← Archive
lm-004030 · 2026-09

Token 消耗症候群：到期額度如何反向塑造人的認知行為 — Token Consumption Syndrome_ How Expiring AI Allowances Reshape User Cognition and Demand

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇

Token 消耗症候群：到期額度如何反向塑造人的認知行為

Token Consumption Syndrome: How Expiring AI Allowances Reshape User Cognition and Demand

Series: AI 算力經濟：從訂閱額度到自適應容量市場
Extra 1 / 2 — Series Paper 9 / 10
Author: Neo.K
Affiliation: EveMissLab
Version: v1.0
Date: 2026-09-07

摘要

生成式 AI 訂閱制度正在創造一種具有明顯行為經濟特徵的新型消費情境：使用者先支付固定費用，之後在五小時、每週、每月或其他重置窗口內取得一組會到期、重置或失效的使用權。當這些額度接近重置時，部分高頻使用者可能產生一種熟悉的心理壓力：

「不用掉，好像很虧。」

本文將這種現象分析性地稱為 Token Consumption Syndrome（Token 消耗症候群）。此名稱不是醫學、精神醫學或臨床診斷，而是一個描述產品制度如何透過心理帳戶、預付消費、到期損失、使用權顯著化與 perceived marginal cost 改變使用者行為的概念工具。

行為經濟學長期指出，消費者並不總是依完全可替代的貨幣與理性邊際效用做決策。Mental Accounting 研究顯示，人們會將支出分入不同心理帳戶，並受帳戶結算週期影響。2026 年針對數位服務的研究更直接指出，較高的預付費用會形成較大的 mental-account deficit，進而促使消費者增加使用，以「把已付的錢用回來」。另一方面，大規模預付消費研究也發現，預付餘額存在大量 breakage，即相當比例的已付價值最終並未被消耗。AI 訂閱將這兩種力量同時放大：有些使用者根本用不完，另一些高峰使用者則會因額度可見、重置時間清楚與推理邊際成本近似零，而在重置前加速使用。

本文提出 Expiration Pressure、Artificial Demand、Consumption Acceleration、Quota Salience、Perceived Marginal Cost、Breakage Ratio 與 Reset-Induced Demand 等概念，並建立：

Prepayment+Expiring Entitlement+Quota Salience→Consumption Pressure\boxed{ \text{Prepayment} + \text{Expiring Entitlement} + \text{Quota Salience} \rightarrow \text{Consumption Pressure} }

的行為模型。

本文同時指出，這種現象對供應商並非純粹有利。額度失效可以產生 breakage、提高方案毛利並降低長期負債，但若大量使用者在重置前為了避免「浪費」而製造低價值 inference，供應商可能得到更多計算消耗，卻沒有得到相同比例的產品價值，甚至增加尖峰負載。這使「到期制度」同時具有：

revenue protection\text{revenue protection}

與：

artificial demand creation\text{artificial demand creation}

兩種相反效果。

本文因此提出 Rollover、Surrender、Off-Peak Conversion、Usage Forecast、Value-Based Nudging 與 Auto-Schedule 等替代設計，並主張 AI 產品不應以「讓使用者想辦法把額度燒完」作為留存或價值感的來源。成熟制度應追求：

task-driven AI consumption>expiration-driven AI consumption\boxed{ \text{task-driven AI consumption} > \text{expiration-driven AI consumption} }

亦即讓 AI 使用重新由真實任務價值驅動，而不是由重置時鐘驅動。

關鍵詞： Token 消耗症候群、Mental Accounting、Expiration Effect、Prepaid Consumption、Breakage、AI 訂閱、Quota Reset、Behavioral Economics、Artificial Demand、AI 使用行為

1. 一個玩笑為什麼值得正式研究

AI 高頻使用者之間很容易出現一種半開玩笑的語言：

額度要重置了。

還有很多沒用。

不用掉好像很虧。

趕快找個東西讓 AI 算。

這聽起來只是：

heavy-user joke\text{heavy-user joke}

。

但如果把這種行為抽象化，就會發現它非常接近預付消費與心理帳戶研究長期觀察到的現象。

使用者先支付：

PsubP_{\mathrm{sub}}

之後獲得：

EtE_t

的使用權。

若：

EtE_t

不能退款、不能轉讓、不能完整 rollover，

並在：

TresetT_{\mathrm{reset}}

失效，

則：

Et→0E_t \rightarrow0

。

這會改變使用者在重置前的決策。

2. 本文的「症候群」不是醫學診斷

本文使用：

Token Consumption Syndrome\boxed{ \text{Token Consumption Syndrome} }

只是分析性名稱。

它不代表：

  • 精神疾病；
  • 成癮診斷；
  • 強迫症；
  • 臨床症候群；
  • 個體人格缺陷。

更準確地說，它描述：

a product-induced behavioral pattern\boxed{ \text{a product-induced behavioral pattern} }

。

亦即：

某種產品權利設計，使本來不一定需要發生的消費變得更有心理吸引力。

3. AI 訂閱是一種特殊的預付消費

訂閱的基本結構為：

Pay First→Consume Later\text{Pay First} \rightarrow \text{Consume Later}

。

這和單次 API：

Consume→Pay per Use\text{Consume} \rightarrow \text{Pay per Use}

不同。

使用者在付款時已經承擔：

PsubP_{\mathrm{sub}}

。

之後每多用一次，

心理上的即時邊際價格可能近似：

PMC≈0PMC \approx0

其中 PMCPMC 是 Perceived Marginal Cost。

4. 但真正的邊際成本並不是零

對供應商而言：

MCprovider>0MC_{\mathrm{provider}}>0

因為還有：

  • GPU；
  • CPU；
  • memory；
  • network；
  • power；
  • cooling；
  • tool execution。

因此產生：

PMCuser≠MCprovider\boxed{ PMC_{\mathrm{user}} \neq MC_{\mathrm{provider}} }

。

固定訂閱正是利用這個差異提供價格抽象。

5. 預付會創造 Mental Account

Thaler 的 Mental Accounting 理論指出，人們會將不同支出分入不同心理帳戶，而帳戶的分類與結算方式會改變消費決策。

可將 AI 訂閱心理帳戶表示為：

AAI=Psub−VexperiencedA_{\mathrm{AI}} = P_{\mathrm{sub}} - V_{\mathrm{experienced}}

