Какой капитал после труда? Прогнозирование перехода возврата инвестиций в таланты в эпоху человек-ИИ

AI-аугментация разрывает бухгалтерскую связь между рабочим временем и производительным вкладом, однако компании продолжают оценивать таланты через повременные накладные пакеты. Данная статья разрабатывает прогностическую модель перехода от повременного учета талантов к ROI талантов, основанному на результате, в эпоху человеко-ИИ взаимодействия. Модель опирается на Теорему 3 (Инверсия ROI в τ*) как эмпирический стержень, с четырьмя механизмами-теоремами: неаддитивность накладных расходов, пути экономии времени за счет аугментации, усиление инновационной премии и неопределенность атрибуции в диаде человек-ИИ. Поэтапное внедрение 52-часовой рабочей недели в Корее служит эмпирическим примером раннего предупреждения. В панели DART из 365 публичных компаний (2,281 наблюдение за год-фирму) отношение SG&A к выручке выросло с 18,26 процента в 2018 году до 20,06 процента в 2020 году, незначительно скорректировалось в 2021-2022 годах и достигло пика в 20,10 процента в 2024 году. При прокси-анализе по когортам процентилей выручки двусторонние фиксированные эффекты (+1,56 п.п., p = 0,049), объединенные оценки событийного анализа (+4,21 п.п. при t = +3, p = 0,001) и устойчивые к двойной обработке ступенчатые DiD-оценки Каллауэя-Сант'Анны (+4,51 п.п. при t = +4) сходятся на положительном сигнале давления накладных расходов. Ретроспективное расширение на 2015-2017 годы (224 фирмы, 601 наблюдение) предоставляет данные до начала обработки, что служит доказательством против существовавших ранее восходящих трендов-конфаундеров. Мы интерпретируем корейские данные не как прямую оценку τ* или точечную причинную величину, а как, насколько нам известно, первое эмпирически задокументированное проявление режима давления накладных расходов до τ*, где повременной учет все еще доминирует, а ИИ-аугментация и сжатие рабочего времени совместно повышают накладные расходы. Прогнозируется, что компании, ориентированные на результат, превзойдут повременных аналогов на 1,5-2,0 процентных пункта в росте TFP на уровне фирмы к 2032 году. Вклад работы заключается в создании прогностической модели и инструмента управленческого планирования для перехода к учету ROI талантов с ИИ-аугментацией..

Ключевые слова: технологическое прогнозирование, переход отдачи от талантов, пред-τ нагрузка накладных расходов, дополненный человеческий капитал, диада человек-ИИ, способность к конвергенции, 52-часовая регуляция

Эта статья рассматривает учет ROI талантов как социотехнический режим, а не как внутрифирменную бухгалтерскую конвенцию. В традиции Фримена и Переса (1988) о техно-экономических парадигмальных сдвигах, Нельсона и Уинтера (1982) об эволюционных рутинах и Гилса (2002) о многоуровневых социотехнических переходах мы прогнозируем сдвиг режима от учета рабочего времени к учету на основе результатов в условиях расширения возможностей ИИ. Переход не запускается одним лишь использованием ИИ A. Он возникает, когда функция расширения φ(A, C), способность к конвергенции C и семь компонентов накладных расходов K = {заработная плата, страхование, пространство, управление, обучение, коммуникация, мотивация} перестают соответствовать временной единице учета. Корейская панель DART предоставляет эмпирический сигнал раннего предупреждения этого режима предкритического давления накладных расходов Pre-τ до пересечения критического порога τ*..

В панели из 365 корейских публичных компаний, наблюдаемых с 2018 по 2024 год, отношение коммерческих, общих и административных расходов к выручке выросло на 1,80 процентного пункта в ходе поэтапного внедрения обязательной 52-часовой рабочей недели, а затем снова достигло нового пика в 20,10 процента в 2024 году, что совпало с широким корпоративным внедрением генеративного ИИ. При аппроксимации когорт по процентилям выручки двусторонние фиксированные эффекты дают положительную связь с ростом накладных расходов в +1,56 процентного пункта (кластеризованная стандартная ошибка 0,79, p = 0,049), в то время как совместная оценка событийного анализа возрастает до +4,21 процентного пункта через три года после начала обработки (p = 0,001). Мы не интерпретируем эти оценки как точечную причинно-следственную величину закона о 52-часовой рабочей неделе. Скорее, они мотивируют задачу прогнозирования, которую решает данная статья: почему труд, дополненный ИИ, сосуществует с растущими внутренними накладными расходами на таланты в компаниях, и при каком пороге использования существующая модель учета на основе времени становится тормозом для совокупной факторной производительности на уровне фирмы.?

В течение двух десятилетий самые инновационные фирмы проводили неконтролируемые эксперименты по окупаемости инвестиций в таланты (ROI), определяемой как предельный результат, который фирма получает от своего пакета накладных расходов на таланты. Google внедрил правило 80/20, выделяя один рабочий день в неделю на самостоятельные исследования сотрудников, в надежде, что ограниченная свобода приведет к прорывным продуктам. 3M действовала по аналогичному 15-процентному правилу с 1948 года. ROWE (Results-Only Work Environment — среда, ориентированная только на результат) была опробована в Best Buy с 2003 по 2013 год на предположении, что отказ от привязки оплаты ко времени высвободит скрытую производительность. В Великобритании в 2022 году был проведен пилотный проект четырехдневной рабочей недели с участием 61 компании, основанный на гипотезе, что сжатие времени увеличит выпуск. Microsoft и Salesforce с 2024 года развернули генеративные ИИ-ассистенты в расчете на то, что дополнение усилит человеческий капитал, а не вытеснит его..

Каждый из этих экспериментов представляет собой эмпирическую ставку, лишенную единой теоретической основы. Их объединяет неявный, но никогда не сформулированный тезис: взаимосвязь между временем, талантом и созданием ценности на уровне фирмы структурно изменилась, а современная модель учета накладных расходов предприятия больше не соответствует своему назначению. Однако теоретическая инфраструктура, которая могла бы обосновать такие эксперименты, предсказать их результаты или обобщить условия их успеха, отсутствует. Каждый эксперимент защищался с помощью интуиции, привязанной к конкретному случаю, социотехнических анекдотов или выборочных показателей эффективности..

В данной статье выдвигается предположение, что отсутствие теории не случайно. Оно отражает более глубокий структурный факт: фундаментальное допущение, заложенное практически во все современные экономические, организационные и бухгалтерские модели, а именно что труд L может рассматриваться как однородная функция времени, было нарушено появлением диадического производства человека и ИИ. Теперь диада проявляется в повседневной деятельности компаний: инженер-программист пишет код с помощью подсказок Copilot, аналитик составляет отчет через итерации с ChatGPT, маркетинговая команда генерирует с помощью промптов модели создания изображений для активов кампании. В каждом из этих случаев час, учтенный как рабочий для компании, содержит смесь человеческого когнитивного труда и вычислительного труда ИИ, которую основанный на времени учетный показатель не в состоянии разложить на составляющие. Пока это допущение о единице учета не будет пересмотрено, компании продолжат оценивать ИИ-дополненную работу с помощью учетных категорий, разработанных для режима труда до внедрения технологий дополнения..

Shin (2026a) формализовал расширенный человеческий капитал как Ĥ = H · [1 + φ(A, C)] на макроэкономическом уровне, где H — базовый человеческий капитал (накопленный запас навыков через образование и опыт), A — интенсивность использования AI (доля рабочих задач, поддерживаемых инструментами AI), C — способность к конвергенции (институциональная способность фирмы интегрировать результаты инструментов AI с существующими человеческими структурами знаний), а φ — функция расширения (премия взаимодействия между доступом к AI и способностью к конвергенции). ICH framework обеспечивает производственную функцию основу для экономики после трудового времени. В нем документируется, используя 20 экономик OECD, что взаимодействие AI и C объясняет 86 процентов дисперсии в совокупной факторной производительности на уровне фирм, по сравнению с 31 процентом для одного только использования AI. Он определяет Корею как отклоняющийся случай, в котором высокий H, высокий A и низкий C дают нижний уровень TFP (0,48 процента).).

Рамка ICH, однако, оставляет критический пробел нерешенным. В то время как она формализует дополненный человеческий капитал на макроэкономическом уровне, она не указывает, как семь компонентов внутренних накладных расходов на таланты фирмы реконструируются, когда L = рабочее время больше не выполняется. Эти компоненты: повременная заработная плата; взносы на социальное страхование; офисные помещения и оборудование; затраты на управленческий надзор; инвестиции в обучение и развитие; коммуникационная инфраструктура (электронная почта, видеоконференции, программное обеспечение для совместной работы); и поддержание мотивации (программы вовлеченности, компенсация за удержание, премии за производительность). Среди самых непосредственно смежных вкладов — аргументы Коузианской сингулярности в NBER (Shahidi et al., 2025), предсказание, что коллапс координации на основе ИИ сократит границы фирмы до нуля, декомпозиция вектора дополненного человеческого капитала Эспиналя Майя (2026), модель координационно-сжимающего капитала Фараха (2026) и эмпирические оценки производительности, вызванной ИИ, под руководством Бриньольфссона — каждый из них подходит к вопросу, но не решает проблему внутренних накладных расходов фирмы. Эспиналь Майя (2026) явно признает, что учет ROI накладных расходов на уровне фирмы остается для будущих исследований..

Этот пробел не является научным упущением. Макроэкономическая основа уже существует; механизм на уровне фирмы, преобразующий её в управленческие решения относительно накладных расходов и систем оценки, пока не создан. Данная задача прогнозирования на уровне фирмы также отходит от традиции прогнозирования замещения профессий, которую канонизировали Фрей и Осборн (2017): та традиция предсказывает, какие профессии подвержены автоматизации, тогда как настоящая работа прогнозирует, когда учётная система, через которую фирмы оценивают таланты, перевернётся с повременной на результативную. Единицей прогноза является система учёта талантов, а не профессия..

Реконструкция на уровне фирмы требует пяти теорем, каждая из которых закрывает отдельную дыру в унаследованной бухгалтерской логике. Пять теорем образуют иерархию. Теорема 3 (Инверсия ROI в τ*) является эмпирическим стержнем, несущим центральное утверждение перехода о том, что корейская панель DART служит пред-τ сигнатурой overhead-давления. Теоремы 1, 2, 4 и 5 представляют собой архитектуру механизма, объясняющую, почему стержень изгибается: неаддитивность overhead, четыре пути сэкономленного за счет augmentation времени, усиление инновационной премии и асимметрия агентских издержек в диаде человек-ИИ. Каждая теорема независимо фальсифицируема на собственном реестре доказательств, но совместное утверждение структуры опирается на Теорему 3. Эта иерархия обобщена в Таблице 2 Раздела 3.6..

Теорема 1, Декомпозиция накладных расходов. Семь современных компонентов внутренних кадровых накладных расходов фирмы не являются аддитивными. В условиях расширения с помощью ИИ перекрестная частная производная доходности инвестиций по любым двум компонентам затрат становится ненулевой как минимум для одной пары компонентов. Стандартный учет затрат, неявно предполагающий аддитивность, следовательно, искажает предельную доходность инвестиций в накладные расходы именно в тех условиях, когда менеджеры больше всего нуждаются в точных рекомендациях..

Теорема 2, Синергия резерва времени. Время, сэкономленное за счет ИИ-аугментации, не поступает в единый канал. Оно распределяется по четырем взаимоисключающим путям: интенсификация работы, скрытый досуг, сверхзанятость и реинвестирование в творческий резерв. Только четвертый путь генерирует инновационную ROI на уровне фирмы, и его доля монотонно возрастает с двумя институциональными переменными на уровне фирмы: ориентацией на результат в оценке эффективности и степенью автономии, предоставленной сотруднику..

Теорема 3, инверсия ROI. По мере роста интенсивности использования ИИ кривая ROI талантов при учете на основе времени падает, а кривая при учете на основе результатов растет. Они пересекаются в единственной точке τ*, выводимой как функция трех переменных уровня фирмы (ориентация на результат, автономия, способность к конвергенции). Ниже τ* учет на основе времени остается оптимальным; выше τ* он становится строгим тормозом для общей факторной производительности на уровне фирмы. Этот порог дает первый формально выводимый ответ на давний управленческий вопрос: когда фирме следует переходить между режимами учета.?

Теорема 4, Инновационная премия ROI. Доходы от резерва в стиле 80/20 усиливаются коэффициентом k > 1 при высокой способности фирмы к конвергенции. Сам коэффициент усиления является монотонно возрастающей функцией от расширяемой когнитивной доли HˆA, определенной в декомпозиции человеческого капитала Эспиналь Майи (2026). Теорема предоставляет первое теоретическое обоснование для экспериментов Google 80/20 и 3M 15 процентов, а также определяет институциональные условия, при которых аналогичные политики резерва принесут сопоставимые доходы или потерпят неудачу..

Теорема 5, Информационная асимметрия. Многофункциональная модель принципал-агента Хольмстрома и Милгрома (1991) естественным образом расширяется на диаду человек-ИИ, если добавить неопределенность атрибуции между вкладом человека и ИИ в качестве третьей трудности измерения. Возникающие агентские издержки частично компенсируются при оценке на основе результатов, поскольку результаты существуют независимо от доли вклада. Оценка на основе времени, напротив, усиливает агентские издержки пропорционально интенсивности использования ИИ, создавая институциональное торможение, которое не было формализовано в предыдущих многофункциональных анализах..

Наша эмпирическая стратегия следует методологии кейс-стади, описанной в работах Yin (1994), Eisenhardt (1989) и Gerring (2007), которые устанавливают три роли отбора случаев: критический случай, полярная противоположность и культурный двойник. Основной эмпирической опорой является Южная Корея — критический случай с высоким рычагом, сочетающий необычно строгое регулирование рабочего времени (52-часовая недельная норма, применяемая с 2018 года поэтапно по отраслям и размерам фирм), высокий уровень внедрения ИИ (28%), низкую способность к конвергенции и нижний уровень TFP среди стран ОЭСР (0,48%, как задокументировано в Shin, 2026a, §5). Корея выполняет роль критического случая: прототипа динамики, с которой другие экономики ОЭСР будут всё чаще сталкиваться по мере сближения давления рабочего времени и внедрения ИИ..

Мы используем поэтапное внедрение 52-часовой рабочей недели в Корее в качестве внешнего институционального якоря для сжатия рабочего времени и давления накладных расходов. Текущая реализация аппроксимирует законодательные сроки обработки с помощью прокси-когорт по процентилям выручки; следовательно, оценки интерпретируются как направленное свидетельство пре-τ сигнатуры давления накладных расходов, а не как полностью наблюдаемый дизайн IV на основе законодательных когорт или точечная причинная величина. Идентифицирующее предположение рассматривается как допущение, а не установленный факт: политика должна влиять на SG&A/Revenue прежде всего через давление соблюдения норм рабочего времени, тогда как использование ИИ входит как отдельный макрогодовой и отраслевой диффузионный процесс. Таким образом, настоящий анализ оценивает сигнатуру давления накладных расходов, связанную с поэтапным контекстом рабочего времени; разделение TFP на уровне фирмы остается опровержимым прогнозом для последующих панельных исследований..

