人數—產能脫鉤 2.0

從 Headcount-Based Firm 到 Compute-Augmented Productive Organization

英文題名： Headcount–Capacity Decoupling 2.0: From Headcount-Based Firms to Compute-Augmented Productive Organizations
系列名稱： 算力勞動化與 AI 時間經濟學（Compute Laborization and AI Temporal Economics）
系列篇號： 03 / 08
文件編號： EML-CLATE-2026-03
作者： Neo.K with GPT-5.6 Sol
機構： EveMissLab／一言諾科技有限公司
日期： 2026-09-30
版本： v0.1
文件性質： 理論論文／組織經濟學／AI 原生企業理論
直接前置： CLATE-01《算力資本的勞動化》；CLATE-02《可購買智能與時間資本化》；《個體機構化：AI 增幅型單核複合機構與人數—產能脫鉤》；《Agentic Organization 的時間經濟學》
上位接口： 《經濟世界域轉化論》（EWDT）之微觀世界域、中觀耦合域、AI 世界域與轉化能力框架
狀態： Public Theory Draft

摘要

企業規模長期習慣以員工人數、組織層級、薪資總額與資本存量描述。這種表示在工業與知識勞動高度依賴人類工作時間的環境下具有合理性：更多產出通常意味更多工作時數、更多人員、更多管理與更高協調成本。然而，當 AI Agent、前沿模型、本地模型、GPU、知識庫、自動化 workflow 與驗證系統進入企業生產過程後，企業可用的有效智能產能開始不再與 headcount 保持穩定比例。

本文提出「人數—產能脫鉤 2.0」。第一代命題只是指出：

N_H \not\propto Y,

即人類人數 $N_H$ 不再能單獨代表產出 $Y$ 。第二代命題則進一步要求，把企業拆解為至少四種不同容量：人類執行容量、人類治理容量、AI 有效生產容量，以及世界提交／市場吸收容量。本文提出：

\boxed{ \mathbf C_{\mathrm{firm}} = \left( C_H^{exec}, C_H^{gov}, C_{AI}^{eff}, C_V, C_W, C_A^{abs} \right), }

其中 $C_H^{exec}$ 為人類執行容量， $C_H^{gov}$ 為治理與高階判斷容量， $C_{AI}^{eff}$ 為有效 AI 生產容量， $C_V$ 為驗證容量， $C_W$ 為世界提交容量， $C_A^{abs}$ 為市場與組織吸收容量。企業的真正產能是這些容量經路由與瓶頸約束後的結果，而非員工人數的線性函數。

本文進一步提出「headcount proxy failure」：當 AI 生產能力顯著提高後，員工人數仍可描述組織的人類規模，卻開始失去作為總生產能力代理變數的充分性。兩家員工人數相同的公司，可能因算力、模型、Agent orchestration、知識資本與驗證系統差異而具有數倍甚至更高的有效產能差距；相反地，一家只有少量員工的 AI-native firm，可能在特定數位任務域中達到過去需要大型團隊才能實現的產出範圍。

本文不把此現象簡化為「裁員」。人數—產能脫鉤可以在 headcount 不下降的情況下發生：只要產能的成長速度顯著高於人數成長速度，即已形成脫鉤。本文因此定義弱脫鉤、強脫鉤、絕對脫鉤與反向脫鉤，並提出 headcount elasticity of capacity：

\boxed{ \varepsilon_{N}^{C} = \frac{ \partial \ln C_{\mathrm{eff}} }{ \partial \ln N_H }. }

當 $\varepsilon_N^C$ 顯著下降，表示新增人數對總產能的重要性降低；當企業主要透過算力、Agent 與知識資本擴張生產時，組織開始從 headcount-based firm 轉向 compute-augmented productive organization。

本文最後討論脫鉤後的新瓶頸與風險：創辦人或少數治理者可能成為單核瓶頸，驗證能力可能落後生成能力，平台與模型供應商形成新的依賴，企業帳面人數很小但實際控制的生產能力巨大，從而重寫公司治理、風險管理、競爭政策與企業估值。人數—產能脫鉤的真正意義因此不是「公司可以沒有員工」，而是：

\boxed{ \text{企業生產能力的主要限制，正從人數逐步遷移到智能資本、治理、驗證、路由與吸收能力。} }

關鍵詞： 人數—產能脫鉤、Headcount、AI-native firm、Agentic Organization、算力資本、治理容量、驗證瓶頸、智能產能、組織規模、單核複合機構

