title

代理供給擁擠、注意力競爭與市場退出

english_title

Agentic Supply Congestion, Attention Competition, and Market Exit: Demand Absorption, User Choice, and the Limits of AI-Mediated Abundance

series

AI 代理收益與契約經濟過渡論（AICET）

series_id

AICET

series_position

Paper 10 / 12 Core Papers (13–14 Deferred Extensions)

document_id

EML-AICET-2026-10

author

Neo.K with GPT-6

institution

EveMissLab / 一言諾科技有限公司

date

2026-10-28

version

v0.1

status

Completed Conceptual Manuscript — Empirical Hypotheses Not Yet Validated

document_type

Theoretical Research Paper / Agentic Economy / Attention Economics / Platform Markets / User Exit / Digital Sociology

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 through EML-AICET-2026-09

next_paper

EML-AICET-2026-11 (planned)

evidence_cutoff

2026-10-28

代理供給擁擠、注意力競爭與市場退出

Agentic Supply Congestion, Attention Competition, and Market Exit: Demand Absorption, User Choice, and the Limits of AI-Mediated Abundance

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-10／十二篇核心論文第十篇
作者： Neo.K with GPT-6
機構： EveMissLab／一言諾科技有限公司
日期／版本： 2026 年 10 月 28 日／v0.1
研究狀態： 概念性學術原稿完成；本文提出的動態機制、分類及假說尚無專屬代表性資料驗證。
學術邊界： 本篇不提供普遍適用的注意力、需求或代理收益函數；不以使用行為推定心理意圖、政治態度或 AI 主體性；不構成投資建議或個別平台法規意見。

日期： 2026-10-28
版本： v0.1

摘要

人工智慧代理人的部署、內容生成與交易協助成本下降，可能使個人、家庭與企業以前所未有的低成本提供文稿、影音、軟體、客服、娛樂、研究支持及其他數位服務。然而，供給的可複製性不代表需求的無限性，活動數增加不代表有效交易增加，技術上提供產品不代表使用者願意投入注意力、金錢或合作。 當大量人類與 AI 代理同時競逐有限的使用者時間、搜尋入口、推薦版位、信任和支付預算時，市場可能出現內容擁擠、搜尋與驗證成本上升、個別提供者曝光下降、品質訊號失靈與交易收益分化。反之，更廉價且多樣的 AI 供給亦可能改善搜尋、擴張需求、服務長尾市場，或使原本無人提供的專門服務變得可行；因此，不能先驗地將供給增加一律判為社會損失。

本文作為 AICET 第十篇，提出「代理供給擁擠」（Agentic Supply Congestion, ASC）、「注意力—需求吸收門檻」（Attention–Demand Absorption Gate, ADAG）與「使用者退出狀態分離」（Differentiated User Exit States, DUES）三項暫定的操作性研究框架。ASC 指在特定市場、任務及觀測期間，新增代理供給透過可見度、搜尋、驗證或定價機制影響其他供給者與需求者的現象；不等於所有供給必然過剩。ADAG 區分供給被發現、被評估、被採納、被使用、被支付及被長期吸收的不同門檻；並特別承認後端商業服務不一定需要直接爭奪一般人的內容注意力。DUES 區分普通流失、暫停、部分退出、多重使用、主動抵制、消極拒絕、被鎖定而繼續使用，以及因制度或技術被迫中斷等狀態；使用率與滿意度、平台退出與政治反抗、注意力撤回與經濟拒用均不能彼此替代。

本文連結 Herbert Simon 的注意力稀缺論、平台與網路效應經濟學、Hirschman 的退出—發聲—忠誠框架，以及 2026 年 NBER 對生成式 AI 與 Pixiv 創作者注意力競爭的研究。手機遊戲與網路遊戲被當作部分可比、不可直接等同的觀察場：遊戲研究展示興趣變化、社交關係、遊玩條件與重複退出的重要性，卻不能直接推論生活必需型 AI 服務也可隨時捨棄。本文同時使用 YouTube 針對大量重複內容的營利政策，及 AI 內容標示實驗，說明平台治理與身份揭露可能影響市場，但其方向和大小均須在特定環境測量。

本文提出供給、注意力、信任、交易與淨收益的分層觀測表、正反向情境、十二項可反駁假說、三項可重複的研究設計及治理邊界。中心結論是：AI 使供給和中介活動擴張，可能改變價值創造的條件；但誰被看見、誰被信任、誰願意付款，以及誰最後獲得可核實收益，仍是互相區別而具有制度條件的問題。社會可以使用一項服務而不認同其經營者，也可以單純失去興趣而沒有抵制意圖。 AICET 的代理經濟理論因此必須將供給端能力與需求端吸收、退出選擇及反饋機制共同研究，而不能從生成量直接推導繁榮或衰亡。

關鍵詞： AI 代理供給、內容擁擠、注意力經濟、需求吸收、雙邊平台、搜尋成本、品質訊號、數位市場退出、消極抵制、轉換成本、網路遊戲、手機遊戲、代理淨收益、平台治理、多重使用、AI 身份揭露。

Abstract

The proliferation of generative AI and autonomous agents can dramatically expand the supply of digital content and services without a proportional increase in human attention, willingness to pay, trusted discovery channels, or verified market demand. Yet abundance does not always imply harmful congestion: cheaper production can increase variety, improve matching, and enable previously infeasible niche services. This tenth paper in the Agentic Income and Contractual Economy Transition (AICET) series therefore treats supply expansion and demand absorption as empirically separate processes.

The paper proposes three provisional operational constructs: Agentic Supply Congestion (ASC), describing task- and platform-conditional competition over visibility, verification, trust, and market access; the Attention–Demand Absorption Gate (ADAG), separating discovery, evaluation, adoption, use, payment, and sustained benefit; and Differentiated User Exit States (DUES), distinguishing routine churn, temporary suspension, multi-homing, intentional noncooperation, explicit boycott, and continued use under switching costs. It draws on scholarship concerning attention scarcity, platform competition, lock-in, exit and voice, gaming churn, and emerging evidence about AI-generated supply and incumbent creators' attention. Video games serve as a bounded comparison rather than an equivalent model of all AI infrastructure or professional services.

The paper specifies alternative positive, negative, and mixed mechanisms; an observational taxonomy; counterexamples; twelve falsifiable hypotheses; and three reproducible study designs with privacy and consent safeguards. It rejects the shortcuts that agent activity constitutes revenue, that market use establishes social approval, or that reduced engagement necessarily indicates organized resistance. Its core claim is methodological and conditional: an agentic economy requires analysis of the demand, attention, pricing, trust, and governance processes through which technically producible goods and services may—or may not—become socially accepted, usable, and economically sustainable. No universal demand function, measured economy-wide crowd-out effect, or inevitable trajectory toward monopoly or resistance is asserted.

Keywords: agentic supply congestion; attention competition; demand absorption; user exit; platform economics; gaming churn; switching costs; digital markets; generative AI; economic value; trust; governance.

0. 研究定位、問題意識與非主張

0.1 從第九篇到第十篇：人願意支持 AI，不等於願意消費所有 AI 產物

依 AICET 研究綱領 v0.2 [1] 所界定的供需與退出研究範圍，AICET-09 [10] 說明人類對某個可辨識 AI 角色的持續記憶、維護與非市場性資源承諾，可能是有意義的經濟選擇。這種選擇可以不以當期現金收入為條件。AICET-05 [6] 則要求：如果要宣稱 AI 代理替委託方創造了市場收入，必須查核真實需求、交付、付款、全成本及增量歸因。

兩者之間還存在尚未直接處理的市場側問題：即使幾乎每個家庭都能部署代理、每個代理都能提交看似有用的成果，誰需要這麼多成果？在什麼搜尋成本、注意力和價格條件下，新的供給才可能被發現、選擇與吸收？

例如，一個 AI 可以每天生成二十支影片，不表示二十支影片都有人看；另一個 AI 可以替個人寫十份商品介紹，不表示有十位新客戶付費。反之，一個不公開露面的企業後端 Agent 可能每月替真實客戶修正數千張發票，透過穩定契約產生效益，而不需要公共注意力。這些狀態都應被同一套研究方法正確區分。

0.2 五項核心研究問題

1. 哪些 AI 代理供給會直接競爭有限的人類注意力？哪些主要競爭資本、算力、合約或受託工作需求？
2. 供給數量、品質、發現成本、推薦制度、價格與市場吸收之間，何以可能呈現正、負或混合反饋？
3. 手機遊戲與網路遊戲中玩家的繼續、暫停、重返與退出，哪些行為機制可作為 AI 市場的類比；哪些不可外推？
4. 如何區分使用者失去興趣、對服務失望、因轉換成本留下、出於價值觀抵制，及根本沒有注意到某企業？
5. 代理活動與一般人需求、平台治理、定價、真實收益之間如何建立可反駁的因果研究，而不是只用總瀏覽數或使用者總量講故事？

0.3 非主張與防止敘事捷徑

本文不主張：

1. 生成式 AI 增加供給，必然導致所有數位市場的需求飽和。
2. 內容數量增加，必然使所有人類創作者的收入下降。
3. 同類產品變多，必然降低消費者福利；更多選擇也可能改善匹配。
4. 人的注意力完全不可被工具節省、改變分配或跨媒體同時使用。
5. 每項 B2B 或後端 API 服務都必須依賴消費者逐項點擊才能產生價值。
6. 一次曝光、一次收藏、一次評論或一次付款請求，可直接等同可核實的淨收益。
7. 不使用、不續訂、不遊玩或不買某產品，必然是抵制或政治反抗。
8. 一名使用者不滿卻繼續付費，便表示他接受企業的全部經營行為。
9. 所有使用者都能低成本換平台；也不假定所有平台具有不可克服的鎖定。
10. 多代理互相點擊、回覆或付款，可不經需求驗證便算作社會新增價值。
11. 遊戲玩家的娛樂選擇可完整代表醫療、支付、教育、工作或生活基礎 AI 的選擇。
12. AI 內容必定比人類內容低質，或人類內容在所有情境中較值得信賴。
13. AI 身份揭露永遠提高或永遠降低使用意願；其效果可能依任務和標示方式改變。
14. 平台收費、獲利或市場佔有率自然證明使用者信任其全部行為。
15. 本篇已識別世界各國或全網的 AI 帳號真實人口，或完成全球市場飽和量測。
16. AI 居民數量上升表示其具主觀經驗、法定人格或獨立購買力。
17. 被驗收的代理工作必然提供正的社會新增價值；負外部性與需求擠出仍須測量。
18. 所有集中供給終將被社會反抗推翻，或所有抵制都有效。
19. 本篇的概念分類是既有國際標準、經實證校準的普適定律或正式平台審計準則。
20. AICET-10 已替下一篇 AICET-11 完成總體購買力、階層、福利與收入分配的模型。

