平台繁榮、廣告主壓縮：防禦性加碼與進攻性整合的博弈

從 AI 搜尋引發的注意力路由變化，到廣告競爭、利潤轉移、退出與市場再集中

英文題名： Platform Prosperity and Advertiser Compression: Defensive Escalation, Offensive Consolidation, and the Game of AI-Reconfigured Attention
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： 05 / 12
文件編號： EML-AIEC-2026-05
研究命題與原始經濟觀察： Neo.K
AI 協作整理、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： 平台經濟／產業組織／廣告博弈／候選動態經濟模型／可反駁研究綱領
正本格式： Canonical UTF-8 Markdown；僅使用 $...$ 及 $$...$$ 作為數學原始碼定界符
研究狀態： 機制分析、形式反例與研究方案完成；尚未以代表性廣告主面板驗證該機制主導 Google 或任何整體產業
直接前置： AIEC Paper 01–04；EWDT-02、05、06、07、12、13、18、21；注意力與推薦市場之既有研究
證據截至： 2026-10-16；引用公司及產業統計均標示時間、母體與因果限制

作者： Neo.K

摘要

生成式 AI 搜尋逐漸將原本需要進入外部網頁的資訊檢索、比較與部分商品研究，整合到搜尋平台或 AI 對話介面內。這可能降低部分資訊型網站的直接訪問，並改變企業取得使用者注意力的渠道與成本。但若據此推論「傳統搜尋廣告效果下降，因此廣告主必然削減預算，搜尋平台廣告收入必然衰退」，即忽略了企業間的競爭、退出約束與時間策略。在缺乏可負擔替代渠道的市場中，企業可能因停止投放將失去更多客戶，而選擇在效率下降時維持甚至增加支出；資本較充足的企業亦可能趁弱勢競爭者退出時進攻市場份額。於是，廣告效益下降、企業廣告支出上升、平台收入成長、部分廣告主利潤被壓縮可以在特定條件下同時成立。

本文將此候選現象稱為「平台繁榮—廣告主壓縮悖論」（Platform Prosperity–Advertiser Compression Paradox, PPAC），並區分兩種不可混同的策略來源：防禦性加碼（Defensive Escalation）追求降低退出廣告競爭的相對損失；進攻性整合（Offensive Consolidation）則以當期廣告成本、競爭者撤退與未來顧客關係資產之間的交換為條件。本文不預設兩者必然獲利，也不將高廣告預算視為企業具有真實廣告增量效益的證據。

本文建立三個互補的最小模型。第一，雙企業離散博弈展示個別理性和集體利潤下降的相容性。第二，建立帶有「非付費基礎觸及」的對稱注意力競爭模型。若同一產業的可競爭貢獻毛利池為 $V$ 、單位化非付費觸及為 $\eta$ ，且兩家企業競逐相對注意力，則在模型的內部均衡中，企業最適實際投放支出為 $a^*=V/4-\eta$ 。因此，即使 $V$ 下降，只要非付費觸及的下降幅度大於毛利池下降幅度的四分之一，均衡投放仍可提高，平台收取的廣告支出亦提高。第三，加入多期企業可行集合、退出成本、現金流限制與未來份額的選擇權價值，區分「短期虧損卻可能具有合理投資理由」與「因歸因偏差或競爭誤判而持續浪費」兩類情況。

本文同時嚴格指出：這些模型是存在性與條件性推論，不是 Google Ads 真實拍賣機制的重建。Google 官方廣告排名取決於出價、品質、閾值、搜尋脈絡及廣告格式效果，不是本文的簡化比例分配公式。Alphabet 2026 年第二季的 Search & other 收入約為 632.71 億美元，較去年同期增加約 16.8%；同期 Google Network 收入略減。這些官方數字能證實不同業務投影的變化，卻無法顯示廣告主平均增量利潤，也不能識別「防禦性加碼」對收入成長究竟貢獻多少。IAB 2026 年 9 月上修美國全年廣告支出成長預測，同樣不能被直接視為 AI 導致的廣告競價戰證據。

本篇提出十項可反駁研究假說，設計廣告主—平台—產業三層資料字典、增量實驗與市場層干擾測量、2027–2028 年動態觀測規格，以及對 AI 之外的景氣、產品品質、宏觀事件與產業集中度變化的控制方案。本文對接既有《經濟世界域轉化論》（EWDT），將平台視為中觀經濟路由與注意力分配設施，廣告主則是受到時間、替代渠道、資源與退出能力約束的經濟行動者；當中觀路由改變時，企業可能做出局部合理、卻使集體剩餘和市場結構出現非直觀結果的選擇。

核心命題： 廣告平台的財務繁榮既不證明廣告主整體福利改善，也不證明廣告市場沒有受到 AI 的結構衝擊；廣告主平均效益下降也不必然推出平台收入將立即下降。兩者之間必須由競爭、非付費觸及、替代渠道、支付能力、退出與時間傳導等機制連接，才能形成可驗證的因果判斷。

關鍵詞： AI 搜尋、平台繁榮、廣告主壓縮、防禦性加碼、進攻性整合、注意力收斂、付費搜尋、廣告囚徒困境、競爭性廣告、增量廣告報酬、歸因偏差、市場退出、搜尋競價、時間遲滯、EWDT

0. 研究定位與非主張

本篇不是「Google 正在欺騙廣告主」的指控，也不是「AI 已經使搜尋廣告沒有用」的定論。其研究對象是：當部分自然曝光或免費資訊入口受到 AI 改造，企業仍需獲得商業注意力時，微觀競爭策略如何在中觀平台形成不同於直線預測的廣告預算與市場結構？

本篇將論述中的陳述分為四類：

［E#］外部可核對證據： 官方財報、正式學術出版、產業報告、平台廣告規則；限定其統計母體與資料日期。
［I#］既有理論前置： AIEC 01–04、EWDT 及其他 EveMissLab 原稿；作為理論來源，不冒充外部實證。
［P5-H#］本文候選可反駁命題： 對具體市場、時間窗與測量條件提出的可測量假說。
［SIM］純假設博弈或數值示例： 展示邏輯可能性和比較靜態，不是任何企業的財務事實。

本文不主張：

所有企業的廣告投資報酬率正在下降，或 AI 必然壓縮所有渠道廣告效益；
廣告效益下降必然造成投放支出增加；
搜尋平台營收成長必然源自企業競爭困境；
所有廣告主都面臨相同的資本、品牌、替代渠道及退出條件；
Google Ads 是單純的最高出價者得標或固定次價拍賣；
平台報表的 ROAS 等於隨機化實驗測得的增量 ROAS，更不等於企業利潤率；
持續出價代表每筆廣告在社會福利意義上都毫無價值；
企業加碼一定是恐懼驅動；部分加碼可以是理性的長期投資，也可能是測量偏差；
競爭者退出一定導致平台收入成長，或市場集中必然提高社會總福利；
大型平台內部管理者只能看到財報，或其沒有能力觀測廣告主成本與預算變化；
AI 改造注意力後，搜尋平台不會同步開發新的廣告、推薦、商業或交易入口；
搜尋廣告支出、品牌廣告支出、GEO 成本及所有行銷投入可不加區分地合計；
2027–2028 年必定發生某種廣告市場崩潰或必然出現同一年轉折；
本文已經辨識任何特定公司進行排除性競爭、串通或不合法競價；
EWDT 已經證明本文全部新命題成立。

本文的學術任務是提供足夠小而可推導、足夠嚴格而可反駁、足夠開放而能容納反向結果的第一代模型。

1. 從第四篇到第五篇：入口變了，企業的最佳反應未必同步

AIEC Paper 04 的商業入口多路由模型（CEM）［I0］已將傳統搜尋拆為資訊需求、平台入口、來源回流、非贊助推薦、贊助展示及最後商業成果。它表明原始網站點擊減少不必然意味平台收入下降；但 Paper 04 並沒有解答競爭企業為什麼會在廣告效率變差時仍然加碼。

本篇新增的是企業的策略反應。例如某個市場在 AI 摘要普及後，使用者由原始網站閱讀改為先看 AI 比較。原本依靠 SEO 建立的自然觸及可能下降；部分商家因此更依賴少數高購買意圖入口。此時企業不能只問「每次曝光是不是比以前貴」，還必須問「如果我不維持可見度，競爭者是否會佔據原本屬於我的顧客入口」。

這形成三層不能相互取代的問題：

技術／行為層： AI 是否改變搜尋、比較、選擇與購買的分布？
企業策略層： 面對改變後的注意力結構，企業如何調整預算、品質與渠道？
平台及產業層： 個別策略加總後，平台收入、廣告主利潤及企業退出率如何變化？

從第一層推導第三層，不能略過第二層。這正是本篇與「AI 使 SEO 失效，因此廣告平台必然衰退」等單一路徑敘述的區別。

2. 既有文獻：競爭性廣告並不是 AI 時代才有的問題

2.1 廣告預算與囚徒困境

Corfman 與 Lehmann 在 1994 年的《The Prisoner's Dilemma and the Role of Information in Setting Advertising Budgets》已經以囚徒困境框架研究企業廣告預算設定。他們發現，參與者的選擇受到對手預期、前一期對手行動、競爭關係持續性、市占率與利潤時間目標等因素影響［E1］。這足以支持「競爭者行為會進入廣告預算決策」的研究動機，但不能直接證明 2026 年所有 AI 搜尋市場已形成該均衡。

