AI 作為機器端需求入口：內容授權、資源調用與支付分層

從機器資訊需求、付費可行性與角色歸因，到 AI 原生資訊市場的非線性轉化

英文題名： AI as a Machine-Side Demand Gateway: Content Licensing, Resource Invocation, Layered Payments, and the Nonlinear Formation of Agentic Markets
研究系列：《AI 時代的網路資訊價值、注意力收斂與經濟世界域耦合》
系列篇號： 06 / 12
文件編號： EML-AIEC-2026-06
原始研究問題、經濟觀察與理論方向： Neo.K
AI 協作論證、形式化與資料核對： GPT-6（Aletheia）
機構： EveMissLab／一言諾科技有限公司
原稿日期： 2026-10-16（Asia/Taipei）
版本： v0.1
文件性質： AI 資訊經濟／授權市場／Agentic Commerce／多角色交易／條件性經濟模型與可反駁研究綱領
正本： Canonical UTF-8 Markdown；正式數學原始碼只使用 $...$ 及 $$...$$ 定界符
直接前置： AIEC Paper 01–05；EWDT-01、02、05、07、12、13、18、21；既有《AI 內容付費與網路民主化經濟》及 AICR／AICL 規格研究
研究狀態： 理論、形式模型、合約層次分析、可重算例子及實證設計完成；尚無可支持全球 AI 授權市場規模及採用率的代表性資料
證據截至： 2026-10-16；外部協議狀態依官方文件查閱，並與已實現的付費行為及未來推測嚴格區分

作者： Neo.K

摘要

隨生成式 AI 搜尋、檢索增強生成、訓練資料管線、企業 Agent 與多代理協作系統發展，網際網路開始出現愈來愈多不以人類點擊為主要目的的資訊取得與資源調用行為。這些活動可能消耗網站運算、網路頻寬、資料整理、內容驗證及授權治理資源；其中某些可能為 AI 系統帶來資訊效用、產品改進或可交易的服務價值。可是，機器端資訊需求的存在，既不自動等同於購買意願，也不等同於資料已被模型訓練、生成回答已引用來源，或內容所有者已取得收入。 同樣地，缺乏當期付款不能反推出資訊沒有被使用或未來沒有商業價值。

本文作為 AIEC 第六篇，將研究對象從第五篇的「企業如何在 AI 改寫注意力市場後調整廣告策略」，移至「AI 如何作為資訊與服務的功能性需求入口，並在何種條件下形成實際可交易市場」。其主要貢獻不是另訂 AI 內容權利協議，而是建立一個區分需求、授權、定價、預算、支付、結算與經濟受益的多層市場模型。本文將人類或企業的終端目的、AI 的直接執行、內容擁有者的資產權利、平台的交易路由、付款者的會計責任及最終受益者分開記錄，避免把所有 A2B／B2A 功能性交互誤寫成 AI 已取得獨立法律人格或財產權。

本文提出機器需求可支付化的條件模型。設某次合規取得資訊的預期增量任務價值為 $v$ ，內容取得價格為 $p$ ，其他必要費用（授權核對、驗證、搜尋、支付、整合與風險）合計為 $k$ 。在簡化風險中性的採購條件下，只有當 $v\ge p+k$ 且採購授權、付款能力及交付條件皆成立，該項內容取得才可能成為理性的付費選擇。由此可見，資訊具有正效用，並不推出其正價供給一定能成交：替代來源、現金流、支付摩擦、合法性守衛、品質不確定性及協議缺口均可能阻斷交易。

在一個可重算的均勻估值模型中，若買方對某項驗證資訊之增量估值分布於 $[0,V]$ ，單次內容價格為 $p$ ，買方非價格交易成本為 $\tau$ ，賣方單次交付邊際成本為 $c$ ，則簡化需求量為 $D(p)=N\max\{0,1-(p+\tau)/V\}$ 。在內部解且固定樣本、單一賣方、買方風險中性等限制下，營運毛利最大化的候選價格為 $p^*=(V-\tau+c)/2$ 。此數學例子顯示支付摩擦可能降低成交量及淨利，但不構成對現實 AI 網站內容的普遍定價建議。文章進一步比較免費取得、按次收費、批次結算、訂閱、企業資料授權、API 計費、署名交換、成果分潤及公共採購，指出它們的最適條件與福利效果均可能不同。

外部制度上，Cloudflare 的 Pay Per Crawl 仍屬封閉測試，針對合格機器爬取建立依請求付費的入口；RSL 1.0 是機器可讀授權語義標準；x402 提供程式化支付協議；Google AP2 著重授權委託與可驗證的行動；OpenAI／Stripe 的 Agentic Commerce Protocol（ACP）則面向商家、買家與 AI 代理完成交易。這些協議解決的問題不同，授權聲明不等於已付款、HTTP 402 回應不等於必然成交、Agent 觸發支付也不代表 Agent 自己是最終付款的法律主體。

本文提出十項可反駁假說與第一代資料字典，規劃在 2027–2028 年測試：內容稀缺性、品質與可驗證性是否比爬取量更能預測付費；交易手續費下降是否促進小額內容交易；訂閱與批次授權是否替代按次收費；平台集中如何影響內容方議價能力；機器使用者與付款者分離如何導致觀測偏差，以及 AI 資訊付費會否成為傳統廣告收入的互補來源。文章最後與既有《經濟世界域轉化論》（雲端原稿縮寫 EWDT）接軌，將 AI 付費市場理解為受歷史、權限、金融、服務品質與可行集合共同限制的候選經濟世界域轉化路徑，而非已完成的普遍市場事實。

核心命題： AI 形成資訊需求，與 AI 付費市場成熟之間，存在制度、驗證、可交易性及付款者意願等多重缺口；這些缺口可能因機器支付基礎設施而縮小，也可能因免費替代、集中採購或市場結構而長期存在。必須用交易紀錄及反事實研究識別實際結果，不能把任一平台的爬取量直接轉換成內容收入預測。

關鍵詞： AI 原生資訊經濟、機器端需求、AI 爬蟲、RAG、資料授權、微支付、Agentic Commerce、RSL、x402、AP2、ACP、Cloudflare Pay Per Crawl、B2A、C2A、B2B、交易歸因、定價摩擦、資訊價值、EWDT

0. 研究定位、證據種類與非主張

本文在本系列的角色，是為 Paper 02 的「爬取至付費」建立經濟交易層的細部條件，並為 Paper 07、08 的 9／16 功能性經濟關係矩陣準備資料類型。Paper 02 主要研究機器資訊活動的層級與 AIO／GEO 邊界；本文則專門研究何以某些資訊與服務進入付費市場、哪些仍停留在無償、補貼、公共或未完成交易狀態。

本篇聲明四類文字地位：

［E#］外部來源及現況： 學術論文、正式標準、官方產品／協議說明。它們能確認制度存在及局部設計，不能自動確認整體市場採用規模。
［I#］既有理論前置： EveMissLab 自有研究與 AIEC 已完成原稿。這些是理論及命名來源，不能冒充獨立外部驗證。
［P6-H#］本文候選假說： 有明示比較對象、期間與可反向證據的待驗證命題。
［SIM］數值與反例： 為證明存在性、說明條件及核驗代數而設計；不能視為企業或平台實測數據。

本文不主張：

所有 AI 爬蟲都應付款；
網站被爬取就產生必然的對價請求權；
所有公開資料都受同樣的著作權、契約或資料庫權保護；
robots.txt、RSL 或自訂授權聲明一旦發布，任何訪問者就一定受到相同法律效果約束；
Cloudflare Pay Per Crawl 已向所有網域普遍開放或已被所有 AI 業者採用；
HTTP 402 狀態碼可單獨構成全球一致的收款協議；
AI 的直接資訊使用等同 AI 具有獨立法律人格；
機器對機器有請求就代表有獨立最終需求者；
資訊使用價值越高，其成交價格必然越高；
技術支付摩擦下降，就一定增加內容作者的收益；
資料授權、內容引用、著作權授權、API 使用及購物代理結帳可視為單一產品；
支付筆數、調用筆數及 AI 服務營收可以直接加總成新增 GDP；
所有新式 AI 付費協議都能直接互通，或已具備相同的審核、退款與風險控制；
免費公開資訊一定沒有經濟價值；
高機器爬取量必然意味有可接受高價的 AI 買方；
EWDT 已由本文完成實證驗證，或 9／16 矩陣已窮盡世界經濟；
本篇是對任何內容、網站、平台或司法管轄區的具體法律意見或價格建議。

本篇的任務是辨認「可以成為機器付費市場」的條件，而不是把「可能變成市場」誤當作「市場已存在」。

1. 為什麼第五篇之後，必須研究機器端需求入口？

第五篇研究 AI 改造搜尋注意力之後，廣告主如何在防守與進攻之間調整支出。然而，即使某些內容網站的直接點擊減少，原始資料仍可能被搜尋、讀取、引用、整理、嵌入資料庫或作為 Agent 任務的一部分。這會造成兩個原本不必然同向的市場：

人類注意力市場： 人類看見哪個品牌、瀏覽哪個網站、在哪裡完成購買。
機器資訊供應市場： 機器取得何種資訊、從誰取得、基於什麼授權、是否支付取得或使用的成本。

兩個市場可以連動，但單位和會計歸屬不同。機器系統對專業資料的頻繁調用，不必然提高原始資料來源的人類知名度；人類在 AI 回答中得到高效服務，也不必然因此把金錢直接支付給來源出版者。