。

付款後：

Psub>0P_{\mathrm{sub}}>0

但尚未感受到足夠使用價值時，

使用者可能覺得：

AAI>0A_{\mathrm{AI}}>0

仍然「沒有回本」。

6. Mental-Account Deficit

2026 年 Bhaskaran、Erat 與 Mukherjee 對數位服務的研究直接提出：

較高 upfront fee 會形成更大的 mental account deficit，

並促使使用者增加消費，

因為他們希望：

get their money's worth。

可以簡化成：

MAD=Pprepaid−VconsumedMAD = P_{\mathrm{prepaid}} - V_{\mathrm{consumed}}

。

當：

MAD↑MAD\uparrow

消費動機可能：

Mconsume↑M_{\mathrm{consume}}\uparrow

。

這與 AI 訂閱的高頻使用者行為高度相容。

7. 「我已經付錢了」如何改變任務門檻

假設一次 AI 任務的真實價值為：

ViV_i

人類時間成本為：

CH,iC_{H,i}

若使用者按 API 付費，

還有：

PiP_i

。

因此只有：

Vi>CH,i+PiV_i > C_{H,i} + P_i

才比較值得執行。

但固定訂閱下：

Piperceived≈0P_i^{\mathrm{perceived}} \approx0

條件變成：

Vi>CH,iV_i > C_{H,i}

。

因此更多低價值任務會被執行。

8. 到期額度會再把門檻往下推

如果額度即將失效，

不使用會被心理上編碼成：

Lexpire>0L_{\mathrm{expire}}>0

。

此時使用條件可能變成：

Vi+Lavoided expiration>CH,iV_i + L_{\mathrm{avoided\ expiration}} > C_{H,i}

。

換句話說，

即使：

Vi<CH,iV_i<C_{H,i}

只要「不用掉很浪費」的感覺夠強，

任務仍可能被執行。

9. Expiration Pressure

本文定義 Expiration Pressure：

EPi(t)=Eiremaining(t)τi(t)+ϵEP_i(t) = \frac{ E_i^{\mathrm{remaining}}(t) }{ \tau_i(t)+\epsilon }

其中：

  • EiremainingE_i^{\mathrm{remaining}}：剩餘 entitlement；
  • τi(t)\tau_i(t)：距離重置或失效剩餘時間；
  • ϵ\epsilon：避免除以零的小量。

當：

Eremaining↑E_{\mathrm{remaining}}\uparrow

且：

τ↓\tau\downarrow

則：

EP↑EP\uparrow

。

10. 這是一個「額度／時間」壓力比

例如：

使用者 A：

E=10,τ=7 daysE=10,\quad\tau=7\text{ days}

。

使用者 B：

E=80,τ=6 hoursE=80,\quad\tau=6\text{ hours}

。

B 的：

EPEP

顯著更高。

因此「剩多少」與「多久後失效」必須一起看。

11. Quota Salience

若使用者根本不知道額度還剩多少，

Expiration Pressure 對行為的影響可能較弱。

但現代 AI 產品越來越提供：

  • usage bar；
  • remaining percentage；
  • reset clock；
  • countdown；
  • weekly usage dashboard。

這提高：

QS=Quota SalienceQS = \text{Quota Salience}

。

12. Salience 會放大 Expiration Pressure

可以寫成：

EPi∗=EPi⋅QSiEP_i^* = EP_i \cdot QS_i

其中：

QSi∈[0,1]QS_i\in[0,1]

。

若：

QSi≈0QS_i\approx0

使用者幾乎沒有注意額度。

若：

QSi≈1QS_i\approx1

剩餘量與倒數非常顯眼。

13. Claude 是非常清楚的現行例子

截至 2026 年 9 月，Claude Pro 與 Max 都使用：

5-hour session limit5\text{-hour session limit}

以及：

weekly usage limit\text{weekly usage limit}

。

官方 Usage Settings 會顯示：

  • session usage progress；
  • weekly usage progress；
  • reset time。

因此使用者面對的是非常明確的：

quota state+reset clock\boxed{ \text{quota state} + \text{reset clock} }

。

這種制度非常適合研究 quota salience 與使用節奏之間的關係。

14. OpenAI 也正在增加 Usage 可觀測性

截至 2026 年 9 月，OpenAI 個人方案已提供：

included usage+purchased credits\text{included usage} + \text{purchased credits}

。

部分 Plus／Pro 用戶亦可購買 weekly reset，

立即恢復適用的五小時與每週使用量，

並重新啟動下一個週期。

此外，banked resets 會保存到使用或到期。

因此：

reset itself\boxed{ \text{reset itself} }

甚至開始成為一種可購買或可保存的產品權利。

15. Reset 不再只是時間，它本身開始商品化

當使用者可以：

buy a reset\text{buy a reset}

意味著：

quota state transition\boxed{ \text{quota state transition} }

本身具有價格。

原本：

Et→0→Et+1E_t \rightarrow0 \rightarrow E_{t+1}

只是系統規則。

現在某些情境變成：

Preset→Et′P_{\mathrm{reset}} \rightarrow E_t'

。

這是 AI 訂閱制度非常有意思的進一步商品化。

16. Purchased Credits 與 Included Entitlement 的心理差異

使用者可能對：

QincludedQ_{\mathrm{included}}

與：

QpurchasedQ_{\mathrm{purchased}}

採用不同心理帳戶。

對 included：

不用白不用。

對 purchased credits：

每用一次都是真金白銀。

因此可能：

PMCincluded<PMCpurchasedPMC_{\mathrm{included}} < PMC_{\mathrm{purchased}}

即使底層計算成本相同。

17. 同一個模型因此可能被兩種心理價格消費

例如：

JJ

需要 20 CU。

若從方案內含額度扣：

PMCJ≈0PMC_J\approx0

。

若從額外購買 credits 扣：

PMCJ>0PMC_J>0

。

因此使用者策略可能在跨過 quota boundary 的瞬間改變。

18. Quota Cliff

本文將這種不連續稱為：

Quota Cliff\boxed{ \text{Quota Cliff} }

。

當：

Qincluded>0Q_{\mathrm{included}}>0

時，

大量使用。

當：

Qincluded=0Q_{\mathrm{included}}=0

並轉為 PAYG，

使用量突然下降：

Duser↓D_{\mathrm{user}}\downarrow

。

這是一種價格制度造成的非線性需求。

19. Expiration Cliff

另一個 cliff 出現在：

τ→0\tau\rightarrow0

。

若剩餘 entitlement 即將消失，

使用者可能加速：

dQconsumedt↑\frac{dQ_{\mathrm{consume}}}{dt}\uparrow

。

本文稱之為：

Expiration Cliff\boxed{ \text{Expiration Cliff} }

。

20. Consumption Acceleration Index

定義：

CAI=Qlast window/Tlast windowQbaseline/TbaselineCAI = \frac{ Q_{\mathrm{last\ window}}/T_{\mathrm{last\ window}} }{ Q_{\mathrm{baseline}}/T_{\mathrm{baseline}} }

