← Archive
lm-005039 · 2026-11

算力資本深化與企業邊界重構

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

算力資本深化與企業邊界重構

從 Make-or-Buy 到 Human-or-Compute-or-Rent：AI 時代的企業內部化、外包與智能資本配置

英文題名： Compute Capital Deepening and the Reconstruction of Firm Boundaries: From Make-or-Buy to Human-or-Compute-or-Rent
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： 05 / 08
文件編號： EML-CLATE-2026-05
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／企業理論／AI 原生資本配置／交易成本與組織邊界
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》；CLATE-03《人數—產能脫鉤 2.0》；CLATE-04《AI 工廠：從工具自動化到持續數位生產》
上位接口： 《經濟世界域轉化論》（EWDT）之微觀世界域、中觀耦合域、轉化能力與 AI 世界域
狀態： Public Theory Draft

摘要

Coase 以交易成本解釋企業為何存在：當透過市場協調一項交易的成本高於在企業內部以管理方式完成的成本時，活動傾向被內部化；反之則傾向外包。人工智慧並未使這個問題失效，反而增加了新的邊界維度。企業現在不只在「自己做或向市場購買」之間選擇，也逐漸在「由人類完成、由內部 AI 工廠完成、向外部 AI 服務租用、或建立混合生產棧」之間配置生產活動。

本文將此擴張表示為：

Make-or-Buy→Human-or-Local-Compute-or-Rented-Intelligence.\boxed{ \text{Make-or-Buy} \rightarrow \text{Human-or-Local-Compute-or-Rented-Intelligence}. }

本文提出「算力資本深化」概念：當企業持續增加 GPU、模型、Agent runtime、驗證器、資料、工作流與知識資本，使每單位人類治理時間可以控制更多有效數位生產能力時，企業不只是使用更多 IT，而是在把原本由市場或人力取得的認知生產能力內部資本化。此時，企業邊界可以因 AI 同時向兩個方向移動：一方面，低邊際成本的內部 AI 工廠使更多任務被內部化；另一方面，標準化 Agent protocol、API 與機器可讀接口又可以降低外包、搜尋、議價、交接與監督成本，使更多任務被拆分給外部智能服務與微型供應商。

因此，AI 不必單向導致「超大型企業」或「全面外包」。本文提出「雙向企業邊界命題」：

AI→{Internalization Expansion,Market Unbundling.\boxed{ AI \rightarrow \begin{cases} \text{Internalization Expansion},\\ \text{Market Unbundling}. \end{cases} }

真正方向取決於哪一類成本下降得更快：內部 orchestration cost，或外部 transaction / interface cost。

本文進一步把企業對特定任務 jj 的決策寫成四路比較：

mj∗=arg⁡min⁡m∈{H,L,R,M}Cjeff(m),\boxed{ m_j^\ast = \arg\min_{m\in\{H,L,R,M\}} C_j^{eff}(m), }

其中 HH 為 Human Production， LL 為 Local Agentic Production， RR 為 Rented Intelligence， MM 為 Mixed Mode； CjeffC_j^{eff} 不只包含現金支出，還包含人類治理時間、延遲、驗證、平台依賴、可重現性、資料主權、切換成本、風險與未來時間資本形成。

本文也區分「能力租用」與「能力所有」。API 可以提供高前沿能力與低初始資本，但其產能具有存取權而非所有權性質；自有 GPU、模型與 workflow 需要高固定成本，卻可以累積版本穩定、資料控制、低邊際推理成本與持續生產能力。因此，企業邊界將越來越取決於一個新的問題：

某一項智能生產能力，應該被當成市場上即時購買的服務，還是被沉積為企業自己的時間資本與組織資本？

本文最後指出，企業的「核心能力」也將被重新定義。未來企業競爭力不只在於它知道什麼、僱用誰或擁有什麼品牌，也在於它能否把算力、模型、世界資料、Agent、驗證與治理編織成低摩擦、可重用、可切換且可持續的生產結構。企業邊界因此從法律與 headcount 邊界，逐漸轉向「能力、資料、智能時間與世界提交權」的多維邊界。

關鍵詞： 企業邊界、算力資本深化、Make-or-Buy、AI 工廠、租賃智能、本地模型、交易成本、組織資本、Agent、智能時間、企業內部化

0. 研究定位與非主張

本文不主張：

  1. Coase 的企業理論已被 AI 淘汰；
  2. AI 必然使所有企業變小；
  3. AI 必然使所有企業變大；
  4. API 永遠比本地便宜；
  5. 本地模型永遠比 API 更安全；
  6. 所有智能工作都應被企業內部化；
  7. 所有可拆分工作都適合外包；
  8. 企業只應依現金價格選擇 Human / Local / API；
  9. 自有算力等於完全智能主權；
  10. 外包 AI 等於失去所有控制；
  11. Agent protocol 一定降低所有交易成本；
  12. AI 工廠不需要人類組織能力；
  13. 組織資本可以只靠買 GPU 形成；
  14. 混合模式一定優於純模式；
  15. 本文已建立跨產業的最適企業邊界函數。

本文主張：

AI adds new internal and external production modes, forcing firm boundaries to be re-optimized.\boxed{ \text{AI adds new internal and external production modes, forcing firm boundaries to be re-optimized.} }

1. Coase 的原始問題仍然成立

企業理論的一個經典問題是：

為什麼不是所有活動都透過市場交易？

如果市場交易成本：

CMC_M

高於內部管理成本：

CF,C_F,

則活動可能被企業內部化。

簡化表示：

Internalize if CF<CM.\boxed{ \text{Internalize if } C_F<C_M. }

AI 沒有取消這個邏輯。

它改變的是：

CFC_F

與：

CMC_M

本身。

2. AI 同時降低兩邊成本

2.1 降低企業內部成本

Agent 可以降低：

  • routing；
  • scheduling；
  • documentation；
  • monitoring；
  • repeated execution；
  • coordination；
  • search。

所以：

CFAI<CFpreAIC_F^{AI} < C_F^{preAI}

可能成立。

2.2 降低市場交易成本

Agent 也可以降低：

  • 搜尋供應者；
  • 比價；
  • 談判；
  • 契約生成；
  • 驗收；
  • 付款；
  • 外部服務路由。

所以：

CMAI<CMpreAIC_M^{AI} < C_M^{preAI}

也可能成立。

因此：

AI can reduce both hierarchy cost and market cost.\boxed{ AI \text{ can reduce both hierarchy cost and market cost}. }

這使企業邊界方向不再顯然。

3. 雙向企業邊界命題

如果內部協調成本下降得更快：

∣ΔCF∣>∣ΔCM∣,\left| \Delta C_F \right| > \left| \Delta C_M \right|,

則更多任務可能：

Market→Firm.\text{Market} \rightarrow \text{Firm}.