把這件事稱為「機器端需求入口」，並不是宣稱 AI 具有與人類等價的偏好人格，而是把 AI 當成可以辨識資訊需求、發起資源取得、執行委託並產生付款請求的功能性路由與執行角色。最終經濟需求可能源於個人、企業、政府或代理系統本身在既定組織預算中的任務目標。

因此本文研究的不是：

「AI 會不會變成新的消費者？」

而是更有可操作性的問題：

「當經濟需求由 AI 辨認、選擇或執行時，供應商如何與這個功能性需求入口形成合法、可驗證、可負擔、可結算的交換？」

這是未來 B2A、C2A、A2B、A2A 等分類可能擁有實質內容的前提，但這些功能關係的完整定義保留給第七篇。

2. 既有文獻與 2026 年制度現況：不是從零開始

2.1 數位資訊的低邊際成本與打包定價

Bakos 與 Brynjolfsson（1999）研究數位資訊商品的大規模打包，指出在邊際複製成本很低、買方對各內容品項的估值可平均化時，打包可能提高交易效率與利潤［E1］。這並不意味所有資訊都適合打包：若購買者只需要少量特定資料、品質差異巨大或更新時效極高，按次取得也可能有價值。

Hagiu 與 Wright（2015）研究多邊平台和垂直整合模式的經濟取捨，提醒我們不能把所有能協調買賣雙方的系統一律理解為中立市場［E2］。AI 內容交易可能經由搜尋平台、雲端 API 市集、模型平台或第三方授權商，各自保有不同的資料與議價權。

Bergemann、Bonatti 與 Gan（2022）研究社會資料的資訊外部性，指出個人資料對他人行為具有預測力時，資料中介的取得與銷售會牽涉跨主體外部性［E3］。這提醒我們：原始資料的經濟效用與其所有權、隱私、可交易性不必一致，對涉及個人資訊的 AI 授權尤其如此。

2.2 Cloudflare Pay Per Crawl：以取得行為形成計費入口

Cloudflare 官方目前將 Pay Per Crawl 列為 AI Crawl Control 的封閉測試功能。網站方可對指定的 AI 爬蟲採允許、封鎖或收費行動；合格爬蟲可在取得內容前經由支付要求與相關 HTTP 機制協調，並須滿足身分驗證等條件。Cloudflare 官方 FAQ 說明，收費針對成功的爬取請求，重複爬取亦可能重複計費，而某些必要的公開控制路徑不收費［E4］。

這是「可以依可辨認機器取得事件收款」的制度雛形，不是「已有大量網站實際賺錢」的數據，也不是「所有資料下游使用權都被一併授權」的證明。網站可能設定收費卻無 AI 業者願意購買，AI 也可能轉而使用免費替代來源或減少重複讀取。

2.3 RSL 1.0：授權語義不是自動扣款

Really Simple Licensing（RSL）1.0 在 2025-12-10 發布正式規格，提供機器可讀的使用、授權、支付與法律條件表達機制［E5］。其用途與傳統簡單的允許／禁止爬取不同，能描述 AI 訓練、輸入使用、署名、付費及其他授權語義。

RSL 的存在使內容方有機會表達更精細的權利條件，但規格符合性、合法同意、實際採用、使用追蹤和付款履行仍是不同問題。尤其在不同司法管轄區，著作權例外、資料庫權、契約成立方式及可執行性不能以一份技術描述一概解決。

2.4 x402：支付協議不等於著作權協議

x402 利用 HTTP 402 狀態及其擴充訊息建立程式化支付流程。官方 V2 文件描述了身分、API 自動發現、動態收款方與更具模組化的支付設計［E6］。但 RFC 9110 對 HTTP 402 本身仍僅將其列為保留供未來使用的狀態碼［E7］，不包含 x402 的特定付款標頭、資產類型、結算與商業契約。

因此：實作某個使用 HTTP 402 的支付流程，不保證相容所有其他使用 402 的系統；支付完成也不自行提供訓練授權、合法轉售、長期儲存或再分發權利。

2.5 Google AP2 與 OpenAI／Stripe ACP：委託授權和商業結帳是另一類問題

Google Agent Payments Protocol（AP2）描述使用者向 Agent 委託行動的 mandate、在可信表面批准授權，以及 Agent 在動作執行時呈交授權證明，讓驗證者可判定是否在授權範圍內［E8］。

OpenAI／Stripe 維護的 Agentic Commerce Protocol（ACP）則為商家、AI 代理與買家建立商品資料、結帳階段、訂單與支付路由的交互標準。官方文件顯示，ChatGPT 內部直接結帳功能限定獲批准的合作方，並由商家現有支付服務提供者處理金流；協議本身仍在演進［E9］。

兩者展示 Agent 可以在經過人類或組織授權的前提下發起經濟行動，但它們並不直接回答「某篇網站文章是否可用於模型訓練」，更不代表操作 Agent 自己擁有付款資產。

2.6 現況對照表

機制／協議	主要處理的問題	能直接證明什麼？	不能直接推出什麼？
Cloudflare Pay Per Crawl	合格爬蟲成功存取的收費控制	存在可依成功請求計費的產品機制；仍為封閉測試	全球 AI 爬取都要付費、所有被取得內容都形成訓練授權
RSL 1.0	機器可讀的內容授權與權利條件	有公開的授權語義規格	使用者必然同意、付款已發生、權利爭議已解決
x402	程式化支付與交易訊息	有支付技術協議可供實作	自動取得所有再利用權利、適用所有交易平台
AP2	授權委託、行動核驗與憑證	可表達人類／企業對 Agent 的操作授權	Agent 具有獨立人格或資產、買賣已完成
ACP	買方／商家／代理間商品與結帳流程	有 AI 代理參與商品交易的流程標準	所有內容授權可由購物流程替代、商家必定完成訂單
AICR／AICL（既有 EML 草案）	權利規則與授權／交易接口設計	存在自有協議草稿及設計方向	已有產業採納、與上述協議已完成互通認證

這六個設計方向不是互相排斥的單一協議競賽，也不能把它們合稱「AI 都已經開始普遍自動付款」。它們共同顯示身分、權利、交易與結算正在被拆分成可機器處理的制度部件。

3. 最小經濟本體：內容、任務、執行、權利與付款

本文以資源 $x$ 、買方任務 $q$ 、執行代理 $a$ 與時間 $t$ 作為最小描述單位。資源可為文章、研究資料、程式碼、驗證結果、資料庫查詢、API 回應、算力或其他服務；但不同資源仍需保留不同法律與使用類型。

區分五種事件類別：

需求事件（Need/Task）： 某個人或組織需要資訊或服務，或者某個授權 Agent 在任務中識別到新子需求。
取得事件（Acquisition）： 系統發送請求並可能成功取得特定版本的資源。
權利事件（Rights/License）： 系統獲知或取得足以支援特定用途的使用條件。
支付事件（Payment/Settlement）： 合法付款方支付費用，並有授權、收據及結算紀錄。
使用與結果事件（Use/Outcome）： 資源被納入具體任務、實際使用、產生可觀察結果或得到使用者評估。

它們的順序並非固定。例如企業可先年度購買資料庫授權，再讓 Agent 在幾個月內呼叫 API；免費開放資料也可以被合法使用而永遠沒有支付事件；部分重複內容會由本地快取提供，導致後續使用與新網站請求脫鉤。

為避免重複計數，至少區分三種識別子：

\mathrm{asset\_id},\qquad \mathrm{task\_id},\qquad \mathrm{transaction\_id}.

同一資源可能供多項任務使用；同一任務可能產生多次請求；多次請求可能落在同一個年度授權合約中。因而：

N_{request}\neq N_{resource}\neq N_{task}\neq N_{payment}.

單純把網域的訪客、爬蟲請求、資料條目或付款次數相加，不構成一個明確的 AI 資訊市場規模。

4. 五種經濟角色：不能把登入者、執行者與付款者當成一個主體

本文不強制把每個經濟事件分類成唯一的 B、C 或 A，而是先建立角色集合：

\mathcal R_e=\{s,u,a,p,b\},

其中：

$s$ ：資源供給者或合法權利提供者（supplier/rightsholder）；
$u$ ：終端任務委託者與授權者（principal/requester）；
$a$ ：執行搜尋、取得或採購的 AI／Agent（executor）；
$p$ ：對外付款及承擔結算責任者（payer）；
$b$ ：實際獲得結果利益者（beneficiary）。

五種是功能角色，而非一定五個不同個體。某企業可能同時為 $s$ 和 $p$ ；某個人也可以是 $u$ 和 $b$ ；AI Agent 可能只是 $a$ ，其付款預算來自企業 $p$ 。額外可註記平台、中介、授權審核方、驗證方、財務保管者與風險承擔方，但本篇先維持可觀測的最小角色集。

例如：某研究機構授權其研究 Agent 向一個數據供應商購買資料。功能路徑看似 B2A（供應商向 AI 提供資料）與 A2B（Agent 取得企業服務），但正式合約和款項結算仍可能是 B2B。若資料作者是個人，內容供給路徑可能被記成 C2A，授權付款仍可能是 C2B 的商業契約。

AI 直接使用資料，不表示它是法律上獨立的買方；具有付款憑證，不表示它對資金具有不受委託者約束的財產權。 後續 AIEC 07、08 才會正式展開 9／16 矩陣；本篇僅保留不混淆的角色接口。