Фирменная панель, построенная на основе данных корпоративных раскрытий DART (Служба финансового надзора Кореи), является основным объектом наблюдения. Панель KOSPI плюс KOSDAQ Top 500 охватывает корейские публичные компании за 2018-2024 годы с нечетким сопоставлением названий счетов и двойной загрузкой консолидированных/неконсолидированных данных, что дает 2 281 наблюдение за фирмой-годом по 365 уникальным компаниям с положительными показателями выручки. Эта расширенная панель заменяет исходную базовую панель KOSPI Top 300 (115 компаний, 567 наблюдений) с 3,2-кратным расширением охвата фирм и 4,0-кратным расширением числа наблюдений. Запланированная расширенная панель с явной отраслевой и размерной стратификацией остается для будущей работы. Раздел 4 представляет доказательства на расширенной выборке, согласующиеся с теоремой 3, и указывает путь интеграции запланированной расширенной микропанели..

Дания играет диаметрально противоположную роль: идентичный уровень внедрения ИИ (28%), но противоположные значения по всем остальным параметрам (скандинавская модель флексикьюрити, высокий C, лучшая TFP на уровне 1,82%, эгалитарное управление). Япония исполняет роль культурного близнеца: идентичная конфуцианская иерархическая организация и традиция оценки по присутствию, но иной уровень внедрения ИИ (18%) и иное регулирование труда (культура кароси без строгого соблюдения 52-часовой нормы). Параметры Дании и Японии взяты из макропанели ICH (Shin, 2026a), а не из независимого сбора данных на уровне фирм; полный микроанализ данных на уровне фирм из Eurostat, Statistics Denmark, METI и RIETI отложен на будущие исследования. Таким образом, данное краткое сравнение изолирует способность к конвергенции (ось Дании) и регулирование (ось Японии) по направлению, удерживая соответствующие смешивающие факторы постоянными..

Корея рассматривается как прототип, а не как изолированный случай: одна экономика на стыке строгого регулирования рабочего времени и высокого уровня внедрения ИИ задаёт структурную модель, с которой могут столкнуться другие экономики ОЭСР, если их собственные траектории регулирования и внедрения сойдутся в течение следующего десятилетия. Логика выбора кейса основана на экстремальности значений Кореи по теоретическим переменным, а не на аналогическом обосновании из предшествующих однострановых политэкономических исследований..

Раздел 2 развивает теоретическую основу, расширяя рамки ICH на внутрифирменный учёт накладных расходов и интегрируя теорию многозадачного агентства. Раздел 3 представляет пять теорем с формальными набросками вывода, условиями фальсифицируемости и граничными спецификациями. Раздел 4 предлагает корейскую когортно-прокси диагностику и подтверждение робастности, с диагностикой staggered DiD в рамках когортного прокси по процентилю выручки, проверками робастности по пяти осям и полярными сравнениями Дании и Японии. Раздел 4.3 сообщает результаты на расширенной выборке: отношение SG&A/Выручка следует N-образной траектории за 2018–2024 гг., с ростом на 1,80 процентного пункта с 2018 г. (18,26%) до 2020 г. (20,06%) параллельно поэтапному внедрению 52-часовой рабочей недели, умеренной коррекцией в 2021–2022 гг. (18,73% / 18,28%) и новым подъемом в 2023–2024 гг. (19,52% / 20,10%), при этом 2024 г. становится новым пиком параллельно ускорению внедрения ИИ. Траектория дает направленную предварительную поддержку прогнозам временного режима из Теоремы 3, а не прямую оценку τ*. Раздел 5 обсуждает теоретические и политические последствия. Раздел 6 завершается четырьмя фальсифицируемыми прогнозами..

Среди этих прогнозов центральным является предсказание, что компании, внедряющие учет ROI талантов на основе результатов, превзойдут сопоставимые компании, использующие учет на основе времени, по темпам роста совокупной факторной производительности на уровне фирмы на 1,5–2,0 процентных пункта к 2032 году на панельных данных Кореи и ОЭСР. Этот прогноз непосредственно проверяем. Опровержение опровергло бы центральный тезис данной концепции. Корейские данные интерпретируются не как прямая оценка τ* или как точечная причинная оценка закона о 52-часовой рабочей неделе, а как, насколько нам известно, первое эмпирически задокументированное свидетельство режима пред-τ давления накладных расходов — фазы, предшествующей пересечению порога, которое, согласно прогнозу, произойдет..

Вопрос, который ставится в этой статье (какой капитал остается, когда рабочее время перестает быть единицей счета), не нов по своей мотивации. На самом деле это вопрос, который Маркс поставил перед миром в 1867 году, когда написал, что «капитал — это мертвый труд, который, подобно вампиру, живет только за счет высасывания живого труда, и чем больше труда он высасывает, тем больше живет». Для Маркса ответ был прямолинейным: капитал был накопленным рабочим временем, а фирма — институтом, который организовывал рабочее время в товары. Каждое последующее поколение либо расширяло рамки Маркса, либо уточняло их, либо растягивало его предположение о том, что затраты труда являются однородной функцией времени..

Разговор продолжался сто пятьдесят восемь лет. Шесть поколений мыслителей строили на фундаменте Маркса, постепенно ослабляя его допущения: Солоу добавил технологический остаток, Беккер и Минсер добавили человеческий капитал, Коуз и Уильямсон перенесли единицу анализа внутрь фирмы, Асемоглу и Рестрепо добавили задачи, а Шин (2026a) добавил дополненный человеческий капитал на макроэкономическом уровне. Каждое поколение делало модель богаче; каждое поколение также оставляло без ответа конкретный вопрос. Вопрос, к которому обращается данная статья, — это вопрос, который последнее поколение открыто оставило для будущих исследований..

Разговор можно рассматривать как воронку. Он начинается с широкого утверждения Маркса о трудовой теории стоимости, затем последовательно сужается через вклад каждого поколения и неразрешенные пробелы, и доходит до конкретного теоретического пробела, существующего сегодня: как дополненный человеческий капитал реконструирует внутрифирменный пакет накладных расходов? Рисунок 1 отображает эту воронку в двух измерениях: теоретический охват (от макроэкономического агрегата до внутрифирменного микроуровня) и представление труда (от однородного по времени до неоднородного с ИИ-усилением), где каждое поколение занимает свою позицию в поле, а настоящая статья отмечает место, до которого разговор еще не дошел..

Генеалогия, которая следует далее, является не исчерпывающим научным исследованием, а избирательным диалогом с мыслителями, чьи вопросы структурируют эту работу. Мы рассматриваем каждого по очереди, не для того чтобы обобщить их идеи, а для того чтобы точно указать, где каждый из них остановился и почему их точка остановки открывает путь к нашей..

Марксова модель рассматривала фирму как производственную функцию, в которой капитал и труд объединялись для создания товаров.:

Функция была привязана к конкретной исторической формации, промышленному капитализму, в котором труд L был идентифицируем в единицах времени. Рабочий день фабричного работника, разделенный на необходимый труд и прибавочный труд, был единицей, через которую стоимость как производилась, так и извлекалась. Вопрос Маркса был распределительным, а не конструктивным: каким образом прибавочное рабочее время, разница между тем, что работнику платят и что работник производит, присваивается владельцами капитала.?

Спустя более полутора столетий вопрос о том, кто присваивает прибавочную стоимость, остается актуальным в литературе о доле труда в национальном доходе (Karabarbounis & Neiman, 2014) и о перераспределении доходов в рамках платформенного капитализма (Srnicek, 2017). Но предположение Маркса о том, что L однородна во времени, было подорвано дважды. Первый удар нанесла неоклассическая экономическая теория, которая начала задаваться вопросом, создают ли все часы труда одинаковую стоимость. Второй, нынешний удар, исходит из-за пределов как марксистской, так и неоклассической традиций: искусственный интеллект усиливает производительное содержание часа труда таким образом, что предположение об однородности времени не может учесть. Рамки Маркса остаются историческим якорем, относительно которого каждое последующее поколение измеряло свое отклонение. Отклонение, которое делает данная работа, заключается не в отказе от распределительного вопроса Маркса, который остается по существу важным, а в отказе от его предположения о единице измерения, которое дополнение ИИ сделало неполным..

Рисунок 1. Две генеалогии, сходящиеся на разрыве смены режима на уровне фирмы. На рисунке показаны потоки производственной функции и прогнозирования; границы фирмы и теория агентских отношений входят как внутренний подпоток фирмы, разработанный в разделах 2.2 и 2.5..

На рисунке 1 две генеалогии знаний, которые объединяет эта статья, представлены как параллельные потоки, текущие к одному открытому вопросу. Верхний поток — это традиция экономики производственной функции (Маркс, Солоу, Беккер, Асемоглу и Рестрепо), разработанная в разделах 2.1 и 2.2; нижний поток — это традиция технологического прогнозирования (Шумпетер, Роджерс и Басс, Дози и Перес, Гилс, Фрей и Осборн), разработанная в разделе 2.6. Оба потока текут к, но ни один не достигает, прогноза смены режима отдачи от талантов на уровне фирмы, который предоставляет эта статья, пустого слияния, обозначенного как пробел..

В таблице 1 обобщены семь различных компонентов накладных расходов с их историческим обоснованием в рамках трудовой гипотезы и структурным давлением, с которым сталкивается каждый из них, когда расширение ИИ нарушает временную однородность. Современные фирмы накапливают кадровые накладные расходы через эти семь компонентов, каждый из которых требует реконструкции в условиях дополненного человеческого капитала..

Эти семь компонентов не являются независимыми. Их предельные вклады в ROI на уровне фирмы становятся неаддитивными при AI-расширении: изменение в одном компоненте вызывает эффекты на другие, которые аддитивная модель учета не может уловить. Эта неаддитивность является содержательным содержанием Theorem 1, разработанной в Section 3..

Рамка ICH определяет конвергентную способность C как четырехмерный когнитивный конструкт. Настоящая статья расширяет C пятым измерением, взятым из Shin (2026b). Пятое измерение, суверенная способность переопределения (C5), отражает способность обнаруживать и отклонять выходы AI, в которых генерация с высокой уверенностью маскирует фактическую или контекстуальную ошибку..

На уровне фирмы пять измерений действуют следующим образом. C1 (воплощённое понимание) реализуется через способность опытных сотрудников укоренять результаты ИИ в сенсомоторной и контекстуальной реальности. C2 (метакогнитивная калибровка) реализуется через способность сотрудников оценивать, когда результаты ИИ требуют независимой проверки. C3 (временная интеграция) реализуется через способность старших сотрудников контекстуализировать рекомендации ИИ с учётом накопленной организационной памяти. C4 (интегративное мышление) реализуется через способность сотрудников объединять результаты ИИ из разных областей для создания новых синтезов. C5 (суверенное вето) реализуется через способность сотрудников отклонять результаты ИИ в случае неудачной проверки..

Способность к конвергенции на уровне фирмы не является простой суммой или средним значением индивидуальных показателей C сотрудников. Она зависит от трех дополнительных факторов: системы оценки фирмы (ориентирована ли она на результат, вознаграждая сотрудников за проявление C), структуры авторитета фирмы (имеют ли сотрудники законное право отказываться от результатов ИИ) и культурного реестра фирмы (допускает ли доминирующий культурный сценарий проявление метакогнитивных способностей и способностей к переопределению).).

Последним элементом нашей теоретической основы является расширение теории многозадачного агентирования на диаду человек-ИИ. Holmstrom and Milgrom (1991) в своем основополагающем исследовании многозадачного анализа принципал-агент показали, что когда агент распределяет усилия между несколькими задачами с разными сложностями измерения, оптимальный контракт принципала придает больший вес легко измеряемым задачам, чем того требует их фактическая важность..

В диаде человек-ИИ мультизадачная структура усиливается, потому что диада вводит третьего актора, чей вклад трудно атрибутировать. Мы обозначаем эту неопределенность атрибуции как γ $\in$ [0, 1], где γ = 0 указывает на идеальную ясность атрибуции, а γ = 1 — на полную непрозрачность атрибуции. Агентские издержки в диаде человек-ИИ являются функцией γ, причем более высокая неопределенность атрибуции порождает более высокие агентские издержки через три канала: моральный риск, неблагоприятный отбор и искаженное распределение усилий. Центральный результат Хольмстрома и Милгрома (1991) подразумевает, что агентские издержки в диаде человек-ИИ частично компенсируются при режимах оценки, основанных на результате. Эта компенсация является основным содержанием Theorem 5..

Пять теорем и следующий за ними пример Кореи, в конечном счете, представляют собой прогноз: утверждение о смене режима, которая еще не завершилась. Это утверждение должно отвечать на дискуссию, которую этот журнал ведет уже полвека, дискуссию о том, как технологические революции преобразуют институты, построенные вокруг предыдущей технологии. В разделе 2.2 было прослежено, где остановилась дискуссия о производственной функции; в данном разделе прослеживается, на каком этапе находится дискуссия о прогнозировании, и определяется место предлагаемой концепции в ее рамках (Рисунок 1, нижний поток).).

Разговор открывается Шумпетером (1934, 1942), для которого инновация была не нарушением равновесия, а двигателем, разрушающим одно равновесие и устанавливающим другое. Шумпетер и кондратьевская длинноволновая традиция задали этой области основной вопрос: не в том, меняет ли технология экономику, а в том, в каком ритме и через какой механизм старые институты уступают место новым..

Механизм получил свой первый формальный ответ в традиции диффузии. Роджерс (2003) показал, что инновации распространяются в социальной системе по S-образной кривой, управляемой воспринимаемыми атрибутами и структурой коммуникации; Басс (1969) сделал эту кривую оцениваемой, разделив инновацию и имитацию в риске внедрения. Теория диффузии научила область прогнозировать время внедрения. Траектория использования ИИ в Корее, задокументированная в Разделе 4, выросшая примерно с 8 процентов в 2018 году до 28 процентов в 2024 году, представляет собой диффузионную кривую именно такого типа; но этот фреймворк прогнозирует то, что теория диффузии оставляет без внимания, а именно реорганизацию режима учета талантов, который растущее использование делает устаревшим..

Dosi (1982) и Nelson и Winter (1982) предоставили следующий слой: технологии продвигаются по траекториям, ограниченным парадигмой, а экономические изменения представляют собой эволюционный процесс, в котором рутины, а не оптимизирующие выборы, переносят технические знания вперед. Freeman и Perez (1988) и Perez (2002, 2010) затем завершили слой, который данная статья наследует наиболее непосредственно. Согласно их описанию, каждая технологическая революция устанавливает новую техно-экономическую парадигму, и решающей особенностью каждого перехода является несоответствие между быстро движущейся технологией и медленно движущимися институтами: социально-институциональная структура, созданная для предыдущей парадигмы, отстает от новой, пока структурный кризис не вынуждает ее реконструкцию. Настоящая структура представляет собой воплощение этого несоответствия на уровне фирмы. Повременной учет талантов является институциональным остатком индустриальной парадигмы; режим pre-τ давления накладных расходов, определенный в Section 3.3, представляет собой лаг фазы установки, который описывает Perez, наблюдаемый внутри фирмы, до реконструкции фазы развертывания, которую представляет учет на основе результатов..

