Kiwango cha ufichuzi wa akili bandia ni kipimo cha maandishi cha ufichuzi wa kampuni kinachoundwa kwa kusawazisha maudhui yanayohusiana na AI katika ripoti ya SEC 10-K kwa urefu wa faili na kisha kutumia mgeuzo wa inverse hyperbolic sine. Mingyeong Song na Hana Kim wanachunguza kampuni za umma za Marekani katika kipindi cha 2010–2024 ili kubaini jinsi kiwango cha ufichuzi wa AI kinavyohusiana na uthamini wa kampuni katika mwaka unaofuata, kama wachambuzi wanaitikia ufichuzi huo huo kupitia utabiri wa karibu wa EPS, na kama umakini wa vyombo vya habari kuhusu AI unaimarisha uhusiano huo wa uthamini. Utafiti unaounganisha data za SEC EDGAR, Compustat, IBES na ProQuest TDM Studio unaripoti kuwa kiwango cha ufichuzi wa AI kinahusiana chanya na Tobin’s Q na uthamini wa market-to-book wa mwaka unaofuata; lakini haukubaini athari muhimu ya muda mfupi kwenye mabadiliko ya analyst coverage au EPS forecast revision karibu na tarehe ya filing.

Matokeo ya msingi ya utafiti ni kutokulingana kati ya soko na wachambuzi. Katika modeli kuu ya fixed effects, mgawo wa kiwango cha ufichuzi wa AI kwa log Tobin’s Q ya mwaka unaofuata ni 0,115 na ni muhimu katika kiwango cha %1. Matokeo ya market-to-book ni 0,146. Kinyume chake, migawo ya mabadiliko ya analyst coverage, idadi ya wachambuzi baada ya filing na EPS forecast revision si muhimu kitakwimu. Katika uchanganuzi rasmi wa mediation, athari isiyo ya moja kwa moja kupitia njia ya analyst coverage pia imepatikana kuwa takribani sifuri.

Umakini wa habari kuhusu AI peke yake si kiashiria huru cha uthamini; lakini unaposhirikiana na ufichuzi wa AI wa kampuni, unaimarisha uhusiano wa uthamini. Mgawo wa AI disclosure × TDM AI news interaction katika modeli kuu ya Tobin’s Q ni 0,085 na unaendelea kuwepo katika ukaguzi wa exact-name matching, outlier exclusion, winsorization na permutation placebo. Hata hivyo, utafiti ni wa uchunguzi na kimsingi ni wa uhusiano. Fixed effects, mpangilio wa lead-lag, instrumental variables na marekebisho ya sample-selection hutoa uimara muhimu; lakini utafiti hauonyeshi kwa uthabiti kuwa ufichuzi wa AI huongeza uthamini kwa njia ya kisababishi.

Tatizo la utafiti

Kampuni zinazidi kutaja akili bandia katika ripoti zao za kila mwaka za 10-K. Hata hivyo, kauli ya kampuni kama “tunatumia AI”, “tunawekeza katika AI” au “tunaendeleza uwezo wetu wa AI” inaweza kuwekewa thamani kwa njia mbili tofauti.

Njia ya kwanza ni wachambuzi kusasisha viashiria vya msingi. Ikiwa ufichuzi wa AI kwa kweli unabadilisha mapato ya karibu, wachambuzi wa sell-side wanaweza kutarajiwa kubadilisha utabiri wao wa EPS, viwango vya coverage au matarajio mengine ya kifedha.

Njia ya pili ni simulizi la soko. Hata kama ufichuzi wa AI bado haujabadilika kuwa mapato ya karibu, unaweza kuathiri matarajio ya wawekezaji kuhusu chaguo za ukuaji wa muda mrefu za kampuni, uwezo wa kiteknolojia, intangible capital au nafasi ya kimkakati. Katika hali hiyo, vizidisho vya uthamini vinaweza kubadilika huku utabiri wa muda mfupi wa EPS wa wachambuzi ukibaki vilevile.

Ubunifu mkuu wa utafiti ni kujaribu kutenganisha njia hizi mbili ndani ya muundo mmoja wa utafiti.

Kwa nini ripoti za 10-K zinatumika?

