時間投影與延遲反應：AI 經濟預測中的多尺度傳導與反直覺轉折

從局部先發效應、策略反作用與總體觀測遲滯，到可反駁的動態經濟世界域研究

英文題名： Temporal Projection and Delayed Responses: Multiscale Transmission, Sign Reversals, and Falsifiable Forecasting in AI-Mediated Economies
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》（AIEC）
系列篇號： 10 / 12
文件編號： EML-AIEC-2026-10
原始研究命題、經濟觀察與論證方向： Neo.K
AI 協作論證、形式化、文獻檢索與原稿整理： 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
正式提交日期： 2026-10-17（Asia/Taipei）
文件性質： 動態經濟理論／時間尺度與因果傳導／多主體反應／候選可反駁研究框架
正本格式： Canonical UTF-8 Markdown；所有數學原始碼僅以 $...$ 與 $$...$$ 定界
直接前置： AIEC-01～09，尤其 AIEC-04、05、07、08、09；EWDT-01、02、05、06、12、13、14、16、18、20、21、22
證據截止： 2026-10-16；以可核對的出版物及官方資料為主
研究狀態： 定義、條件性推導、數值反例、十項可反駁假說及 2027–2028 年動態研究設計完成；不宣稱已經辨識 AI 的全球淨因果影響
主要研究界線： 本文研究時間與傳導；第 11 篇專門研究 AI 模型介入經濟的反身性，第 12 篇才整合地球文明尺度的長期觀測框架。

作者： Neo.K

摘要

生成式 AI、可持續代理系統及機器端資訊服務，可能改變內容搜尋、廣告競爭、企業流程、勞動任務、投資、公共行政及跨國供應鏈。然而，一個反覆出現的推理錯誤是：根據當期單一統計的正負方向，直接推斷整場技術變遷的長期方向。搜尋平台收入在一季內增長，無法證明傳統搜尋中介沒有被重組；部分內容網站點擊下降，不能推出全部數位經濟需求萎縮；企業內部 AI 工作效率提高，也不能直接推出同期國家勞動生產力、工資及社會福利同比增加。反之，當期沒有可辨識的總體變化，也不能單獨證明所有局部經濟變化都不存在。

本文提出「時間投影—多尺度傳導框架」（Temporal Projection and Multiscale Transmission Framework，TPMT），將 AI 經濟效果拆為技術能力出現、有效部署、企業策略適應、中觀網路重路由、總體經濟沉積、統計觀測發布等不等長且可重疊的階段。研究對象不是單一路徑的延時故事，而是受市場競爭、互補投資、制度守衛、歷史鎖定、能源與算力限制、價值分配、AI 執行歸因及外生衝擊共同影響的動態經濟世界域。本文區分五種不同情況：真實的因果延遲、互相抵消的同期機制、尺度聚合下的局部遮蔽、觀測定義或方法變動造成的統計錯位，以及候選預測確實失敗。五者不可統稱為「預言太早」。

TPMT 建立三個可重算的最小結果。第一，帶即期負效應與遲到正效應的動態響應，可以先負後正，且轉折時間必須滿足明示條件；若遲到效應不足，永遠不會發生轉號。第二，某一平台營收成長，與其廣告主淨利縮減可同時成立，但平台營收、企業支出、投入成本及最終增加值不能相加推論總體淨效益。第三，任務層生產力的可測改善，可以在企業採用率、任務占比、互補投入及產業權重很低時，與同期總體統計近似不動並存；此例是權重與擴散機制，而不是把局部研究結果直接外推成全球預測。

本文引用經典一般用途技術及生產力 J 曲線研究、已刊登的生成式 AI 工作現場實證、2026 年的企業 AI 擴散資料、丹麥勞動市場追蹤研究，以及 BIS 2026 年對 AI 資本支出競逐風險的研究，明確區分文獻中的觀察、他人模型的推估、本篇的條件性數學結果及尚未驗證的原創假說。十項可反駁假說分別針對時間響應轉號、非付費觸及壓縮後的廣告競爭、局部生產率與宏觀可見度、互補資本延遲、產業異質性、Agent 經濟活動的隱藏歸因、公共制度延遲與預測模型的事前—事後校準。

本文對《經濟世界域轉化論》（EWDT）的新增貢獻，是把其「指標是世界的投影」「歷史與可行集合限制世界轉化」「微觀經中觀傳導宏觀」「能力增加不等於沉積」的既有原理，轉譯為可登記時間起點、作用尺度、效應方向、觀測延遲、反事實比較、反證期限和資料版本的動態研究契約。本文主張：一份預測可在短期看錯方向、長期才轉號，但研究者不能因此擁有永久延後驗證的權利；時間尺度必須是預測內容的一部分，而不是失敗後的臨時補充。

關鍵詞： AI 經濟、時間投影、多尺度傳導、轉號、分布延遲、互補投資、生產力 J 曲線、微觀—中觀—宏觀、產業異質性、動態博弈、反身性、投影失真、歸因延遲、預測校準、反事實、EWDT、2027–2028

0. 研究定位：不是替所有尚未發生的預測辯護

本篇的出發點是：在 AI 技術尚在迅速演進、企業策略尚在調整、公共制度仍在反應的階段，早期經濟統計可能只捕捉到變遷鏈的一個截面。因此，早期樂觀與悲觀觀察可能各自描述真實的局部投影，卻不是同一個尺度、同一份帳或同一個時間點的最終結論。

但本文明確不主張：

AI 一定會使所有經濟指標在未來數年發生轉號；
所有目前看似錯誤的預測都只是「時間還沒到」；
所有經濟作用都會隨時間由負轉正或由正轉負；
AI 一定使全球 GDP、薪資、就業或福利持續上升；
Google 或任何平台收入成長必然是廣告主恐慌性加碼造成；
單一部門的 AI 使用率能代表所有企業或所有工作任務的實際 AI 採用；
未出現統計顯著效果就等於嚴格證明「零效果」；
任務層效益能不經權重和行為反應直接推算為全國 GDP 效益；
模型預測跨年未實現時可無限延長期限而維持原論文不變；
預測的方向、期間、效果大小、母體和機制可以在結果公布後任意改寫；
以 AI 能力指標取代真實世界可部署、可吸收與可持續成果的測量；
16 格經濟關係代表十六個獨立、可以直接相加的市場；
任何國家、平台或單一大型企業的統計可以無縫代表全球地球文明；
事件帳本、機器請求次數、廣告平台收入及最終增加值是同一計量單位；
世界模型的複雜度增加就自動提升模型預測準確率；
本篇已提供能夠可靠預測全部 2027、2028 年經濟事件的「低階拉普拉斯模型」。

本篇只建立能夠檢查、比較、拒絕與更新的中間層模型。論文內容標記遵循：［E］外部公開來源；［I］已存在的內部理論前置；［M］本篇形式定義或條件性推導；［SIM］純假設可重算案例；［H］候選可反駁假說。

1. 從網站流量到時間結構：本系列論證如何走到這裡

AIEC 的原始觀察，是某些研究型網站有大量機器端造訪紀錄，卻未形成相同比例的人類識別與社會討論。第一篇區分機器可見與人類知名度；第二篇區分爬取、索引、引用、使用、授權及付款；第三篇研究內容供給膨脹與人類注意力收斂；第四至六篇將 AI 搜尋導向商業入口、廣告博弈、機器端需求與支付；第七、八篇建立 B／C／A 九格、B／C／A／G 十六格的基本經濟關係；第九篇則提出 LEAA，將帳號、授權、執行、支付、受益與責任分開。

上述研究共同留下同一個缺口：每個變化在什麼時間開始、何時可見、需要哪些前置、經過哪些其他主體才產生結果？

例如，一家 AI 平台引入回答型搜尋，可能當季增加平台查詢；內容網站的人類訪問可能較早改變；廣告主可能下一季才重新配置預算；企業採購模型或 Agent 後可能歷經多次驗證；勞動市場與公共稅收則可能再經歷更長的調整。即使同一因果系統之中，某些路徑並行，部分路徑可能互相抵消，另一部分才呈現在官方統計。

