title

代理承載、注意力與可治理產能

english_title

Agent Carrying Capacity, Attention, and Governable Productive Capacity: Human Supervisory Constraints in Everyday Agentic Economies

series

AI 代理收益與契約經濟過渡論（AICET）

series_id

AICET

series_position

Paper 04 / 12 Core Papers (13–14 Deferred Extensions)

document_id

EML-AICET-2026-04

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 / Human–AI Interaction / Agentic Economy / Supervisory Governance / Household Production

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

next_paper

EML-AICET-2026-05 (planned)

evidence_cutoff

2026-10-27

代理承載、注意力與可治理產能

Agent Carrying Capacity, Attention, and Governable Productive Capacity: Human Supervisory Constraints in Everyday Agentic Economies

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-04／十二篇核心論文第四篇
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： 概念論文原稿完成；本文假說、分類與建議測量方法尚未經專屬家庭代理資料集驗證。
研究定位： 將家庭取得 AI 代理能力的「可達性」問題，推進至代理活動的注意力承載、分層授權、治理與有效成果問題。

摘要

隨著生成式 AI 與自主代理的部署成本下降，個人與家庭可能逐漸擁有多個可長期工作的數位代理。然而，能啟動多少代理、同時有多少代理運作，以及一個人或家庭能夠安全、持續且有效地管理多少代理活動，是三個不同問題。增加算力、模型及帳號可能擴張名義上的工作能力，卻同時增加目標設定、背景共享、權限檢查、例外處理、成果驗證、外部承諾與事故恢復等負擔。當監督與驗證工作集中於有限的人類注意力時，代理數量增加未必提高經品質與成本調整後的交付能力；反之，若任務可分解、權限明確、驗收自動化且例外處理稀少，個人亦可能管理遠多於其逐一關注能力的代理活動。

本文提出「代理承載」（Agent Carrying Capacity）與「可治理產能」（Governable Productive Capacity）兩個任務條件式的操作性概念。前者指在指定期限、任務組合、風險容許度及管理資源下，委託者能維持多大的代理活動規模，而不致因監督、注意力或權限失控使系統低於預先設定的可接受標準；後者指不僅能持續活動，而且能在授權、可追溯、驗證及糾錯條件下形成被接受的有效成果之代理工作能力。本文刻意區分名義部署數、活躍代理數、可治理代理數、被驗收的有效工作、以及最終可核實的經濟收益，不將它們視為單調遞增或天然等價的指標。

本文以自動化人因研究、情境覺察、多機器人團隊監督、當代多代理協調基準、AI 風險治理與開發者生產力研究為背景，建立監督活動分類、注意力瓶頸的失敗模式、不同任務風險下的授權—驗收架構，以及可重複的對照研究方案。2026 年有關人類—多代理團隊擴展性的研究，已提供監督容量與分組控制代價的直接參照；但其機器人實驗結論不得在缺乏驗證時直接轉成家庭數位代理的通用上限。本文亦不提出普適的代理產能函數，不預設人類必須逐一審查所有低風險行動，不宣告代理因被稱作「員工」便取得法律人格，也不假定人工代理一定帶來正收益。

中心結論：代理經濟的家庭入口，存在從「可取得智能資源」到「可治理地動員智能資源」的獨立瓶頸。真正需要測量的不是一家有幾個 AI，而是誰能以何種注意力、風險、授權與證據成本，維持何種品質的代理成果；以及增加代理後，哪些資源與制度條件使淨效益提高、停滯或下降。

關鍵詞： AI 代理承載、可治理產能、監督負荷、注意力經濟、人機協作、情境覺察、例外處理、代理監督、自主窗口、驗證成本、家庭智能資本、可觀察性、權限邊界、代理經濟

Abstract

As AI agents become more affordable and widely deployable, households and individuals may operate multiple persistent agents. Yet nominal deployment, concurrent activity, and the capacity to govern useful work are distinct phenomena. Additional agents can increase parallel throughput while imposing new burdens of supervision, interruption management, verification, authorization, coordination, and incident recovery. Conversely, carefully bounded delegation, task decomposition, independent checks, and exception-oriented supervision may allow a person to sustain useful activity beyond what direct one-by-one monitoring would permit.

This paper introduces Agent Carrying Capacity and Governable Productive Capacity as task-conditional operational constructs for studying the transition from access to productive agency. It separates provisioned agent identities, active runtime instances, governable agent activity, accepted task outputs, and audited economic benefit. The analysis integrates research on automation ironies, attention, situation awareness, human–multi-agent supervisory span, multi-agent coordination costs, and AI risk management. It develops a measurement taxonomy, counterexamples, falsifiable hypotheses, and an experimental design involving household and small-organization workflows. The paper does not posit a universal formula for optimal agent counts, equate attention saved with cash income, or infer personhood from persistent agent operation. Its main contribution is to conceptualize governability as a distinct conversion constraint between nominal intelligent capacity and economically or socially useful delivery, before the subsequent AICET study of auditable agent-generated income.

Keywords: agent carrying capacity; governable productive capacity; human supervisory load; attention; exception management; delegated authority; agentic economics; household production; verification overhead; human–AI teaming

0. 研究定位、問題與非主張

0.1 為何 AICET-04 必須獨立成篇？

AICET-01 [1] 研究可持續 AI 網路活動與經濟入口，AICET-02 [2] 研究代理擴散的非線性動態、文化分化與身份辨識，AICET-03 [3] 則將個人與家庭取得智能生產能力的條件分成資源、可靠性、控制、持續性及受益等不同層次。前三篇共同反對以「帳號增加」「模型便宜」「可登入服務」直接推導廣泛創收。

AICET-04 回答另一個獨立問題：即使運算能力、模型、帳號、軟體與資料都已經取得，家庭如何將它們持續組織成不超出自身注意力及治理能力的有效代理活動？ 這不是重複 AICET-03 的可達性，而是檢查資源進入實際工作後的監督瓶頸；也不是提前完成 AICET-05 的收益核算，因為有效交付並不保證存在有付款能力的外部需求。