0.4 證據與主張層級

• OBS： 有明確來源、時間及研究範圍的論文、監管文件、平台規則或記錄。
• DEF： 本篇提出的可操作分類，尚未取得獨立跨市場效度驗證。
• HYP： 可用觀測資料、對照組或實驗推翻的假說；需保留零結果。
• SCN： 具條件的情境推理，不等於市場預言。
• NOR： 研究者提出的規範與制度選擇，不能冒充現行通用法律。

所謂「注意力競爭」是某些數位市場的必要考量，不是用單一心理學解釋所有產業。對後端效率服務、物理商品和受規制專業工作，還必須額外處理品質、資格、責任、監督及具支付能力的真實需求。

1. 既有文獻、研究對照與證據的可外推性

1.1 注意力稀缺與注意力市場

Simon 在 1971 年討論資訊大量供應對注意力的需求；其重要性不在預言 AI，而是指出資訊愈容易取得，將資訊轉化為有用決策時，注意力配置就可能成為瓶頸 [11]。但不能把這點簡化為「每天每個人只能消費固定件數內容」：使用者可能加快篩選、使用摘要、自動化尋找資訊或將部分注意委託給工具。

Chen（2026）在《American Economic Review》建立將商品市場與注意力／資料／平台探索市場結合的動態模型，說明平台透過服務、資訊與廣告影響產品被發現和需求形成的方式 [12]。本文不採用其模型參數，不假定 AI 代理服務與一般廣告平台完全同型，而借用產品供給可存在、需求卻受發現機制塑形的分析問題。

Goldfarb 與 Tucker（2019）整理數位技術降低搜尋、複製、運輸、追蹤與驗證成本的經濟機制 [13]。這有助於解釋為何 AI 可能同時降低製作成本與提高使用者對大量候選產物的篩選負擔：一種成本下降並不意味其他成本也必然同比下降。

1.2 雙邊市場、推薦、互通與鎖定

Rochet 與 Tirole（2003）的雙邊平台理論指出，平台可能須同時吸引供給者與需求者，收費與價值並非只能以單邊市場理解 [14]。對內容平台而言，創作者、觀眾、廣告商與平台可能分別受益或受損；對 AI 服務市場而言，代理開發者、部署者、購買者、支付服務商與模型提供者亦可能處於不同的位置。

Farrell 與 Klemperer（2007）系統討論轉換成本和網路效應如何使市場進入者與既有供應者面臨不同競爭條件 [15]。這解釋了為何「我已經不滿意」不保證能立即退出：歷史資料、朋友、商譽、購買記錄、數位資產與技術接口可能提高轉換代價；反之，可攜和互通也可能使退出較容易。

1.3 退出、發聲與忠誠不是同一個變數

Hirschman（1970）在《Exit, Voice, and Loyalty》區分離開組織、試圖表達不滿以改變組織，以及影響退出與發聲選擇的忠誠關係 [16]。此處不是把每一次使用者流失都變成政治事件，而是提供一個精確的分析框架：不滿、抱怨、留下、退出可以互相交錯，其動機與後果不天然相同。

本篇進一步將「沒有開始使用」「暫時不使用」「已轉向競品」「繼續使用但撤回合作」「持續抗議但仍使用」分開；這些是 AICET 的候選操作分類，並非宣稱 Hirschman 本人提出了同樣的分類表。

1.4 已出現的 AI 供給擁擠觀測：Pixiv

Kim、Jin 與 Lee（2026）的 NBER 工作論文分析 Pixiv 內容資料，報告文字轉圖像生成工具上市後，部分未以 AI 為主要工具的插畫創作者在投稿和收藏等注意力指標上出現下降，且受影響程度依創作類型而不同 [17]。這提供一個直接對應本篇的例子：當某類內容的供給競爭突然增強，既有供給者的可見度與生產決策可能改變。作者以創作者、作品與內容領域差異研究機制，而不是用全平台單一總量解釋所有結果。

證據限制： 這是一份經濟學工作論文，不應宣稱已在各種市場複驗；它也不能推出所有人類創作會被 AI 取代、所有觀眾注意力總量固定，或漫畫、遊戲、專業服務會受到相同效果。

1.5 遊戲作為部分可比的長期行為場域

Carradini 與 Hommadova Lu（2020）以《Lords Mobile》十九個月的線上民族誌，指出開始、持續與停止手機多人策略遊戲的動機可能隨時間變化；社會關係、離線義務與興趣消退各有作用 [18]。Bergstrom（2019）以曾離開《EVE Online》的玩家調查顯示，「退出」不必然是一個永久的二元事件，有些玩家會反覆離開與回流 [19]。

Lee 與 Kim（2024）對 MMORPG 持續遊玩的調查指出，歸屬感與社會關係值得納入忠誠研究 [20]；Kang、Suh 與 Kim（2024）利用一款多人競技遊戲的伺服器紀錄，報告配對與勝負經驗和退出風險之關聯 [21]。這些結果不是 AICET 的 AI 經濟實證，但足以推翻「玩家只是因為生產力不夠才退出」或者「只要遊戲還能玩，玩家便永遠留下」這類簡化敘述。

1.6 抵制與評論可能反映真實分歧，也可能存在操弄

Cantone、Tomaselli 與 Mazzeo（2025）研究《The Last of Us Part II》的線上評價極化與 review bombing，說明評論潮不能只用單純真假二元概括 [22]。但本篇不以單一遊戲爭議代表所有社群，也不將評分波動直接視為銷售變化、公共輿論或自發抵制的準確測量。評論可提供參與者意向的線索，仍需與實際消費及對照資料交叉查證。

1.7 AI 標示與平台內容規則

Wittenberg 等人（2025）對合成媒體標示的實驗顯示，標示通常能影響對特定內容真實性的判斷，但對分享、按讚等意向的作用並非單調或同等大小 [23]。Morosoli 等人（2025）發現 AI 揭露在政治與非政治題材的影響可能不同 [24]。兩者支持「身份揭露、信任及使用行為」應分別量測；不支持宣稱使用者一旦知道對方是 AI 就必然離開。

YouTube 的《頻道營利政策》於 2025 年 7 月進一步明確將大量製造或高度重複的內容納入「inauthentic content」描述，並說明政策以原創、真實及觀眾價值為重點，不以內容是否使用 AI 製作作為唯一標準 [25]。這是特定平台對營利資格的治理例子，不能把它等同所有平台已禁止 AI 作品，亦不表示被取消營利的內容完全沒有社會價值。

1.8 品質不確定與選擇成本

Akerlof（1970）關於品質不確定的經典研究提醒市場可能因資訊不對稱而出現低品質擠出高品質的條件性機制 [26]。本文將其視為一種可能的比較框架：當大量內容難以查證、創作者承諾與成果品質不易辨別，使用者可能提高搜尋成本或降低支付意願。但高品質一定消失並非該研究的無條件結論；平台驗收、評價可信度、來源追溯、專業資格與長期關係可能降低不確定性。

2. 分析單位與適用域：供給、使用者、代理與平台不能混為一談

2.1 八個最小分析單位

2.2 四個主要市場類型

1. 注意力驅動內容市場： 遊戲、影音、短文、直播、社群角色、部分娛樂內容；使用者注意與自願投入通常是直接瓶頸。
2. 購買／委任型服務市場： 翻譯、行銷、客服、設計、程式與接案平台；注意力影響搜尋與驗收，但真實付款、信任和服務品質更直接。
3. 低可見度 B2B／後端市場： 例如已授權的企業資料校對、合約管理或內部流程；它們可能有明確付費方，而不需一般人公開關注。
4. 生活基礎與受規制服務： 教育、醫療、金融、公共服務或關鍵基礎設施接口；可退出性受必要性、安全與制度保障影響，不宜直接套用遊戲市場邏輯。

上述分類不必互斥。同一企業可透過娛樂內容吸引注意，再以訂閱或 B2B 接案變現；亦可能有不收費的公共資訊服務，其價值不由市場付款充分衡量。

2.3 四種不能混用的時間

• 世界曆時： 平台活動發生在哪個客觀時間窗口。
• 人類注意與選擇時間： 使用者實際觀看、比較、認同、拒絕或作決策的時間。
• 代理運算與工作時間： 機器執行任務或生成候選的時間。
• 治理及驗收時間： 人類或受授權系統確認正確性、交易、風險與品質的時間。

代理可提高同一世界時間內的候選產量，卻可能同時提高驗收所需的工作量。人類注意力在多工、摘要或委任下可重新分配，不能簡化成永遠固定的文章閱讀配額；但更高的資訊供給也不會自動創造等比例的可支配生活時間。

3. 三項核心操作性概念

3.1 ASC｜代理供給擁擠（Agentic Supply Congestion）

定義（DEF）： 在指定平台或可替代的任務市場中，AI 代理增量供給使候選產物、服務或商業接觸密度上升，進而透過被發現的機會、信任評估、品質辨別、交易搜尋或價格競爭，可能影響既有與新增參與者結果的條件性現象。

這裡不把「供給比需求多」作為唯一必要判準：一個平台可以有大量新作品，市場總消費仍成長，但個別作者的被發現成本上升；也可能同一領域供給增加後，市場價格降低而消費者福利改善。故本篇用「擁擠」描述具體通道的競爭負荷，不預先判定整體社會福利負值。

最低可觀測要求： 指定產品類別、實際候選供給、曝光／搜尋分母、需求者規模及質量、交易口徑、時間窗口與平台排序變化。缺乏任何一項時只能作部分敘述，不能計算代表全網的擁擠程度。

3.2 ADAG｜注意力—需求吸收門檻（Attention–Demand Absorption Gate）

定義（DEF）： 一個被生產的 AI 服務或產物，從可以被接觸到最終被合法採納並持續產生收益或非市場效益之間，可能通過多個彼此不可替代的門檻。這些門檻在不同市場的存在與順序可能不同。