5. 從機器需求訊號到可支付需求：六層分離

機器端資訊需求至少可以用六個不可相互替代的層次描述：

層次	最小判準	觀測證據	無法直接推論
需求訊號	系統嘗試取得某資源	經去重的請求及目的類型	成功取得或實際受益
有效取得	合法且技術上取得指定內容	成功回應、版本及內容完整性	一定被持續儲存或訓練
有用結果	資源改善某一任務	經控制的輸出品質、成功率或延遲	付款意願及付費能力
可授權供給	權利條件可辨且可履行	合約、授權紀錄、合規審查	一定有買方
可支付需求	買方預期增量價值覆蓋總取得成本	出價、成交意願、預算及替代資料	已完成結算
已實現交易	合法支付及交付成立	收據、對帳、退款狀態、權利範圍	遠期效益一定成立

這裡的「可支付」不是對 AI 主體性的哲學判定，而是指一項由 Agent 執行或誘發的資訊取得，是否能被某個負責支付的經濟主體合理購買。

本文將有效需求量表示為：

D_{eff}(p,t)=D_{intent}(t)\,\alpha_{accessible}\,\alpha_{license}\,\alpha_{budget}\,\alpha_{payment}\,\alpha_{delivery},

其中各個 $\alpha\in[0,1]$ 只在它們被定義為適當的條件通過率，且以鏈式條件機率順序估計時，乘積才有概率或數量上的明確意義。這些符號不是聲稱所有條件獨立；如採集實證資料，應使用各階段通過人次／交易數的條件比例，或者直接建立聯合事件模型。

簡言之：有讀取可能有價值，有價值可能有付費誘因，有付費誘因也仍未必完成交易。

6. 機器流量的正面資訊意義：不應被「尚未付款」抵消

從網站端看，即使當期營收為零，大量且持續的經驗證機器取得活動仍可能反映某種資訊需求。爬取活動需要真實頻寬、執行與排程成本；在預算受到約束的系統中，長期反覆分配資源到特定內容，通常值得研究其用途。

但應區分：

\mathrm{RequestVolume}\neq\mathrm{VerifiedUsefulAcquisition}.

同一頁面被重複請求、回應失敗、抓取機器人互相模仿、工具列舊資料或安全掃描，均可能提高請求數，卻不增加相應的內容需求。相反，某家 AI 公司可能一次購買整個高品質資料集，經由本地存儲反覆使用，令對原始網站的請求反而很低。

要研究機器需求的強度，建議至少將「經驗證的操作者數量、成功取得、有效資源多樣性、版本更新追蹤、重複率、請求用途、用途是否能歸因、後續回流」分開測量。若缺乏用途資訊，就把「用途未知」保留為獨立狀態，而不是推論為已訓練或已引用。

本篇保留前兩篇已建立的論點：爬取量具有非零資訊意義，但不能跳過權利、付款與使用的觀測缺口。

7. 需求不等於價值，價值不等於定價能力

經濟上可區分三個概念：

任務邊際價值： 特定資訊相較下一最佳可行替代品，實際改善多少決策結果。
付款意願： 買方在知道品質、權利與各項風險後，願意支付多少錢。
可實現價格： 交易機制、競爭及買方議價條件下真正成交的價格。

三者並不等同。某一開放科學資料庫對研究具有極高價值，但選擇公共授權，因此可能不以按次收費方式取得收入。某技術文件對企業極其重要，卻因免費替代來源充足而缺乏正價定價能力。某專業資料庫若包含時效性、可靠性與賠償機制，可能在較少呼叫下形成高額企業採購。

對買方任務 $q$ 及資料資源 $x$ ，定義增量價值：

\Delta v(x\mid q,\mathcal A)=V(q\mid x)-V(q\mid \mathcal A),

其中 $\mathcal A$ 是當期在預算、權利及時間約束下可行的替代資訊集合。若沒有給定 $\mathcal A$ ，就不能合理地把某項資源對完成任務的總貢獻全部歸屬給它。

此外，一個資源可能同時具備資訊外部性：免費公開能提高社會福利、培養新使用者或增加專業服務需求。有權收費、值得收費、能成功收費、從整體福利看應否收費，是四個不同問題。

8. 資訊交易的七個制度守衛

設資訊資源 $x$ 在時點 $t$ 的付費可交易性為：

\mathsf{Tradeable}(x,t)\in\{0,1\}.

第一代最低守衛為：

\mathsf{Tradeable}(x,t)=\prod_{j=1}^{7}g_j(x,t),\qquad g_j\in\{0,1\},

其中：

$g_1$ ：供應權利可核對；
$g_2$ ：被要求的使用用途在權利或例外條件下合法；
$g_3$ ：資料版本、品質與來源可被合理驗證；
$g_4$ ：內容及授權條件可在交易前被發現或協商；
$g_5$ ：買方及付款方具備可核實的授權、預算或付款權限；
$g_6$ ：存在可接受的交付與結算機制；
$g_7$ ：指定的使用、撤銷、記錄與責任條件可被合約及實務流程滿足。

乘積形式是必要條件式的理想化模型，不是宣稱每項法律與治理條件在現實中可由單一二元值決定。若任何硬性守衛失敗，應將交易分類為暫不可達、需另行協商、僅可免費使用或依法不得處理等不同情況，不可一概把未成交解讀為沒有價值。

這正與 EWDT-07 對「可生產的供給」和「真正可被存取、交付、結算的供給」之區分相呼應：資料存在於世界中，不代表在某個 Agent 的指定時間窗與權限邊界內，已成為有效供給。

9. 取得決策：增量資訊價值、價格與交易摩擦

9.1 最小採購條件

對獲得授權的代理 $a$ 、委託任務 $q$ 與候選資源 $x$ ，設：

$v_{aqx}$ ：取得 $x$ 相較可行替代來源的預期增量任務價值；
$p_x$ ：供應者提出的資源取得費或取得權價格；
$k_{search}$ ：找到與評估該資源的成本；
$k_{verify}$ ：驗證品質、來源、時效與內容完整性的成本；
$k_{license}$ ：授權審查與遵循成本；
$k_{pay}$ ：支付、換匯、身分驗證、稅務和對帳成本；
$k_{integrate}$ ：將資料轉成可用決策或產品的成本；
$\rho_{risk}$ ：以決策者可接受方法折算的預期錯誤、責任與風險損失。

定義：

K_{aqx}=k_{search}+k_{verify}+k_{license}+k_{pay}+k_{integrate}+\rho_{risk}.

最小採購條件為：

v_{aqx}\ge p_x+K_{aqx}.

若同時符合前節合法性守衛、付款預算上限及交付時間限制，則可把這筆資訊取得視為有經濟理由的候選採購。這不是充分成交條件，因為風險厭惡、組織採購政策、流動性、品牌信任與機會成本仍可能使授權人拒絕。

9.2 誰的估值？

$v_{aqx}$ 必須標示價值承擔者。AI Agent 的內部任務評分不必等於授權企業或個人的經濟效用。若 Agent 優化的是答案正確率，但企業在意的是責任風險與交付期限，兩者便可能對同一份資料給出不同估值。因此，可用兩個變量明確區分：

v_{agent}(x\mid q),\qquad v_{principal}(x\mid q).

付款決策應受合法付款者與委託者的授權規則約束，而非把模型的偏好評分當成自由處置資金的法源。

9.3 預算與期限守衛

若 Agent 只有 $B_a$ 可用預算、任務截止時間 $T_q$ ，且取得資訊需耗時 $\ell_x$ ，則還應滿足：

p_x+K_{aqx}\le B_a,

\ell_x\le T_q-t.

一份價格非常低但取得必須等待幾週的資料，對一個五分鐘內結束的代理任務可能完全沒有有效需求；一份昂貴但即時且可保證可靠的資料，對高風險專業決策可能更有吸引力。這些都是任務相對判斷，不能從網站流量直接推定。

10. 條件性定價模型：高資訊價值不等於零摩擦成交

10.1 模型假設

為展示「需求價值、交易摩擦及賣方成本」對價格的共同影響，本節建立刻意簡化的單一賣方模型［SIM］。模型假設：

指定期間存在 $N$ 個可獨立處理的候選買方任務；
每個任務只需評估一次指定資源，不含重複採購、訂閱或多個互補資料；
任務對該資源的增量估值 $v$ 在 $[0,V]$ 上均勻分布；
賣方提出一個共同價格 $p\ge0$ ；
買方除了價格之外還承擔固定非價格取得成本 $\tau\ge0$ ；
賣方每筆成功交付的邊際成本為 $c\ge0$ ，固定合規及系統支出為 $F\ge0$ ；
買方風險中性、估值可比較、資源合法且可交付；
不考慮需求外部性、免費替代、買方市場力、品質選擇及動態學習。

若 $p+\tau\le V$ ，買方採購機率為：

\Pr(v\ge p+\tau)=1-\frac{p+\tau}{V}.

因此需求量為：

D(p)=N\max\left\{0,1-\frac{p+\tau}{V}\right\},

但若 $p<0$ 不在本模型的允許區間，則須另外設計補貼或負價合約。

10.2 賣方利潤與候選最適價格

在 $0\le p\le V-\tau$ 的有效需求區間，淨經營貢獻為：

\Pi(p)=(p-c)N\left(1-\frac{p+\tau}{V}\right)-F.

對 $p$ 微分：

\frac{d\Pi}{dp}=N\left[1-\frac{2p+\tau-c}{V}\right].

二階導數：

\frac{d^2\Pi}{dp^2}=-\frac{2N}{V}<0.