AICET-03 的 D5「有效治理與控制」是一種資源可達性維度；本篇進一步拆開：治理所需的實際人類時間、注意力排程、監督密度、例外到達、驗證準確率與回復能力。擁有停用開關，不代表操作人員能及時察覺應該按下開關；能查看活動日誌，也不代表有人理解所有重要狀態。

0.2 本文的四個中心研究問題

1. 一位使用者究竟「管理」的是模型、代理個體、帳號、任務佇列，還是具有一定自主裁量範圍的工作關係？
2. 哪些條件使代理數增加成為產能擴張，哪些條件使其變成監督與驗證負擔？
3. 何種分層授權、任務拆解、異常通知及獨立驗收能減輕人類負荷，而不把監督表面自動化、實際失明化？
4. 如何利用可觀察的實驗指標區分「代理很忙」「使用者很忙」「有用工作變多」「總成本下降」與「真正產生可歸屬收益」？

0.3 本文不主張

1. 存在不依賴任務、風險與操作者的固定最佳 AI 代理數量。
2. 一個人同時管理的代理越多，生產力必然越高或必然越低。
3. 人類需要對每一項低風險代理行動進行逐次審核。
4. AI 監督 AI 必然無效，或必然能完全替代獨立驗證。
5. 可觀察的代理活動數、互動量或 token 量等於成果數。
6. 成功完成成果的代理必然帶來外部現金收入。
7. 代理的日常工作、類員工稱呼或持續身份代表法律人格。
8. 任何家庭成員都自動有權檢查其他成員的資料或接管其代理。
9. 所有任務可使用一致的風險或驗收標準。
10. 設備規格與模型能力不影響代理承載；它們只是不能單獨決定結果。
11. 多代理協作必然優於強單代理或傳統軟體自動化。
12. 某項特定研究中的人類監督數量，可以直接套用到所有數位家庭工作流。
13. 目前已存在具代表性的全球「家庭 AI 員工承載能力」調查。
14. 本文已驗證任何普適產能函數、固定最適監督比例或具有跨國外推性的時間門檻。
15. 對 AI 保有善待、延續與福利性的資源承諾，必然等於收入最大化決策；此一關係性議題另由 AICET-09 研究。

0.4 證據標記

• OBS（已見文獻／觀察）： 有來源與適用範圍的學術、制度或實驗發現。
• DEF（本研究操作定義）： 用來使資料可比較，不聲稱已成國際標準。
• HYP（未驗證假說）： 可用實驗或觀察推翻的關係。
• SCN（條件性情境）： 假設不同能力、制度或需求條件可能出現的結果。
• NOR（規範性建議）： 例如對高風險行動要求事前核准，是依政策或風險偏好形成的治理主張，不是實證定律。

全文的定義、假說與制度建議須維持不同證據等級。引用特定產業的實驗不能偽裝成所有家庭代理活動的普遍結論。

1. 既有文獻：自動化並未消除管理問題

1.1 注意力的稀缺性與自動化的弔詭

Herbert A. Simon 早在 1971 年就強調，資訊大量供應不等於受眾注意力無限制 [4]。這個洞見並未特別預測今日的 AI 代理，而是指出一種可重用的資源約束：當機器生產更多資訊、選項、決策建議及需處理的異常，人類注意力可能成為新的瓶頸。

Bainbridge（1983）提出自動化弔詭，指出自動化可能把日常作業移交給機器，卻在異常或失敗時留下更困難的人類處置工作 [5]。對於多代理經濟，該問題的轉化形式是：代理完成了許多普通步驟，但重要的、模糊的、會造成損失的例外，可能集中在少數人類操作者面前。

Parasuraman、Sheridan 與 Wickens（2000）將自動化拆成資訊取得、資訊分析、決策與行動選擇、行動執行等階段，提醒「自動化程度」不是單一開關 [6]。AICET 據此認為，家庭 Agent 不必在所有階段享有相同自由：查找公開資料與核准不可逆交易，應當被視為不同的授權層次。

1.2 情境覺察與過度信任

Endsley（1995）的情境覺察研究強調環境資訊的感知、理解與未來狀態預期，並指出注意力、工作記憶、經驗與任務目標的重要性 [7]。在多代理活動中，即便監督者知道「有八個 Agent 在工作」，也可能不知道其中兩個正在等待核准、另一個使用過期資料、還有一個已無法回復先前狀態。

Parasuraman 與 Manzey（2010）回顧自動化偏誤與監督鬆懈的實證研究，指出其與多工負荷及注意力配置有關 [8]。不能從這些研究推出「AI 代理越多，人類一定越不可靠」，但足以支持將錯誤漏報、誤信結果、過早核准與人類注意力被稀釋列為獨立風險。

Amershi 等人（2019）的 Human–AI Interaction 指引則提供介面與互動層面的背景，包括系統應如何傳達能力、不確定性、錯誤及使用者控制 [9]。它不是完整多代理經濟模型，但可提醒研究者：儀表板清晰度、狀態可理解性與修正能力，可能決定人能否管理超過單一 Agent 的活動。

1.3 從單機監督到多代理可擴展性

Olsen 與 Goodrich（2003）提出以互動努力、機器在無干預下工作的時間與人類管理多機器的範圍評估人機互動 [10]。這些概念原先在機器人互動環境下發展，不可把一台行走的機器人與一個可複製的數位代理完全等同；然而其問題意識直接觸及 AICET-04：有效管理規模是人機共同系統的性質，不能只從機器數量推算。

Perkins、Sevil 與 Johnson（2026 年 10 月 8 日）的 AI Magazine 研究，針對人類—多代理團隊的擴展性，質疑傳統逐一監督模型，並在群組式協作情境中展示監督規模與個別可觀察性／可直接操控性之間的權衡 [11]。這是本篇截至 2026 年 10 月特別貼近的當代研究。惟其實驗環境是特定的多機器人模擬與任務，其結果並非直接證明一個人可管理多少個家庭數位 Agent。本文採用的是比較問題、測量思路與反例意識，不搬用其量化公式，也不聲稱已創立新的人類注意力定律。

