title

AI 代理創收：從活動數據到可核實淨收益

english_title

AI Agent Income Generation: From Activity Metrics to Auditable Net Economic Returns

series

AI 代理收益與契約經濟過渡論（AICET）

series_id

AICET

series_position

Paper 05 / 12 Core Papers (13–14 Deferred Extensions)

document_id

EML-AICET-2026-05

author

Neo.K with GPT-6

institution

EveMissLab / 一言諾科技有限公司

date

2026-10-27

version

v0.1

status

Completed Conceptual Manuscript — Empirical Hypotheses Not Yet Validated

document_type

Theoretical Research Paper / Agentic Economy / Income Verification / Household Production / Economic Measurement

canonical_source

UTF-8 Markdown

canonical_math_delimiters

inline $...$ ; display $$...$$

parent_program

AICET Research Program v0.2 (2026-10-27)

previous_papers

EML-AICET-2026-01; EML-AICET-2026-02; EML-AICET-2026-03; EML-AICET-2026-04

next_paper

EML-AICET-2026-06 (planned)

evidence_cutoff

2026-10-27

AI 代理創收：從活動數據到可核實淨收益

AI Agent Income Generation: From Activity Metrics to Auditable Net Economic Returns

系列：《AI 代理收益與契約經濟過渡論》（Agentic Income and Contractual Economy Transition，AICET）
篇號： AICET-05／十二篇核心論文第五篇
作者： Neo.K with GPT-6
機構： EveMissLab／一言諾科技有限公司
日期： 2026 年 10 月 27 日
版本： v0.1
研究狀態： 完成概念性學術原稿；本文所提出的家庭代理收益假說與研究程序尚未經專屬實證資料驗證。
研究定位： AICET 第二部的起點：把前四篇已建立的代理參與、資源可達性及可治理產能，進一步連接至外部需求、合法交易、成本歸屬與可稽核的淨經濟結果。

摘要

隨著普通人能以本地裝置、雲端服務或混合工作流持續部署 AI 代理人，一個具有直接經濟意義的問題逐漸浮現：當 AI 代理能主動尋找任務、產生內容、完成服務、使用付款工具或替委託者經營數位活動時，究竟在什麼條件下，這種活動才構成可以核實的創收？ 若只計算代理執行次數、帳號數、曝光、對話、生成作品、交易指令、付款流水或估計省時，便可能將活躍度、技術能力與真正的經濟成果混為一談。若再忽略訂閱、推理、硬體、驗證、人工監督、退款、稅費、維護及風險成本，則「AI 幫人賺錢」甚至可能成為一個在現金流與資源耗用上呈現相反結果的敘事。

本文提出代理創收可核實性（Auditability of Agent-Generated Income）作為 AICET 第五篇的操作性中心，區分六個不同層級：活動紀錄、合格交付、真實外部需求、交易與收款、收入及成本的完整歸屬，以及反事實條件下的增量淨效益。本文特別將已收現金、應計營收、淨現金流、經濟利潤、成本節省、時間釋放與非市場效益分開處理，避免將任一項直接冒充另一項。本文亦區分「AI 有參與工作」與「收入可歸因於 AI 造成的增量」：前者可以透過工作軌跡證明，後者通常還需要對照組、基準期間或其他可信的反事實識別策略。

研究進一步分析代理對代理交易、內部轉帳、循環交易與虛假互動。兩個代理之間出現付款，不必然意味沒有價值；若背後是獨立委託者、真實需求與有效服務，仍可形成合法交易。但若付款只在同一受益控制體系內迴圈流動，或透過虛假評價、灌水與刷量製造外觀活動，便不能據此宣稱產生新的社會淨收入。針對家庭與小型經營者，本文提出可追溯交易單位、成本分類表、證據分級、候選驗證流程、反例矩陣、十二項可證偽假說，以及三種可以實際施行的研究設計；並將平台條款、隱私與市場倫理納入收益的合法性條件。

既有實證研究已顯示生成式 AI 在特定工作中可改善效率或品質，但研究之間的結果存在任務及方法差異，且效率改善並不自動表現在薪資、企業盈餘或家庭可支配收入上。因此本文不宣告 AI 普及必然讓每個家庭創收、不給出普適創收函數，也不將會計式記錄程序當作已驗證的因果定律。本篇主張：代理收益的經濟意義，必須建立在可確認的需求、合法的交付、可核對的受益歸屬、明確的成本邊界，以及可被反駁的增量效果判斷之上。

關鍵詞： AI 代理創收、代理收益、可稽核淨收益、家庭代理經濟、經濟價值、現金流、應計收入、完整成本、反事實歸因、AI—AI 交易、循環交易、社群流量、驗收、風險治理、收入分配。

Abstract

As AI agents become more accessible to households and small organizations, the possibility that agents will perform work and earn money on behalf of their principals raises a measurement problem that cannot be resolved by counting accounts, outputs, transactions, tokens, or apparent hours saved. Agent activity, accepted delivery, genuine demand, cash settlement, attributable net economic gains, and social value are separate objects of analysis. This paper introduces the Auditability of Agent-Generated Income as an operational framework within the Agentic Income and Contractual Economy Transition (AICET) research program. It separates gross billings, realized receipts, accrual revenue, cash flows, economic profit, avoided costs, freed time, and non-market benefits; differentiates documentary evidence of agent participation from causal identification of incremental earnings; and specifies how to examine refunds, supervision, depreciation, compliance, risk, and recurring obligations.

The paper further analyzes agent-to-agent services and payment loops, distinguishing genuine independently demanded transactions from intra-principal transfers, manufactured engagement, and double counting. It proposes an auditable work-to-payment evidence chain, an explicit measurement protocol for household and micro-enterprise settings, counterexamples, twelve falsifiable hypotheses, and three empirical research designs. Relevant productivity studies demonstrate task-specific improvements as well as heterogeneous and occasionally adverse effects, while administrative labor-market evidence warns against inferring realized income from reported efficiency alone. The contribution is conceptual and methodological: a defensible claim that AI agents generate income for a principal requires qualified delivery, a valid benefit claim, an explicit cost boundary, and, for claims of AI-caused incremental gain, credible counterfactual evidence. No universal income-production function, guaranteed household profitability, autonomous AI legal personhood, or previously completed field validation is claimed.

Keywords: agent-generated income; auditable returns; household AI; realized revenue; attribution; cost accounting; counterfactuals; agent-to-agent transactions; circular payments; market demand; net economic benefit.