即內部化。

如果外部交易與接口成本下降得更快：

∣ΔCM∣>∣ΔCF∣,\left| \Delta C_M \right| > \left| \Delta C_F \right|,

則更多任務可能：

Firm→Market.\text{Firm} \rightarrow \text{Market}.

即拆分、外包與市場化。

因此：

AI→{Internalization,Unbundling\boxed{ AI \rightarrow \begin{cases} \text{Internalization},\\ \text{Unbundling} \end{cases} }

皆可能成立。

4. 從二元 Make-or-Buy 到四元生產模式

傳統：

M={Make,Buy}.\mathcal M = \{Make,Buy\}.

AI-native firm 至少增加為：

MAI={H,L,R,M}.\boxed{ \mathcal M_{AI} = \{H,L,R,M\}. }

其中：

  • HH：Human Production；
  • LL：Local Agentic Production；
  • RR：Rented Intelligence；
  • MM：Mixed Production。

企業不只決定：

自己做或外包。

而是：

由誰、在哪個載體、以哪種智能資本結構完成？

5. Human Production

人類模式成本：

CH=Wage+Hiring+Training+Management+Coordination+Turnover+Delay.C_H = \text{Wage} + \text{Hiring} + \text{Training} + \text{Management} + \text{Coordination} + \text{Turnover} + \text{Delay}.

但人類提供：

  • 高語境理解；
  • 責任；
  • 社會信任；
  • 實體行動；
  • 跨領域 judgment；
  • 文化與制度參與。

因此：

HumanCost≠WageOnly.\boxed{ \text{HumanCost} \neq \text{WageOnly}. }

同時：

HumanValue≠OutputOnly.\boxed{ \text{HumanValue} \neq \text{OutputOnly}. }

6. Local Agentic Production

本地模式：

L:KC+KM+KX+KW+KV→Y.\boxed{ L: K_C + K_M + K_X + K_W + K_V \rightarrow Y. }

其成本包括：

CL=Fhw+Fsetup+Energy+Maintenance+HumanGov+Verification+Depreciation.C_L = F_{hw} + F_{setup} + \text{Energy} + \text{Maintenance} + \text{HumanGov} + \text{Verification} + \text{Depreciation}.

優勢：

  • 可重現；
  • 可自訂；
  • 高資料控制；
  • 大量使用時低邊際成本；
  • 可持續背景生產。

7. Rented Intelligence

租賃智能：

R:Payment→Access→ExternalIntelligence.\boxed{ R: \text{Payment} \rightarrow \text{Access} \rightarrow \text{ExternalIntelligence}. }

成本：

CR=UsageFee+Subscription+ToolFee+Verification+Latency+DependencyRisk.C_R = \text{UsageFee} + \text{Subscription} + \text{ToolFee} + \text{Verification} + \text{Latency} + \text{DependencyRisk}.

優勢：

  • 前期資本低；
  • 可取得前沿模型；
  • 無需維護底層硬體；
  • 彈性高。

8. Mixed Production

混合模式：

M=H+L+R.\boxed{ M = H + L + R. }

例如：

  • 前沿 API 做規劃；
  • 本地模型大量生成；
  • 人類做最終治理；
  • formal verifier 做驗證。

實際 AI-native firm 很可能大量採用混合模式。

9. 有效成本函數

對任務 jj 與模式 mm：

Cjeff(m)=Cjcash+ωTTjH+CjV+CjD+CjR+CjS−Kjfuture.\boxed{ C_j^{eff}(m) = C_j^{cash} + \omega_T T_j^H + C_j^V + C_j^D + C_j^R + C_j^S - K_j^{future}. }

其中：

  • CcashC^{cash}：現金成本；
  • THT^H：人類治理與執行時間；
  • CVC^V：驗證成本；
  • CDC^D：延遲成本；
  • CRC^R：風險成本；
  • CSC^S：切換與依賴成本；
  • KfutureK^{future}：本次投入形成的未來時間資本價值。

ωT\omega_T 是人類時間的任務相對影子價格。

10. 最適模式

企業選擇：

mj∗=arg⁡min⁡m∈MAICjeff(m)\boxed{ m_j^\ast = \arg\min_{m\in\mathcal M_{AI}} C_j^{eff}(m) }

但還要滿足：

Qj(m)≥Qmin⁡,Q_j(m)\ge Q_{\min}, Riskj(m)≤Rmax⁡,Risk_j(m)\le R_{\max}, Latencyj(m)≤Dmax⁡.Latency_j(m)\le D_{\max}.

因此：

Cheapest mode≠Optimal mode.\boxed{ \text{Cheapest mode} \neq \text{Optimal mode}. }

11. 算力資本深化

本文定義：

算力資本深化（Compute Capital Deepening），是指企業在既有人類治理核心下，持續增加每單位人類時間可調度的算力、模型、Agent、工作流、知識與驗證能力。

可表示：

χCD=KAI−intelligenceTHgov.\boxed{ \chi_{CD} = \frac{ K_{\mathrm{AI-intelligence}} }{ T_H^{gov} }. }

其中：

KAI−intelligence=F(KC,KM,KX,KW,KV).K_{\mathrm{AI-intelligence}} = F( K_C, K_M, K_X, K_W, K_V ).

若：

χCD↑,\chi_{CD}\uparrow,

表示企業的智能資本／治理時間比上升。

12. 算力資本深化與傳統資本深化不同

傳統資本深化：

KL↑.\frac{K}{L}\uparrow.

AI 算力資本深化更像：

KC+KM+KX+KWTHgov↑.\boxed{ \frac{ K_C + K_M + K_X + K_W }{ T_H^{gov} } \uparrow. }

因為真正關鍵不是硬體本身，而是：

每一小時人類治理，能控制多少有效 AI 生產能力？

13. 本地 AI 工廠是企業內部化機制

若企業原本向外購買：

  • 美術；
  • 翻譯；
  • 程式；
  • 影音；
  • 研究；

現在建立 AI 工廠後：

CLeff<Cexternaleff,C_L^{eff} < C_{\mathrm{external}}^{eff},

則任務可能：

External→Internal.\text{External} \rightarrow \text{Internal}.

這是新的 vertical integration。

14. 內部化的不再只是員工

傳統內部化：

MarketWorker→Employee.\text{MarketWorker} \rightarrow \text{Employee}.