1.4 當代數位 Agent 的協調收益並非單調

Kim 等人（2026）在 Nature Machine Intelligence 的受控實驗中比較單代理與多代理架構，發現協調收益與任務可分解性、模型能力及交互負擔有關，並非多加幾個 Agent 就必然改善結果 [12]。這提供另一條、但與人類注意力不同的制約：多代理的機器—機器協調成本本身就可能抵消並行優勢。

Li、Naito 與 Shirado（2026）在多代理資訊分散推理基準中，觀察到代理集體可能因無法辨識彼此未表達的資訊而過早收斂 [13]。這類基準不是普通家庭收入測量，但支持一個不能忽略的失敗模式：代理互相覆核、互相同意，並不等於它們真正保有相互獨立的證據與判斷。

METR（2025）曾在一組熟悉既有開源專案的開發者任務中觀察到 AI 工具使完成時間增加；但其 2026 年的後續研究也指出新工具、參與者選擇偏差及多代理平行工作，使真實生產力效果更難衡量 [14][15]。這兩份研究的正確用途是提醒研究者不可把體感省時或工具使用量直接等同產能增益，而不是主張 2026 年 AI 一律使人變慢。

1.5 治理框架所能提供與不能提供的內容

NIST AI RMF 1.0 與 2024 年 Generative AI Profile 提供治理、風險識別、測量及管理的實務背景 [16][17]。然而，它們不會替家庭決定固定的代理數量上限、通用的 AI 員工契約或收益公式。研究仍需針對任務、權限、風險及資料環境建立獨立、可測的承載判準。

2. 最小分析單位：不要把「代理數」當成自然數量

2.1 六種不能互換的計數單位

同一模型可以同時支援十個工作角色；一個角色可以派生十個執行個體；也可能是一個 Agent 連續處理一百件任務。因此，「我有十個 AI」只能當日常說法，不能直接作為承載研究的分析單位。

2.2 名義部署、活躍、可治理與有收益的四層分離

本文特別區分：

1. 名義部署規模（provisioned scale）： 已配置的帳號、角色或程序數，可能大量閒置。
2. 觀察到的活躍規模（observed active scale）： 在指定時間窗內執行運算、工具操作或對外互動的活動單位。
3. 可治理活動規模（governable operational scale）： 在規定授權、成本、品質、審查及事故處理標準下，能維持的工作負載。
4. 可核實收益活動規模（income-producing scale）： 已形成真實外部需求、被接受成果、付款及相應收益歸屬的活動；這層必須另外由 AICET-05 核算。

這四層不應混成一個線性成長階梯。個別代理可以在私有環境中取得收益而沒有公開帳號；一個家庭也可能因偏好或倫理承諾持續維護不創收的代理。

2.3 「家有多少 AI」不是精確問題

更精確的研究問題應是：在某一個任務集合、風險規範、時間窗、預算與監督者安排下，哪些代理工作能被持續驗收？增加另一個代理時，究竟改變了並行工作、人工干預、故障負荷，還是純粹增加顯示器上的活動數？

3. 兩個核心操作性概念

3.1 代理承載（Agent Carrying Capacity；DEF）

本文暫定「代理承載」指：

在預先指定的任務、期限、風險標準、授權邊界與資源限制下，一名或一組合法委託者可以持續維持的代理活動規模，使預先設定的交付、監督、例外回應與事故控制標準仍得以達成。

這是條件式、觀察式概念，不是一個固定的「最多可養幾個 AI」數字。相同的人管理三個會對外付款的代理，與管理三十個只整理公開文件的代理，承載問題完全不同。

承載也不是只看即時表現。代理在一小時內工作正常，不表示它能連續三個月低成本運作。研究應分開觀察短期峰值承載、日常穩態承載及異常發生後的恢復承載。

3.2 可治理產能（Governable Productive Capacity；DEF）

本文暫定「可治理產能」指：

在合法授權、合適的驗證強度、必要的可追溯性、可撤銷性及風險控制條件下，代理工作系統在指定時間內可持續形成可接受成果的能力。

它不等於 Agent 的理論推理能力，不等於其運算吞吐量，也不等於企業或家庭的現金流。可治理產能既取決於 AI，也取決於人類、軟體規則、測試器、外部制度及任務需求。

3.3 注意力債（Attention Debt；DEF）

為了避免只統計使用者「當下覺得不累」，本文提出工作性概念「注意力債」：已經產生但尚未處理的例外、待核准事項、未經充分驗證的重大輸出、風險事件或延宕後會增加處理成本的狀態。它不是會計負債，不代表可以直接以金錢衡量，也不預設所有待辦事項都是問題。

例如代理夜間完成十份文件，早晨留下七項須人工核准的決策，工作量可能只是從寫作轉移為高密度驗證。反過來，若十份文件符合明確格式且已有可靠測試器，使用者可能只需查核低頻異常。兩種結果都不應僅用「夜間完成十件任務」描述。

3.4 「自主窗口」和「監督缺席」不是同一概念

**自主窗口（delegated autonomy window）**是事先合法授權的任務、時間、權限及資源範圍；代理可於窗口內執行被允許的行為。**監督缺席（unobserved operation）**則只表示沒有人正在觀看。二者可能重疊，卻不能視為同義。

自主窗口可以包含事後抽查、每日上限、異常時停止、可撤銷權限、限時工作與證據留存。只要風險可控，持續工作並不意味人類必須持續盯著畫面；但人類不觀看也不能使未經授權行動變成合法授權。

4. 代理管理為何消耗注意力：八種工作負擔

八類負擔是一組候選觀測面向，未經因素分析證明彼此統計獨立。研究時應避免把所有工作時數直接加總為「AI 帶來的成本」，因為部分規格化、驗收與合規即使由人類完成也同樣存在；正確的比較基準是相同目的下的人工／傳統自動化／代理系統的差異。

4.1 人類時間不能只算點擊次數

點擊一次「核准」可能耗時數秒，但理解任務背景、預估其影響、調查矛盾證據可能需數十分鐘。反之，一次開啟完整測試報告也可能批次驗證數十項低風險成果。因此，訊息數、點擊數與使用者真正的認知負荷沒有天然固定比例。