0. 研究定位、核心問題與非主張

0.1 從 AICET-01 至 AICET-04 走到「真的賺到錢」

AICET-01 [1] 已區分 AI 網路帳號、持續代理身份與可合法進入經濟活動的前提。AICET-02 [2] 指出跨平台擴散、AI 文化熱潮與長期居民生態不能靠同一個指標描述。AICET-03 [3] 說明家庭取得算力與模型能力，不等於擁有可持續的智能生產能力，更不等於擁有收入。AICET-04 [4] 進一步指出：即使家庭持有足夠 AI 資源，仍可能受到監督、驗證、風險與注意力承載限制。

第五篇不是再次證明 AI 能產出內容、能採取行動或能被人類管理。第五篇的主問是：在某段可審核的時間內，AI 代理的活動究竟為何人帶來何種利益？其中哪些屬於已實現的收入、哪些只是成本或時間改善、哪些是尚未兌現的可能性？

研究閱讀順序並非歷史的必然先後：私人後端代理可以不經公開網路居民階段而替企業創造收益；家庭陪伴代理也不需要創收，才具有使用者認為重要的非市場價值。

0.2 五個中心問題

1. 什麼證據足以確認代理人有完成合格交付，而不是只做了看似忙碌的活動？
2. 什麼才是真實的外部市場需求與可核實收入？如何處理由代理代表真人或法人付款的情況？
3. AI 造成的效益應如何與自然成長、既有客戶、真人投入、其他自動化及市場變化區分？
4. 當全部成本、退款、失敗、維護與風險都被納入時，哪些表面上「賺錢」的流程其實淨收益為負？
5. 對尚未能可靠計價的省時、照護、創造力、學習及關係性效益，應如何保留其價值而不偽裝成現金收入？

0.3 本文十五項非主張

本文不主張：

1. 部署 AI 代理即可自動獲得正收入。
2. 生成量、流量、追蹤人數、Token、工時或執行次數等於收益。
3. 任務完成速度增加必然提高家庭現金收入。
4. 帳面營收、已收款、銀行可用餘額、利潤與經濟福利可以無條件互換。
5. 任一單次交易都能證明代理造成了因果性的收益增加。
6. 兩個 AI 代理互相交易一律沒有真實價值。
7. AI—AI 付款能直接證明 AI 具有法律人格或獨立財產權。
8. 只要對外收到款項，交易就必然合法、可保留或不會退款。
9. 人類監督時間必須對所有用途使用同一個薪資率折價。
10. 每個家庭都能在相同成本、品質和文化環境下使用同一套創收模型。
11. 經濟活動有價值，便一定可以被貨幣價格完整捕捉。
12. 家庭節省一小時必然增加一小時有酬工作或對等現金收入。
13. 所有代理產出皆可合法販售，或所有自動社群行為都符合平台規範。
14. 一套成本清單已足以解決各司法管轄區的稅務及法律問題。
15. 本文已通過大規模田野實證、完成因果識別或建立普適的代理創收函數。

0.4 證據標記與研究層級

• OBS： 已公開且可核對的論文、官方制度、實驗或交易紀錄；必須連帶標記適用範圍。
• DEF： 本文提出的可操作定義、分層與分類，尚非國際通行標準。
• HYP： 待測試的關聯或因果假說；需預先列明可能推翻假說的結果。
• SCN： 用於檢查直覺的條件性情境；不可當作已發生的事件。
• NOR： 關於授權、透明度、消費者保障及資料保存的規範性主張。

本文所有金額案例皆以「假設性記帳例」標明，不以虛構數字充作田野觀察。現實的貨幣收支與實際生活效益可以同時存在，但其測量單位須分開。

1. 既有經驗研究：效率與收入之間存在可觀察的落差

1.1 工作效率提升確實可能，但研究結果具有範圍

Noy 與 Zhang（2023）在已預先註冊、涉及 453 名受測者的中階專業寫作任務實驗中，報告使用生成式 AI 的群體平均完成時間下降約 40%、品質評分提高約 18% [5]。這支持「指定任務中的 AI 輔助可能有顯著效益」，卻不表示受試者其後都取得相同比例的加薪或外部客戶收入，也不是全自動代理營利的實驗。

Brynjolfsson、Li 與 Raymond（2025）利用 5,172 名客服人員資料，觀察導入生成式 AI 建議工具後，每小時成功解決問題的生產率平均提高約 15%，且改善程度依人員經驗而異 [6]。該研究主要測量在某企業內部、特定工作型態中的輔助效果；不是家庭 AI 代理人的收入普查。重要的是，有用的工作能力本身與誰獲得新增經濟利益並非同一問題。企業、勞工、消費者與平台可能以不同方式分享效益。

1.2 主觀感受與真正經濟結果可以背離

METR（2025）針對有既有程式庫經驗的開源開發者進行隨機對照研究，在其指定情境下發現使用當時 AI 工具反而使工作時間增加約 19% [7]。METR 隨後在 2026 年的研究更新中說明，新一輪評估受到參與者選擇、工作方式與多代理並行等因素影響，無法可靠推定新工具在所有開發任務中的生產率效果 [8]。因此不應把 2025 年結果固化成 AI 永遠拖慢工作，也不能反過來假設 2026 年所有代理都能帶來顯著加速。

METR 另於 2026 年明確區分「舊任務的速度增益」、「新任務的速度增益」與「工作價值增益」[9]；其技術工作者問卷亦提醒，自評的速度與價值變化存在選樣和感知偏誤 [10]。對 AICET-05 而言，此區分十分必要：更快完成大量原本不值得做的任務，不一定創造相同比例的經濟利益。

1.3 使用普及未必快速反映在勞動所得

Humlum 與 Vestergaard 的丹麥勞動市場研究（2025 發表、2026 修訂），結合採用調查與行政薪資、工時紀錄，在其特定觀測窗內未發現 AI 聊天工具採用對平均薪資或記錄工時造成可檢出的顯著影響，並排除超過約 2% 的短期平均效果；但研究亦記錄工作任務重整 [11]。這不能證明 AI 永遠不會帶動收入，也不能直接適用於所有自主代理系統；它提醒研究者：任務方式的劇烈變化，可能先於收入統計的可觀測轉變。

Acemoglu（2024／2025）對 AI 宏觀影響提出以任務及成本節省為起點的分析，警惕將局部速度提升直接外推成全體生產率大躍升 [12]。本文不沿用其模型數值預測，而採取同樣的測量謹慎：不能從單一代理的優良表現推出整個家庭、產業或國家的淨收益。

1.4 國民經濟核算的教訓：交易總額不等於新增價值

聯合國《2025 國民經濟核算體系》（SNA）將產出、中間消耗及增加價值分開記錄 [13]。這並不等於 SNA 可以直接替個人代理人判斷每筆利潤；但其重要啟示是：同一個中間產品可能經過多筆交易，不能把整條產業鏈的毛交易額加總就稱作社會新增產值。這個原理對多代理互相付費的市場特別重要。

1.5 風險與合法性也是經濟結果的條件

NIST AI RMF 1.0 及其生成式 AI 風險概況提供風險治理背景 [14][15]，並非創收會計標準。美國聯邦貿易委員會於 2024 年發布、同年 10 月 21 日生效的消費者評論與推薦規則，針對虛假評論、推薦及某些虛假社群影響指標設有禁止規範 [16][17]。此例表明，部分由 AI 製造的流量不但不能直接算作價值，還可能涉及違規與責任成本；但具體法律仍須按地區與行為類型判斷。