因此，本篇不是單純回到一般的「AI 技術進步很快」，而是為前九篇補上有型別、具母體、具時間且可驗證的傳導規則。

2. 五種經常混為一談的「時間問題」

2.1 真正的因果延遲（Causal Lag）

已發生的干預在期初沒有完成必要轉化，經一段時間才影響結果。例如需要訓練、法務審核、系統整合、資本投資或行為改變的部署。

2.2 同期抵消（Concurrent Offset）

相反作用在同一時期都已發生，但加總值接近零。它不等於其中一方尚未發生。例如 AI 提高某群員工效率，同時導入成本、停機與驗證費用降低另一部分產出。

2.3 聚合遮蔽（Aggregation Masking）

微觀或特定產業存在明確效果，但該類任務在全體經濟中的權重有限，或其他未採用部門規模大，導致總體變動較小。這不是嚴格的時間延遲，除非後續出現可驗證的採用擴散。

2.4 統計觀測遲滯（Observation and Reporting Lag）

經濟活動已經發生，但資料蒐集、官方發布、季調、樣本框更新或分類更新較晚出現。這是資料制度的時間，不等於經濟本體的作用延遲。

2.5 預測本身失誤（Forecast Failure）

原本期待的機制不存在、效果方向錯誤、幅度過大、期限不符、研究母體設定不當，或結構前提被新證據否定。它不能被自動編入前四種情形。即使另有更遠期的合理機制，也需要新的獨立假說與登記版本。

以上五類可能混合。研究者必須逐項指定證據，不能用「經濟非常複雜」作為替代論證。

3. 時間不是單一座標：至少六種相互區別的時鐘

對一項候選 AI 經濟事件，本文區分六個時間戳：

時間種類	例子	可驗證資料
技術可行時間 $t^{cap}$	某模型或工具已可完成指定任務	基準、重現測試、技術版本
部署開始時間 $t^{dep}$	企業開始提供特定部門使用	合約、系統上線紀錄
實際使用時間 $t^{use}$	任務真的由員工或 Agent 執行	合法、匿名化任務記錄
經濟成果時間 $t^{out}$	品質、交易、成本或產出發生改變	生產帳、訂單、審計
觀測記錄時間 $t^{obs}$	統計資料首次捕捉結果	指標定義、樣本與擷取日期
正式發布時間 $t^{pub}$	平台財報或官方統計公開	公告發布日期與資料版本

對同一個研究群體，這些時間未必可由一筆日期串成單線。例如已有企業部署模型，但個別員工早已在私人裝置使用 AI；官方季度調查又可能回溯上一個時間窗。若不知道精確日，應標記事件時間區間，而不是填入單一虛構時間點。

形式上，完整事件時間可以表示為：

\mathcal T_e= \left(t_e^{cap},t_e^{dep},t_e^{use},t_e^{out},t_e^{obs},t_e^{pub}\right),

但它是一組語義不同、部分可能缺值的事件時標，不保證滿足一套對所有任務都成立的嚴格全序。

4. 世界時間不等於 AI 內部計算時間

同一世界日內，AI 可以完成更多候選生成、程式分析、法規整理或規劃。但全球電網、工廠施工、物流、監管、資本折舊與人類技能轉換仍受到實際歷史時間約束。

因此：

\Delta C_{AI}^{task}>0 \quad\not\Rightarrow\quad \Delta\Omega_{world}^{realized}>0 \quad\text{於同一時間窗}.

這一命題不是否認 AI 能壓縮人類工作耗時，而是區分候選能力增加與可實現世界狀態增加。EWDT-18 的「候選—驗證—部署—採用—吸收—沉積」漏斗已提供前置語義［I18］。本篇新增的是每層轉化所需的時間及其可重疊、可阻斷、可回退的結構。

5. 動態經濟世界域：原始世界、觀測世界與預測世界分離

令 $\mathfrak W_t$ 表示時點 $t$ 的經濟世界狀態，其基本成分沿用 EWDT-01：經濟對象、關係、類型、合法性、歷史、可行集合、意圖與可觀測投影。一般動態表示可以寫成：

\mathfrak W_{t+1} = F_{\theta_t} \left( \mathfrak W_t,\mathbf u_t,\mathbf z_t,\xi_t \right).

其中 $\mathbf u_t$ 是可觀測且受合法性守衛的行動與制度干預， $\mathbf z_t$ 是已建模的背景條件， $\xi_t$ 是未建模衝擊； $\theta_t$ 可隨制度、技術與市場策略改變，不能預設永久不變。

研究者通常無法直接觀測整個世界，而是得到：

\mathbf y_t = \Pi_{t,\mathcal Q}(\mathfrak W_t)+\boldsymbol\varepsilon_t,

其中 $\Pi_{t,\mathcal Q}$ 是依研究任務 $\mathcal Q$ 、資料制度與時間版本決定的觀測映射。若 $\Pi$ 本身改版，觀測數值發生跳動未必表示底層世界有同幅度變化。

再令 $\widehat{\mathfrak W}_{t+h\mid t}^{(m)}$ 為模型 $m$ 在時間 $t$ 對未來 $t+h$ 的候選預測世界狀態：

\widehat{\mathbf y}_{t+h\mid t}^{(m)} = \widehat\Pi_{t+h}^{(m)} \left(\widehat{\mathfrak W}_{t+h\mid t}^{(m)}\right).

需要嚴格區分：

\mathfrak W_{t+h} \neq \mathbf y_{t+h} \neq \widehat{\mathbf y}_{t+h\mid t}^{(m)}.

這一形式是分析骨架，不宣稱可直接儲存或完整計算整個世界域；任務相對充分投影才是可以實作的起點。

6. 多尺度：微觀、中觀、宏觀與超宏觀不是四種時間長短

EWDT 已經區分微觀個體與企業、中觀平台及供應網路、宏觀國家／制度域，以及超宏觀跨國文明耦合［I12,I13,I16］。本文沿用這四個觀察尺度，不把它們簡化為「微觀很快、宏觀一定很慢」。

例如：中央銀行的政策公告可以在秒級改變資產價格，而一名勞動者轉換職業可能需要數年；一個 Agent 在秒級發出數百次 API 請求，其實體電力供應卻仍需跨季甚至多年規劃。

設尺度集合：

\mathcal S= \{\mu,\mathrm{meso},\mathrm{macro},\mathrm{supra}\}.

每個尺度具有不同觀測映射 $\Pi_{s,t}$ 、變數集合 $\mathbf y_{s,t}$ 與可驗證的跨尺度傳導關係。不能由同一個符號 $\Delta Y$ 隨意指稱員工效率、企業利潤、國家 GDP 和全球福利。

7. 從因果鏈到因果網路：路徑具有不同時延

對一個候選作用路徑 $p$ ，可以標註起點、終點、作用類型、時間延遲、守衛條件及觀測窗口：

p=(v_0,v_1,\ldots,v_r;\ell_1,\ldots,\ell_r;\mathbf g_p).

其中 $\ell_j\ge0$ 是第 $j$ 段路徑的轉化時延， $\mathbf g_p$ 是滿足時才能通行的制度、資源及能力守衛。串行且彼此不重疊的流程可加總時延；若多個流程並行，總延遲則更接近關鍵路徑長度，不能盲目將所有步驟相加。

例如企業 AI 導入可能同時進行資料清理、人員訓練及權限審核：

T_{ready} = \max\{T_{data},T_{training},T_{authorization}\}

僅在三者可完全並行、且全數完成才可部署時成立。實際上任何依賴、回退、驗證失敗或重工都可能改變結果。因此研究應記錄真實工作流與瓶頸，而非預設固定的萬能延遲函數。

8. 分布延遲：同一 AI 衝擊在不同時間產生相反效應

作為可估計的局部模型，可將某指定成果 $Y_{i,t}$ 的變化與 AI 暴露／實際採用 $x_{i,t}$ 聯繫：

Y_{i,t} = \alpha_i+\lambda_t+ \sum_{\ell=0}^{L}\beta_{\ell}x_{i,t-\ell} +\boldsymbol\gamma^{\top}\mathbf z_{i,t} +\varepsilon_{i,t}.