0. 研究定位與非主張

本文提出人數—產能脫鉤 2.0，但不主張：

AI 會使所有企業縮減員工；
員工人數不再重要；
人類管理與社會協作可以被完全移除；
一人公司可以在所有產業取代大型企業；
更多 Agent 必然提高生產力；
更多 GPU 必然提高產能；
AI-native firm 沒有協調成本；
headcount 下降必然代表效率提高；
headcount 不變必然代表企業沒有自動化；
人類工作只具有可量化產出價值；
高產能小團隊天然具有更高制度正當性；
生產能力擴張必然轉化為收入；
AI 產能可以忽略需求與市場吸收；
員工可被簡單換算成 AI 等價單位；
本文已完成跨產業因果實證。

本文主張的是：

\boxed{ \text{Headcount is becoming an insufficient proxy for productive capacity in AI-native organizations.} }

更完整地：

\boxed{ C_{\mathrm{eff}} = F \left( N_H, K_C, M, A, S, X, V, G, D, R \right), }

而不再能合理近似為：

C_{\mathrm{eff}} \approx f(N_H)

在所有企業中普遍成立。

1. 為什麼企業規模長期被人數代理？

傳統企業中，大量產出依賴：

\text{Human Hours}.

若：

N_H \uparrow,

通常可增加：

T_H^{available} \uparrow.

因此員工人數長期與以下變量高度相關：

可執行任務數；
部門數；
管理層級；
生產時數；
專業分工；
同時進行的專案數。

所以：

N_H

成為一個方便的組織規模 proxy。

但 proxy 有效，不代表它是本體。

2. Headcount Proxy Failure

本文定義：

Headcount Proxy Failure：當員工人數仍能描述組織中人類成員數量，卻無法再充分預測該組織的總有效生產能力。

若兩家公司：

N_H^A = N_H^B,

但：

C_{\mathrm{eff}}^A \gg C_{\mathrm{eff}}^B,

且差異主要來自：

K_C, M, A, S, X, V, G,

則 headcount 的產能代理能力下降。

3. 從單一產能到容量向量

本文不把企業產能視為單一標量。

定義：

\boxed{ \mathbf C_{\mathrm{firm}} = \left( C_H^{exec}, C_H^{gov}, C_{AI}^{eff}, C_V, C_W, C_A^{abs} \right). }

其中：

$C_H^{exec}$ ：人類直接執行容量；
$C_H^{gov}$ ：人類治理、判斷與不可逆決策容量；
$C_{AI}^{eff}$ ：經驗證的 AI 有效生產容量；
$C_V$ ：驗證、QA、測試與審計容量；
$C_W$ ：發布、部署、交易與 world commit 容量；
$C_A^{abs}$ ：組織、市場與客戶的吸收容量。

真正產出受最弱環節限制。

概念性可寫：

\boxed{ C_{\mathrm{eff}} = \mathcal R \left( \mathbf C_{\mathrm{firm}}, \mathcal G_{\mathrm{route}} \right), }

其中 $\mathcal R$ 為組織路由與瓶頸結構。

4. 產能不是容量簡單相加

錯誤寫法：

C_{\mathrm{eff}} = C_H^{exec} + C_{AI}^{eff}.

更合理的是：

\boxed{ C_{\mathrm{eff}} = F \left( C_H^{exec}, C_H^{gov}, C_{AI}^{eff}, C_V, C_W, C_A^{abs}, F_{\mathrm{org}} \right), }

其中：

F_{\mathrm{org}}

表示組織摩擦。

如果 AI 生成速度極高，但：

C_V \approx 0,

則大量候選無法成為有效產出。

如果：

C_W \approx 0,

企業內部很忙，但世界沒有改變。

因此：

\boxed{ \text{Capacity} \neq \text{Raw Activity}. }

5. 人數—產能脫鉤的第一代命題

第一代命題：

\boxed{ N_H \not\propto C_{\mathrm{eff}}. }

這表示：

增加一倍員工，不再必然是增加一倍產能的主要方式。

反過來：

C_{\mathrm{eff}}\uparrow

也不再必然要求：

N_H\uparrow

同等比例。

6. 第二代命題：脫鉤不是「人變少」

最容易誤讀為：

N_H\downarrow.

但這不是必要條件。

假設：

N_H: 10 \rightarrow 11,

而：

C_{\mathrm{eff}}: 10 \rightarrow 100.