AI 內部化可能是：

ExternalService→LocalModel+Agent+Compute.\boxed{ \text{ExternalService} \rightarrow \text{LocalModel} + \text{Agent} + \text{Compute}. }

因此：

Internalization\text{Internalization}

不再必然意味：

Headcount↑.Headcount\uparrow.

15. 企業可以在不增員的情況下垂直整合

如果：

NH≈constant,N_H \approx \text{constant},

但企業新增：

  • 影音 production；
  • art production；
  • code production；
  • customer support；

AI 工廠，

則：

Vertical Integration↑withoutHeadcount↑.\boxed{ \text{Vertical Integration} \uparrow \quad \text{without} \quad Headcount\uparrow. }

這是 AI 企業邊界的重要新現象。

16. 外包也可能變得更容易

反方向：

如果 Agent 能：

  • 自動找到供應者；
  • 自動建立規格；
  • 自動驗收；
  • 自動切換；

則：

TransactionCostmarket↓.TransactionCost_{market} \downarrow.

企業可以把更多工作拆成：

MicroTask1,MicroTask2,…MicroTask_1, MicroTask_2, \ldots

交給外部智能服務。

17. Agent Protocol 與市場可組合性

若不同供應者都遵守標準：

ProtocolP,Protocol_P,

則：

SwitchCost↓.SwitchCost\downarrow.

因此：

Protocol Standardization→Market Modularization.\boxed{ \text{Protocol Standardization} \rightarrow \text{Market Modularization}. }

這可能讓企業變得更薄。

18. 企業邊界的「沙漏化」

一種可能的結構：

頂部：

Intent.\text{Intent}.

中間：

Protocol.\text{Protocol}.

底部：

ManyProviders.\text{ManyProviders}.

即：

Intent→StandardInterface→CompetitiveExecutionAgents.\boxed{ \text{Intent} \rightarrow \text{StandardInterface} \rightarrow \text{CompetitiveExecutionAgents}. }

此時企業核心可能很小，但控制大量外部執行能力。

19. 外部 2026 理論對照：Headless Firm

Klein 與 Wieczorek 在 2026 年提出 The Headless Firm，主張 agentic protocol 可能把原本隨互動拓樸快速增加的整合成本壓縮，使企業形成「上層生成式入口—中層標準 protocol—底層微專業 agent」的沙漏架構。

本文不直接接受其特定成本階數為一般定律，但接受其重要方向：

Interface Design can become a determinant of firm boundaries.\boxed{ \text{Interface Design} \text{ can become a determinant of firm boundaries}. }

企業邊界不再只由「誰是員工」決定，也由：

哪些能力可以透過標準接口低成本接入？

決定。

20. 外部 2026 理論對照：Organizations of AI Agents

NBER 2026《The Economics of Transformative AI》中對 AI agent organization 的討論重新提出：

當大量交易由 AI 系統執行時，企業邊界會如何改變？

其背景仍是 Coase：

Firm Size↔Coordination Friction.\text{Firm Size} \leftrightarrow \text{Coordination Friction}.

本文在此加入：

Compute Ownership+Intelligence Access+Verification\boxed{ \text{Compute Ownership} + \text{Intelligence Access} + \text{Verification} }

三個新的邊界變量。

21. 外部 2026 理論對照：Task Bundling

Gans 2026 的工作指出，職業中的 tasks 為何被綁在同一職位，本身取決於：

  • 專業能力；
  • context reconstruction cost；
  • automation interface。

AI 可能不只是自動化 task，也可以降低 context loss，從而重新 bundling tasks。

這與企業邊界同構：

Task Boundary↔Firm Boundary.\boxed{ \text{Task Boundary} \leftrightarrow \text{Firm Boundary}. }

如果交接成本下降，task 與 firm 都更容易拆分。

22. 組織資本

Babina、He 與 Jiang 2026 的 NBER 研究發現，近年的 AI 投資與企業生產力增長相關，並把重要渠道指向 AI 幫助累積的 organization capital：企業透過 learning-by-doing 形成持久、企業特定的知識，使後續生產更有效率。

這與本系列的時間資本概念高度相容。

可表示：

AIUset→Korg,t+1→Cfuture↓.\boxed{ AIUse_t \rightarrow K_{org,t+1} \rightarrow C_{future}\downarrow. }

因此企業真正要內部化的，未必只是某一個當期輸出。

更可能是：

產生未來低成本生產的組織能力。

23. 組織資本是企業邊界的黏著劑

如果一個 workflow 高度依賴：

  • 內部資料；
  • tacit knowledge；
  • proprietary world model；
  • test；
  • customer history；

則：

Specificity↑.Specificity\uparrow.

外包時：

ContextTransferCost↑.ContextTransferCost\uparrow.

所以：

Korg↑→InternalizationPressure↑\boxed{ K_{org}\uparrow \rightarrow InternalizationPressure\uparrow }

可能成立。

24. 但標準化會降低黏著

若內部知識被：

  • schema；
  • API；
  • ontology；
  • protocol；
  • canonical format；

外部化，

則：

ContextTransferCost↓.ContextTransferCost\downarrow.

所以：

Formalization→Outsourceability.\boxed{ \text{Formalization} \rightarrow \text{Outsourceability}. }

這形成矛盾：

組織資本使能力更企業特定；形式化又使能力更可外包。

25. 企業的核心不再只是「know-how」

可能變成：

Know-how+Executable Interface+Verification.\boxed{ \text{Know-how} + \text{Executable Interface} + \text{Verification}. }

誰能把 tacit knowledge 轉成可執行、可驗證介面，誰就能重新配置企業邊界。

26. 資產專用性在 AI 時代的新形式

Williamson 強調 asset specificity。

AI 時代新增：

  • model specificity；
  • data specificity；
  • workflow specificity；
  • ontology specificity；
  • evaluation specificity；
  • hardware specificity。

因此：

SAI=(SM,SD,SW,SO,SV,SH).\boxed{ S_{AI} = \left( S_M, S_D, S_W, S_O, S_V, S_H \right). }

專用性越高，切換成本可能越高。

27. GPU 不是總是通用資本

雖然 GPU 可以執行多種工作，但實際 deployment 可能綁定：

  • CUDA stack；
  • VRAM；
  • model format；
  • quantization；
  • workflow；
  • driver。

所以：

GeneralHardware≠ZeroSpecificity.\boxed{ \text{GeneralHardware} \neq \text{ZeroSpecificity}. }

28. 模型專用性

如果一套 production：

Workflow\text{Workflow}

只對：

ModelAModel_A

有效，

切換：

ModelA→ModelBModel_A \rightarrow Model_B

可能需要大量修復。

因此：

Cswitchmodel>0.C_{switch}^{model}>0.

