)

以 7.58% 為基準增加 1.6 個百分點，就是論文所稱約 21% 的收購溢價；納入國家與創業年份固定效果後，此數字大致翻倍至 +3.3 個百分點，因為較年輕的批次在機械上較不可能已被收購，而 GenAI 新創大多成立時間較短。非 GenAI 身分要到加入相同固定效果後才達顯著，幅度約為 GenAI 的一半。

兩個控制變數的係數值得另行一提。連續創業者被收購退場的機率高出 4.2 至 5.0 個百分點（融資額也多 0.925–1.881 個對數點），是兩張表中最大的創辦人效果。另一項是退場時的專利存量係數變號——單獨納入時為 +2.41 個百分點（第 4 欄），完全控制時則為 −1.23 個百分點（第 7 欄）。固定融資、創辦人特徵與批次後，更多專利反而預測較少收購，與「收購者是為了取得智慧財產權而出手」的說法相反。

作者明確表示，無法區分收購溢價的兩種解讀——技術擴散（收購者擴大目標公司的創新成果）或策略性整併／「扼殺式收購」（收購者消除競爭對手並擱置創新，依據 Cunningham、Ederer 與 Ma 2021）。要區分兩者，需要論文留待未來研究的收購者類型資料。作者的政策建議也直接反映這項不確定性：目前採取事前管制還太早，但競爭主管機關「應密切監控大型業者可能進行的市場整併，尤其是收購具創新性與顛覆性 AI 開發者的情況」。

與知識庫其他衡量工具的對照#

與 Firm AI-Spend Intensity and Headcount Growth 對照——兩者可能並不矛盾，關鍵就在於原因。 Ramp × Revelio 發現，高強度 AI 採用者的員工人數在 24 個月內增加約 10%；OECD 則發現，AI 採用者五年內的市占排名與加價率成長都沒有提升。結果、國家與研究期間都不同，但兩者的調和方式不只如此。Ramp 的核心發現是，效果取決於使用強度：低強度採用者（每位員工每月 $2.78）與未採用者毫無差別，只有最高三分位（$33.67）的企業出現變化。OECD 採用的工具是二元式 ICT 調查問題——「這家企業是否使用 AI？」——無法區分這兩類企業；而 2020–2022 年的歐洲企業中，樣本主要落在低強度端。因此，OECD 的零結果可能是低強度使用的零結果；兩份資料與其說相互矛盾，不如說從兩端勾勒出同一種梯度。Ramp 的另一項結果也指向相同方向：衡量到的收益只有在 Information 產業顯著，OECD 的加價率溢價也只在 ICT 產業顯著。

與 Market-Priced AI Exposure (the AI Premium) 對照——定價預期與實際帳面數據的差距。 股票市場每週為 AI 暴露支付 64.1 bps 溢價；法國與葡萄牙的資產負債表資料則顯示，2011–2022 年間 AI 使用者沒有加價率優勢。兩者都是 empirical，並不衝突：資產價格反映預期未來租金，加價率衡量的是已實現的售價高於邊際成本的幅度；兩者涵蓋的企業也幾乎沒有重疊（接近前沿的全球上市企業 vs 兩個歐洲經濟體中員工人數至少 10 人的所有企業）。兩者有趣的交集在於與前沿的距離——AI 溢價只出現在已開發市場（17.9 bps），新興市場則沒有；OECD 的加價率溢價也只存在於 ICT 產業。兩種工具傳達相同訊息：目前可衡量的 AI 租金出現在 AI 是產品的地方。

與 Compounding Data Moat 對照——既有業者優勢論只得到部分且不一致的支持。 資料護城河論認為既有業者會累積持久優勢。這裡的發現是：在市場內，集中產業中持有 AI 專利的企業正是銷售領導者（Panel B，0.39–0.43），既有業者也以 21% 溢價收購 GenAI 新創。但全球 AI 專利集中度在二十年間的所有指標上都下降，排名第一的專利權人年對年延續領先地位的機率只有 0.48，而 GenAI 暴露程度最高的企業平均僅有六名員工。收購與領導者持有的專利看得見護城河，創新活動的參與者則看不出來。

與 AI Investment Story, Not Efficiency Story 對照——用不同結果回答分類問題。 該頁探問 Emergence 的「AI 公司」標籤是否推動其 RPE 差距。OECD 的設計最接近知識庫所需的分類軸測試：採用狀況是官方統計調查的回覆，而非創投的標籤；論文也確實依照該問題的要求逐步進行——加入控制變數，觀察溢價消失。市占率溢價確實消失。這不是 RPE 的答案，卻是相同模式的答案：原始的 AI 與非 AI 差距，最後發現源自企業原本就存在的品質差異。