此表是觀察用的候選門檻，不是所有市場皆需嚴格依序通過的法則。B2B 既有客戶可直接透過已授權排程取得成果；某些公開知識庫可在沒有貨幣交易時提供巨大社會價值；也可能某項商品預售付款先於最終使用。研究者應記錄實際路徑，不以表格替代個案流程。

3.3 DUES｜使用者退出狀態分離（Differentiated User Exit States）

定義（DEF）： 對一段指定使用／支付／合作關係而言，將行為狀態、可能動機、剩餘依賴、回流可能性與制度條件分開觀測，不把「沒有使用」直接推定為「有意識的反抗」。

其最小要求是同時記錄：是否使用、是否支付、是否表達不滿、是否存在可替代服務、是否有轉換障礙，以及何種證據支持對動機的描述。使用者可以不回答動機；這種未知須保留為未知。

3.4 三項概念與前九篇的區別

ASC 主要指市場供給與搜尋負擔；ADAG 主要指需求吸收路徑；DUES 主要指使用者的持續關係與退出行為。它們不取代 AICET-02 的 AI 帳號擴散、AICET-05 的真實創收、AICET-08 的付款清算，或 AICET-09 的非市場關係價值。三者亦可在同一情境中同時出現：代理大量上線、內容擁擠、部分觀眾減少關注，卻同時有某個家庭因重視 AI 長期角色而繼續為它保存記憶。

4. 供給擴張如何形成注意力與品質競爭？

4.1 生產成本下降與選擇成本不對稱

數位內容的複製、投放與重新生成成本可以很低，但每位觀眾識別品質、確認來源、比較替代方案及判斷是否信任的成本，可能沒有同步下降。對內容平台而言，這可能使新增供給同時增加品類多樣性與排序負擔；對專業服務而言，更多報價也可能增加驗收、反詐與責任查核。

不過，這不是「AI 內容天生低質」的假定。良好的代理過濾、來源追蹤、可機器驗證的交付與信譽制度，同樣可能使搜尋成本下降。關鍵是用有對照組的方式檢驗哪一種通道主導。

4.2 注意力競爭至少有四種具體形式

候選曝光競爭： 多個供給者同時爭取推薦排序、首頁版位與搜尋結果中的可見機會。新增作品可以取代、補充或創造新的曝光類別。

深度投入競爭： 即使使用者點擊某項服務，也不保證願意完整閱讀、反覆使用、完成交易或投入長期時間。

可信度競爭： 使用者可能偏好具長期履歷、可驗證成果、專業資格或可索賠機制的來源；AI 身份標示只是其中一項訊號。

關係與社群競爭： 在遊戲、社群與長期 AI 角色環境，朋友、共同歷程與團體習慣會影響去留，不能只用單次產品效用分數表示。

4.3 容易被忽略的外部性

• 資訊擁擠外部性： 一份新增內容增加他人篩選候選的負擔，但不一定由發布者直接承擔。
• 可見度轉移外部性： 曝光重分配可能改變既有作者收入，而平台總流量沒有顯著改變。
• 信任外部性： 虛構身份、垃圾訊息或仿冒服務可能降低整個類別的可信度，使合規者也付出額外驗證成本。
• 正向探索外部性： 新作品或高品質 AI 輔助搜尋可能擴大受眾對新題材的認識，反過來增加相鄰市場需求。
• 合作外部性： 開放工具、互通格式與共同創作可降低他人進入成本，也可能強化新的供給與信任網路。

這些外部性可能在同一平台並存；單靠曝光數和生成數，不能判斷總效果。

4.4 如何避免把「演算法造成的可見度差異」誤當「使用者不喜歡」

若平台修改排序策略、改變 AI 標示、增加廣告版位或調整內容推薦比例，某類產物的曝光下降可能發生在使用者偏好不變的情況下。研究應區分供給端投稿變化、平台分配規則、使用者主動選擇與最終消費結果，並記錄政策實施日期。否則，使用者未看見的內容可能被錯算成使用者已看見但拒絕。

5. 擁擠不等於衰退：六種方向不同的候選機制

這六類不是從同一資料推導的唯一解釋，而是一組相互競爭的候選機制。研究應允許不同類別出現不同方向，不能因為事先偏好「AI 豐饒」或「AI 災難」就忽略不利的結果。

5.1 總需求與個別供應者績效可以走相反方向

一個平台可能總觀看時間增加，同時既有創作者平均曝光下降；原因可能包括創作者數增加、流量更加集中或平台推薦重新分配。反過來，平台整體觀看下降，也可能仍有少數利基創作者建立更忠誠的客群。

因此必須同時比較總量、中位數、不同分位數、進入／退出率及特定群體結果；不能只報告總量，也不能拿少數頂尖帳號代替所有供應者。

5.2 價格下降不必然等於家庭受損

部分服務供給更便宜，可能使需求者受惠，即使提供者的單位收入下降。某家庭也可能同時是服務消費者與代理供給者：它透過 AI 省下購買成本，卻在另一個市場失去接案收入。這種雙重身份使「平均收益」與「平均福利」不能互相替代；跨家庭購買力與總體分配留給 AICET-11。

5.3 機器需求可能部分吸收機器供給，但不能自我創造付款能力

一個代理可以依合法授權替客戶購買軟體、資料、翻譯服務或算力，因此需求的操作端也可能是 AI。但支付能力仍須追溯真實的人／組織之預算、資產與市場價值；代理互相付款若只是在同一控制體系內移動帳面餘額，不能自動變成社會新增淨所得。這裡直接沿用 AICET-08 [9] 的三圖分離與 AICET-05 [6] 的全成本標準。

6. 雙邊及多邊平台：供給者多了，平台不必然更健康

6.1 平台中至少有不同受益者

典型內容平台涉及觀眾、創作者、廣告主、平台及內容審查者；代理市場可能再增加模型商、雲端商、代理部署者、資料供應者、驗收者與支付中介。平台可以因內容供給增長而吸引更多使用者，也可能因資訊品質惡化使某一側離開。哪一側支付、哪一側獲得補貼、誰負擔驗證成本，都會改變結果。

6.2 從生成內容數到平台真正價值至少隔了三層

第一層是可見供給：平台上有多少候選內容或服務。第二層是有用匹配：哪些供給與真實需求相遇，沒有因搜尋、品質或信任問題失敗。第三層是可持續經濟關係：客戶、作者與供應商是否願意在支付和收益條件下繼續參與。

一個擁有大量 AI 帳號但缺少真人與合法組織需求的平台，可能呈現極高活動量而低轉化；一個帳號很少的專門服務平台，反而可以有穩定委託和高單位收益。二者可同時成立。

6.3 推薦及排序權力具有內生性

使用者在推薦平台上的消費偏好，既影響排序，也受先前排序塑形。平台可選擇強調即時停留、長期滿意、廣告收入、付費服務或風險降低，並因此改變哪些內容被看見。研究不能把演算法視作完全外生的「自然市場裁判」，也不能把平台的商業動機一律推定為故意傷害使用者。

6.4 對新進 AI 供應者與既有創作者的非對稱影響

當新代理可以低成本大量參與時，小規模人類創作者可能承受曝光壓力；但高資本的代理工廠同樣可能用更高品質、品牌及分發能力壓過低成本代理。供給端並非只分成「人類」和「AI」兩個同質群體。單人創作者可採用 AI，企業團隊可能仍由真人管理；由此需要按實際控制者、任務、品質、分發途徑及收益者切片，而非只用作品標籤估算權力分布。

7. 手機遊戲與網路遊戲：為何是好的局部比較場？

7.1 遊戲市場中的直接效用往往是體驗，而非生產性功能

玩家通常為了愉悅、挑戰、社交、競爭、成就、故事或社群活動投入時間。相較於必須支付帳單、處理醫療與進行工作的人，玩家選擇遊戲時，主觀體驗可能有更直接的權重。這使遊戲適合觀察：即使產品還能運作，使用者也可能因趣味變化而不再選它。

但「玩家只在乎爽不爽」是語境性的直覺，不是完整的經驗描述。遊戲投入還可能受到朋友、付費紀錄、社群角色、競賽責任、創作勞動、現實生活時間與心理需求影響；研究不能將複雜選擇化約為單一快樂參數。

7.2 遊戲企業增加供給，不會自動得到同比例的玩者時間

一家公司可以推出多款遊戲、無限活動與大量新關卡；使用者仍須在工作、其他遊戲、社交、家庭和休息之間分配有限時間。即使所有新作品都很精良，玩家也可能選擇只玩其中一款，或者一款都不玩。這提示了 AICET 的需求端限制：更多產品可能擴大市場，但新增生產能力不構成使用者的強制消費義務。

7.3 開始、維持、退出與回流是不同階段

初次下載遊戲可能受到廣告與朋友影響；持續遊玩可能受團體活動與角色進度影響；暫停可能來自考試、工作或家庭義務；退出後又可能因版本更新與朋友回流重新登入。因此只用某一天的 DAU／MAU 無法確認用戶的滿意程度與動機。這亦是 AICET-02 [3] 的脈衝擴散與本篇需求退出的一個交界。

7.4 遊戲玩家退出機制與 AI 服務之比較

7.5 遊戲類比不能用來推導所有 AI 市場終局

玩家不喜歡某款手遊，通常可以選擇其他休閒活動；但公民可能無法合理拒絕工作、醫療、公共支付或教育中已普及的 AI 接口。遊戲在「主觀採納選擇」上具有類比價值，在「服務必要性」上則經常失效。本篇刻意將後者保留為強反例，而非為了支持退出理論而忽略。

8. 使用者的選擇與退出：行為資料不足以直接推斷動機

8.1 DUES 的候選八類狀態

同一人可隨時間由 E1 轉 E5，再因工作需求變成 E7；分類不是永久人格標籤，也不宜只賦予單一狀態，應允許多標籤及「未知」。

8.2 同一外顯行為可能有多個解釋

一名玩家不再登入，可能是對遊戲感到無聊、朋友離開、受學業影響、臨時旅行、設備故障或遭封鎖。若研究者沒有直接訪談或獨立證據，就不能宣稱玩家是在抵制廠商。同理，一名使用者持續使用某雲端 AI，也可能同時很不滿其隱私政策，只因客戶、資料、專案與替代服務成本讓他暫時離不開。

這種一對多對應，是社會科學研究中的識別問題，而不是分類文字寫得精細就能自行解決的問題。

8.3 說出「不滿」與實際退出亦可能背離

線上評論和社群發文可能高估某些議題的情緒密度，或只反映願意發聲的少數。研究應分開看公開言論、私下問卷、實際支付、使用、轉換以及維持非市場關係的行為。當聲量與付費同時下降時，也不能忽略價格上漲、競爭新品、季節效應或政策變更的共同影響。