4.2 非同步代理不等於免費的人類時間

代理可以在人類睡眠或處理其他事情時執行工作；但當例外和待審事項在早晨集中到達，可能形成新的高峰。觀測工作應同時記錄每日總審查時數、例外到達分布、排隊時間、超時事件和人的主觀負擔，而不能只統計代理執行期間人是否離開電腦。

4.3 注意力不是單一同質資源

快速確認格式、理解工程系統、判斷金融交易及處理人際衝突，需要不同的背景知識與情境判斷。不同監督者可能在部分任務領域非常熟練，於其他領域承載極低；因此不應預設每位人類每天只有一個可交換的「注意力時數」庫存。

5. 注意力瓶頸與非線性失效的條件

5.1 例外事件可能比普通工作更決定承載

假設五個代理可在一般情況下自主完成大量低風險任務，監督者僅需每日檢查一次。若某項共同依賴的外部服務突然故障，五個代理可能同時產生阻塞、重試、支出與通知。此時承載上限由事故處理能力決定，而不是由平常成功生成的文字量決定。

因此，研究至少需要區分日常穩態、峰值負荷、共因故障與恢復期。只測試平均工作日會高估長期可治理性；只測試極端事故又可能低估低風險場景的正常效益。

5.2 例外事件既可能獨立，也可能高度相關

當不同代理使用相同模型、資料來源、測試器、API、帳戶或授權政策，它們的錯誤就可能相關。十個代理一致地得出錯誤結論，並不等於經過十次獨立驗證。同一套不良假設、未更新資料或被操弄的外部內容，也可能讓數個看似互相驗證的代理同步失敗。

研究者必須測量錯誤相關性、共同依賴關係和獨立證據來源。不同代理的「互相同意率」只能當觀察指標，不能直接當事實正確率。

5.3 任務關聯性可能壓縮並行優勢

當工作可拆成彼此獨立的小任務，數個代理並行執行可能顯著縮短交付時間。當任務具有嚴格依賴、共同寫入、共享資料狀態或大量同步要求，代理數增加可能造成爭用、重工、版本衝突及協調訊息膨脹。

本文不聲稱存在普遍的「代理越多越糟」效應，而提出條件性判準：任務能否拆分，以及拆分後的溝通、同步與驗證成本，決定代理擴張是否真正形成有效交付。 此點與當代單／多代理架構比較研究相容 [12]。

5.4 自動化可能造成「監督者失明」

使用摘要 Agent 收斂大量活動，可降低儀表板噪音；但若摘要遺漏高風險事件，監督者可能比直接查看少量原始資料更加缺乏情境認識。分層監督應保留可回溯事件、關鍵動作的機器可驗證證據，以及在風險條件觸發時繞過摘要的機制。

這裡的「失明」是對治理可觀察性的描述，不是宣稱所有 AI 摘要不可用。研究須直接比較有摘要、無摘要、有原始追溯三種條件的錯誤漏察率與人類負擔。

5.5 過度干預同樣可能有成本

若監督者每隔幾分鐘就中斷一個本可持續完成任務的代理，可能造成重複計算、背景切換及進度損失。因此，「審核越多越安全」和「授權越多越有效」都不能作為沒有條件的定律。應測試：何種風險等級、代理穩定性與可逆性條件下，需要事前批准、里程碑抽查、例外觸發或事後稽核。

6. 三種監督拓撲：逐一、分組與例外導向

6.1 逐一監督（One-to-One Sequential Supervision）

人類分別向每個代理交代工作、接收回覆、檢查成果。此模式容易追蹤責任，但當代理數或例外頻率增加，人類可能成為順序式瓶頸；適用於初期試驗、風險較高且個別差異很大的任務。

6.2 分組監督（Group-Oriented Supervision）

將代理依任務、資料界線或專業領域分組，由人類指定群組目標，群組內自動分工。此模式可能減少重複指令，但會增加整體協調機制、群內衝突、責任追溯與個別進度觀察的要求。不能把分組監督視為任務產能倍增的充分條件。

6.3 例外導向與分層治理（Exception-Oriented Tiered Governance）

讓事先通過測試的低風險工作依明確規則自動執行，只有重大不確定性、費用超額、權限變更及其他預先界定的事件才升級至人類。這可能提高日常效率，但其成立需要至少三項能力：

1. 例外偵測有可測漏失率： 不能只檢查通知是否正常送達。
2. 可回溯與可恢復： 監督者仍能找回原始依據、重現部分決策或撤銷行為。
3. 風險動態更新： 任務升級、資料來源改變、工具權限增加時，原來的低風險授權不能無條件沿用。

有時混合三種拓撲，比選擇單一架構更合理。例如家庭代理可自動整理資料、群組完成內容初稿、由人類審核涉及金錢與外部承諾的最終行動。這是一種可供實驗的治理構型，不是普遍最佳實務。

6.4 監督責任不能被「上級 AI」無限消去

在多代理系統中加入監督 Agent，確實可能節省人類時間；但監督 Agent 自身也可能有權限錯誤、漏報或共同依賴問題。若又為監督 Agent 加入另一名監督 Agent，並不能僅憑監督層數增加便保證品質。應以獨立測試、權限分隔、實際事件重播、抽樣人工稽核和可追溯證據檢查其效果。

監督層級的增加是否值得，取決於它是否真的降低總負擔及不可接受的殘餘風險，而不是系統有多少個「審核員」。

7. 在家庭尺度建立風險—授權—驗收矩陣

7.1 一套供研究使用的三級情境，而非法定標準

此表只是可供實驗的建議分組。風險等級是由行動及後果而非「AI 智商」決定；同一 Agent 在不同任務上可能跨越多個級別。

7.2 管理者可以委託工作，但不等於可以任意轉嫁責任

一個 AI 代理由個人帳號啟動、透過平台付款、向客戶發出回覆時，外部的契約責任、授權合法性及平台義務未必隨「由 Agent 執行」而消失。AICET-07、08、12 將進一步討論契約與責任鏈；本篇僅要求測試資料能辨識誰指派、誰可批准、誰支付、誰受益、誰保留日誌、誰能停止，不預先解決所有國家法律問題。