2.2 Combative Advertising 與價格競爭的連結

2008 年《Marketing Science》的《A Theory of Combative Advertising》研究成熟市場中廣告如何重新分配既有類別需求。作者指出，競爭性廣告既可能緩和價格競爭，也可能引發廣告戰並加劇價格戰，使個別企業即使有誘因加碼，集體利潤仍可能降低［E2］。因此「廣告戰」不是只有單一負面結果，還需觀察價格、需求擴張、產品差異及競爭者反應。

2.3 動態廣告投資與對手行為

Chintagunta 與 Vilcassim 1994 年的動態雙頭寡占研究，透過差分博弈與實際產業資料分析企業在多種行銷工具之間的投資，指出競爭者的行為會影響自身投入決策［E3］。這提醒我們：如果企業同步將部分預算轉向 GEO、社群、經銷商或長期品牌，僅看搜尋廣告預算就可能錯誤判斷總策略。

2.4 平台報表歸因與真實增量收益

Blake、Nosko 與 Tadelis 使用 eBay 的大型田野實驗，發現付費搜尋的非實驗性收益估計可能顯著高估因果效果；在其樣本情境裡，品牌關鍵字廣告的短期增量效益並不顯著，而部分非品牌廣告對新客戶有效［E4］。這不能代表所有企業不應投放廣告，但要求企業區分「被廣告歸因的訂單」和「沒有廣告就不會發生的訂單」。

Gordon、Zettelmeyer、Bhargava 與 Chapsky 比較 Facebook 十五項大型廣告田野實驗與觀察式估計，發現常見觀察方法經常無法重建隨機實驗的效果［E5］。Lewis 與 Rao 也指出，廣告效果的統計測量可能需要遠比企業直覺預期更高的樣本量與成本［E6］。

因此，某個廣告主繼續支出，可能是因為加碼真正有增量價值，也可能是因為其歸因系統高估效果；沒有實驗就不能把兩者混成一個原因。

3. 研究對象與經濟帳本

3.1 企業、平台與顧客不是同一個收益主體

設研究期間為 $t$ ，產業中的企業集合為 $\mathcal F_t$ ，搜尋／AI 入口平台集合為 $\mathcal P_t$ 。企業 $i$ 在入口 $p$ 的實際支付廣告費為 $a_{i,p,t}$ ，而非僅是設定之最高出價或廣告日預算上限。

企業在指定期間的淨經營貢獻可概念性拆分為：

\Pi_{i,t}=M_{i,t}^{base}+M_{i,t}^{paid}+M_{i,t}^{spill}-A_{i,t}-K_{i,t}-F_{i,t},

其中：

$M^{base}$ ：非付費渠道等來源形成的貢獻毛利；
$M^{paid}$ ：與付費入口相關、仍待因果歸因的貢獻毛利；
$M^{spill}$ ：跨期與跨渠道外溢造成的貢獻；
$A=\sum_p a_{i,p,t}$ ：實際已支付的廣告費；
$K$ ：可歸屬的其他行銷／技術轉型支出；
$F$ ：本研究明確納入的經營固定成本。

這個分解是會計／建模接口，不表示三種毛利可以未經去重直接從各渠道轉換數據相加。同一成交可能同時被多個來源歸因。實證必須先制定唯一成交識別與對照組。

對平台 $p$ ：

R_{p,t}^{ads}=\sum_{i\in\mathcal F_t}a_{i,p,t}+R_{p,t}^{other\ ads},

此式僅適用於已將每筆付費歸入唯一平台／收入類別的簡化封閉樣本。實際財報還需要處理代理商、流量取得成本、退款、會計收入確認、合作分潤及產品分類。

平台利潤則不是廣告收入：

\Pi_{p,t}=R_{p,t}^{ads}+R_{p,t}^{other}-C_{p,t}^{infra}-C_{p,t}^{acq}-C_{p,t}^{ops}.

其中成本可能包含 AI 推論、流量取得、伺服器、產品開發、治理與管理。平台廣告營收增長不能直接推出其利潤率必然增長。

3.2 五個不同的廣告效率數值

名稱	最小意義	可回答的問題	不能直接回答
CPC／CPM	單位點擊／千次曝光價格	取得某形式注意力要多少錢	注意力是否造成額外銷售
平台歸因 ROAS	平台歸因的成交收入／投放費	報表中關聯多少轉換價值	其中多少是不投放就不會發生的收入
增量 ROAS（iROAS）	廣告造成的增量收入／增量投放	廣告是否增加收入	有無扣除商品成本與其他費用
增量利潤／增量支出	增量貢獻毛利扣除支出	多投這筆費用在指定時間窗是否獲利	整個行銷系統是否可持續
顧客終身淨價值（增量 CLV）	合理時間窗內因投放額外獲得的淨貢獻	短期虧損是否可由後續增量收益補回	遠期預期是否一定會實現

定義 $Y_i(a_i,a_{-i})$ 為含其他企業策略的真實經營結果，則在指定競爭環境與時間窗 $H$ 下的增量利潤為：

\Delta\Pi_i(a_i,a_i';a_{-i},H)=\Pi_i(a_i,a_{-i};H)-\Pi_i(a_i',a_{-i};H).

此定義刻意把競爭者策略 $a_{-i}$ 放入反事實。當其他企業因我方停投而提高出價時，簡單單企業停投實驗與全市場共同減投的結果可能不同。這是干擾（interference），不是資料整理可以直接解決的問題。

4. 最小反直覺命題：平台收入增長與廣告主利潤下降不矛盾

令特定市場 $m$ 的可歸屬平台廣告營收為 $R_m$ 、活躍廣告主集合為 $N_m$ 、各企業淨利潤為 $\Pi_i$ 。下列組合在邏輯上可能同時成立：

\Delta R_m>0,\qquad \Delta\bar\Pi_m<0,\qquad \Delta N_m\le 0,

其中 $\bar\Pi_m$ 指明確定義樣本的平均利潤，不表示每家企業都虧損，亦不等於全經濟體利潤總和。

為使此現象具備可證明的存在性，假定原本有 20 家廣告主，每家每月實際投入 100 個貨幣單位，平台取得 2,000；其後仍活躍的 12 家每家投入 180，平台取得 2,160。於是：

N_0=20,\quad R_0=20\times100=2000,

N_1=12,\quad R_1=12\times180=2160.

此例中廣告主數減少 40%，平台相關收入卻增加 8%。它只是一個可重算的存在性示例［SIM-1］，並未證明任何真實平台曾經出現同樣比例；也不能只由這三個數字推出企業利潤下降，後者仍需獨立測量。

重要限制： 如果需求收縮過快、廣告主支付能力崩潰、競爭者退場後出價反而下降，或大量預算轉移至其他平台，平台收入也可能下降。本篇不是單向成長定律。

5. 企業博弈：防禦性加碼不是抽象的恐懼

5.1 兩個策略、兩種競爭關係

令兩家企業可選擇 $L$ （維持較低廣告支出）或 $H$ （提高支出）。在一個純示意且具有固定市場貢獻毛利池的設定中，企業都選 $L$ 時各得 100 個利潤單位；任一方單獨選 $H$ 時，可以轉移對手的一部分顧客份額；雙方選 $H$ 時，份額重回對稱，卻共同負擔更多廣告費。形成以下淨利潤矩陣：

甲企業／乙企業	乙： $L$	乙： $H$
甲： $L$	$100,100$	$40,140$
甲： $H$	$140,40$	$80,80$

此例可以由一個恆定的市場貢獻毛利池 $V=240$ 構造：令 $L$ 支出 20， $H$ 支出 40；若兩邊支出相同，兩者各得 120 毛利；若一方 $H$ 、另一方 $L$ ，前者取得 180、後者 60 毛利。扣除廣告費，就得到上表［SIM-2］。

5.2 優勢策略、均衡與集體損失

當乙選 $L$ ：甲選 $H$ 得 140，大於選 $L$ 的 100。當乙選 $H$ ：甲選 $H$ 得 80，大於選 $L$ 的 40。甲的 $H$ 是嚴格優勢策略；對稱地，乙亦然。故唯一純策略 Nash 均衡為 $(H,H)$ 。

然而 $(L,L)$ 的利潤合計是 200； $(H,H)$ 只有 160。增加的 40 個廣告支出單位，從企業淨利潤轉成平台廣告收入。這提供一個嚴格的存在性說明：個別企業在競爭對手策略已給定時提高支出，是自身較佳反應；但所有企業同步提高支出，卻可能使集體企業剩餘下降。

這不是聲稱平台收走全部「社會福利」：平台提供媒合與搜尋服務，消費者亦可能因資訊而受益。上述僅是特定企業利潤帳本中的分配，不等於整個社會的福利變化。

5.3 為什麼不能把市場份額轉移視為新增需求

示例中市場貢獻毛利池保持 240 不變。甲透過廣告取得的較高毛利，部分來自原本會購買乙產品的顧客，並非創造新顧客。這種「相對份額競爭」可以有很高的私人邊際價值，卻只有有限甚至沒有市場總需求增量。若企業未明確區分「市場新需求」與「競爭者轉移需求」，會同時高估總經濟擴張與廣告的社會增量。

6. 連續博弈：自然觸及縮減時，投放為何可能逆勢增加

離散博弈展示「可能性」，但沒有直接回答 AI 如何改變均衡。因此本文提出一個可解析、可重算的注意力競逐模型。其用途是找出明確條件；它不是 Google Ads 的正式競價規則。

6.1 基本設定

假設只有兩家對稱企業，在固定觀測期間內競爭同一組可轉換顧客，其貢獻毛利池總值為 $V>0$ 。企業 $i$ 實際投放費用為 $a_i\ge0$ 。所有企業同時享有一個「非付費基礎觸及」 $\eta>0$ ，其數值已換算成可與支出比較的標準化觸及權重，而不是自然搜尋訪客的人數。

企業份額（經濟模型中的分配比例）定為：

s_i(a_i,a_j)=\frac{\eta+a_i}{2\eta+a_i+a_j}.