此時人數仍增加，但產能成長遠高於人數。

所以：

\boxed{ \text{Decoupling} \neq \text{Layoff}. }

真正關鍵是彈性改變。

7. Headcount Elasticity of Capacity

本文定義：

\boxed{ \varepsilon_N^C = \frac{ \partial \ln C_{\mathrm{eff}} }{ \partial \ln N_H }. }

若：

\varepsilon_N^C \approx 1,

企業產能高度依賴人數同比擴張。

若：

0< \varepsilon_N^C < 1,

產能增長部分與人數脫鉤。

若：

\varepsilon_N^C \rightarrow 0,

新增人數對總產能的邊際影響顯著下降。

這不代表人類不重要，而可能表示：

K_C, A, X, V

正在承擔更多擴產功能。

8. 四種脫鉤

8.1 弱脫鉤

g_C > g_N > 0.

產能與人數都增加，但產能更快。

8.2 強脫鉤

g_C > 0, \qquad g_N \approx 0.

人數大致不變，產能持續提高。

8.3 絕對脫鉤

g_C > 0, \qquad g_N < 0.

產能提高而人數下降。

8.4 反向脫鉤

g_C < 0, \qquad g_N > 0.

企業增加人數卻產能下降，可能源於：

管理失效；
協調成本；
組織膨脹；
技術債；
需求崩潰。

因此：

\boxed{ \text{More People} \not\Rightarrow \text{More Capacity}. }

9. AI 為何加速脫鉤？

因為 AI 增加了一條不經由 headcount 的產能路徑：

\boxed{ M \rightarrow K_C \rightarrow L_{\mathrm{eff}}^{AI} \rightarrow C_{\mathrm{eff}}. }

這條路徑可以透過：

GPU；
API；
Agent；
workflow；
model；
memory；
automation；

擴張。

因此企業擴產開始有：

\text{Hire Human}

之外的替代或互補選項。

10. 人類工作時間不再是唯一智能時間來源

傳統近似：

W_I \approx T_H^{work}.

AI 原生組織：

\boxed{ W_I = W_H + W_{AI}. }

而：

W_{AI}

可以在同一世界時間中平行增加。

所以：

\rho_{\mathrm{intel}} = \frac{ W_H+W_{AI} }{ \Delta t_W }

可以大幅提高，而：

N_H

不必同步提高。

11. 一人公司的重新定義

「一人公司」在傳統語境中通常意味：

N_H=1.

但這個數字已不足以描述組織。

AI-native one-person firm 可能是：

\boxed{ \mathfrak F_1 = \left( 1, K_C, M, A, S, X, V, G \right). }

其中一名人類可以透過：

多模型；
多 Agent；
本地 GPU；
雲端 Agent；
自動測試；
自動發布；

形成遠超單一人類載體的組織能力。

因此：

\boxed{ \text{One-Person Firm} \neq \text{One-Person Capacity}. }

12. 個體機構化

當個體透過 AI 獲得：

研究部門功能；
程式部門功能；
美術部門功能；
QA 功能；
行銷功能；
文件功能；
資料功能；

便出現：

\boxed{ \text{Individual Institutionalization}. }

其本質不是：

一個人假裝很多人。

而是：

一個人控制了一個具有多功能、可持續工作流與外部世界接口的複合生產系統。

13. 單核複合機構

此類組織可表示：

\boxed{ \mathfrak O_{\mathrm{single-core}} = H_c \otimes \left\{ A_1,A_2,\ldots,A_n \right\} \otimes K_C \otimes K_X, }

其中：

$H_c$ ：人類核心；
$A_i$ ：Agent；
$K_C$ ：算力；
$K_X$ ：知識資本。

人類核心負責：

意圖；
最終授權；
高風險決策；
價值取捨。

Agent 系統負責：

搜尋；
執行；
生成；
驗證；
路由。

14. 但單核可能成為瓶頸

當：

N_A\uparrow,

若所有重大決策都需要：

H_c

即時確認，則：

C_H^{gov}

成為瓶頸。

因此：

\boxed{ \text{One-Human Organization} \not\Rightarrow \text{Unlimited Scale}. }

產能上限可能由：

C_H^{gov}

決定。

15. 治理容量

定義：

\boxed{ C_H^{gov} = \frac{ N_{\mathrm{high\ value\ governance\ decisions}} }{ \Delta t_W }. }

如果 Agent 數量增長速度：

g_A

高於治理容量增長：

g_G,

則：

GovernanceDebt\uparrow.

因此 AI-native firm 需要的不只是更多 Agent，而是：

\boxed{ \text{Governance Compression}. }

16. 治理壓縮

治理壓縮指：

讓更多低風險、可驗證決策被規則、policy、test 與自動守衛吸收，保留人類時間給真正不可逆與高價值節點。

形式上：

T_H^{routine} \downarrow,

而：

T_H^{strategic}

可保持或上升。

因此：

\boxed{ \text{Human Exit from Routine} \neq \text{Human Exit from Governance}. }

17. 驗證容量成為新型人力替代瓶頸

當生成速度：

\lambda_G

大幅提高，而驗證速度：

\lambda_V

不變，則：

\lambda_G \gg \lambda_V.