擴散程度與衡量工具的視野。 OECD ICT 使用統計顯示，2025 年 OECD 企業的 AI 採用率為 20.2%——接近 Firm AI-Spend Intensity and Headcount Growth 所引用的 Census BTOS 企業加權 18%，遠低於 Ramp 支付軌道上約 55% 符合資格且有任何 AI 支出的企業，也低於高階主管調查的約 69–78%。具代表性的國家統計調查在這個範圍中讀數較低，而且最能代表整體企業——這是 Telemetry vs. Survey Measurement 衡量視野論述的重要基準。

延伸連結#

The Enterprise AI Adoption Gradient — 表面上的規模矛盾及其解釋：OpenAI 的 ChatGPT Enterprise 採用者是大型美國上市既有業者（員工人數中位數為 2,934，未採用者為 424），而本頁 GenAI 暴露程度最高的葡萄牙企業平均只有六名員工。暴露程度是職業組成代理指標，未考慮採購；企業採用則是只有規模夠大的組織才會進行的採購行為。在密集使用層面，兩者看法一致，因為採用者的每位員工使用量會隨員工人數增加而大幅下降。這也解釋了本頁對差距擴大的疑慮，OpenAI 將其表述為「擴散初期可能會強化企業既有的異質性」
Firm AI-Spend Intensity and Headcount Growth — 最相近的同類研究，也是最有力的調和方式：該研究的強度門檻（每位員工每月 $2.78 vs $33.67）解釋了為何歐洲 ICT 調查的二元式採用變數什麼也找不到；兩份研究各自都發現可衡量的 AI 效果只出現在 Information/ICT
Market-Priced AI Exposure (the AI Premium) — 定價預期與帳面數據的對照：股票每週的 AI 溢價為 64 bps，但法國與葡萄牙 AI 使用企業沒有加價率溢價；兩種衡量工具都只在接近前沿處發現效果
Compounding Data Moat — 對既有業者護城河論的衡量：收購與領導者持有專利的面向得到支持，創新集中度的面向則不成立（CR1–CR100 在 2001–2021 年間全都下降，排名第一的專利權人延續領先地位的機率為 0.48）
AI Investment Story, Not Efficiency Story — 用市占率而非每名員工營收，檢驗分類與選擇效應問題：原始差距為 7.5×/3.2×，納入數位化程度與落後生產力後便消失
Organizational Complements to AI — 企業層級的互補因素：GenAI 暴露五分位中的高等教育梯度（0.04 → 0.46），是根據人事紀錄衡量的人力資本互補性；論文政策章節也明確指出，「取得 AI 相關技能的障礙，可能實際上成為進入市場的障礙」
Returns to Expertise in Agentic Coding — 企業層級收益與個人層級溢價的對照：生產力與能力較高的企業「更容易釋放」效益，呈現相同的雙面效果（能力較強者獲益最多，因此差距擴大）
Exposure Taxonomy: Observed, Theoretical, Reported, Anticipated — 新增的是彙總方式，而非新構念：透過雇主與員工連結資料，以就業人數加權將 Felten-Raj-Seamans 職業分數彙總至企業層級，這正是職業指數無法以其他方式呈現的企業與職業間差異
Telemetry vs. Survey Measurement — 第四種工具：具代表性的國家統計調查（Eurostat-guideline ICT surveys，由國家統計機關強制抽樣調查）；OECD 企業 20.2% 的採用率讀值為知識庫中採用率範圍的低端基準，與 Ramp 支付軌道的約 55% 讀值相對照
The Solo-Founder Shift — 從退場面向對照創辦人特徵：連續創業者被收購退場的機率高出 +4.2–5.0 個百分點，融資額也多 0.9–1.9 個對數點，是 OECD 兩張表中最大的創辦人效果；樣本為 382,108 家新創，而非 Carta 平台上的企業
AI-Native Startup Lifecycle — 新創生命周期模型預設的退場市場背景：收購已取代 IPO 成為主要退場途徑，而 GenAI 新創在 7.58% 的基準上享有 21% 的收購溢價