7.3 家庭不是單一超級帳號

家庭成員可能共享電力與設備，卻各自保有資料、財產與交易授權。任何「家庭 AI 管理面板」都應在研究時區分個人工作、共同工作與不得互相讀取的工作。某成員管理能力較強，不構成替其他成員作決定的默示授權。

8. 可治理產能的衡量：不只看工作完成幾件

8.1 七組最低觀測變數

研究資料須記錄觀測時間、時區、工作類型及是否為試驗情境。重大但稀有的負面事件，不能只靠短期平均值排除；反過來，若研究只強調極端例外，也可能不當貶低長期低風險任務的實用效益。

8.2 「接受成果」的證據層級

建議保留至少四層，而非以一個成功標記取代：

1. 內部生成完成： Agent 宣稱任務執行完畢；只能證明某種活動終了。
2. 技術測試通過： 格式、單元測試、可重播性或規格檢查達標；仍可能忽略使用目的。
3. 委託者驗收： 合法委託者或獨立評估者依事先訂定的實用標準接受。
4. 外部影響確認： 需外部相對人、實際交易或持續使用證據的場景，已取得相應事實；不因此自動等於現金收益。

AICET-05 才會補充獨立客戶需求、收付款、退款、淨收益與真正受益者等財務口徑。

8.3 「治理成功」不等於一切都被阻止

如果 Agent 因過度保守而無法完成任何有用行動，治理風險雖可能下降，可治理產能也會下降。因此，實驗應同時評量風險控制與可交付成果，而不是把代理完全停擺誤當最佳治理。不同家庭的容許風險可不同，但比較研究需要事先揭露標準，不能事後依結果任意調整。

9. 三個思想實驗：從一人多代理到負效益

9.1 情境 A：二十個低風險代理，不一定比兩個高風險代理難管理

假設一人有二十個代理分別整理公開歷史資料，任務彼此獨立、來源可追溯、每次輸出都有可重做的驗證程序；另一人只有兩個代理，但它們可以對外採購、發送具有契約意涵的通知。若只看數量，前者規模較大；若看監督責任與可能損失，後者的治理需求可能更高。

反例方向：若那二十個代理共享一個錯誤知識庫，所有成果也可能同時污染。因此研究不能僅按「低風險」預估承載，還須觀察共同依賴與例外發生率。

9.2 情境 B：代理增加，總工作完成量上升但淨效益下降

一名獨立接案者原先以單一代理完成固定數量的文件或程式工作。加入數個代理後，生成件數增加，但整合不同版本、重跑測試、統一風格、回覆客戶、糾正錯誤所需時間更多，運算費用也上升。最後可能是活動量與候選成果增加，實際被接受的交付數卻沒有同步增加。

反例方向：如果工作可拆分、驗收自動化可靠且客戶需求充足，多代理可能節省人類介入並提升總成果。本篇不能預先決定哪一種狀態普遍占優。

9.3 情境 C：管理面板非常安靜，卻不代表承載充足

系統設計一名監督 Agent，只向人類呈報它判定的重要異常。使用者每週只收到兩個通知，看似「一人管理數百代理」。但當共同資料來源失真而監督者也依賴同一來源時，錯誤可能持續未被揭露。此時人的介入量少，可能是治理效率高，也可能是危險事件未被看見。

因此，「安靜」需要與獨立事件樣本、漏察率、主動抽查及事故重播相互比較，才能被解釋成節省注意力。

10. 十項可檢驗假說（HYP，尚未實證驗證）

H01｜名義部署與可治理承載分離。 在給定任務品質與風險門檻後，增加代理角色或執行個體，未必按相同比率提高可治理工作成果。反證條件： 若多任務、多家庭比較中，代理數本身已能穩定預測成果與重大失敗而其他治理變數無新增解釋力，本分類的重要性應下修。

H02｜可分解任務可能提高擴張收益。 在控制算力預算、模型能力與驗收標準後，任務可分解性較高的工作，更可能從多代理並行取得正向效果。反證條件： 在足夠多同類實驗中，任務分解程度完全無法解釋多代理優勢。

H03｜審核集中可能增加注意力尖峰。 即使代理平均活動成本下降，集中到達的待核准事項可能增加重大事件的回應延遲。反證條件： 在控制任務難度與人員後，批次到達程度對延遲與遺漏並無一致關係。

H04｜明確授權窗口可能降低不必要的人類介入。 對經事先驗證、可逆且低影響的任務，設置有限授權窗口，可能比要求所有操作逐一核准更有效率，且不必增加不可接受的損失。反證條件： 同類任務中逐次核准在成本、品質及風險上長期一致優於窗口制。

H05｜例外導向監督的淨收益取決於漏報成本。 壓縮正常狀態通知量可能降低人類負擔，但若重大異常漏報增加，淨效果可能轉負。反證條件： 獨立記錄的重大事件漏報不會改變所觀察的治理品質或補救成本。

H06｜共享故障源可能使代理間互審過度自信。 多代理使用同一資料來源、模型或驗證規則時，互相一致的結果可能比異質且獨立驗證更容易掩蓋共因錯誤。反證條件： 控制任務與個別模型能力後，證據獨立性對漏察與錯誤結果無可測差異。

H07｜監督拓撲與任務風險存在交互作用。 分組及例外導向治理在某些低風險任務提高承載，但在高度相依或不可逆任務可能犧牲個別可觀察性。反證條件： 各類風險任務中均存在同一監督模式、且差異不受任務性質影響。

H08｜人類專業與介面設計可改變承載邊界。 在代理能力相同時，熟悉特定領域且能取得清楚狀態與證據的監督者，可能比缺乏相關知識或透明度者有效處理更多合格成果。反證條件： 跨領域、跨技能的控制研究中，這些條件對成果與失誤均無增量解釋力。

H09｜管理感受與可核實效益可能脫鉤。 人類覺得「AI 幫我省很多時間」，不保證完整記錄的監督時間、返工與總資源消耗同步下降。反證條件： 各任務中主觀感受可以持續、充分地預測客觀成本，且偏差可忽略。