此時企業會累積：

D_V.

也就是 verification debt。

因此：

\boxed{ C_{AI}^{raw} \uparrow \not\Rightarrow C_{\mathrm{eff}}\uparrow. }

18. AI-native firm 的最小瓶頸模型

可概念性寫成：

\boxed{ C_{\mathrm{eff}} \le \min \left( C_H^{gov}, C_{AI}^{eff}, C_V, C_W, C_A^{abs} \right). }

這是一個極簡瓶頸模型。

它不表示所有產業都由最小值完全決定，而是強調：

任一必要環節嚴重不足，都可能限制總產出。

19. 從企業人數到企業智能容量

傳統企業介紹常寫：

員工 10 人；
員工 100 人；
員工 10,000 人。

AI-native firm 未來可能還需要寫：

\boxed{ C_I^{org} = \text{Organizational Intelligent Capacity}. }

它可以包括：

active agent slots；
verified inference throughput；
local compute；
API capacity；
human governance；
verification bandwidth。

因此「企業有多大」會變成多維問題。

20. 智能容量不能用 Agent 數量代理

如果：

N_A=100,

但每個 Agent：

沒有工具；
沒有記憶；
沒有權限；
沒有驗證；
互相重複；

則：

C_{AI}^{eff}

可能很低。

所以：

\boxed{ \text{AgentCount} \neq \text{AgenticCapacity}. }

這與：

\text{Headcount} \neq \text{FirmCapacity}

具有相同結構。

21. 智能容量的有效化

可寫：

\boxed{ C_{AI}^{eff} = C_{AI}^{raw} \cdot q_M \cdot q_A \cdot q_X \cdot q_V \cdot q_G. }

其中：

$q_M$ ：模型品質；
$q_A$ ：編排品質；
$q_X$ ：上下文品質；
$q_V$ ：驗證品質；
$q_G$ ：治理與合法性品質。

22. 人數—產能脫鉤指數

本文提出第一代概念指數：

\boxed{ D_{HC} = \frac{ g_C-g_N }{ |g_C|+|g_N|+\epsilon }. }

其中：

$g_C$ ：有效產能成長率；
$g_N$ ：人類 headcount 成長率。

若：

D_{HC}>0,

表示產能增長快於人數。

若：

D_{HC}\rightarrow1,

表示強烈脫鉤。

此指數僅為描述性指標，不是跨產業最終標準。

23. 更重要的是產能／人比

定義：

\boxed{ \rho_{C/H} = \frac{ C_{\mathrm{eff}} }{ N_H }. }

它表示：

每一名人類成員所控制或支撐的有效組織產能。

AI-native firm 若成熟：

\rho_{C/H}\uparrow.

這比單純員工人數更能描述 AI 增幅。

24. 產能／治理人比

某些企業的人類並非直接執行者，而是治理者。

因此可再定義：

\boxed{ \rho_{C/G} = \frac{ C_{\mathrm{eff}} }{ N_H^{gov} }. }

若少數治理者控制大量 agentic workflows：

\rho_{C/G}\gg1.

這是單核複合機構的核心特徵。

25. 人類不一定被替代，而是功能遷移

當 AI 承擔：

生成；
搜尋；
執行；
批次處理；

人類可能從：

\text{Execution}

移向：

\text{Governance}, \text{Design}, \text{Exception}, \text{Judgment}.

因此：

\boxed{ \text{Human Role Transformation} \neq \text{Human Elimination}. }

26. 企業內部的人力結構可能兩極化

如果大量中間執行工作被 AI 吸收，企業可能更需要：

高價值治理者；
domain expert；
reviewer；
system designer；
field operator。

因此 headcount 下降與技能需求上升可能同時出現。

27. AI 使「管理跨度」重新定義

傳統 span of control：

S_C = \frac{ N_{\mathrm{subordinates}} }{ N_{\mathrm{managers}} }.

AI-native organization 可以增加：

\boxed{ S_A = \frac{ N_{\mathrm{effective\ agent\ processes}} }{ N_{\mathrm{human\ governors}} }. }

但：

S_A

不能無限增加。

它受：

可驗證性；
任務風險；
policy quality；
exception rate；

限制。

28. Exception Rate

定義：

\boxed{ r_E = \frac{ N_{\mathrm{human\ escalations}} }{ N_{\mathrm{agent\ tasks}} }. }

如果：

r_E \downarrow

且品質維持，

則同一治理人員可支撐更多 Agent。

因此：

\boxed{ \text{Scalability} \propto \frac{1}{r_E} }

在其他條件不變時可作局部近似。

29. 小團隊的比較優勢

AI-native small team 可能具有：

低協調成本；
高決策速度；
高工具採用；
高路由密度；
高知識共享；
高 ownership clarity。

因此：

F_{\mathrm{org}} \downarrow.