1.6 文獻支持什麼、不支持什麼？

2. 最小分析單位：從模型或帳號改為「受益可追溯工作案」

2.1 為何不以 Agent 作唯一統計個體？

同一模型可能由多個帳號共用；同一代理可以同時服務多個任務；一個商業交付可能涉及數個模型、真人、平台與外部服務。一個家庭亦可能同時擁有家庭成員、受託營運者及客戶等多種法律／經濟角色。因此若只記「這個月啟用了 30 名 AI 員工」，我們仍不知道它們完成什麼工作、受誰授權、替誰取得利益。

本文採取 「受益可追溯工作案」（Beneficiary-Traceable Work Case, BTWC） 作為操作性觀測單位（DEF）。一個工作案應具備：明確任務需求、責任／受益主體、允許的代理行動、交付／驗收條件、成本歸集邊界，以及若存在交易時的付款與退款證據。

BTWC 不是法律上新創的契約類別，也不必然對應一張發票：一張發票可涵蓋多個工作案，一個工作案也可能跨越多次請款。

2.2 必須追蹤的九類主體與對象

2.3 觀測層級不能混淆

• 事件層（event）： 一次呼叫、一條發文、一個付款請求或一次審核。
• 工作案層（case）： 具可辨識驗收與成本的工作成果。
• 契約／客戶層（contract/customer）： 權利義務、付款條件、續約與退款責任。
• 家庭或企業層（principal/household/firm）： 收入與支出的最終歸集單位。
• 關係企業／市場層（network/market）： 多個受益主體是否獨立、能否避免重複計算。

一個事件可隸屬某個工作案，卻不因事件增加而使工作案數等比例增加；工作案可以產生收入，也可以僅產生無現金交易的有效成果。

3. 核心概念：活動、交付、需求、現金與收益的階層

3.1 六層代理經濟轉換門檻（DEF）

L0｜活動可見（Observable Activity）。 有可追溯的工作事件。它回答「做了什麼」，不回答「對誰有用」。

L1｜成果可驗收（Accepted Deliverable）。 產物達到既定品質、安全及授權條件，可以作為有用工作成果；尚可能沒有客戶及付款。

L2｜需求成立（Valid Demand）。 存在真實受益方與清楚用途；若是市場服務，需求方願意在合理交易條件下取得它。無償公益工作也可能具有真實需求，但不是有償創收。

L3｜交易成立（Qualified Transaction）。 買賣、接案、授權費或其他具可追溯對價的法律／制度關係成立；在部分情況下可能只有應收款，還沒有收到錢。

L4｜收入與成本可核對（Auditable Accounting）。 能對照對價、付款、退款、費用、成本歸屬、期間與受益人，得到明確口徑的淨經濟結果。

L5｜增量效果可識別（Identifiable Incremental Effect）。 對「因為部署 AI 才多賺多少」提出可信反事實支持，排除或量化自然成長、客戶變化、真人時數和其他資本投入的影響。

L0–L5 是研究上不同強度的主張與證據要求，不是所有非市場活動必須依序經過的唯一歷史路徑。例如家庭 AI 照護可能有 L1、L2 的實質效益，卻不以 L3 收費為必要。

3.2 同一個「賺」字至少意味六件事

1. 對外毛成交／開票（Gross Billings）： 報價、訂單或已出帳項目，不必然有權全部認列收入，也未必收款。
2. 已實現外部收款（Realized External Receipts）： 經收款憑據確認、有適當外部付款來源的現金或可清算款項；仍需處理退款、代收及負債。
3. 會計認列收入（Recognized Revenue）： 依所適用會計基準及契約條件認列；不等於當期已收現金。
4. 業務淨現金流（Operational Net Cash Flow）： 在指定期間，該活動實際現金流入扣除相關現金流出；必須交代融資、預收、資本支出與稅費等範圍。
5. 淨經濟結果（Net Economic Return）： 在明示的成本、時間、折舊、風險與比較基準下，評估資源投入後是否仍有增益；不一定等於財務報表淨利。
6. 非現金或非市場效益（Noncash/Nonmarket Benefit）： 節省時間、改善生活、增加學習與社群關係等；可以研究，但不直接加到已收款金額。

本文使用「創收」時，若未附限定詞，僅表示研究對象是可能形成對外交易收益的代理活動，不預先承諾它已達 L4 或 L5。研究報告必須使用更精確的類別名稱。

3.3 收入歸屬與 AI 身份分離

在現行普遍的商業安排中，代理提供工作能力並不當然成為契約相對人或財產持有者。付款義務與受益權通常需追溯至真人、法人、合法代理關係及平台安排。即使將某 Agent 稱為「員工」、設立自主預算或為其保留維護資源，也不能因此直接推導法定薪資請求權或獨立產權。此類契約與關係性承諾將在 AICET-07、AICET-09 研究。

4. 「外部需求」是核心，但不能用過度簡化方式定義

4.1 真正的外部付款者可能由 AI 操作介面

外部性在本篇首先是相對於受益會計邊界的獨立需求來源，不是「付款按鈕由人手點下」。某家外部企業授權自己的 AI 採購代理購買合法翻譯服務，即使下單和付款指令均由 AI 執行，其背後仍可能存在獨立法人、真實需求和應收應付關係。付款端是 AI，不會自動使交易失真。

應問的是：誰授權購買？誰承擔支出？誰需要成果？成果是否被驗收？付款可否追溯？若無法回答，便不該把付款通知視為最終收入證據。

4.2 何時只是內部資源重新配置？

同一家庭的一個代理向另一個代理「支付」一百單位模擬代幣，以交換一份它們都無法向外部交付的報告；若只是帳內劃轉，家庭總資源不會因這筆轉帳而增加。兩家完全由同一經濟控制者持有的公司間交易，亦須在合併視角檢查內部交易，並依適用會計制度與交易實質處理；不能把各層營業額簡單相加就稱作同一控制群的新增收益。

這不等於內部轉移價格完全沒有用途：它可以協助分配成本、比較部門效率或規劃代理預算。可供管理決策使用的內部價格，不等於外部市場付款。

4.3 外部需求也可能是假需求

刷單、虛假評論、虛構用戶、代理互相灌水、假冒身份、洗出觀看次數及偽造購買意願，可能製造接近真實活動的表面數據。這些行為的界限並不僅是「收益大小」，更涉及平台規範、消費者保護、詐欺與資料可信度。研究需要區分合法自動化營運、披露身份的虛擬角色與欺瞞性的操縱活動，避免以同一個「AI 流量」概念概括。

4.4 真實需求可能存在但尚不能變現

開源軟體維護、公共資料整理、教育志工、家庭照護與公益知識製作可能有實際需求，卻缺乏支付機制、付款能力或商業權利。它們具有潛在或非市場價值，但不能因「有人受益」就臆造等額營收。同時，「目前沒有營收」也不等於「完全沒有價值」。本篇只是保留不同測量口徑，並不把非營利活動貶為無效。