開放問題#

非 GenAI 的零結果是否是二元式採用衡量造成的假象？ 論文自己的未來研究方向清單提出，以「AI 使用強度」取代 ICT 調查的「是／否」問題；Firm AI-Spend Intensity and Headcount Growth 發現，整個效果都取決於使用強度。若在相同的法國與葡萄牙面板資料中，以支出或強度分級的採用變數衡量，能否找出被虛擬變數掩蓋的市場力量效果？
GenAI 暴露程度與規模／市占率的倒 U 型，能否經得起實際 GenAI 採用資料檢驗？ 本文的暴露程度衡量的是職業組成，而非實際使用。如果小型、技能密集且暴露程度高的企業，實際採用率未能與其暴露程度相符，「可競爭窗口」的解讀就會退化為企業聘用分析師情況的描述。
技術擴散還是市場整併？ GenAI 新創收購溢價為 21%，既可能代表技術移轉，也可能是扼殺式收購；論文因缺乏收購者類型資料而無法區分。被收購的 GenAI 新創在收購後，其專利申請或產品延續情況是否因收購者規模與市場地位而異？

資料來源#

Competition in the Age of AI: Initial Evidence from Microdata — Sara Calligaris、Flavio Calvino、Hélder Costa、Andrea Greppi 與 Oliviero Pallanch，Competition in the Age of AI: Initial Evidence from Microdata (OECD Artificial Intelligence Papers No. 62, 2026-07-30, 75pp, CC BY 4.0, empirical)。§2 概念架構與 Table 2.1；§3 資料（ICT 調查、LEED/Quadros de Pessoal、PATSTAT Global Autumn 2024、Moody's Orbis 2023 vintage、OECD/STI Start-ups Database）與 Box 3.1 競爭衡量方式；§4「根據官方 ICT 調查的 AI 使用證據」（Figures 4.1–4.2、Tables 4.1–4.3）、「根據 LEED 的 GenAI 職業暴露證據」（Table 4.4）、「根據專利資料的 AI 創新證據」（Figures 4.3–4.7、Tables 4.5–4.6）、「AI 新創生態系的證據」（Figures 4.8–4.9、Tables 4.7–4.8）；§5 結論與政策解讀。解析警告： 這份由 PDF 轉換的原始資料，verify 回傳 warn。Markdown 中的 Table 4.8 列位移嚴重，無法修復（Serial founder 列包含觀察值計數；Obs. R² 將計數和 R² 混在一起；Non-GenAI 的標準誤往下滑了一列），Table 4.5 Panel B 的第 (4)–(5) 欄合併成單一儲存格；編譯時也發現 Table 4.3 的 AI user 列與 Table 4.6 的 ICT 列有標準誤無聲遺失。以上引用的所有表格數字都以 pdftotext -f <page> -layout 重新查閱——第 33 頁 (Table 4.1)、第 34 頁 (4.2)、第 35 頁 (4.3)、第 36 頁 (4.4)、第 42 頁 (4.5)、第 45 頁 (4.6)、第 48 頁 (4.7)、第 50 頁 (4.8)——其中 Table 4.1、4.2、4.4、4.7 在 Markdown 中正確，4.3、4.5、4.6、4.8 則否。canary-recall 回傳 19/19（recall 1.00），因此解析出的正文數字可信。圖表影像採兩階段檢視，包括 Figures 4.3（專利集中度，兩個面板）、4.7（加價率趨勢）、4.8（新創數量與占比）與 4.9（按新創類型劃分的 VC 融資）；正文已標明從這些圖表讀取的數值。Figure 4.7 的差距（約 12% vs 約 4%）是來源正文明顯低估自身圖表的唯一一處。COI： 除一般情況外並無其他利益衝突——這是 OECD 秘書處在 AI-WIPS 計畫下撰寫的論文，計畫由德國 BMAS 資助；法國資料透過 CASD 取得。此處未引用： 附錄圖表（A B.1–A B.5），但正文引用其中兩項穩健性分析；以及 Figures 4.5 和 4.6，相關數值取自正文而非圖表影像。(原始資料於 2026-09-05 以 docling 2.126 重新解析：Table 4.8 的 Serial founder 列和 Table 4.5 Panel B 現已完整，但新解析使 Table 4.3（Fast broadband 標準誤滑入 Tech intensity 列）發生位移，並把 Table 4.6（ICT + AI × ICT 合併在同一列）；本頁引用的數字都已在 PDF 第 35/45 頁校正，因此數字沒有變動。詳見 raw/oecd-competition-in-the-age-of-ai 頁面頂端的說明。)