若同時：

C_{AI}^{eff}\uparrow,

則小團隊可能產生高：

\rho_{C/H}.

30. 大企業仍有不可忽略優勢

不能由此推出：

小公司一定勝過大公司。

大型企業仍具有：

資本；
品牌；
法律；
供應鏈；
客戶；
資料；
distribution；
physical infrastructure。

因此：

\boxed{ \text{Small-Team AI Advantage} \neq \text{Universal Firm-Size Dominance}. }

AI 改變的是有效規模邊界，而不是取消規模。

31. 最小有效規模下降

某些數位產品過去需要：

N_H\ge N_{\min}.

AI 出現後：

N_{\min}^{AI} < N_{\min}^{traditional}

可能成立。

因此：

\boxed{ \text{Minimum Efficient Human Scale} \downarrow. }

這可能增加新公司進入率。

32. 最大有效治理規模也可能上升

若 governance automation 改善：

C_H^{gov}\uparrow

同一治理核心可以支撐更多：

A_i.

所以：

\boxed{ \text{Maximum Governable Digital Scale} \uparrow }

可能同時成立。

這代表 AI 同時降低最小規模、提高最大可治理規模。

33. 組織尺寸的雙向拉伸

因此 AI 可能讓企業規模分布出現：

\boxed{ \text{smaller viable firms} + \text{larger governable systems}. }

也就是：

一人公司更強；
超大型平台也更強。

這不是矛盾，而是同一技術同時降低兩端限制。

34. 人數—產能脫鉤與競爭

若兩家公司：

Firm_A: N_H=20,

Firm_B: N_H=200,

但：

C_{\mathrm{eff}}^A \approx C_{\mathrm{eff}}^B,

則成本結構會改變。

可能形成：

\text{lower fixed labor cost}

與：

\text{higher compute intensity}.

競爭因此從：

\text{labor scale}

部分轉向：

\text{intelligent capital efficiency}.

35. 每美元智能產能

可定義：

\boxed{ \eta_I = \frac{ C_{\mathrm{eff}} }{ C_{\mathrm{human}} + C_{\mathrm{compute}} + C_{\mathrm{AI-service}} + C_{\mathrm{verification}} + C_{\mathrm{coordination}} }. }

這比：

Revenue/Employee

更接近 AI-native production efficiency。

36. Revenue per Employee 會變得更難解釋

傳統常看：

RPE = \frac{ \text{Revenue} }{ N_H }.

AI-native firm 若：

N_H

很小，

RPE

可能非常高。

但這不代表每一位員工「個人創造」了全部收入。

更合理的是：

\text{Revenue}

來自：

\text{Human} + \text{Compute} + \text{Models} + \text{Capital} + \text{Platform}.

因此：

\boxed{ \text{RevenuePerEmployee} \text{ increasingly mixes human and machine leverage}. }

37. 公司估值需要看到智能資本

未來企業估值若只看：

Revenue；
Headcount；
IP；

可能低估：

自有模型；
算力；
workflow；
Agent runtime；
驗證資本；
世界資料；
自動化產線。

因此需要：

\boxed{ K_{\mathrm{intelligence}} }

作為更廣義的資產概念。

38. 但智能資本也可能被高估

大量：

prompt；
未整理資料；
重複 Agent；
閒置 GPU；

不能全部視為高價值資產。

所以：

\boxed{ K_{\mathrm{intelligence}}^{eff} = K_{\mathrm{intelligence}}^{raw} \cdot q_{\mathrm{reuse}} \cdot q_{\mathrm{valid}} \cdot q_{\mathrm{demand}}. }

39. 脫鉤與失業不是同一問題

企業層：

N_H \not\propto C_{\mathrm{eff}}

不直接推出總體：

Employment\downarrow.

因為：

新企業可能增加；
新需求可能生成；
新職業可能形成；
智能成本下降可能創造更多工作。

所以：

\boxed{ \text{Firm-Level Decoupling} \neq \text{Aggregate Job Loss}. }

總體結果需要另外分析。

40. 脫鉤與智能反彈

若：

p_I\downarrow,

企業可能新增大量工作：

Q_I\uparrow\uparrow.

因此：

C_{\mathrm{eff}}\uparrow

可能伴隨：

AIUsage\uparrow.