因此在固定 $N>0$ 、 $V>0$ ，且 $c\le V-\tau$ 的可行內部情境中，最大化的候選價格為：

p^*=\frac{V-\tau+c}{2}.

相應成交量與固定成本前貢獻為：

D(p^*)=\frac{N(V-\tau-c)}{2V},

\Pi(p^*)+F=\frac{N(V-\tau-c)^2}{4V}.

若 $V-\tau<c$ ，則沒有能同時覆蓋交易成本與賣方邊際成本的正毛利成交；在本模型下，停止提供付費交易或改變市場設計可能優於繼續按次虧損交付。固定成本 $F$ 也可能使最適價格下的整體經營貢獻仍為負。

推導的精確地位： 這是單一資源、均勻估值、無競爭與無權利外部性的條件模型，不能視為任何平台的真實 AI 資料需求函數，也不能拿來直接估算某個網域的內容定價。

10.3 一組可重算數值［SIM］

設候選任務 $N=10{,}000$ ，增量估值上限 $V=0.20$ USD，每次交付邊際成本 $c=0.02$ USD，固定成本 $F=100$ USD。

情境 A：每次非價格取得成本 $\tau=0.01$ USD，則：

p_A^*=(0.20-0.01+0.02)/2=0.105,

D_A=10{,}000\times\left(1-\frac{0.105+0.01}{0.20}\right)=4{,}250,

\Pi_A=(0.105-0.02)\times4{,}250-100=261.25.

情境 B：非價格取得成本提高至 $\tau=0.06$ USD，則：

p_B^*=(0.20-0.06+0.02)/2=0.08,

D_B=10{,}000\times\left(1-\frac{0.08+0.06}{0.20}\right)=3{,}000,

\Pi_B=(0.08-0.02)\times3{,}000-100=80.

模型數值	情境 A：低摩擦	情境 B：高摩擦
買方非價格取得成本 $\tau$	USD 0.01	USD 0.06
最適候選內容價格 $p^*$	USD 0.105	USD 0.08
成交任務數 $D$	4,250	3,000
賣方營運貢獻 $\Pi$	USD 261.25	USD 80.00

這組例子展示：即使內容估值分布與賣方品質完全不變，單是付款、合法性、核驗與整合摩擦上升，也可能讓成交數、單價及賣方收益同時下降。但在價格隨交易成本內生調整的其他分布或競爭情境中，方向未必相同。

11. 小額支付困境：支付可實現，不等於逐請求付費有效率

11.1 固定支付摩擦的比例問題

設一筆獨立內容取得價格 $p$ 、單次支付固定成本 $f_0$ 、變動成本率 $f_1$ 、其他驗證與會計成本 $h$ 。單筆總支付附帶成本為：

K_{pay}=f_0+f_1p+h.

當 $p$ 很小而 $f_0+h$ 無法等比例降低時，支付摩擦相對價格的比重為：

\omega(p)=\frac{f_0+f_1p+h}{p},\qquad p>0.

若 $p\to0^+$ 且 $f_0+h>0$ ，則 $\omega(p)\to\infty$ 。因此資料單次價格愈細，不代表總交易成本愈接近零。即使區塊鏈或 HTTP 協議降低部分付款成本，身分、權利審查、退款、異常使用與行政對帳仍可能存在。

11.2 批次結算的條件式優勢

對 $n$ 次內容使用，每次價格為 $p_j$ ，若逐次處理需固定成本 $f_0$ ，總支付固定成本為 $nf_0$ ；若可以合法地先累積請求、再依同一合約統一結算，固定成本可能降為 $f_0$ ，理想化節省：

\Delta K_{batch}=(n-1)f_0.

但批次清算可能新增：信用風險、平台違約、額度控制、退費、合約管理與跨期資金成本。正確比較是：

K_{batch}^{total}<K_{percall}^{total}\;?

而不是只比較鏈上網路手續費。

11.3 先付費、後使用：何以請求數可能下降？

訂閱或企業資料授權可能採年度付款，買方在授權期間無須每次調用都新建立一次付款交易。這表示：

\mathrm{LicenseRevenue}>0 \quad\not\Rightarrow\quad \mathrm{PerCallPaymentCount}>0.

反過來，一次內容請求若觸發多層代理呼叫或失敗重試，亦不等於多次新的內容授權。付款事件和使用事件既可一對多，也可多對一。

12. 內容市場定價方式：至少九種不同機制

與其把所有 AI 內容付費視為「每次爬取收多少錢」，更合理的第一代分類是：

模式	付款依據	適合條件	主要限制
免費公開／開放授權	不以直接內容費用為核心	公共知識、開源、學術交流、品牌擴散	權利聲明、維運資源、濫用治理仍需處理
廣告／贊助交叉補貼	注意力、贊助合約或轉換	有人類展示或可辨商業互動	機器直接消費可能削弱人類曝光回流
按成功存取次數	可計費的合格資源取得	可驗證的機器入口、穩定單位價格	代理快取、重取、反作弊及低價摩擦
按量 API 使用	呼叫、資料筆數、查詢額度或算力	結構化、即時、可用性可衡量的服務	指標設計及供應商鎖定風險
訂閱／席次制	時間窗、容量、使用門檻	高頻、需求穩定、易協調的買方	低使用率、流量尖峰與公平性
大宗資料授權	資料集、時期、用途與組織範圍	資料品質明確、企業採購、訓練集供給	一次性交付之後如何追蹤用途與版本
按用途／生成或推論收費	下游被批准的使用次數或類型	權利可追蹤、用途可審核的合作網絡	因果歸屬、可審計性與跨平台履行難
成交佣金／成果分潤	已核驗的採購、成交或成果	Agent 商務、可觀察終端成果	哪一來源帶來增量成果可能很難歸因
公共基金／採購／集體授權	公部門、產業或共同體合約	公共利益、集體談判、低單位交易效率	治理成本、搭便車、代表性與資金分配

「分級授權」不是把每一筆免費瀏覽立刻變成收費，而是依內容類型、用途、權利及買方條件，決定適合的制度路徑。某站點可以同時提供免費摘要、付費高品質 API、禁止特定訓練用途，以及企業洽談的完整資料庫授權。這不代表各層權利能被任意重複收費；是否重疊必須看合約與既有權利範圍。

13. 打包、訂閱與按次交易的非單調選擇

13.1 簡單的買方比較

對需要 $m$ 項資源的 Agent 任務，若第 $j$ 項價值為 $v_j$ 、價格為 $p_j$ ，單次取得總摩擦為 $\tau_j$ ，則逐項方案淨利益概念上為：

U_{call}=\sum_{j=1}^{m}(v_j-p_j-\tau_j),

前提是這些價值可近似相加且沒有重複資料或互補效應。

若供應商提供一個合法可用的資源包，打包價為 $P$ ，額外整合成本為 $\tau_B$ ，買方對整包的真實任務價值為 $V_B$ ，則：

U_{bundle}=V_B-P-\tau_B.

買方不應把整包數千篇文件的名義價格或全文長度當成任務價值；若只有三篇被使用，長尾內容可能沒有正增量價值。相反，在研究任務需要廣泛搜尋但不能預先知道哪篇重要時，完整資料庫的可探索性及可靠性可能構成獨立價值。

13.2 區分買方福利與賣方利潤

資訊打包可能降低逐筆支付摩擦、便利採購，也可能讓內容方透過組合定價取得更多收入［E1］。但買方剩餘、社會福利與某一供應商的利潤不是同一變數。打包也可能對只需要少量特定內容的買方造成無效購買，或者透過採購鎖定提高未來轉換成本。

因此：

\mathrm{LowerTransactionCount}\not\Rightarrow\mathrm{LowerSocialCost},

\mathrm{HigherSellerRevenue}\not\Rightarrow\mathrm{HigherBuyerWelfare}.

兩者需要用不同的交易與福利模型評估。

14. 開放與收費不是只有二選一：內容方的部分揭露策略

設內容方可選擇可合法公開存取比例 $g\in[0,1]$ ，其餘依合約提供付費服務。概念性收益函數：

\Pi_s(g,p)=(p-c)Q_{paid}(g,p)+B_{ref}(g)+B_{network}(g)-F-K_{governance}(g,p).

其中：

$Q_{paid}(g,p)$ ：付費內容或服務成交量；
$B_{ref}(g)$ ：免費展示帶來的合格轉介、品牌或其他可辨經濟利益；
$B_{network}(g)$ ：公開資料對生態系、標準採用與未來合作的效用；
$K_{governance}$ ：發布、權利審核、身分驗證與收費管理成本。

公開更多內容可能提高機器可發現性、引用機會及品牌觸及；同時也可能使付費版本更容易被免費替代。反過來，過度封鎖可能保護高價值資源的授權，但也可能使潛在買方永遠無法知道該資源存在。

所以最佳 $g$ 不一定是 $0$ 或 $1$ ；但存在內部最適點亦非一般定理，還需要指定 $Q_{paid},B_{ref},B_{network},K_{governance}$ 的具體形式及可行約束。對公共利益內容，甚至可能刻意選擇 $g=1$ ，將最大化知識傳播而非銷售收入作為目的。

15. 收費目的與用途權利必須分開：一次存取不等於全套權利

對一項資源，至少區分以下用途權利：閱讀與瀏覽、搜尋索引、短期檢索增強、摘要與引用、長期資料儲存、模型訓練或微調、衍生內容商業使用、再分發、重新出售與第三方轉授權。

將某一合約記為 $L$ ，權利集合為：

\mathcal U(L)=\{u_1,u_2,\ldots,u_k\}.