此式僅是分布延遲回歸規格，不是天然可解釋的因果定理。若 AI 採用由業績變差、競爭者活動或管理能力內生決定， $\beta_\ell$ 未必有因果解釋；趨勢、共同衝擊、預期行為、變動樣本與跨單位干擾均須另外處理。

若研究的是事件衝擊後、不同期的因果響應，應預先定義：

R_Y(h)= \mathbb E[Y_{t+h}(1)-Y_{t+h}(0)\mid\mathcal P],

其中 $\mathcal P$ 是指定人口或企業母體， $Y(1)$ 與 $Y(0)$ 是在清楚規定的處置、政策、干擾條件下的潛在結果。 $R_Y(h)$ 的正負方向可以變化，但一切取決於識別假設與實際資料。

9. 形式命題一：短期與長期轉號的存在條件

提出最小的條件性示例模型：一項 AI 改造先造成 $d>0$ 的當期負作用；其正向互補效益具有長期上限 $c>0$ ，並以時間常數 $\tau>0$ 逐步實現：

R(h)=-d+c\left(1-e^{-h/\tau}\right),\qquad h\ge0.

此處 $R(h)$ 是相對反事實基線的指定指標水準差，而不是全體世界經濟效應。由此直接得到：

R(0)=-d, \qquad \lim_{h\to\infty}R(h)=c-d.

只有當 $c>d$ ，才存在唯一正的轉號時間：

h^*=-\tau\ln\left(1-\frac{d}{c}\right).

若 $c=d$ ， $R(h)$ 只漸近逼近零、不在有限時間轉正；若 $c<d$ ，則在所有有限 $h$ 均維持負值。因此，「短期負效應可能是轉型成本」不保證最終效應必然轉正。

對這個模型的政策與研究解讀必須同時保留三種可能：

轉號： $c>d$ 且觀察窗口覆蓋 $h^*$ ；
長期抵消： $c=d$ ，漸近趨零；
持續負效應： $c<d$ ，沒有正向轉號。

如果實際資料反覆不能支持指數形狀、 $c$ 或 $\tau$ 的穩定估計，就必須更換模型族，而不是繼續假裝這是普遍定律。

10. 可重算案例一：負面衝擊如何在第四季附近轉號

令［SIM-1］ $d=12$ 、 $c=20$ 、 $\tau=4$ ，時間單位為季度。則：

R(h)=-12+20\left(1-e^{-h/4}\right).

轉號點：

h^*=-4\ln(0.4)\approx3.6652.

衝擊後季度 $h$	相對反事實基線 $R(h)$	解讀
0	$-12.0000$	即期負值
1	$-7.5760$	負值縮小
2	$-4.1306$	尚未轉正
4	$+0.6424$	已穿越零點
8	$+5.2933$	正向效益仍在接近上限

本例只是數學可行性示範。任一數值均非 Google、AI 市場、勞動市場或國家生產力的估計。更重要的是，如果將 $c$ 改為 $8$ 而其他參數相同，所有時間的結果都為負；這個反例與原例具有相同的「先受衝擊，後有互補投資」敘事，卻沒有正向終局。

11. 形式命題二：強烈的局部變化可以被總體權重稀釋

假設產業 $i$ 中，能夠被 AI 有效作用的任務權重為 $w_i$ ，實際採用與符合工作流條件的比例為 $a_{i,t}\in[0,1]$ ，有效任務改善幅度為 $g_{i,t}$ ；以第一階近似表示：

\Delta q_{i,t}^{AI} \approx w_i a_{i,t}g_{i,t}-k_{i,t},

其中 $k_{i,t}$ 是按同一指標單位歸一化的導入、監督、失誤及互補成本。這裡的等式只是一種任務份額近似，不是一般均衡結果；它沒有自動納入價格重估、需求反彈、勞動重新配置及跨產業投入產出網路。

假設某業務群中相關任務占比 $w=0.20$ 、實際採用率 $a=0.15$ 、採用後該任務效率提升 $g=0.15$ ，且暫時忽略 $k$ ：

0.20\times0.15\times0.15=0.0045.

則這個純近似模型給出的群體加權直接增益為 $0.45\%$ ，遠小於已採用任務的 $15\%$ 。若計入導入成本與未採用任務、宏觀產業比重，觀測總效應可以更小，甚至為負；反之也可能因新需求、互補工作與技術擴散更大。數值只是示例，不應當成國家 GDP 預測。

此現象必須明確區分兩種推理：

\text{Low aggregate weight} \neq \text{No micro effect}.

\text{Observed micro gain} \neq \text{Guaranteed macro gain}.

12. 現有研究：既有實證已經揭露尺度差異

12.1 工作現場的局部提升

Brynjolfsson、Li 與 Raymond 在 2025 年《Quarterly Journal of Economics》正式發表的 Generative AI at Work，研究 5,172 名客服人員逐步導入 AI 助理後的工作表現，觀察到平均每小時成功解決問題的數量提高約 15%，並具有顯著的員工異質性［E1］。這是特定企業、工作與工具的觀察；不能把 15% 套用到所有職業或全國 GDP。

12.2 丹麥勞動市場的短期近零總量效果

Humlum 與 Vestergaard 的 NBER 工作論文於 2025 年提出，2026 年 3 月修訂，將丹麥的 AI 使用調查連結到行政勞動資料，發現大量工作任務正在重組，但在約兩年期內沒有偵測到平均薪資或工時的顯著變化，且研究對可排除的效果幅度作出明確限定［E2］。這一結果不能證明 AI 永遠不影響勞動市場，也不能直接證明所有影響只是在未來延遲發生；它是指定期間與樣本的有界實證結果。

12.3 美國企業 AI 擴散的多層口徑

Bonney 等人 2026 年 NBER 工作論文利用美國 Census 企業調查的補充資料，區分公司是否使用 AI、使用到哪些企業功能，以及員工工作任務中的實際使用。其資料顯示 2025 年 11 月至 2026 年 1 月約 18% 的企業在至少一項功能使用 AI，以雇用人數加權則約 32%；大多數採用者的覆蓋功能仍有限［E3］。兩個百分比不是矛盾，而是單位權重不同。

美國人口普查局 2026 年 9 月的另一份研究也顯示，工作暴露程度與實際企業採用有顯著但有限的關聯，暴露本身只解釋採用變異的一部分［E4］。因此，不應把「某職業可以被 AI 改變」當成「所有相關企業已採用」的證明。

12.4 生產力 J 曲線與互補無形資本

Brynjolfsson、Rock 與 Syverson（2021）指出，一般用途技術需要流程重組、人力資本及組織性的互補投資；這些投資若在國民帳中記錄不完整，可能在早期壓低可見生產力，之後產生反向估計偏差。文獻稱為 Productivity J-Curve［E5］。本文採用的是「互補性與計量時點很重要」這一經濟洞見，不主張每項 AI 轉型都會在任何既定年份形成 J 型曲線。

12.5 不同總體模型本就會得到不同幅度

Acemoglu（2024 工作論文、2025 期刊版）以任務模型提出較保守的十年總體 AI 效益評估［E6］；OECD（2025）則以不同採用、產業曝露與微觀—宏觀轉譯假設，提出七大工業國的多情境估計［E7］。這類差異不能只由「誰比較樂觀」解釋，必須拆回研究所採用的暴露、採用、增益、互補與市場一般均衡假設。

這些文獻可共同支持「效益存在分布與時間差異」的研究必要性，不構成本篇所提出全部轉號命題已受實證證明的證據。

13. 動態傳導的十種候選路由

為避免「AI 發展很複雜」成為不可檢驗的空話，本文至少分離下列十種實質傳導機制。它們不是新發明的十種經濟學定律，而是本系列需要在資料中分別標記的因果候選：

路由	預期先動的量	可能較晚顯現的量	主要替代解釋
技術擴散	可用模型版本、部署申請	企業／員工任務採用	工具禁用、價格、組織文化
無形互補資本	軟體整合、資料清理、技能投資	端到端生產力	原有流程升級而非 AI
商業注意力	AI 摘要、來源點擊與排序	廣告競價、品牌集中度	需求景氣、促銷、演算法改版
企業策略反應	廣告預算、價格或採購策略	市占率、利潤、退出率	競品品質變化
勞動與任務重組	員工任務分配、監督工作	工時、薪資、職涯與總需求	人口、政策、景氣
公共制度	導入政策、採購與準則	權利可及性、行政成本、稅基	非 AI 數位化改革
支撐基礎設施	算力、資料中心、電力需求	可部署能力、價格與外部性	能源價格與資本週期
資本預期	AI 評價、融資、資本支出	營收、折舊、債務與現金流	利率與一般股市波動
代理經濟活動	Agent 委託、工具呼叫	成交、授權、實際結算	既有軟體自動化
跨境傳導	晶片、伺服器、電力設備訂單	供應鏈重組、貿易與區域收入	貿易限制、匯率、運輸衝擊

每條路由都可能具有不同方向及非線性；例如 AI 應用既可能提高既有員工產能，也可能增添新的審核工作。重要的不是選擇「AI 最終是利多或利空」，而是提出清晰、可觀測、可反駁的路由假設。

14. 從分布延遲到多路徑疊加：轉號可能不存在

若不同因果路徑對指定指標 $Y$ 的局部影響可作近似加總，可寫：

R_Y(h) \approx \sum_{p\in\mathcal P}R_{Y,p}(h).