企業期間內的競爭性貢獻淨額為：

\pi_i(a_i,a_j)=V\,s_i(a_i,a_j)-a_i.

這是假設性連續競賽成功函數。所有企業的份額相加為 1；因此模型刻意關閉市場新需求的創造，使注意力份額移轉機制能被單獨辨識。研究真實市場時，還要把產品品質、需求擴張、自然流量及外部渠道加入。

6.2 一階條件與對稱均衡

在對手支出 $a_j$ 固定時：

\frac{\partial\pi_i}{\partial a_i} =\frac{V(\eta+a_j)}{(2\eta+a_i+a_j)^2}-1.

由於 $V>0$ 、 $\eta>0$ ，對自身支出的二階導數為負，故最佳反應具有嚴格凹性。令兩企業對稱 $a_i=a_j=a$ ，則一階條件成為：

\frac{V}{4(\eta+a)}-1=0.

從而取得對稱純策略均衡：

a^*=\max\left\{0,\frac V4-\eta\right\}.

若 $V>4\eta$ ，模型處於內部均衡，則：

a^*=\frac V4-\eta,\qquad R_P=2a^*=\frac V2-2\eta,

\pi_i^*=\frac V2-a^*=\frac V4+\eta.

其中 $R_P$ 是兩家企業在這個封閉假設中付給同一廣告平台的支出總額，僅用來代表平台廣告收入的一個局部投影，不含平台成本。

6.3 核心比較靜態

在兩個時點都屬內部均衡時：

\Delta a^*=\frac{\Delta V}{4}-\Delta\eta.

若 AI 介面或其他技術變化使某些免費／自然曝光路徑對企業不再有效，則可能出現 $\Delta\eta<0$ 。若同時原市場的可競爭毛利池下降，則 $\Delta V<0$ 。

即使如此，只要：

-\Delta\eta> -\frac{\Delta V}{4},

依然會有：

\Delta a^*>0,\qquad \Delta R_P>0.

因此，在本特定模型中，廣告主為爭奪相對可見度所花的錢可以增加，即使總市場可競爭毛利池已經縮小。 這就是本文要提出的條件性逆勢加碼機制，而不是「AI 一定使廣告費上升」的泛論。

6.4 一組完整可重算的數值反例

純假設參數（單位皆為標準化貨幣／觸及權重，不對應真實 Google 數字）：

狀態	毛利池 $V$	自然觸及 $\eta$	企業均衡支出 $a^*$	平台取得 $2a^*$	各企業均衡淨額 $\pi_i^*$
先前	120	20	10	20	50
其後	100	5	20	40	30

兩個時點均滿足 $V>4\eta$ 。毛利池下降 $16.7\%$ ，但兩家企業的支出各增加 100%，平台在此局部市場收取的廣告款增加 100%，企業各自競爭淨額下降 40%。

這個反例說明：當非付費基礎觸及的相對價值大幅下降，個別企業有可能投入更多才能保住相同比例的客戶，而這項相對防禦支出反過來增加平台收入。模型中平台是收取競爭支出的一方，不是直接承擔兩家企業的銷售風險者。

6.5 反向結果同樣存在

如果 $\eta$ 不變且 $V$ 下降，則 $a^*$ 會下降；如果 AI 明顯提升免費推薦的有效觸及，讓 $\eta$ 上升，則廣告支出更可能下降。若部分企業直接改走自有 App、經銷體系、社群或 AI Agent API，原平台的有效毛利池亦可能迅速外移，使其收入下降。

這是本篇不可刪除的反命題：效率下降與注意力改造本身，並不足以推出平台營收增加。 還必須具體辨識 $V$ 、 $\eta$ 、渠道替代能力及企業資本約束如何改變。

7. 為什麼 AI 進入網路後可能降低免費觸及的替代能力

7.1 三種不同的「觸及下降」

「免費觸及下降」不能作為單一混合變量。在實證上至少分開：

人類原始網站直接訪問下降： 搜尋者在 AI 平台取得答案，不再點擊原始文章或商品頁；
企業非付費獲客下降： 即使網站訪問減少，若後續直接搜尋品牌或進入 App 的顧客增加，真正失去的非付費客戶可能沒那麼多；
非付費注意力的相對競爭力下降： 相對於新型贊助卡、AI 入口或付費商業觸點，企業靠自然內容進入最終候選集合的機率下降。

前述連續模型的 $\eta$ 代表的是第三種的標準化相對觸及權重，不能直接用 GA4 或 Cloudflare 的自然流量數字代入。把「網站少了 30% 點擊」推成「模型 $\eta$ 下降 30%」，在沒有校準以前屬錯誤映射。

7.2 不是所有 AI 平台都提供同樣的可購買位置

部分 AI 服務可能提供明確標示的贊助項目，部分對話服務不提供付費曝光，或廣告與回答保持不同呈現區域；還有一些業務情境以 API 定價、推薦流量、授權或交易手續費為主。企業不能在不存在廣告庫存的入口直接購買「自然 AI 回答第一名」。

因此本文所說的加碼，是指企業把資源投入仍能以合法方式購買、促成或改善的商業觸及，包括傳統搜尋廣告、商務廣告、零售媒體、明確贊助展示等。GEO／AIO 通常還涉及網站資料、權威性、評測、品牌與來源品質的非廣告投資，不能無條件當成同一個 CPC 競價市場。

7.3 AI 同時可能提高非付費觸及

若 AI 給出大量有效的非贊助商品推薦，降低小商家的搜尋門檻，或新型搜尋入口增強了原始來源連結，部分企業的非付費觸及反而可能上升。尤其可驗證品質突出、小眾用途明確或具有稀缺資訊的供給者，未必會遭遇同等程度的注意力壓縮。

因此，關鍵不是「有 AI」，而是相對於該市場的需求任務與渠道結構，哪些非付費獲客路徑變弱、哪些變強。

8. 防禦性加碼：不投的損失與多投的收益不能混淆

令企業 $i$ 對手策略 $a_{-i}$ 已給定時，面對兩個廣告決策 $a_i^L$ 與 $a_i^H$ ，若：

\Pi_i(a_i^H,a_{-i};H)>\Pi_i(a_i^L,a_{-i};H),

則選擇較高投入在該時間窗、反事實和利潤定義之下是局部合理的。即使：

\Pi_i(a_i^H,a_{-i};H)<\Pi_i^{historical},

也不構成邏輯矛盾。企業可以在「兩種都比過去差」的可行選項中選擇損失較小的一個。

這直接對接 EWDT-12 的「有限可行集合」與避害型選擇［I3］：選擇 $H$ 不一定代表企業認為廣告市場正在繁榮；可能只是因為其自有品牌入口、自然曝光、經銷通路或轉型資源不足，短期內沒有更好的替代方案。

但仍需分清楚：

真正的防禦性增量價值： 合理比較「加碼」與「不加碼」，在扣除必要成本後確實有較高預期淨收益；
主觀恐懼或資訊誤差： 企業因錯誤歸因、競爭者行為誤判或管理激勵而相信加碼較好，實際反事實並非如此；
現金流生存性： 即使長期方案預期較好，企業也可能因短期無法承擔銷售中斷而無法切換渠道；
長期市場位置： 持續投放可能保護顧客關係、資料或分銷能力，但這必須形成可估計的未來淨利益。

企業「沒有選擇」不是絕對字面上的沒有任何選項，而是替代選項可能有高切換成本、長建立時間、短期收入損失或治理限制，使它在指定時間窗內不具可行性。

9. 進攻性整合：退出者留下的份額是否值得購買？

9.1 對手退出不保證需求歸我

當競爭者降低廣告支出、退出廣告平台甚至倒閉時，原有消費需求可能出現至少四種去向：被其他企業吸收、遷移到新入口、轉為其他產品、直接消失。不能把競爭者原有營收百分之百加到尚存企業的可取得市場。

設競爭者退出後留下的有效可爭取貢獻毛利為 $G_{exit}$ ，企業 $i$ 能透過追加投入 $\Delta a_i$ 取得的份額為 $\sigma_i$ ，則候選當期增加的貢獻毛利可表示為：

\Delta M_i^{capture}=\sigma_i G_{exit},\qquad 0\le\sigma_i\le1.