29. API 鎖定

API 提供低前期成本。

但如果大量：

  • prompt；
  • tool；
  • memory；
  • schema；

綁定特定 provider，

則：

AccessConvenience→LockInRisk.\boxed{ \text{AccessConvenience} \rightarrow \text{LockInRisk}. }

30. 自有算力的選擇權價值

即使本地模型不是當下最強，它仍可以提供：

FallbackOption.\text{FallbackOption}.

因此本地算力價值：

Vlocal=Vproduction+Voption.V_{local} = V_{production} + V_{option}.

其中：

VoptionV_{option}

是供應商失效、漲價或限額時的替代能力。

31. API 的選擇權價值

反過來，API 也提供：

Technology Upgrade Option.\boxed{ \text{Technology Upgrade Option}. }

企業不需一次押注某一硬體世代。

因此：

VAPI=Vaccess+Vflexibility.V_{API} = V_{access} + V_{flexibility}.

32. 所有權與存取權

本文區分：

OwnershipCapacity\boxed{ \text{OwnershipCapacity} }

與：

AccessCapacity.\boxed{ \text{AccessCapacity}. }

前者：

  • 可長期控制；
  • 有折舊；
  • 高 CAPEX。

後者：

  • 彈性；
  • 易切換；
  • 受契約限制。

企業的智能資本組合應同時配置兩者。

33. CAPEX 與 OPEX 的智能轉換

自有硬體偏：

CAPEX.CAPEX.

API 偏：

OPEX.OPEX.

但實際 AI 經濟比這更複雜。

因為 API 使用也可能形成：

  • knowledge capital；
  • workflow；
  • data；

即：

OPEX→Korg.OPEX \rightarrow K_{org}.

所以：

Accounting Form≠Economic Capital Formation.\boxed{ \text{Accounting Form} \neq \text{Economic Capital Formation}. }

34. AI 推理採購的效率曲線

2026 的 The Economics of AI Inference 直接比較：

  • credit / subscription；
  • pay-per-token API；
  • self-hosted GPU。

其核心思想是不同使用量區間存在不同成本下包絡。

本文將其一般化：

C∗(q)=min⁡{Csub(q),Capi(q),Clocal(q)}.\boxed{ C^\ast(q) = \min \left\{ C_{sub}(q), C_{api}(q), C_{local}(q) \right\}. }

但企業實際選擇不能只看 token cost。

還需加入：

Quality,Risk,Control,Latency,CapitalFormation.\text{Quality}, \text{Risk}, \text{Control}, \text{Latency}, \text{CapitalFormation}.

35. 成本交叉點

令：

qLRq_{LR}

為 Local 與 Rented Intelligence 的成本交叉點。

當：

q<qLR,q<q_{LR},

租賃可能便宜。

當：

q>qLR,q>q_{LR},

本地可能便宜。

但：

qLRq_{LR}

會隨：

  • 電價；
  • GPU 價格；
  • 模型品質；
  • 利用率；
  • API 定價；

移動。

所以：

Make-or-Rent Boundary is dynamic.\boxed{ \text{Make-or-Rent Boundary is dynamic}. }

36. 品質調整交叉點

即使本地成本低：

CL<CR,C_L<C_R,

若品質：

QL≪QR,Q_L\ll Q_R,

則有效成本可能：

CLeff>CReff.C_L^{eff}>C_R^{eff}.

所以交叉點應使用：

CostAcceptedOutput\boxed{ \frac{ \text{Cost} }{ \text{AcceptedOutput} } }

而不是：

CostPerToken.\text{CostPerToken}.

37. 延遲調整交叉點

若 API latency：

DRD_R

很低，而本地 queue：

DLD_L

很高，

緊急工作仍可能使用 API。

因此任務時間敏感度：

θD\theta_D

也影響邊界。

38. 資料主權調整

若任務包含敏感資料：

PrivacyRiskR↑.PrivacyRisk_R \uparrow.

則：

CReffC_R^{eff}

增加。

這會使本地化更有利。

39. 可重現性調整

若產品需要長期風格一致：

Reproducibility\text{Reproducibility}

價值很高。

API model drift 可能增加：

CRswitch.C_R^{switch}.

因此本地模型或 frozen deployment 更有價值。

40. 前沿能力調整

若任務非常困難：

Qmin⁡Q_{\min}

高到本地模型無法達成，

則：

Local\text{Local}

直接不可行。

所以：

FeasibleModeSet⊆MAI.\boxed{ \text{FeasibleModeSet} \subseteq \mathcal M_{AI}. }

不是每次四種模式都可選。

41. 可行模式集合

定義：

Ωjmode={m:Qj(m)≥Qmin⁡,Riskj(m)≤Rmax⁡}.\boxed{ \Omega_j^{mode} = \left\{ m: Q_j(m)\ge Q_{\min}, Risk_j(m)\le R_{\max} \right\}. }

企業只在：

Ωjmode\Omega_j^{mode}

中最佳化。

42. 企業邊界是任務相對的

同一家公司可以：

  • 本地化圖片；
  • API 化 reasoning；
  • 僱人做銷售；
  • 外包法律。

所以：

Firm Boundary≠One Global Line.\boxed{ \text{Firm Boundary} \neq \text{One Global Line}. }

它更像：

BF(task).B_F(task).

不同任務有不同邊界。

43. 企業邊界是多維表面

可以寫：

BF=B(Task,Data,Compute,Authority,Risk,Interface,Time).\boxed{ \mathcal B_F = B \left( \text{Task}, \text{Data}, \text{Compute}, \text{Authority}, \text{Risk}, \text{Interface}, \text{Time} \right). }

因此企業邊界不只是法律 entity boundary。

44. 權限邊界

即使 Agent 能執行：

Capability=1,Capability=1,

若：

Authority=0,Authority=0,

它仍不屬於可執行企業能力。

所以：

CapabilityBoundary≠AuthorityBoundary.\boxed{ \text{CapabilityBoundary} \neq \text{AuthorityBoundary}. }

45. 資料邊界

企業可能讓外部 Agent 做工作，但不讓資料離開。

因此：

ComputeExternal,DataInternal.\text{ComputeExternal}, \quad \text{DataInternal}.

或：

ModelInternal,ToolExternal.\text{ModelInternal}, \quad \text{ToolExternal}.

形成多維拆分。

46. Commit 邊界

很多 Agent 可以：

Generate.\text{Generate}.

但只有少數可以：

Commit.\text{Commit}.

因此：

WorldCommitBoundary\boxed{ \text{WorldCommitBoundary} }

是企業治理邊界的重要部分。

47. AI 企業不需要把所有權限內部化

企業可以外包：

Execution.\text{Execution}.