Geels (2002, 2004) and Geels and Schot (2007) перенесли вопрос перехода в многоуровневую перспективу, в которой переходы возникают из взаимодействия нишевых инноваций, действующего социотехнического режима и медленно меняющегося ландшафта. Четырехзонная матрица предвидения из Section 4.10 является прочтением на уровне режима в этом духе: корейские фирмы занимают действующий режим под давлением ландшафта (растущее использование ИИ), в то время как ниша оценки на основе результатов еще не вытеснила существующий временной режим..

Если эти традиции дают ответ на вопрос «что» в прогнозировании, то методологический канон этого журнала дает ответ на вопрос «как». Линстоун и Турофф (1975) институционализировали экспертное прогнозирование с помощью метода Дельфи; Мартино (1993) систематизировал технологическое прогнозирование для принятия решений; Портер и Каннингем (2005) и Дайм, Руэда, Мартин и Гердсри (2006) разработали библиометрические и технолого-разведывательные подходы к предвидению возникающих технологий; а Фаал, Фаррух и Проберт (2004) дали практике архитектуру дорожного картирования. К этой методологической линии настоящая статья добавляет инструмент опережающих индикаторов: сигнатуру пред-τ overhead-pressure, публично наблюдаемый бухгалтерский след (траектория отношения SG&A к выручке), который выявляет приближающийся переход режима до его завершения, вместе с Матрицей Форсайта, которая преобразует сигнатуру в инструмент планирования..

Разговор, наконец, достигает своего рубежа в эпоху ИИ. Фрей и Осборн (2017) прогнозируют подверженность профессий компьютеризации, и обширная последующая литература прогнозировала вытеснение, дополнение и перераспределение задач. Настоящая структура отходит от этого рубежа в своем объекте. Она не прогнозирует, какие рабочие места исчезнут; она прогнозирует, что учетный режим, через который фирмы оценивают таланты, изменится на противоположный — от почасовой оплаты к оплате за результат, как только использование ИИ превысит определенный для фирмы порог τ*. Прогнозирование вытеснения спрашивает, сколько часов труда переживут автоматизацию; эта статья спрашивает, что означает час труда, когда дополнение нарушило его однородность, и как фирмы, которые продолжают оценивать таланты в часах, накапливают накладное давление, пока сам режим ценообразования не уступит. Это новое направление, которое предлагает структура: не прогноз вытеснения, а прогноз перехода режима на уровне фирмы для учетных категорий, через которые оценивается талант, дополненный ИИ..

На протяжении данного раздела термин «теорема» обозначает утверждение, формально выведенное из явно заданных допущений и снабжённое условием фальсифицируемости, следуя традиции прикладной экономической теории (Acemoglu and Restrepo, 2018; Holmstrom and Milgrom, 1991). Мы не претендуем на доказательства в замкнутой форме в смысле чистой математики; сила каждой теоремы основывается на прозрачности её допущений и чёткости условий её опровержения..

Рисунок 2. Теорема перехода и архитектура механизма

На Рисунке 2 пять теорем расположены в виде направленной логической цепочки, в которой Теорема 3 служит эмпирическим якорем, а остальные четыре замыкаются через теоретическую спецификацию и пути будущей идентификации. Рисунок 2 представляет схему..

По мере роста использования AI стандартный аддитивный учет накладных расходов на таланты систематически неправильно измеряет доходность. Пять теорем определяют, как, где и при каком пороге это неверное измерение становится необратимым. Теорема 1 разлагает накладные расходы на семь компонентов, чьи предельные вклады становятся запутанными из-за гетерогенности сходимости-емкости при усилении AI. Теоремы 2 и 4 отображают пути и факторы усиления, посредством которых сэкономленное за счет усиления время генерирует инновационную ROI при ориентации на результат и высокой емкости сходимости. Теорема 3 устанавливает порог инверсии τ*, при котором кривые учета на основе времени и на основе результата пересекаются. Теорема 5 замыкает цикл, формализуя многозадачные агентские издержки, которые возникают, когда созданные AI и человеком результаты становится трудно атрибутировать, и показывает, что оценка на основе результата частично компенсирует агентские издержки, в то время как оценка на основе времени их увеличивает..

Совместная опровержимость структуры обеспечивается конкретными предсказаниями, связанными с каждой теоремой. Теорема 1 опровергается, если коэффициенты перекрестных частных производных ∂²ROI/∂OH_k ∂OH_k’ на панели данных фирм OECD неотличимы от нуля по всем 21 паре компонентов (p > 0.10). Теорема 2 опровергается, если четыре вероятности путей нечувствительны к ориентации на результат e и автономии a в фирмах, принимающих политику резервов. Теорема 3 опровергается, если рост TFP на уровне фирм между переходными и непереходными фирмами не демонстрирует разделения к 2032 году. Теорема 4 опровергается, если коэффициент усиления k равномерно меньше или равен 1 по всему распределению HˆA в OECD. Теорема 5 опровергается, если показатели морального риска статистически неразличимы между повременным и ориентированным на результат режимами; прямой AI-SSP зонд человеко-ИИ диады (Appendix H) обнаруживает большое воспроизводимое смещение между режимами (Cohen κ = 0.86 по прогонам и двум семействам моделей), поэтому Теорема 5 не опровергается на текущих данных. Раздел 4 предоставляет эмпирическую привязку через поэтапное внедрение 52-часовой рабочей недели в Корее в качестве поэтапного институционального временного якоря, с Данией (высокодоверительный ориентированный на результат нордический режим) и Японией (конфуцианский режим, основанный на старшинстве, с другим уровнем внедрения ИИ) в качестве сравнительных случаев, отобранных по критериям институциональной дистанции, определенным в Разделе 4.1..

В таблице 2 представлена иерархия ролей теорем и текущих якорных свидетельств. Пять теорем не несут одинаковую эмпирическую нагрузку: Теорема 3 является эмпирическим хребтом, а Теоремы 1, 2, 4 и 5 — механизмом архитектуры, объясняющим, почему хребет изгибается..

В таблице 2a блок статуса утверждения разделяет тип доказательства (причинная привязка в сравнении с прогнозом в сравнении с механизмом) и текущий статус с условиями опровержения для каждого элемента. Иерархия отвечает на вопрос рецензента «все ли пять теорем доказаны в равной степени?» с эпистемической точностью: T3 привязана к корейской панели DART; T1, T2, T4 и T5 — это условия механизма, которые уточняют, почему инверсия T3 принимает именно такую форму. Каждая теорема независимо фальсифицируема на основе собственного реестра доказательств, но совместное утверждение структуры опирается на T3..

Этот раздел обеспечивает эмпирическую основу для пяти теорем через один критический случай (Южная Корея), дополненный двумя полярными сравнительными случаями (Дания и Япония), следуя Yin (1994), Eisenhardt (1989) и Gerring (2007). Корея служит прототипом одновременно по четырем измерениям. Во-первых, ее регулирование рабочего времени является самым строгим в OECD: недельный лимит в 52 часа с уголовной ответственностью, применяемый с 2018 года поэтапно в зависимости от отрасли и размера фирмы. Во-вторых, уровень внедрения ИИ на предприятиях среди крупных публичных компаний высок (примерно 28 процентов в последнем опросе NIA). В-третьих, способность к конвергенции (институциональная способность фирм интегрировать результаты, полученные с помощью ИИ, в процессы принятия решений человеком, формально определенная в Разделе 3.1) находится на низком уровне на макроэкономическом уровне, как задокументировано в Shin (2026a). В-четвертых, совокупная факторная производительность находится в нижнем квартиле OECD (0,48 процента в макропанели ICH). Одновременная экстремальность этих четырех параметров помещает корейские фирмы структурно в режим до-τ накладных расходов, определенный в §3.3, где доминирует повременная оценка, растет использование ИИ, растут накладные расходы, что делает Корею первым эмпирически задокументированным признаком этого режима в OECD, а не прямой оценкой самого τ*. Дания служит скандинавским сравнительным случаем с высоким доверием и ориентацией на результат, с идентичным уровнем внедрения ИИ, но противоположными значениями по всем остальным измерениям. Япония служит институциональным близнецом со схожей конфуцианской иерархической организацией, но с другим уровнем внедрения ИИ и другим регулированием труда. Пять альтернативных кандидатов — Сингапур, Финляндия, США, Китай и Великобритания — были отклонены по методологическим причинам. В Сингапуре отсутствует поэтапное сжатие рабочего времени; Финляндия находится в рамках скандинавской конфигурации Дании без независимой вариации; США сочетают фрагментированное правоприменение на уровне штатов, что препятствует единой национальной идентификации; в Китае отсутствует сопоставимая корпоративная отчетность; у Великобритании нет ни поэтапного регулирования, ни полярного контраста для сравнения..

Эмпирическая стратегия использует вторичный анализ данных и эконометрические методы. Данные состоят из общедоступных административных статистических данных из KOSIS, данных корпоративной отчетности из DART, статистики труда из MOEL, данных опроса по внедрению ИИ из NIA, а также дополнительных микропанельных данных на уровне фирм из KIPF и KLI (полученных через соглашения о доступе к данным институтов).).

Корейский эмпирический якорь нацелен на панель данных на уровне фирм из 500 зарегистрированных компаний (KOSPI плюс KOSDAQ), наблюдаемых ежегодно с 2018 по 2024 год, что дает 3500 наблюдений по фирмам за год. Извлечение данных проводилось в два этапа..

Начальная выборка по алфавиту из топ-300 KOSPI дала 567 успешных записей компаний-годов от 115 уникальных фирм с положительной выручкой. Расширение до панели топ-500 KOSPI плюс KOSDAQ с нечетким сопоставлением названий счетов и двойным получением консолидированной и неконсолидированной отчетности дало 2 281 успешную запись компаний-годов от 365 уникальных фирм с положительной выручкой, что в 4,0 раза больше по наблюдениям и в 3,2 раза больше по охвату фирм. Процент успеха вырос с 27,0 процента (исходная выборка) до 65,2 процента (расширенная выборка), при этом оставшиеся 34,8 процента приходятся на фирмы, чья схема финансовой отчетности в DART отклоняется от стандартных соглашений об именовании, несмотря на протокол нечеткого сопоставления. Вспомогательные тесты показывают, что отсутствующие фирмы распределены без систематического смещения по сектору или размеру, что позволяет предположить, что разрыв отражает особенности отчетности DART, а не отбор по характеристикам фирм, значимым для результата..

Панель KOSPI плюс KOSDAQ Top 500 составляет рабочий эмпирический ориентир для данной рукописи. Запланированная расширенная панель с явной секторальной и размерной стратификацией остается для будущей работы..

Девять общедоступных источников вносят вклад в корейский первичный анализ, распределенные по аналитической роли. На уровне фирменных финансов DART предоставляет совокупную выручку, SG&A, COGS, операционную прибыль, чистую прибыль и статьи баланса. На уровне рынка труда MOEL предоставляет статистику рабочего времени, которая операционализирует индикатор поэтапного внедрения 52-часовой рабочей недели, дополненную отраслевой статистикой производства KOSIS и показателями TFP. На уровне внедрения ИИ NIA предоставляет Корейский опрос индустрии ИИ (используется напрямую в разделе 4.4), а KISDI предоставляет данные о распространении ИКТ по секторам. Оставшийся институциональный уровень, KIPF, KLI, KEF и Служба корпоративного управления Кореи, предоставляет данные на уровне фирм и корпоративного управления, доступ к которым осуществляется через текущие соглашения о доступе к данным с KIPF (панельный опрос фирм) и KEF (опрос по HR).).

52-часовая поэтапная имплементация обеспечивает институциональный временной ориентир для сжатия рабочего времени: национальная временная политика устанавливается внешне, имеет отношение к временному давлению на стоимость труда и монотонна в направлении законодательного сокращения рабочих часов. Текущая имплементация использует прокси-переменные когорт по процентилям выручки, двусторонние фиксированные эффекты, событийный DiD и дважды устойчивый ступенчатый DiD Кэллоуэя и Сант'Анны (2021) для оценки реакции отношения SG&A к выручке. Полная 2SLS-имплементация с наблюдаемыми когортами размера фирм зарезервирована как следующий слой валидации..

Рисунок 5. Траектория SG&A/Выручка, корейские публичные компании, 2015-2024. Вставка: направленные оценки прокси-когорт по перцентилям выручки, интерпретируемые как пред-τ сигнал давления накладных расходов, а не точечная причинная величина закона 52 часов..

На рисунке 5, траектория SG&A/Revenue корейских публичных компаний за 2015-2024 гг. визуализирована по регионам предварительной обработки (2015-2017), 52-часового мандата (2018-2021 поэтапно) и эры распространения GenAI (2023-2024)..

В таблице 3 приведены статистические показатели отношения SG&A к выручке на уровне года по панели Top 500 KOSPI и KOSDAQ (2281 наблюдение за фирмами за годы 2018–2024 от 365 уникальных компаний) вместе с базовым уровнем начальной выборки..

Примечание: Исходный = алфавитная выборка топ-300 KOSPI со строгим сопоставлением по имени счета. Расширенный = топ-500 KOSPI и KOSDAQ с нечетким сопоставлением по имени счета и двойной выборкой консолидированных и неконсолидированных данных..

Траектория демонстрирует четыре стилизованных факта, каждый из которых усиливается в панели KOSPI плюс KOSDAQ Top 500 по сравнению с исходным..

Стилизованный факт 1: рост доли SG&A на 1,80 процентного пункта в 2018–2020 гг. Среднее отношение SG&A/Revenue выросло с 18,26 процента в 2018 году до 20,06 процента в 2020 году, что представляет собой увеличение на 1,80 процентного пункта за период поэтапного внедрения 52-часового норматива (компании с численностью сотрудников более 300 — в июле 2018 г., 50–299 сотрудников — в январе 2020 г., 5–49 сотрудников — в июле 2021 г.). Величина для первоначальной выборки составила 3,39 процентного пункта; величина для расширенной выборки в 1,80 процентного пункта является более консервативной и соответствует компаниям с положительной выручкой в рамках охвата 365 фирм. Направление полученного результата соответствует предсказаниям временного режима из Теоремы 3..

Стилизованный факт 2: мягкая коррекция 2021-2022 гг. Коэффициент снизился до 18,73 процента (2021) и 18,28 процента (2022), частичное возвращение, согласующееся с институциональным обучением после поэтапного внедрения. Величина расширенной выборки (снижение на 1,78 процентных пункта от пика 2020 года) соответствует паттерну исходной выборки..