這是一種局部線性近似；當市場參與者策略會隨路由改變、或市場存在非凸約束時，單純加總可能失效。使用它時至少要說明分析尺度、邊界與相互作用殘項：

R_Y(h) = \sum_{p\in\mathcal P}R_{Y,p}(h) +\mathcal J_Y(h),

其中 $\mathcal J_Y(h)$ 表示不同路由互相干擾與共同瓶頸形成的非加總效果。

因而下列四種現象均可能成立：

即期負、後期正： 導入成本先發，互補效益遲到；
即期正、後期負： 初期節省可見，但替代成本、依賴或市場擁擠晚於收益發生；
兩者同時很大但合計近零： 從單一總體數據看不見任何改變；
所有期別都小或不存在： 相關市場對該技術根本未形成重要採用或有效轉化。

第四項是必須真正容許的反命題。否則這不是可反駁理論，而只是永遠能找到解釋的故事。

15. 平台繁榮與廣告主壓縮的時間解釋

AIEC-05 已提出平台繁榮與廣告主壓縮可以在特定市場條件同時發生［I5］。本篇不重算該篇的廣告競價均衡，而補上時間順序及結果分離。

假設某市場在 $t_0$ 受 AI 搜尋入口改造； $t_1$ 部分商家的自然觸及降低； $t_2$ 商家仍需訂單而提高付費曝光； $t_3$ 弱勢競爭者退出或轉型； $t_4$ 市場重新分配注意力與價格。這只是可待驗證的候選路徑，不意味每個產業一定遵循這個順序。

在最基本的現金流分解中：

\Pi_{adv,t} =V_{adv,t}-A_t-C_t,

其中 $V_{adv,t}$ 為指定群體從相關銷售取得的貢獻毛利、 $A_t$ 為其向平台支付的廣告費、 $C_t$ 為其他必要成本。平台可觀察的廣告收入中，對應於該群體的是：

P_{platform,t}=A_t.

因此 $\Delta P_{platform}>0$ 和 $\Delta\Pi_{adv}<0$ 不矛盾。兩者沒有相同的經濟意義；此外 $P_{platform}$ 是平台收入，廣告主的 $A_t$ 是費用，均不等於國民所得帳中的獨立最終增加值。

16. 可重算案例二：平台收入增長，但廣告主利潤下降

以下［SIM-2］僅用同一群假設性廣告主比較兩期；所有數值單位相同：

變數	基期 $t=0$	下一期 $t=1$	變化
廣告帶來及既有客源的貢獻毛利 $V$	200	208	$+8$
對平台廣告支付 $A$	100	120	$+20$
其他歸屬成本 $C$	40	45	$+5$
廣告主利潤 $\Pi=V-A-C$	60	43	$-17$
平台廣告收入 $P=A$	100	120	$+20$

因此廣告主群體利潤下降約 $28.33\%$ ，而平台對該群體的收入增加 $20\%$ 。本例沒有證明 AI 引起這些變化；市場需求、競爭者出價、景氣、品質變動與樣本選擇都可能生成類似帳面結果。實證研究需額外比較沒有接受同種 AI 搜尋改造的產品類別、區域及平台。

也需要檢查廣告的增量因果收益：廣告歸因訂單不等於如果取消廣告就會消失的訂單。若只能取得平台 ROAS，而沒有隨機化或可信準實驗，不能把觀測到的利潤與投放關聯當成廣告競爭機制已經成立。

17. 當企業投資增長，整體產業收益可能仍未到來

AI 系統的資本支出可能先於付費用戶數、代理交易及終端應用收入擴張。另一方面，投資本身已經帶動上游半導體、資料中心、電力設備、工程與建築活動；因此「AI 供應商收益尚不足」與「部分供應鏈已形成真實需求」可以同時成立。

BIS 2026 年研究指出，AI 建設具有競逐特徵，企業可能為佔據少數優勢地位而過度投入，資本支出與融資結構使市場暴露於未來回報低於預期的風險［E8,E9］。這支持本篇保留投資先行與成果遲到、過度投資與實質基礎設施建設共存的雙重路徑。

但不能由此推論 AI 投資最終一定失敗或必然成功。需要觀測至少四本帳：

能力投入帳： 算力、電力、晶片、土地、建設及人員；
財務承諾帳： 融資、長期採購、租約、債務與資本成本；
實際使用帳： 有效 token、任務完成、Agent 執行及工作流採用；
現金回收與福利帳： 真實付費、增量成果、折舊後回報與公共外部性。

這四本帳具有不同的報告週期及定義，不能在未提供轉換規則時混算。

18. 為什麼「AI 泡沫」與「真實技術革命」可以同時成立

歷史中的一般用途技術可能具有真實的長期產能作用，但其相關投資仍可能在短期被金融市場過度定價。EWDT-18 已將「候選能力增加」與「被真實部署並沉積」分開［I18］；本篇加上一個時間序列的觀測要求。

令未來某時間窗 $H$ 的實際可得現金流為 $CF_{t+h}$ ，市場資產價格可以依折現預期表示：

P_t =\sum_{h=1}^{H}\frac{\mathbb E_t[CF_{t+h}]}{(1+r_t)^h} +TV_t,

其中 $TV_t$ 是終值或未列入期間的風險調整部分。此式只是資產定價的概念分解，並不宣稱所有市場真以同一常數折現率運作。

科技能力可真正改善 $CF$ 的可行集合，但投資者對成長速度、競爭格局、能源成本或現金流份額的預期仍可能超過實際可達程度。若預期後來下修，資產價格可能下跌，但已建成的有效基礎設施並不因此自動消失。

因此：

\text{Asset-price correction} \not\Rightarrow \text{Zero technological contribution}.

反之：

\text{Real technological contribution} \not\Rightarrow \text{All investments fairly priced}.

這兩句是邏輯分離，並非對任何特定股票或金融產品的評價與投資建議。

19. 勞動市場：任務、職位、收入與社會參與的不同時鐘

AI 可以首先替代或輔助某項任務，之後才影響單一職位所需工時、團隊編制、聘僱與薪資談判。同時，需求擴張、新職務建立與社會安全制度可能產生反作用。研究至少應區分：

任務耗時、品質與完成量；
職位層的工作內容、總工時及薪資；
企業層的招聘、離職、成本及產出；
產業層的就業分布、進出與定價；
家庭層的總所得、可支配收入、時間與角色；
公共層的稅收、轉型支出、保障及參與權。

EWDT-21 已經區分生產域擴張和生活、消費、參與世界之間的傳遞［I21］。本篇的時間補充是：企業可能在 $t_1$ 提高生產率，家庭在 $t_2$ 才看到價格或工資調整，公共支出與稅制在 $t_3$ 才反應。這些時間不保證存在單調順序，也可能在同一期發生衝突。

任何「未來人類不用工作」的文明級敘述若沒有對應就業、收入、財產、分配、角色、制度及時間窗，便很難當成可量測的近期經濟預測。它可以是長期想像或規範討論，但不能偷換成本篇的可反駁因果命題。

20. 公共經濟的額外時間：採購不等於福利立即產生

AIEC-08 已將政府 G 納入十六格，區分公共採購、租稅移轉、非市場產出及服務品質［I8］。時間模型還要問：從政策形成、預算核定、採購、試行、權限授予到民眾真正受益或受損，究竟發生哪些延遲？

政府 AI 系統可能首先使文件處理成本下降；但如果審查錯誤、救濟程序或隱私風險尚未被有效處理，節省的行政成本不能直接推論為公共福利改善。亦可能出現相反情況：前期支出和申訴量增加，是因為政府改善稽核與救濟，長期信任或合法性反而提高。

因此公共 AI 研究應保留三組不同時間：

T^{fiscal},\qquad T^{service},\qquad T^{rights}.