即使人數不增加，總智能工作量仍暴增。

這與 CLATE-02 的 Intelligence Rebound Effect 直接相連。

41. 脫鉤與算力需求

若企業擴張主要透過：

K_C

而非：

N_H,

則成本結構會向：

GPU；
API；
電力；
雲端；
資料；

轉移。

所以：

\boxed{ \text{Labor-Light} \not\Rightarrow \text{Resource-Light}. }

42. 從人力密集到算力密集

定義：

\boxed{ \chi_C = \frac{ C_{\mathrm{compute}} }{ C_{\mathrm{total}} }. }

AI-native firm 的：

\chi_C

可能提高。

因此一些數位企業會從：

\text{labor-intensive}

向：

\text{compute-intensive}

遷移。

43. 這可能重寫公司的地理結構

若工作主要依賴：

算力；
網路；
雲端；
少量高技能治理；

企業對傳統辦公地點的依賴可能下降。

但對：

電力；
資料中心；
網路；
法規；

依賴上升。

所以：

\boxed{ \text{Human Geography} \downarrow \quad\text{while}\quad \text{Compute Geography} \uparrow }

可能同時成立。

44. 一人公司也可能成為中觀節點

如果一個小型 AI-native firm：

控制大量內容生產；
維護重要模型；
提供 API；
擁有大量使用者；

則即使：

N_H \ll1{,}000,

也可能成為重要中觀節點。

因此：

\boxed{ \text{Systemic Importance} \neq \text{Headcount}. }

這與 EWDT 中觀耦合域直接相連。

45. 新型組織風險：影子產能

本文定義：

影子產能（Shadow Capacity）：未被傳統員工數、組織圖或薪資結構清楚顯示，但實際由 Agent、API、模型與算力形成的可動員生產能力。

表示為：

\boxed{ C_{\mathrm{shadow}} = C_{AI}^{eff} - C_{AI}^{reported}. }

若企業披露不足，外部可能低估：

生產能力；
風險；
依賴；
決策速度。

46. 新型組織風險：影子依賴

同樣地：

Dependency_{AI}

可能不出現在組織圖。

若企業高度依賴：

某模型；
某 API；
某 GPU 雲；
某 Agent framework；

則：

\boxed{ \text{Low Headcount} + \text{High External Intelligence Dependency} }

可能形成脆弱結構。

47. 脫鉤的可逆性

如果企業產能主要建立於外部 API：

C_{\mathrm{eff}} \uparrow,

但供應商中斷後：

C_{\mathrm{eff}}\downarrow\downarrow.

則脫鉤高度可逆。

若企業擁有：

本地模型；
自有算力；
自有 workflow；
多模型 fallback；

則脫鉤較穩定。

因此需要：

\boxed{ R_D = \text{Decoupling Resilience}. }

48. 穩健脫鉤

本文定義穩健脫鉤需同時具備：

D_{HC}>0,

以及：

R_D>\underline R.

也就是：

產能增長不只暫時依賴某個單一外部服務，而具有一定持續性與替代能力。

49. 可檢驗假說

H1：產能彈性下降假說

AI-native firm 的：

\varepsilon_N^C

應低於傳統同類企業。

H2：算力互補假說

在 Agent orchestration 成熟時：

\frac{ \partial C_{\mathrm{eff}} }{ \partial K_C } > 0.

H3：治理瓶頸假說

當：

C_{AI}^{eff}

高速增加，而：

C_H^{gov}

不變時，總產能增長會出現遞減。

H4：驗證瓶頸假說

高生成產能企業若：

C_V

不足，將出現較高返工與事故率。

H5：小團隊槓桿假說

高度數位化產業中，小團隊的：

\rho_{C/H}

分布上限應顯著高於 AI 前時代。

H6：依賴脆弱假說

以單一外部 AI 供應商為主要產能來源的 firm，其：

R_D

應低於具有 local fallback 的 firm。

50. 企業資料應新增哪些欄位？

未來研究 AI-native firm，至少應記錄：

Human headcount；
AI / Agent active slots；
Local GPU capacity；
API / cloud spend；
Verified output throughput；
Human governance time；
Human execution time；
Verification throughput；
Exception rate；
World commit rate；
Revenue；
Product adoption；
Local fallback capacity；
Model diversity；
Dependency concentration；
Knowledge capital；
Workflow reuse rate；
Compute utilization；
AI cost per accepted output；
Capacity per human governor。

沒有這些資料，只看 headcount，會越來越難理解企業實際能力。

51. AI-native Firm Capacity Ledger

本文提出概念性企業產能帳本：

\boxed{ \mathcal L_C = \left[ N_H, T_H^{gov}, T_H^{exec}, K_C, C_{AI}^{raw}, C_{AI}^{eff}, C_V, C_W, C_A^{abs}, R_D \right]. }