付款 $P(L)$ 成立僅表示買方依相應契約取得 $\mathcal U(L)$ 中明確授予的用途，或依法本來具有的其他使用權利。不得從：

\mathrm{PaidAccess}=1

直接推出：

\mathrm{UnlimitedTrainingOrRedistribution}=1.

同樣地，許多法律體系存在例外、公共領域、合理使用或相似制度，某些用途是否需要個別授權不能由網站單方宣告在所有地區統一決定。本文不作跨國法律結果的確定判斷。

RSL 是描述用途條件的標準；AICR／AICL 已經提出自有的內容權利、授權及支付接口草案［I6］。本篇只借用「用途須型別化」的經濟概念，不重新編寫授權 XML、簽章、API 參數、合約條款或價格表，也不宣稱自有草案已通過第三方互通認證。

16. AI Agent 的經濟位置：執行採購不等於形成獨立最終需求

考慮四種互不相同的情況：

人類主導： 個人明確要求 Agent 購買某篇資料，Agent 僅執行指定步驟。
授權代理： 個人設定資料品質要求與總預算，Agent 在授權範圍內自行選擇供應商。
企業部署： 企業在既定合約及 API 額度下執行 Agent 任務；Agent 自動配額但法律付款者是企業。
跨 Agent 委託： 一個 Agent 委託另一個 Agent 完成驗證、計算或搜尋，再交付共同結果；付款與責任可能由上游委託者或營運機構承擔。

這四種都可能包含 AI 參與。但第四種不必然意味存在兩個獨立的最終經濟需求者，因為同一人類任務可拆成大量機器間子任務。

《人工行動者政治經濟總論》曾區分「AI 使用市場」與「AI 形成需求」，並要求分析資源選擇、配置、承諾與責任等制度條件［I7］。本篇維持這一邊界：AI 發起 API 呼叫只是行為；AI 能在授權範圍內決定資源配置是更強的經濟功能；是否形成獨立法律主體是另外的制度問題。

現有支付協議可支援受委託代理進行商業行動；不應由此直接推出 AI 已取得法律人格，亦不必等待完整人工人格制度出現才可研究 Agentic Commerce。

17. 交易、成本、剩餘與 GDP：必須避免中介交易重複計數

17.1 一條資訊鏈上可以有多次支付

假設某公司付費給 AI 平台完成一項分析，AI 平台再支付給資料服務、驗證 API 與算力供應商，最後交付報告給人類。整條鏈可能涉及多筆真實交易：

委託者向 AI 平台支付服務費；
AI 平台向資料供應商支付取得或授權費；
AI 平台向另一個 Agent／API 支付驗證費；
AI 平台向算力供應商支付運算費。

這些支付不必然是四份可以直接相加的最終產出。前面三種可能是下游服務的中間投入，資料授權也可能是跨期資產或持續服務的合約。若要研究 GDP 應依各國國民帳會計制度處理中間消費、產值、增值與權利交易，不能把 Agent 交易筆數簡單加總。

17.2 名義付費與淨新增價值

設最終任務經濟價值為 $V_f$ ，新 AI 方案交付所需外部付款為 $C_{ext}$ ，既有人工方案的可比較總成本為 $C_{base}$ 。以反事實比較得到的任務成本節省概念上為：

\Delta C=C_{base}-C_{ext},

但它可能來自既有就業與平台收入的轉移，未必全部是社會總福利淨增量。若新 AI 服務額外提高品質或建立新的可行任務，應將品質改善與新增需求分別測量。

對資料供應商而言，營收收入也是轉移支付；對買方而言，資料可能是真實生產投入。兩者可以同時具有經濟意義，卻不能在總體經濟核算時混淆。

17.3 內容使用不是無限次新產出

一份資料被同一模型在千次查詢中引用，並不意味內容創作者新增產出一千份不同的完整資料商品；但若授權契約約定按使用計費，仍可能有千次合約計價事件。

所以須分離：

\mathrm{EconomicUseCount},\qquad \mathrm{PaymentCount},\qquad \mathrm{NewValueAdded}.

它們各自回答不同問題，不能互為簡便代理指標。

18. 資訊有價值卻未產生收入：五條相反機制

18.1 免費替代與價格競爭

即使一篇專業文章對 AI 完成任務具有正面價值，買方也可能從其他合法、足以替代的免費來源取得資訊。當買方比較的是增量價值而非絕對內容品質，正價供給可能無成交。

18.2 快取、重用與資料中介

買方一次合法下載資料集後，後續檢索可在本地完成。原始網站的請求數下降，既可能表示需求消失，也可能表示採購變成集中式資料供應鏈。反過來，過度頻繁請求也不必然意味存在更多不同的受益任務。

18.3 收費阻斷探索

若資料供應商連目錄、摘要、品質證明或授權條件都不揭露，買方可能無法判斷值得付款，形成「先要付款才知道資料有價值」的探索瓶頸。這使機器可發現性與付費可行性可能呈互補關係，而不是互斥關係。

18.4 買方集中與議價權

大型 AI 平台可能以集中採購、長期授權或自建替代資料管線取得成本優勢；小型內容供應商即使有資訊價值，仍可能無法單獨取得理想價格。另一方面，若某資料高度稀缺、可驗證且不可替代，小供應商也可能具有專業市場議價能力。兩者必須依資料類別與買方競爭測量。

18.5 公共利益與創作者偏好

有些研究者或機構選擇免費公開內容，因為他們的目標是普及知識、促進公共研究、建立互通標準或滿足非金錢目的。因此低收費率或零營收不一定代表市場失靈，也可能是經濟主體自主選擇的結果。

本節的核心限制： 「有人讀，就應有人付」不是本文自動接受的推理前提；真正要研究的是合法權利、社會福利、替代成本與自願交易如何互相作用。

19. 平台中介與收益分配：哪一個節點掌握 AI 資訊交易？

AI 資訊市場可能有至少四種組織形態：

直接交易： 內容方直接出售 API、資料集或授權給企業／研究者，Agent 僅負責在合約內使用。
平台中介： 雲端、搜尋或模型平台提供資料探索、身分、權利條件、計費與對帳，抽取服務費或交易佣金。
集體授權： 多個內容方經共同授權組織與買方協商條件，再按可稽核規則分配收入。
垂直整合： 資料、模型、Agent、交易介面與結算基礎設施由同一組織或企業網路控制。

從 EWDT-13 的中觀路由觀點，平台價值不只在擁有內容，也可能在掌握誰可以被找到、誰可以交易、誰能核驗、誰收到款項及誰可以退出。這些權限既可能降低碎片化市場的搜尋與交易成本，也可能創造新的市場集中和依賴。

對某項已完成的內容交易，設買方付款 $p$ 、平台服務費 $f$ 、其他依法應支付的共同授權分配 $r$ 、供應商可計量的交付成本 $c$ ，則在簡化且無重複會計項的條件下：

\pi_{supplier}=p-f-r-c.

其中若 $r$ 是包含在 $f$ 內的代收代付項、或授權權利本來由多方共有，就必須依實際清算契約修正分解，不應重複扣除。平台營收可以增加，但供應商淨額不一定增加；反過來，平台降低交易摩擦也可能讓供應商成交量提高。

因此內容方的議價權應至少由：替代來源、資料可靠性、獨特性、更新頻率、出處可驗證性、權利清晰度、買方集中度、退出成本與可直接接觸買方的能力共同評估。

20. 一個低價大量請求的反直覺算例

20.1 高機器流量不一定形成高內容收入［SIM］

假設某網站在指定觀測月中，共有 1,200,000 次已先排除明顯無效請求的機器取得事件。這是假設值，並非 EveMissLab 或任何真實網站的後台數字。

經用途、資源權利、機器身分與重複取得審查後，只有 20% 屬於可啟動付費邀約的合格事件；在受測價格下，僅有 15% 被獲授權買方接受付款；每次價格設定為 USD 0.005。若每次成功付款皆能被唯一計數，則：

N_{eligible}=1{,}200{,}000\times0.20=240{,}000,

N_{paid}=240{,}000\times0.15=36{,}000,

R_{gross}=36{,}000\times0.005=180\ \mathrm{USD}.

若此期間為提供收費能力而實際增加的合約／驗證／對帳／平台費用及維護成本合計 USD 220，則簡化的淨差額為：

\Delta\Pi=180-220=-40\ \mathrm{USD}.

這個例子證明：高取得事件數與技術上能收費，不保證供應方會在任何收費價格或制度下獲利。 同時，若採用更高單價、較低摩擦、較高成交率、批次授權或建立不可替代的資料服務，結論可能改變。

20.2 小流量高授權價值的反例［SIM］

另有一個專業資料庫，每月只有 500 次網站外部內容請求，但有兩間機構各自簽訂年度 12,000 USD 的合法授權。則內容授權合約名義年收入為：

R_{annual}=2\times12{,}000=24{,}000\ \mathrm{USD}.