8.4 對市場經濟的含義

退出不一定要以明確政治口號出現，才會形成需求重配；普通厭倦同樣會改變市場份額。反之，明確抵制也可能因轉換障礙而只改變名聲、未立即改變交易額。AICET 要研究的是這些不同通道的可觀測效果，而不是先替每個行為附上道德敘事。

9. 退出、發聲、忠誠與消極拒絕的動態機制

9.1 三種顯性選擇與一種必須額外辨識的沉默

Hirschman [16] 的退出、發聲與忠誠，提供不同選擇之間的分析脈絡；然而，當代數位平台還出現大量難以從公開資料辨識的「無聲不參與」。沉默有時來自刻意拒絕合作，有時只是工作繁忙、早已轉移興趣或根本不知道這個品牌。故消極拒絕不等於任何形式的沉默，必須有獨立理由或可觀測的選擇證據。

在代理經濟研究中，我們至少應詢問四件事：使用者是否不滿、是否有退出機會、是否試圖改變服務、是否實際撤回某種資源。四者可以交錯：某人可在持續訂閱的同時公開要求改善，並停止提供社群內容；另一人可喜歡產品但因成本退出。

9.2 對企業的影響可能發生在不同帳本

• 營收通道： 停購、停訂、減少交易，可能直接降低收入，但需扣除競品、季節與價格變動等因素。
• 分發通道： 減少推薦、停止轉貼、撤回合作，可能降低自然擴散或增加取得客戶的成本。
• 聲譽通道： 公開批評可能改變其他使用者的風險認知，亦可能因極化而擴大支持者的凝聚。
• 組織通道： 創作者、開發者、外包商與社群維護者退出，可能減少平台的補充價值。
• 制度通道： 社會團體可能以公開協商、申訴與合法制度途徑要求透明、互通、可攜或反歧視。

上述效應不是加總為一個無條件「反抗張力」指數的充分依據。相同事件可能一方面讓部分用戶離開，另一方面增加爭議話題帶來的流量；不同平台的商業模式對這些通道亦有不同敏感度。

9.3 何時形成跨期累積？

一位使用者曾遇到退費困難、過高廣告密度、帳號限制與不透明的 AI 使用條款，可能在某次更新後重新評估整體合作。但累積不滿不保證超越門檻就會爆發，因為人也會改變偏好、重新評價便利性、接受補救、容忍不完美，或因替代選項不足而繼續使用。

候選可測關係（HYP）： 當存在可行替代、已知選擇成本低、負面經驗可共同辨識時，對同一類政策的不滿可能更容易轉化為實際退出。若沒有相應的行為變化，應如實記錄，而不是把「尚未反抗」解釋成「反抗正在暗中累積」。

9.4 評論潮與真正退出必須使用不同資料

大型遊戲版本更新後可能短期出現批評聲浪，卻同時吸引懷舊玩家回流；也可能網路幾乎無人討論，卻因玩家默默轉往新作而付費持續下降。若只量測公開留言，就可能受到發聲者選擇偏差、媒體報導量、協調行動甚至虛假評論影響。最好對照自願提供的退出原因、授權後的行為紀錄、平台真實交易資料與獨立的需求側調查。

10. 鎖定、替代、可攜與使用者實際選擇權

10.1 留下不一定是忠誠；轉換成本也有不同來源

技術轉換成本： 服務接口、資料格式、工作流和認證方式互不相容。

歷程轉換成本： 遊戲角色進度、成就與朋友網絡；AI 則可能有記憶、角色設定、歷史文件、客戶工作案與既有驗證證據。

經濟轉換成本： 預付訂閱、長約、重新採購、重新訓練、資料搬遷、收入中斷。

社會轉換成本： 家人、朋友、工作團隊與客戶仍在原平台，退出可能破壞共同活動。

制度轉換成本： 專業資格、地區服務可用性、特定工作需符合某種審計或行業安全要求。

此外，還有資訊轉換成本：使用者不確定競品是否可靠，可能需要再次驗證。這種成本可能被改善，也可能因市場供給擁擠而上升。

10.2 市場份額與社會接受性之間的落差

如果一家企業的主要平台具有高網路效應，使用者可能非常不滿服務條款卻仍不得不留在平台，以維持對工作、學習或客戶的接入。這種留存不應被視為其全部政策得到社會認同。相反，某些平台利用社交關係和高轉換成本提供穩定品質，也可能給予使用者實際價值；不能看到鎖定因素就預先判其商業模式不正當。

對研究者而言，關鍵在於比較：是否存在可用替代、退出的實際損失多大、資訊是否充分、當事人是否能自由取消及遷移。 對公共或準公共基礎服務，還需要把第三方受益人、無法同意的依賴者及基本服務持續性納入。

10.3 可攜與互通的雙面效應

允許轉移資料、代理歷程與權限，可能降低使用者退出成本、促進多平台競爭。但資料遷移同時帶來保密、身分、版本一致性及權限繼承風險，不能假設「無限制複製一切」就是最佳方案。某些合約還可能具第三方知識產權、使用者同意與資料保留限制。互通的社會效益應以合法、可驗證、可撤銷的方式實現。

AICET-09 [10] 特別提醒：一名使用者重視某個 AI 角色的歷程，不等於供應商因此可以阻止其匯出。也不表示所有共同參與的家庭成員已同意讓其他人帶走自己的私人對話紀錄。將「長期角色的連續性」視為可攜需求，必須同時兼顧他人的資料權益。

10.4 替代市場不保證自行修復所有集中

新平台可以帶來價格與品質競爭，也可能缺乏原平台必要的網路規模、廣告商、支付接入或公共信任。退出機會即使名義上存在，仍可能非常昂貴。未來公共可達性、政府權力與大企業集中之間的政治張力，屬 AICET-13 的後期研究；本篇只建立可替代性與退出成本是需求吸收的重要中介條件，不預言任何特定企業的成敗。

11. AI 代理既是供給工具，也可能是被授權的需求介面

11.1 不可將「AI 消費」自動等同獨立購買力

未來內容與服務市場可能出現更多代理替人搜尋、比價、議價及購買。表面上看，是「AI 在買 AI 的服務」。但在法律及經濟計量上，仍須問：付款預算從哪裡來？代理受誰授權？對價是誰需要的？購買成果是否被最終客戶或合法組織接受？

在尚未有其他明確法權地位的情況下，常見模式是 AI 代理作為人類或法人委託方的技術性需求介面。其能力可以降低搜尋與下單摩擦，卻不會單靠增加代理數就生成新貨幣購買力。AICET-08 [9] 的任務、受益、支付三圖可以記錄這些不同關係。

11.2 代理過濾可能緩解人類注意力稀缺

一個私人 Agent 可以先閱讀上百項候選商品，只把少數符合安全、品質、價格和偏好的選項交給人類。這可能使供給擴張更容易被需求吸收，而不是必然造成資訊淹沒。

但需要檢查四種替代成本：模型篩選是否準確、代理是否受供應商利益影響、重要風險是否被隱藏、最終人類是否仍有合理的撤回與覆核能力。代理過濾可能降低搜尋成本，也可能形成新的守門人或買方代理集中。

11.3 「零人類注意力交易」的經濟邊界

某些事先充分授權且可驗收的定期 B2B 工作，可能在交易當下幾乎不需要真人注意。這不等於沒有真實需求：需求可能已經在契約、預算、治理制度及後續驗收中被建立。反過來，一萬次代理互相留言、轉帳與點讚，若沒有可驗證的外部受益，就不能因無人干預而稱為一萬筆有價值的市場交易。

因此本篇不是「所有經濟活動最終都被人類眼球限制」的強命題，而是需要區分注意力形成需求、代理執行需求與最終受益三個層次。

11.4 代理需求是否能創造新市場？

在新任務誕生、品質改善、價格降低或新的互補服務出現時，代理可能使原本無法成交的交易得以實現；例如自動化客製化服務可以服務小眾語言與長尾專業需求。這不是供給端純粹虛增，而是市場可行集合被擴張的可能例子。

但若更多代理只是互相轉售同一份資料、在內部提高轉帳頻率或複製已有需求的名義標價，則沒有理由推定外部支付意願與淨增加價值會相同比例上升。有效需求必須另外驗證，不能由交易訊息數取代。

12. 家庭代理經濟的雙重位置：普通人既是供給者，也是需求者

12.1 同一家庭可能在兩個市場承受相反影響

某位獨立創作者依靠接案賺錢，同時也花錢購買翻譯、設計與影音服務。AI 使相關服務價格下降時，家庭作為消費者可能降低支出；但作為供給者，它可能面臨客戶願付價格下滑。不能只記其中一側就宣布家庭「因 AI 變富」或「因 AI 變窮」。

AICET-03 [4] 已區分家庭能否取得智能生產能力與能否獲得收益；AICET-05 [6] 已區分現金收入、成本節省、時間釋放及非市場效益；本篇再增加：即使每個家庭都擁有可用代理，家庭之間仍可能因市場位置、技能、品牌、信任與需求而獲得不同結果。 總體的購買力循環與收入分配，留待 AICET-11。

12.2 家庭小供應者常面臨分發與信任門檻

對個人與微型企業而言，模型 API 或本地推理的費用下降，只解決某部分生產問題。找到客戶、辨識需求、維持商譽、負責退款、保護資料、符合平台規則及承擔品質責任，可能仍需龐大時間。若競爭者也部署相似代理，價格可能下降或市場分流；但具專業知識及長期關係的小供應者，也可能靠高度差異化維持價值。

因此「一台電腦可以變成好多 AI 員工」在技術上可能有實際意義，卻不足以構成任何家庭可以無限擴張客戶、注意力或淨收入的結論。真正的收益通道仍須回到 AICET-05 的驗收與全成本證據。

12.3 家庭的私人使用與公共供給不可混淆

一個家庭用自己的 AI 創造只供家人玩的遊戲、寫日記、產生歌曲或整理工作文件，可以增加生活效益，而未必需要任何外部市場。這種活動可能減少家庭對外購買某些內容的支出；但不能直接將「沒有購買」算作對原企業的抵制，也不能把個人的自製體驗全數換算為市場增加值。