它們分別表示財政交易／入帳、服務成果、權利或救濟結果的時間；任何一個都不能代表其餘兩個。

21. 9／16 矩陣的動態版本：格位固定，關係強度可改變

前兩篇已建立基本功能端點集合 $\mathcal T_4=\{B,C,A,G\}$ ，其有向二元關係格為 $\mathcal T_4\times\mathcal T_4$ ，總數 16。這裡的格數不隨時間直接增加，但每一格的互動頻率、經濟語義、事件種類與歸因可見度可以改變。

令：

M_{uv,t}^{(k)} =\sum_{e\in\mathcal E_t} \mathbf 1\{source(e)=u,receiver(e)=v,type(e)=k\},

其中 $u,v\in\mathcal T_4$ ， $k$ 是特定事件類型（檢索、委託、交付、付款、授權、公共處分等）， $\mathcal E_t$ 是經合法記錄、去重及明示時間窗的事件集合。 $M$ 不能直接當成交易金額，單一任務產生的事件也不等於多筆獨立需求。

為把時間引入十六格，可以觀察：

\Delta M_{uv,t}^{(k)} =M_{uv,t}^{(k)}-M_{uv,t-1}^{(k)}.

但若基期與下一期的分類、去重、AI 身分識別能力或資料來源不同，上式的變化可能部分來自測量制度變動而非真實經濟活動變化。應同時保存 LEAA 的來源證據及分類版本。

22. 可重算案例三：同一終端任務使機器事件增加，卻未增加同幅最終需求

設定［SIM-3］一位消費者於 $t_0$ 委託 Agent 比較商品。原本他自行查閱兩個網站後購入一項 100 單位的商品；新流程由 Agent 委託另一個 Agent 查核，再呼叫三個企業服務，最後仍購入一項 100 單位商品。

統計層	傳統流程	Agent 流程	可以推出什麼？
最終商品交易	1 筆，100 單位	1 筆，100 單位	商品交易額沒有必然增加
自動功能事件	0 筆	例如 7 筆	機器活動明顯增加
法律付款者	消費者	消費者或其授權支付方	付款責任不必改變
額外 Agent 服務費	0	可為 0 或正數	需要另外記錄是否真付費
比價效率、選購品質	未知	未知	不能僅由事件數推論改善

如果新增 AI API 服務確實以市場價格出售，可能形成一項中間投入或額外消費，應依實際國民帳身分處理；但不能將同一次任務全部七個功能事件標成「新增七筆 100 單位需求」。

本例特別對應第九篇的 LEAA：若 Agent 使用人類帳號與一般 GUI 操作，網站可能仍只看見普通登入的購物者。這將使「真實 AI 參與時間序列」與「平台標記的機器人比例時間序列」產生不同變動方向。

23. 高頻 Agent、同步化與反身性：先列為候選交互作用

當大量企業 Agent 同時根據相似模型、相同資料或同一平台推薦調整廣告預算、採購與價格，系統行為可能同步化。這種可能性與傳統演算法交易中的共同訊號、模仿與擁擠問題存在類比，但不應直接宣稱所有 Agent 必然造成市場震盪。

研究可用具有時間版本的行動變量 $a_{i,t}$ 建立跨 Agent 同步量：

S_t=\frac{2}{n(n-1)}\sum_{i<j}\mathrm{Corr}_{H} \left(\Delta a_i,\Delta a_j\right),

其中相關係數只能在相同量綱、足夠非退化的窗口 $H$ 內計算；若某序列沒有變異，該配對的相關係數不定義，不能直接設為零。 $S_t$ 的高低也不能自動證明 AI 模型具有共同來源、同一意圖或因果協調。

若要研究反身性，還需辨識 AI 分析結果是否被實際採納、採用者是否形成市場行為、行為是否改變下一輪輸入資料，以及對照未採納者的反事實。這些條件將在下一篇專門研究；本篇只提供時間序列接口，不提前完成反身性經濟學。

24. 重新界定「悲觀與樂觀」：兩種預測可能不在同一個空間

設 $F_A$ 是「某類 AI 模型訂閱收入在 2027 年增長」的預測， $F_B$ 是「某些獨立內容網站在 2027 年自然訪問流失」的預測。兩者不是邏輯上互斥的命題：其對象、母體、依變數與會計單位不同。

同理，「2026 年搜尋平台收入成長」與「2028 年部分關鍵字廣告獲客成本上升」在定義上也不是同一命題。不能只因前者已發生就推翻後者，也不能因為後者將來可能發生便先宣告其成立。

真正互相衝突的兩個候選預測，必須至少在下列欄位可比較：

F=(\mathcal P,Y,t_0,H,\mathcal I,\mathcal B,\delta),

其中 $\mathcal P$ 為母體， $Y$ 為可測結果， $t_0$ 為預測起點， $H$ 為期限， $\mathcal I$ 為干預或暴露定義， $\mathcal B$ 為比較基準或反事實， $\delta$ 為方向／幅度及其容忍條件。缺少這些條件的「AI 經濟會好／會壞」更接近廣義敘事，不是可直接評分的定量預測。

25. 預測方向、轉折時點與影響範圍是三個不同的評分目標

即使某模型成功預測了遠期方向，仍可能錯估何時轉折與影響哪些群體。至少區分：

方向評分： 是否正確預測指定指標相對反事實的正負方向；
時間評分： 指定事件是否在事前給定區間內發生；
幅度評分： 效果大小是否落在預測區間內；
覆蓋評分： 指定母體與產業的適用範圍是否正確；
機制評分： 因果路徑是否獲得獨立證據，而非只有結果剛好吻合。

五者應使用獨立成績，不應因其中一項成功就全部給予通過。例如預測 2027 年某平台收入下降，但到了 2028 年只發現另一個市場出現小幅下降，不能改寫為「早已預測 AI 將改變所有平台收入」。

26. 預測不能藉由「更長時空間路徑」永久免除反證

本文採取四條研究契約：

契約一：截止日。 正式假說必須在取得結果之前登記最後驗證日期。超過期限後，按原始期限評分。

契約二：拒絕條件。 明定方向、量級、區間、必要中介或替代路徑何時構成失敗；不能將全部不符結果編成觀測誤差。

契約三：更新留痕。 若新證據迫使增加中介、修改變數或延長時間窗，新增研究版本與假說編號，保留舊版本的評分。

契約四：無差異也是一種結果。 在足夠統計檢定力下，指定觀測期內的效果落在事前設定的實質等價帶內，應報告「可排除超過該幅度的效果」，而不是一律寫成「樣本不足，無法判斷」。

形式上，預測 $F$ 的狀態應為：

Status(F,H) \in \{supported,rejected,indeterminate,not\ yet\ due\},

其中狀態的證據規則必須事前固定。 $indeterminate$ 代表實際識別資訊不足，不能當成永久保留原預言的同義詞； $not\ yet\ due$ 則僅表示期限尚未到達。

27. 十項可反駁研究假說：方向、時間、母體與失敗條件

本篇假說的地位均為待檢驗。下表的「預期」是研究者願意接受反證的候選命題，不是認定其已經在所有經濟體成立。任何研究在正式施測前，都必須再固定資料集、母體、效果量下限、統計方法、比較組、退出規則與檢定力。