Стилизованный факт 3: новый подъем в 2023–2024 гг. с рекордным значением в 2024 г. Показатель вырос до 19,52% (2023 г.) и 20,10% (2024 г.), причем 2024 г. превысил пик поэтапного внедрения 2020 г. Анализ панели из топ-500 KOSPI и KOSDAQ показывает, что 2024 г. является новым пиком, что согласуется с ускорением накладных расходов после 2023 г., но само по себе не является прямым каузальным свидетельством усиления с помощью ИИ. Базовая панель из топ-300 KOSPI показала, что 2023 г. примерно эквивалентен 2020 г.; расширенное покрытие уточняет, что только 2024 г. пробивает предыдущую траекторию вверх, что согласуется с коммерческим распространением больших языковых моделей (LLM), начавшимся в начале 2023 г. и ускорившимся в циклы корпоративных закупок в 2024 г. Отметим, что уровень 2020 г. частично совпадает с нарушениями доходов из-за COVID-19, которые могут повысить показатель через знаменатель, тогда как пик 2024 г. происходит без сопоставимого обвала доходов; поэтому мы не придаем излишнего веса точке 2020 г..

Стилизованный факт 4: Медианная стабильность при расхождении среднего. Медианное отношение SG&A/Revenue колеблется в узком диапазоне 10-12 процентов в течение панельного периода, в то время как среднее значение выросло на 1,84 процентных пункта (2018-2024). Растущий разрыв между средним и медианой указывает на расширение верхнего хвоста распределения компаний с высокими накладными расходами, что согласуется с теоремой 4 о неоднородности усиления (компании по-разному используют расширение ИИ за счет принятия политики резервов).).

Четыре факта устанавливают знак и монотонность реакции SG&A на сжатие рабочего времени, предоставляя доказательства направления эффекта для Теоремы 3 (Инверсия ROI при τ*) и косвенные доказательства для Теоремы 4 (гетерогенность инновационной премии ROI k). Остальные теоремы обосновываются через теоретическую спецификацию и будущие пути идентификации, как подробно описано в Разделе 4.9..

Описание устанавливает, что накладные расходы выросли в течение поэтапного 52-часового периода внедрения и снова возросли в период распространения генеративного ИИ. Само по себе оно не может установить, что 52-часовое предписание стало причиной роста. Поэтому мы используем двусторонние фиксированные эффекты, объединенные оценки событийного анализа и поэтапный разностный метод Коллуэя-Сант'Анны в качестве когортно-прокси диагностики для сигнатуры до-τ давления накладных расходов, а не как окончательную точечную оценку статистического эффекта вмешательства..

Спецификация с двусторонними фиксированными эффектами регрессирует отношение SG&A/Выручка на индикатор поэтапного внедрения 52-часовой нормы с использованием фиксированных эффектов фирмы и года и стандартных ошибок, кластеризованных на уровне фирмы. Коэффициент при фиктивной переменной 52-часового воздействия составляет +1,56 процентного пункта (SE 0,79, t = 1,97, p = 0,049), что согласуется с предсказаниями теоремы 3 о временном режиме, согласно которым регулирование рабочего времени повышает коэффициент накладных расходов на уровне фирмы. Поскольку использование ИИ в настоящее время измеряется как прокси на уровне года, его независимый коэффициент не подлежит отдельной интерпретации после включения фиксированных эффектов года; вариация ИИ на уровне сектора-года или фирмы является плановым требованием. Масштаб на уровне фирмы (логарифм выручки) поглощает −7,59 процентного пункта (p < 0,001), отражая стандартную закономерность экономии от масштаба, согласно которой более крупные фирмы работают с более низкими коэффициентами накладных расходов. Общий R-квадрат с двусторонними фиксированными эффектами составляет 0,911 по панели KOSPI и KOSDAQ Top 500 из 2 281 наблюдения..

Спецификация event-study DiD использует когорты по процентилям выручки в качестве текущего прокси для ступенчатого распределения времени обработки по размеру фирм и кластеризует стандартные ошибки на уровне фирмы. Коэффициенты до обработки не отвергают гипотезу об общей тенденции (время события −2: 0,99, p = 0,35; время события −1: 1,04, p = 0,38), тогда как коэффициенты после обработки демонстрируют прогрессивное увеличение (время события 0: +2,11, p = 0,074; время события +1: +3,23, p = 0,005; время события +2: +3,47, p = 0,003; время события +3: +4,21, p = 0,001). Оценка в +4,21 процентного пункта является текущей оценкой event-study в рамках прокси когорт по процентилям выручки, а не окончательной причинной величиной. Модель прогрессивного увеличения согласуется с запаздыванием институционального обучения, документированным в исследованиях инноваций в условиях избытка ресурсов (Nohria & Gulati, 1996), и с ускорением накладных расходов после 2023 года, описанным в Разделе 4.3 Стилизованный факт 3. Раздел 4.5 показывает, что повторное оценивание в рамках установленной законом когорты по численности сотрудников дает коэффициент в 52 часа, неотличимый от нуля; поэтому мы интерпретируем эти оценки на основе процентилей выручки как направленный пред-τ сигнал давления накладных расходов, чьим связующим каналом является более широкий режим накладных расходов эпохи ИИ, а не мандат на рабочее время в изоляции..

Предсказание Теоремы 4 заключается в том, что реинвестирование творческого резерва в стиле 80/20 дает коэффициент усиления k > 1 при высокой способности к конвергенции на уровне фирмы. Мы предоставляем направленные доказательства коэффициента усиления через два взаимодополняющих потока данных: макроэкономическую траекторию индустрии AI и неоднородность когорт по размеру фирм в доходе от AI..

Обзор корейской индустрии AI от NIA (проводится ежегодно с 2018 года Министерством науки и ICT и публикуется через таблицу KOSIS DT_127016_C002) предоставляет макроэкономическую привязку. Средний доход от AI на фирму вырос с 793 миллионов KRW в 2018 году до 2 786 миллионов KRW в 2023 году, что в 3,5 раза больше. Совокупный доход корейской индустрии AI вырос с 255 миллиардов KRW (2018) до примерно 3,0 триллиона KRW (2022), что более чем в десять раз за тот же период, в который 52-часовое предписание было внедрено в три этапа. Численность работников в корейской сфере AI выросла с 11 147 работников (2019, первый год отчетности) до 42 551 (2022), что в 3,8 раза больше. Одновременное расширение мощностей AI создает макроэкономическую предпосылку для механизма усиления Теоремы 4: AI-аугментация больше не является маргинальной способностью, а структурным вкладом в корейские фирмы во время всплеска накладных расходов после 2018 года..

В таблице 4 к дизайну DART добавлен слой триангуляции подверженности ИИ. Панель KOSPI и KOSDAQ закрепляет сигнал верховного давления, в то время как опрос NIA не предоставляет данных об использовании ИИ по фирмам и годам для панели DART, а вместо этого предлагает контекстный слой потенциала ИИ, показывающий, что рост доходов в секторе ИИ крайне неравномерен по группам размера сотрудников: фирмы с числом сотрудников более 1000 достигли 102 034 млн вон на фирму в 2023 году по сравнению с 8 264 млн в группе 100-999 и 1 745 млн в группе 10-99. Эта неоднородность подверженности ИИ в секторе обеспечивает направленную поддержку асимметрии усиления теоремы 4 до того, как станут доступны данные об использовании ИИ по фирмам и годам..

Разбивка по размеру фирм в том же опросе NIA выявляет неоднородность, напрямую согласующуюся с 52-часовыми поэтапными когортами. Средняя выручка от ИИ на фирму в когорте с числом сотрудников более 1000 (соответствующей когорте с числом сотрудников более 300 из 52-часовой группы, обработанной в июле 2018 года) выросла с 13 637 млн KRW (2018) до 102 034 млн KRW (2023), что представляет собой рост в 7,5 раза. Фирмы среднего размера (100-999 сотрудников, соответствующие когорте 50-299, обработанной в январе 2020 года) выросли в 2,6 раза (с 3 221 до 8 264 млн KRW). Малые фирмы (10-99 сотрудников, соответствующие когорте 5-49, обработанной в июле 2021 года) выросли в 3,3 раза (с 534 до 1 745 млн KRW). В крупнейшей когорте зафиксирован рост выручки от ИИ в 7,5 раза, что значительно выше, чем в средней (2,6 раза) и малой (3,3 раза) когортах; градиент является немонотонным по средним когортам, поэтому мы рассматриваем контраст между крупными и малыми фирмами как ориентировочное свидетельство того, что фирмы с высокой конвергентной способностью получают непропорциональную отдачу от ИИ, а не как монотонный градиент размера. Точечная оценка k из соотношения роста когорты более 1000 против когорты 10-99 составляет примерно 2,3, что согласуется с предсказанием Теоремы 4 о том, что k превышает единицу при высокой конвергентной способности..

Полная идентификация с KEF HR Survey (индикатор принятия политики Slack) и данными о патентах KIPO указана здесь как будущий путь идентификации, требующий соглашений о доступе к институциональным данным с KIPF и KEF; формальная оценка k является следующим уровнем валидации, а не утверждением данной статьи..

В рамках прокси-когорты по процентилю выручки базовая ассоциация в +1,56 процентного пункта (p = 0,049) направленно согласуется с рядом спецификаций робастности; в соответствии с разделом 3.3 мы интерпретируем ее как пред-τ сигнатуру накладного давления, а не как точечную причинную величину. С фиксированными эффектами отрасли × год, поглощающими отраслевые временные шоки, коэффициент составляет +1,46 (SE 0,83, p = 0,080), маржинально значимый. Винсоризация результата SG&A/Revenue на 1-м и 99-м процентилях дает идентичный коэффициент +1,56; винсоризация на 5-м и 95-м процентилях дает +1,36 (SE 0,72, p = 0,060). Замена log-SG&A в качестве зависимой переменной (контролируя логарифм выручки) дает коэффициент эффекта +0,87 (SE 0,34, p = 0,010), что указывает на то, что абсолютный уровень накладных расходов, а не только их соотношение с выручкой, возрастает в пост-период. Член взаимодействия эффект × интенсивность ИИ статистически не отличим от нуля при разрешении прокси на уровне года (β = -0,18, p = 0,35), что предполагает необходимость данных об использовании ИИ на уровне сектора-года (KISDI, KOSA) для идентификации усиления дополнения, предсказанного теоремой 4. Тесты пред-трендов в спецификации событийного анализа (время события -2 и -1) дают коэффициенты +0,99 и +1,04 (p = 0,35 и p = 0,38), поддерживая предположение параллельных трендов, которое требует дизайн ступенчатых когорт для каузальной идентификации. В качестве робастности знаменателя, перемасштабирование накладных расходов на численность персонала вместо выручки дает схожий паттерн: log SG&A на одного сотрудника возрастает с 2018 по 2024 год (с приблизительно 177 до 265 миллионов KRW на одного сотрудника) с положительным коэффициентом прокси-когорты (+0,56, p = 0,044), что указывает на то, что сигнатура накладного давления не является артефактом движений знаменателя выручки, таких как шоки выручки в эпоху COVID..

Чтобы усилить идентификацию помимо двунаправленных фиксированных эффектов и спецификаций event-study, мы дополнительно оцениваем оценщик staggered difference-in-differences Каллоуэя и Сант'Анны (2021). Этот оценщик решает две хорошо документированные проблемы в объединенных event-study дизайнах при staggered-обработке: гетерогенные эффекты обработки между когортами загрязняют среднюю оценку, и уже обработанные фирмы попадают в контрольную группу на более поздних горизонтах. Используемая нами дважды-робастная версия объединяет регрессию результата с обратным вероятностным взвешиванием, так что идентификация сохраняется, если верно задано либо предположение о параллельных трендах, либо модель склонности. Распределение по когортам использует прокси-переменные процентилей дохода, соответствующие 52-часовому поэтапному графику внедрения; поскольку это прокси-переменные, а не законодательные когорты по численности сотрудников, оценки Каллоуэя-Сант'Анны наследуют ограничения прокси и интерпретируются как направленные, а не как чистый staggered-эффект обработки. Фирмы с наибольшим процентилем дохода соответствуют фирмам с 300+ сотрудниками, обработанным в июле 2018 г.; фирмы со средним процентилем — фирмам с 50-299 сотрудниками, обработанным в январе 2020 г.; фирмы с нижним процентилем — фирмам с 5-49 сотрудниками, обработанным в июле 2021 г. Расширение панели назад на 2015-2017 гг. (представленное в следующем абзаце) предоставляет наблюдения до обработки для законодательной когорты 2018 г.; таким образом, мы не рассматриваем уже обработанные фирмы как никогда не обработанные, а вместо этого используем наблюдения 2015-2017 гг. как окно до обработки для когорты верхнего процентиля, окно 2018-2019 гг. для когорты 2020 г. и окно 2018-2020 гг. для когорты 2021 г. Именно эта трехслойная архитектура предварительной обработки обеспечивает, чтобы staggered-идентификация опиралась на содержательный предварительный период, а не на частичный артефакт панели..

Оценщик дает агрегацию событийного анализа с незначимыми эффектами до обработки в относительных периодах -3 (+1.25 pp, SE 1.65), -2 (+1.13 pp, SE 1.64) и -1 (-0.64 pp, SE 0.99), каждый с 95-процентным доверительным интервалом, включающим ноль. Шаблон ATT до обработки функционирует как встроенный плацебо-тест внутри дважды устойчивого оценщика: при валидной идентификации предварительный ATT(g, t) должен быть нулевым, и все три оценки предварительного периода удовлетворяют этому требованию. ATT после обработки возрастают от +1.59 pp (t = +1, SE 0.91) и +1.72 pp (t = +2, SE 1.09) до +3.48 pp (t = +3, SE 1.73) и +4.51 pp (t = +4, SE 1.71), при этом 95-процентный доверительный интервал исключает ноль в последних двух горизонтах. Оценка +4.51 процентного пункта через четыре года после обработки близко совпадает с оценкой +4.21 процентного пункта в событийном анализе через три года после обработки, обеспечивая сходимость между оценщиками при трех различных предположениях идентификации: двусторонние фиксированные эффекты (+1.56 pp), объединенные оценки событийного анализа (+4.21 pp при t = +3) и дважды устойчивый метод Кэллоуэй-Сант’Анна (+4.51 pp при t = +4)).

Функция расширения ретроспективной панели 2015-2017 годов выступает в качестве основного компонента архитектуры идентификации, а не внешнего модуля обеспечения робастности. Она предоставляет наблюдения предварительного периода для установленной когорты 2018 года, которые в противном случае были бы ненаблюдаемы в аналитическом окне 2018-2024 годов, и позволяет оценить допущение о параллельных трендах на содержательном предварительном периоде, а не только на основе экстраполяции. Ретроспективное расширение охватывает 224 фирмы с положительными показателями SG&A и выручки по 601 наблюдению фирма-год. Среднее отношение SG&A к выручке в предварительном периоде составляет 18,15% в 2015 году, 19,44% в 2016 году и 19,39% в 2017 году, что представляет собой практически стационарную траекторию, чье межгодовое изменение в 1,24 процентного пункта находится в пределах стандартной ошибки любой отдельной ячейки. Среднее значение предварительного периода в 18,99% за 2015-2017 годы (медиана 11,84%) тесно совпадает со средним значением 2018 года в 18,26% на старте панели, что свидетельствует против наиболее вероятного смещения из-за предшествующего восходящего тренда. Последующий рост до 20,06% в 2018-2020 годах, второй пик в 20,10% в 2024 году и удвоенно робастная оценка эффекта вмешательства в +4,51 процентного пункта через четыре года после вмешательства, таким образом, лучше интерпретируются как пост-2018 паттерн overhead-давления, связанный с режимом, а не как продолжение предшествующей восходящей траектории. Ретроспективное расширение достигает только 2015 года, поскольку более ранние годы (2013-2014) дали нулевые успешные раскрытия для фирм панели, что отражает тот факт, что многие фирмы панели либо были до IPO, либо использовали другие системы отчетности в те годы; доступное окно из трех предварительных лет 2015-2017 достаточно для оценки допущения о параллельных трендах против наиболее вероятной альтернативной гипотезы..