10-K ni ripoti ya lazima ya kila mwaka inayowasilishwa kwa SEC na kampuni za umma nchini Marekani. Mbali na taarifa za kifedha, ripoti hizi zinaeleza hatari, shughuli, mkakati na ufichuzi wa kampuni unaolenga siku zijazo. Kwa hiyo, zinatoa chanzo kikubwa cha maandishi kinachowezesha masimulizi yanayohusiana na AI kulinganishwa mara kwa mara katika kiwango cha kampuni.

Chanzo kinasema kuwa katika sampuli, sehemu ya 10-K zenye angalau usemi mmoja wa AI iliongezeka kutoka %2,5 mwaka 2010 hadi %57,9 mwaka 2024. Maandishi ya utangulizi pia yanasema sehemu ya substantive AI discussion iliongezeka kutoka %1,0 hadi %42,6. Hata hivyo, mfululizo wa substantive katika Figure 1 ya chanzo hauonekani kwa macho kuendana na thamani hii ya %42,6. Kwa hiyo, %42,6 inapaswa kuhifadhiwa kama thamani iliyoripotiwa katika maandishi ya chanzo na isijengwe upya kama data ya grafu kabla tofauti ya ndani ya chanzo haijatatuliwa.

Dhana nne za utafiti

Vyanzo vya data

Muundo wa sampuli

Katika hifadhidata kuu ya disclosure–valuation kuna uchunguzi 72.958 wa kampuni-mwaka kwa kipindi cha 2010–2024 kabla ya vichujio mahsusi vya matokeo. Katika regression inayopendelewa ya Tobin’s Q fixed effects, uchunguzi 60.468 hutumiwa baada ya masharti ya vidhibiti visivyokosekana na uthamini mfululizo wa mwaka unaofuata.

Katika njia ya wachambuzi, kwa kila 10-K filing snapshot za karibu zaidi za IBES ndani ya siku 180 kabla na baada ya tarehe ya filing zililinganishwa kwa utabiri wa EPS wa mwaka wa fedha unaofuata. Sampuli kuu ya regression ina kampuni-mwaka 7.599.

Katika data za TDM Studio, majina ya kampuni yalisawazishwa na crosswalk iliundwa kwa utambulisho wa Compustat gvkey. Rekodi nyingi za habari zinazolingana na kampuni-mwaka mmoja zilikusanywa kwanza katika kiwango cha gvkey-year, kisha mgeuzo ukatumika.

Kiwango cha ufichuzi wa AI kinahesabiwaje?

Alama ghafi ya ufichuzi wa AI katika chanzo ni:

\[ Raw\ AI\ Score = \frac{(tier1+0.5\times tier2)\times10{,}000} {total\ words} \]

kwa namna hii.

tier1 inaashiria istilahi za msingi zinazohusiana moja kwa moja na AI; tier2 inaashiria istilahi za sekondari. Istilahi za Tier-2 huhesabiwa tu ikiwa filing ina angalau istilahi moja ya tier-1. Hivyo, mbinu hii inalenga kupunguza kuhesabu maneno ya jumla ya teknolojia kama AI bila muktadha.

Kizidishi cha 10.000 hutumika kwa ajili ya kuongeza kipimo pekee. Kisha alama hufanyiwa winsorize katika mkia wa juu na, kwa sababu ufichuzi wa AI ni adimu sana, mgeuzo wa inverse hyperbolic sine hutumika.

Vipimo mbadala vya ufichuzi wa AI

• Mgeuzo wa IHS wa idadi ya aya zinazohusiana na AI.
• Mtawanyiko wa aya za AI.
• Kiashiria cha substantive AI disclosure kinachokuwa 1 ikiwa kuna aya mbili au zaidi zinazohusiana na AI au mwelekeo wazi wa AI.

Lengo la vipimo mbadala ni kujaribu kama matokeo makuu yanategemea alama moja ya keyword.

Modeli kuu ya lead-lag ya uthamini

Chanzo kinajenga modeli kuu kama:

\[ \log Q_{i,t+1} = \beta AI\ Disclosure_{i,t} + \gamma'X_{i,t} + \alpha_i + \delta_t + \varepsilon_{i,t} \]

kwa namna hii.