編號	候選假說	主要結果變數與識別方向	原則性反證條件
P10-H01	具顯著即期轉型成本與較高互補收益的部署，可能呈現先負後正響應	同任務／企業群之增量淨結果按季變化	在事先限定的可識別母體和窗口中持續不轉正，或正向互補收益不足
P10-H02	部分資訊搜尋任務的來源點擊變化會先於廣告主策略調整	AI 摘要暴露、來源點擊、商家預算、競價	暴露變化後無相應事件時間排序或效果方向與模型相反
P10-H03	非付費觸及下降且替代渠道不足時，部分廣告主會防禦性加碼	非付費觸及、增量 ROAS、投放、市占率	控制需求後投放不增、加碼並非對觸及損失的反應
P10-H04	企業中 AI 任務採用的深度比名義採用率更能解釋短期產出	功能使用範圍、有效任務占比、增加值	深度指標在外部樣本沒有額外解釋力
P10-H05	可觀測互補投資對後期生產力增益具有時滯解釋力	流程重構與教育支出、後期品質調整產出	在可信反事實與固定窗口下效果接近零或方向相反
P10-H06	同一總體平均數背後可能具有顯著企業或員工異質效果	分位數、技能、資本及產業交互項	異質性在多樣本、調整後可排除實質幅度
P10-H07	人類帳號下的 AI 委託比例可能隨平台可見標籤而被系統性低估	經同意稽核之 LEAA 來源與平台標籤比較	稽核證據顯示差距低於事先設定的實質閾值
P10-H08	公共部門 AI 採購及使用與居民福利改善的時間不必相同	導入、財政流、處理時效、錯誤救濟	在指定公共服務場景中不存在時間差或效益反而即時可見
P10-H09	AI 資本投入領先收益，但競逐強度可能預測後期獲利下修風險	CapEx、債務、實際收入、盈利與資產配置	過度投入指標沒有增量預測力或效應在外部資料完全消失
P10-H10	事前登記且允許有限參數更新的多尺度模型，可能改善跨期預測校準	錯誤率、區間覆蓋、Brier／log score	在真正外部測試中不優於簡單持續性或無 AI 基準

27.1 P10-H01：轉號必須預測出時間窗

僅在具有可核對互補投資計畫、事前測得導入成本、且長期上限有合理界限的企業或工作單位中，提出轉號的時間區間。不得在事後看到正向年份才補充時間常數。若已過事前終點而持續未轉正，應拒絕該有限期轉號預測，另以新編號研究更長期候選。

27.2 P10-H02：搜尋入口變化與廣告反應

以網站／商品類別／地理市場形成可追蹤面板，記錄 AI 摘要暴露與結果頁配置變化的起點、來源點擊及其後廣告主預算。若平台同時修改定價或改變流量來源，需另外識別；單靠三條時間序列「先後發生」不等於建立因果。

27.3 P10-H03：防禦與進攻動機分離

對企業進行經同意的策略調查及廣告增量實驗，區分「不投會失去更多顧客」與「投更多可能奪得競爭對手退出後市場」的不同反事實。廣告主利潤資料不應只用平台歸因 ROAS 代替。若替代渠道改善，原先預測的防禦性加碼可能消失，應視為守衛條件未成立而不是任意刪掉資料。

27.4 P10-H04：名義 AI 入口與有效部署

分別蒐集企業是否具有 AI 帳號、哪幾個功能有付費或授權、員工哪些任務真用 AI、經主管驗收的端到端成果。若單一「有／沒有 AI」分類已能同等準確預測外部資料的產出，則深度模型的新增效益應被降階評價。

27.5 P10-H05：互補性不是萬能解釋

預先指定流程重組、資料清理、人員培訓及可重用工作流資產的測量方式，不允許將所有後來成功的企業都事後稱作「早有無形投資」。可用企業內部跨部門分期導入和匹配對照估計時滯，並對「沒有 AI 但同樣做流程重組」的對照作特別識別。

27.6 P10-H06：避免用異質性替代主假說

不同技能、大小企業、地區和國家之間的效果差異，可能構成重要發現；但若平均效果的原始假說已被拒絕，不能僅挑選成功的極少數群體宣稱平均假說獲得支持。應同時報告母體加權結果與異質群體的多重檢驗風險。

27.7 P10-H07：真實 AI 參與率的部分識別

由受試者明示同意的操作紀錄或企業授權審核資料建立可信來源事件，再比較平台可見的機器標籤。若資料僅能確認上下界，報告區間，不為未知事件補造真假身份。此研究不要求開發規避偵測的工具，也不允許突破未授權網站保護。

27.8 P10-H08：公共福利不可從財政支出推算

對政府採購與服務 outcomes 建立獨立時間序列；引入錯誤決策、救濟耗時、弱勢群體負擔及資料治理成本。公共行政效率提高與民眾得到真正可及的服務，不一定在同季同步。政府法域、制度與樣本不可未經調整跨國合併。

27.9 P10-H09：資本領先不保證競逐泡沫

以資本支出／營業現金流、專用資產比例、長期租約及新簽供給容量衡量支撐投資；以後期毛利、實際使用與債務壓力檢驗產出轉化。預測的核心不是「投入高就一定泡沫」，而是在財務控制條件接近的企業中，競逐型過度承諾是否具有額外風險預測力。

27.10 P10-H10：預測模型必須擊敗簡單基線

將多尺度模型與至少三種基準比較：上一期延續值、同產業歷史趨勢，以及不含 AI 專有變數的宏觀因子模型。要求完全保留模型每次更新前的預測快照。若不能在樣本外測試改善區間覆蓋或適當評分，則不得宣稱複雜度增加帶來更好的預測能力。

28. 2027–2028 年縱向觀測設計：先定研究窗，再收結果

本篇建議的第一代觀測計畫：

研究環節	時間安排（規劃）	主要任務
基線建立	2026 Q4	定義資料源、分類及歷史基期；建置預測版本庫
第一階段	2027 Q1–Q2	觀測 AI 實際採用、SEO／AI 入口變化、廣告策略與企業互補投入
第二階段	2027 Q3–Q4	檢查企業利潤、任務採用深度、就業調整及初次公共服務結果
第三階段	2028 Q1–Q2	檢驗產業轉化與跨平台遷移，更新但保留舊預測分數
第四階段	2028 Q3–Q4	完成限定窗口評分；公開成功、失敗、不充分與資料缺口

這是研究計畫，不是對未來事件的已知時間表。某些制度或生產力轉化可能超出兩年窗口，應如實標記為「本研究期間不足以檢驗」，不能因此將其作為 2027–2028 已被確認的成果。

研究資料至少應採季頻發布與月頻事件監測的雙軌設計。月頻用來取得技術部署、廣告預算調整等較快信號；季頻用來比較官方帳務、業務成果及統計誤差。跨季資料須記錄發布日期、修訂日期及統計口徑，防止事後用已修訂的資料冒充當時真正能使用的預測資訊。

29. 資料字典：一筆經濟事件至少需要什麼？

以下為最小欄位，擴充 AIEC-07／08 的有向功能事件及 AIEC-09 的 LEAA 角色歸因；不要求在所有系統中蒐集不必要的私人行為細節。

欄位名稱	型別／用途	最低要求
`event_id`	去重主鍵	穩定且不可重用
`task_id`	同一人類／企業任務識別	支援不同事件共同歸戶
`source_type`／`receiver_type`	B、C、A、G 功能端點	必須附上分類版本
`functional_event_type`	檢索、委任、交付、支付等	以明確事件本體字典為準
`principal_role`	委託與資源授權者	可未知、可多值
`executor_evidence`	執行者身分及證據	分確定、機率、未知
`beneficiary_role`	成果受益者	與付款者分開
`ledger_id`	貨幣／會計鏈	用於避免重複加帳
`t_event_start`／`t_event_end`	事件真實起止時間	允許區間不確定性
`t_observed`／`t_published`	資料取得及正式公布時間	不可覆寫事件時間
`measurement_vintage`	統計資料修訂版	可重建當時所見資料
`outcome_unit`	元、次數、工時、品質分數等	禁止跨單位直接相加
`comparison_group`	可用反事實設計	無對照需明示
`country`／`sector`／`population`	分層與外推邊界	避免全球化誤用
`consent_and_governance`	同意、合法來源、用途與保留期	不蒐集超過必要的個資
`unknown_flag`／`reason`	明確的資料缺口	不得當作零值
`forecast_id`／`horizon`	對應事前預測	舊版本必須保留