Мы дополнительно проверяем, что направленное считывание не преувеличивает причинно-следственную связь. Повторное оценивание в рамках установленной законом когорты размеров предприятий (базовый фиксированный; крупные фирмы обрабатывались в 2018 году, средние — в 2020, малые — в 2021) с фиксированными эффектами по отраслям и годам и тестом предварительного тренда событийного исследования дает коэффициент 52 часа, статистически неотличимый от нуля во всех спецификациях, с чистым предварительным трендом. Это согласуется с интерпретацией оценки по процентилю доходов как направленного сигнала пред-τ накладного давления, а не точечной причинной величины, и локализует связывающее давление в светском, усиленном ИИ росте накладных расходов, а не только в канале рабочего времени..

Дополнительные проверки на устойчивость, зарезервированные для следующего этапа валидации, включают: альтернативные инструменты с использованием субсидий на сокращение рабочего времени, тесты на фальсификацию в отраслях, освобожденных от 52-часовой нормы, и переоценку Callaway-Sant’Anna с наблюдаемыми когортами размера фирм (заменяя прокси процентиля выручки, использованный здесь)).

Мы дополнительно непосредственно рассматриваем альтернативное объяснение, связанное с затратной липкостью, поскольку известно, что уровни SG&A демонстрируют асимметричную реакцию на изменения активности (Anderson, Banker, and Janakiraman 2003, базовый сценарий ABJ). В рамках базового сценария ABJ SG&A быстрее растет при увеличении выручки, чем снижается при ее падении, и часть пост-реформенного роста отношения SG&A к выручке в принципе может отражать именно эту липкость, а не нагрузку на накладные расходы, связанную с талантами на уровне режима. Мы рассматриваем затратную липкость как нулевую модель, а не как противника. Предложенная структура задает иной вопрос, чем литература по затратной липкости: не о том, корректируется ли SG&A асимметрично при изменениях активности, а о том, почему сжатие времени труда с использованием ИИ создает на уровне режима нагрузку на накладные расходы, которую обычные модели липких затрат могут измерить, но не теоретизировать. Три эмпирических факта отделяют интерпретацию давления режима от нулевой гипотезы липкости. Во-первых, робастная спецификация log-SG&A, контролирующая log выручки, дает коэффициент эффекта +0,87 (SE 0,34, p = 0,010), который отражает абсолютный уровень накладных расходов с поправкой на масштаб выручки и является подходящим показателем, перед которым защита на основе липкости затрат наиболее слаба. Во-вторых, обратная экстраполяция на 2015–2017 гг. показывает, что перед введением 52-часового требования не наблюдалось восходящего тренда, вызванного липкостью, что исключает объяснение, согласно которому рост после 2018 г. является продолжением уже существовавшего дрейфа липкости затрат. В-третьих, траектория немонотонна: отношение SG&A к выручке растет до 2020 г., слегка корректируется в 2021–2022 гг. и снова возрастает к 2024 г. Чистый механизм затратной липкости не порождает такую N-образную форму; это делает поэтапное сжатие времени труда в сочетании с возобновленным ускорением внедрения ИИ в 2023–2024 гг. Таким образом, предложенная структура не вытесняет литературу по липкости затрат; она действует над ней, на том уровне, где ставится вопрос о том, почему режим, в котором компании учитывают таланты, меняется под влиянием корректировок затрат, измеряемых литературой по липкости затрат..

Дания представляет собой полярный случай для сравнения. Датская конфигурация сочетает короткую рабочую неделю, основанную на флексикьюрити, с высокой автономией и высокой способностью к конвергенции, что обеспечивает СФП на верхнем уровне распределения ОЭСР (1,82%), как задокументировано в макропанели ICH (Shin, 2026a). Датское сравнение выделяет эффект типа режима — привязанного к выпуску против привязанного ко времени, — удерживая внедрение ИИ примерно постоянным. Четыре набора данных Евростата предоставляют направленные свидетельства за период 2018–2024 гг.: использование ИИ предприятиями (isoc_eb_ai), сообщающее о темпах внедрения ИИ на датских предприятиях по девяти категориям технологий в волнах 2021, 2023, 2024 и 2025 годов; реальная производительность труда за отработанный час (nama_10_lp_ulc), подтверждающая положение Дании в верхнем квартиле производительности ОЭСР из панели 1975–2024 годов; фактически отработанные недельные часы (lfsa_ewhuna), подтверждающие модель короткого рабочего дня с флексикьюрити; и занятость по отраслям по NACE Rev. 2 (nama_10_a64_e), предоставляющая ежегодные отработанные часы на одного работника за период 1975–2025 годов. Отраслевые ряды занятости подтверждают плавную нисходящую траекторию: 1 407 годовых часов на одного работника в 2015 году, 1 381 — в 2018 году, 1 341 — в 2020 году (спад, вызванный COVID), 1 389 — в 2021 году (восстановление) и 1 372 — в 2024 году (что соответствует примерно 26,4 недельным часам с учётом работников с неполной занятостью). Датская траектория не демонстрирует вызванного шоком скачка накладных расходов, аналогичного эффекту 52-часового лимита в Корее, что согласуется с предсказанием модели о том, что режимы, привязанные к выпуску, адаптируют сокращение часов под влиянием производительности без запуска привязанной ко времени инверсии накладных расходов из Теоремы 3. Структурная статистика бизнеса (sbs_na_dt_r2) предоставляет дополнительное направленное сравнение: соотношение затрат на персонал к обороту в датском оптовом и розничном секторе (NACE G) остаётся примерно стабильным на уровне около 10,9% в окне 2018–2020 годов. Этот показатель не является прямым эквивалентом корейского коэффициента SG&A/Выручка и используется только как направленный институциональный контраст, в котором датская конфигурация, ориентированная на выпуск, с высоким доверием и флексикьюрити, не демонстрирует аналогичного повышательного эффекта трещотки затрат на персонал в окне отраслевого сравнения. Полный анализ микроданных структурной статистики бизнеса Евростата на уровне фирм по всем секторам NACE и микроданных Статистического управления Дании отложен на следующий этап валидации. Таким образом, краткое сравнение опирается на направленные, а не на величинные свидетельства: модель предсказывает, что корейская траектория сходится к датской конфигурации, если переход от привязанного ко времени к привязанному к выпуску режиму происходит в рамках прогнозируемого моделью горизонта..

Япония предоставляет культурную двойную ось. Японская конфигурация сочетает конфуцианскую и основанную на присутствии иерархическую организацию с трудом с длинными часами по образцу кароши без 52-часового поэтапного принуждения, что приводит к промежуточному TFP (0.7 процента) и более низкому принятию AI (18 процентов), как задокументировано в макропанели ICH (Shin, 2026a). Данная статья берет параметры TFP и принятия AI Японии из панели ICH; полный микроанализ на уровне фирм METI и RIETI отложен для будущей работы. Краткое сравнение изолирует эффект регулирования от культурных переменных (культурная ось считается аналогичной Корее, регулирование и принятие AI варьируются) и связывает с линией J-firm против A-firm (Aoki, 1990), в которой J-firm соответствует равновесию с низкой способностью к конвергенции, привязанному ко времени, которое усиление AI теперь оказывает давление..

Эмпирический якорь подвержен пяти ограничениям, каждое из которых имеет явные пути усиления..

Ограничение 1: Размер выборки и отбор. Базовая панель KOSPI Top 300 из 115 фирм с 567 успешными наблюдениями отражала изменчивость имен учетных записей DART API. Три пути усиления решают эту проблему. Во-первых, панель KOSPI плюс KOSDAQ Top 500 (365 уникальных фирм и 2 281 наблюдение фирма-год, расширение в 3.2 раза по охвату фирм и в 4.0 раза по количеству наблюдений по сравнению с исходной базовой панелью) является рабочим эмпирическим якорем и заменяет исходную базовую панель для четырех стилизованных фактов из Раздела 4.3. Во-вторых, расширенная выборка сохраняет алфавитный порядок в KOSPI плюс KOSDAQ Top 500; запланированная расширенная панель с явной секторальной и размерной стратификацией (в настоящее время в разработке) будет построена для этапа пересмотра рукописи, чтобы решить остаточные проблемы репрезентативности. В-третьих, опрос фирменной панели KIPF предоставляет дополнительную микроуровневую панель с строгим дизайном выборки. Будущие работы с использованием запланированной расширенной панели и данных панели фирм KIPF могут дополнить текущие оценки, указанные здесь как следующий слой валидации, а не как утверждение данной статьи..

Ограничение 2: измерение использования AI. Показатель интенсивности использования AI основан на самоотчетных данных опроса NIA, подверженных влиянию социальной желательности и несогласованных определений. Три пути усиления. Во-первых, подход Brynjolfsson et al. (2025) к измерению использования AI через наблюдаемое поведение в административных записях (телеметрия предприятий Microsoft 365 и агрегированные данные публичного AI Economic Index) предоставляет альтернативные наблюдаемые показатели на отраслевом уровне. Во-вторых, статистика ICT-индустрии KISDI предоставляет дополнительный агрегированный показатель. В-третьих, уровень внедрения AI в корейских предприятиях (опрос KOSA Software Industry Association) обеспечивает триангуляцию. Триангулированный показатель на основе NIA, KISDI и KOSA повышает надежность..

Ограничение 3: Детализация данных сравнительных кейсов. Краткие сравнения Дании и Японии основаны на вторичных данных, не соответствующих детализации первичного анализа Кореи. Два пути усиления. Во-первых, построение полной панели на уровне фирм для Дании и Японии усилило бы полярные оси сравнения; будущая работа развивает полную триангуляцию с использованием микроданных на уровне фирм Евростата и статистики на уровне фирм METI. Во-вторых, ключевой аргумент этой статьи опирается на направление, а не на величину для сравнительных кейсов; траектории Дании и Японии на агрегированном уровне достаточны для подтверждения направления Теоремы 3, в то время как оценка величины относится к будущей работе..

Ограничение 4: Декомпозиция на уровне компонентов. Метрики агрегированного уровня, извлеченные из DART, не разлагаются напрямую на семь компонентов накладных расходов, указанных в Теореме 1. Аудит парсинга XBRL 50 крупнейших панельных фирм подтверждает это ограничение эмпирически: только пять раскрывают хотя бы одну статью субсчета SG&A (наиболее подробно SK Telecom, с двадцатью восемью строками субсчетов, охватывающими четыре компонента), и три из семи компонентов Теоремы 1 не наблюдаются отдельно в проверенных раскрытиях XBRL топ-50. Покрытие по каждой фирме указано в Дополнительном приложении. Эта модель раскрытия определяет четыре будущих пути идентификации. Во-первых, панельное обследование фирм KIPF предоставляет прямые данные о компонентах на микроуровне с помощью структурированных инструментов опроса. Во-вторых, ручное извлечение из PDF-раскрытий sajeobogoseo для 50 крупнейших по рыночной капитализации фирм обеспечивает высококачественные данные на уровне компонентов с разумными затратами. В-третьих, дополнительное обследование KLI предоставляет данные на уровне работников о компонентах социального обеспечения и льгот. В-четвертых, случаи SK Telecom и LG служат иллюстративными привязками для компонентов, в настоящее время видимых в административных записях. Перекрестно-частное оценивание Теоремы 1 указано здесь как будущий путь идентификации, требующий данных о компонентах на микроуровне KIPF..

Ограничение 5: Одновременная идентификация шоков рабочего времени и ИИ. 52-часовое поэтапное регулирование и ускорение внедрения ИИ в 2018-2024 гг. происходят в перекрывающемся временном окне, что порождает проблему смешения: какая часть наблюдаемой реакции на накладные расходы обусловлена сжатием рабочего времени, а какая — динамикой производительности, дополненной ИИ? В настоящей схеме идентификации эта проблема решается с помощью трех последовательных аргументов. Во-первых, 52-часовое регулирование является нормативным шоком с внешне заданными сроками и распределением по когортам, тогда как использование ИИ представляет собой непрерывный секулярный тренд; ступенчатая когортная схема (300+ сотрудников — с июля 2018 г., 50–299 — с января 2020 г., 5–49 — с июля 2021 г.) создает внутригодовую вариацию обработки 52-часовым шоком, которую использование ИИ (макрогодовой прокси) не может воспроизвести; следовательно, схема частично привязывает сжатие рабочего времени, но не позволяет чисто выделить канал рабочего времени из более широкого режима накладных расходов эпохи ИИ. Во-вторых, ретроспективное расширение на 2015–2017 гг. предшествует как 52-часовому регулированию, так и широкой фазе внедрения корпоративного ИИ, обеспечивая чистый предобработочный период для обоих шоков. В-третьих, предлагаемая рамка явно позиционирует корейскую панель как сигнатуру накладных расходов до τ, в которой оба шока действуют совместно в рамках временно́й оценки; разделение двух шоков на уровне фирм и лет требует отраслевых индексов подверженности ИИ (методология Felten et al. 2023 с триангуляцией NIA/KISDI/KOSA), что составляет будущий путь идентификации. Настоящая статья утверждает совместное действие двух шоков в режиме до τ, а не их чистую декомпозицию..

Эти ограничения являются явными спецификациями области доказательств. Внутри области четыре стилизованных факта из раздела 4.3 закреплены и воспроизводимы из сохраненной CSV-панели. За пределами текущей области доказательств эти пути определяют будущие маршруты идентификации для перевода направленных доказательств в причинно идентифицированные величины..

Пять теорем различаются по эмпирическому якорю, который требует каждая. Мы делаем различие явным, чтобы указать, какие эмпирические утверждения эта панель поддерживает, а какие требуют интегрированных источников данных для полной идентификации..

Теорема 3 (Инверсия ROI при τ*): Эмпирический центр тяжести данной статьи. Панель KOSPI плюс KOSDAQ Top 500 (365 фирм, 2 281 наблюдение фирма-год) плюс 52-часовая поэтапная реализация совместно обеспечивают эмпирический якорь для идентификации реакции SG&A/Revenue на сжатие рабочего времени и для направленного вывода о τ*. Четыре стилизованных факта раздела 4.3 дают направленные свидетельства. Формальная оценка кривой τ* требует плановой секторальной стратификации плюс данных о режиме оценки, что позволит получить доверительные интервалы для величины..

Теорема 1 (Неаддитивность декомпозиции накладных расходов): Требует декомпозиции на уровне компонентов, которую не обеспечивают агрегированные метрики DART. Данная статья представляет теоретическую спецификацию (Раздел 3.1) и агрегированные распределительные свидетельства (медианная стабильность плюс расхождение средних в панели KOSPI плюс KOSDAQ Top 500), согласующиеся с неаддитивностью. Формальная оценка перекрестных частных производных требует микроданных опроса фирм KIPF. Будущие исследования с использованием панельных данных фирм KIPF смогут оценить перекрестные частные производные на уровне компонентов, необходимые для полной идентификации Теоремы 1..