但保留：

Approval.\text{Approval}.

例如：

ExternalAgent→Candidate→InternalVerifier→Commit.\text{ExternalAgent} \rightarrow \text{Candidate} \rightarrow \text{InternalVerifier} \rightarrow \text{Commit}.

這是一種新的模組化企業。

48. 企業內部 AI 市場

大型公司也可以把內部 Agent 當成服務：

Departmenti→InternalAgentMarket→Task.Department_i \rightarrow \text{InternalAgentMarket} \rightarrow \text{Task}.

不同部門按成本／優先級使用。

所以市場與企業不再完全分開。

49. 內部價格

可以建立：

pIinternal.p_I^{internal}.

各部門按：

  • GPU time；
  • API；
  • verifier；
  • priority；

計算智能成本。

這讓組織能比較：

HumanvsAI.\text{Human} \quad vs \quad AI.

50. 外部 AI 市場進入企業內部

同樣地，外部：

API1,API2,API3API_1, API_2, API_3

可以被內部 router 當成：

ModelPool.\text{ModelPool}.

所以企業與市場形成：

Nested Markets.\boxed{ \text{Nested Markets}. }

51. 邊界重構不是邊界消失

即使大量任務透過 API 完成，企業仍要決定：

  • intent；
  • budget；
  • data；
  • authority；
  • verification；
  • commit。

因此：

Lower Transaction Cost≠No Firm.\boxed{ \text{Lower Transaction Cost} \neq \text{No Firm}. }

52. 企業真正內部化的是什麼？

未來企業可能不再內部化每一項執行。

而內部化：

Intent+Canonical Knowledge+Governance+Verification+Commit Rights.\boxed{ \text{Intent} + \text{Canonical Knowledge} + \text{Governance} + \text{Verification} + \text{Commit Rights}. }

執行則可以高度市場化。

53. 薄核心企業

可以定義：

ThinCoreFirm=Small Human/AI Governance Core+Large External Execution Network.\boxed{ \text{ThinCoreFirm} = \text{Small Human/AI Governance Core} + \text{Large External Execution Network}. }

它的 headcount 很小，但外部可調度能力巨大。

54. 厚智能企業

另一種是：

ThickIntelligenceFirm=Internal Compute+Internal Models+Internal Factory.\boxed{ \text{ThickIntelligenceFirm} = \text{Internal Compute} + \text{Internal Models} + \text{Internal Factory}. }

它把大量能力內部化。

55. 兩者都可能成功

企業選擇：

ThinCore\text{ThinCore}

或：

ThickIntelligence\text{ThickIntelligence}

取決於：

  • 規模；
  • 資料；
  • 專用性；
  • 資本；
  • 能力；
  • 風險。

不存在單一最優。

56. 知識速度影響邊界

若領域變化快：

KnowledgeVelocity↑,KnowledgeVelocity\uparrow,

固定內部能力可能快速過時。

因此：

ExternalFlexibility\text{ExternalFlexibility}

更有價值。

若領域穩定、任務大量重複：

LocalCapitalization\text{LocalCapitalization}

更有價值。

57. 任務頻率影響邊界

高頻任務：

fj↑f_j\uparrow

更容易回收固定投入。

所以：

Frequency↑→InternalizationPressure↑\boxed{ Frequency\uparrow \rightarrow InternalizationPressure\uparrow }

在其他條件不變時可能成立。

58. 任務專用性影響邊界

若：

Specificityj↑,Specificity_j\uparrow,

外部供應者需要大量 context reconstruction。

因此：

CM↑.C_M\uparrow.

更容易內部化。

59. 驗證性影響邊界

若任務非常容易驗證：

Verifiability↑,Verifiability\uparrow,

就更適合外包給外部 Agent。

因為：

Low Trust Requirement+High Verifiability→Marketization.\boxed{ \text{Low Trust Requirement} + \text{High Verifiability} \rightarrow \text{Marketization}. }

60. 不可驗證任務更依賴內部信任

若：

Vj↓,V_j\downarrow,

企業需要更多：

  • reputation；
  • context；
  • trust；
  • domain continuity。

因此內部化壓力上升。

61. 風險影響邊界

高法律／安全風險：

Rj↑R_j\uparrow

使：

AuthorityControl\text{AuthorityControl}

更重要。

所以即使 execution 外包，commit 也可能內部化。

62. 世界提交權是最後企業邊界

本文提出一個更強命題：

The deepest firm boundary is the boundary of authorized world commit.\boxed{ \text{The deepest firm boundary is the boundary of authorized world commit}. }

因為：

  • 誰可以部署？
  • 誰可以付款？
  • 誰可以簽約？
  • 誰可以發布？
  • 誰可以改 production？

真正決定企業行動身份。

63. AI 可以做大量候選，但 commit 仍有限

所以：

CandidateSpace↑↑\text{CandidateSpace} \uparrow\uparrow

不代表：

CommitRate↑↑.\text{CommitRate} \uparrow\uparrow.

企業治理核心仍決定：

WorldAction.\text{WorldAction}.

64. 企業邊界與「自己家的 AI」

如果企業建立：

  • 自有模型；
  • 自有 Agent；
  • 自有 world data；
  • 自有 memory；

則形成：

InternalIntelligenceSubstrate.\boxed{ Internal Intelligence Substrate. }

它相當於企業新的基礎能力層。

65. 內部智能基礎層的複利

每次 production：

WorktWork_t

可以更新：

Korg,t+1.K_{org,t+1}.

因此：

Production→OrganizationCapital→BetterProduction.\boxed{ \text{Production} \rightarrow \text{OrganizationCapital} \rightarrow \text{BetterProduction}. }

這會增加內部化的動態價值。

66. 但是內部化也有技術債

若：

  • model outdated；
  • workflow fragmented；
  • data dirty；

則：

TechnicalDebt↑.TechnicalDebt\uparrow.

因此：

Internalization≠FreeCompounding.\boxed{ \text{Internalization} \neq Free Compounding. }

企業需要維護。

67. 算力深化與資本約束

更多本地化意味：

CAPEX↑.CAPEX\uparrow.

所以資金不足企業可能更依賴：

RentedIntelligence.\text{RentedIntelligence}.

AI 供應商因此提供的不只是模型，而是：

Capital Substitution.\boxed{ \text{Capital Substitution}. }

68. API 作為「智能融資」

企業不用先支付：

Fhardware.F_{hardware}.

而是：

PayAsYouGo.\text{PayAsYouGo}.

因此 API 某種意義上把：

CapitalCost\text{CapitalCost}

轉成：

VariableCost.\text{VariableCost}.