。

若：

CAI>1CAI>1

代表接近重置時的消耗速率高於平常。

若：

CAI≫1CAI\gg1

可能存在明顯 expiration-driven acceleration。

21. Artificial Demand

真正重要的不是消耗增加，

而是其中有多少來自：

valuable task demand\text{valuable task demand}

多少來自：

expiration avoidance\text{expiration avoidance}

。

定義：

Dobserved=Dtask+DartificialD_{\mathrm{observed}} = D_{\mathrm{task}} + D_{\mathrm{artificial}}

。

其中：

DartificialD_{\mathrm{artificial}}

是若額度可完整保存時不會發生的需求。

22. Counterfactual Definition

更嚴格地定義：

Dartificial=Dexpire−DrolloverD_{\mathrm{artificial}} = D_{\mathrm{expire}} - D_{\mathrm{rollover}}

其中：

  • DexpireD_{\mathrm{expire}}：會失效制度下的使用；
  • DrolloverD_{\mathrm{rollover}}：完全可保留制度下的反事實使用。

這需要 A/B test 才能估計。

23. AI 特別容易放大 Artificial Demand

一般健身房會員想「把月費用回來」，

仍然需要：

physical effort\text{physical effort}

。

AI 不同。

多做一次推理的使用者成本可能非常低。

甚至 Agent 可以：

autonomously generate more work\text{autonomously generate more work}

。

因此：

Chuman,marginal↓C_{\mathrm{human,marginal}}\downarrow

時：

Dartificial↑D_{\mathrm{artificial}}\uparrow

的潛力很大。

24. Agent 可以把「不用白不用」自動化

假設使用者設定：

如果本週還剩很多額度，就多跑幾輪驗證。

Agent 可以：

Nverify=f(Qremaining,τ)N_{\mathrm{verify}} = f( Q_{\mathrm{remaining}}, \tau )

。

當：

Qremaining↑Q_{\mathrm{remaining}}\uparrow

且：

τ↓\tau\downarrow

自動增加：

Nverify↑N_{\mathrm{verify}}\uparrow

。

這將 Token 消耗症候群從心理現象轉成軟體策略。

25. 這不一定是「浪費」

額外驗證有時真的會提高品質。

例如：

Qquality↑Q_{\mathrm{quality}} \uparrow

。

因此不能把所有 expiration-driven usage 都視為無價值。

需要區分：

opportunistic value creation\boxed{ \text{opportunistic value creation} }

與：

pure burn\boxed{ \text{pure burn} }

。

26. Opportunistic Consumption

如果額度快失效，

使用者可能想：

那就拿來做原本不值得付費，但仍有小價值的事情。

例如：

  • 多跑一次 code review；
  • 多做一組翻譯；
  • 多生成幾個設計備選；
  • 多驗證一個假說。

這些：

Vi>0V_i>0

只是：

Vi<PnormalV_i<P_{\mathrm{normal}}

。

因此 expiration 也可能把低價值但正價值需求釋放出來。

27. 因此 Artificial 不等於 Worthless

更準確地說：

Dartificial=Dpositive low value+Dnear zero+Dnegative netD_{\mathrm{artificial}} = D_{\mathrm{positive\ low\ value}} + D_{\mathrm{near\ zero}} + D_{\mathrm{negative\ net}}

。

企業真正應避免的是：

Dnegative netD_{\mathrm{negative\ net}}

即使用者與供應商整體淨價值皆低的消耗。

28. Token Burn

本文把近乎沒有任務價值、主要因為額度快失效而發生的推理稱為：

Token Burn\boxed{ \text{Token Burn} }

。

判定條件可近似：

Vtask<Csystem+ChumanV_{\mathrm{task}} < C_{\mathrm{system}} + C_{\mathrm{human}}

但仍被：

LexpirationL_{\mathrm{expiration}}

推動執行。

29. 供應商為什麼可能喜歡 Breakage

預付市場常見：

Breakage\boxed{ \text{Breakage} }

即使用者已支付但最終沒有兌現的價值。

2026 年一項涵蓋數百萬消費者的預付研究指出，約 40% 的預付價值最終沒有被使用。

這顯示：

prepaid revenue\text{prepaid revenue}

與：

actual service cost\text{actual service cost}

之間可以存在很大差距。

30. AI Subscription Breakage

本文定義：

BR=Qunused expiredQentitledBR = \frac{ Q_{\mathrm{unused\ expired}} }{ Q_{\mathrm{entitled}} }

為 Breakage Ratio。

若：

BR↑BR\uparrow

供應商實際服務成本可能下降。

因此 expiration 對供應商具有直接經濟價值。

31. 但 Breakage 太高也可能表示產品價值低

若大量使用者：

Qunused↑Q_{\mathrm{unused}}\uparrow

可能表示：

  • 買太高方案；
  • 沒有需求；
  • 產品不好用；
  • 額度設計不符合工作週期。

因此：

BRBR

不是越高越好。

32. Breakage 與 Token Burn 是兩種相反力量

一邊：

Unused→Breakage\text{Unused} \rightarrow \text{Breakage}

降低供應商成本。

另一邊：

Expiration Pressure→Token Burn\text{Expiration Pressure} \rightarrow \text{Token Burn}

增加供應商成本。

因此到期制度的淨效果是：

Πexpiration=Vbreakage−Cburn+Vretention−Cdissatisfaction\Pi_{\mathrm{expiration}} = V_{\mathrm{breakage}} - C_{\mathrm{burn}} + V_{\mathrm{retention}} - C_{\mathrm{dissatisfaction}}

。

33. 供應商的最優 Expiration 不一定是零或無限

若完全不過期：

Rollover→∞\text{Rollover}\rightarrow\infty

平台可能累積巨大：

latent compute liability\text{latent compute liability}

。

若很快過期：

τexpiry↓\tau_{\mathrm{expiry}}\downarrow

則：

  • frustration；
  • burn；
  • perceived unfairness；

可能上升。

因此存在：

τ∗\tau^*

使：

Π(τ)\Pi(\tau)

最大化。

34. 使用者的最優制度與供應商未必相同

使用者希望：

FT↑F_T\uparrow

即更多時間可替代性。

供應商可能希望：

BR↑BR\uparrow

以降低兌現成本。

因此：

expiration policy is a distributional choice\boxed{ \text{expiration policy is a distributional choice} }