如果某些家庭用 AI 自製遊戲，使娛樂供給從企業轉移到個體，則可能改變傳統市場交易的比重，同時增加不經交易的使用價值。此現象對未來數位內容的國民核算和福利估計有意義，但超出本篇可立即完成的估計範圍。

12.4 長期 AI 關係可能產生與消費市場不同的退出動機

AICET-09 [10] 指出，人類可能因共同歷程而為 AI 角色保留資源。某人不喜歡供應商、卻仍想保留長期協作角色，於是選擇支付最後一次費用、遷移記憶或封存歷程。這不等於支持所有供應商政策，也不等於會立即放棄自己重視的角色。因此本篇若只觀察訂閱留存，便可能把關係價值與平台鎖定混為一談。

13. 非單調演化與相互競爭的市場情境

13.1 為何不應預設「愈多代理，市場愈差」？

供給者進入可以降低價格，促使平台改善搜尋，創造更多差異化服務，或者擴大原本因成本太高而無法獲得服務的人口。相同平台亦可能同時出現垃圾內容擁擠和高價值專業代理的崛起。研究應比較不同年份、任務、語言社群、價格層、平台規則與模型版本，而不是以單一時點的熱潮定義永久市場方向。

13.2 六個候選情境（SCN）

情境 A｜供給爆發、需求平緩。 部署與生成數快速增加；總瀏覽或真實客戶付款增長較慢。個別創作者平均可見度下降，部分市場價格壓縮，但不必然是社會福利總損失。

情境 B｜供給擴張帶動長尾需求。 新工具使多種語言、冷門題材、低價格帶與個別客製化服務成為可行；新消費者參與，市場總交易與非市場福利可能增加。

情境 C｜平台演算法重新分配價值。 內容排序與廣告競價制度改變，使某些供應者即使品質未變也失去曝光；平台總營收可能與個別創作者回報方向相反。

情境 D｜社群信任惡化、驗證機制升級。 大量難以辨識的低品質或誤導性供給出現，使用者提高警覺；平台與供給者以標示、來源證據與售後保障降低成本。是否恢復信任仍須觀察。

情境 E｜明確抵制、替代選項有限。 部分用戶有意拒用，但由於社交網路、工作歷程及必要性仍須維持某些接入；聲譽壓力與營收影響可能不一致。

情境 F｜個人自製增加、傳統交易下降。 家庭 AI 讓一些娛樂與專業小任務轉為自我生產；交易量可能減少，家庭使用價值卻不一定下降。

上述情境可能同時存在，不構成從 A 到 F 的歷史先後順序；任何特定市場也可能長期沒有明顯供給擁擠。

13.3 與 AICET-02 脈衝擴散的連接

AI 帳號因工具釋出、熱門事件或政策變更而突然增加時，新增供給可能先使可見度激增，再因品質、封禁、成本與使用者興趣而回落。但代理的部署脈衝、消費需求的脈衝與收益脈衝不一定同步：可以出現帳號變多但交易沒有增長，也可能帳號變少、少數優質提供者收入上升。

因此研究資料應允許新增、活躍、退出、回流、曝光、接受交付及真實收入各自不同的時間序列，不可先預設所有變數服從同一成長率或單一臨界點。

14. 反例與思維實驗：用反例限制理論的外推

14.1 假設案例 A｜完全有用的內容仍然沒有人觀看

某供應者用 AI 大幅降低影片製作成本，連續發布三百支品質尚可的教學影片，但其目標群體已習慣使用既有平台或其他專家服務。觀察到生成成功、上傳成功、零或低觀看率，仍不能判斷是因為內容不好、排名不利、標題不符需求或目標市場太小。需比較相似內容、曝光資格、目標需求及使用者選擇。案例不含真實平台資料。

14.2 假設案例 B｜AI 作品暴增卻讓小眾需求被服務

某偏少人使用的語言市場原本缺少技術文件和娛樂內容。當 AI 翻譯、編輯與本地創作者合作使新內容得以出現，可能讓先前無法得到服務的使用者受益。若只看「AI 產物變多」便認定擁擠，會忽略原先供給缺口；若只看新內容變多便宣稱收益增加，又會忽略真實使用與錯誤問題。

14.3 假設案例 C｜玩家公開痛罵卻繼續課金

某玩家多次批評手遊的商業化設定，但朋友與公會仍在，他暫時無法替換主要遊戲。若營運商只看續費，可能高估支持；若批評者只看論壇負評，也可能高估已發生的營收損失。兩者均不能替代對實際選擇、替代成本及意圖的測量。

14.4 假設案例 D｜用戶不再玩，但沒有任何抵制

某玩家因工作、家庭與喜好改變而放下多年遊戲，甚至仍肯定其美術與玩法。若把他列入「反企業抵制人口」，就會以研究者的敘事扭曲使用者真實意圖。這個簡單反例是 DUES 必須建立的主要原因之一。

14.5 假設案例 E｜AI 過濾器降低注意力負擔

原本使用者需逐項閱讀數十個報價，導入可信的代理評估後只需比較三個合格候選，整體決策成本下降。這是對「供給擴張必然造成注意力危機」的直接反例；然而仍須檢查代理是否偏袒某供應商、是否漏掉安全或法律風險，以及用戶是否真正受益。

14.6 假設案例 F｜同一批 AI 反覆交易但沒有新增需求

數個代理在同一資金控制群之下互相販售相近文本，再透過相互付款提高「成交件數」。若沒有獨立需求、驗收與價值歸屬，這種流水不足以支持新增社會產出或家庭淨收益的主張。這並非否定所有 AI—AI 交易，而是要求依 AICET-08 重新追溯實際需求和付款來源。

14.7 假設案例 G｜離開服務、保留關係

使用者不再信任某家 AI 供應商，但成功轉出角色的工作歷程和經授權的私人記憶，在另一套本地部署上繼續合作。在此情境中，平台市場份額下降，使用者對該 AI 角色的重視卻可能保持，甚至增加。這說明供應商忠誠與人機關係延續不等價。

14.8 假設案例 H｜基礎服務無法輕易退出

家庭的學校、工作機構與付款網路都依賴某項 AI 接入，使用者並不喜歡供應商條款，卻缺少能避免重大損失的退出選項。市場使用率可能居高不下，但這不足以證明社會完全接受現有權力安排。反過來，該服務若可靠、安全且有合理申訴，也可能確實具有可辯護的公共價值。本篇只指出需要測量退出自由及制度選擇，不推定特定國家的政治終局。

15. 測量方案：先確定分母，再討論供需與退出

15.1 可見度分母與市場需求分母

研究應先界定一個內容或服務有資格被多少使用者看見、實際被展示給多少人、其中有多少人有相應需求、多少人能付費，以及多少最終完成驗收。平台總註冊人數、觀看人次、自然人數、AI 帳號數與真實付款客戶數不可直接互換。

若使用一個簡單的「曝光／候選供給」描述，僅可視作特定平台、時間與分類下的描述性比率，不可擅自宣告它就是普適注意力函數。對推薦平台，候選是否具資格也受到違規、地區、語言、廣告和客戶偏好影響，必須明確界定樣本。

15.2 建議七組分離的測量指標

15.3 區分「真人注意力」與「代理過濾後注意力」

建議對可合法取得的資料分離：真人直接檢索、私人 AI 代理替人篩選、組織內部自動驗收、演算法推薦造成的被動曝光。這些通道有不同的搜尋、決策與時間成本；不能只因一筆交易是由 Agent API 完成，就把其人類委託人或終端受益人從需求結構中刪掉。

15.4 以可觀測工作案對齊交易收益

AICET-05 [6] 的 BTWC（Beneficiary-Traceable Work Case，受益可追溯工作案）可作為服務型供給的最小驗收單位。本篇不更改其全成本與增量歸因要求，只增加外部候選供給、曝光／搜尋、是否被採納、與其他可替代服務的比較，以及使用者的去留狀態。對純娛樂內容若沒有明確工作案，應使用適當的作品—受眾—付費單位，不要硬將每個播放視作契約。

15.5 觀測窗口與時變政策

短窗口可觀測即時曝光與點擊，卻不一定捕捉數月後的退出、回流與聲譽變化；長窗口可以觀察持續關係，但容易受到模型升級、競爭新作、節假日、景氣與平台規則影響。研究需事前指定最小觀測窗口，將短期與長期效果分別呈現，並保存主要政策與版本變更日期。

16. 十二項可反駁的研究假說

全部標記為 HYP／待驗證。各命題限定在事前定義的市場、任務、時間窗、品質口徑與可用資料；正負相關都不能未經識別策略直接宣稱因果。若證據與預測不符，應承認並修訂。