若追求的是單期會計淨收益，還需要扣除追加廣告費、售後、物流、折扣及擴產成本。若追求跨期顧客關係資產，則須納入後續重複購買、維護與留存機率。

9.2 進攻的時間選擇權

定義企業 $i$ 在 $t$ 時新增資源投入的候選淨現值：

\mathcal V_{i,t}^{attack} =\sum_{\tau=0}^{H}\delta_i^{\tau} \mathbb E_t\left[\Delta M_{i,t+\tau}^{capture}-\Delta C_{i,t+\tau}\right] -\Delta a_{i,t}-K_{i,t}^{switch},

其中 $\delta_i$ 是折現係數， $K^{switch}$ 是可歸屬的一次性轉型或通路建置成本， $\Delta C$ 為非廣告的額外變動成本。若收益具有很強的競爭依賴，期望必須是對競爭者後續行動的條件期望，而非假設對手永遠退出。

若 $\mathcal V_{i,t}^{attack}>0$ 且企業具備支付能力，較高短期投放有可能是合理的進攻性投資。但若預期遠期收益高度不確定、顧客持續性很低或追加投入遠超可吸收規模，則進攻可能迅速變成虧損。

9.3 優勢企業加碼，也不必然代表掠奪性行為

大企業提高廣告投入可以只是合法的競爭、產品品質優勢或更高的預期顧客終身價值；不應因其提高支出就直接推斷有非法排除競爭者的意圖。反壟斷與其他法律結論必須依具體行為、相關市場及適用法律獨立判定。

就經濟結構而言，進攻性整合值得研究的核心是：有資本和替代渠道能力的企業，可能從其他企業的防禦失敗中取得長期相對優勢。這種策略會同時改變平台的廣告主組成、剩餘競價需求與未來產業集中度。

10. 退出、轉型與資本約束：誰能撐過廣告競爭？

10.1 廣告主的可行集合不一致

即使兩家企業在相同廣告平台上競爭，也可能具有不同的：

可動用現金與融資成本；
產品毛利率、退貨率及供應鏈韌性；
現有會員、品牌辨識、自然流量與客戶終身價值；
數位產品與實體產品的交付成本；
社群、自有 App、經銷商、線下門市或其他非平台替代入口；
法律、契約和資料可攜性條件；
是否已有內部 AI 行銷系統，能降低投放與驗證成本。

因此，對相同 CPC 或 CPM 漲幅，企業感受到的風險可能差異很大。某企業可以合理降低投入並轉向自有通路，另一企業卻需要在短期提高預算才能維持訂單。

10.2 現金流門檻

定義企業可用的期間流動性 $B_{i,t}$ ，維持營運所需最低現金流為 $L_i^{min}$ ，則廣告策略不只受到利潤最大化制約，還受到：

B_{i,t+1}(a_i,a_{-i})\ge L_i^{min}

的生存條件限制。若即使最優長期轉型仍需多季建置，而企業只剩一季可支用現金，停止廣告可能使其在新渠道形成前退出市場。這不表示應該鼓勵企業無限制借貸投放，而是指出選擇的時間可負擔性與長期預期收益不同。

10.3 沉沒成本與轉換成本不能混用

過去已支付的廣告費本身是沉沒成本，不能成為未來繼續投放的合理理由。但既有廣告帳戶積累的測量系統、客群學習、轉換事件、經銷協議與品牌連結，若會造成未來變換入口的真實增量成本，就應納入切換成本。

所以：

\mathrm{PastSpending}\neq\mathrm{FutureSwitchingCost}.

把兩者混淆會將合理的路徑依賴與沉沒成本謬誤混在一起。這一區分直接承接 EWDT-06 的「歷史沉積、路徑依賴與結構鎖定」［I2］。

11. 市場集中度與廣告支出的關係不是單調函數

廣告主數量下降，可能減少競價對手，使同等商品的市場出價回落；也可能因仍存企業具更高顧客終身價值、資本與交易轉化能力，讓剩餘入口的競價更激烈。因此：

\Delta N_{ads}<0\ \not\Rightarrow\ \Delta R_P>0,

也不能推出：

\Delta N_{ads}<0\ \not\Rightarrow\ \Delta R_P<0.

若把企業集合分為留下者 $S$ 與退出者 $X$ ，則從時點 $0$ 到 $1$ 的平台收入變化可拆為：

\Delta R_P =\sum_{i\in S}\left(a_{i,1}-a_{i,0}\right) -\sum_{j\in X}a_{j,0} +R_{entry},

其中 $R_{entry}$ 是新加入廣告主在第二期產生的收入；假設分析同一平台、收入定義不變，且其餘產品收入已排除。

這個會計恆等式提供一個可檢驗條件：

留下者與新加入者增加的實際付費，必須大於退出者原本的實際付費，該平台在此市場的廣告收入才會增加。

但恆等式本身不解釋為什麼留下者會加碼；要判斷是防禦、進攻、需求擴大還是價格變動，仍需企業策略和反事實資料。

若研究者想分析「市場獨大」，還需另計產業商品市場的 HHI、顧客留存、品牌進入壁壘及供給價格。平台廣告主數下降不自動等於商品市場集中；同一企業可以在多個廣告平台投放，同一廣告主也可能管理多個品牌。

12. 真實搜尋拍賣的技術邊界：不能把簡化賽局誤當 Google 公式

Google Ads 官方說明指出，廣告是否出現及其位置，取決於廣告排名（Ad Rank）等機制；相關因素包括出價、廣告與到達網頁品質、排名閾值、競價競爭程度、搜尋情境及廣告資產預期效果［E7］。因此同一個對手加價，未必使某企業支付同等幅度的每次點擊費，品質高的廣告也可能在出價較低時得到更好位置。

Google 在 2026 年的 Smart Bidding 文件中，描述 Target CPA、Target ROAS 及其他即時競價優化策略，會使用平台估計的轉換機率與轉換價值設定出價；文件也說明策略更名與相關更新［E8］。這意味着實際廣告價格和企業預算不只受人工策略影響，也可能被 AI 最佳化系統影響。

本文須保持四條邊界：

出價不等於實際廣告支付： 企業設定上限不保證全部支付；
平台競價公式不等於本篇的市場份額函數： 第六章只是一個可解析的經濟機制示例；
平台最佳化目標不等於企業真實長期淨利： 廣告系統依其可觀測轉換資料與目標運作，仍可能漏掉真正的增量因果；
廣告與 SEO／GEO 支出不等價： 自有資料結構、獨立測試、內容品質提升及外部品牌關係，需要另一套成本與資本沉積帳本。

因此，若要把本文用於 Google，必須透過官方可得的競價資料、廣告實際支付資料和可信的增量測量，估計真實反應函數；不得直接把 $a^*=V/4-\eta$ 當成廣告投放建議公式。

13. 2026 年官方財報能說明什麼、不能說明什麼？

13.1 平台收入的確定觀測

Alphabet 於 2026-07-22 公布的 2026 年第二季 SEC 財報中，以下數值以百萬美元為單位［E9］：

Google 廣告分類	2025 Q2	2026 Q2	年增減
Google Search & other	54,190	63,271	約 +16.8%
Google Network	7,354	7,303	約 −0.7%
YouTube ads	9,796	11,055	約 +12.9%
Google advertising total	71,340	81,629	約 +14.4%

Alphabet 的 Form 10-Q 另公布同期 Google Search & other 的付費點擊數變化約 +13%、平均單次點擊成本變化約 +3%；Google Network 的曝光次數變化約 −12%、每次曝光的計價指標變化約 +13%［E10］。

上列 Search & other 成長並非純生成式 AI 廣告收入，Network 也不是全世界第三方網站收入。平均 CPC 變化亦受裝置、地域、廣告組合、搜尋量與產品策略影響；不能將其直接讀成「同一組廣告主因 AI 被迫加價 3%」。

13.2 IAB 的廣告市場預測

Interactive Advertising Bureau（IAB）於 2026-09-10 公布其美國廣告投資前景更新，將 2026 全年美國廣告支出年增預測由 1 月的 +9.5% 上修為 +12.3%，並提到大型體育與其他週期性事件以及企業的獲客、品牌與 AI 發現策略［E11］。

注意：這是預測，不是已實現的年度結果；它反映多種經濟因素，不能被拿來直接識別 AI 造成多少廣告主防禦性加碼。

13.3 平台財報是一種有效但不充分的投影

可以確定：在指定季度，Alphabet 的搜尋相關廣告分類仍在成長；不能確定：同一批廣告主的增量利潤率是否同步成長、同一產品線是否盈利、多少企業退出、多少加碼由防禦或進攻驅動，以及 AI 搜尋自身對各項成長因子的因果權重。

這正符合 EWDT-02 的基本警示［I1］：低維財報投影可能正確，卻不唯一決定底層企業與產業的狀態。

如果未來證據顯示平台營收增長主要來自更多有價值的新需求、廣告主增量收益同步改善，則應降低 PPAC 在該市場的解釋權重。若證據顯示存續廣告主大量加碼但增量利潤下降、退出率升高，才更支持 PPAC 的特定版本。

14. AI 對平台與廣告主的雙向反身性

AI 不只是外部讓搜尋流量改變的技術。平台可以用 AI 改善查詢理解、廣告匹配、內容摘要與新的商業接觸形式；廣告主可以用 AI 優化創意、競價、產品評測、顧客分析與多渠道資源配置。於是雙方模型及決策都可能依賴市場的前一期結果更新。

可以用以下概念循環描述：

(\eta_t,V_t,\mathcal P_t) \longrightarrow \{a_{i,t}^*\} \longrightarrow (R_{P,t},\Pi_{i,t},N_t) \longrightarrow (\eta_{t+1},V_{t+1},\mathcal P_{t+1}).