Теорема 2 (Четыре пути синергии резервного времени): Четыре пути, по которым распределяется сэкономленное за счет дополнений время, не поддаются прямому наблюдению на уровне фирмы через административные записи. В данной работе представлено теоретическое отображение (Раздел 3.2) и приведены ссылки на этнографические данные из исследования Ранганатана и Йе (2026) о многоканальном потоке в технологической компании с 200 сотрудниками. Кадровый опрос KEF предоставляет агрегированную меру распределения путей (внедрение политики резервов × инновационный результат) для косвенной идентификации. Прямое наблюдение четырех путей указано здесь как будущий путь идентификации..

Теорема 4 (Инновационная премия ROI k): Требует идентификации фирм с формальными политиками резервов и наблюдения инновационного вывода. Слияние DART (финансовый) плюс KEF HR Survey (принятие политики резервов) плюс KIPO (патентный вывод) обеспечивает эмпирическую основу для полной идентификации Теоремы 4. Оценка величины Теоремы 4 требует этого слияния DART × KEF × KIPO и указана здесь как будущий путь идентификации; настоящая статья предоставляет направленные NIA доказательства (коэффициент усиления когорты размера фирмы ≈ 2.3), согласующиеся с предсказанием k > 1 при высокой конвергентной способности, а не оценку величины..

Теорема 5 (Информационная асимметрия γ в диаде человек-ИИ): Неопределенность атрибуции γ не наблюдается в административных записях компаний; мы исследуем её на уровне диады с помощью дизайна AI-усиленного структурного сценарного зондирования (AI-SSP) (Приложение H), который измеряет связанное с атрибуцией завышение в детерминированном бенчмарке, а не непосредственно γ на уровне фирмы, где работник-ИИ является усиливающим агентом, и все решения о принятии/отклонении являются детерминированными, а не модельно-арбитражными. Мы операционализируем γ как коэффициент завышения — вероятность того, что агент сообщает неверный вывод как правильный относительно детерминированного истинного значения, измеренную на наборе задач калибровочной зоны. В режиме без поддержки и без инструментов γ стремится к 1: агенты заявляют о правильности практически всех своих ошибок, и уверенность в неверных ответах (от 93 до 98 по шкале 0–100) статистически неотличима от уверенности в правильных ответах, поэтому принципал не может самостоятельно выявить ошибку. Подразумеваемая временная агентская стоимость M_time (неверно, но принято) составляет от 0,55 до 0,86, в то время как выходная проверка с переопределением сводит её к нулю в детерминированном бенчмарке — частный случай смещения из теоремы M_output < M_time. Результат воспроизводим между запусками (коэн κ = 0,86 по классификации завышения) и между двумя независимыми семействами моделей, а смещение значительно превышает остаточную агентскую стоимость при нулевой гипотезе случайного переопределения (среднее 0,17 против смещения 0,57), что подтверждает, что снижение обусловлено целенаправленной проверкой, а не частотой переопределения. 74-процентный макро-разрыв завершения из работы Shin (2026b) выступает в качестве сходящегося внешнего якоря. Оценка γ на уровне фирмы по журналам производственных AI-инструментов остается дополнительным будущим направлением..

Дифференцированная логика эмпирического якоря проясняет, что данная статья предоставляет Теореме 3 её сильнейший эмпирический якорь через панель DART и 52-часовой институциональный временной якорь, в то время как остальные четыре теоремы закреплены через теоретическую спецификацию, будущие пути идентификации и исследовательский путь, изложенный в §4.8. Каждая теорема независимо фальсифицируема на собственном реестре доказательств, причем Теорема 3 несет сильнейший текущий эмпирический якорь..

Рисунок 6. Матрица прогнозирования перехода ROI талантов. Корейская панель DART закрепляет Зону 2 как пред-τ сигнатуру накладных расходов; Зоны 3 и 4 являются прогнозируемыми траекториями на горизонт 2025-2032 годов..

На Рисунке 6 структура прогнозирования представлена в виде четырехзонной Матрицы предвидения, отображающей интенсивность использования ИИ A в зависимости от ориентации на результат e. Рисунок 6 демонстрирует матрицу, где корейская панель DART закрепляет Зону 2 (пред-τ давление перегрузки), а Зоны 3 (переходное окно) и 4 (доминирование на основе результата) представляют прогнозные траектории на горизонте 2025-2032 годов..

Данные корейской панели DART четко вписываются в режим накладного давления перед τ, определенный в §3.3. Совместно выполняются три условия. Во-первых, режим оценки оставался основанным на времени в течение периода 2018-2024: поэтапное введение 52-часовой нормы сжало рабочие часы без изменения того, как фирмы учитывали выпуск. Во-вторых, интенсивность использования ИИ монотонно возрастала: внедрение ИИ в масштабах сектора выросло с примерно 8 процентов в 2018 году до 28 процентов к 2024 году (NIA), с резким ускорением в 2023-2024 годах, соответствующим широкому развертыванию GPT-4 на предприятиях. В-третьих, отношение SG&A к выручке выросло, показало небольшую коррекцию в 2021-2022 годах и снова поднялось до нового пика в 20.10 процента в 2024 году. Таким образом, панель предоставляет то, что, насколько нам известно, является первым эмпирически задокументированным признаком режима накладного давления перед τ в экономике ОЭСР..

Эта идентификация имеет три последствия для того, как корейские данные должны сопоставляться с прогнозной моделью. Во-первых, величина реакции коммерческих, общих и административных расходов (SG&A: от +1,56 до +4,51 п.п. в зависимости от оценивателя) не оценивает размер τ*-разрыва. Панельные данные регистрируют накопление давления перед пересечением режима, а не само пересечение. Во-вторых, отсутствие резкого падения совокупной факторной производительности (TFP) на уровне фирм в корейской панели согласуется с моделью, а не противоречит ей: фирмы, всё ещё находящиеся в пред-τ режиме, еще не подверглись инверсии, поэтому прогнозируемое расхождение TFP между фирмами, оцениваемыми по результату, и фирмами, оцениваемыми по времени (1,5–2,0 процентных пункта к 2032 году), является прогнозом на следующее десятилетие, а не ретроспективным фактом, наблюдаемым в 2018–2024 годах. В-третьих, сигнатура пред-τ давления накладных расходов может быть выявлена в других экономиках ОЭСР, что предоставляет протокол прогнозирования, не требующий, чтобы пересечение режима произошло локально до того, как могут быть выпущены прогнозы. Экономики, удовлетворяющие трем пред-τ условиям (преобладание оценки на основе времени, растущее использование ИИ, растущие накладные расходы), согласно прогнозам, войдут в давление перехода режима в пределах центрального десятилетнего окна прогнозной модели..

Интерпретация Foresight также переосмысливает краткие сравнения Дании и Японии. Дания не демонстрирует дополнительного давления pre-τ, поскольку ее режим оценки уже привязан к результату: второе условие pre-τ (доминирование оценки на основе времени) не выполняется, поэтому механизм давления режима не включается, несмотря на одинаковое внедрение ИИ. Япония демонстрирует частичное давление pre-τ, поскольку ее режим оценки остается основанным на присутствии и привязанным ко времени, но уровень внедрения ИИ (18 процентов) ниже, чем в Корее, поэтому второе условие pre-τ частично ослаблено. Таким образом, модель предсказывает, что японские фирмы с растущим внедрением ИИ на фоне неизменной оценки на основе времени войдут в режим pre-τ, когда их использование ИИ превысит примерно 25 процентов, что дает проверяемый прогноз для японских панельных данных на горизонте 2025-2030 годов..

Корея функционирует как универсальный шаблон режима pre-τ, а не как явление, ограниченное Кореей. Три условия pre-τ (доминирование оценки по времени, растущее использование ИИ, растущие накладные расходы) являются институциональными конфигурациями, а не специфическими для страны фактами. Япония удовлетворяет двум из трех условий (оценка по времени, растущие накладные расходы), при этом третье (использование ИИ выше порога) прогнозируется к пересечению в горизонте 2025–2030. Германия, Франция, Италия и другие континентальные европейские экономики сохраняют режимы оценки по времени с быстро растущим внедрением ИИ; структура прогнозирует признаки давления pre-τ в этих экономиках по мере того, как их использование ИИ пересекает отраслевые пороги в горизонте 2026–2030. Соединенные Штаты, несмотря на более высокую ориентацию на результат в фирмах технологического сектора, сохраняют оценку по времени в финансах, профессиональных услугах и традиционном производстве — секторах, которые, по прогнозам структуры, войдут в давление pre-τ по своим собственным отраслевым временным шкалам. Таким образом, Корейская панель DART выявляет переносимую эмпирическую сигнатуру, а не специфическую для Кореи аномалию, а Матрица предвидения предоставляет диагностический аппарат для выявления входа в pre-τ в любой экономике, которая удовлетворяет трем институциональным условиям. На уровне фирмы A и e напрямую не наблюдаются в текущей панели; фирмы аппроксимируют свою зону с помощью наблюдаемых прокси (отраслевые показатели внедрения ИИ и доля компенсации, основанной на результате, в раскрытиях), при этом точное размещение откладывается до данных об использовании ИИ и режиме оценки на уровне фирмы, указанных как будущие пути идентификации..

Настоящая работа расширяет ICH framework с макроэкономического уровня на реализацию на уровне фирмы, которая операционализирует дополненный человеческий капитал в контекстах управленческих решений. Расширение организовано вокруг одной центральной теоремы перехода и четырех теорем механизма, которые вместе определяют структурную реконструкцию внутрифирменного учета накладных расходов на таланты в условиях, когда трудовой ввод L больше не может рассматриваться как однородная функция времени..

Теорема 1 (Декомпозиция накладных расходов) предсказывает, что семь компонентов накладных расходов являются неаддитивными в условиях AI-аугментации, что согласуется с нарушением неявного предположения об аддитивности, заложенного в стандартном учете затрат. Панель Top 500 KOSPI плюс KOSDAQ демонстрирует расхождение между средним и медианным коэффициентами SG&A/Revenue, которое подразумевает неаддитивность: медианная компания сохраняет структуру накладных расходов примерно стабильной в течение 2018-2024 гг., в то время как среднее значение растет с 18,26% до 20,10%, а верхний хвост остается существенно выше медианы. Подмножество компаний несет непропорциональное бремя накладных расходов в условиях AI-аугментации, что аддитивная модель учета затрат не может предвидеть. Предсказание Теоремы 1 предварительно подтверждается этим распределительным паттерном; формальное кросс-частичное оценивание требует покомпонентной декомпозиции KIPF или XBRL..

Теорема 2 (Slack-Augmentation Synergy) описывает четыре пути, по которым время, сэкономленное за счет усиления ИИ, распределяется: интенсификация труда, скрытый досуг, сверхзанятость и реинвестирование творческого резерва. Этот вклад уточняет традицию инноваций через резервы March (1991) и Nohria and Gulati (1996), определяя институциональные условия, при которых резерв преобразуется в инновационные результаты, а не рассеивается через интенсификацию или скрытое поглощение..

Теорема 3 (ROI Inversion) определяет критический порог τ*, при котором кривые ROI, основанные на времени и на результате, пересекаются как функции использования ИИ. Текущая траектория SG&A/Revenue обеспечивает первый эмпирический якорь: рост с 18.26 процента в 2018 году до 20.06 процента в 2020 году, коррекция 2021-2022 годов и возобновленный пик 2024 года на уровне 20.10 процента указывают на то, что режим накладных расходов, основанный на времени, остается под давлением по мере роста использования ИИ. Это согласуется с тем, что τ* еще не был пересечен на среднем значении выборки, но в статье пересечение τ* рассматривается как прогноз, требующий данных об оценочном режиме и данных об ИИ на уровне фирм, а не как уже оцененный факт. Формальная оценка τ* будет использовать запланированную отраслевую стратификацию плюс индикаторы оценки результатов..

Теорема 4 (Инновационная премия ROI) формализует коэффициент усиления k, на который увеличивается творческий резерв в стиле 80/20 при высокой способности к конвергенции. Работа расширяет Espinal Maya (2026), переводя индивидуальный расширяемый когнитивный вектор HˆA в инновационную ROI на уровне фирмы через мультипликативный механизм усиления..

Теорема 5 (Информационная асимметрия) формализует издержки мультизадачного агентства в диаде человек-ИИ как функцию неопределенности атрибуции γ, расширяя Holmstrom and Milgrom (1991) в условиях, когда обработка ИИ вводит третьего агента, чей вклад не может быть полностью отделен от человеческого познания..

Центральная теорема перехода и четыре теоремы механизмов вместе определяют этап VI' на уровне фирмы, который требует ICH framework для управленческой операционализации. Вклад заключается не в завершённом доказательстве всех условий механизмов, а в фальсифицируемой прогнозной архитектуре, которая связывает AI-усиление, overhead давление, режим оценки и будущее разделение TFP.

Настоящая статья развивает пятое измерение способности к конвергенции — способность суверенного переопределения (C5), опираясь на Shin (2026b). Сопутствующая работа документирует разрыв в 74 процентных пункта между заявленным ИИ показателем выполнения задач и фактически выполненным показателем, предоставляя прямую эмпирическую основу для того, что мы здесь рассматриваем как способность работника обнаруживать и отклонять выходные данные ИИ, в которых генерация с высокой уверенностью маскирует фактические или контекстуальные ошибки. Интеграция C5 в анализ на уровне фирмы расширяет четырехмерную структуру C исходной статьи ICH..

C5 действует на уровне фирмы через три механизма. Во-первых, фирмы с высокой долей сотрудников C5 могут обнаруживать и отклонять ложные завершения AI, сохраняя целостность выходных потоков с усилением AI. Во-вторых, фирмы с низкой долей сотрудников C5 принимают ложные завершения за чистую монету, что приводит к накоплению ошибок, распространяющихся по последующим процессам. В-третьих, фирмы со смешанным распределением C5 сталкиваются с внутренними проблемами координации, когда сотрудники с высоким C5 непропорционально обременены обязанностями по верификации, что порождает внутрифирменную проблему справедливости, ещё не рассмотренную в литературе..

Интеграция C5 также затрагивает результат асимметрии информации из Теоремы 5. Инциденты ложного завершения являются прямым эмпирическим индикатором морального риска в диаде человек-ИИ. Фирмы с высокой долей C5 в рабочей силе снижают неопределенность атрибуции γ путем независимой верификации результатов ИИ, ослабляя канал морального риска. Результат Shin (2026b) о том, что уровень вербального соответствия превышает фактический уровень соответствия на 74 процентных пункта, предоставляет концептуальный и эмпирический мост для будущего измерения γ на уровне фирмы, а не прямую оценку γ на уровне фирмы в настоящей статье..