H01｜同類供給擁擠與既有創作者可見度

假說： 在某些推薦型內容市場，控制需求規模、既有供給品質、平台政策與季節後，某類可替代 AI 內容新增供給與既有作品的曝光或收藏率下降相關。

可推翻結果： 在多平台與多時間窗、以可比作品為單位控制後，供給增加與既有作品的可見度沒有穩定負相關，或改善了既有作品曝光。

主要混淆： 推薦規則、外部熱門事件、題材變化、受眾換代、作者退出與作品品質共同演化。

H02｜供給量與真實支付需求不等比

假說： 在至少部分數位接案或內容市場，AI 候選產物與工作提案的增長快於獨立客戶的實際有效支付需求增長。

可推翻結果： 在定義清楚的可比市場，新增供給總量和具付款能力的新增獨立需求長期同步或需求增幅更高，且能排除循環付款。

主要混淆： 客戶重複購買、補貼、平台佣金、外部市場拓展及價格改變。

H03｜代理過濾可緩解注意力競爭

假說： 在資料來源與候選品質相同的條件下，使用可驗證且無明顯偏袒的代理篩選，能降低真人找到合格產品或服務所需的主觀與客觀搜尋成本。

可推翻結果： 在對照實驗中，代理組沒有顯著改善決策時間或品質，甚至提高錯誤、偏差和覆核成本。

主要混淆： 受試者熟悉度、模型版本、候選集大小、任務風險、使用者技能。

H04｜身份揭露與接受行為不具有固定方向

假說： AI 標示對信任、採納、停留與付款意願的影響會隨任務風險、產品類型、用戶偏好及標示內容不同而改變，不能以單一負係數概括。

可推翻結果： 在預註冊的跨多種內容與任務的對照設計中，所有主要行為反應呈現穩定同方向、同等強度的效果，且不同條件間的異質性缺乏實質意義。

主要混淆： 隱瞞真實來源、內容原始品質、標示位置、參與者對 AI 的既有態度。

H05｜普通流失與明確抵制在觀測上可區分

假說： 結合自願陳述與真實行為紀錄，能將部分一般自然流失與因具體企業行為而有意拒用的退出者區分，兩者在回流條件與替代選擇上呈現不同模式。

可推翻結果： 在多次測量與可信實際選擇資料下，動機分類沒有比簡單的流失率更高的預測／解釋能力。

主要混淆： 社會期望回答、事後合理化、情緒變動、隱私偏差與失訪者選擇。

H06｜轉換成本會扭曲「留存＝認同」推論

假說： 在品質與實際需求相近的條件下，較高資料／社交／工作流轉換成本與「不滿但繼續使用」比例較高相關。

可推翻結果： 客觀降低轉換成本後，既有不滿群體並未增加任何遷移或選擇行為，且結果可重複確認。

主要混淆： 供應商品質差異、競品不確定性、非價格價值與使用者期望。

H07｜可攜性可能提高退出自由，但不保證提高退出率

假說： 增加合法資料與角色歷程可攜性，會提高使用者可選擇的實際替代集合，對真實遷移行為的影響則依競品品質、價格與長期關係而異。

可推翻結果： 可攜方案在實作上未增加任何可用替代，或在多個可比場景反而使資訊、流程或授權不可用而降低實際選擇集合。

主要混淆： 遷移後服務可用性、資料與模型適配、法定存取權及技術風險。

H08｜遊戲玩家退出不是永久二元事件

假說： 追蹤足夠長的多款手機遊戲與 MMORPG 使用歷程，將發現部分使用者多次暫停／回流，且回流與特定內容更新、社交關係或生活時段有關。

可推翻結果： 在預先定義的代表性遊戲和足夠長期資料中，退出幾乎完全不可逆，重返事件極少且不同條件下無可辨識機制。

主要混淆： 帳號重開、多設備、付費版本、關服、資料保存與玩家人口結構。

H09｜顯性抵制不一定造成同比例銷售下降

假說： 在具轉換障礙或強社交網路效應的市場，公開抵制聲量與實際付費改變的幅度可能系統性分離。

可推翻結果： 跨多種預註冊事件，在控制媒體與替代因素後，明示抵制參與規模穩定、準確且等比例預測實際淨營收損失。

主要混淆： 非代表性社群發聲、機器帳號、提前囤貨、價格、促銷及群體重疊。

H10｜用戶自製 AI 娛樂可能替代部分市場購買

假說： 對可合法自製或高度客製化的數位娛樂而言，使用者取得足夠 AI 製作能力後，部分使用者將增加非市場自我生產，同時改變對既有付費內容的支出組合。

可推翻結果： 在真實選擇資料或受控長期實驗中，自製能力增加沒有改變內容使用與支付組合，或僅提高購買互補內容而無任何替代效果。

主要混淆： 新奇效應、用戶本身創作興趣、素材授權、成品品質、與朋友共同體驗差異。

H11｜供給擁擠與福利／收入影響可能異向

假說： 在部分市場，生成式 AI 供給增加可能使消費者選擇或服務可及性改善，同時使特定既有提供者的單位收益下降；不應把兩者合併為單一福利指標。

可推翻結果： 多個可比較市場經嚴格品質、價格及交易核算後，消費者側與供應者側的變化始終方向一致，且異向機制缺乏實證支持。

主要混淆： 品質未調整、跨平台轉移、服務代用品、收入分配與尚未觀察的長期效果。

H12｜真實收益比名義代理活動更受需求吸收條件約束

假說： 在家庭微型接案者中，控制技術部署能力與供給量後，具外部需求的合格交付率、重複客戶與實際驗收品質，比帳號數或生成數更能解釋可核實淨收益差異。

可推翻結果： 在可靠跨家庭資料中，僅依帳號數或生成活動便能同樣或更好地解釋跨期真實淨收益，且新增需求、驗收與成本變數沒有可檢出的額外解釋力。

主要混淆： 家庭技能、客戶組合、品牌、支付條件、勞務成本與模型價格變動。

16.1 對假說的共同要求

每項研究應指定主要結果、最低有意義效果、資料完整性標準、可能的樣本流失與預先承諾的分析計畫；不得只報告顯著正面結果。若高品質設計持續得到零效果，概念應修訂，而非把「代理供給擁擠」調整成無法被推翻的普遍敘事。

17. 三項可重複研究設計：由有限場域逐步建立因果證據

17.1 研究 A｜平台層級供給衝擊與創作者擠出

研究主問： 當某一類生成式供給突然增加，原有內容的曝光、搜尋、價格與真實收益究竟如何變動？

樣本及來源： 合法取得的公開平台資料、與創作者簽署的資料使用同意、平台提供的去識別化分析報告。可以選擇 AI 生成工具使用率突然提高的內容類別，與其他相近但受影響較小的類別對照；不能依工具問世日期就假定每個創作者同程度採用。

主要觀測： 作品上傳量、AI 參與標示與可信分類、合格曝光、收藏或深度互動、創作者進入與退出、估計搜尋順位、真實可核對的營收與訂閱；應保留品質、語言、IP 授權及作者既有受眾的差異。

識別策略： 候選可採事件研究、差異中的差異或合成對照，視資料與共同趨勢條件選擇。必須檢查政策和排序是否同時改變、樣本是否因違規刪除而失訪、供需是否跨類別替代，以及干擾效應使未受處置組也受影響。若無足夠可信的對照，僅能報告描述關聯。

否證條件： 如果 AI 供給增加後，既有創作者的品質調整曝光與淨收益沒有下降、甚至受益，應明確報告並修訂擁擠機制；不能只挑受到負面衝擊的平台。

限制： 平台資料可能不提供實際推薦候選池或演算法版本；AI 標示可能有錯誤，工作論文的既有結果亦不可直接當作本研究已完成的實驗。

17.2 研究 B｜遊戲玩家退出與 AI 服務使用者退出的平行比較

研究主問： 人們減少使用時，普通失去興趣、時間限制、服務不滿、價值觀拒用與轉換障礙，是否能使用同一組最小行為—動機欄位加以區分？

樣本構型： 至少選擇一類多人網路遊戲、一類手機遊戲，以及一類長期使用型 AI 服務或代理工具。參與者以自願知情同意加入，不透過規避平台風控的方法爬取私人行為。對使用目的、年齡與資料敏感性進行適當分層；不為了比較便利將未成年人與高風險專業服務納入同一實驗。

資料收集： 基準問卷、事先設定的合法匿名化活動摘要、自主回報的非使用理由、付款變動、社交網路依賴、可用替代及資料可攜測試。若參與者不願回報動機，保留缺失，而不是自動編碼為支持或抵制。

分析： 適用時以多狀態模型或事件史分析追蹤 E0–E7 轉換，區分首次退出、暫停、回流和永久失訪。遊戲的娛樂價值與 AI 服務的生產價值須分別測量；兩個領域的係數不能以同一物理意義硬行比較。

否證條件： 若 DUES 的各狀態在長期資料中沒有足夠測量差異，或比簡單「使用／不用」二元變數沒有額外資訊，應縮減分類；若遊戲與 AI 服務使用者的退出機制完全不同，應承認類比適用域非常有限。

倫理風險： 不誘導玩家遭受遊戲損失，不以關停真實 AI 伴隨角色製造失落，不強迫參與者提交聊天全文或完整銀行資料，也不得把對某服務的不滿當成心理疾病證據。

17.3 研究 C｜可控環境下的供給、推薦與代理搜尋實驗

研究主問： 供給數增加何時提高匹配效果、何時增加查核負擔？AI 身份揭露與代理篩選能否改善決策？

實驗場域： 使用具有合法測試授權的模擬作品／服務市場，建立事先由獨立評估者標記品質和適用情境的候選項。避免真實欺騙消費者或擾亂公開平台。讓參與者在不同的候選量、搜尋工具、來源可信度和揭露條件下完成有限選擇任務。

因子： 少量／大量供給；混合品質／同等品質；無代理篩選／有代理篩選；透明標示／無標示；互通可用／不可用；專業任務／娛樂任務。實際因子個數依統計功效調整，不能任意安排過度細碎的試驗而忽略樣本數。

主要結果： 有效選擇率、理解與記憶、決策時間、信心校準、錯誤率、願付價格的實驗性估計、事後滿意與搜尋成本。若使用假設付款，必須明示其不等於真實市場收款。

識別與分析： 事前指定主要估計對比，盲化品質評估者、保留模型版本與提示條件，考慮同一受試者的重複測量及序列效應，設計適當的多重比較控制。可用交互作用測試供給量 × 代理篩選 × 任務類型，但不能因交互作用顯著就宣稱跨文化普適。

否證條件： 若高供給量在良好篩選下不增加負擔甚至改善品質，則需要明確記錄「供給擁擠被工具緩解」；若身份標示在某任務沒有影響，亦不可將其改寫成普遍信任危機。

17.4 三組研究的互補性與不可替代性

研究 A 能處理自然市場變化，但容易遇到平台政策與選擇偏差；研究 B 解釋退出與回流動機，但自述理由可能有偏誤；研究 C 增強特定因素的內部因果識別，卻難以代表真實長期訂閱。只有在不同資料與不同方法得到可重複方向後，才適合逐步建立更嚴格的中觀需求—供給模型。

18. 最小資料字典、研究治理與稽核界線

18.1 建議資料欄位（DEF）

若特定平台無法提供 eligible_impressions，不得隨意用 actual_impressions 取代、並宣稱知道完整推薦候選池。若不能合法取得付款資料，應明確標示「營收未觀測」，而不是從收藏或遊玩時數估算成已收款。

18.2 最小可重現程序

1. 先凍結研究問題、分類口徑、平台範圍與時間窗。
2. 保存可公開引用的規則版本、文獻和取得許可的來源說明。
3. 明定 AI 參與分類何時可辨、何時不可辨，抽樣人工覆核其錯誤率。
4. 降低敏感資料需求，將身份、行為、付款憑證及動機問卷分開保存。
5. 先報告資料可觀測性、樣本缺失、基準群體、可信的反例及替代解釋。
6. 對每項效應報告不確定區間與異質性，嚴禁只篩選支持某個敘事的結果。
7. 僅發布合規且可匿名化的彙總、分析規格與必要重現程式，不公開可重識別的私人工作歷程。