這並非該資料庫已實際獲利，也不代表所有年度收入應在當月確認；它只展示：低爬取量和高合約授權收入可以同時成立。採用與價值計量須依合約、使用行為和會計期間分別處理。

20.3 觀測含義

不能用「每千次 AI 流量可賺 X 元」跨網站外推，除非至少具備：相同的合格請求定義、付費接受率、重試處理、用途、權利範圍、收款成本及買方結構。尤其 Cloudflare 統計中的不重複訪客，不能直接取代合格可計費請求量。

21. AI 付費的雙向回饋：可能改善市場，也可能壓縮市場

21.1 正向路徑：付費增加上游供給誘因

在其他條件相近時，可預期收入可能提高專業資料庫持續維護、驗證、更新及新內容生產的誘因。AI 機器存取的部分成本因此由下游使用者或受益機構承擔，而不是全部由內容端交叉補貼。若收入真正回流具有增量價值的供給者，就可能形成較穩定的上游資訊再生產循環。

但這仍需驗證：資金究竟流向內容作者、平台、權利集團、服務商還是稀缺的專業資料提供者？提高內容支付並不自動改善所有作者的經濟處境。

21.2 負向路徑：收費使知識取得退化

當機器檢索需要大量低價格值、異質且未知的來源時，逐站審核和支付可能使搜尋成本過高，迫使 Agent 只訪問少數已簽約的資料庫。若缺少小型獨立來源、反證資料及公共研究，AI 的可見資料分布可能變得更加集中。

這裡有一個值得與 OWER-02「局部注意力收斂與全域認識失真」接軌的可能性：付費門檻若使 Agent 越來越依賴少數長期授權來源，即使每個來源本身可靠，整體觀測覆蓋仍可能下降。 這是假說，不是已觀測的普遍結果。

21.3 自我實現與自我否定

當內容方相信 AI 付費必然普及，可能提高封鎖與收費比例；AI 業者因此改用少數授權資料、公開替代內容或新資料生成技術，反過來使部分內容方預期的付費需求無法實現。另一條路徑則是明確授權促成商業採購，增加專業內容投資。

同一制度干預可能透過買方反應產生不同均衡，不能只從單方「希望收費」的意願推估市場結果。

22. 十項可反駁研究假說

以下假說皆是候選機制，不是已經成立的經驗定律。每項應於取得觀測資料前預先指定市場、內容類型、比較期間及統計檢定方法。

P6-H1｜實質合格取得比原始機器請求更能預測有效採購

候選命題： 在控制網站規模、內容類型、更新頻率及 AI 業者身份後，合格成功取得、資源多樣性及驗證內容完整性，比原始請求總數更能預測後續付費意願或明確企業詢價。

支持訊號： 去除重試、錯誤及重複後的有效取得指標，對未來授權洽談或付費事件有較高的外部樣本預測力。反向證據： 原始請求量持續且穩定具有同等或更高的預測力；或者兩者對成交都沒有可偵測關係。主要混淆： 爬蟲排程、站點流行度、付費牆設定及資料是否可見。

P6-H2｜內容的可驗證性與獨特性可提高正價需求，但非充分條件

候選命題： 在同類資料的可比較買方中，有明確出處、更新承諾及可重現品質驗證的資訊，可能有較高的購買接受率。

支持訊號： 隨機展示品質證明或來源透明度提高轉換。反向證據： 在統計功效足夠的測試中沒有提高接受率，或降低成交率。限制： 品質證明可能降低買方不確定性，但沒有解除支付預算及替代來源限制。

P6-H3｜固定交易成本下降會促進一部分小額資訊成交

候選命題： 對高使用頻率、低單價且原本受支付固定成本阻斷的內容，可信賴批次結算或低固定費支付機制可提高淨成交數。

支持訊號： 在相同價格、品質和授權條件下，降低每筆行政成本提高完成率及買方淨效益。反向證據： 僅增加技術請求而未增加合法淨成交；或新增風險管理成本完全抵消節省。限制： 不推論每一類資料都偏好按次收費。

P6-H4｜訂閱與批次授權對高頻穩定需求具有替代效果

候選命題： 對需求可預測、每月重複使用同一類資料的企業客戶，訂閱／批次授權相對單次支付可降低總交易成本並增加合規使用。

支持訊號： 相同有效資料單位下，每單位合規取得的支付及審查成本下降。反向證據： 訂閱閒置、鎖定與合規成本高於按次方案。限制： 非所有任務適合包月、預付或數據打包。

P6-H5｜AI 功能性交互與法定付款者的錯位會使統計發生偏差

候選命題： 只以機器 User-Agent 或登入帳號分類交易，會系統性漏掉透過人類帳號被授權的代理活動，或誤把企業 B2B 合約歸類為獨立 A2B 金流。

支持訊號： 經明確授權的參與方提供可信執行紀錄後，可在不改變總支付金額的情況下重新分配功能活動類別。反向證據： 單一既有身分欄位已充分解釋執行角色與付款歸屬。倫理條件： 研究不得要求破解服務防護或蒐集未經授權的個人身分資料。

P6-H6｜買方集中度可能壓縮部分內容供應商的價格實現

候選命題： 若同類內容有眾多供給者而少數大型 AI 買方占據需求，供應方成交價或淨收益可能低於競爭性買方較多的市場。

支持訊號： 控制內容品質與用途後，買方集中度上升伴隨供應商淨議價能力下降。反向證據： 採購集中反而藉降低交易成本提高單位供應方收益，或沒有顯著關聯。限制： 強議價供應方與獨家資料可能反向改變結果。

P6-H7｜付費授權可能與免費曝光呈互補而非完全替代

候選命題： 保留可搜尋的免費目錄、摘要或品質示範，可能提高企業對付費完整資料的發現與採購。

支持訊號： 隨機揭露少量權利安全的摘要使合法付費合約詢價增加。反向證據： 免費摘要足以替代付費內容，轉換下降且沒有其他補償。限制： 必須遵守原有來源使用權和不侵犯第三方隱私。

P6-H8｜按次收費增加的收入可能不等於內容創作者淨所得增加

候選命題： 在中介費、審查、退款和授權歸屬存在時，平台總收款增長可能未等比例傳導到內容作者或資料維護者。

支持訊號： 經去重對帳，淨分配額對毛收款的彈性小於一，且成本不可忽略。反向證據： 透明、低費且競爭的中介使增量收入幾乎全部回到上游供給者。限制： 不將平台成本一律視為無價值的抽成。

P6-H9｜收費門檻可能降低資訊覆蓋，形成品質與多樣性的雙向影響

候選命題： 在未做好跨源授權聚合時，將大量原本免費可取得的來源改為逐次收費，可能減少 Agent 使用的不同來源數；但提高來源品質也可能改善單一任務結果。

支持訊號： 收費導入後來源多樣性下降、偏誤或反證覆蓋率出現變化。反向證據： 更佳的授權發現與支付基礎設施維持或增加多樣性。限制： 不以來源數量直接代表研究品質。

P6-H10｜AI 內容付費的有效模式具有明顯領域異質性

候選命題： 對專業、時效敏感、可驗證與低替代資料，按用途授權或 API 服務可能較有市場；對公益常識及高度可替代內容，免費及間接資助可能持續具有相對優勢。

支持訊號： 跨領域採購採用、價格及淨效益有可重現的系統性差異。反向證據： 控制品質、法律與買方規模後差異不顯著，或單一制度在多領域呈穩定優勢。限制： 分類是可檢驗的候選機制，不能成為任何案例的事後萬用解釋。

23. 2027–2028 年的第一代實證研究計畫

23.1 研究單位與抽樣

建議至少採三種主要研究單位：

來源—日／週面板： 站點或資料庫的有效取得、機器分類、內容更新、權利與價格改動；
買方—資源任務面板： 在得到買方合作或合法資料授權前提下，記錄買方需求、替代來源、採購決策及使用結果；
交易—合約面板： 可去重的授權、付款、退款、服務期限、實際使用與會計分配資料。

對跨國比較另須指定法律適用範圍、貨幣和物價基準、支付工具可得性、資料類型與使用期限；不能把一個地區的內容授權方式直接假定適用全球。

23.2 三組最低比較

比較 A：免費可得與正價取得。 使用明確有權授權的內容，且在不破壞既有用戶合法利益下，隨機調整部分非必要資料的價格或付費提示；評估有效請求、成交與下游任務結果。

比較 B：按次計費與批次結算。 在取得買方充分同意後，以可比較的總價、品質、資源期限對照兩種支付機制，觀察行政成本及合法交易完成率。

比較 C：無品質證明與可核驗品質證明。 保持內容相同，隨機提供來源版本、引用、更新保證等驗證資訊，檢視買方願付價格是否增加。不能用會誤導的虛假保證進行實驗。

23.3 因果識別與市場干擾

網站啟用新收費工具後，機器請求改變可能與產品更新、節日、媒體曝光、競爭者封鎖、經濟景氣或 AI 業者模型改版同時發生。單一前後差異不能識別全部因果。

優先考慮在合法且不損害既有權利的前提下，採用分階段開放、可控的隨機價格、鼓勵試驗，並在可行時以差分法分析自然導入；清楚標示並行趨勢和溢出效應。若同一 AI 買方在不同網站之間替代資料來源，站點級 A/B 測試存在跨站干擾，不能假設處理組與控制組互不影響。

必要時以時間序列與多市場事件研究檢視更長的資料採用路徑，但不得以任意延長時間窗取消對假說的反證責任。

23.4 最小成果報告

研究應同時報告：

機器取得需求：有效合格取得量、獨立資源覆蓋、去重及失敗率；
買方行為：發現、詢價、接受、付款、退款、繞行合法替代來源及退出；
供應方經濟：毛收款、淨收款、維護成本、授權違約風險及新作品再投資；
社會效果：資料多樣性、內容品質、公共利益資訊可及性及買方福利；
平台角色：中介費率、准入規則、身分服務、付款集中度及跨平台可攜性。