這降低新創進入門檻。

69. 本地化是後期資本深化

當需求穩定：

Q↑,Q\uparrow,

企業可能從：

API→Local.API \rightarrow \text{Local}.

因此常見生命週期可能是：

Rent→Scale→Internalize.\boxed{ \text{Rent} \rightarrow \text{Scale} \rightarrow \text{Internalize}. }

70. 但技術更新也可能讓企業反向外包

如果本地模型折舊快：

δM↑,\delta_M\uparrow,

則：

Local→API\text{Local} \rightarrow API

可能重新合理。

所以：

FirmBoundary is dynamic and reversible.\boxed{ Firm Boundary \text{ is dynamic and reversible}. }

71. 邊界遷移成本

企業從模式 aa 切到模式 bb：

Ca→bswitch.C_{a\rightarrow b}^{switch}.

包括：

  • data migration；
  • prompt rewrite；
  • retraining；
  • integration；
  • QA regression。

所以不能只比較 steady-state cost。

72. 邊界遷移的 hysteresis

如果切換成本高：

Cswitch≫0,C_{switch}\gg0,

則即使另一模式稍微更便宜，也不會立即切換。

因此企業邊界有：

Hysteresis.\boxed{ \text{Hysteresis}. }

這與 EWDT 的歷史耦合一致。

73. AI 供應商成為企業外部「半內部」能力

某些 API 若長期深度整合：

Dependency↑.Dependency\uparrow.

它雖法律上在企業外部，

但功能上可能近似：

InternalInfrastructure.\text{InternalInfrastructure}.

因此法律邊界與能力邊界分離。

74. 能力邊界

定義：

BC=set of capabilities reliably callable by the firm.\boxed{ \mathcal B_C = \text{set of capabilities reliably callable by the firm}. }

企業真正能做什麼，取決於：

BC,\mathcal B_C,

而不只是：

LegalAssets.\text{LegalAssets}.

75. 控制邊界

定義：

Bctrl=capabilities over which the firm has durable control.\boxed{ \mathcal B_{ctrl} = \text{capabilities over which the firm has durable control}. }

API 在：

BC\mathcal B_C

內，

未必在：

Bctrl\mathcal B_{ctrl}

內。

76. 智能主權邊界

因此：

SI=∣Bctrl∣∣BC∣\boxed{ S_I = \frac{ |\mathcal B_{ctrl}| }{ |\mathcal B_C| } }

可作為一個極簡概念比例。

越依賴外部：

SI↓.S_I\downarrow.

但不代表一定不好。

77. 高智能主權也有成本

為提高：

SI,S_I,

企業需投資：

  • hardware；
  • model；
  • staff；
  • maintenance。

所以：

Sovereignty≠FreeEfficiency.\boxed{ \text{Sovereignty} \neq Free Efficiency. }

78. 最佳邊界是任務組合問題

企業有：

j=1,…,nj=1,\ldots,n

項任務。

對每項選模式：

mj.m_j.

總問題：

min⁡{mj}∑jCjeff(mj)+Ccoord+Cdependency\boxed{ \min_{\{m_j\}} \sum_j C_j^{eff}(m_j) + C_{\mathrm{coord}} + C_{\mathrm{dependency}} }

受：

Budget,Quality,Risk,Governance\text{Budget}, \text{Quality}, \text{Risk}, \text{Governance}

約束。

這是一個 portfolio optimization 問題。

79. 智能資本組合

企業可能持有：

PI=(Human,LocalCompute,API1,API2,OpenModels,Agents).\boxed{ \mathcal P_I = \left( \text{Human}, \text{LocalCompute}, API_1, API_2, \text{OpenModels}, \text{Agents} \right). }

目的不是追求單一模型最大化，而是：

Resilience+CostEfficiency+Quality.\text{Resilience} + \text{CostEfficiency} + \text{Quality}.

80. 企業邊界與算力資本深化的相互作用

當：

χCD↑,\chi_{CD}\uparrow,

企業可內部完成更多工作。

所以：

BF\mathcal B_F

可能向外擴張。

但如果 protocol 與市場 Agent 同時成熟：

CM↓,C_M\downarrow,

企業又可能拆分更多任務。

所以最終：

Compute Deepening and Market Modularization coexist.\boxed{ \text{Compute Deepening} \text{ and } \text{Market Modularization} \text{ coexist}. }

81. AI 不會只產生一種企業型態

至少可能出現：

  1. Thin-Core Orchestrator；
  2. Thick-Intelligence Firm；
  3. Hybrid Factory Firm；
  4. Agent Marketplace Firm；
  5. World-Infrastructure Firm。

不同型態在不同產業共存。

82. World-Infrastructure Firm

若企業核心資產是：

CanonicalWorld+AgentRuntime+ProjectionFactory,\text{CanonicalWorld} + \text{AgentRuntime} + \text{ProjectionFactory},

那企業真正內部化的是：

World Source and Production Grammar.\boxed{ \text{World Source and Production Grammar}. }

圖像、影音等 execution 可以外部或本地混合。

這是未來內容公司的特殊邊界。

83. 企業可以把「世界」內部化，把「投影」市場化

例如：

World\text{World}

完全自有。

但：

ImageProjection\text{ImageProjection}

可由外部模型。

MusicProjection\text{MusicProjection}

可由另一服務。

因此：

Own the world, rent the projection.\boxed{ \text{Own the world, rent the projection}. }

是一種可能策略。

84. 反方向：租世界，內部生產

也可能：

ExternalIP→InternalFactory.\text{ExternalIP} \rightarrow \text{InternalFactory}.

例如取得授權世界後，企業用自家工廠生產資產。

所以：

Content Rights≠Production Rights.\boxed{ \text{Content Rights} \neq \text{Production Rights}. }

85. 可檢驗假說

H1：雙向邊界假說

AI adoption 後，有些 firm 會內部化更多 task，有些會外包更多 task；方向取決於：

ΔCF−ΔCM.\Delta C_F-\Delta C_M.

