[論文レビュー] The Innovation Tax: Generative AI Adoption, Productivity Paradox, and Systemic Risk in the U.S. Banking Sector

Tatsuru Kikuchi|arXiv (Cornell University)|Feb 2, 2026

FinTech, Crowdfunding, Digital Finance被引用数 0

ひとこと要約

論文は Dynamic Spatial Durbin Models と Synthetic Difference-in-Differences を組み合わせて米国銀行における GenAI の普及を研究し、 frontier パフォーマンスが高いにもかかわらず短期的な生産性課税を示し、ネットワークスピルオーバーが有意であることを明らかにする。

ABSTRACT

This paper evaluates the causal impact of Generative Artificial Intelligence (GenAI) adoption on productivity and systemic risk in the U.S. banking sector. Using a novel dataset linking SEC 10-Q filings to Federal Reserve regulatory data for 809 financial institutions over 2018--2025, we employ two complementary identification strategies: Dynamic Spatial Durbin Models (DSDM) to capture network spillovers and Synthetic Difference-in-Differences (SDID) for causal inference using the November 2022 ChatGPT release as an exogenous shock. Our findings reveal a striking ``Productivity Paradox'': while DSDM estimates show that AI-adopting banks are high performers ($β> 0$), the causal SDID analysis documents a significant ``Implementation Tax'' -- adopting banks experience a 428-basis-point decline in ROE as they absorb GenAI integration costs. This tax falls disproportionately on smaller institutions, with bottom-quartile banks suffering a 517-basis-point ROE decline compared to 129 basis points for larger banks, suggesting that economies of scale provide significant advantages in AI implementation. Most critically, our DSDM analysis reveals significant positive spillovers ($θ= 0.161$ for ROA, $p < 0.01$; $θ= 0.679$ for ROE, $p < 0.05$), with spillovers among large banks reaching $θ= 3.13$ for ROE, indicating that the U.S. banking system is becoming ``algorithmically coupled.'' This synchronization of AI-driven decision-making creates a new channel for systemic contagion: a technical failure in widely-adopted AI models could trigger correlated shocks across the entire financial network.

研究の動機と目的

• 銀行業における GenAI の普及と生産性およびシステムリスクへの影響を理解する動機づけ。
• AI の普及が frontier 企業の地位を示すのか、それとも実装課税を生むのかを特定する。
• 銀行規模による異質性と生産性におけるネットワークスピルオーバーの役割を検討する。
• 共通AIアーキテクチャによるアルゴリズム結合の潜在的なシステミックリスクを評価する。

提案手法

• 直接的およびスピルオーバー生産性効果を推定し、ネットワークスピルオーバーを定量化するための Dynamic Spatial Durbin Model (DSDM)（自社採用のβ、スピルオーバーのθ）を使用。
• 因果効果を特定するために Synthetic Difference-in-Differences (SDID) を用い、2023年の ChatGPT ショックを外因的処置として扱い ATT 推定を構築。
• 異なるスピルオーバーチャネルを捉える2つの空間ウェイト行列：ネットワーク（資産ベース）と地理的（距離ベース）。
• アウトカム変数：ROAおよび ROE；処置はSEC開示における GenAI 記載で定義；コントロール変数として資産、Tier 1 比率、デジタル化指標、CEO 年齢を含む。
• イベント研究の拡張として動的処置効果と事前トレンドを検討。
• 推定は最大尤度法、準最大尤度法、ベイズ MCMC によって頑健性を担保。

(a) ATT on ROA (%)

実験結果

リサーチクエスチョン

• RQ1 GenAI の普及は採用銀行の生産性を非採用銀行と比べて改善するか。
• RQ2 短期的な生産性に対する GenAI の因果効果はどの程度か。
• RQ3 銀行規模は GenAI の導入コスト（実装税）と短期的生産性影響にどう影響するか。
• RQ4 AI 導入努力は銀行間で正のスピルオーバーを生み出し、ネットワーク効果やアルゴリズム結合を示すか。

主な発見

• AI を採用する銀行は横断的比較で生産性が高く、frontier 企業選択と一致する（β > 0）。
• 因果的 SDID 分析は AI 導入が生産性に対して短期的に有意な負の効果をもたらすと結論づける：ROAは基点46bp低下、ROEは428bp低下。
• 資産規模の小さい銀行（資産で下位四分位）は ROE の低下が大きく、517bpに達するのに対し、大きい銀行は129bp。
• DSDM は正のスピルオーバーを示す：ROA の θ = 0.161、ROE の θ = 0.679（それぞれ p < 0.01 および p < 0.05）。
• 大銀行間のスピルオーバーは ROE にとって特に強く、θ = 3.13。
• 結果は実装時の「イノベーション税」と、銀行ネットワーク全体へ AI 導入が拡散するにつれて体系的結合が増大することを示している。

(b) ATT on ROE (%)