這不是財務會計替代品，而是一個組織經濟觀察框架。

52. 與 EWDT 的接口

EWDT 中：

\Omega_F

表示企業可行集合。

AI-native organization 加入後：

\Omega_{F+AI} \supseteq \Omega_F

可能成立。

更完整地：

\boxed{ \Delta K_C \rightarrow \Delta C_{AI}^{eff} \rightarrow \Delta \mathbf C_F^{tr} \rightarrow \Delta \Omega_F. }

因此人數—產能脫鉤不是單純：

同樣的人做更多事。

而可能是：

同樣的人類治理核心，進入了原本根本不可實現的企業世界狀態。

53. 六個核心命題

命題一：Headcount 非充分統計量

\boxed{ N_H \text{ is not a sufficient statistic for } C_{\mathrm{eff}}. }

命題二：脫鉤非裁員

\boxed{ D_{HC}>0 \not\Rightarrow g_N<0. }

命題三：容量向量命題

\boxed{ C_{\mathrm{eff}} = F \left( C_H^{gov}, C_{AI}^{eff}, C_V, C_W, C_A^{abs} \right). }

命題四：治理守門命題

\boxed{ C_H^{gov} \text{ can become the binding bottleneck as } C_{AI}^{eff}\uparrow. }

命題五：最小有效人數下降命題

對部分數位產業：

\boxed{ N_{\min}^{AI} < N_{\min}^{traditional} }

可能成立。

命題六：系統重要性非人數命題

\boxed{ \text{Systemic Importance} \neq \text{Headcount}. }

少人企業也可能控制巨大數位產能。

54. 對企業策略的直接含義

企業應開始問：

我們真正的瓶頸還是人數嗎？
新增一個員工和新增一組 Agent / GPU，哪個提高更多有效產能？
誰在承擔治理？
QA 是否跟得上生成？
我們的產能是自有還是租來的？
供應商中斷會損失多少產能？
哪些工作仍需人類？
哪些工作已經可以完全批次化？
哪些部門應由 headcount KPI 改成 capacity KPI？
Revenue per Employee 是否已經失真？
我們的每人治理槓桿是多少？
影子產能與影子依賴有多大？

55. 理論限制

55.1 跨產業產能不可直接比較

軟體、製造、研究、教育與醫療的：

C_{\mathrm{eff}}

具有不同單位。

55.2 Headcount 仍然重要

人數仍影響：

責任；
組織文化；
客戶服務；
現場執行。

因此不是「人數無用」。

55.3 AI 產能可能被低估或高估

低估來自不計 Agent；高估來自把 raw output 當成 productive output。

55.4 需求可能成為最終瓶頸

產能可以大於市場需要。

55.5 小團隊風險集中

少數關鍵人離開可能造成：

KeyPersonRisk\uparrow.

55.6 高自主 Agent 的治理問題尚未定型

法律、責任與安全制度仍會重塑組織邊界。

56. 後續研究問題

如何跨企業估計 $C_{\mathrm{eff}}$ ？
如何實證估計 $\varepsilon_N^C$ ？
哪些產業最早發生強脫鉤？
哪些產業 headcount 仍是良好 proxy？
小型 AI-native firm 的最適治理結構是什麼？
創辦人何時成為最大瓶頸？
如何估計 Agent span of control？
如何計算 shadow capacity？
如何計算 shadow dependency？
高 RPE 是否真的代表高效率？
AI-native firm 是否具有更高收入波動？
本地算力是否提高脫鉤韌性？
算力密集型企業的會計框架是否需要改變？
人數—產能脫鉤如何影響薪資談判？
人數—產能脫鉤如何改變創業融資與公司估值？

57. 結論

企業規模正在失去一個長期穩定的代理變數。

過去，看到：

N_H=1{,}000

通常可以合理猜測：

這家公司具有比十人公司更大的工作容量。

AI 時代，這個推論的可靠性開始下降。

因為企業的智能工作來源不再只來自：

T_H.