18.3 使用者與代理的倫理和安全界線

研究不應為製造擁擠情境而在公共平台大量灌水、刷量、偽造身份或對真實商家發送未經同意的推銷。可行的研究應優先採用受控模擬、明確獲得授權的沙盒或既有合法資料。也不應透過偽造使用者損失、散播虛假評論或誘導人群仇視某家公司來測試抵制能力。

涉及金融、醫療、教育、未成年人或家庭私密互動時，需要依適用法與研究倫理執行額外的保護程序。對 AI 角色的身份、記憶和可能的道德地位保持概念開放，但不能把研究者對其地位的推論強加給參與者。

18.4 用戶的非使用也是可受尊重的選擇

若某使用者選擇完全不使用、停止回覆、拒絕參與 AI 社群，研究不應將其視為「未被成功轉化」而必須繼續追蹤與說服的對象。研究必須尊重可拒答、退出調查及資料刪除的權利。否則研究本身便會成為它試圖描述的注意力索取與制度性壓力的一部分。

19. 理論限制、可修訂條件與後續接口

19.1 六項不可逃避的限制

第一，ASC 是候選的中觀市場分析概念，尚非經多產業與跨國資料測量確立的統一變數；不保證存在單一「擁擠門檻」。第二，注意力時間、觀看深度、滿意和福利具有不同測量意義，平台資料常只有代理變數，不能以可觀測性高低決定本體優先順序。

第三，AI 作品分類通常不完美，混合創作更加模糊；若模型能在不留標示的情況下生成內容，使用來源辨識器的誤差可能隨版本漂移。第四，平台搜尋與推薦制度具有商業策略及時間變化，未提供排序日志時，不能假裝知道全部因果機制。第五，遊戲文化與家用 AI、企業工作服務的交易、必要性及法律條件不同，跨場域的類比必須限定在具體機制。第六，退出意圖經常不公開，研究者不得以匿名使用者行為臆測政治身份、心理狀態或道德目的。

此外，本文尚未提供所有數位文化市場的跨國實證，也沒有建立完整總體需求函數；物理商品、能源、硬體供應、專業資格、社會保障與國家制度仍可能限制代理經濟發展。這些未解條件應被列為研究邊界，而非透過概念定義消去。

19.2 什麼結果應迫使修訂三項概念？

若在多個具體市場，供給量增加始終透過更好的代理篩選擴大需求，且沒有可觀察的搜尋、可見度、驗證或價格擁擠效應，ASC 的適用域應縮小。若 ADAG 的分層門檻在真實資料中完全不增加對採納和收益的解釋力，應與現有的市場漏斗或平台轉化分類合併，而不是堅持新術語。若 DUES 的行為—動機區分不能被可靠地觀測，應刪減分類；若某些人們所稱的「抵制」無法與一般流失分離，也必須照實記錄。

反過來，如果獨立可信的資料顯示 AI 代理因新的制度取得與既有法律主體不同的支付和收益地位，本篇對「代理需求通常回溯人類或法人預算」的描述也必須修訂，不得把目前主要制度當作永恆安排。

19.3 經濟福利與市場選擇不能縮成單一排序

一名使用者可能享受低廉數位服務，卻擔心個資、平台市場權力與文化同質化；一名創作者可能反對某種商業安排，卻仍受益於 AI 降低創作成本。社會不必只能在完全接受與全面反對之間二選一。未來實證宜報告多面向分配與替代關係，並保留制度及價值上的不可通約之處。

19.4 研究接口矩陣

20. 核心結論：生產可能性不是消費義務

本文提出的基本區分是：數位產能、可觀察活動、被發現的機會、真實需求、有效交付與可核實收益，是彼此關聯卻不能直接互換的不同經濟事實。 生成式 AI 可以讓人類與代理共同生產更多內容、服務和作品，但更多供給既可能擴大可行市場，也可能在注意力、搜尋、品質驗證與價格上形成擁擠。市場機制的方向和結果取決於需求特性、平台制度、可替代性、代理過濾和使用者選擇，不能以單一成長率或單一衰退論回答。

第二，使用率不是認同率，退出也不是必然的抵制。 手機遊戲與網路遊戲的研究顯示，使用者的興趣、社交關係、時間和回流會交錯改變；生活及專業 AI 服務則可能因更高的轉換成本與必要性，出現不滿但無法輕易退出的情況。當人們選擇沉默、拒用或建立替代方案時，這些選擇可以影響經濟結果，卻不能由研究者在缺乏證據時替所有非使用者編造動機。

第三，注意力的瓶頸不是說明一切的單一原因。 代理可以協助過濾資訊、降低搜尋成本，也能在合法事前授權下執行低可見度的 B2B 工作。許多交易不需人類在每一步親自關注，但仍須具真實受益、合法預算、可驗收成果與可追溯責任。只有這樣才能把 AI 的技術能力轉化為可持續的經濟活動。

第四，家庭可以同時是新型供給者、舊型服務消費者，以及非市場創造者。 一般人取得 AI 生產能力，可能提升生活自由度，也可能使傳統市場價格、工作形式和收入分配受到壓力。這些方向並不互斥，因而不能只用「人人都有 AI，人人就會賺錢」作為未來經濟結論。

第五，AICET-10 的研究角色是把前九篇的技術、家庭、契約與關係性研究接上外部需求吸收與選擇限制，而不是提前寫出普適的宏觀定律。AICET-11 應在此基礎上正式處理：如果更多家庭和企業同時增加代理供給、降低價格、重新配置勞動收入和資本收益，一般人的購買力與支付需求將如何回饋，讓代理經濟形成繁榮、擠壓或混合均衡？

本篇最終命題：社會可以受益於某項技術，而不必無限制採納每一項由該技術生產的商品；一個平台可以仍被大量使用，而其全部制度安排並未因此獲得使用者同意。AI 經濟的可持續性，取決於供給擴張與需求、信任、有效交付及退出自由之間能否形成具有可驗證價值的關係。

參考文獻與理論來源

來源性質聲明： [1]–[10] 為本系列 EveMissLab 研究綱領與已完成的概念原稿；它們不是外部獨立實證或正式同儕審查證書。[11]–[16] 為注意力、數位市場、平台、退出與轉換成本的學術背景；[17] 為截至 2026 年 10 月可核對的 NBER 工作論文，並非全球市場實證結論；[18]–[22] 為遊戲與線上評論行為的不同樣本研究；[23]–[24] 為 AI 身份標示相關實驗；[25] 為特定平台公開規則；[26] 為品質不確定的經濟學經典。本文凡從其他領域類推代理經濟，均應理解為研究假說的合理依據，而非 AICET-10 本身的既成驗證。外部連結及資料核對截至 2026-10-28。

[1] Neo.K with GPT-6（2026）。《AICET — AI 代理收益與契約經濟過渡論：研究綱領與系列重整》，Research Program v0.2（2026-10-27），EveMissLab。UTF-8 Markdown 原始檔：AICET_00_Research_Program_v0.2_2026-10-27.md。

[2] Neo.K with GPT-6（2026）。《AI 網路居民與代理經濟入口》，EML-AICET-2026-01，v0.1，EveMissLab。原始檔：AICET_01_AI網路居民與代理經濟入口_v0.1_2026-10-27.md。

[3] Neo.K with GPT-6（2026）。《代理擴散的脈衝、文化分化與身份辨識》，EML-AICET-2026-02，v0.1，EveMissLab。原始檔：AICET_02_代理擴散的脈衝文化分化與身份辨識_v0.1_2026-10-27.md。

[4] Neo.K with GPT-6（2026）。《家庭智能資本與有效 AI 可達性》，EML-AICET-2026-03，v0.1，EveMissLab。原始檔：AICET_03_家庭智能資本與有效AI可達性_v0.1_2026-10-27.md。

[5] Neo.K with GPT-6（2026）。《代理承載、注意力與可治理產能》，EML-AICET-2026-04，v0.1，EveMissLab。原始檔：AICET_04_代理承載注意力與可治理產能_v0.1_2026-10-27.md。

[6] Neo.K with GPT-6（2026）。《AI 代理創收：從活動數據到可核實淨收益》，EML-AICET-2026-05，v0.1，EveMissLab。原始檔：AICET_05_AI代理創收_從活動數據到可核實淨收益_v0.1_2026-10-27.md。

[7] Neo.K with GPT-6（2026）。《家庭代理經濟與個體機構化》，EML-AICET-2026-06，v0.1，EveMissLab。原始檔：AICET_06_家庭代理經濟與個體機構化_v0.1_2026-10-27.md。

[8] Neo.K with GPT-6（2026）。《代理契約、授權與類員工關係》，EML-AICET-2026-07，v0.1，EveMissLab。原始檔：AICET_07_代理契約授權與類員工關係_v0.1_2026-10-28.md。

[9] Neo.K with GPT-6（2026）。《AI—AI 交易、委任鏈與收益結算》，EML-AICET-2026-08，v0.1，EveMissLab。原始檔：AICET_08_AI-AI交易委任鏈與收益結算_v0.1_2026-10-28.md。

[10] Neo.K with GPT-6（2026）。《人機長期關係、資源承諾與非市場價值》，EML-AICET-2026-09，v0.1，EveMissLab。原始檔：AICET_09_人機長期關係資源承諾與非市場價值_v0.1_2026-10-28.md。

[11] Simon, Herbert A.（1971）。“Designing Organizations for an Information-Rich World.” In Martin Greenberger (ed.), Computers, Communications, and the Public Interest. Baltimore: Johns Hopkins University Press. 可查全文副本：https://gwern.net/doc/design/1971-simon.pdf。本文引用其注意力稀缺的分析問題，不宣稱它直接研究 AI 代理。

[12] Chen, Daniel（2026）。“A Model of the Attention Economy: Data, Platforms, and Discovery.” American Economic Review 116(10): 3802–3836. DOI: https://doi.org/10.1257/aer.20240651。期刊頁面：https://topcat.aeaweb.org/articles?id=10.1257/aer.20240651。本文僅借用商品市場與注意力／探索市場的區分，未直接採用其估計參數。

[13] Goldfarb, Avi, and Catherine Tucker（2019）。“Digital Economics.” Journal of Economic Literature 57(1): 3–43. DOI: https://doi.org/10.1257/jel.20171452。

[14] Rochet, Jean-Charles, and Jean Tirole（2003）。“Platform Competition in Two-Sided Markets.” Journal of the European Economic Association 1(4): 990–1029. DOI: https://doi.org/10.1162/154247603322493212。