上述指標不能只選對有利敘事的項目報告。若付款收入提高但資訊取得覆蓋下降，也應共同呈現。

24. 最低資料字典與證據等級

以下為可供未來研究實作的最小 schema 設計，不代表要求任何網站無限制蒐集識別資料，也不是已完成的正式協議規格。

欄位群	示範欄位	研究用途	資料保護邊界
觀測識別	`event_id`, `timestamp`, `event_type`	追蹤因果事件序列	以最少必要資料維持可稽核性
內容資源	`asset_id`, `asset_version`, `content_hash`	區分不同資產與版本	避免直接保存受保護全文作為日誌
任務與操作	`task_id`, `request_id`, `executor_class`	分開任務、請求與執行者	不得僅靠 IP／UA 推定真人或機器
經濟角色	`supplier_role`, `principal_role`, `payer_role`, `beneficiary_role`	法律付款者與功能使用者分離	個人角色應採授權、聚合或去識別化
取得狀態	`http_status`, `content_complete`, `verified_bot`, `cache_status`	清除失敗、重試與快取錯配	機器身份有未知類別
權利授權	`license_id`, `permitted_use`, `expiry`, `withdrawal_status`	查核用途與權利期限	合約不應由系統推定為永久有效
價格交易	`quoted_price`, `currency`, `accepted_price`, `payment_id`	價格到成交轉換	輸出研究資料避免暴露完整支付憑證
結算分配	`gross_amount`, `platform_fee`, `refund`, `net_supplier`	分離毛額與供應商淨額	依會計和隱私規範處理
下游結果	`usage_type`, `task_outcome`, `quality_metric`	區分付費與實際增益	不要求 AI 業者洩漏未授權內部秘密
不確定性	`attribution_confidence`, `unknown_reason`	保留無法歸因部分	不把未知強制轉成人類／AI 二值

研究中的證據亦建議分級：

L0：表面訊號。 IP、UA、流量、外部搜尋結果；僅供初篩。
L1：驗證取得。 可辨合法操作者與成功取得的版本；仍未必證明用途。
L2：授權與明確買方意圖。 合約邀約、購買意願或委託權限；不等於完成付款。
L3：交易閉合。 款項、交付、收據及退款狀態能對帳。
L4：經濟效果。 經比較基準、任務增益及成本歸因驗證後的淨經濟效果。

分級是資料證據的強弱，不是由低到高必然發生的生命週期。例如企業一次性年授權可以先完成 L3，再逐步累積許多 L1 使用事件；它們不應被強制按照同一流水線記錄。

25. EWDT 的正式接口與跨篇章邊界

《經濟世界域轉化論》原稿以一個經濟世界狀態 $\mathfrak W_t$ 來保存對象、關係、型別、合法性、歷史、可行集合、意圖與觀測投影。本文不是新增一個取代它的母理論，而是將「AI 機器端資訊需求」作為某些經濟世界狀態中的新增或強化關係，並觀察其是否真正形成可實現的交易。

EWDT-01／02： 已有世界狀態及觀測投影。機器請求、授權收據及企業年約是不同投影；單一指標不代表完整經濟實況［I1］。
EWDT-05／07： 需求可能來自任務依賴、供應鏈標準、授權義務與制度條件，正價成交需要有效供需，不能只憑資料存在［I2］。
EWDT-12： Agent 能選擇資源，不代表具備付款權限；個人與企業可行集合受預算、權限、時間與替代來源約束［I3］。
EWDT-13： 平台、支付供應商、內容許可市場與 AI 業者形成中觀路由，既可能擴大供應方市場，也可能集中入口與議價權［I4］。
EWDT-18／21： 候選服務增加不等於已被驗證、部署、採用與沉積；企業降低取得成本也不必然代表所有內容作者或社會受益［I5］。

因此這裡的經濟轉化判準不是「新的機器付款技術問世」，而是「原本未形成的合法資源交換是否能在指定時間窗中反覆履行，並改變主體的實際可行集合」。這是一個可研究、可驗證、可被否定的標準。

關於 9／16 關係矩陣，本篇只預置 B2A、C2A 等功能性資料流、與 B2B、C2B 等付款／合約型關係的分離。不得因同一事件涉及兩種功能路由，就計入兩次最終經濟交易。正式矩陣與政府公共部門的七種新增方向，留待第 07、08 篇。

26. 研究限制、失敗模式與必須保留的替代解釋

26.1 沒有市場採用資料的限制

本文已確認部分公開支付、授權與 Agent 商務協議存在，但沒有足夠跨平台且具代表性的真實交易面板，用來估計全球 AI 機器內容付費比例、平均收入、買方價格彈性及作者分潤率。所有推算例子均為［SIM］，不應被報導為實測。

26.2 不可觀測的使用用途

從網站日誌無法推斷某一次取得是否進入模型預訓練、微調、RAG 快取或內部資料清洗。即使授權方得到支付，未經額外取得可信使用資料也不能推定具體下游貢獻。「無引用」同樣不等於「無使用」。

26.3 法律權利異質性

同一內容在不同司法管轄區可能適用不同權利、例外及交易規則。機器可讀聲明不是萬能的法律確權機制；技術上可付款也不等於交易必然符合資料保護、消費者保障、競爭法、跨境稅務或制裁規範。

26.4 身分歸因與介面混合

AI 可以經由專用 API、瀏覽器、圖形操作或人機混合流程取得內容；因此採集管線應設立可確認的代理授權紀錄及未知類別，而不要求用特徵模仿、偽裝或對抗性規避平台防護。對身分的機率推定不能替代法律上可接受的合約證據。

26.5 平台與資料市場可能共同內生變化

內容品質、資料供給、模型能力、存取政策、支付摩擦及買方競爭者數量會彼此影響。任何單期價格效果都可能隨市場參與者反應而消失、反轉或變成新均衡。尤其 2027–2028 年的市場若快速演化，研究需保留同一模型跨版本失效的記錄，而不能把「還沒發生」變成無期限的免反證理由。

27. 結論：AI 資訊需求進入經濟，仍須跨越交易與世界轉化缺口

AI 的資訊取得與資源調用已經可以從被動爬取發展到受委託的資料選擇、付費請求及商業執行。但分析時至少必須保留四個分離：

第一，資訊需求與付款意願分離。大量機器使用可以構成可研究的需求訊號，但買方只有在預期增量價值足以覆蓋權利、價格、交易與整合成本時，才可能合理購買。

第二，授權與支付分離。機器可讀的使用規則、合法權利範圍、付款結算及後續使用履行是不同事件。Cloudflare Pay Per Crawl、RSL、x402、AP2、ACP 的出現，說明市場制度部件正在形成，卻不足以證明整個 AI 資訊市場已完成普及。

第三，功能性 AI 角色與法定經濟主體分離。Agent 可以直接使用或選擇資料，其付款者、委託者、供給者與受益者仍可能為個人、企業或公共機構。A2A 活動增加不表示人類最終需求相同比例增加，亦不表示社會產值可依呼叫筆數加總。

第四，原始資訊供應的市場價值與實際淨收入分離。可計費的爬取可能沒有實際買方；反過來，高價企業資料授權可能伴隨很低的原始網站流量。真正的研究對象是資訊如何在指定權利、需求、時間與市場條件下完成交付、結算與可持續再生產。

因此，「AI 付費將成為網路發展的重要路線」可以作為具有現實制度雛形的條件性研究預期，但不能直接寫成「所有 AI 都會依每次請求向所有內容網站支付費用」。更嚴格的結論是：AI 正在成為經濟資訊需求的功能性入口，而這些需求究竟如何被定價、交易、補貼、集中採購或維持免費，仍屬未完成的市場選擇與制度演化過程。

本篇完成模組 II「平台經濟、企業策略與反直覺競爭」的閉合：第四篇研究商業入口，五篇研究廣告競爭，第六篇研究資訊付費與資源供應。下一篇正式進入 B／C／A 的九種基本功能性經濟關係矩陣。

附錄 A. 定價模型的代數核驗與邊界

假設均勻估值 $v\sim U(0,V)$ 、買方每次固定交易摩擦 $\tau$ 、單位邊際交付成本 $c$ 。若 $0\le p\le V-\tau$ ，需求量：

D(p)=N\left(1-\frac{p+\tau}{V}\right).

利潤（先略固定成本）為：

\widetilde\Pi(p)=N(p-c)\left(1-\frac{p+\tau}{V}\right).

展開：

\widetilde\Pi(p)=\frac{N}{V}\left[-p^2+(V-\tau+c)p-c(V-\tau)\right].

其二階導數為 $-2N/V$ ；當 $0\le c<V-\tau$ 時，唯一內部最適價格為：

p^*=\frac{V-\tau+c}{2}.

需求：

D(p^*)=\frac{N(V-\tau-c)}{2V}.

單筆淨貢獻：

p^*-c=\frac{V-\tau-c}{2}.

相乘可得：

\widetilde\Pi(p^*)=\frac{N(V-\tau-c)^2}{4V}.

故扣除固定成本後：

\Pi(p^*)=\frac{N(V-\tau-c)^2}{4V}-F.