其中 $\mathcal P_t$ 表示平台的廣告產品、演算法與規則集合；企業策略反過來改變平台收入與市場集中，而平台收入又可能投入下一期 AI 基礎設施。這個循環本身不保證正反饋或負反饋，方向可能隨市場條件改變。

模型的另一個問題是策略同質化：若大量廣告主採用相似的 AI 競價工具、相似的成效目標與相近的需求預測，可能形成同步加碼或同步縮減。在某些條件下反而增加價格波動；在另一些條件下，AI 最佳化可降低浪費、使競爭更有效。兩種結果都需要實際資料才能判別。

因此，從「AI 使某市場搜索行為改變」到「廣告支出波動」，存在平台及企業兩側共同適應的內生路徑，而不是技術一次輸入、經濟一次輸出的靜態因果箭頭。

15. 社會福利與企業福利：不能把廣告支出直接等同資源浪費

注意力競爭可能造成企業利潤的轉移或競逐成本，但不能由此推導廣告對使用者及社會毫無效用。廣告可能讓消費者發現更合適商品、讓新企業突破自然排名、提高品牌競爭，或讓搜尋與 AI 服務得以對部分使用者免費供應。

另一面，廣告也可能將原本就會成交的訂單重複歸因、增加注意力干擾、使產品品質之外的支付能力影響展示位置，或加深企業對少數平台的依賴。

因此，若以指定時間窗的總福利評估，至少需要：

W_t=CS_t+\sum_i\Pi_{i,t}+\sum_p\Pi_{p,t}+W_t^{external},

其中 $CS$ 是消費者剩餘， $W^{external}$ 是研究要明示的外部性；收入和利潤必須依相同口徑計入，避免把廣告費在企業端扣除後又當成社會成本重複計算。某個企業支付給平台的費用，在合計帳本裡部分是主體之間的轉移，平台提供服務的實際資源成本才是另一個問題。

本篇 PPAC 首先處理平台收入與廣告主淨收益可能分離，並不替整個社會福利做單向結論。特定產業的廣告戰可能讓消費者因降價而受益，也可能因市場集中而在後期面臨更差的產品選擇。沒有價格、品質、進入、退出與使用者結果資料，就不能把企業利潤下降直接視為社會福利下降。

16. 十項可反駁研究假說：從廣告加碼觀測到競爭機制辨識

本章的 H1–H10 不是已被證明的普遍結論。研究者在採用任何假說之前，須預先指定平台、產業、國家、企業母體、AI 介面版本、期間與有效結果變量。若觀測與假說不符，不得以「AI 長期終究會改變市場」無限制延後反證。

P5-H1｜非付費觸及損失與廣告加碼的條件關係

候選命題： 在原本高度依賴自然搜尋、並且缺乏可負擔替代渠道的企業中，非付費有效獲客能力下降，可能伴隨較高的實際付費獲客支出，即使部分廣告轉換效率下降。

觀測： 非付費新客貢獻、實際廣告支付、有效 CAC、轉換收益、替代渠道占比與企業資本水準。

反證： 若具有相同 AI 暴露與替代渠道限制的比較群，在排除宏觀與商品需求變化後，非付費觸及下降卻普遍降低付費投入，且未出現本文模型所要求的相對觸及權重下跌，則本機制解釋力被削弱。

P5-H2｜防禦性增量價值假說

候選命題： 部分企業維持或提高廣告預算，並非因相對歷史的效率改善，而是因相對於競爭者持續投放時的低預算策略，其預期可避免更大的當期損失。

觀測： 多層級付費曝光對照組、競爭者可見度、停投的市場份額損失，以及同產業對手的即時反應。

反證： 若在可靠市場干擾控制下，企業停止或大幅減少廣告後，總增量淨利長期顯著優於維持高投放，且競爭者反應不足以改變此結果，則「必要的防禦性投放」對該市場不成立。

P5-H3｜平台收入與廣告主利潤脫鉤假說

候選命題： 在某些高依賴平台的產業，平台實際收款增長可能與廣告主群體的增量貢獻利潤下降同步。

觀測： 同一產業廣告主面板的實際支出、增量毛利、平台收費與新客留存；需報告均值、中位數與全體總額。

反證： 若代表性樣本顯示平台收入增長期間，廣告主的增量淨利也持續同步改善，則 PPAC 的壓縮版本在該情境不應成立。

P5-H4｜退出者份額再分配假說

候選命題： 當廣告主因現金流或獲客成本退出，仍存企業可能因可爭取市場份額提高而增加廣告預算。

觀測： 退出前後顧客遷移、競爭者投放、商品價格、供應限制、入場者及平台跨渠道流量。

反證： 若退出者的需求主要消失或遷移到平台外，剩餘企業並未取得更多有效顧客，或加碼不能增加未來利潤，則進攻性整合的理由不成立。

P5-H5｜短期與長期利潤符號分離假說

候選命題： 某些短期邊際虧損的廣告投資，在控制顧客留存、再購、切換成本與折現後，可能具有正的跨期增量淨現值。

觀測： 顧客 cohort、跨期退貨與服務成本、折現淨毛利、廣告減量後仍存的客戶關係。

反證： 若高品質隨機或準實驗追蹤顯示長期增量淨現值仍為負，而企業持續投放只是平台歸因高估造成，則該企業的長期戰略投資解釋須被否定。

P5-H6｜替代渠道緩衝假說

候選命題： 自有 App、直接品牌關係、長期客戶訂閱、多平台可攜資料與非贊助 AI 推薦能力，可能降低企業在原有搜尋廣告中被迫加碼的程度。

觀測： 行銷渠道集中度、自有渠道交易比重、自然品牌搜尋、新客來源及退出成本。

反證： 若在相近市場與企業條件下，替代渠道充足與否對廣告投入的競爭反應沒有可測差異，則此緩衝假說的解釋力有限。

P5-H7｜廣告主組成與總支出非同步假說

候選命題： 廣告主數目可下降，但留下者的支出成長幅度足以使平台在指定市場的總收款增加。

觀測： 同一平台、同一產品口徑下的進入、存續、退出三組廣告主付款帳本。

反證： 若所有符合比較條件的市場，退出支出均大於留下者與新加入者的追加支出，則此候選現象在樣本中未出現；不能以某平台總營收成長替代市場特定帳本。

P5-H8｜歸因偏差放大競爭支出假說

候選命題： 若企業過度依賴最後點擊歸因、平台內報表 ROAS 或未排除自發購買的轉換指標，可能高估付費渠道的邊際效益，進而投放超過真正增量利潤最優點。

觀測： 平台歸因與地理／使用者隨機控制組估計之差、投放決策、成本結構與治理機制。

反證： 若平台歸因與可信實驗結果長期高度一致，且高支出可由真實增量利潤支持，則「錯誤歸因驅動加碼」在該樣本不成立。

P5-H9｜AI 介面變化的產業異質性假說

候選命題： 高資訊替代、搜尋入口依賴大、替代渠道少的行業，其廣告防禦性反應可能強於實體地理限制大、強品牌直接關係或低可替代性的市場。

觀測： 查詢任務類型、AI 曝光率、資訊完整性、產品品質驗證、成交渠道與地區。

反證： 若高度 AI 替代行業與低替代行業在可比前趨勢下沒有系統差異，或差異完全由非 AI 的景氣與競爭事件解釋，則不得把異質性歸因於 AI。

P5-H10｜收入延遲與可逆性假說

候選命題： 入口的技術替代、企業防禦性投放、平台短期收入與長期市場退出，可能依不同速度出現；早期平台收入成長未必排除後期結構壓力。

觀測： 同一產業多年度的使用者入口、廣告價格、企業盈餘、活躍廣告主數、Agent 交易與平台產品更新。

反證： 若長期觀測發現技術替代有限、廣告主增量效益穩定或提升、廣告市場健康成長，則原先以延遲壓縮解釋的情境應下修；研究不能無期限主張「轉折尚未到來」。

17. 第一代實證方案：必須從「收入一起變」走到「機制真的存在」

17.1 三個嵌套研究單位

企業—期間單位： 廣告主或商家 $i$ 在指定月／季、產品、渠道與地區的真正成本、利潤及客戶結果；避免一家公司多品牌多帳號重複計數。

市場—期間單位： 在明示相關市場邊界下，同一市場的在位企業、進入者、退出者、產品價格、需求及廣告支出變化；避免把廣告主帳號數錯當獨立企業數。

平台—期間單位： 搜尋、AI 介面及其他廣告產品的收入、政策與功能更新、計費與流量變化；不得以公司合併財報視為單一市場的直接結果。

三層結果需要相同時區、月份、幣別、退貨與會計時間窗，以及平台／廣告活動的版本化紀錄，才能開始估計因果傳導。

17.2 競爭者相互干擾：單純 A/B 可能失效

若研究者只把某企業的顧客隨機分成廣告展示與不展示，能估計在對手策略維持近似固定時的增量效果。但如果對手觀察到該企業減投並同步調整出價，單企業效果不等於所有企業共同削減預算的產業均衡效果。