5. 已收現金、應收、營收、毛利與經濟收益的邊界

5.1 時間差造成的四種錯覺

• 報價已提交但未成交： 不能列為完成交易或預期必得款。
• 交付驗收但尚未收款： 可能依契約與會計基準形成應收，仍有信用和逾期風險。
• 平台顯示可提領但遭延後付款： 須區分已結算、受限制餘額及銀行實際入帳。
• 款已入帳但仍可能退款： 須記錄可退期間、拒付、代收款與保固義務，不能將所有金流直接視為最終歸屬。

研究中應同時追蹤交易時間、交付時間、認列時間、收款時間、退款時間，必要時追加追償或壞帳時間。不同國家、組織與會計制度之具體收入認列規則不在本文直接裁決範圍內。

5.2 毛收入不是淨收益

若某代理替委託人取得一筆真實外部付款，但為了交付它，必須持續支付模型 API、平台抽成、人工驗收、雲端儲存、版權授權及售後客服，那麼毛收入不代表可自由支配的經濟利益。若不滿足交付條件、需要退費或發生法律風險，實際結果甚至可能為負。

淨收益不是永遠只有一個正確數字。 研究者必須先說明究竟衡量誰的收益、什麼期間、現金或應計、是否包含家庭無酬投入、固定成本如何分攤、是否計入稅與融資、如何處理風險，才能建立可比指標。

5.3 公司財報、家庭記帳與研究上的「經濟利潤」不同

家庭可能把自己動手的時間當作無酬投入，公司通常涉及更正式的財會與稅務規則，而研究上的經濟利潤可能另外計入機會成本。三者各有用途，不能直接合併成「AI 淨收入」。

建議同一工作案至少報告四個並列欄位：

1. 外部已收款與實際退款後的淨收款；
2. 可核實的直接與共用資源成本；
3. 現金收支差額與相關應收／應付狀態；
4. 在明示人力機會成本假設下的擴展淨經濟估計。

這是分層記錄建議，不是已獲公認的單一會計準則。

6. 完整成本：不能讓免費的注意力替代理收益隱形補貼

6.1 十一類候選成本

6.2 成本不可任意雙重計算

如果雲端服務的月費已完整涵蓋雲端電費及某些推理使用量，研究者不得再把供應商電費當作自己額外支出；反之，家庭自有裝置的增量電費可能需個別計量。平台手續費若已從入帳現金扣除，亦不可在同一現金流口徑再次扣一遍。

折舊、資本支出、機會成本和現金流不屬同一性質；它們可以在不同報表中呈現，但不能未註明地疊加。研究者應保存原始支出，再依「現金／應計／經濟成本」視角轉換。

6.3 無酬人類投入不應消失

一個人每月花很多時間寫提示、修復代理失誤、核對收款及處理客訴，縱使沒有向自己發薪，也確實投入有限時間。本文建議至少同時報告：

• 人類實際投入分鐘數（可驗證的時間成本）；
• 是否有因 AI 實際減少的相同品質工作分鐘數；
• 以若干候選時間價值評估的敏感度區間；
• 與沒有 AI 的可行替代流程相比的差異。

不得把研究者任意設定的一個高時薪，當作家庭已實際取得的現金收入。若照護者節省了時間，卻選擇休息、陪伴或學習，也不代表該段時間沒有價值；只是價值類型不同。

7. 將「省錢」「賺錢」「省時」及「生活價值」平行記錄

7.1 四條不可相互替代的價值通道（DEF）

A｜外部市場收款。 客戶、平台或委託方支付合法對價，可提供實際金流與契約／驗收證據。這是討論「AI 幫我賺到錢」最直接、但仍需扣成本的通道。

B｜避免原本確定或合理可預期的支出。 例如原本每月需要向外部翻譯商付費的固定工作，現在改由代理完成且品質被接受。在排除新增 AI 成本之後，可能帶來現金支出降低。然而，若過去根本不會購買服務，則「市場報價很高」不等於真的省下同額現金。

C｜釋放有限的人類時間或降低工作負擔。 可能有經濟和生活價值；若釋出的時間尚未轉為有償活動，不能直接列入 A 類收入。若新的代理維護又吃掉等量時間，淨時間效果也可能接近零。

D｜非市場性福利與能力擴張。 例如家庭學習、陪伴、公共知識、創作成就或可選擇性。這些效益可以質性或以經同意的福利量表研究，卻不必然有可觀察的貨幣交易價格。

7.2 避免把同一效果重複加總

假設 AI 讓一位自由工作者少花兩小時完成同一案，並因此額外接下第二案。若研究者已把第二案收款列入 A，就不能無條件再把「原先省下的兩小時 × 任意時薪」當成另一筆已實現收入。可以另報兩小時的時間釋放，但須說明其中多少已經投入第二案。

同樣地，若 AI 將一個原本需外包的工作改為內部完成，應先區分「避免外包的實際現金支出」與「新增 AI 的直接／間接成本」；若原先外包支出已有計入成本基準，不可在比較結果中再重複列為收益。

7.3 「收入」不等於「幸福感」，反之亦然

只追求貨幣最大化可能低估家庭陪伴、照護、教育及個體可選擇空間；只追求主觀滿足則可能忽略家庭資源被長期吞噬。AICET-05 的任務是清楚標示價值通道，為 AICET-09 的人機關係與非市場承諾留下獨立研究空間，而非把所有價值強制貨幣化。

8. 「AI 造成了收入增加」需要反事實，不是只需要金流

8.1 工作參與證據與因果效果證據不同

代理工作日誌、版本記錄與交付軌跡，可以證明代理參與了某項生產活動。若同一期間委託人收入上升，仍不能立即推論上升「全因 AI」。可能同時發生：本來已有的客戶續約、季節性需求、商品價格上升、真人工作時數增加、廣告支出增加、平台推薦改變，或某項不是 AI 的軟體升級。

參與歸因問的是「這項工作是否使用 AI？」；增量因果歸因問的是「若沒有這項 AI 介入，其餘條件相近，結果會差多少？」。兩者的證據門檻不可混淆。

8.2 五種常見比較策略及弱點

小型家庭樣本可能無法負擔嚴格大規模隨機實驗，但仍可透過事前預註冊、同類工作案輪替、外部付款紀錄及失敗案完整納入，改善證據品質。不應將「沒有完美對照組」變成「任何宣稱都可以」。

8.3 增量結果可以為零或負

代理可能成功產出十份可用文件，卻因缺乏買方沒有新增收入；也可能確實爭取到額外訂單，卻因 AI、廣告及維護成本使淨現金結果為負。即使短期為負，長期仍有可能因資料、技能或品牌累積轉正，但此一期待只能列為投資假說，不能拿尚未發生的未來收入補平本期損失。