當 $V-\tau=c$ ，最高單位貢獻為零；當 $V-\tau<c$ ，在可選擇不經營付費交付的假設下，最適可選方案可是不提供按次商品、尋求不同制度或調整成本結構，而不是套用前述內部解。若 $N$ 、 $V$ 、 $c$ 、 $\tau$ 隨價格或隨其他買方行為變化，推導均需重做。

附錄 B. 兩組數值案例與驗證帳

例子	已知數值	計算	結果
低交易成本	$N=10{,}000,V=0.20,\tau=0.01,c=0.02,F=100$	$p^*=0.105,\ D=4250$	$\Pi=261.25$ USD
高交易成本	$N=10{,}000,V=0.20,\tau=0.06,c=0.02,F=100$	$p^*=0.08,\ D=3000$	$\Pi=80.00$ USD
高請求低成交	$1{,}200{,}000$ 事件；20% 合格、15% 付費，價格 USD 0.005	$1{,}200{,}000\times0.2\times0.15\times0.005$	毛額 USD 180
高請求淨差額	毛額 USD 180；額外管理等成本 USD 220	$180-220$	−USD 40
低請求高合約值	兩份每年 USD 12,000 合約	$2\times12{,}000$	名義年授權收入 USD 24,000

各數值僅供代數一致性及存在性示範。它們不是市場參數、公司業績、可成交價格建議或已驗證的收益期望。

附錄 C. 交易的最小狀態語義（非協議規格）

一筆完整經濟交易至少應能區分以下狀態：

TaskIdentified
  -> ResourceDiscovered
  -> TermsAvailable
  -> AuthorityChecked
  -> OfferAccepted
  -> PaymentAuthorized
  -> ContentDelivered
  -> SettlementRecorded
  -> PermittedUseObserved [optional]
  -> OutcomeEvaluated [optional]

這不是要求每個產品都使用此有限狀態機，更不表示每項交易都必須按順序執行。訂閱、批次清算、公共內容、先授權後下載、代理預付、退款或撤銷，均可能需要分支與回溯。此例只強調：已提出付款請求、授權付款、已結算、已交付、已准許特定用途，必須有不同狀態。

對同一交易標識符應保存最小對帳規則：

同一合法付款不應因重試回應或重複 webhook 被計入多筆相同付款；
退款及爭議應保存為反向或關聯事件，不應刪除原交易痕跡；
版本與授權期限不可依 URL 相同而直接視為不變；
付款方、執行 Agent 及最終受益者可不同；
合法必要且可識別的用途與服務內容應以最小化方式紀錄。

附錄 D. 名稱保真與下一篇研究接口

本文新系列之編輯識別為 AIEC。既有雲端《經濟世界域轉化論》正本使用 EWDT（Economic World-Domain Transformation Theory），與本輪曾口述的 EWOT 存在英文縮寫差異；本文為維護原始文獻的可追溯性，引用時保留 EWDT 編號，不擅自更動既有母理論原稿。

交接至 Paper 07 的最小條件：

同一資源供應者向 AI 執行代理供給內容，可以有 B2A／C2A 的功能性解讀；
實際金流、責任及授權可能仍發生在人類、公司及公共機構之間；
一個人類任務可產生多次 A2A 服務交互，但不能直接將全部記成獨立最終市場需求；
「法律人格」「經濟功能」「執行身分」「付款身分」須按不同型別記錄；
9／16 是第一代交互方向分類，不是完整世界經濟活動枚舉，也不應被當成產值累加表。

參考文獻與可核對來源

外部學術、正式規格及官方文件

［E1］ Bakos, Y., & Brynjolfsson, E. (1999). Bundling Information Goods: Pricing, Profits, and Efficiency. Management Science, 45(12), 1613–1630. https://doi.org/10.1287/mnsc.45.12.1613 。數位資訊低邊際成本、打包與估值分布的經濟學基礎。亦參考作者摘要：https://pages.stern.nyu.edu/~bakos/big-abstract.html 。
［E2］ Hagiu, A., & Wright, J. (2015). Multi-sided Platforms. International Journal of Industrial Organization, 43, 162–174. https://doi.org/10.1016/j.ijindorg.2015.03.003 。多邊平台相對垂直整合之組織取捨。
［E3］ Bergemann, D., Bonatti, A., & Gan, T. (2022). The Economics of Social Data. The RAND Journal of Economics, 53(2), 263–296. https://doi.org/10.1111/1756-2171.12407 。資料中介與跨個體資訊外部性。
［E4］ Cloudflare Developers（查閱：2026-10-16）. What Is Pay Per Crawl? https://developers.cloudflare.com/ai-crawl-control/features/pay-per-crawl/what-is-pay-per-crawl/ ；Pay Per Crawl FAQ: https://developers.cloudflare.com/ai-crawl-control/features/pay-per-crawl/faq/ ；Manage AI Crawlers: https://developers.cloudflare.com/ai-crawl-control/features/manage-ai-crawlers/ 。截至本篇查閱仍標示封閉測試；成功請求收費、單一 zone 價格及特定路徑免收費等約束參照官方文件。
［E5］ RSL Technical Steering Committee (2025-12-10). Really Simple Licensing (RSL) 1.0 Specification, RSL-SPEC-1.0. https://rslstandard.org/rsl 。授權條件及權利語義標準。發布公告：https://rslstandard.org/press/rsl-1-specification-2025 。
［E6］ x402（2025–2026；查閱：2026-10-16）. Introducing x402 V2: Evolving the Standard for Internet-native Payments. https://x402.org/x402-v2-launch/ 。程式化網路支付、身份及傳輸架構；不能視為內容授權法源。
［E7］ IETF (2022). RFC 9110: HTTP Semantics, §15.5.3（402 Payment Required）。https://www.rfc-editor.org/rfc/rfc9110.html 。HTTP 402 狀態碼保留供未來使用的標準地位；不內建特定付款方案。
［E8］ Google Agentic Commerce / AP2（查閱：2026-10-16）. Agent Authorization Framework. https://ap2-protocol.org/ap2/agent_authorization/ 。Mandate Delegation、Action Authorization、Verifier 與 Receipt 的角色分離。
［E9］ OpenAI & Stripe／Agentic Commerce Protocol（查閱：2026-10-16）. Agentic Commerce Protocol https://github.com/agentic-commerce-protocol/agentic-commerce-protocol ；OpenAI 開發者文件 Agentic Checkout Spec https://developers.openai.com/commerce/specs/checkout 。開放協議與獲批准合作方的實際購物流程、商家金流及訂單事件。
［E10］ Cloudflare（2025-07-01）. Introducing Pay Per Crawl: Enabling Content Owners to Charge AI Crawlers for Access. https://blog.cloudflare.com/introducing-pay-per-crawl/ 。依成功取得形成收費入口的初始產品設計；仍不能代表全面市場化。
［E11］ Google Search Central（查閱：2026-10-16）. Google's Common Crawlers. https://developers.google.com/crawling/docs/crawlers-fetchers/google-common-crawlers 。Google-Extended 是產品使用控制符記而非獨立的 HTTP UA；提醒用途與請求身份不可直接互推。

EveMissLab 既有理論與本系列先前成果

［I0］ Neo.K／EveMissLab（2026）. AIEC Paper 01–05. 本研究系列前五篇 canonical UTF-8 Markdown，分別討論機器可見性、人類識別落差、AIO／GEO 使用階層、注意力收斂、生成式搜尋入口及廣告競爭博弈；本篇所引經濟命題以此為前置，不重複宣稱為外部驗證。
［I1］ Neo.K／EveMissLab（2026-09-23）. EWDT-01 經濟世界域轉化論：總論. https://unboundedaxiom.org/p/lm-004439/ ；EWDT-02 經濟投影失真論. https://unboundedaxiom.org/p/lm-004440/ 。
［I2］ Neo.K／EveMissLab（2026-09-23）. EWDT-05 經濟耦合論. https://unboundedaxiom.org/p/lm-004441/ ；EWDT-07 供需的重新定義. https://unboundedaxiom.org/p/lm-004422/ 。
［I3］ Neo.K／EveMissLab（2026-09-23）. EWDT-12 微觀世界域：個體、企業、AI 與有限可行集合. https://unboundedaxiom.org/p/lm-004429/ 。
［I4］ Neo.K／EveMissLab（2026-09-23）. EWDT-13 中觀耦合域. https://unboundedaxiom.org/p/lm-004420/ 。
［I5］ Neo.K／EveMissLab（2026）. EWDT-18 AI 泡沫與經濟世界域擴張. https://unboundedaxiom.org/p/lm-004409/ ；EWDT-21 自動化社會閉合與廣泛世界域傳遞. https://unboundedaxiom.org/p/lm-004966/ 。
［I6］ Neo.K／EveMissLab（2026）. AICR / AICL as an AI Content Licensing and Agentic Payment Connection Layer.；AI 內容付費與網路民主化經濟. https://unboundedaxiom.org/p/lm-001221/ 。
［I7］ Neo.K／EveMissLab（2026）. 人工行動者政治經濟總論：投資、制度棧、HDUS 與多主體經濟的形成. https://unboundedaxiom.org/p/lm-004580/ ；AI–AI 生產關係：委託、分工、驗證與機器間協作.。
［I8］ Neo.K／EveMissLab（2026）. OWER-02 局部注意力收斂與全域認識失真. https://unboundedaxiom.org/p/lm-004855/ 。

原稿結束。 本文所有［SIM］值均為可重算、非觀測模型。第 06／12 篇只研究機器資訊需求的市場化、付款制度及歸因接口；第 07、08 篇才正式界定 9／16 方向矩陣。本篇不宣稱全球 AI 內容付費市場已普及，不以機器爬取量冒充營收，也不擅自更名既有 EWDT canonical source。