較合適的方法包括：

個別企業內的隨機 holdout，用於初步辨識自身廣告增量；
地理市場或非重疊商品群的叢集隨機化，以限制競爭干擾；
多企業聯合或平台主導的受控競價實驗，估計部分均衡反應；
在可追溯的產品政策變更或 AI 介面推出中尋找外生變異，並事先檢查並行政策與市場趨勢；
多時期面板與事件研究，觀察退出、進入、出價、價格及留存的次序。

上述設計均需合法授權與隱私保護，不假設可以任意取得競爭者的未公開交易資料。地理叢集亦會受到跨區購買與品牌廣告外溢影響，須設計 spillover 與 sensitivity analysis。

17.3 刻意區分兩種因果處理

對本研究至少要分別估計：

AI 介面效應： 在企業廣告策略可能同時改變時，AI 功能推出對自然觸及和任務行為的因果作用；
廣告策略效應： 在特定 AI 入口條件與對手策略下，增加或減少廣告預算對自身收益的增量作用。

若只有前者，不能直接知道企業是否真的因為「被迫防禦」而加碼；若只有後者，也不能確定加碼背後的原因是 AI，而不是通膨、產品競爭、換季、某大型競爭者撤退或平台規則更改。

17.4 結構估計與最小模型的分工

第六章的 $V$ 與 $\eta$ 不是可由平台收入一條數列逆推出來的唯一真實參數。多種不同企業組合、顧客偏好、廣告品質及競價變化，可能產生相近的合計收入路徑。即使估計出 $V$ 與 $\eta$ 的某組合，也須檢查是否存在其他參數組合產生幾乎相同的觀測結果。

最低限度需要將模型與真實的競價條件、品類毛利、非付費增量客流、廣告品質和其他渠道資料接合，建立外部效度與敏感度區間。若模型在多個市場反覆無法預測轉折方向，應修改或放棄該機制，而不是不斷重新命名不可觀測變量使它永遠成立。

18. 觀測資料字典、去重與最低報告契約

下表為第一代資料契約。欄位存在不代表已獲得資料，也不表示允許收集任何個人的敏感資訊。

欄位名稱	層次	最小操作定義	常見錯誤
`market_id`	市場	事先固定的產品、地理及消費群邊界	任意把不同品類合併
`firm_id`	企業	可去重的企業識別；不公開私人識別資訊	同一公司多廣告帳戶算多家公司
`period_start/end`	時間	明確時區及付款／成交窗口	把點擊日當成交日
`platform_product`	平台	Search、Network、零售媒體、AI Sponsored 等確切產品	把 Alphabet 合併收入當單一廣告池
`ai_surface_version`	介面	AI 功能及其部署地區／日期／版本	將所有 AI 搜尋當同一處理
`paid_spend_actual`	企業	實際支付且可核帳的廣告費	將出價、預算上限或多平台重複加總
`organic_acquisition`	企業	非付費客戶／成交之來源及增量貢獻	把所有自然網站訪問視為新增客戶
`attributed_revenue`	企業	平台按其規則歸因的營收	視為完全由廣告因果創造
`incremental_contribution`	企業	經對照設計估計的增量貢獻毛利	只看毛營收、漏掉履約成本
`customer_ltv_net`	企業	固定觀測窗及折現後的淨顧客價值	以無限遠期收益合理化赤字
`operating_liquidity`	企業	可支應營運與廣告之流動資源	以會計獲利推定現金可支用
`alternative_channel_share`	企業	非主要平台的合格新客和交易比重	把品牌曝光當成可替代成交渠道
`active_advertiser_firms`	市場	期間內有實際支出的去重企業數	用帳戶或活動數代替企業數
`entry_exit_state`	市場	進入、存續、減投、退出與重返之分類	減少預算就算企業倒閉
`product_price/quality`	產業	商品價格、品質及規格版本	忽略供需與產品本身變動
`market_concentration`	產業	定義後的商品市場份額集中程度	把平台競價集中當商品市場集中
`platform_ad_revenue`	平台	與企業支出同口徑的廣告收款	忽略分潤、退款與代理費
`policy/event_log`	跨層	上線時間、規則更動及重要外部衝擊	把同時發生的政策全部歸因 AI

最低報告契約： 每個數值要保留定義、母體、分母、時間窗、幣別、來源、缺失率及任何去重或補值程序。若有因果估計，應報告處理方式、標準誤或可信區間、負對照、前趨勢與干擾檢查；若只有描述性觀察，明確標為描述性。

若研究需要使用個人消費路徑，應優先採用受同意、匿名化或彙整統計與安全資料室，不應為了辨識 AI 對廣告的作用而擴大不必要的個人監控。

19. 2027–2028 年動態觀測安排：把投影當投影，不把延遲當免責

本文將 2027–2028 年視為事先設定的候選觀測窗口，不是指定所有市場都必然發生大轉折的年份。建議每季記錄：

觀測面	最優先指標	支援或削弱 PPAC 的判讀方式
注意力入口	原始網站合格轉介、AI 問答任務、付費商務入口占比	先檢查是否真的有渠道替代
廣告主策略	實際投入、渠道替代、預算決策紀錄	判斷加碼、減投或外移，不由平台收入倒推
真實廣告效益	隨機實驗之增量貢獻、iROAS、增量 CLV	判斷是否真有「效率惡化」
企業生存	活躍廣告主、企業退出、轉型成本、現金流	區分預算退出與企業倒閉
平台結果	分類營收、廣告單價、曝光、推論成本	區分平台營收與淨利
商品市場	價格、品質、需求、進入率、份額集中度	分辨廣告競爭與產業競爭
外部事件	景氣、通膨、匯率、法規、重大體育及選舉週期	排除非 AI 的共同衝擊

年度中期判讀要避免兩種相反錯誤：

看到平台收入成長，就認定 AI 對搜尋廣告沒有侵蝕；
看到部分網站流量與廣告主利潤下降，就認定平台收入必定在下一季崩潰。

同時需要設置停止規則：在預先界定的時間窗內，若研究場景未出現假說所要求的觸及結構改變、競爭支出反應或企業利潤分離，就須標註未獲支持，而不能把證據要求永久延後到未知未來。

為了區分政策改版與技術能力影響，應保存介面版本、廣告計費規則、推薦區塊設計與來源可見度的事件時間線。否則兩年後的「同一個搜尋平台」，可能早已不是今天同一種入口產品。

20. 與既有《經濟世界域轉化論》（EWDT）的正式接口

20.1 EWDT-02：正確營收數字也可能只是局部投影

平台公布的廣告收入、搜尋成長率及出價指標可以全部正確，卻仍不足以唯一確定廣告主利潤、廣告主進出、市場價格及經濟福利。這不是否定財報，而是指出資訊投影的任務邊界。若研究目標是分析廣告主健康度，平台收入不一定是足夠統計量［I1］。

20.2 EWDT-05、06：競爭耦合、退出能力與歷史沉積

多個廣告主對同一高意圖入口的依賴，是具有方向性與替代約束的中觀耦合。同一平台可使商家迅速找到顧客，也可因企業缺乏替代渠道而形成退出成本。今天的品牌、受眾資料、代理商關係和支付／成效工具，是過去活動沉積而來的部分結構［I2、I4］。

20.3 EWDT-12：企業並不總在選擇兩個都很好的選項

若企業減少廣告即可能失去足以維持營運的短期現金流，而維持投放又壓低利潤率，則它可能在有限可行集合中選擇較低損失路徑。這不是永遠合理化不良策略，而是明確要求模型包含可觀測退出條件、現金流與真正可行的替代選項［I3］。

20.4 EWDT-13：平台是中觀路由，不只是發布廣告的網站

從微觀企業對顧客的追求，到宏觀的價格、投資、就業與廣告市場收入，中間有搜尋排名、商業入口、支付、資料與中介規則等多條路由［I5］。平台收入可能因其路由中心性而成長，即使部分企業的淨收益下降；也可能因新的 AI Agent 交易入口分流而失去位置。這是一個路由競爭問題，不是單純的「廣告點擊夠不夠」問題。