H2：頻率內部化假說

任務頻率越高：

fj↑,f_j\uparrow,

本地內部化機率應上升。

H3：可驗證市場化假說

可驗證性越高：

Vj↑,V_j\uparrow,

外部 Agent 市場化機率應上升。

H4：專用性內部化假說

AI-specific asset specificity 越高：

SAI↑,S_{AI}\uparrow,

內部化機率應提高。

H5：組織資本複利假說

內部 AI 使用形成的：

KorgK_{org}

越高，後續內部 production cost 應越低。

H6：智能主權韌性假說

較高：

SIS_I

的企業在單一 provider shock 下產能損失應較低。

86. 企業邊界研究的新資料需求

未來需要記錄：

  1. 哪些 task 由人做；
  2. 哪些由本地模型做；
  3. 哪些由 API 做；
  4. 每項 task 的成本；
  5. 品質；
  6. 人類治理時間；
  7. verification cost；
  8. switching cost；
  9. provider concentration；
  10. local compute；
  11. model ownership；
  12. workflow reuse；
  13. data specificity；
  14. task frequency；
  15. latency sensitivity；
  16. risk level；
  17. commit authority；
  18. local fallback；
  19. organization capital；
  20. task migration history。

這比只看 AI budget 更接近企業真正重構。

87. 與人數—產能脫鉤的接口

如果更多 task：

H→LH \rightarrow L

或：

H→R,H \rightarrow R,

則：

Ceff↑C_{\mathrm{eff}}\uparrow

可以不要求：

NH↑.N_H\uparrow.

因此企業邊界重構是 CLATE-03 的機制之一。

88. 與 AI 工廠的接口

當：

CLeffC_L^{eff}

持續下降，

企業更容易：

Market→InternalFactory.\text{Market} \rightarrow \text{InternalFactory}.

所以 AI 工廠使某些過去外包的生產重新內部化。

89. 與可購買智能的接口

API 讓企業：

M→IRM \rightarrow \mathcal I_R

快速取得外部智能。

因此企業不需先：

Own(KC).Own(K_C).

這降低進入門檻。

90. 與時間資本的接口

本地化投資：

It→KAI−timeI_t \rightarrow K_{\mathrm{AI-time}}

形成未來低成本能力。

所以今天的 boundary decision 會改變明天的成本函數。

這表示：

Firm Boundary Choice is path-dependent.\boxed{ \text{Firm Boundary Choice} \text{ is path-dependent}. }

91. 與 EWDT 的接口

企業世界域：

WF\mathfrak W_F

中的關係：

RFR_F

會因內部化／外包改變。

例如：

ExternalSupplier→InternalAgent.\text{ExternalSupplier} \rightarrow \text{InternalAgent}.

或：

InternalTeam→ExternalAPI.\text{InternalTeam} \rightarrow \text{ExternalAPI}.

因此：

Firm Boundary Change=World-Relation Rewriting.\boxed{ \text{Firm Boundary Change} = \text{World-Relation Rewriting}. }

92. 企業邊界會改變可行集合

若本地化增加：

CFtr,C_F^{tr},

則：

ΩF↑.\Omega_F\uparrow.

若過度鎖定：

ExitCapability↓,ExitCapability\downarrow,

則：

ΩF\Omega_F

也可能收縮。

因此：

Internalization can expand capability while reducing flexibility.\boxed{ \text{Internalization} \text{ can expand capability while reducing flexibility}. }

93. 外包也有雙相

外包可：

Flexibility↑,Flexibility\uparrow,

但：

Control↓.Control\downarrow.

因此沒有單向最優。

94. 七個核心命題

命題一：四元邊界命題

Make-or-Buy→{H,L,R,M}.\boxed{ \text{Make-or-Buy} \rightarrow \{H,L,R,M\}. }

命題二：雙向重構命題

AI→InternalizationorUnbundling.\boxed{ AI \rightarrow \text{Internalization} \quad\text{or}\quad \text{Unbundling}. }

命題三：有效成本命題

Ceff≠CashCost.\boxed{ C^{eff} \neq \text{CashCost}. }

必須計入時間、驗證、風險、依賴與資本形成。

命題四：任務相對邊界命題

BF=BF(task).\boxed{ B_F = B_F(task). }

企業沒有單一固定生產邊界。

命題五：能力—控制分離命題

BC≠Bctrl.\boxed{ \mathcal B_C \neq \mathcal B_{ctrl}. }

能呼叫的能力不等於能長期控制的能力。

命題六：commit 邊界命題

Authorized World Commit\boxed{ \text{Authorized World Commit} }

是比單純 execution 更深的企業治理邊界。

命題七：路徑依賴命題

今日的 AI 邊界選擇會形成：

KorgK_{org}

並改變未來最適邊界。

95. 對企業策略的直接含義

企業應逐項回答：

  1. 這個 task 的頻率高嗎？
  2. 本地模型夠好嗎？
  3. API 是否有顯著品質優勢？
  4. 驗證容易嗎？
  5. 資料敏感嗎？
  6. 需要長期一致性嗎？
  7. 供應商鎖定成本多高？
  8. 這項能力是否屬於核心能力？
  9. 本次投入能形成多少時間資本？
  10. 切換模式的成本是多少？
  11. 如果 API 明天消失，能否繼續？
  12. 如果本地硬體失效，有沒有 fallback？
  13. 是否需要人類法律責任？
  14. 誰擁有 commit 權？
  15. 這項能力該自己擁有，還是只需要隨時可取得？

96. 理論限制

96.1 企業邊界不只由成本決定

文化、政治、法律、品牌與風險都會影響。

96.2 AI 市場價格快速變化

今天的最適模式可能一年後反轉。

96.3 本地與 API 品質難直接比較

不同任務的 quality metric 不同。

96.4 外部 Agent 市場仍在早期

protocol 與責任結構尚未完全成熟。

96.5 人類組織仍具有非計算價值

信任與共同文化不應被完全還原成 transaction cost。

96.6 邊界調整有歷史成本

無法假設企業可零成本重組。

97. 後續研究問題

  1. 如何估計 AI 時代的 task-level firm boundary？
  2. 哪些 task 最先由 human 轉 local AI？
  3. 哪些 task 最先由 internal 轉 external agents？
  4. API-to-local crossover 如何實證？
  5. 如何估計 organization capital 的 AI 成分？
  6. AI asset specificity 如何量化？
  7. commit boundary 是否比 employment boundary 更重要？
  8. Thin-Core Firm 是否真的更普遍？
  9. Thick-Intelligence Firm 的最適算力規模是多少？
  10. AI protocol 標準化會不會大幅增加市場外包？
  11. local fallback 的 option value 如何定價？
  12. 智能主權應如何進入企業風險報告？
  13. AI 企業的 Make-or-Buy 是否會高頻動態切換？
  14. 世界基礎設施公司應內部化哪些 projection？
  15. 企業邊界重構如何改變產業集中度？

98. 結論

AI 正在把企業理論中最古老的問題重新打開：

哪些能力應該放在公司裡，哪些應該從市場取得？

傳統答案主要在：

MakevsBuy.\text{Make} \quad \text{vs} \quad \text{Buy}.