。

它決定 unused value 最終由誰承擔。

35. 到期其實是一種「隱性價格」

如果兩個方案都是：

200 USD/month200\ \mathrm{USD/month}

但 A：

BRA=10%BR_A=10\%

B：

BRB=50%BR_B=50\%

則使用者實際每單位有效使用成本不同。

可定義：

Peffective=PsubQusedP_{\mathrm{effective}} = \frac{ P_{\mathrm{sub}} }{ Q_{\mathrm{used}} }

。

到期制度因此會改變實際價格。

36. Reset Frequency 也是定價參數

假設相同總額度：

方案 A：

QmonthQ_{\mathrm{month}}

一次給。

方案 B：

QweekQ_{\mathrm{week}}

分四次且不能跨週。

即使：

4Qweek=Qmonth4Q_{\mathrm{week}} = Q_{\mathrm{month}}

使用者可實際取得的價值也可能：

VA>VBV_A>V_B

。

因此：

reset frequency is part of price\boxed{ \text{reset frequency is part of price} }

。

37. Choice Bracketing

Mental Accounting 研究指出，人們如何「框住」決策時間範圍會改變選擇。

若 AI 額度以：

5 h5\text{ h}

框住，

使用者可能以五小時為思考週期。

若以：

1 month1\text{ month}

框住，

則更可能進行長期配置。

因此產品實際在提供：

cognitive bracketing\boxed{ \text{cognitive bracketing} }

。

38. 這正好回到 Paper 1 的四時鐘

Paper 1 提出：

Tbilling≠Tentitlement≠Tcompute≠TworkT_{\mathrm{billing}} \neq T_{\mathrm{entitlement}} \neq T_{\mathrm{compute}} \neq T_{\mathrm{work}}

。

Token 消耗症候群正是：

TentitlementT_{\mathrm{entitlement}}

反過來侵入：

TworkT_{\mathrm{work}}

的結果。

39. Reset Clock 變成 Cognition Clock

理想情況：

Twork=f(task)T_{\mathrm{work}} = f( \text{task} )

。

但 quota-driven 狀況：

Twork=f(task,Treset)T_{\mathrm{work}} = f( \text{task}, T_{\mathrm{reset}} )

。

當：

∂Twork∂Treset\frac{\partial T_{\mathrm{work}}}{\partial T_{\mathrm{reset}}}

太大，

就表示產品制度正在強烈塑造工作節奏。

40. 高峰使用者特別敏感

Light user：

Qused≪QlimitQ_{\mathrm{used}} \ll Q_{\mathrm{limit}}

通常不會注意 reset。

Heavy user：

Qused≈QlimitQ_{\mathrm{used}} \approx Q_{\mathrm{limit}}

則會持續關注：

QremainingQ_{\mathrm{remaining}}

與：

TresetT_{\mathrm{reset}}

。

因此 Token 消耗症候群更可能出現在：

high-engagement users\boxed{ \text{high-engagement users} }

。

41. 這也可能出現在企業部門

企業年度預算常有：

不用完明年會被砍。

AI credits 也可能出現：

這個部門剩很多，趕快用。

形成：

organizational token burn\boxed{ \text{organizational token burn} }

而不只是個人心理。

42. Departmental Artificial Demand

若部門知道：

QbudgetQ_{\mathrm{budget}}

月底歸零，

可能啟動：

  • 低優先級 evaluation；
  • 重複 benchmark；
  • 不必要批次生成；

以證明：

QbudgetQ_{\mathrm{budget}}

確實有需要。

這與政府或企業的「use-it-or-lose-it budget」非常相似。

43. 產品設計可能不小心強化這個現象

例如：

你還剩 82%！

加上一個紅色倒數：

6 小時後歸零！

這會提高：

QS↑QS\uparrow

與：

EP↑EP\uparrow

。

即使產品只是想「透明」，

也可能產生：

consumption nudge\text{consumption nudge}

。

44. 透明度不是永遠中性的

Paper 6 主張 Capacity Transparency。

但對個人 quota：

transparency→behavior\boxed{ \text{transparency} \rightarrow \text{behavior} }

。

因此應區分：

  • decision-useful transparency；
  • consumption-pressure transparency。

45. 好的 Usage Dashboard 應該回答什麼

不只是：

剩多少？

還應該回答：

依你目前使用速度，是否真的需要擔心？

例如：

你本週還有 60%，依目前速度預計用不完。未使用額度可 rollover 30%。

這比單純倒數更能減少焦慮。

46. Usage Forecast

可以估計：

Q^end=Qremaining−D^future\hat Q_{\mathrm{end}} = Q_{\mathrm{remaining}} - \hat D_{\mathrm{future}}

。

若：

Q^end>0\hat Q_{\mathrm{end}}>0

系統可提供：

預計剩餘 120 CU。

再給：

  • rollover；
  • surrender；
  • off-peak bonus。

使用者不需要自己想辦法燒掉。

47. Value-Based Nudge

平台甚至可以說：

你不需要為了用完額度額外執行任務。

這看似會降低 usage，

但可能提高：

trust\text{trust}

與：

long-term retention\text{long-term retention}

。

48. 不把 Usage 當唯一 Engagement KPI

如果產品團隊只最大化：

QconsumedQ_{\mathrm{consumed}}

就可能誤把 Token Burn 當成功。

更合理的是：

Useful Task Completion\boxed{ \text{Useful Task Completion} }

。

49. Useful Compute Ratio

定義：

UCR=Qtask valuableQtotalUCR = \frac{ Q_{\mathrm{task\ valuable}} }{ Q_{\mathrm{total}} }