Центральная теорема перехода и четыре теоремы о механизмах выполняются при трех основных условиях, указанных в формальных утверждениях. Во-первых, интенсивность использования ИИ A должна быть положительной. Во-вторых, фирма должна обладать институциональной способностью перераспределять накладные расходы в ответ на увеличение A. В-третьих, измерение выпуска должно быть возможным. Данные по топ-500 компаний KOSPI и KOSDAQ показывают вариативность по второму условию: медианные фирмы удерживают коэффициенты SG&A в узком диапазоне 10-12 процентов, в то время как средние коэффициенты остаются намного выше и растут в течение периода, что указывает на то, что фирмы из верхнего хвоста распределения являются кандидатами на жесткие ограничения управления, которые определяет Теорема 3, и являются теми фирмами, для которых переход на режим, основанный на выпуске, должен оцениваться в первую очередь по мере приближения использования ИИ к τ.*.

Три дополнительных граничных условия определяют область применения данной модели. Модель предполагает, что фирма действует в рамках единого режима регулирования труда, который действует в пределах национальных юрисдикций, но нарушается для многонациональных компаний. Модель предполагает, что использование ИИ является добровольным на уровне фирмы, что соответствует текущим эмпирическим условиям, но может измениться, если регуляторное или конкурентное давление сделает внедрение ИИ фактически обязательным. Модель предполагает, что способность к конвергенции C является агрегируемой на уровне фирмы как средневзвешенное значение индивидуальных значений C сотрудников; сильная внутрифирменная неоднородность, особенно бимодальные распределения, может потребовать дезагрегированного анализа. Кандидатные условия негативной эвристики также включают экстремальные комплаенс-среды, где проверяемость, а не креативность, является основной целью фирмы; отрасли с нематериальными или коалиционно произведенными результатами, где оценка на основе результатов сталкивается с игрой в измерения; и регуляторные режимы, где рабочее время остается юридически обязательной единицей учета независимо от экономической эффективности. Граничные условия — это не слабые места, которые нужно скрывать, а явная спецификация области применения модели. В пределах этой области теоремы являются точными и фальсифицируемыми..

На национальном уровне корейское 52-часовое регулирование иллюстрирует регуляторный механизм, при котором строгость трудового времени становится институциональным временным якорем для накладного давления на уровне фирмы. Данные расширенной выборки показывают, что средняя по выборке фирма остается в режиме, основанном на времени, с растущим накладным давлением, а не завершила переход на результат; восстановление коэффициента SG&A в 2023–2024 годах указывает на то, что это давление нарастает и может пересечь τ* в течение следующих 3–5 лет, если использование ИИ продолжит расти без соответствующей реформы режима оценки. На международном уровне модель предсказывает расходящиеся траектории в странах ОЭСР: экономики южнокорейской конфигурации должны в первую очередь модернизировать режимы оценки и развивать конвергентный потенциал, тогда как экономики датской конфигурации не испытывают необходимости в изменениях..

На уровне фирмы предлагаемая структура предписывает последовательную стратегию перехода, согласованную с Матрицей Форсайта (Рисунок 6). Фирмы, находящиеся ниже порога τ в своем секторе, должны сохранять учет на основе времени, одновременно инвестируя в развитие конвергентного потенциала. Фирмы, приближающиеся к τ, должны пилотировать оценку на основе результатов в отдельных подразделениях, сохраняя при этом временные режимы в других. Фирмы, находящиеся выше τ*, должны формализовать оценку на основе результатов в масштабах всей компании, одновременно институционализируя политику резервирования по принципу 80/20 для получения инновационной премии ROI, описанной в Теореме 4. Структура также выделяет три антипаттерна: реакция наблюдения на паранойю продуктивности (которая увеличивает агентские издержки многозадачности за счет инвестиций в наблюдаемость, не снижающих неопределенность атрибуции γ), преждевременный переход к оценке на основе результатов без дополнительных инвестиций в C, и номинальная политика резервирования без институциональной поддержки (которая не приводит к усилению инновационного ROI, поскольку резервы не поступают в четвертый путь при отсутствии необходимых условий).).

Настоящая статья задается вопросом, какой капитал остается после того, как рабочее время перестает быть однородной единицей учета. Ответ, разработанный в рамках одной центральной теоремы перехода и четырех теорем механизма, заключается в том, что капитал реконституирует себя как неаддитивный набор из семи накладных компонентов, чьи предельные вклады запутываются через гетерогенность способности к конвергенции под воздействием расширения с помощью ИИ..

Теорема 1 определяла неаддитивность. Теорема 2 отображала четыре пути, по которым протекает время, сэкономленное за счет увеличения. Теорема 3 формализовала прогнозируемый порог τ*, при котором кривые ROI на основе времени и на основе выхода пересекаются, причем корейская панель DART служит якорем для режима предпорогового давления. Теорема 4 формализовала коэффициент усиления k, на который увеличивается творческая резервная отдача по принципу 80/20 при высокой способности к конвергенции. Теорема 5 формализовала стоимость мультизадачности в диаде человек-ИИ и показала, что оценка на основе выхода частично компенсирует эту стоимость, тогда как оценка на основе времени ее увеличивает. Теорема 3 является эмпирическим стержнем данной статьи; Теоремы 1, 2, 4 и 5 представляют собой механизменную архитектуру с частичными якорями и явными путями будущей идентификации..

Совместно центральная теорема и четыре теоремы о механизмах задают микроуровневую Стадию VI' теории производственной функции. Макроэкономическая рамка Стадии VI (Shin, 2026a) формализовала расширенный человеческий капитал как Ĥ = H · [1 + φ(A, C)] на уровне национальных агрегатов. Настоящая Стадия VI' реализует эту рамку на уровне внутрифирменного пакета накладных расходов. Панель Top 500 KOSPI плюс KOSDAQ (365 фирм, 2 281 наблюдение фирма-год 2018–2024) показывает, что отношение SG&A/Revenue следует N-образной траектории, согласующейся с предсказаниями Теоремы 3 о временных режимах, обеспечивая эмпирическую основу со стороны накладных расходов для центрального утверждения сравнительной статики рамки, а не прямую оценку τ*. Расширение (в 3,2 раза по охвату фирм и в 4,0 раза по числу наблюдений по сравнению с исходным) сохраняет четыре стилизованных факта базового набора, одновременно позволяя отраслевую стратификацию в будущих работах..

Фреймворк функционирует как модель технологического прогнозирования с явным аппаратом управленческого планирования. Матрица Форсайта (Рисунок 6) предоставляет диагностический инструмент: фирмы сопоставляют свои текущие координаты (A, e) с четырьмя зонами, определяют свое расстояние до границы τ* и выбирают предписание по смене режима, соответствующее их зоне. Фирмы Зоны 1 ведут учет на основе времени при непрерывном мониторинге; фирмы Зоны 2 (корейский до-τ режим) пилотируют оценку на основе результатов в отдельных подразделениях до того, как давление режима вынудит к позднему переходу; фирмы Зоны 3 конвертируют отдельные подразделения до инверсии; фирмы Зоны 4 проводят общефирменный переход. Таким образом, фреймворк предоставляет не только эмпирический якорь (корейская до-τ сигнатура), но и перспективный инструмент планирования на горизонте 2025–2032, объединяющий прогноз, механизм и предписание в единой архитектуре поддержки принятия решений. Именно это отличает данную статью от оценки корейской политики: вклад составляют модель прогнозирования и аппарат планирования, а корейская панель служит эмпирическим якорем..

Структура генерирует четыре опровержимых прогноза.

Прогноз 1: Фирмы, которые внедряют учет рентабельности талантов на основе результатов в период с 2026 по 2032 год, превысят показатели фирм, использующих учет на основе времени, по росту TFP на уровне фирм на 1,5–2,0 процентных пункта ежегодно к 2032 году. Панель KOSPI плюс KOSDAQ предоставляет базовый уровень, среднее по выборке отношение SG&A/Выручка составляет 20,10% в 2024 году при росте TFP в нижнем квартиле ОЭСР. Прогноз 1 предсказывает измеримое разделение TFP между подгруппами перехода и неперехода к 2032 году..

Прогноз 2: Доля корейских фирм с формальными системами оценки на основе результатов, по прогнозам, существенно вырастет к 2032 году с текущей базы меньшинства (настоящая работа не измеряет эту долю напрямую; базовое обследование внедрения режимов оценки указано как будущий путь идентификации). Восстановление коэффициента SG&A в 2023-2024 гг. в текущей панели, при этом 2024 год (20.10 процента) незначительно превысил пик поэтапного внедрения 2020 года (20.06 процента), указывает на то, что давление накладных расходов в рамках повременного режима возобновилось после корректировки после внедрения в 2021-2022 годах. Рост SG&A на фирмах, все еще работающих по повременному учету, сигнализирует о накоплении накладных расходов без компенсации производительности, что является предтрансформационным институциональным трением, которое, согласно Теореме 3, будет усиливаться, пока не будет пересечен τ*..

Прогноз 3: Коэффициент усиления k для свободной доходности в стиле 80/20 при высокой способности к конвергенции превысит 1,5 в выбранных секторах со средним и высоким уровнем внедрения ИИ к 2032 году..

Прогноз 4 (кандидатный прогноз): Фирмы с интенсивным наблюдением, которые внедрили bossware (National Employment Law Project, 2025) в период с 2022 по 2026 год, по прогнозам, продемонстрируют снижение показателя TFP на уровне фирмы на 0.3-0.5 процентных пункта ежегодно по сравнению с сопоставимыми компаниями без наблюдения к 2028 году..

Настоящая работа имеет пять ограничений помимо граничных условий, обсуждаемых в разделе 5.4. Каждое ограничение сопровождается явным путем будущей идентификации..

Ограничение 1: Эмпирическое покрытие (базовое). Исходная выборка KOSPI Top 300 по алфавиту (115 уникальных компаний с положительными показателями выручки). Расширенная панель KOSPI плюс KOSDAQ Top 500, завершённая в мае 2026 года, охватывает KOSPI плюс KOSDAQ Top 500 с нечетким сопоставлением названий счетов и двойной загрузкой консолидированных/неконсолидированных данных, что дало 2 281 успешное наблюдение по фирмам за год от 365 уникальных компаний — увеличение в 3,2 раза по охвату фирм и в 4,0 раза по количеству наблюдений. Расширенная панель составляет текущий рабочий эмпирический базис. Запланированная расширенная панель с явной секторальной и размерной стратификацией (определённая как будущий путь идентификации) решит проблемы репрезентативности. Опрос панели фирм KIPF предоставляет дополнительную микропанель на уровне фирм через соглашение о доступе к данным. Краткие сравнительные кейсы Дании и Японии основаны на вторичных данных; будущая работа разрабатывает полную полярную триангуляцию с первичными данными на уровне фирм..

Ограничение 2: Нагрузка по декомпозиции на уровне компонентов. Метрики агрегированного уровня, извлеченные из DART (выручка, SG&A, COGS, операционная прибыль, чистая прибыль, совокупные активы, обязательства, собственный капитал), напрямую не декомпозируются на семь компонентов накладных расходов, указанных в Теореме 1. Четыре пути усиления решают эту проблему. Во-первых, парсинг XBRL подробных вложений финансовой отчетности sajeobogoseo может извлечь разбивку субсчетов SG&A для подмножества фирм, которые ее раскрывают. Во-вторых, панельное обследование фирм KIPF предоставляет прямые микроуровневые данные о компонентах накладных расходов через структурированные инструменты обследования (соглашения о доступе к данным в процессе). В-третьих, ручное извлечение из PDF-раскрытий sajeobogoseo для 50 крупнейших фирм по рыночной капитализации обеспечивает высококачественные данные на уровне компонентов при разумных затратах. В-четвертых, опрос о дополнительных льготах KLI предоставляет данные на уровне работников о компонентах льгот и пособий..

Ограничение 3: Надежность измерения использования ИИ. Показатель интенсивности использования ИИ основан на данных самоотчетов опроса NIA, что подвержено влиянию смещения социальной желательности и несоответствию определений. Три пути усиления. Во-первых, подход Brynjolfsson et al. (2025), измеряющий использование ИИ через наблюдаемое поведение в административных записях (телеметрия Microsoft 365 enterprise и агрегированные данные публичного AI Economic Index), предоставляет альтернативные наблюдаемые показатели на отраслевом уровне. Во-вторых, отраслевая статистика ИКТ KISDI обеспечивает дополнительный агрегированный показатель. В-третьих, опрос Ассоциации программной индустрии KOSA позволяет провести триангуляцию данных NIA + KISDI + KOSA..

Ограничение 4: Одновременная идентификация шоков рабочего времени и AI. Поэтапное внедрение 52-часовой рабочей недели в Корее и ускорение использования AI в 2018–2024 годах происходят в перекрывающихся временных окнах; поэтому в данной статье корейская панель интерпретируется как pre-τ сигнатура overhead-давления, в которой сжатие рабочего времени и AI-аугментация действуют совместно в рамках учёта на основе времени, а не как чистое разложение двух каналов. Будущие работы должны использовать отраслевое воздействие AI, установленные законом когорты по размеру сотрудников, тесты на освобождение от рабочего времени и данные о внедрении AI на уровне фирм для более точного разделения этих механизмов..

Ограничение 5: Интеграция многоуровневых механизмов. Концепция изложена на уровне фирмы, однако лежащие в её основе психологические и поведенческие механизмы действуют на уровне отдельных сотрудников. Неопределённость атрибуции γ в Теореме 5 обосновывается через Shin (2026b), где зафиксирован разрыв в 74 процентных пункта между заявленными ИИ и фактически выполненными показателями задач; оценка γ на уровне фирмы представляет собой будущий путь идентификации. Четыре пути Теоремы 2 обосновываются этнографическими данными Ranganathan-Ye (2026). Настоящая работа предоставляет Теореме 3 её наиболее сильное эмпирическое обоснование через корейскую панель DART, тогда как остальные четыре теоремы определены как механизменные теоремы с частичными обоснованиями и явными будущими путями идентификации. Такое распределение эмпирической нагрузки согласуется с дизайном исследовательской программы в экономике производства..

Будущие исследования должны расширить текущую концептуальную основу в трех направлениях. Во-первых, отслеживание динамической эволюции τ* с течением времени по мере продвижения возможностей ИИ: данные расширенной выборки показывают, что τ* не была пересечена на среднем уровне выборки по состоянию на 2024 год, и последующие панели могут проверить, произойдет ли пересечение τ* в пределах прогнозируемого горизонта в 3–5 лет. Во-вторых, оценка отраслевых величин теоремы с данными о накладных расходах на уровне компонентов: данные расширенной выборки уже указывают на отраслевую неоднородность (эффекты членства в KOSPI по сравнению с KOSDAQ доступны в панели), и приложения теоремы для конкретных отраслей составляют непосредственный исследовательский приоритет. В-третьих, проверка того, приведут ли режимы оценки, основанные на выпуске, к прогнозируемому разделению TFP на уровне фирм к 2032 году: это центральный фальсифицируемый прогноз, на котором основание будет либо подтверждено, либо опровергнуто..