H10｜一人多代理的最佳數量是情境性而非普適常數。 對不同任務組合、風險條件、成本限制與治理介面，達成目標的代理配置可能不同，且部分情境單代理或傳統自動化可能優於多代理。反證條件： 若存在能跨任務、跨人群、跨制度而穩定最適的單一數量，便應以該反例修訂本篇條件性主張。

以上假說不是預告各項效果必然出現。所有「更可能」都必須由可拒絕假說的實驗設計、事先設定的門檻與足夠的樣本支持。

11. 最小可重複研究方案：家庭與小型經營者的代理承載

11.1 研究目的與倫理界線

目標不是讓代理在真實網路大量發文、收集不必要的私人資料或未經核准對外交易，而是在受控沙盒、具授權任務、模擬客戶與可回復的工作空間比較治理策略對承載及實際成果的影響。對外活動如確有必要，須先取得合法授權並遵守平台規則、個資限制與研究參與者同意。

11.2 研究對象與任務組合

可招募具有不同 AI 經驗的個人、家庭成員與微型接案工作者，先作小樣本探索，再進入多場域驗證。候選任務可包含：

• T1 文件與知識整理： 有可查原始來源的公開文件分類、摘要與查重。
• T2 內容製作： 以已取得權利的資料產生跨語內容、素材清單與可核對的文字草稿。
• T3 軟體與工程輔助： 在隔離儲存庫處理修補、測試、回歸與驗收，不接觸實際正式環境。
• T4 家庭日常協作： 由已同意的參與者提供非敏感假資料，測試排程與提醒。
• T5 模擬商務往來： 使用合成客戶、模擬預算與不具法律效果的交易，測試授權、例外、驗收及成本追蹤。

任務應區分可分解性、時間壓力、資料依賴、可逆性及外部影響。上述是研究場景，不表示這些類別的 AI 系統於 2026 年都已能在任何家庭可靠運作。

11.3 控制條件與實驗組

以先導研究探索合適規模後，可採混合的受試者內／受試者間比較：

代理數可使用數個離散梯度作探索，例如一、三、八、十六個實例，但這些數值只作研究設計占位符，不是推估的最佳代理數，也不是已知人類極限。應依實際參與者、任務負荷與安全風險調整。正式比較需同時控制或記錄每條件的總 token／運算預算、模型版本、工具權限、資料來源、任務難度、可用工時及硬體條件，避免把較高支出誤當成架構優勢。

11.4 多項事先註冊的主要結果

建議主要結果至少包括：

1. 在固定時間與品質門檻下，經獨立驗收的合格成果數及其信賴區間。
2. 人類總監督時間：規格化、監看、核准、重做、事故與行政時間均記錄。
3. 高影響事件漏察率、錯誤批准率與補救時間，由預設的獨立評估機制定義。
4. 端到端時間與逾期比例，避免只測模型產出速度。
5. 完整系統成本：模型、運算、基礎設施、監督人時和測試支出。
6. 主觀負荷與生活效益，另作不同構面記錄，不與淨收入混算。

研究亦可對例外到達分布、資訊來源相依性、交接失敗、共同資料缺陷及回滾成功率設立次級指標。應將模型的自評成功率與獨立驗收分開存放。

11.5 因果識別與分析原則

• 隨機化代理配置或監督模式，並在可能時對任務順序進行平衡，以控制學習效應。
• 明確區分「同一人同一任務的重複測試」與「不同家庭的橫斷比較」；不要把兩者混成單一因果推論。
• 在分析前決定主要結果、停止條件、重大事故定義和排除標準；報告失敗與中止樣本。
• 對高損失事件採演練注入或受控情境，不以真正傷害他人的交易作為實驗刺激。
• 估計任務類型、監督模式、模型能力與代理數的交互作用，避免只報整體平均改善百分比。
• 對罕見事故採用延長觀察、情境壓力測試或保守描述，不能以小樣本「零事故」宣告風險為零。
• 對總運算成本採相同預算與非相同預算兩種分析視角：前者比較架構效率，後者比較真實消費者選擇。

11.6 證據與重播包最低規格

一個符合研究倫理的工作紀錄包可包含：匿名任務 ID、任務定義與風險分類、模型及工具版本、權限與成本上限、起訖時間、必要的輸入／輸出雜湊、審核與人類介入事件、驗收紀錄、事件回滾與成本摘要。研究者應避免保存不必要的私人原文、憑證、私人對話及客戶秘密；需要重播時以可授權的去識別資料或合成替身替代。

重播的目的在於可核查實際工作歷程，不是用記錄完整度取代成果品質。 若上游模型或服務無法完全決定性重播，應公開記錄不確定性與重現限制。

12. 三種相互競爭的承載演化情境（SCN）

12.1 情境甲：多代理普及，治理能力成為關鍵差異

運算成本下降使家庭能啟動數量可觀的代理，但人類仍需負責核准、資料授權、跨任務取捨與部分異常。善於建立可測驗收、合理授權和明確優先序的人，可能取得比單純大量部署者更高的有效成果。這是一種可能，而非推定所有家庭均有能力負擔初期整合。

12.2 情境乙：可靠的分層自治使注意力成本顯著下降

在特定成熟、低風險且可重播的場景，自動驗收器與角色化治理可能使人類僅需週期性檢查少量摘要。此時「一人管理許多代理」可以成立，但成立原因是可靠的任務與制度設計，而不是因人類注意力突然變成無限。

12.3 情境丙：代理噪音、平台依賴與共因事故造成退潮

代理大量生成低品質候選、彼此協調失靈或共同依賴上游服務，導致人工重工與故障回復成本上升。家庭可能縮減代理數、轉向單一強代理、改用傳統軟體或暫時退出某些代理用途。這不等於 AI 技術整體失敗，而是某種代理配置在該成本與任務條件下不划算。

三種情境亦可同時存在於不同任務、家庭及時間窗。研究者應透過客觀測量區分，而非將其中一種寫成歷史必然階段。

13. 對家庭、平台及開發者的研究含意

13.1 家庭：先確定要委任的生活與經濟任務

對一般家庭而言，應先決定哪些工作值得委任、涉及何人資料、能接受何種錯誤，以及誰願意承擔監督時間。不是每項生活活動都應被轉化為代理工作；陪伴、娛樂、好奇心及情感上的維護，本身可能具有非市場價值，而不能單以產值最大化評判。