\(\log Q_{i,t+1}\) ni thamani ya log Tobin’s Q katika mwaka wa fedha unaofuata. \(AI\ Disclosure_{i,t}\) ni kiwango cha ufichuzi wa AI cha mwaka wa sasa kilichogeuzwa kwa IHS. \(X_{i,t}\) ni vidhibiti vya ROA, log assets, R&D intensity na debt ratio. \(\alpha_i\) inawakilisha fixed effect ya kampuni na \(\delta_t\) fixed effect ya mwaka.

Makosa ya kawaida yamewekwa katika makundi mawili katika kiwango cha kampuni na mwaka. Katika modeli za ziada, year fixed effects hubadilishwa na industry-year fixed effects au uthamini wa sasa/uliochelewa hudhibitiwa.

Ufichuzi wa AI Katika 10-K Unahusianaje na Uthamini wa Kampuni?

Katika paneli ya kampuni-mwaka ya Marekani ya 2010–2024, kiwango cha ufichuzi wa AI kinahusiana chanya na uthamini wa mwaka unaofuata; katika modeli kuu ya fixed effects mgawo wa log Tobin’s Q ni 0,115 na mgawo wa log market-to-book ni 0,146, na uhusiano unabaki chanya ingawa unapungua baada ya kuongeza vidhibiti vya uthamini wa sasa au uliochelewa. Utafiti unatafsiri matokeo haya si kama athari ya kisababishi, bali kama matokeo ya uhusiano yaliyoimarishwa kwa ukaguzi wa robustlik.

Matokeo ya Tobin’s Q

Alama *** inaonyesha kiwango cha p<0,01 katika chanzo.

Je, vipimo mbadala vinaonyesha mwelekeo huohuo?

Ndiyo. Mgawo wa AI paragraph dispersion ni 0,044 na mgawo wa substantive AI disclosure ni 0,061, na vyote viwili ni muhimu katika kiwango cha %1.

Aidha, post-ChatGPT interaction ni 0,025 na p=0,394. Matokeo haya yanatoa ushahidi unaoungwa mkono na chanzo kwamba uhusiano wa msingi wa AI disclosure–valuation hauko maalumu tu kwa mlipuko wa umakini wa AI uliosababishwa na ChatGPT katika kipindi cha 2023–2024.

Njia ya wachambuzi inapimwaje?

Mpangilio wa muda wa uchanganuzi wa wachambuzi ni tofauti na modeli kuu ya kampuni-mwaka. Watafiti hutumia tarehe ya 10-K filing kama tarehe halisi ya event na kulinganisha snapshot za karibu zaidi za utabiri wa IBES kabla na baada ya filing kwa mwaka wa fedha unaofuata.

Matokeo yanayopimwa ni:

• analyst coverage change,
• idadi ya wachambuzi baada ya filing,
• EPS forecast revision ghafi,
• EPS revision iliyopimwa kwa bei

kwa namna hiyo.

Je, Wachambuzi Huakisi Ufichuzi wa AI Mara Moja Katika Utabiri wa EPS?

Chanzo hakitoi ushahidi muhimu wa karibu kuhusu hilo: migawo yote ya kiwango cha ufichuzi wa AI kwa coverage change, idadi ya wachambuzi baada ya filing, EPS revision ghafi na EPS revision iliyopimwa si muhimu kitakwimu; matokeo haya hayamaanishi kwamba wachambuzi hawana mwitikio wowote, bali kwamba hakuna sasisho muhimu la karibu la viashiria vya msingi lililogunduliwa katika dirisha la filing lililochunguzwa.

Umakini wa vyombo vya habari unapimwaje?

TDM AI news attention iliundwa kwa kukusanya idadi ya habari zinazohusiana na AI katika kiwango cha kampuni-mwaka hadi kiwango cha gvkey-year na kutumia mgeuzo wa IHS.

Kipimo mbadala cha tier-weighted media ni:

tier1 + 0,5 × tier2 + 0,25 × tier3

na hutumia muundo wa AI keyword wenye uzani.

Katika modeli za interaction, ufichuzi wa AI wa kampuni na umakini wa vyombo vya habari huwekwa katikati kwanza, kisha bidhaa ya vigezo hivyo viwili huundwa.