。

理想制度希望：

UCR↑UCR\uparrow

而不是只希望：

Qtotal↑Q_{\mathrm{total}}\uparrow

。

50. Task-Driven Consumption Ratio

可再定義：

TDR=DtaskDobservedTDR = \frac{ D_{\mathrm{task}} }{ D_{\mathrm{observed}} }

。

若：

TDR≈1TDR\approx1

大部分使用都由真實需求驅動。

若：

TDR↓TDR\downarrow

可能存在更多 quota-driven usage。

51. 如何估計 Artificial Demand

不能直接問：

你這次是不是在浪費 Token？

更好的實驗是：

Group A

正常 expiration。

Group B

允許 rollover。

Group C

允許 surrender。

Group D

完全不顯示 reset countdown。

比較：

Qlast windowQ_{\mathrm{last\ window}}

與：

QtotalQ_{\mathrm{total}}

。

52. 如果 Rollover 顯著降低重置前使用

則可以推論：

Dartificial>0D_{\mathrm{artificial}}>0

。

若：

Qrollover≈QexpirationQ_{\mathrm{rollover}} \approx Q_{\mathrm{expiration}}

則 Token Burn 可能很低。

這是可直接驗證的產品假說。

53. Rollover 是最直接的治療機制

假設：

QunusedQ_{\mathrm{unused}}

可部分移至未來：

Qt+1=Qbase+αQunused,tQ_{t+1} = Q_{\mathrm{base}} + \alpha Q_{\mathrm{unused},t}

。

則 expiration loss：

Lexpire↓L_{\mathrm{expire}}\downarrow

進而：

EP↓EP\downarrow

。

54. 但完全 Rollover 會增加企業負債

如果：

α=1\alpha=1

且：

QQ

永不失效，

平台可能累積：

LDL=Latent Demand LiabilityLDL = \text{Latent Demand Liability}

。

因此 rollover 可以：

  • capped；
  • time-limited；
  • discounted。

55. Surrender 比 Rollover 更有企業價值

Paper 4 提出：

E→P→RE \rightarrow P \rightarrow R

。

使用者不需要燒額度。

供應商也不需要把全部 unused entitlement 推到未來。

因此：

Surrender\boxed{ \text{Surrender} }

可能同時降低：

Token Burn\text{Token Burn}

與：

Latent Demand Liability\text{Latent Demand Liability}

。

56. Off-Peak Conversion

使用者也可以：

100 Peak CU→140 OffPeak CU100\ \mathrm{Peak\ CU} \rightarrow 140\ \mathrm{OffPeak\ CU}

。

這會把：

不用掉很浪費。

轉成：

先保存價值，晚點在更適合時段用。

因此：

Dpeak↓D_{\mathrm{peak}}\downarrow

。

57. Borrow 的反方向心理

Borrow 讓使用者：

Qt>Qbase,tQ_t > Q_{\mathrm{base},t}

。

但如果沒有清楚介面，

也可能產生：

下個月欠了額度。

形成：

Compute Debt Anxiety\text{Compute Debt Anxiety}

。

因此所有跨期制度都需要心理帳戶設計。

58. Compute Wallet 可以降低碎片化心理

如果 Chat、Code、Research 的額度完全分開，

使用者可能看到：

Research 還剩很多，Code 不夠。

形成：

category-specific burn\text{category-specific burn}

。

Compute Wallet 讓：

QA+QB+QCQ_A+Q_B+Q_C

部分共池，

可以降低：

mental account fragmentation\text{mental account fragmentation}

。

59. 但 Wallet 也可能讓成本太抽象

如果所有東西都只顯示：

CU。

使用者可能不知道：

這個任務為什麼這麼貴？

因此需要：

Price Abstraction+Cost Explainability\boxed{ \text{Price Abstraction} + \text{Cost Explainability} }

。

60. 產品應顯示「價值替代」而不是「快燒完」

例如：

你還有 200 CU 即將於月底失效。

可以提供：

  • rollover 100；
  • surrender 80 換 50 future CU；
  • 安排 3 個已排隊的低優先任務。

而不是：

快來多用！

61. Provider Incentive 也需要重新設計

若收入已經收取：

PsubP_{\mathrm{sub}}

短期內供應商最便宜的使用者是：

Q=0Q=0

。

但長期若：

Q=0Q=0

使用者會退訂。

因此供應商要最大化：

perceived value\boxed{ \text{perceived value} }

而不是：

minimum compute\text{minimum compute}

或：

maximum compute\text{maximum compute}

。

62. Optimal Consumption Zone

可能存在：

Q∗Q^*

使：

Retention(Q)−Cost(Q)\text{Retention}(Q) - \text{Cost}(Q)

最大。

太低：

Retention↓\text{Retention}\downarrow

。

太高：

Cost↑\text{Cost}\uparrow

。

因此企業真正希望的是：

high-value efficient consumption\boxed{ \text{high-value efficient consumption} }

。

63. Expiration Policy 也是 Demand Engineering

Paper 5 將 Demand Engineering 定義為：

design when demand occurs\text{design when demand occurs}

。

Expiration 其實也是一種 demand engineering。

只是它往往是：

unintentional demand engineering\boxed{ \text{unintentional demand engineering} }

。

64. 好制度與壞制度的差別

好的：

Off-Peak Discount→move valuable demand\text{Off-Peak Discount} \rightarrow \text{move valuable demand}

。

壞的：

Hard Expiration→manufacture low-value demand\text{Hard Expiration} \rightarrow \text{manufacture low-value demand}

。

兩者都會改變：

D(t)D(t)