而是：

\boxed{ T_H + T_M + K_C + M + A + X + V. }

因此：

\boxed{ N_H \not\Rightarrow C_{\mathrm{eff}}. }

更重要的是，人數—產能脫鉤不是「AI 把所有人裁掉」。

真正的變化是：

產能擴張逐漸不再只能透過增加人數完成。

企業可以透過：

算力；
模型；
Agent；
知識資本；
驗證；
workflow；

增加生產能力。

所以：

\boxed{ g_C > g_N }

可以逐漸成為 AI-native organization 的常見狀態。

但這並沒有消滅瓶頸。

瓶頸只是遷移。

從：

\text{How many people can we hire?}

逐漸移向：

\boxed{ \begin{aligned} &\text{How much compute can we deploy?}\\ &\text{How many agents can we govern?}\\ &\text{How much output can we verify?}\\ &\text{How much can the world absorb?} \end{aligned} }

所以真正的企業規模，不再只是員工數。

未來更合理的表示可能是：

\boxed{ \text{Firm Scale} = \text{Human Governance} + \text{AI Capacity} + \text{Compute} + \text{Verification} + \text{World Commit} + \text{Absorption}. }

本文因此提出本系列第三個總命題：

\boxed{ \text{AI 原生企業正在從 Headcount-Based Firm，} }

\boxed{ \text{轉向 Capacity-Based Productive Organization。} }

下一篇將把這個組織結構推進到真正的連續生產：

當 Agent、模型與算力不再只是輔助員工，而能持續自主生成、驗證與提交產品時，企業何時成為「AI 工廠」？

參考文獻

EveMissLab 既有理論

Neo.K with GPT-5.6. 《個體機構化：AI 增幅型單核複合機構與人數—產能脫鉤》v2.0. EveMissLab, 2026.
Neo.K with GPT-5.6 Thinking. 《AI 時間槓桿的多重估值：從避免成本、曆時壓縮到可行集合擴張》. EveMissLab, 2026.
Neo.K with GPT-5.6 Sol. 《Agentic Organization 的時間經濟學：智能時間密度、委任槓桿與經濟沉積》. EveMissLab, 2026.
Neo.K with GPT-5.6 Sol. 《算力資本的勞動化》. EveMissLab, 2026.
Neo.K with GPT-5.6 Sol. 《可購買智能與時間資本化》. EveMissLab, 2026.
Neo.K with GPT-5.6 Sol. 《經濟世界域轉化論》系列. EveMissLab, 2026.

外部文獻

Coase, Ronald H. “The Nature of the Firm.” Economica, 1937.
Simon, Herbert A. Administrative Behavior. Macmillan, 1947.
Williamson, Oliver E. Markets and Hierarchies. Free Press, 1975.
Autor, David H. “Why Are There Still So Many Jobs? The History and Future of Workplace Automation.” Journal of Economic Perspectives, 2015.
Acemoglu, Daron, and Pascual Restrepo. “The Race between Man and Machine.” American Economic Review, 2018.
Brynjolfsson, Erik, Danielle Li, and Lindsey R. Raymond. “Generative AI at Work.” NBER Working Paper 31161, 2023.
Zhu, Siqi. “Who Prices Cognitive Labor in the Age of Agents? Compute-Anchored Wages.” arXiv:2605.05558, 2026.
Lee, Sangseng. “The AI Production Function: Code Capital, Context Capital, and Computational Labor.” SSRN, 2026.

附錄 A：核心符號表

符號	定義
$N_H$	人類員工數
$C_{\mathrm{eff}}$	企業有效產能
$C_H^{exec}$	人類直接執行容量
$C_H^{gov}$	人類治理容量
$C_{AI}^{raw}$	原始 AI 生產容量
$C_{AI}^{eff}$	有效 AI 生產容量
$C_V$	驗證容量
$C_W$	世界提交容量
$C_A^{abs}$	組織／市場吸收容量
$\varepsilon_N^C$	人數對產能彈性
$D_{HC}$	人數—產能脫鉤指數
$\rho_{C/H}$	每名人類成員對應有效產能
$\rho_{C/G}$	每名治理者對應有效產能
$S_A$	Agent 管理跨度
$r_E$	人類 escalation 率
$R_D$	脫鉤韌性
$C_{\mathrm{shadow}}$	影子產能

附錄 B：人數—產能脫鉤最小觀測框架

若要判斷一家公司是否真的發生脫鉤，至少需要比較：

\left( N_H(t_0), C_{\mathrm{eff}}(t_0) \right)

與：

\left( N_H(t_1), C_{\mathrm{eff}}(t_1) \right).

不能只看到「公司員工很少」就宣稱脫鉤。

最低判準應包含：

產能是否實際上升；
品質是否維持；
世界提交是否增加；
headcount 是否低於產能增幅；
成本是否可持續；
外部 API 依賴是否可承受；
人類治理負擔是否失控；
驗證債務是否累積；
市場是否真正吸收產出；
產能是否具有一定可重現性。

因此：

\boxed{ \text{Headcount Decoupling} \neq \text{Small Team}. }

真正的脫鉤是：

\boxed{ \text{產能的成長機制已經從人數擴張，轉向更廣義的智能資本擴張。} }