Je, Umakini wa Habari za AI Huimarisha Athari ya Uthamini ya Ufichuzi wa Kampuni?

Ndiyo; wakati umakini wa vyombo vya habari peke yake si kigezo muhimu cha uthamini, mgawo wa AI disclosure × AI news interaction ni 0,085 kwa Tobin’s Q, 0,104 kwa market-to-book na 0,091 katika modeli yenye industry-year fixed effects; chanzo kinatafsiri muundo huu si kama media kuchukua nafasi ya ufichuzi wa kampuni, bali kama utaratibu wa amplification unaoongeza mwonekano wa simulizi la kampuni sokoni.

Matokeo ya media interaction

Athari kuu ya TDM AI news katika modeli msingi ni 0,002 na si muhimu kitakwimu. Tofauti hii ni muhimu: matokeo hayawezi kutafsiriwa kuwa “habari za AI huongeza thamani ya kampuni”. Jambo muhimu katika matokeo ni kuambatana kwa mwonekano wa habari na ufichuzi wa AI wa kampuni yenyewe.

Je, kosa la matching ya jina la kampuni linaweza kueleza matokeo?

Chanzo kinapima mahsusi hatari ya false-positive inayotokana na matching ya data za TDM na Compustat kupitia majina ya kampuni.

Katika majaribio 300 ya permutation placebo ambako thamani za TDM attention zilisambazwa upya kwa nasibu kati ya kampuni ndani ya mwaka, wastani wa usambazaji wa null coefficient ni 0,000 na mkengeuko wa kawaida ni 0,019. Hakuna ugawaji wa nasibu uliofikia mgawo ulioonekana wa 0,085 na thamani ya p ya pande mbili ya kimajaribio ilikuwa 0,003.

Kwa nini uwezo wa shirika ni muhimu?

Utekelezaji wa teknolojia ya AI si kutumia tu jina la programu. Unahitaji mtaji unaokamilisha kama miundombinu ya data, mifumo ya IT, nguvu kazi ya kiufundi na taratibu za shirika. Kwa hiyo, chanzo kinapima dhana kwamba ufichuzi wa AI unaweza kuonekana kuwa wa kuaminika zaidi au unaoweza kutekelezeka katika kampuni kubwa zaidi.

Mbinu na Matokeo ya Utafiti

Matokeo ya uwezo wa shirika

Katika ufafanuzi msingi, Large employer inamaanisha angalau wafanyakazi 1.000, na large assets ni thamani ya log assets iliyo juu ya mediani.

Katika Table A4 ya ziada, matokeo pia yanachunguzwa kwa vipimo endelevu. Mgawo wa AI disclosure × log employment ni 0,019 na wa AI disclosure × log sales ni 0,008, na yote ni muhimu. Kinyume chake, interaction za capx/assets na R&D intensity si muhimu.

Kwa nini uchanganuzi wa instrumental variable unafanywa?

AI disclosure intensity inaweza kuwa endojeni. Kwa mfano, kampuni ambazo tayari zina uthamini wa juu zinaweza kutoa ufichuzi zaidi wa AI, au kunaweza kuwa na vigezo vya muda vinavyobadilika visivyoonekana vinavyoathiri ufichuzi wa AI na uthamini kwa pamoja.

Chanzo kinajenga modeli mbili tofauti za just-identified 2SLS.

1. Industry-peer IV: wastani wa leave-one-out AI disclosure wa kampuni nyingine katika sekta ileile ya Fama–French 48 katika mwaka uleule.
2. Geographic/state IV: wastani wa leave-one-out AI disclosure wa kampuni nyingine katika jimbo lilelile la Marekani katika mwaka uleule.

Matokeo ya 2SLS

Takwimu zote mbili za first-stage F ziko juu ya vizingiti vya kawaida vya weak instrument. Waandishi wanaona kuwa ukubwa wa migawo ya second-stage kuliko makadirio ya fixed effects unaendana na attenuation inayotokana na measurement error katika kipimo cha AI disclosure cha kamusi.