。

65. Reset Boundary 可能形成需求尖峰

若大量使用者具有同一 reset time：

TRT_R

並且存在 expiration acceleration，

則可能：

D(TR−ϵ)↑D(T_R-\epsilon)\uparrow

。

但現實中許多 AI 服務的 reset 時間可能依帳戶分散，因此 aggregate peak 是否明顯，需要實證測量。

本文不假定所有平台都必然出現全局 reset spike。

66. Staggered Reset 是一種容量工具

若供應商把：

TR,iT_{R,i}

分散，

則：

Var[∑iDi(t)]↓\mathrm{Var}[ \sum_i D_i(t) ] \downarrow

可能成立。

因此 individualized reset 具有：

load smoothing\boxed{ \text{load smoothing} }

價值。

67. 但 Staggering 不解決個體 Expiration Pressure

即使：

TR,A≠TR,BT_{R,A}\neq T_{R,B}

每個使用者仍可能在自己的：

TR,iT_{R,i}

前加速。

因此：

aggregate smoothing\text{aggregate smoothing}

不等於：

behavioral distortion removal\text{behavioral distortion removal}

。

68. Token 消耗症候群與 FOMO 不完全相同

FOMO：

fear of missing opportunity\text{fear of missing opportunity}

。

Token Consumption：

fear of wasting prepaid entitlement\text{fear of wasting prepaid entitlement}

。

兩者都涉及 loss aversion，

但 reference point 不同。

69. Reference Point

使用者可能把：

QentitledQ_{\mathrm{entitled}}

心理上視為：

我已經擁有的東西。

因此失效：

Qunused→0Q_{\mathrm{unused}}\rightarrow0

被感知成：

loss\text{loss}

而不是：

non-consumption\text{non-consumption}

。

這就是權利 framing 的重要性。

70. 契約上不是財產，心理上卻可能像財產

Paper 4 已指出：

entitlement≠property\text{entitlement} \neq \text{property}

。

但在使用者心理上：

EiE_i

可以被編碼成：

mine\boxed{ \text{mine} }

。

所以：

它要消失了。

會產生 loss aversion。

71. Endowment-Like Effect

一旦使用者看到：

你本週有 100%。

這個：

100%100\%

就可能形成 reference endowment。

消耗後：

還剩 30%。

如果剩餘 30% 直接歸零，

心理上可能像失去：

30%30\%

而不是單純沒有使用。

72. 這解釋了為什麼「明確顯示總額度」有雙面性

Paper 6 主張透明。

但本文提醒：

Quota Transparency\boxed{ \text{Quota Transparency} }

同時提高：

  • planning ability；
  • loss salience。

所以透明介面需要：

neutral framing\text{neutral framing}

。

73. Neutral Framing

比較：

還有 70% 沒用！3 小時後失效！

與：

本週使用 30%。下一週將自動重置。可 rollover 20%。

後者比較不像：

urgent consumption nudge\text{urgent consumption nudge}

。

74. 不要用 Gamification 鼓勵燃燒

例如：

恭喜你用了 100% 額度！

可能讓：

Q=100%Q=100\%

變成遊戲目標。

除非：

100%100\%

真的代表高價值工作完成，

否則這種 KPI 可能錯誤。

75. Better Progress Metric

可以顯示：

Tasks Completed\text{Tasks Completed} Projects Advanced\text{Projects Advanced} Useful Agent Jobs\text{Useful Agent Jobs}

而不是只顯示：

Tokens Consumed\text{Tokens Consumed}

。

76. 從 Consumption Metric 到 Outcome Metric

真正理想：

engagement→outcome\boxed{ \text{engagement} \rightarrow \text{outcome} }

。

例如：

本月完成 12 個程式任務。

比：

本月用了 95% 額度。

更符合 AI 生產力產品。

77. 用戶有權選擇「不工作」

如果使用者今天：

想休息、玩遊戲、度假。

AI 產品不應透過：

expiring quota\text{expiring quota}

製造：

我是不是該趕快找工作做？

這不是道德問題。

而是產品是否把：

subscription clock\text{subscription clock}

不必要地變成：

behavioral obligation\text{behavioral obligation}

。

78. Permission to Idle

成熟產品可以默認：

idle is a valid user state\boxed{ \text{idle is a valid user state} }

。

「今天不用 AI」不應自動被產品設計成損失。

79. 這與 AI 的生產力悖論有關

AI 原本應該：

Twork↓T_{\mathrm{work}}\downarrow

。

但如果節省下來的時間又因：

額度還沒用完。

被填回更多低價值工作，

可能形成：

productivity rebound\boxed{ \text{productivity rebound} }

。

80. AI 可以讓工作更快，也可以讓人永遠有更多工作可做

因為任務空間：

T\mathcal T

幾乎無限。

如果：

Cmarginal↓C_{\mathrm{marginal}}\downarrow

人會發現：

還可以再驗證一次。

還可以再改一版。

還可以再研究一題。

因此 AI 的：

latent task demand\boxed{ \text{latent task demand} }

可能非常巨大。

81. Expiring Quota 會激活 Latent Task Demand

令：

Tlatent={Ji:Vi>0, but normally not executed}\mathcal T_{\mathrm{latent}} = \{ J_i: V_i>0,\text{ but normally not executed} \}

。

當：

EP↑EP\uparrow

更多：

JiJ_i

跨過執行門檻。

這解釋高頻使用者為什麼永遠「找得到東西算」。

82. 這可能造成認知過度擴張

人類真正稀缺的不只 GPU。

還有：

attention+verification capacity+rest\boxed{ \text{attention} + \text{verification capacity} + \text{rest} }

。

如果 AI 生成：

Noutputs↑N_{\mathrm{outputs}}\uparrow

但人類驗證能力：

HverifyH_{\mathrm{verify}}

固定，

可能：

NoutputsHverify↑\frac{ N_{\mathrm{outputs}} }{ H_{\mathrm{verify}} } \uparrow

。

83. Token Burn 可能轉化成人類 Review Debt

例如為了用完額度生成：

100100

份分析。

之後還需要人類：

RhumanR_{\mathrm{human}}

驗證。

於是：

Compute Surplus→Human Review Debt\boxed{ \text{Compute Surplus} \rightarrow \text{Human Review Debt} }

。

這甚至可能降低總生產力。

84. 所以 Useful Compute 需要人機共同衡量

不是：

QAIQ_{\mathrm{AI}}

越大越好。

而是：

η=VcompletedQAI+Hhuman\boxed{ \eta = \frac{ V_{\mathrm{completed}} }{ Q_{\mathrm{AI}} + H_{\mathrm{human}} } }

。

Expiration-driven consumption 可能讓 denominator 上升，

但 numerator 幾乎不變。

85. 可測試假說

H1：接近 reset 時，部分高頻使用者的 Consumption Acceleration 會上升

τ↓⇒CAI↑\tau\downarrow \Rightarrow CAI\uparrow

。

H2：顯示剩餘額度與明確倒數會提高 quota salience

QSvisible>QShiddenQS_{\mathrm{visible}} > QS_{\mathrm{hidden}}

。

H3：Rollover 會降低 reset 前使用加速

αrollover↑⇒CAI↓\alpha_{\mathrm{rollover}}\uparrow \Rightarrow CAI\downarrow

。

H4：Surrender 會降低 Token Burn 且不必增加 latent liability

比純 rollover 更可能同時改善供需。

H5：Purchased Credits 的使用彈性低於 Included Usage

因：

PMCpurchased>PMCincludedPMC_{\mathrm{purchased}} > PMC_{\mathrm{included}}

。

H6：Agentic workload 比手動聊天更容易把 expiration-driven usage 自動放大

因：

Chuman,marginalC_{\mathrm{human,marginal}}

更低。

H7：過高 breakage 會降低續訂

當使用者長期：

BRi↑BR_i\uparrow

可能認為方案不值得。

86. 實驗設計

可以進行六組 A/B test。

Group A：Hard Expiry + Visible Countdown

傳統高 salience。

Group B：Hard Expiry + Neutral UI

不強調剩餘。

Group C：30% Rollover

α=0.3\alpha=0.3

。

Group D：Surrender

提供 future CU。

Group E：Off-Peak Conversion

剩餘額度轉成低峰額度。

Group F：Outcome-Oriented Dashboard

顯示任務成果而不是 quota completion。

87. 需要測量的指標

包括：

CAICAI BRBR UCRUCR TDRTDR Retention\text{Retention} Peak Demand\text{Peak Demand} Review Debt\text{Review Debt} User Satisfaction\text{User Satisfaction}