特別注意兩類時間不一致：某事件晚被發現、以及同一事件晚才形成經濟結果。前者主要是觀測延遲，後者才可能是經濟傳導延遲；在可識別資料允許下兩者應分別估計。

30. 因果識別：時間先後不是足夠證明

AI 經濟實證不應只繪製兩條上升曲線，再宣稱其中一條導致另一條。至少需採下列幾種互補方法：

事件研究與分期導入。 對企業分期部署 AI 的情況，保存各單位真正採用時間，檢查導入前平行趨勢與預期效應。當處置效果跨組異質、採用時間不同時，不能不加檢查地依賴傳統雙向固定效果的單一係數。

隨機化或鼓勵設計。 在法規與業務允許下，針對可逆的低風險功能隨機分配使用資格或訓練資源，測量增量效益、採用遵從率及外溢效應。

合成對照與配對面板。 當平台或制度改造只發生在少數市場時，挑選預處置特徵、需求、季節性與產業結構可比較的對照；若存在共同市場衝擊，則報告無法識別的範圍。

負控制與安慰劑檢查。 使用理論上不會受指定 AI 功能直接影響的結果與提前假處置時間，檢查估計是否只是共通趨勢或資料管線改版。

網路干擾。 同一供應鏈、廣告拍賣或 Agent 生態裡，一家企業的處置可能影響未採用者；傳統互不干擾的處置假設未必成立。需按市場／網絡群聚設計、明示外溢與直接效應的估計對象。

真實時間資料（real-time vintages）。 評估預測模型時，不能用 2028 年才修訂完成的 2027 年資料作為模型在 2027 年本來就能看到的訊息。必須回溯當時的公開資料版本與可用日期。

這些方法各有識別假設；若條件不成立，應降低結論強度而不是直接宣稱已驗證世界域因果鏈。

31. 統計檢驗：不存在效果和未檢出效果不可混淆

對指定母體、時間窗與結果，應同時報告效應估計、信賴區間、事前設定的實質重要性閾值以及估計檢定力。舉例：若研究者想排除絕對值超過 $2\%$ 的經濟效果，就要採用相應的等價檢驗或區間邊界，而不是只引用 $p>0.05$ 認定效果為零。

研究結果宜分成：

實質支持： 方向、時間與幅度滿足已登記標準；
被反證／拒絕： 在已登記反證標準下，得到足夠排除原候選的證據；
結果未定： 區間過寬、資料可識別性不足或重要守衛未測；
尚未到期： 仍在原始預測期限內。

不能把「某項前置條件沒有成立」自動算成支持假說；有時它只表示該假說沒有在本樣本被真正測試，而不是命題因此對所有世界都成立。

32. 模型預測與校準：AI 經濟研究不只要寫漂亮的解釋

每個預測最少保存五種原始資料：

時間 $t_0$ 的全部可取得輸入特徵與資料版本；
預測目標、母體、期限、效果方向與幅度分布；
競爭基準模型與損失函數；
預測發布與任何事後更新的版本識別；
到期後的實際結果、評分和不確定性說明。

對二元事件可以使用 Brier 分數：

BS=\frac1N\sum_{i=1}^N(p_i-o_i)^2,

其中 $p_i$ 為結果發生之前登記的機率， $o_i\in\{0,1\}$ 為事後結果。分數越小越好，但若事件在不同期間具有不同基率，還需要分組檢查校準；不能只以單次重大預測成敗宣稱全域模型能力。

連續量應使用事前指定的誤差分數、區間覆蓋及統計基準，並對實際目標變數和修訂版本作一致性處理。若預測的是「AI 對產業增量效益」，便需要明確反事實識別；若只是實際 GDP 成長率，則評分的是總量預測，不能直接宣稱已識別 AI 的獨立貢獻。

最重要的承諾是：即使某個較複雜模型在故事上更容易解釋世界，若它持續輸給簡單基準，就應降低其預測地位。

33. 四條候選情境路徑：不提前假定單一世界結果

本篇不替 2027～2028 年設定虛構的全球 AI 經濟機率。可研究下列條件性情境：

33.1 情境 A：部署吸收快於轉型成本

若模型與 Agent 降低任務成本、企業流程能夠迅速整合、需求擴大且互補資本到位，則企業有效產出、消費者福利或新產品供給可能上升。需要確認增量成果，而不只測量使用量。

33.2 情境 B：平台與企業競爭先行，平均福利滯後

若原有 SEO 或工作流程先被改變，但替代市場仍集中，企業可能提高廣告、採購、算力或整合支出，形成平台收入成長、企業利潤壓縮及短期社會重新分配。此情境需要實際比較企業利潤、退出率、終端價格與服務品質。

33.3 情境 C：基礎設施與資本承諾過快

若融資、能源設備、晶片和資料中心的建設節奏快於可獲得的實際收益，可能造成高投入、長期承諾與後期收益低於預期的失配。即使如此，真正可用的硬體與工程知識沉積可能仍然留存，不能把資產市場的修正等同全部技術失敗。

33.4 情境 D：多條路徑同時成立但跨國分化

某些國家因晶片製造、能源、算力投資或高價值服務獲得增益，其他國家則可能面臨進口成本、能源約束、就業重組及基礎設施不足。對世界平均數據而言，這些情境可能部分抵消。對個人生活世界而言，結果則高度不對稱。

四種情境不是互斥的預測賭盤，可能分別適用不同產業、國家及時間段。研究的真正任務，是辨識各個成立條件，而不是事後從中挑選最像現實的一條當成原始預測。

34. 對《經濟世界域轉化論》（EWDT）的正式接口

本文保持與已存在 EWDT 原稿的理論連續性，不另提出一個與 EWDT 競爭的「世界經濟域」母理論。雲端的既有正式原稿使用 EWDT（Economic World-Domain Transformation Theory）；口述中偶有 EWOT 縮寫，本篇以已存在的正本標示 EWDT，不自行宣稱已完成名稱更改。

既有 EWDT 篇章	已存在的前置概念	本篇新增工作
EWDT-01｜總論	經濟世界域、可行集合及轉化	指定動態預測的時間、母體與結果變數
EWDT-02｜經濟投影失真	觀測非單射、任務相對充分	增加觀測時間與資料修訂版本
EWDT-05｜經濟耦合	路徑依賴及關係本體	路徑時延、作用方向與相互抵消
EWDT-06｜歷史耦合	沉積、遲滯、結構鎖定	時間延遲不可濫用的反證契約
EWDT-12｜微觀世界域	有限可行選項與退出能力	微觀反應的分群及採用時點
EWDT-13｜中觀耦合域	平台、供應鏈、組織路由	企業到宏觀傳導的時間路由
EWDT-14｜宏觀意圖論	意圖—致動—結果分離	對預期、策略調整添加時間戳
EWDT-16｜超宏觀經濟域	跨境能源、技術及文明耦合	國家異步變化與跨境傳遞邊界
EWDT-18｜AI 世界域擴張	候選、驗證、部署、沉積漏斗	各階段的觀測時標及反例
EWDT-20｜資本重構	改造成本、能力缺口、轉型債務	轉型投入先行與成果晚到的測量
EWDT-21｜社會閉合	生產域、消費域、參與域與生活世界	福利效果與企業效果的不同時鐘
EWDT-22｜有效智能資本	名義 AI 與有效可達能力分離	採用深度、部署異質性和時滯

從形式上，TPMT 可視為對既有世界域觀測映射的時間化：

\mathsf{TPMT}: \left(\mathfrak W_t,\mathcal P_4,\Pi_{s,t},\mathcal T_e\right) \longrightarrow \left\{R_{Y,s}(h),\mathcal C_{Y,s}(h),\mathcal F_{Y,s,t_0}\right\}.