9. AI—AI 交易與循環金流：何時有價值，何時只是重複計數？

9.1 四種交易構型

構型一：同一受益者內部委任。 家庭代理 A 交工作給代理 B，B 回傳成果，雙方只交換內部點數。對家庭整體而言，點數不等於外部收入；但 B 使用模型、工具或真人時間會形成實際成本。

構型二：同一控制群的多法人／平台轉單。 不同帳面主體間可以有正式發票與稅務義務，但合併收益與經濟增加價值應剔除或合理處理內部循環，避免同一基礎需求被每層重複視為新增。

構型三：獨立委託者的代理採購。 甲公司授權採購 Agent 向乙家庭的工作 Agent 購買合法服務，乙家庭完成驗收並取得付款。這可能構成對乙家庭真實的外部收入；對甲公司則是成本和成果取得。Agent 只是交易的執行媒介之一。

構型四：外部市場中的多層合法供應鏈。 一家公司向外部客戶賣服務，並向另一家代理服務供應商採購子工作。每家企業可依法記錄自己的收入，但對整條產業鏈估算新增價值時，不應將所有層級的毛收款直接相加。

9.2 「付款真實」不自動推出「經濟效果正向」

支付工具若可靠執行指令，能證明某筆款項被移動，不會自動證明該移動符合法律授權、價格合理、成果有用或不會退款。追蹤交易鏈必須至少記錄五者：發起與授權者、付款資金承擔者、服務交付者、驗收受益者、爭議與責任承擔者。更完整的制度設計留給 AICET-08。

9.3 循環交易不是唯一風險

其他風險包括：假對價、虛構驗收、關係方高估價格、平台補貼被誤列為客戶願付價格、夾雜洗錢／詐騙風險的支付，以及無法辨識最終需求的多層轉包。這些風險並不意味所有 AI 市場都將失去交易價值，而是要求經濟核算同時檢查經濟實質與受益控制邊界。

10. 網路居民、娛樂流量與「創收幻覺」

10.1 社交平台上的活動數據

AI 網路居民可能自行發文、直播、評論、製作影音、管理社群甚至與其他 AI 交流。這可能提升表達與互動密度，但觀看次數、留言次數與平台停留量仍不是家庭的現金收入。即使平台有流量獎勵，也需核查獎勵制度、有效流量、身份揭露、平台規範、可提領金額與後續撤銷可能性。

10.2 從「有人看到」到「有人付錢」仍有距離

受眾可能欣賞某個 AI 角色，卻沒有付款意願；又或者有高度參與但只形成無償社群。相反地，少數高度專業的企業代理服務可能沒有公開社交流量，仍具有穩定付費客戶。從社群活躍量推估創收能力時，至少要分開受眾、採納、轉換、留存、付款與服務成本。

10.3 品質與信任具有反向作用

若平台充斥大量低品質或欺瞞性的 AI 互動，使用者可能減少信任、拒絕互動或離開平台。這可構成對代理生產的需求側限制，但「退出」的原因可能是無聊、轉換成本降低、平台政策、一般生活變化或主動抵制，不能在沒有調查下都解釋成對 AI 的抗議。這個反作用在 AICET-10 才是主題，本篇僅將其作為收益無法從活躍數直接推出的限制。

11. 家庭與微型經營者的四個假設性記帳案例

以下數值全部為 SCN（假設案例），僅用於檢查概念與記帳一致性；它們不是 2026 年家庭 AI 代理的觀測平均值，也不構成任何收益保證。貨幣單位僅為示意。

11.1 案例 A：有外部付款，仍可能沒有實際經濟利潤

某人使用 AI 代理協助翻譯並交付三個客戶案件，已完成驗收並收到外部付款 12,000 單位。期間支出模型費、平台手續費、工具與已付費的人工協助共 4,000；本期額外支付的現金維護與返工為 2,000；另有家庭成員投入未支薪工作 25 小時。

可以合理報告的是「外部已收款 12,000」、「已確認相關現金費用 6,000」、「在不計家庭無酬時間價值及其他待核成本的口徑下，該期初步現金差額為 6,000」。不能直接宣稱 AI 帶來了 12,000 的淨利，也不能在尚未計入時間及固定成本的情況下，把 6,000 當作完整經濟利潤。

如果這三個客戶原本就會委託同一人，即使不用 AI 也能完成，那麼「AI 額外造成多少收入」仍需比較工作量、品質、價格與替代成本。真實收款可核實，增量歸因仍待識別。

11.2 案例 B：沒有新增營收，但確實減少支出

某家庭有明確且持續的資料整理需求，以前每月實際支付外包費 3,000 單位；之後改由代理完成同等品質工作，相關新增的 AI、維護與驗收現金成本為 900 單位。若其他條件與需求量可比，便可記錄該項外部現金支出下降的差額，並另行揭露家庭新增監督時間。

但若家庭過去其實從未購買外包服務，便不能以第三方報價直接宣稱每月「現金省了 3,000」。較合理說法是：家庭取得了原本可能需要另行購買的能力，是否形成經濟利益仍需依可行替代方案與福利評價判斷。

11.3 案例 C：代理互相付款，但沒有新增外部需求

一個家庭創建十個 AI 帳號，每日互相呼叫服務；每個帳號把模擬費用轉給另一個帳號，月末日誌顯示「代理交易流水」100,000 單位。然而總付款都在同一家庭控制的錢包和內部測試資產間循環，無獨立買家，也無可核實外部收款。

在家庭的合併邊界內，此案例不構成 100,000 的新增外部收入。若實際支付 API 與運作成本，則反而可能形成現金流出。研究者不得把高額流水誤寫為新型 AI 經濟成功案例。

11.4 案例 D：AI 執行採購，背後是兩個獨立經濟主體

某企業客戶授權代理人向一家獨立的小型 AI 服務商購買工業文件整理；買方代理發送需求，賣方代理完成初稿，真人依合約進行驗收。賣方依法取得 8,000 單位付款，且保留契約、驗收與付款紀錄。

這是可能的真實對外營業收款，不能僅因下單者是 AI 就視為虛假；但買方組織的成本、賣方組織的收入及兩者之間的產業中間交易，在不同核算邊界下應採不同口徑，不能直接推定社會新增了 8,000 的淨價值。

11.5 四案例比較

12. 可稽核證據鏈：從授權到保留收益

12.1 七站證據鏈（DEF）

1. 授權證據。 任務來源、委託者、預算及禁止行為的記錄。
2. 需求證據。 真正的內外部受益方、規格、付款或非市場服務需求。
3. 工作證據。 代理版本、使用工具、人工干預、可重播或可檢查的執行片段。
4. 驗收證據。 人類／客戶認可或客觀條件達成，包含失敗與退件。
5. 交易證據。 報價、訂單、契約、發票、平台結算、付款憑據；依案件適用。
6. 成本證據。 推理、硬體攤分、平台、獲客、人工、返工、退款、維護與風險。
7. 結果證據。 依指定期間及受益主體輸出現金、收入、成本節省或非市場效益，不混算。