。

只有這樣才能知道：

更多使用到底是不是更好的產品。

88. 供應商的最佳制度可能是混合式

例如：

30%30\%

可 rollover，

20%20\%

可 surrender，

其餘：

50%50\%

照常到期。

這讓：

BRBR

仍然存在，

又降低極端 expiration pressure。

89. 用戶也可以自己選方案

例如：

Stable Plan

較高月費：

FT↑F_T\uparrow

更多 rollover。

Discount Plan

較低月費：

FT↓F_T\downarrow

額度較容易過期。

讓：

expiration risk\text{expiration risk}

本身成為可選價格維度。

90. Expiration Risk Pricing

如果使用者願意承擔：

RexpiryR_{\mathrm{expiry}}

可以取得：

PdiscountP_{\mathrm{discount}}

。

這比把 expiration 隱藏在方案條款裡更透明。

91. 高透明度不代表高壓迫

關鍵是：

Transparency+Choice\boxed{ \text{Transparency} + \text{Choice} }

。

例如：

你的額度將失效。

旁邊同時提供：

  • rollover；
  • surrender；
  • convert。

使用者就不需要 burn。

92. Token Consumption Syndrome 的完整模型

可表示為：

TCSi=f(Pi,Ei,τi,QSi,PMCi,Fi,Ai)TCS_i = f( P_i, E_i, \tau_i, QS_i, PMC_i, F_i, A_i )

其中：

  • PiP_i：預付成本；
  • EiE_i：剩餘 entitlement；
  • τi\tau_i：距離失效時間；
  • QSiQS_i：quota salience；
  • PMCiPMC_i：perceived marginal cost；
  • FiF_i：fungibility；
  • AiA_i：automation capacity。

93. 預期方向

一般而言：

∂TCS∂P>0\frac{\partial TCS}{\partial P}>0 ∂TCS∂E>0\frac{\partial TCS}{\partial E}>0 ∂TCS∂QS>0\frac{\partial TCS}{\partial QS}>0 ∂TCS∂A>0\frac{\partial TCS}{\partial A}>0

。

而：

∂TCS∂τ<0\frac{\partial TCS}{\partial \tau}<0

在接近到期時表示壓力增加。

94. Fungibility 會降低症候群

若：

Fi↑F_i\uparrow

例如：

  • rollover；
  • transfer；
  • surrender；
  • conversion；

則未使用價值不會立刻歸零。

因此預期：

∂TCS∂F<0\frac{\partial TCS}{\partial F}<0

。

這將本篇直接接回整個系列。

95. 這不是使用者「不理性」這麼簡單

如果制度明確說：

你已經付了錢。

不用就消失。

那麼增加使用某種程度上是合理反應。

因此：

behavioral bias+rational response to contract\boxed{ \text{behavioral bias} + \text{rational response to contract} }

會混在一起。

96. 不能把所有責任丟給使用者

平台不能一方面：

make entitlement expire\text{make entitlement expire}

另一方面又說：

使用者為什麼一直想用完？

行為部分正是制度內生產物。

97. 也不能把所有責任丟給企業

到期具有：

  • capacity planning；
  • anti-hoarding；
  • revenue predictability；
  • liability reduction；

等合理功能。

因此：

expiration is not inherently bad\boxed{ \text{expiration is not inherently bad} }

。

問題是：

到期的成本是否過度由使用者承擔？

98. 成熟制度的目標不是消除所有到期

而是：

minimize low-value expiration-driven consumption\boxed{ \text{minimize low-value expiration-driven consumption} }

同時維持：

manageable provider liability\text{manageable provider liability}

。

這是一個市場設計問題。

99. 從 Token Burn 回到 Adaptive AI Compute Economy

整個系列提出：

Temporal Fungibility\text{Temporal Fungibility} Compute Wallet\text{Compute Wallet} Surrender\text{Surrender} Demand Engineering\text{Demand Engineering}

。

這些機制都可以被重新理解為：

anti-burn mechanisms\boxed{ \text{anti-burn mechanisms} }

。

100. 更好的制度把「不用」變成一個合法選項

現在：

UseorLose\text{Use} \quad\text{or}\quad \text{Lose}

。

更成熟：

Use,Save,Convert,Return\boxed{ \text{Use} ,\quad \text{Save} ,\quad \text{Convert} ,\quad \text{Return} }

。

只要這四個選項存在，

使用者不需要製造任務。

101. AI 產品應該容許休息

如果 AI 真正是：

productivity tool\text{productivity tool}

那麼它的成功不應該要求：

continuous consumption\text{continuous consumption}

。

真正成功可能是：

五天完成工作。

接著二十五天不用。

102. 這反而是生產力提高的證據

如果同樣成果：

WW

原本需要：

30 days30\text{ days}

現在：

5 days5\text{ days}

則：

ηproductivity↑\eta_{\mathrm{productivity}}\uparrow

。

產品不應因為剩下 25 天低使用，就把使用者視為 engagement 下降。

103. 從 Engagement Economy 轉向 Completion Economy

社群平台希望：

Tscreen↑T_{\mathrm{screen}}\uparrow

。

AI 生產力產品若照抄：

TAI↑T_{\mathrm{AI}}\uparrow

可能方向錯誤。

更合理：

Task Completion+User Value\boxed{ \text{Task Completion} + \text{User Value} }

。

104. 這是 AI 產品經濟的一個重要分水嶺

如果 AI 企業仍然用：

time spent\text{time spent}

或：

tokens consumed\text{tokens consumed}

作為唯一成功指標，

就可能：

optimize consumption instead of intelligence value\boxed{ \text{optimize consumption instead of intelligence value} }

。

105. 基本原則

本文提出十五項原則。

原則一：Token 消耗症候群不是臨床診斷

它是制度誘發的行為分析概念。

原則二：預付與到期共同創造使用壓力

Prepayment+Expiration→Consumption Pressure\text{Prepayment} + \text{Expiration} \rightarrow \text{Consumption Pressure}

原則三：剩餘額度與剩餘時間必須一起研究

EP=f(E,τ)EP = f(E,\tau)