AI 時代至少變成：

HumanvsLocalComputevsRentedIntelligencevsMixed.\boxed{ \text{Human} \quad vs \quad \text{LocalCompute} \quad vs \quad \text{RentedIntelligence} \quad vs \quad \text{Mixed}. }

原因不是 AI 讓企業邊界消失。

而是 AI 同時改變：

  • 企業內部協調成本；
  • 市場交易成本；
  • context transfer；
  • verification；
  • asset specificity；
  • switching cost；
  • intelligent-time price。

所以：

Firm Boundary\boxed{ \text{Firm Boundary} }

正在從單純的法律、人員與資產邊界，轉成：

Capability+Data+Control+Verification+Commit\boxed{ \text{Capability} + \text{Data} + \text{Control} + \text{Verification} + \text{Commit} }

的多維邊界。

算力資本深化使企業能在不同比例下：

Own Intelligence\text{Own Intelligence}

而 API 與 Agent 市場使企業能：

Rent Intelligence.\text{Rent Intelligence}.

真正的問題變成：

哪些智能能力值得成為企業自己的時間資本？

如果一項工作：

  • 高頻；
  • 高專用；
  • 高資料敏感；
  • 高一致性需求；

則內部 AI 工廠可能更有價值。

如果一項工作：

  • 低頻；
  • 高前沿能力需求；
  • 快速變化；
  • 易驗證；

則租賃外部智能可能更有效率。

因此 AI 原生企業的邊界不是一次決定。

而是持續重估的：

Intelligence Allocation Frontier.\boxed{ \text{Intelligence Allocation Frontier}. }

本文提出第五篇總命題：

AI 時代的企業邊界，將越來越由「哪種智能能力應被擁有，哪種應被租用」決定。\boxed{ \text{AI 時代的企業邊界，將越來越由「哪種智能能力應被擁有，哪種應被租用」決定。} }

而這又把我們帶向下一個更大的市場問題：

當 API、雲端 GPU、Agent service 與模型訂閱都在出售「外部智能能力」時，它們是否正在形成一種新的智能勞動市場？

這將是本系列第六篇的核心。

參考文獻

EveMissLab 既有理論

  1. Neo.K with GPT-5.6 Sol. 《算力資本的勞動化》. EveMissLab, 2026.
  2. Neo.K with GPT-5.6 Sol. 《可購買智能與時間資本化》. EveMissLab, 2026.
  3. Neo.K with GPT-5.6 Sol. 《人數—產能脫鉤 2.0》. EveMissLab, 2026.
  4. Neo.K with GPT-5.6 Sol. 《AI 工廠：從工具自動化到持續數位生產》. EveMissLab, 2026.
  5. 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.
  6. Neo.K with GPT-5.6 Sol. 《Agentic Organization 的時間經濟學》. EveMissLab, 2026.
  7. Neo.K with GPT-5.6 Sol. 《經濟世界域轉化論》系列. EveMissLab, 2026.

外部文獻

  1. Coase, Ronald H. “The Nature of the Firm.” Economica, 1937.
  2. Williamson, Oliver E. Markets and Hierarchies. Free Press, 1975.
  3. Grossman, Sanford J., and Oliver D. Hart. “The Costs and Benefits of Ownership.” Journal of Political Economy, 1986.
  4. Gans, Joshua S. “Endogenous Task Bundling, Skills and Automation.” NBER Working Paper 35211, 2026. https://www.nber.org/papers/w35211
  5. Babina, Tania, Alex X. He, and Renhao Jiang. “Canaries in the Gold Mine: Early Productivity Gains from Artificial Intelligence Creating Organization Capital.” NBER Working Paper 35684, 2026. https://www.nber.org/papers/w35684
  6. “Organizations of AI Agents.” In The Economics of Transformative AI. NBER / University of Chicago Press, 2026. https://www.nber.org/chapters/c15305.pdf
  7. Klein, Tassilo, and Sebastian Wieczorek. “The Headless Firm: How AI Reshapes Enterprise Boundaries.” arXiv:2602.21401, 2026.
  8. Do, Tuan Anh. “The Economics of AI Inference: An Efficiency Curve for Choosing Between Credit Plans, Pay-per-Token APIs, and Self-Hosted Models.” SSRN, 2026. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=7141761
  9. Shahidi, Peyman, Gili Rusak, Benjamin S. Manning, Andrey Fradkin, and John J. Horton. “The Coasean Singularity? Demand, Supply, and Market Design with AI Agents.” NBER Working Paper 34468, 2025. https://www.nber.org/papers/w34468

附錄 A：核心符號表

符號 定義
HH Human Production
LL Local Agentic Production
RR Rented Intelligence
MM Mixed Production
CjeffC_j^{eff} 任務 jj 的有效總成本
χCD\chi_{CD} 算力資本深化度
KorgK_{org} 組織資本
SAIS_{AI} AI 資產專用性向量
qLRq_{LR} Local / Rented 成本交叉點
Ωjmode\Omega_j^{mode} 任務 jj 的可行生產模式集合
BC\mathcal B_C 可呼叫能力邊界
Bctrl\mathcal B_{ctrl} 可持續控制能力邊界
SIS_I 智能主權概念比例
PI\mathcal P_I 智能資本組合
CswitchC_{switch} 模式切換成本

附錄 B：任務級 AI 邊界決策矩陣

對任務 jj，企業至少可用下列欄位評估：

維度 Human Local AI Rented AI Mixed
現金成本
初始固定成本
邊際成本
人類治理時間
品質
延遲
可驗證性
資料風險
模型漂移風險
可重現性
切換成本
供應商依賴
future time capital
local fallback
world commit control

最低決策原則不是：

min⁡CashCost.\boxed{ \min CashCost. }

而是：

min⁡Ceffsubject to quality, risk, time and control constraints.\boxed{ \min C^{eff} \quad \text{subject to quality, risk, time and control constraints}. }

附錄 C：企業邊界重構的最低判斷

如果一家公司導入 AI 後出現：

  1. 原外包任務改由本地 AI 工廠完成；
  2. 原內部任務改由外部 Agent API 執行；
  3. commit 權與 execution 權分離；
  4. 人數不變但垂直整合程度提高；
  5. local / API 路由動態切換；
  6. 模型與 workflow 成為企業特定資產；
  7. 外部 AI provider 變成關鍵基礎設施；
  8. 任務邊界由 protocol 與 verification 重寫；

則這不只是：

AI Adoption.\text{AI Adoption}.

更接近：

Firm Boundary Reconstruction.\boxed{ \text{Firm Boundary Reconstruction}. }

AI 的企業效應因此不能只問：

員工用了多少 AI？

更應問：

AI 已經把哪些能力從市場搬進企業，又把哪些能力從企業拆回市場？