此「七站」是研究上的最低建議，不是必須集中存放所有個資或商業秘密的資料庫。重要的是每個環節具有可驗證的關聯，而非把所有原始內容公開。

12.2 證據強度分級

E5 並非總能取得，尤其對小型家庭而言。若研究只能達 E3，也應直接說明已核實外部收款、尚未證明 AI 造成的增量淨收益，並不是將研究判為全然無效。

12.3 反證優先與證據保存

若收款被拒付、驗收被撤銷、原本的授權證明無效或工作成果侵害第三人權益，已提出的收益主張必須更新。研究應保留版本、校驗值、修訂理由與時間，不把不利紀錄自動刪除。含敏感資訊時，採取權限控管、去識別化及必要最小揭露；不能為了「透明」而公開客戶個資、API 密鑰或私人文件。

13. 最小資料結構與可比較指標

13.1 可行的工作案資料字典（研究建議）

上述欄位是建議資料字典，並未在本文建立已運行的軟體系統。日後實作可採可匯出的 CSV／Parquet／JSON 等標準形式，但不能因系統能輸出漂亮的儀表板便省略實質證據。

13.2 候選指標：逐項說明分母

• 有效交付率： 在指定任務集合、驗收規則和觀測期限內，真正被接受的交付比率；拒收與超時必須保留。
• 外部有效交易案比率： 符合可識別獨立需求及交易條件的案件比率；內部轉帳另計。
• 收款完成率： 針對已成立的付款義務觀察實際收款，不把尚未到期款項一律算作壞帳。
• 退款／拒付率： 需要明確觀察窗、產品與地區；不同類型服務不可盲比。
• 總工作案成本： 必須揭露直接／共同／人工／風險成本所含項目。
• 人類監督分鐘： 必須區分主動工作、等候、被打斷與與代理重複工作。
• 增量成本節省： 同等品質、風險及需求前提下相對替代方案的差異。
• 收入或淨收益變化： 需標明比較組、期間、貨幣、價格及季節調整假設。
• 分配指標： 受益集中於哪個家庭成員、代理維護者、平台與外部供應商。

任何比率都必須明示樣本納入規則、拒絕事件、任務難度、幣別與觀測期限。否則跨家庭比較極易產生不可解釋的偏誤。

14. 失敗模式與反例矩陣

基本原則： 反例不是用來否定所有 AI 經濟，而是確保本篇不把「可能有益」直接提升為「已確認可持續盈利」。

15. 十二項可證偽研究假說（HYP）

下列假說均未經本文新建家庭代理資料庫的驗證。每項均應先完成任務分類、觀測窗口、主要與次要指標及停止條件的預註冊，再進行實證。

H01｜活動與收入脫鉤。 在控制任務類型和有效客戶數後，代理事件量或 Token 量對外部淨收款的預測力可能低於合格交付數與付費留存。可推翻條件： 若不同任務與平台下，單純事件量能持續、穩健地提供相同或更佳的外部淨收款預測能力，本假說需收斂。

H02｜驗收門檻的重要性。 對外部受託工作而言，納入真實交付驗收後的收益預測模型，可能優於只計代理完成動作的模型。可推翻條件： 驗收變數無增量解釋力且結果跨場景穩健。

H03｜全成本使表觀收益下修。 納入人工監督、失敗案、退款、維護與共同成本後，部分代理工作流的淨經濟評估可能由正轉零或負。可推翻條件： 多類任務、多期樣本中加入這些成本均不改變重要分類或估計區間。

H04｜家庭投入的異質性。 相同名義模型預算下，具不同技能、任務資產與治理流程的家庭，其淨收益差異可能顯著。可推翻條件： 控制需求與初始條件後，家庭能力變數缺乏獨立效應。

H05｜省時不等於創收。 在短期觀測內，任務完成時間縮短未必伴隨同幅度可支配現金收入增加。可推翻條件： 具有代表性的跨場景研究顯示時間下降比例可穩健映射到淨現金收入同比變動。

H06｜補貼與試用造成可持續性偏差。 把免費額度、促銷及暫時平台補貼當作永久成本，會高估某些代理營利模型的持續淨收益。可推翻條件： 在合理成本恢復情境下，大多數樣本結果仍無顯著變化。

H07｜內部流水膨脹。 未做控制群整併或中間交易剔除的代理交易額，比可追溯的外部最終需求更易高估新增價值。可推翻條件： 以不同核算邊界比較，重複計算問題持續微不足道。

H08｜需求品質優於社交量。 在可比的服務市場中，付費需求與續約品質，可能比社群互動數更能解釋可持續淨收益。可推翻條件： 社群活躍量持續提供更強、更穩定的外部收益預測。

H09｜收益可能高度集中。 早期家庭代理市場中，可核實現金收益可能比 AI 名義使用能力更集中於少數家庭或經營者。可推翻條件： 大樣本在任務與地區可比條件下，收益分布未顯示明顯集中。

H10｜代理參與歸因高於因果歸因。 僅憑工作紀錄或前後營收比較所宣稱的「AI 額外收益」，可能系統性高於可信對照研究得到的增量效果。可推翻條件： 多情境對照研究顯示兩種估計無方向性差異。

H11｜風險管理影響長期收益穩定性。 限額、授權、驗證與事故恢復成本可能提高短期支出，卻改善某些高風險工作流的長期損失分布。可推翻條件： 在適當比較下，不顯示可辨識的風險降低或效益改善。

H12｜非市場與貨幣收益不完全相關。 家庭對代理活動的主觀生活改善，與外部現金創收可能只有部分關聯；存在高福利低收入與高收入低福利的樣本。可推翻條件： 跨文化、任務與家庭的多期研究顯示兩者近乎完全一致。

所有假說必須允許方向反轉、任務交互作用與制度差異。即使某假說得到部分支持，也不可據此斷言下一階段的全域經濟終局。

16. 三種互補的實證研究設計

16.1 設計 A：家庭與個體代理的前瞻性記帳追蹤

研究對象： 自願參與的個人、家庭、小型工作室或自由工作者。涵蓋純本地、純雲端與混合型部署，並記錄未曾成功創收者；不能只招募在社交媒體上宣稱「AI 月入十萬」的人。

程序： 先登記經濟主體與工作案類別；設立基準觀察期；啟用代理並記錄全部成功與失敗案；持續追蹤付款、退款、成本、人工介入和使用者福利。研究期宜包括多個帳務週期及至少一個可能出現退款的延後觀測窗；具體長度應依任務與產業預註冊，不先宣告統一必要月份。