20.5 EWDT-18、21：企業成功、平台成功與世界域擴張分離

若新廣告市場只重新分配原有顧客、提高獲客成本，未必創造新可行的世界經濟狀態；但若 AI 使新的商家找到原本服務不到的顧客、降低資訊不對稱、形成可維持的新交易路徑，則可能有實質經濟擴張。即使平台營收顯著改善，也不能直接推出所有社會群體受益，必須觀察供給、消費、參與及生活世界的有效傳導［I6］。

20.6 新增量：把「競爭最佳反應」正式接入經濟域轉化

EWDT 原本就研究關係、意圖、歷史、型別、合法性與可行集合。本篇新增的具體內容，是把企業對他人策略的最佳反應、廣告支出與非付費可見度的相對權重，放入同一可推導局部模型，並建立從有限企業理性到平台收入及產業存續的候選傳導路徑。

本文不建立新母理論，也不把 PPAC 當成足以解釋所有網路產業的總定律。

21. 替代解釋、負例及必須主動尋找的反證

21.1 非 AI 的廣告費上升來源

廣告支出或廣告價格成長可能來自通膨、景氣好轉、競爭者促銷、電商季節性、零售媒體替代、商品毛利改善、新產品成功、跨境擴張、匯率、隱私政策、裝置組合或平台演算法改版，而未必主要來自 AI 導致的注意力縮減。

例如 IAB 2026 年展望的上修包含可識別的週期性事件。若不控制大型體育活動等因素，直接把年度廣告投資增加歸因於 AI 競爭壓力就是不當推論。

21.2 高廣告成本不必然是平台支配力上升

企業付費成本變高可能是顧客需求更有價值、廣告轉換率提高，也可能是新的競價對手進場。如果企業的增量利潤也同步上升，支出增加就不能被自動定義為壓縮現象。

相反地，企業付費成本短期下降也不保證處境改善；如果商品需求萎縮或供應無法交付，低 CPC 可能無法救回原本的產品線。

21.3 企業大幅降低廣告支出仍可能生存甚至成長

部分企業可以靠品質、推薦、口碑、直接訂閱、自有社群、非贊助 AI 選擇或專業 B2B 網絡獲客。若多數企業在新型 AI 入口形成後都能低成本取得合格顧客，PPAC 的防禦機制就會減弱；這是本文應主動尋找的負例，不是要被排除的例外。

21.4 資本較強的企業也可能理性退出

在某些市場，強企業更容易發現廣告增量收益不足，並有資源轉型到訂閱、品牌或其他入口，因此選擇撤出；弱企業可能因歸因錯誤或沒有其他出路而繼續加碼。所謂進攻型整合不是「資本越大越願意廣告」，而是企業資產、產品毛利、競爭機會與未來收益的具體組合。

21.5 應修正模型的觀測結果

若可信且跨產業的資料顯示：生成式 AI 明顯提高企業非付費合格流量，搜尋廣告投放下降、品牌與創作者關係強化，平台收入增長主要源自真實新增需求，而非競爭者預算加碼，那麼本文的核心 PPAC 機制就不應被用來解釋該市場。可保留的是「不能從單一財報推斷全部廣告主狀態」的方法論，而不是保留已被反證的具體傳導故事。

22. 本篇的跨論文接口：哪些問題刻意留給後續？

後續篇目	從本篇帶走的分析結果	本篇不越界處理的範圍
Paper 06｜機器端需求與支付	平台收入與來源、企業增量利潤有不同帳本	爬蟲授權、API 與 AI 資訊購買的完整分級定價
Paper 07｜B／C／A 九種關係	廣告主、平台與 AI 代理均可能參與同一商業事件	九格的完整形式分類及 A2A 的經濟角色
Paper 08｜B／C／A／G 十六種關係	政府制度與競爭規則可能改變企業可行集合	公共採購、稅收、社會保障與制度回饋矩陣
Paper 09｜代理與身分歸因	同一企業決策可能由 AI 執行，帳號不等於執行者	OAuth、人機共同操作與多角色責任鏈
Paper 10｜時間投影	短期平台成長與廣告主後期壓力可能有延遲	多時間窗預測的正式辨識準則
Paper 11｜反身性 AI 經濟	平台和廣告主均可能以 AI 預測及改變市場	多 Agent 共適應與經濟模型觀測者效應
Paper 12｜文明級 EWDT 觀測	微觀策略可能經中觀路由形成總體與跨國後果	全球 AI 經濟的完整動態研究框架

23. 結論：變差的廣告效益，不一定先讓平台變窮

本文從 AIEC Paper 04 的「生成式搜尋改造商業入口」出發，專門研究一個看似矛盾的經濟現象：AI 若使部分原始搜尋與網站獲客效率降低，為什麼企業並不必然減少廣告預算，而平台收入仍可能繼續成長？

答案不應只有「市場其實沒受到影響」與「平台數字造假」兩種極端。至少還有一條可以被嚴格分析的第三路徑：企業在競爭者持續投入、自然觸及相對減弱、替代通道短期不可行的條件下，可能認為提高支出比失去市場位置更有利。當各企業同時做出這種相對合理的反應，集體利潤卻可能下降；而平台在固定競爭活動中收取更多廣告費。資本較強的企業又可能在弱勢對手退出後加碼，將部分短期成本轉成未來市場份額與顧客關係資產。

本篇首先用兩企業囚徒困境展示個別理性與集體利潤壓縮的存在性；再以帶有非付費基礎觸及 $\eta$ 的連續競爭模型，給出「毛利池下降，但廣告支出上升」的明確比較靜態；最後加入資金限制、替代渠道及退出策略，使模型能和真實市場不同的企業可行集合對接。

本篇也保留不可省略的反向結果：當市場總需求下降得更快、自然／免費觸及反而提高、企業成功轉移至自有渠道，或平台的競價庫存和收費能力受到限制時，廣告支出及平台收入就可能下降。即使廣告支出確實增加，也必須透過真實增量測量分辨合理競爭投資、長期顧客價值與錯誤歸因造成的浪費。

截至 2026-10-16 的官方財報顯示 Alphabet 搜尋廣告相關分類仍成長，經典學術文獻則已證明廣告預算具有策略互動與效果歸因的實際研究基礎。但這些資料尚未證明 AI 已經使整體搜尋市場進入本文描述的 PPAC 動態。本篇提出的不是既成事實，而是一組比「AI 使廣告衰退」與「平台營收成長所以 AI 沒影響」更可分辨、可測量的候選機制。

本文的正式結論是：

一個搜尋廣告平台可以在部分企業的獲客效率及增量利潤受到壓縮的同時，因剩餘商業注意力爭奪、企業防禦性加碼、進攻性整合與中觀路由地位而取得更多廣告收入。這是一種有明確成立條件與可反證路徑的可能經濟結構，而不是對任何平台現況的先驗裁定。

在 EWDT 的語境中，這提醒研究者：世界域轉化的結果不只取決於技術本身改變什麼，也取決於各經濟主體在有限可行集合中，如何相互觀察、應對與改寫彼此的選項。平台的收入、廣告主的生存、消費者的效用與文明可行集合，仍然必須分別觀察和連接，不能用單一成長曲線取代完整經濟世界。

附錄 A. 對稱注意力競賽模型之推導與稽核

假設 A1： 兩企業、固定毛利池、無需求生成、 $\eta>0$ 、支出連續非負、支付單價係數為 1、企業同時決策、無外部渠道。每個企業的回報函數為：

\pi_i=V\frac{\eta+a_i}{2\eta+a_i+a_j}-a_i.

對固定 $a_j$ 求一階與二階導數：

\frac{\partial\pi_i}{\partial a_i} =\frac{V(\eta+a_j)}{(2\eta+a_i+a_j)^2}-1,

\frac{\partial^2\pi_i}{\partial a_i^2} =-\frac{2V(\eta+a_j)}{(2\eta+a_i+a_j)^3}<0.

因此對自身投入存在唯一最佳反應。對稱候選 $a_i=a_j=a$ 時：

\frac{V}{4(\eta+a)}-1=0,

可得內部候選 $a=V/4-\eta$ ；當它為負時，對稱非負約束均衡為 $a=0$ 。若雙方均為內部最佳反應，一階條件的差可推出 $a_i=a_j$ 。若試圖構造一方投入正、另一方為零的非對稱均衡，投入方內部一階條件與零投入方的邊際條件互相矛盾，故在 A1 的設定下沒有非對稱純策略均衡。

在正投入均衡：

R_P=2a^*,\qquad \pi_i^*=\frac V2-a^*.