Hata hivyo, dhana ya exclusion restriction ya instrumental variable haiwezi kupimwa moja kwa moja. Ni muhimu kudhani kwamba ufichuzi wa AI wa kampuni nyingine katika sekta au jimbo lilelile unaathiri uthamini wa kampuni lengwa kupitia tabia ya disclosure ya kampuni lengwa pekee. Kwa hiyo, matokeo ya 2SLS yanatoa msaada wenye nguvu zaidi kwa usababisho, lakini hayapaswi kuwasilishwa peke yake kama ushahidi wa mwisho wa kisababishi.

Je, matokeo hubadilika baada ya kurekebisha uteuzi wa sampuli?

Kwa kuwa uthamini wa mwaka unaofuata hauonekani katika kampuni-mwaka zote, chanzo kinatumia inverse-probability weighting na marekebisho ya Heckman two-step.

Katika modeli ya Heckman, inverse Mills ratio ni 0,019 na p=0,945. Chanzo kinatafsiri matokeo haya kuwa hakuna ushahidi wa wazi wa selection bias unaotokana na mchakato wa sample-retention.

Viwango vya migawo katika jedwali hili havipaswi kulinganishwa moja kwa moja na Table 3 kuu; modeli za selection-correction hutumia industry na year fixed effects, huku baseline kuu ikiwa na firm fixed effects.

Je, njia ya wachambuzi inafanya mediation?

Uchanganuzi huu umetumika kwa kampuni-mwaka 6.264. Kwa kuwa a path iko karibu na sifuri na si muhimu, athari isiyo ya moja kwa moja inayoonekana katika mnyororo wa AI disclosure → analyst coverage → valuation kwa vitendo haipo.

Figure 2 inaonyesha nini?

Chanzo Figure 2 kinaonyesha kwa pamoja 10-K AI mention share na sehemu ya kampuni zenye TDM AI news attention chanya kati ya 2010–2024. Mfululizo wa AI disclosure huongezeka kwa kasi sana hasa baada ya 2022, lakini mfululizo wa TDM media attention haupandi kwa namna ileile ya mwelekeo mmoja.

Picha hii inaendana kimawazo na hitimisho la utafiti kwamba “umakini wa media hauchukui nafasi ya disclosure”. Hata hivyo, Figure 2 inaonyesha tu mfululizo wa maelezo kwa muda; haiwezi peke yake kuthibitisha utaratibu wa kisababishi wa interaction coefficient.

Kutokulingana ndani ya chanzo katika Figure 1

Maandishi ya utangulizi yanasema kiwango cha substantive AI discussion ni %42,6 mwaka 2024, lakini mfululizo mwekundu unaoonyeshwa kama “Substantive AI focus” katika Figure 1 hauonekani kwa macho kuendana na ukubwa huo mwaka 2024. Dokezo la Figure 1 pia linafafanua kipimo cha substantive kama aya mbili au zaidi za AI.

Kwa kuwa hakuna dokezo tofauti la kimethodolojia katika chanzo linaloeleza tofauti hii, Verianla haiunganishi maonyesho haya mawili wala kusahihisha moja kimya kimya kwa niaba ya nyingine.

Matokeo yanayoungwa mkono na utafiti

• AI disclosure intensity inahusiana chanya na Tobin’s Q na market-to-book za mwaka unaofuata katika paneli ya Marekani iliyochunguzwa.
• Uhusiano unasalia katika current valuation, lagged valuation, industry-year effects na vipimo mbadala vya AI disclosure.
• Hakuna uhusiano muhimu wa AI disclosure unaopatikana katika analyst coverage na EPS revision karibu na filing.
• AI news attention peke yake si kigezo chenye nguvu cha uthamini.
• Interaction kati ya AI news attention na AI disclosure ya kampuni ni chanya.
• Media amplification inaendelea kuwepo katika ukaguzi wa exact-name, outlier na permutation.
• Uhusiano wa AI disclosure–valuation ni mkubwa zaidi katika large employer na large assets.
• Makadirio ya njia ya mediation kupitia analyst coverage ni takribani sifuri.
• Uchanganuzi wa IV na sample-selection hauondoi uhusiano mkuu chanya.