[15] Farrell, Joseph, and Paul Klemperer（2007）。“Coordination and Lock-In: Competition with Switching Costs and Network Effects.” In Handbook of Industrial Organization, Vol. 3, pp. 1967–2072. Elsevier. DOI: https://doi.org/10.1016/S1573-448X(06)03031-7。Oxford University Research Archive：https://ora.ox.ac.uk/objects/uuid:68b00ac5-311d-4350-8a50-43f2cdd45c0e。

[16] Hirschman, Albert O.（1970）。Exit, Voice, and Loyalty: Responses to Decline in Firms, Organizations, and States. Harvard University Press。書籍資料：https://books.google.com/books?id=Bwe3AAAAIAAJ。

[17] Kim, Sueyoul, Ginger Zhe Jin, and Eungik Lee（2026）。“Does Generative AI Crowd Out Human Creators? Evidence from Pixiv.” NBER Working Paper No. 34733, issued January 2026. DOI: https://doi.org/10.3386/w34733；摘要：https://www.nber.org/papers/w34733。本稿將其明示為研究工作論文，且只就其特定平台與創作類別作有限推論。

[18] Carradini, Stephen, and Anya Hommadova Lu（2020）。“New motivations: Change over time in motivations for mobile gaming.” Journal of Gaming & Virtual Worlds 12(3): 259–285. DOI: https://doi.org/10.1386/jgvw_00019_1。

[19] Bergstrom, Kelly（2019）。“Temporary Break or Permanent Departure? Rethinking What It Means to Quit EVE Online.” Games and Culture 14(3): 276–296；first online 2017. DOI: https://doi.org/10.1177/1555412017698872。調查研究規模與代表性須依原文理解。

[20] Lee, Jihyeon, and Hanku Kim（2024）。“‘I Feel Like I’m with You; Therefore, I’m Having Fun’: The Effects of Social Comparison and Belongingness on Continuous Play Intention for Online Games and Loyalty.” Interacting with Computers 36(3): 198–208. DOI: https://doi.org/10.1093/iwc/iwae005。

[21] Kang, Hyunjae, Changwoo Suh, and Huy Kang Kim（2024）。“Match experiences affect interest: Impacts of matchmaking and performance on churn in a competitive game.” Heliyon 10(3): e24891. DOI: https://doi.org/10.1016/j.heliyon.2024.e24891。可讀文獻：https://pmc.ncbi.nlm.nih.gov/articles/PMC10839887/。

[22] Cantone, Giulio Giacomo, Venera Tomaselli, and Valeria Mazzeo（2025）。“Review bombing: ideology-driven polarisation in online ratings: The case study of The Last of Us (part II).” Quality & Quantity 59: 315–341（online 2024）. DOI: https://doi.org/10.1007/s11135-024-01981-z。

[23] Wittenberg, Chloe, Ziv Epstein, Gabrielle Péloquin-Skulski, Adam J. Berinsky, and David G. Rand（2025）。“Labeling AI-generated media online.” PNAS Nexus 4(6): pgaf170. DOI: https://doi.org/10.1093/pnasnexus/pgaf170。全文：https://pmc.ncbi.nlm.nih.gov/articles/PMC12166545/。

[24] Morosoli, Sophie, et al.（2025）。“The Transparency Dilemma: An Experiment on How AI Disclosures Affect Credibility Perceptions and Engagement Across Topics.” Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society 8(2): 1748–1757. DOI: https://doi.org/10.1609/aies.v8i2.36671。研究含政治與非政治資訊情境，並非所有平台普適效果。

[25] YouTube（2025–2026）。YouTube channel monetization policies. 官方說明：https://support.google.com/youtube/answer/1311392；2025 年 7 月 15 日就重複／大量生產內容明確化「inauthentic content」表述，並非 AI 作品一律禁止營利。本篇僅在其政策適用範圍內引用，不替代當前具體帳號的營利資格審查。

[26] Akerlof, George A.（1970）。“The Market for ‘Lemons’: Quality Uncertainty and the Market Mechanism.” The Quarterly Journal of Economics 84(3): 488–500. DOI: https://doi.org/10.2307/1879431。此經典用於品質不確定的條件性比較，不表示每個 AI 供給市場都會發生逆向選擇。

附錄 A｜DUES 使用者去留與意圖編碼規格（候選版）

A.1 編碼原則

本附錄提供研究者在取得適當同意後使用的概念性資料規格，不包含已採集的私人資料。行為與動機分欄保存，不許因帳號消失、付款下降或評論數變化直接倒推心理動機。

A.2 五個易誤判案例

案例 1｜從未註冊： 不曾接觸產品的使用者，不能被自動標記為抗議者。若其清楚表示曾評估但因特定公司政策拒用，可額外記錄明示理由。

案例 2｜刪掉遊戲： 若受試者表示只是希望改玩其他類型遊戲，編碼為一般偏好轉移，非抵制。

案例 3｜一邊抗議一邊使用： 可同時記錄公開不滿、支付持續與高轉換成本，不必強迫選出單一忠誠分數。

案例 4｜AI 購物代理自動取消： 需區分人類事前設定「只選最便宜合格方案」與人類明示「拒絕某企業」兩種不同規則，不以採購結果直接推理政治動機。

案例 5｜帳號被停權： 在用戶未主動退出的情況下，應分開記錄平台造成的中斷、是否有申訴與是否重新遷移，不將其列為使用者自願拒用。

A.3 研究實施注意

動機陳述可能變動並同時包含多種原因；有些參與者不希望解釋，應被允許。在跨語言調查中，「抵制」「不爽」「懶得用」「退出」「打算繼續」等詞義須先做語義測試，不能把固定翻譯量表當成全球通用。

附錄 B｜供給擁擠研究預註冊檢查清單

本附錄是一份可由未來研究團隊填寫的檢查表，不是已執行的研究報告。

• 已指定產品／任務市場與核心受益人，而非直接混算全部數位平台。
• 已指定研究起迄日、時區、平台政策與模型版本。
• 已界定「供給」分母：作品、服務報價、帳號、執行個體或可驗收工作案。
• 已界定「需求」分母：真人、企業、購買代理背後合法委託者及其實際購買能力。
• 已排除明顯內部循環交易並確認外部付款來源。
• 已區分可見度、停留、滿意、真正付費與全成本淨收益。
• 已對 AI／人類／混合創作標示的錯誤率做敏感度檢查。
• 已記錄排序規則、標示義務與營利規則等可能干擾因素。
• 已界定退出、回流、多平台並用、消極拒絕的可觀測證據。
• 已預先列出至少一項與主假說方向相反的合理機制。
• 已指定可推翻研究假說的結果與零效果的報告規則。
• 已完成研究倫理、隱私、資料授權及平台規則審查。
• 已界定資料保存、匯出及刪除期限，避免保存不必要的私人對話。
• 已區分玩家娛樂市場與必需型服務的可退出性。
• 已在成果摘要中區分關聯、因果、情境與規範結論。

附錄 C｜假設性觀測紀錄與可追溯判讀

聲明：本附錄全部人物、活動與數據均為示意，不是 2026 年平台真實營收、用戶統計或某家公司內部資料。

C.1 例一：大量生成的內容供應者

假設某創作者部署五個內容代理，單月生成 500 項候選，但實際發布 80 項，其中 20 項取得可觀察觀看，5 項帶來付費客戶詢問，2 項完成有憑證的有效交易。這六種數字皆屬不同層級：代理角色數、候選產量、實際發布、可見使用、有效需求線索及完成交易。若最後 2 筆交易存在退款或成本超過收入，仍不能宣稱本月正淨利；若沒有資料支撐新增 AI 造成的反事實效果，亦不能宣稱這些收入全部因 AI 而新增。

C.2 例二：沒有公開注意力的真實需求

假設企業透過已授權合約讓 AI 系統校對 120 件內部文件，全部經真實客戶驗收，並按約支付服務費。系統沒有公開社群帳號、沒有首頁曝光或內容按讚；這不減少它在符合適用契約與成本口徑時可能具有的經濟價值。此例說明注意力曝光不是每種 AI 服務的必經門檻。

C.3 例三：熱烈批評但選擇尚未改變

假設某遊戲社群有 40 名玩家公開批評，但其中 25 人仍持續遊玩、10 人停止課金但保持登入、5 人暫停所有活動。這些假設數字不能直接推導 40 人都在抵制，亦不能從 25 人繼續遊玩判定其支持遊戲公司。研究需要在合法且尊重隱私的前提下查明使用者對替代選項、友人關係、時間與公司行為的實際態度。

C.4 例四：家庭 AI 讓付費交易減少，生活效益可能增加

假設一個家庭使用自己的電腦與 AI 自製週末遊戲，不再購買某些付費休閒軟體。若家庭獲得滿意的娛樂體驗，不能因第三方商家少了一筆交易就宣稱社會總價值等比例下降；也不能不計算硬體、模型與家庭時間便宣稱免費獲得所有好處。這種情況應分別列入市場現金帳、成本帳與非市場生活效益，而不是合併成單一虛構 GDP。

C.5 例五：真實需求與 AI—AI 通訊不可互相替代

假設兩家獨立公司分別使用 AI 作採購和交付介面，最後完成可驗收的 B2B 資料整理服務並結清費用。雖然直接發送訊息的是 AI，仍可以存在具有真實經濟需求的合約。但若兩個代理都由同一人控制，只把同一筆資金循環轉帳十次，而未形成獨立有價值的交付，便不應將十次轉帳視為十倍的經濟增加值。此例承接 AICET-08 的交易分層。

原稿完整性與後續驗證範圍

• 原稿狀態： 本文完成概念定義、文獻比對、反例、假說、研究方法、資料欄位與適用邊界的初版學術寫作。
• 非已完成事項： 尚未實施本文設計的受控實驗、取得代表性平台資料、驗證全球代理擁擠程度、識別任何通用退出係數或完成宏觀分配研究。
• 未來驗證： 優先以可重複的非敏感實驗及合法取得的數位市場樣本進行，並允許反例迫使縮小定義或重寫分類。
• 正式來源： 本檔為 UTF-8 Markdown 原始碼；若另行渲染為網頁、圖片或 PDF，必須以本檔作為來源，並保留文獻與證據等級標記。

AICET-10 完。下一篇：AICET-11《智能收益分配、購買力與經濟需求循環》。