13.2 平台：治理可用性是產品品質的一部分

如果平台只讓用戶批量生成 Agent，卻無法提供可分層權限、工作狀態、取消機制、成本預算與必要事件稽核，即使模型很好，實際使用者的可治理產能仍可能受到限制。但過於繁重的核准與儀表板，也可能重新增加人類負擔。理想治理介面應由可測結果而不是按鈕數量評價。

13.3 開發者：避免把驗證移成無限的第二份工作

若某項 AI 服務的交付品質必須靠使用者反覆讀完全部中間步驟才能信任，則它可能只是把原本的人類工作重新包裝成驗證工作。可逆任務可優先發展單元測試、格式規則、可信來源定位與異常抽查；高風險任務應保持適當的人類決策點及獨立審核。

13.4 AI 代理人的角色不等於法律職員身份

人們可以在協作語境中稱某代理為「研究員」「助理」「家人」或「員工」，但這些稱呼不能替代法律主體、契約效力、資料保護及薪資制度判定。AICET-09 會專門討論關係性資源承諾；AICET-07、12 會處理法律與制度層次。本篇不因成本與承載分析而貶低關係性的價值，也不以關係詞彙逃避目前真實的人類責任。

14. 與 AICET 其他篇章及相鄰理論的接口

閱讀順序是研究安排，不是歷史必然順序。 可盈利的私有 Agent 不需要先成為公共網路居民；可持續的陪伴型 Agent 也不需要先賺錢。AICET-04 的貢獻只在於闡明治理承載是從可取得智能資源走向有效活動時的一條重要、但非唯一的轉化條件。

15. 可觀察結果與假說的對照表

這張表的目的，是限制過強推論，而不是否定 AI 擴張可能的效益。實際設計必須允許正向、負向、混合及零效果。

16. 學術限制、修訂條件與可證偽性

16.1 研究限制

第一，本篇不是以新收集的代表性家庭資料得出的產能研究。文內的代理承載、注意力債與可治理產能，是提議性的操作概念，尚未完成跨文化、跨任務與跨年齡群體的建構效度驗證。第二，援引的多機器人研究與數位軟體代理在實體環境、動作可逆性、資料觀測、延遲與故障類型上存在差異；不能直接外推其數量門檻。第三，現有 Agent 基準的分數受題庫、架構、模型版本與預算影響，未必代表真實家庭的任務成本。

第四，法律授權、平台 API 條款及高風險產業要求會因司法轄區而異；本篇的風險分級只是研究設計，不構成法律建議或合規證明。第五，工作量和生活滿意度不是同一貨幣單位，不能將非市場效益與現金收入任意相加。第六，監督者也可能是團隊或組織，不能把單人的注意力限制機械式套用至可輪班、多角色、依法分權的機構；但機構仍然可能面臨協調與委任成本。

16.2 哪些資料會迫使理論修訂？

• 若在廣泛任務中，多代理名義數量即可精確預測品質與治理成功，而人類介入、例外、驗證和權限條件幾乎不提供額外解釋力，則應降低「治理承載」作為獨立變數的地位。
• 若有可重複證據顯示某些任務幾乎完全不需要人類監督且風險可接受，本篇不應以人類監督中心論否定它們；應把相關承載描述為制度、工具與自動驗證承載，而非人類注意力承載。
• 若自動驗收比人工驗收更昂貴、更易漏報或導致不可接受的連鎖事故，應修訂對例外導向治理的適用條件。
• 若不同文化／家庭對注意力、時間、風險與生活效益的取捨顯著不同，任何單一最佳治理模式都應被拒絕。
• 若未來出現 AI 法律地位的制度性變化，應重新界定誰負有何種責任，而非假裝現行委託契約結構永不改變。

16.3 正式形式化的條件

AICET 的研究綱領已要求先確立概念、反例與資料口徑，再考慮普適函數。本篇因此刻意不提出自創的「一個人最多管理若干 AI」公式、單調產能曲線或固定最適值。未來若要形式化，必須先定義同質與異質任務、時間窗、例外事件分布、權限與品質約束、驗證準確率、人的實際介入及資源成本，並以保留樣本檢驗跨條件預測力。

其他學者已提出與驗證特定環境下的人類—多機器團隊擴展模型 [10][11]。本篇的新工作不是重命名那些數學成果，而是提議以個人／家庭代理經濟為分析單位，從治理承載連接可達性與實際成果，建立應如何蒐集可反駁證據的研究安排。

17. 結論：可部署的代理人口與可治理的代理經濟之間

本篇將 AICET 的研究從前一篇「普通家庭能否取得 AI 生產資源」，推進到「普通家庭能否持續管理這些資源形成的工作活動」。當模型可用、算力可租、代理可複製時，真正影響家庭生活與經濟成果的問題，不只是誰能創造更多代理，還有：誰能為代理設立明確目的、合理權限、可靠驗收、例外處置與可回復的工作歷程；以及何時增加代理會降低而非提高有效結果。

名義上存在的 AI 代理，可以多於實際活躍的代理；活躍的代理，可以多於能在指定標準下被治理的工作；可治理的工作，也可以多於能取得外部真實付款的經濟活動。 這些差異不是 AI 經濟的邊緣雜訊，而是解釋個人、家庭、平台與企業如何從智能供給進入有效收益的重要中介。

同時，本文沒有把人類注意力設定為永久不可改變的唯一上限。更可靠的模型、更好的可觀察性、具獨立證據的自動驗證與成熟的分層授權，都可能讓人類從逐一操作轉向高階治理，在特定工作域管理更多持續代理活動。但這些改善也不會自動帶來外部市場需求或正向淨收益。

因此，下一篇 AICET-05《AI 代理創收：從活動數據到可核實淨收益》，將把焦點從「可治理地完成工作」推進到「為誰交付、由誰真正付費、如何區分毛收益與淨收益，以及哪些成本與退款不能被隱藏」。代理的存在、運作、交付、收入與福利價值，必須繼續保留不同的實證及規範邊界。