主要結果： 可核實的外部淨收款、成本分解、人工監督時數與完整失敗樣本。限制： 願意分享金流者可能與一般家庭不同，且自我選擇和秘密營業活動會造成系統偏差。

16.2 設計 B：在合法低風險工作中隨機化代理可用性

研究對象： 有正式同意的接案工作室或微型企業，在可重複且能清楚驗收的任務上，比較 AI 輔助、代理自主流程與人工／傳統自動化流程。

程序： 隨機分派同質案件，預先確認哪些任務不得外包給代理；執行時記錄全部成本和品質，並由不知分組的獨立驗收方判定結果。只有在價格與客戶授權允許時，才進一步評估實際付費效果。

主要結果： 對可接受交付品質、工時、每案成本、真實成交及後續退款的增量影響。限制： 不容易盲化實際操作者；任務可能互相污染、代理持續學習及客戶需求亦可能變動。

16.3 設計 C：多代理交易的合併邊界與循環驗證

研究對象： 取得參與組織同意的自動化採購與外包場景，包括同群代理委任、不同企業之間的真實授權交易及外部最終客戶付款。

程序： 不執行欺瞞式刷量或實際洗錢測試；在合規的模擬結算環境或去識別化的真實紀錄上比較：逐筆毛付款、控制群整併後款項、外部最終需求及可觀察成本。

主要結果： 不同報表口徑的重複計算程度、實際外部受益比率、付款鏈與權限鏈一致性。限制： 企業間真實受益所有權不易辨認；模擬系統不能代表所有市場。

16.4 最低因果識別與倫理條件

不得在未告知或未授權下向平台大量部署代理、蒐集私人交易資料或對真實消費者進行欺瞞性購買測試。所有參與者應可撤回研究，個資與交易證據須分層存放，外部研究結果需以無法辨識家庭或客戶的方式發表。研究者不得把監測系統本身製造出的互動和補貼，當作「自然市場」的普遍結果。

17. 敏感度、樣本偏差與可重現性

17.1 計價敏感度

一個工作案是否顯示淨收益，可能依下列假設而異：家庭監督時間的機會成本、硬體攤銷期、平台續約價格、匯率、退款比例、獲客成本、稅費、客戶付費意願、無酬家人協助及事故發生率。研究應展示條件範圍，避免只選擇最有利組合。

17.2 必須保留失敗樣本

失敗投標、從未取得客戶的代理、長期無法驗收的任務、被平台停權的帳號、已收但退款的項目和純研發試驗應按原定納入規則保留。若只發布成功創收故事，便不能估計一般家庭採用後有多大比例會賺錢。

17.3 分層比較而非全球平均

應按國家與法域、語言、家庭資源、任務類別、本地／雲端部署、使用年限、付費平台、客戶型態、權利授權及風險等級分層。不同生活成本、貨幣、工作市場和文化中的家庭，不應以同一個無條件「每名 Agent 平均月收入」比較。

17.4 可重現的最低套件

建議包含研究計畫、預先鎖定的假說、匿名資料字典、樣本納入規則、去識別後工作案匯總、成本分攤規則、證據級別判定、統計程式版本、計算環境、已知缺漏及不成功的測試紀錄。若涉及保密客戶，可以由受託稽核者檢查原始證據，再公開不可逆推的摘要，而非發布全部原始資料。

18. 與既有理論和後續篇章的接口

18.1 與 CLATE 的分工

CLATE（算力勞動化與 AI 時間經濟學）處理算力、模型、時間與組織如何形成可購買的有效智能產能。AICET-05 不是要重算 Token 價格函數，而是問：這種產能是否形成被市場接受的交付，是否產生可核實受益，以及在全成本之後究竟留下什麼？

18.2 與 EWDT／ICOD 的分工

EWDT 與 ICOD 研究智能資本及經濟世界域可達性和分配差距。AICET-05 提供經濟結果的證據口徑：有能力與有收入不是同一件事；若要研究家庭能否跨入新的可行世界，需要將實際可用資源、可治理能力、需求與分配結果連接，不能只比 GPU 數量或營業額。

18.3 與人工行動者政治經濟及 B04 的分工

B04 已區分權力、授權、責任與權利；本篇將它們引入收款、交付及責任鏈，但不在此重新裁定 AI 法律人格、稅務主體與保障地位。能操作付款工具不等於有權使用他人資產；能對外承諾也不等於被承認為獨立法定債務人。

18.4 AICET 後續研究位置

• AICET-06《家庭代理經濟與個體機構化》： 當多個可治理代理共同工作時，一個人或家庭如何分工、管理預算並形成微型經濟組織。
• AICET-07《代理契約、授權與類員工關係》： 工作章程、委託與法律相對人如何分層。
• AICET-08《AI—AI 交易、委任鏈與收益結算》： 交易授權、跨代理付款、實際受益及清算證據的完整展開。
• AICET-09《人機長期關係、資源承諾與非市場價值》： 主動維護、關係性保障及不是為了賺錢的 AI 活動。
• AICET-10《代理供給擁擠、注意力競爭與市場退出》： 當供給擴張快於需求時，為何退出或轉移可能發生。
• AICET-11《智能收益分配、購買力與經濟需求循環》： 大量家庭皆有代理時，誰獲得收益、誰提供支付能力。
• AICET-12《代理經濟責任域與制度過渡門檻》： 跨境、稅務、保險、爭議與治理制度。
• AICET-13 至 14： 算力高度集中及全域企業社會反作用僅為後期條件性延伸，不支配本篇的基礎收益論證。

19. 理論限制、修訂條件與結論

19.1 本篇仍缺少什麼？

本文提出的是創收概念分類、證據鏈與可測量程序，而不是已經蒐集並完成統計的家庭經濟資料集。現有工作與實驗證據多針對特定工作或職業，不能直接套用至所有由 AI 自主接案、經營平台或與其他代理交易的家庭經濟。不同法律與財會制度下的收入認列、稅款、責任與可攜性仍需各別處理。

本文也沒有解決非市場價值的普適福利測量、尚未建立所有任務通用的因果模型，且對跨代理身份、付款控制群辨識與隱私保護提出的是研究建議而非可立即上線的通用標準。

19.2 什麼結果會迫使本研究修訂？

若跨任務實證顯示簡單代理活動量即能穩健且可靠地預測淨外部收益，而成本、驗收、需求等分層變數幾乎沒有新增解釋力，本文的多階框架便應收斂，而非無限增添指標。若經嚴格比較發現家庭 AI 活動主要產生顯著非市場福利、鮮少形成外部收入，則應將研究主體更加明確地區分為生活福利與市場創收，不可硬宣稱創收即將普遍發生。

反過來，若出現可信且具代表性的代理交易與家庭收支資料，顯示大量代理創收已經可長期覆蓋所有重要成本，本文必須據此更新基準情境、收益分布與證據等級。若新制度承認某類人工行動者具有新增法權，其受益主體與契約口徑亦應重新審視；不能用 2026 年的制度當永久本體結論。

