企业家精神 每年NBER夏季的专题研讨会都有很多高质量文章，今年的创业和创新专题尤其如此。看到这里的好几篇文章都非常有意思。
这一篇和最近火热起来的一人公司（OPC）有关，也和大公司裁员有关。
“生成式AI如何改变创业”？《Prompted to Start: How Generative AI is Transforming Entrepreneurship》 探讨了生成式人工智能（GenAI）对创业活动、初创企业特征以及劳动力市场需求的早期影响 。
以下为AI提炼：
1. 主要内容：文章研究了 GenAI 的公开和普及（以 2022 年底 ChatGPT 发布为标志）如何改变新企业的创建和初创公司的内部组织结构 (pp. 2-3)。以往研究多关注 GenAI 导致成熟企业削减职位或提高个人生产力，而本文则从创业进入（Extensive Margin of Entry）这一全新视角出发，探讨了 GenAI 是如何降低创业门槛、促进“精益创业”、改变创始人技能画像，并最终通过新企业诞生来创造净就业增长的 (pp. 4, 28)。
2. 研究方法与数据来源📊 数据来源（多源异构数据库联动）创业意向与宏观企业创建数据：使用美国人口普查局的商业形成统计（BFS），通过雇员申请（EIN）的实时追踪捕获创业意向 (pp. 6-7)。细分行业及地理位置数据：使用 InfoGroup（现名 Data Axle） 数据库，获取四位 NAICS 编码级别的高精度企业注册、初始规模和地理位置信息 (pp. 7-8)。初创公司及创始人微观特征：将 Crunchbase 的初创企业记录与 LinkedIn（通过 Revelio Labs） 的员工/创始人简历数据进行匹配，构建了独特的“雇主-雇员匹配数据库” (pp. 8-9)。行业就业与薪资整体效应：结合美国人口普查局的季度劳动力指标（QWI），重点对比 0-1 岁新企业与老企业的就业及薪资差异 (p. 8)。
🔬 研究方法（双重差分法 + 创新风险暴露指标）GenAI 暴露率衡量（AEI 创新指标）：文章摒弃了传统的“专利文本相似度”或“专家主观评估”方法，创新性地采用了 Anthropic 经济指数（AEI） (p. 10)。该指数通过分析 Claude.ai 真实用户数百万次对话中特定任务的查询占比，构建了前瞻性的任务级、职业级和行业级 GenAI 暴露率 (pp. 10-11)。实证模型：采用双重差分法（Difference-in-Differences, DiD），以 2022 年底 GenAI 工具的大规模公测为分界点（Post），比较高 GenAI 暴露率行业与低暴露率行业在冲击前后的创业表现差异 (pp. 3, 15)。LLM 辅助分类管线：利用 Perplexity 和 Tavily 等深度研究 API，通过抓取网页和公开信息，将初创企业精确分类为“AI 原生型（AI-native）”和“AI 赋能型（AI-enabled）” (pp. 20-21)。
3. 主要结论，揭示了 GenAI 时代创业的全新生态：🔥 激发高暴露行业创业潮，共存双重机制：在 ChatGPT 发布后，高 GenAI 暴露行业的初创企业数量显著增加了 20% (pp. 3, 18)。这种增长不仅体现在利用 AI 优化内部流程以降低成本的“AI 赋能型”企业中，更体现在大量提供全新 AI 数字化产品或服务的“AI 原生型”企业中 (pp. 3, 19)。
📍 创业版图地理去中心化（Geographic Dispersion）：GenAI 相关的创业浪潮正在向传统创新中心（如硅谷、硅巷等 VC 枢纽）以外的区域扩散 (pp. 4, 24)。在缺乏成熟风险投资、本地行业特长劳动力薄弱的地区，新企业成立的增长幅度更大 (pp. 4, 24)。这表明 GenAI 充当了“按需专家”，削弱了创业对空间集聚和本地成熟 VC 网络的依赖 (pp. 22, 24)。
📉 初创企业显现“精益化”与“微型化”特征：单个初创公司在成立初期的员工规模明显变小（高暴露行业初创公司员工数平均减少近 25%），且公司内部的职业种类更加集中，展现出“精益创业”特征 (pp. 24, 27)。AI 工具替代了大量行政、营销等外围辅助性岗位，使得创始团队能以极低人力维持核心运转 (pp. 3, 31)。
💼 抵消大厂裁员潮，拉动社会净就业与薪资：虽然单个企业规模变小，但由于新开办的公司基数大幅增加，高暴露行业中初创企业（0-1岁）的总就业人数增长了 7.4%，平均薪资增长了约 5% (pp. 4, 28)。最关键的是，大型成熟企业正在裁减软件开发等 GenAI 高暴露职位，而初创企业则在大举吸纳并雇佣这些高 AI 暴露岗位的员工，初创公司成为了消化技术转型失业者的关键“安全网” (pp. 4, 31)。
👤 创始人技能画像从“PPT/找钱型”向“硬技术型”转变：高暴露行业的创始人越来越多地来自高 AI 暴露的背景 (p. 33)。他们在职场社交平台（LinkedIn）上的自我描述中，AI/ML 开发和软件工程等“硬核技术技能”大幅增加，而资金募集（Capital Raising）、交易撮合、管理和物流等“软性或协调型技能”则明显下降 (pp. 33-34)。
四、政策启示（Conclusion 延伸）：文章最后指出，由于 GenAI 极大降低了资金和团队门槛，政策制定者如果希望利用 AI 促进经济增长，其核心重心应从传统的风险投资扶持，转向改善数字基础设施、减少小企业合规成本与法律不确定性，并为因大企业引入 AI 而转型的毕业生提供“ lean startup（精益创业）”的孵化沙盒与再培训 (p. 40)。