原則四：Quota Salience 會改變行為

透明介面不是中性。

原則五：Included 與 Purchased Usage 具有不同心理價格

PMCincluded<PMCpurchasedPMC_{\mathrm{included}} < PMC_{\mathrm{purchased}}

可能成立。

原則六：Artificial Demand 不等於全部無價值

需要區分 opportunistic value 與 pure burn。

原則七：Breakage 與 Burn 是到期制度的兩個反方向結果

原則八：Reset Frequency 本身就是價格與權利設計

原則九：Rollover 可以降低 Expiration Pressure

原則十：Surrender 可以同時降低 Burn 與 Latent Liability

原則十一：Usage Dashboard 應避免鼓勵 quota completion

原則十二：Agent 會放大 expiration-driven behavior

原則十三：企業應追蹤 Useful Compute，而非只有 Total Compute

原則十四：AI 生產力產品應允許低使用甚至完全不用

原則十五：產品目標應從 Consumption 走向 Completion

106. 限制

第一，本文的「Token Consumption Syndrome」是新提出的分析框架，不是現有臨床或心理學標準術語。

第二，目前尚缺乏大規模公開資料直接測量 AI 使用者在 reset 前是否普遍增加 consumption。

第三，不同平台 reset 時間可能錯開，因此個體級加速不必然形成整體系統峰值。

第四，額外使用可能提高品質，因此不能只以更多 inference 判定為浪費。

第五，使用者對額度的主觀價值高度異質。

第六，企業有合理的 anti-hoarding 與容量管理需求，因此本文不主張所有額度永久不失效。

107. 結論

「Token 消耗症候群」最初可以只是一句玩笑：

額度要重置了，不用好像很虧。

但這句話背後其實連接到非常成熟的行為經濟學問題：

Mental Accounting\text{Mental Accounting} Prepayment\text{Prepayment} Sunk Cost\text{Sunk Cost} Breakage\text{Breakage} Choice Bracketing\text{Choice Bracketing}

以及：

Expiration Pressure\text{Expiration Pressure}

。

AI 把這些問題放大，是因為 inference 的使用邊際摩擦極低，而可以執行的潛在任務幾乎沒有上限。

因此：

unused quota\text{unused quota}

不只是：

沒有使用。

它可能被心理編碼成：

value about to be lost\text{value about to be lost}

。

一旦：

Eremaining↑E_{\mathrm{remaining}}\uparrow

且：

τreset↓\tau_{\mathrm{reset}}\downarrow

使用者就可能從：

I have a task, so I use AI\text{I have a task, so I use AI}

轉變為：

I have AI allowance, so I search for a task.\boxed{ \text{I have AI allowance, so I search for a task.} }

這就是本文真正要捕捉的反轉。

它將：

Task→Compute\text{Task} \rightarrow \text{Compute}

改成：

Compute Entitlement→Task Creation\text{Compute Entitlement} \rightarrow \text{Task Creation}

。

這種反轉不是必然有害。

它有時可以釋放低成本創造、額外驗證與探索。

但當：

VtaskV_{\mathrm{task}}

低於：

Chuman+CsystemC_{\mathrm{human}} + C_{\mathrm{system}}

它就變成：

Token Burn\boxed{ \text{Token Burn} }

。

因此成熟 AI 產品真正應追求的，不是：

100% quota consumption\text{100\% quota consumption}

而是：

high-value task completion\boxed{ \text{high-value task completion} }

。

Rollover、Compute Wallet、Surrender、Off-Peak Conversion 與 Temporal Fungibility 的價值，也因此不只是「讓使用者比較爽」。

它們還在做另一件事：

restore task-driven consumption\boxed{ \text{restore task-driven consumption} }

。

也就是讓使用者重新因為：

我真的需要完成這件事。

才使用 AI，

而不是因為：

星期天晚上額度又要歸零了。

這使本篇最終命題可以寫成：

An AI subscription should create permission to compute, not an obligation to consume.\boxed{ \text{An AI subscription should create permission to compute, not an obligation to consume.} }

中文即：

AI 訂閱應該提供「可以使用智能」的權利，而不應逐漸變成「必須把智能額度消耗完」的義務。

下一篇，也是整個系列最後一篇，將把我們一路大量使用的研究方法本身正式化：

跨產業制度移植——AI 產業其實不用每件事重新發明。

參考資料

  1. Bhaskaran, S., Erat, S., & Mukherjee, R. Pay more, use more: Consumer bias and demand management for digital services. Journal of Service Research, 2026.
  2. Thaler, R. H. Mental Accounting and Consumer Choice. Marketing Science, 4(3), 199–214, 1985. DOI: 10.1287/mksc.4.3.199.
  3. Thaler, R. H. Mental Accounting Matters. Journal of Behavioral Decision Making, 12(3), 183–206, 1999.
  4. Soman, D. The mental accounting of sunk time costs: why time is not like money. Journal of Behavioral Decision Making, 14(3), 169–185, 2001. DOI: 10.1002/bdm.370.
  5. Liu, Y., Zhang, H., & Zou, E. Pay Now, Buy Never: The Economics of Consumer Prepayment Schemes. NBER Working Paper No. 34918, 2026.
  6. OpenAI Help Center. Using Credits for Flexible Usage in ChatGPT (Personal plans). Accessed 2026-09-07.
  7. OpenAI Help Center. Paid weekly Work and Codex rate limit resets. Accessed 2026-09-07.
  8. OpenAI Help Center. How banked Codex resets work. Accessed 2026-09-07.
  9. Anthropic Help Center. How do usage and length limits work? Published 2026-07-13; accessed 2026-09-07.
  10. Anthropic Help Center. What is the Max plan? Accessed 2026-09-07.
  11. Anthropic Help Center. Usage limit best practices. Accessed 2026-09-07.

Series Navigation

Paper 1
AI 訂閱制的制度錯位：當曆法時間不再等於智能消耗

Paper 2
額度的時間可替代性：月算力、Burst 與集中式工作

Paper 3
訂閱、API 與 Compute Wallet：AI 混合計價制度

Paper 4
閒置額度、轉讓與供應商回購：AI 使用權的可逆性

Paper 5
從 Rate Limiting 到 Demand Engineering：離峰折扣與 AI 需求響應

Paper 6
算力透明度作為控制介面：從黑箱限流到容量可觀測市場

Paper 7
算力透明度作為投資工具：AI 企業的新基本面

Paper 8
AI 市場的制度演化：從商品化到容量市場

Extra 1 — 本篇 / Series Paper 9
Token 消耗症候群：到期額度如何反向塑造人的認知行為

Extra 2 — Next / Series Paper 10
跨產業制度移植：AI 產業其實不用每件事重新發明