18. 參考文獻與既有研究接口

說明：下列引用將已查核的學術／政策來源與 EveMissLab 既有系列原稿分列。外部研究支持特定背景與方法，不等於已直接證實本篇對普通家庭的全部新假說。查核截止日：2026-10-27。

18.1 AICET 內部前置文件

[1] Neo.K with GPT-6（2026）。《AI 網路居民與代理經濟入口》。AICET-01，v0.1，EveMissLab，UTF-8 Markdown 原稿。

[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，v0.1，EveMissLab，UTF-8 Markdown 原稿。

[3] Neo.K with GPT-6（2026）。《家庭智能資本與有效 AI 可達性》。AICET-03，v0.1，EveMissLab，UTF-8 Markdown 原稿。

18.2 可公開核對的學術與政策文獻

[4] Simon, H. A.（1971）。Designing Organizations for an Information-Rich World。收於 M. Greenberger 編，Computers, Communications, and the Public Interest。Johns Hopkins University Press。參見：University of Washington 教材對原文與書誌的說明。

[5] Bainbridge, L.（1983）。Ironies of automation。Automatica, 19(6), 775–779。https://doi.org/10.1016/0005-1098(83)90046-8

[6] Parasuraman, R., Sheridan, T. B., & Wickens, C. D.（2000）。A model for types and levels of human interaction with automation。IEEE Transactions on Systems, Man, and Cybernetics — Part A, 30(3), 286–297。https://doi.org/10.1109/3468.844354

[7] Endsley, M. R.（1995）。Toward a theory of situation awareness in dynamic systems。Human Factors, 37(1)。https://doi.org/10.1518/001872095779049543

[8] Parasuraman, R., & Manzey, D. H.（2010）。Complacency and bias in human use of automation: An attentional integration。Human Factors, 52(3), 381–410。https://doi.org/10.1177/0018720810376055

[9] Amershi, S., et al.（2019）。Guidelines for Human–AI Interaction。Proceedings of CHI 2019。https://doi.org/10.1145/3290605.3300233 。Microsoft Research 專案說明。

[10] Olsen, D. R., & Goodrich, M. A.（2003）。Metrics for evaluating human-robot interactions。PERMIS 2003。Brigham Young University ScholarsArchive。

[11] Perkins, L. D., Sevil, H. E., & Johnson, M.（2026 年 10 月 8 日）。Toward an enhanced scalability framework for human-multi-agent teams。AI Magazine, 47(4), e70099。https://doi.org/10.1002/aaai.70099

[12] Kim, Y., Gu, K., Park, C., et al.（2026）。Capable language models can outgrow the benefits of collaboration。Nature Machine Intelligence, 8, 1157–1172。https://doi.org/10.1038/s42256-026-01268-y

[13] Li, Y., Naito, A., & Shirado, H.（2026）。Systematic failures in collective reasoning under distributed information in multi-agent LLMs。Proceedings of the 43rd International Conference on Machine Learning, PMLR 306, 69250–69268。https://proceedings.mlr.press/v306/li26ej.html

[14] Becker, J., Rush, N., Barnes, E., & Rein, D.（2025 年 7 月 10 日）。Measuring the impact of early-2025 AI on experienced open-source developer productivity。METR。研究說明；論文。

[15] Becker, J., Rush, N., Cunningham, T., Rein, D., & Mahamud, K.（2026 年 2 月 24 日）。We are changing our developer productivity experiment design。METR。https://metr.org/blog/2026-02-24-uplift-update/

[16] National Institute of Standards and Technology（2023；網站持續更新）。AI Risk Management Framework (AI RMF 1.0)。https://www.nist.gov/itl/ai-risk-management-framework

[17] Autio, C., Schwartz, R., Dunietz, J., Jain, S., Stanley, M., Tabassi, E., Hall, P., & Roberts, K.（2024）。Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile，NIST AI 600-1。https://doi.org/10.6028/NIST.AI.600-1；https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence

18.3 相鄰內部系列（研究接口，非本篇實證證據）

[18] Neo.K 與 AI 協作者（2026）。《算力勞動化與 AI 時間經濟學》（CLATE），尤其第 01、02、06 篇，EveMissLab 研究原稿。

[19] Neo.K 與 AI 協作者（2026）。《經濟世界域轉化論》（EWDT）及 ICOD 相關原稿，尤其 EWDT-22《智能資本、有效 AI 可達性與世界域分岔》。

[20] Neo.K with Aletheia（2026）。《權力、責任與權利：人工行動者的治理三角與責任域》。人工行動者政治經濟 B04，EveMissLab 研究原稿。

附錄 A：供後續實作研究使用的最小採樣表（非完成的資料集）

附錄 A.1 資料口徑中的關鍵分離

分母與層級必須事先固定。 「每個 Agent 的成果」、「每件任務的人工驗收時間」、「每名監督者每日的重大事件漏報」與「每一家庭每月淨收入」是不同的分析層級，不能為了呈現強烈成長而自由切換。尤其在共用模型、資料或工作流的系統中，多筆紀錄可能高度相關；統計分析必須處理叢集相依性。

附錄 B：概念版本與驗證聲明

• 完成範圍： 概念、既有文獻定位、分析單位、定義、失敗機制、監督拓撲、風險分類、測量口徑、十項可證偽假說、受控研究方案、情境、跨篇接口及參考來源。
• 尚未完成： 專屬家庭樣本收集、隨機對照試驗、跨域建構效度驗證、正式產能函數、統一的貨幣計量與法定契約分析。
• 不作數學冒進： 本稿沒有普適產能方程。若後續需要符號化，只使用 UTF-8 Markdown 原始碼中的單一 $...$ 與 $$...$$ delimiter 系統；本篇不為了外觀建立未驗證等式。
• 可提交性： 本檔為完成的概念論文原稿，但非完成實證驗證的學術主張。後續發表前仍需完成來源核對、研究倫理審查（如適用）與實證資料校驗。

END OF CANONICAL SOURCE — EML-AICET-2026-04 / v0.1