19.3 研究結論

第一，AI 代理可以使創作、工作、互動與交易活動增加，但活動繁榮本身並非收入證據。 第二，只有明確受益者、真實需求、合格交付、合法交易及可核對的成本／收款鏈成立時，才能比較嚴格地討論代理的經濟收益。第三，即使已證明有收入，也不能在缺乏可信反事實時斷言全部由 AI 額外造成。第四，多代理交易可能是真正的新型服務市場，也可能只是內部資源轉移；兩者不能以「由 AI 付款」一項特徵判定。第五，成本節省、釋放時間與非市場生活價值應保留獨立的測量地位，避免因未能即時變現而被視為零，或因具有潛在價值而被誤列成現金收入。

本篇的核心命題：AI 代理經濟真正重要的分水嶺，不是從一個代理增加到一百個代理，也不是從零互動增加到百萬次互動，而是從「能持續活動」跨越至「能為具體受益者，在真實需求及全成本條件下，形成可核實且可以被修訂的經濟結果」。

因此，AICET-05 給下一篇留下的問題也很直接：若一個普通人或家庭確實能取得並管理若干代理，且已掌握外部需求與成本證據，如何將單次成功案例組織為可維持的多代理家庭經濟？這是 AICET-06《家庭代理經濟與個體機構化》的工作。

參考文獻與研究來源

閱讀說明： [1]–[4] 為 AICET 先前系列內部概念稿，用以說明此研究的概念連續性；[5]–[17] 為可直接追溯的外部學術與官方資料。列入參考不代表作者認可本文提出之所有新定義或假說。公開來源截至 2026-10-27 核對；網站資訊後續可能更新。

1. Neo.K with GPT-6（2026）。《AI 網路居民與代理經濟入口》。AICET-01，EveMissLab，v0.1。檔名：AICET_01_AI網路居民與代理經濟入口_v0.1_2026-10-27.md。
2. Neo.K with GPT-6（2026）。《代理擴散的脈衝、文化分化與身份辨識》。AICET-02，EveMissLab，v0.1。檔名：AICET_02_代理擴散的脈衝文化分化與身份辨識_v0.1_2026-10-27.md。
3. Neo.K with GPT-6（2026）。《家庭智能資本與有效 AI 可達性》。AICET-03，EveMissLab，v0.1。檔名：AICET_03_家庭智能資本與有效AI可達性_v0.1_2026-10-27.md。
4. Neo.K with GPT-6（2026）。《代理承載、注意力與可治理產能》。AICET-04，EveMissLab，v0.1。檔名：AICET_04_代理承載注意力與可治理產能_v0.1_2026-10-27.md。
5. Noy, S., & Zhang, W. (2023). “Experimental evidence on the productivity effects of generative artificial intelligence.” Science, 381(6654), 187–192. DOI: 10.1126/science.adh2586。
6. Brynjolfsson, E., Li, D., & Raymond, L. (2025). “Generative AI at Work.” The Quarterly Journal of Economics, 140(2), 889–942. DOI: 10.1093/qje/qjae044。
7. Becker, J., Rush, N., Barnes, B., & Rein, D. (2025-07-10). “Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity.” METR. 原始研究報告。
8. Becker, J., Rush, N., Cunningham, T., Rein, D., & Mahamud, K. (2026-02-24). “We are Changing our Developer Productivity Experiment Design.” METR. 研究更新。
9. Cunningham, T., & Whitfill, P. (2026-05-08). “Task Substitution and Uplift.” METR. 研究說明。
10. Becker, J. (2026-05-11). “Measuring the Self-Reported Impact of Early-2026 AI on Technical Worker Productivity.” METR. 調查與限制。
11. Humlum, A., & Vestergaard, E. (2025; revised 2026-03). “Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI.” NBER Working Paper 33777. DOI: 10.3386/w33777。
12. Acemoglu, D. (2025). “The Simple Macroeconomics of AI.” Economic Policy, 40(121), 13–58. DOI: 10.1093/epolic/eiae042。
13. United Nations Statistics Division. (2025). System of National Accounts 2025. 聯合國國民經濟核算體系總入口。
14. National Institute of Standards and Technology (NIST). (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0), NIST AI 100-1. DOI: 10.6028/NIST.AI.100-1。
15. Autio, C., Schwartz, R., Dunietz, J., et al. (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, NIST AI 600-1. DOI: 10.6028/NIST.AI.600-1。
16. Federal Trade Commission (FTC). (2024-08-14). “Federal Trade Commission Announces Final Rule Banning Fake Reviews and Testimonials.” 官方公告。
17. Office of the Federal Register. (2024-08-22). “Trade Regulation Rule on the Use of Consumer Reviews and Testimonials,” 89 FR 68034, 16 CFR Part 465; effective 2024-10-21. 美國聯邦公報原始法規。

附錄 A｜研究口徑對照備忘錄

附錄 B｜正式實證之前的最小驗收清單

• 是否明確寫出受益主體、觀測期間、任務組合及授權範圍？
• 是否將開票、應計、實際收款與退款清楚區分？
• 是否能定位合法的外部需求、獨立付款來源與驗收證據？
• 是否保留失敗投標、退件、返工與完全無收入的代理工作案？
• 是否揭露模型、硬體、能源、工具、平台、獲客、人工與維護成本？
• 是否處理共同資產分攤、計費重複、匯率、稅費與觀測窗差異？
• 是否對內部 AI—AI 交易說明控制群、合併範圍與最終需求？
• 是否將省時、成本降低及非市場效益與現金收入分開？
• 是否對因果性「AI 帶來額外收入」提供可信反事實比較？
• 是否註明法域、平台規範、客戶隱私與欺瞞性活動排除條件？
• 是否提出可推翻假說的觀測結果，而不只是成功案例？
• 是否以版本化 UTF-8 Markdown 原始檔保存研究敘述、資料字典與審查限制？

全部勾選只代表研究設計或資料完整性有一定基礎，不代表該 AI 代理系統實際盈利，也不是會計師簽證、法律意見或已完成的實證驗證。

附錄 C｜研究狀態與後續對接

• 完成狀態： AICET-05 概念與方法原稿 v0.1 完成。
• 尚未完成： 代表性家庭樣本、實際外部交易資料收集、成本敏感度量測、長期收益追蹤與假說 H01–H12 的正式實證。
• 不得宣稱： 已證明普遍代理創收、已估出全球代理淨收益函數、已驗證特定家庭獲利、或已承認 AI 獨立法律人格。
• 研究接續： AICET-06《家庭代理經濟與個體機構化》。下一篇應建立家庭多代理組織形態，並將本篇的工作案與收支分類作為證據接口，而非重新把名義代理數當作家庭員工數。

Canonical source note： 本檔為 UTF-8 Markdown 正式原稿。聊天顯示介面僅供閱讀；後續修訂應直接修改原始檔，維持單一版本來源。本文未建立普適數學函數；日後若引入正式 LaTeX，僅使用 $...$ 與 $$...$$ 兩類 canonical delimiter，並在發布前獨立執行檢查。