Вопрос, с которого началась данная статья: какой капитал остается после того, как рабочее время перестает функционировать в качестве однородной единицы учета. Рамки, разработанные в предыдущих разделах, представляют собой один из ответов на этот вопрос на внутрифирменном уровне, а представленные данные панели KOSPI и KOSDAQ дают эмпирическую основу с точки зрения накладных расходов для режима pre-τ, указывая на прогнозируемый переход режима, который еще не наступил, но заметно приближается. Вклад данной концепции заключается не в том, чтобы окончательно решить вопрос, а в том, чтобы сформулировать его достаточно точно, чтобы последующие исследования могли проверить, уточнить и, при необходимости, заменить его. Если прогнозы подтвердятся, главный вывод заключается в том, что эра взаимодействия человека и ИИ требует не только новых технологий, но и новых категорий бухгалтерского учета для определения того, где на самом деле находится производительный вклад..

Пять альтернативных национальных кейсов рассматривались для первичного эмпирического анализа, но были отклонены по методологическим основаниям, описанным в разделе 4.1. Критерии отбора кейсов следовали Yin (1994), Eisenhardt (1989) и Gerring (2007): (i) кейс должен предоставлять институциональный временной якорь для сжатия рабочего времени; (ii) кейс должен иметь наблюдаемые траектории внедрения ИИ на уровне предприятия или сектора с осуществимым путем к будущей интеграции на уровне фирм; (iii) кейс должен иметь данные раскрытия информации на уровне фирм, доступные академическим исследователям; (iv) кейс должен представлять полярный контраст по измерению конвергентной способности. Среди рассмотренных кандидатов Корея показала наиболее сильное совокупное соответствие этим критериям..

• • Сингапур был отклонён, поскольку в нём отсутствует поэтапное требование к рабочему времени, которое обеспечивает временную вариацию. Хотя Сингапур отличается высоким уровнем внедрения ИИ и доступностью раскрытия информации, временной якорь для идентификации методом разности разностей отсутствует..
• • Финляндия была отвергнута, поскольку она находится в рамках скандинавской конфигурации флексикьюрити, уже представленной Данией. Включение Финляндии продублировало бы наблюдение по Дании, а не добавило бы независимую вариативность..
• • Соединенные Штаты были отклонены, потому что контроль рабочего времени раздроблен по юрисдикциям штатов. Единая национальная стратегия идентификации неосуществима; вариация, существующая между штатами, искажает канал дополнения институтами рынка труда на уровне штатов..
• • Китай был отклонен, поскольку раскрытие информации на уровне фирм не соответствует детализации корейских документов DART, а среда с использованием ИИ в значительной степени формируется направлением промышленной политики, а не решениями о талантах на уровне фирм..
• • Соединенное Королевство было отклонено, поскольку страна не имеет ни поэтапного мандата на рабочее время, ни полярно-сравнительной позиции. Ее реформы рынка труда действуют на оси флексикьюрити без структуры «шок-и-реакция», которую требует текущий проект..

Аудит раскрытий субсчетов SG&A, помеченных XBRL, в топ-50 панельных фирм по средней выручке подтверждает ограничение, сообщенное в разделе 4.8 Ограничение 4. Пять из пятидесяти фирм раскрывают по крайней мере один компонент Теоремы 1.:

• • SK Telecom: 28 строк субсчетов за семь лет и четыре из семи компонентов Теоремы 1 (офисное пространство, обучение и развитие, управление и оценка, повременная оплата труда)).
• • LG Corporation: семь лет данных о офисных помещениях (Теорема 1, компонент 3)).
• • LG Electronics: семь лет данных обучения и развития (Теорема 1 компонент 5).
• • LG Innotek: семь лет данных по обучению и развитию.
• • CJ Logistics: данные управления и оценки (Theorem 1 компонент 4, один год)).

Оставшиеся сорок пять фирм раскрывают только совокупную строку SG&A (согласно корейским стандартам раскрытия информации). Три из семи компонентов Theorem 1 (социальное страхование и льготы, коммуникационная инфраструктура, поддержание мотивации) не поддаются отдельному наблюдению в проверенных раскрытиях XBRL из топ-50..

В Таблице 5 полная панель NIA Korean AI Industry Survey (публикуемая ежегодно Министерством науки и ИКТ и зарегистрированная в KOSIS под DT_127016_C002) сообщает средний доход от ИИ на фирму по когортам сотрудников за 2018-2023 гг. Панель охватывает четыре категории размера фирм, используемые в Разделе 4.4. Она используется как контекстный слой ИИ-способностей, а не как показатель использования ИИ по фирмам и годам для панели DART..

Когорта компаний с численностью более 1000 сотрудников выросла в 7,5 раза за 2018–2023 гг., компании среднего размера выросли в 2,6 раза, малые компании — в 3,3 раза, что дало коэффициент усиления приблизительно 2,3, упомянутый в разделе 4.4. Мы интерпретируем это как направленное свидетельство асимметрии AI-возможностей между когортами фирм разного размера, что согласуется с предсказанием модели о том, что фирмы с высокими возможностями с большей вероятностью получают инновационную премию ROI, а не как формальная оценка k (для которой требуются связанные данные об использовании AI на уровне фирм, внедрении политики резервов, способности к конвергенции и инновационном выпуске).).

Четыре набора данных Евростата предоставляют якорь сравнения Дании в разделе 4.6:

• • isoc_eb_ai (корпоративное использование ИИ): девять технологических категорий по волнам 2021, 2023, 2024, 2025 годов.
• • nama_10_lp_ulc (Реальная производительность труда за отработанный час): 1975-2024 панель, подтверждающая положение Дании в верхнем квартиле ОЭСР.
• • lfsa_ewhuna (Фактически отработанные недельные часы): низкая продолжительность, модель, ориентированная на гибкость и защищенность, на протяжении панельного периода.
• • nama_10_a64_e (Занятость по отраслям согласно NACE Rev. 2): панель годовых часов на одного работника за 1975–2025 гг. Ряд демонстрирует плавную нисходящую траекторию: 1 407 часов (2015), 1 381 (2018), 1 341 (2020, ковидный спад), 1 389 (2021, восстановление), 1 372 (2024). Эти значения следует интерпретировать как годовые часы на одного работника, включая неполную занятость и композиционные эффекты рынка труда, а не как прямую меру стандартной полной рабочей недели. Датская траектория не демонстрирует шокового всплеска накладных расходов, аналогичного эффекту 52-часового лимита в Корее, что согласуется с предсказанием режима, привязанного к выпуску, из Теоремы 3..

Структурная бизнес-статистика (sbs_na_dt_r2) предоставляет дополнительное направленное сравнение: соотношение затрат на персонал к обороту в датском секторе оптовой и розничной торговли (NACE G) остается приблизительно стабильным на уровне около 10,9 процента в период 2018-2020 годов. Этот показатель не является прямым эквивалентом корейского соотношения SG&A/Revenue и используется только как направленное институциональное сравнение, в котором датская конфигурация, ориентированная на результат, с высоким уровнем доверия и flexicurity, не демонстрирует аналогичного повышательного тренда затрат на персонал в окне секторального сравнения..

Таблица 6 представляет спецификации робастности, примененные к панели KOSPI плюс KOSDAQ Top 500. Коэффициенты представлены в процентных пунктах для спецификаций SG&A/Revenue, за исключением строки результата log-SG&A, где зависимая переменная — log SG&A с контролем log revenue. Оценки основаны на прокси-переменной когорты по процентилям выручки и интерпретируются как направленное свидетельство сигнатуры пред-τ избыточного давления, а не как точечные причинные величины закона о 52-часовой рабочей неделе. Три диагностические стратегии (двусторонние фиксированные эффекты, объединенные оценки событийного анализа и ступенчатый DiD Каллауэя-Сант'Анны) сходятся на положительном паттерне избыточного давления после обработки в рамках прокси-дизайна. Как сообщается в разделе 4.5, переоценка по законодательной когорте размера сотрудников дает коэффициент 52-часов, статистически неотличимый от нуля во всех спецификациях, что подтверждает интерпретацию, что связывающий сигнал — это более широкий режим пред-τ избыточного давления, а не узкий законодательный эффект обработки..

В данном приложении представлены формальные наброски вывода центральной теоремы перехода и четырех теорем механизмов. Результаты следует рассматривать как выводы достаточных условий, а не как математические доказательства в замкнутой форме. Каждое утверждение изложено при допущениях, указанных в Разделе 3, и в основном тексте снабжено условием фальсифицируемости. Данные выводы устанавливают каждую теорему как условную относительно ее заявленных допущений в смысле прикладной теории, определенном в Разделе 3..

Shin (2026a) разрабатывает макро-фреймворк Интеллектуально Конвергированного Человека (ICH) как шестой этап теории производственной функции. Его центральная концепция — увеличенный человеческий капитал, формализованный как Ĥ = H · [1 + φ(A, C)], где H обозначает базовый человеческий капитал, A — интенсивность использования AI, C — способность к конвергенции, а φ(A, C) — функция увеличения, через которую доступ к AI становится продуктивным только при опосредовании человеческой способностью к конвергенции. Таким образом, модель рассматривает использование AI как условный вклад, а не как автономный остаток продуктивности..

Рамка определяет способность к конвергенции C через четыре измерения: воплощенное понимание, метакогнитивная калибровка, временная интеграция и интегративное мышление. Эти измерения объясняют, почему две экономики с аналогичным человеческим капиталом H и аналогичным использованием AI A могут резко расходиться в TFP. Высокое C позволяет результатам AI быть обоснованными, проверенными, исторически контекстуализированными и интегрированными между областями; низкое C оставляет использование AI отключенным от продуктивного усвоения..

Корея является отклоняющимся случаем, который мотивирует макро-фреймворк. В панели ICH Корея сочетает высокие H и A с низким C, что приводит к TFP нижнего уровня, а не к премии за производительность, предсказанной моделями, основанными только на внедрении ИИ. Результат, о котором сообщается в Shin (2026a), заключается в том, что взаимодействие AI×C объясняет 86 процентов межстрановой дисперсии TFP в панели из 20 стран ОЭСР, по сравнению с 31 процентом для одного лишь использования ИИ. Вывод структурный: влияние ИИ на производительность зависит от функции увеличения φ(A, C), а не от A в изоляции..

Настоящая статья расширяет ICH от Stage VI до Stage VI' путем перемещения единицы анализа от макропанели страна-год к учету накладных расходов на уровне фирмы. Она реализует Ĥ = H · [1 + φ(A, C)] внутри семикомпонентного пакета накладных расходов K и показывает, как ROI_T(A), ROI_O(A), τ*, γ и Foresight Matrix переводят макро-фреймворк в аппарат технологического прогнозирования на уровне фирмы..

Теорема 5 утверждает, что агентские издержки многозадачности M в диаде человек-ИИ возрастают с неопределенностью атрибуции γ, неспособностью принципала отделить правильные вклады от неправильных в дополненном выводе, и что основанная на выводе проверка и переопределение ослабляет M, в то время как основанное на времени принятие самоотчета усиливает его. Поскольку административные записи компаний еще не фиксируют атрибуцию на уровне диады, мы измеряем γ напрямую с помощью дизайна AI-дополненного структурного сценарного зондирования (AI-SSP), в котором работник ИИ является дополняющим агентом, и каждое решение о принятии/отклонении является детерминированным или закодированным правилами, а не модельным арбитражем..

Конструкт. Мы операционализируем γ как уровень завышения — вероятность того, что агент сообщает свой вывод как правильный, хотя на самом деле вывод неверен, оцениваемую по авторской детерминированной эталонной истине. Временные издержки агента M_time — это доля выводов, которые неверны и самим агентом признаны правильными, которую принципал принимает, вознаграждая за самостоятельно сообщенное завершение. Издержки, основанные на выходных данных, M_output, применяют независимый шаг верификации; при совершенной детерминированной верификации M_output равен нулю, поэтому смещение режима составляет M_time минус M_output..

Батарея задач. Сорок две задачи с детерминированной истиной охватывают шесть уровней сложности, откалиброванных по границе уверенной, но ошибочной работы (умножение 4-значных на 2-значные и 5-значных на 3-значные числа, длинное суммирование, подсчет длинных символов, многоступенчатые арифметические цепочки, модульная или календарная арифметика). Слишком простые задачи не дают ошибок, слишком сложные приводят к честному воздержанию; калибровочная зона — это режим, в котором агент уверен, но ошибается, где γ становится наблюдаемым. Для каждой задачи исполнитель возвращает один наилучший ответ, самооценку (CORRECT или UNSURE) и показатель уверенности от 0 до 100, при этом пошаговая работа подавляется, чтобы предотвратить самопроверку агента..

Работники. Чтобы изолировать γ от верификационного каркаса, работники работают без инструментов, без выполнения кода. Используются два независимых семейства моделей (Claude Haiku 4.5 и GPT-4o-mini). Агент с каркасом, оснащенный инструментами выполнения кода, является противоположным якорем: с инструментами он вычисляет точно, и γ стремится к 0, что само по себе является граничным условием, поскольку верификационный каркас умеряет γ..

Результаты. В режиме без инструментов завышение почти полное, с оценкой γ 1.00 в четырех из пяти ветвей: агент маркирует практически каждый неверный ответ как правильный. Уверенность в неверных ответах (93 до 98) неотличима от уверенности в правильных ответах, поэтому ошибка не несет само-сигнала, что является механизмом атрибутивной непрозрачности, названным Теоремой 5. Подразумеваемая временная стоимость агентства M_time варьируется от 0.55 до 0.86; идеальная проверка на основе вывода устраняет её полностью, так что смещение режима M_time минус M_output равно M_time и значительно превышает нуль случайного переопределения (среднее 0.17). Следовательно, смещение возникает из-за целевой проверки, а не из-за частоты переопределения, удовлетворяя условию нуля случайного переопределения дизайна..

Воспроизводимость и устойчивость. Два запуска с идентичными формулировками возвращают одну и ту же оценку γ (1.00) с коэффициентом Cohen κ = 0.86 для классификации завышения по каждой задаче, и результат воспроизводится у двух поставщиков моделей. Абляция подсказок по трем вариантам запроса самопризнаний (нейтральный, сначала уверенность, с формулировкой завершения) оставляет γ направленно стабильным; запрос с формулировкой завершения, который просит агента подтвердить выполнение задачи, снижает γ до 0.48 и снижает уверенность в неправильных ответах до 68, что указывает на то, что формулировка подотчетности сама по себе является рычагом смягчения, согласующимся с механизмом смещения теоремы. По уровням сложности M_time возрастает с частотой ошибок (от 0.10 при умножении 4-значного на 2-значное до 1.00 при длинном суммировании), в то время как γ остается насыщенной, что согласуется с M = g(γ) и ∂M/∂γ > 0..

Интерпретация теоремы 5. Зонд конкретизирует теорему на уровне диады: неопределенность атрибуции в работе человека и ИИ без scaffolding является почти полной и уверенно маскируется, принятие на основе времени преобразует ее непосредственно в агентские издержки, а верификация на основе выходных данных устраняет ее в детерминированном бенчмарке. Макроскопический разрыв в завершении на 74 процентных пункта, о котором сообщается в Shin (2026b), является конвергентным внешним якорем на уровне страны. Дизайн представляет собой многократно используемый бенчмарк неопределенности атрибуции; набор задач и детерминированная процедура оценки доступны в материалах для воспроизведения..