將 $V_0=120$ 、 $\eta_0=20$ 與 $V_1=100$ 、 $\eta_1=5$ 代入，得到 $a_0^*=10$ 、 $a_1^*=20$ ， $R_{P,0}=20$ 、 $R_{P,1}=40$ ， $\pi_{i,0}^*=50$ 、 $\pi_{i,1}^*=30$ ；與第六章表格一致。

外推限制： 這是具特定份額分配函數的競賽模型，不能從均衡推導出真實搜尋廣告平台的收費演算法。對手數量、非對稱品質、參與決策、庫存容量、商品價格、跨期品牌存量、真實出價與實際收款之差，以及合法性守衛均被抽象掉。

A.1 多企業延伸不是單調市場集中定理

若有 $n\ge2$ 家相同企業、共享一個毛利池 $V$ ，且份額函數延伸為：

s_i=\frac{\eta+a_i}{n\eta+\sum_{j=1}^{n}a_j},

則對稱內部候選變為：

a^*_{n}=\frac{V(n-1)}{n^2}-\eta.

在非負約束下，對稱均衡可寫為 $a^*_n=\max\{0,V(n-1)/n^2-\eta\}$ 。平台取得的模型內總支出是 $n a_n^*$ 。當 $n$ 變動時，總支出除了受企業數量直接影響，還取決於 $V$ 與 $\eta$ 是否同時變動。因此廣告主變少不保證平台支出增加，也不保證減少。使用多企業模型仍須明確控制新加入者、退出者及市場總值的變動。

附錄 B. 觀察單位與符號摘要

記號	本文意義	必要區分
PPAC	平台繁榮—廣告主壓縮悖論	候選解釋框架，非普遍定律
$a_i$	企業在指定市場的實際已付廣告費	非出價、非預算上限
$a_{-i}$	其他企業的廣告策略向量	存在策略互動與干擾
$V$	模型內可爭取的貢獻毛利池	非 GDP、非平台營收
$\eta$	單位化非付費可見度權重	非自然搜尋訪客數
$s_i$	模型中的相對顧客／毛利份額	非 Google 公告的廣告排名
$\Pi_i$	指定時間窗的企業淨經營貢獻	非平台歸因營收
$R_P$	指定平台及市場的廣告收入	非平台利潤
$N$	去重後活躍廣告主企業數	非帳戶或活動數
$\Omega_i$	EWDT 的主體可行集合	須帶時間與制度條件
$H$	觀測與決策時間窗	非預設永久有效
$\delta_i$	企業的跨期折現因子	不等於機器推論延遲

命名保真： EveMissLab 既有正式原稿使用《經濟世界域轉化論》（EWDT, Economic World-Domain Transformation Theory）作為系列識別。這次對話曾口述「EWOT」；本篇僅延用既有原稿引用的 EWDT 編號，不擅自對既有 canonical source 改名。本新系列縮寫 AIEC 僅作編輯識別碼，不取代既有經濟母理論。

參考文獻與原始來源

外部學術研究及官方資料

［E1］ Corfman, K. P., & Lehmann, D. R. (1994). The Prisoner's Dilemma and the Role of Information in Setting Advertising Budgets. Journal of Advertising, 23(2), 35–48. https://doi.org/10.1080/00913367.1994.10673440 。參照 Columbia Business School 研究摘要：https://business.columbia.edu/faculty/research/prisoners-dilemma-and-role-information-setting-advertising-budgets 。本研究承接競爭策略問題，但不宣稱 AI 市場已有相同實證結論。
［E2］ Chen, Y., Joshi, Y. V., Raju, J. S., & Zhang, Z. J. (2009; online 2008). A Theory of Combative Advertising. Marketing Science, 28(1), 1–19. https://doi.org/10.1287/mksc.1080.0385 。競爭性廣告可同時與價格競爭及集體利潤變化互動。
［E3］ Chintagunta, P. K., & Vilcassim, N. J. (1994). Marketing Investment Decisions in a Dynamic Duopoly: A Model and Empirical Analysis. International Journal of Research in Marketing, 11(3), 287–306. https://doi.org/10.1016/0167-8116(94)90007-8 。動態雙頭競爭與行銷投資配置。
［E4］ Blake, T., Nosko, C., & Tadelis, S. (2015). Consumer Heterogeneity and Paid Search Effectiveness: A Large-Scale Field Experiment. Econometrica, 83(1), 155–174. https://doi.org/10.3982/ECTA12423 。eBay 研究情境中的增量廣告效益與觀察式歸因差異。
［E5］ Gordon, B. R., Zettelmeyer, F., Bhargava, N., & Chapsky, D. (2019). A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook. Marketing Science, 38(2), 193–225. https://doi.org/10.1287/mksc.2018.1135 。多項大型實驗指出觀察式廣告測量可能偏離因果效果。
［E6］ Lewis, R. A., & Rao, J. M. (2015). The Unfavorable Economics of Measuring the Returns to Advertising. The Quarterly Journal of Economics, 130(4), 1941–1973. https://doi.org/10.1093/qje/qjv023 。廣告回報因果測量的統計困難。
［E7］ Google Ads Help（查閱：2026-10-16）. Auction. https://support.google.com/google-ads/answer/142918?hl=en 。實際 Ad Rank 與競價因素；亦參照 Ad Rank: Definition：https://support.google.com/google-ads/answer/1752122?hl=en 。
［E8］ Google Ads Help（查閱：2026-10-16）. About Smart Bidding. https://support.google.com/google-ads/answer/7065882?hl=en ；About Target ROAS Bidding. https://support.google.com/google-ads/answer/6268637?hl=en 。其中記載 2026 年相關策略名稱調整與即時競價制度。官方說明可能更新，須保留查閱日期。
［E9］ Alphabet Inc. (2026-07-22). Alphabet Announces Second Quarter 2026 Results. SEC Exhibit 99.1. https://www.sec.gov/Archives/edgar/data/1652044/000165204426000066/googexhibit991q22026.htm 。Search & other、Network、YouTube 廣告及總收入的正式財務分類。
［E10］ Alphabet Inc. (2026-07). Form 10-Q for the Quarter Ended June 30, 2026. SEC. https://www.sec.gov/Archives/edgar/data/1652044/000165204426000071/goog-20260630.htm 。官方 paid clicks、CPC、impressions 與 cost-per-impression 指標定義及年度變化。
［E11］ Interactive Advertising Bureau (2026-09-10). IAB Raises 2026 U.S. Ad Spend Forecast to +12.3% YoY Growth, as Strong First Half Lifts Expectations. https://www.iab.com/news/iab-raises-2026-u-s-ad-spend-forecast/ 。產業展望預測，非年度最終實現值，亦非 AI 單一因果估計。
［E12］ Pew Research Center (2025-07-22). Google Users Are Less Likely to Click on Links When an AI Summary Appears in the Results. https://www.pewresearch.org/short-reads/2025/07/22/google-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results/ 。作為 AI 搜尋入口改變之相關性背景，不能直接替換企業廣告增量實驗。

EveMissLab 既有理論及本系列前置

［I0］ Neo.K／EveMissLab（2026）. 生成式搜尋改造商業入口：從 SEO 排名到回答、推薦與交易. AIEC Paper 04, EML-AIEC-2026-04. Canonical Markdown：AI_Economic_Coupling_Paper04_Generative_Search_Commercial_Entrances_v0.1_2026-10-16.md。
［I0a］ Neo.K／EveMissLab（2026）. 機器可見，而人類未必認識. AIEC Paper 01. AI_Economic_Coupling_Paper01_Machine_Visibility_Human_Recognition_v0.1_2026-10-16.md。
［I0b］ Neo.K／EveMissLab（2026）. 從爬取到付費：AI 資訊需求的層級與 AIO／GEO 邊界. AIEC Paper 02. AI_Economic_Coupling_Paper02_From_Crawling_to_Payment_AIO_GEO_Boundaries_v0.1_2026-10-16.md。
［I0c］ Neo.K／EveMissLab（2026）. 供給膨脹、注意力收斂與新入口生成. AIEC Paper 03. AI_Economic_Coupling_Paper03_Supply_Expansion_Attention_Convergence_New_Entrances_v0.1_2026-10-16.md。
［I1］ Neo.K／EveMissLab（2026）. EWDT-02：經濟投影失真論. https://unboundedaxiom.org/p/lm-004440/ 。
［I2］ Neo.K／EveMissLab（2026）. EWDT-06：歷史耦合與路徑依賴. https://unboundedaxiom.org/p/lm-004432/ 。
［I3］ Neo.K／EveMissLab（2026）. 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）. EWDT-05：經濟耦合論. https://unboundedaxiom.org/p/lm-004441/ 。
［I5］ Neo.K／EveMissLab（2026）. EWDT-13：中觀耦合域. https://unboundedaxiom.org/p/lm-004420/ 。
［I6］ 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. https://unboundedaxiom.org/p/lm-004966/ 。
［I7］ Neo.K／EveMissLab（2026）. 注意力不是生產域：流量分配權與存量生產能力的重新整合.。
［I8］ Neo.K／EveMissLab（2026）. 推薦、冷啟動與創作者生態退化. https://unboundedaxiom.org/p/lm-003338/ 。

原稿結束。 所有數值例子均為［SIM］而非真實廣告主觀測；平台及產業外部數據的具體來源已列出。未來若以新資料修改模型，應另存帶版本號的 UTF-8 原稿並留下修改依據，不應在已提交的正本上無痕改寫結果。