Matokeo ambayo utafiti hauungi mkono

• Haijathibitishwa kwamba kuandika zaidi kuhusu AI huongeza thamani ya kampuni kwa uhakika na kwa njia ya kisababishi.
• Haijaonyeshwa kwamba maandishi ya AI disclosure hupima moja kwa moja AI capability halisi ya kampuni.
• Haijaonyeshwa kwamba wachambuzi hawana mwitikio wowote kwa taarifa za AI; hakuna tu sasisho muhimu la karibu lililopatikana katika madirisha ya coverage na EPS ya kila mwaka yaliyopimwa.
• Haijaonyeshwa kwamba umakini wa media peke yake huongeza uthamini wa kampuni.
• Haijaonyeshwa kwamba kiwango cha R&D kinaimarisha AI disclosure premium.
• Haijaonyeshwa kwamba kipindi cha Post-ChatGPT kimeimarisha uhusiano huu kitakwimu.
• Haijaonyeshwa kwamba matokeo ya sampuli ya Marekani yanaweza kujumlishwa moja kwa moja kwa nchi na mifumo mingine ya udhibiti.
• Haijapimwa moja kwa moja kama ufichuzi wa AI baadaye hubadilika kuwa tija halisi, faida au mafanikio ya bidhaa.

Vikwazo vikuu

• Kipimo cha AI disclosure kinategemea kamusi na hupima kiwango cha ufichuzi wa maandishi badala ya AI capability halisi.
• Vipimo mbadala vya aya na substantive vinaweza kupunguza tatizo la measurement error lakini haviwezi kuliondoa kabisa.
• Muundo kimsingi ni wa uhusiano na omitted variables zinazobadilika kwa muda zinaweza kubaki.
• Kwa kuwa vipimo vya wachambuzi vinazingatia snapshot za EPS za kila mwaka, vinaweza kukosa target price, qualitative report au mwitikio wa muda mrefu zaidi.
• Paneli ya TDM media inategemea mchakato wa matching wa jina la kampuni.
• Uthibitishaji wa article-level unaweza kutenganisha vizuri zaidi tangazo la kampuni na habari ya mtu wa tatu.
• Sampuli imezuiliwa kwa kampuni za Marekani.
• Kwa sababu kipindi cha 2010–2024 kina uenezaji wa haraka wa AI, haijulikani kama uhusiano utabaki sawa katika vipindi vijavyo.

Mielekeo ya utafiti wa baadaye

Chanzo kinapendekeza vipimo vya disclosure vya maandishi vithibitishwe kwa viashiria vya nje vya capability kama AI patents, AI job postings na product launches halisi. Kwa upande wa wachambuzi, forecast za muda mrefu zaidi, target-price na ripoti za utafiti wa kimaelezo; kwa upande wa media, utofautishaji wa article-level provenance ni muhimu kwa tafiti zijazo.

Maelezo ya Chanzo na Mbinu

Kichwa kamili cha asili: AI Disclosure Narratives, Media Attention, and Firm Valuation.

Waandishi: Mingyeong Song; Hana Kim.

Corresponding author: Hana Kim.

Uhusiano wa taasisi katika PDF: School of Business and Technology Management, Korea Advanced Institute of Science and Technology (KAIST), Daejeon, Republic of Korea.

Dokezo la uhusiano wa taasisi la SSRN: SSRN inaonyesha Hana Kim akihusishwa na KAIST lakini haitoi taarifa ya taasisi kwa Mingyeong Song; PDF iliyopakiwa inawahusisha waandishi wote wawili na kitengo kilekile cha KAIST.

Jukwaa: SSRN.

SSRN Abstract ID: 7030637.

DOI: 10.2139/ssrn.7030637.

Tarehe ya posting: 30 Juni 2026.

Idadi ya kurasa: 21.

Aina ya chanzo: Preprint research paper.

Hali ya peer review: PDF iliyopakiwa inaeleza wazi kwamba haijapitia peer review.

Peer-reviewed journal version: Katika uhakiki wa sasa wa kibibliografia hakuna toleo tofauti lililopitia peer review lililothibitishwa.

Leseni: Rekodi ya SSRN inasema “All rights reserved. No reuse allowed without permission”.

Maneno muhimu: artificial intelligence; disclosure; news attention; valuation; analyst forecasts; textual analysis.

JEL: G14; G32; M41; O33.

Kipindi cha utafiti: 2010–2024.

Vyanzo vikuu vya data: SEC EDGAR 10-K, Compustat, IBES na ProQuest TDM Studio.

Paneli kuu ya disclosure: 72.958 kampuni-mwaka.

Regression inayopendelewa ya Tobin’s Q: uchunguzi 60.468.

Sampuli ya regression ya wachambuzi: 7.599 kampuni-mwaka.

Kipimo kikuu cha AI disclosure: tiered AI keyword score iliyosawazishwa kwa urefu wa filing; upper-tail winsorization na mgeuzo wa IHS hutumika.

Vipimo mbadala vya disclosure: AI-related paragraph dispersion na substantive AI disclosure.

Mbinu kuu ya kiuchumi: lead-lag panel regression yenye fixed effects za kampuni na mwaka; makosa ya kawaida yamewekwa double-clustered katika kiwango cha kampuni na mwaka.

Muundo wa wachambuzi: Kulinganisha snapshot za karibu zaidi za IBES kwa mwaka wa fedha unaofuata ndani ya siku 180 kabla na baada ya tarehe ya 10-K filing.

Muundo wa media: TDM AI news attention hukusanywa katika kiwango cha kampuni-mwaka hadi gvkey-year na huwekwa katikati pamoja na disclosure kabla ya interaction.

Mgawo mkuu wa uthamini: AI disclosure → log Tobin’s Q(t+1): 0,115, s.e. 0,024.

Mgawo wa market-to-book: 0,146, s.e. 0,032.

Njia ya wachambuzi: Katika matokeo ya Coverage change, NUMEST, EPS revision na scaled EPS revision hakuna mgawo wa AI disclosure ulio muhimu.

Media interaction kuu: AI disclosure × TDM news = 0,085, s.e. 0,027.

Permutation placebo: ugawaji upya 300 wa within-year; p ya pande mbili ya kimajaribio=0,003.

Tofauti za uwezo: Interaction za Large employer na large assets ni 0,105 na muhimu; interaction ya high R&D si muhimu.

Industry-peer IV: First-stage F=307,7; mgawo wa second-stage AI disclosure 0,357.

State-peer IV: First-stage F=34,3; mgawo wa second-stage 0,818.

Sample selection: Katika marekebisho ya IPW na Heckman, mgawo wa AI disclosure unabaki chanya; inverse Mills ratio 0,019 na p=0,945.

Mediation: Athari isiyo ya moja kwa moja kupitia Analyst coverage ni -0,001 na sehemu ya mediation ni takribani %0.

Mgongano wa maslahi: Waandishi wameripoti kwamba hakuna maslahi ya kifedha yanayoshindana yanayojulikana wala uhusiano wa kibinafsi unaoweza kuathiri utafiti.

Data availability: Data za Compustat na IBES zilitumika kupitia WRDS, na data za TDM Studio chini ya leseni ya ProQuest, hivyo haziwezi kusambazwa tena na waandishi. SEC 10-K filings zinapatikana hadharani kupitia EDGAR.

Ufadhili: Hakuna taarifa tofauti ya ufadhili inayoonekana katika PDF iliyopakiwa.

CRediT: Hakuna taarifa tofauti ya CRediT/michango ya waandishi inayoonekana katika PDF iliyopakiwa.

Kikomo kikuu cha tafsiri: Licha ya ukaguzi wa robustlik na IV, utafiti unaeleza muundo wake mkuu kama wa uhusiano; vigezo visivyoonekana vinavyobadilika kwa muda havijaondolewa kabisa.

Kutokulingana ndani ya chanzo katika Figure 1: Utangulizi unasema sehemu ya substantive AI discussion ni %42,6 mwaka 2024, lakini mfululizo unaosemekana kuwakilisha dhana hiyo katika Figure 1 hauonekani kwa macho kufikia kiwango hicho. Kwa kuwa chanzo hakielezi tofauti hiyo, Verianla haijengi upya mfululizo huu kama grafu yenye thamani za namba za uhakika.

Figure 2: Inaonyesha pamoja mwenendo wa 2010–2024 wa 10-K AI mention share na sehemu ya kampuni zenye TDM AI news attention chanya.