其中 $\mathcal P_4$ 是十六格功能關係索引， $\Pi_{s,t}$ 是不同尺度與時間的觀測映射， $\mathcal T_e$ 是事件時標；右側分別代表候選時間響應、因果辨識前提與事前預測。此映射是研究設計接口，不是已完成的全球資料集或可執行世界預言機。

35. 三個必須保留的不對稱性

第一，資訊量不對稱。 AI 增加機器生成、搜尋、任務紀錄與中間報告，不必然意味人類、政府或企業對世界具有同等程度的正確認知。更多資料也可能增加噪音與選擇偏差。

第二，影響力不對稱。 全球某些產業因 AI 創造更多附加價值，不代表每個企業、勞動者與國家同幅獲利。微觀、中觀及宏觀結果不可從一個平均數重建。

第三，觀測能力不對稱。 某些 AI 使用與委託活動可透過正常人類帳號和既有企業流程完成；受限於授權、隱私、來源證據及資料供應，統計上被識別的 AI 使用量可能低於真實參與。這種落差需要測量，而不是任意猜測其規模。

這三個不對稱性使世界域分析既需要提高解析度，也需要明確承認模型的可見邊界。

36. 研究限制、倫理及反向結果

本文的核心限制如下：

最小動態模型只是條件性存在證明，不是從世界資料估計出的通用結構參數；
2027～2028 年資料尚未產生，因果效果、機率與轉折點均不能事前當作已知；
AI 的技術能力、可負擔程度、企業可部署性、制度權限及實際使用可能快速改變；
AI 影響具有廣泛干擾，一些簡單無處置對照組可能同樣受到間接影響；
國際資料存在產業口徑、貨幣、價格平減與統計修訂差異；
公開平台資料無法完整提供廣告主利潤、用戶真實收入或 Agent 授權紀錄；
觀測 AI 介入應遵守網站使用規則、個資保護、員工同意及風險分級；
可取得更多資料不代表可完成更高精度的全域預測；
研究必須主動蒐集反向結果：AI 強烈採用但沒有新增收益、沒有顯著延遲、沒有預測轉號，均屬有價值發現；
若既有理論足以解釋某個市場，就不需要為維持新名稱而強行使用 TPMT 的全部變數。

特別是「先別急著判斷」不是研究者逃避判斷的永久姿態；在定義良好的局部問題上，現有證據可能已足以做出強結論。在全球文明尺度下尚不能可靠推導唯一結局，亦不應否定局部已被嚴格識別的真實結果。

37. 結論：世界可以先改變，宏觀數字卻還來不及表達

AI 進入世界經濟並非單一事件，也不只是模型能力數值提升。它可能先改變人類資訊入口、再重寫企業策略；也可能先改變內部任務、之後才形成產業收益；或者透過基礎設施、資本承諾、政府制度與跨國生產網路，在不同地區產生相反方向的影響。

因此，當期平台收入成長不能證明相關市場沒有發生結構變化；當期內容網站收入下降不能證明所有資訊經濟價值都消失；當期總體薪資尚未改變也不能抹除特定任務已經發生的重組。這些陳述均不表示遠期的正向或負向結果必然成立。

本篇的正式貢獻不是替悲觀或樂觀派提供免責，而是建立一條更嚴格的研究規則：每個預測都要寫清楚它描述的是哪個世界截面、哪個母體、哪段時間、哪條作用路徑、哪種觀測量，以及何時應承認自己錯誤。

AIEC-10 因而把前九篇的資訊、廣告、支付與 9／16 經濟關係，納入可觀測的時間演化；下一篇（AIEC-11）將研究 AI 本身如何參與預測與決策，再反過來改變經濟世界；最後一篇（AIEC-12）才將這些具體研究接口收束到地球文明層級的長期可更新綱領。

參考文獻、可核對外部來源及版本限制

［E1］ Brynjolfsson, E., Li, D., & Raymond, L. (2025). “Generative AI at Work.” The Quarterly Journal of Economics, 140(2), 889–942. DOI: 10.1093/qje/qjae044。對 5,172 位客服員的特定實地資料；本文只引用其指定場景及研究結果，不外推整個世界。

［E2］ Humlum, A., & Vestergaard, E. (2025; revised March 2026). “Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI.” NBER Working Paper 33777. NBER 原文。此為工作論文修訂版；近零平均效果的結論限於其資料、研究窗口與可排除的效果界線。

［E3］ Bonney, K., Breaux, C. L., Dinlersoz, E., Foster, L. S., Haltiwanger, J. C., & Pande, A. A. (2026). “The Microstructure of AI Diffusion: Evidence from Firms, Business Functions, and Worker Tasks.” NBER Working Paper 35141, April 2026. NBER。企業加權與就業加權口徑不得混用。

［E4］ Dey, M., Dinlersoz, E., Foster, L., Grim, C., Haltiwanger, J., Meyer, P. B., et al. (2026). “AI Exposure and Adoption Among U.S. Firms.” U.S. Census Bureau, CES Working Paper CES-26-61, September 2026. 官方來源。暴露與採用為不同變數。

［E5］ Brynjolfsson, E., Rock, D., & Syverson, C. (2021). “The Productivity J-Curve: How Intangibles Complement General Purpose Technologies.” American Economic Journal: Macroeconomics, 13(1), 333–372. DOI: 10.1257/mac.20180386。互補投資與觀測延遲的經典理論前置。

［E6］ Acemoglu, D. (2024; published 2025). “The Simple Macroeconomics of AI.” Economic Policy, 40(121), 13–58; NBER Working Paper 32487. NBER。任務曝露、成本節省、採用與總體傳遞需經明確假設。

［E7］ Filippucci, F., Gal, P., Laengle, K., & Schief, M. (2025). “Macroeconomic Productivity Gains from Artificial Intelligence in G7 Economies.” OECD Artificial Intelligence Papers, No. 41. OECD DOI。所報範圍是不同情境及十年尺度的推估，非已實現的國家成長。

［E8］ Bank for International Settlements (2026). BIS Annual Economic Report 2026, Chapter I: “Progress and Peril.” BIS 官方頁面。關於資本支出、需求競逐與總體金融壓力的研究討論。

［E9］ Bank for International Settlements (2026). “The AI Investment Race.” BIS Working Paper 1367, July 14, 2026. BIS 官方頁面。競逐模型及金融脆弱性不等於對特定企業的實證定罪。

［E10］ Lucas, R. E., Jr. (1976). “Econometric Policy Evaluation: A Critique.” Carnegie-Rochester Conference Series on Public Policy, 1, 19–46. DOI: 10.1016/S0167-2231(76)80003-6。政策改變後行為及參數可能改變的經典識別提醒；本文不宣稱與之等價。

［E11］ Pew Research Center (2025-07-22). “Do People Click on Links in Google AI Summaries?” 原始研究說明。特定 2025 年美國瀏覽樣本中有 AI 摘要與無摘要頁面的點擊行為差異，不是完整因果實驗。

［E12］ Brynjolfsson, E., Rock, D., & Syverson, C. (2017; 2019 book chapter). “Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics.” NBER Working Paper 24001. NBER。提出誤判期望、測量、重新分配及部署延遲等解釋的既有研究；本篇不將「延遲」冒稱首創。

內部理論前置（非外部實證）

［I5］ Neo.K & GPT-6（2026-10-16），AIEC-05，《平台繁榮、廣告主壓縮：防禦性加碼與進攻性整合的博弈》，原始 UTF-8 Markdown：AI_Economic_Coupling_Paper05_Platform_Prosperity_Advertiser_Compression_Game_v0.1_2026-10-16.md。

［I7］ Neo.K & GPT-6（2026-10-16），AIEC-07，《從四到九：B／C／A 功能性經濟關係矩陣》，原始 UTF-8 Markdown：AI_Economic_Coupling_Paper07_BCA_Nine_Functional_Economic_Relations_v0.1_2026-10-16.md。

［I8］ Neo.K & GPT-6（2026-10-16），AIEC-08，《從九到十六：公共部門、制度與 AI 經濟傳導》，原始 UTF-8 Markdown：AI_Economic_Coupling_Paper08_BCAG_Sixteen_Public_Institutional_Economic_Relations_v0.1_2026-10-16.md。

［I9］ Neo.K & GPT-6（2026-10-16），AIEC-09，《帳號、委託、執行者與受益者：人類—AI 混合操作下的經濟歸因》，原始 UTF-8 Markdown：AI_Economic_Coupling_Paper09_Account_Delegation_Executor_Beneficiary_Attribution_v0.1_2026-10-16.md。

［I0］ Neo.K & GPT-5.6 Sol（2026-09-23），EWDT-01，《經濟世界域轉化論：總論》，無界智庫公開版。

［I2］ Neo.K & GPT-5.6 Sol（2026-09-23），EWDT-02，《經濟投影失真論》，無界智庫公開版。

［I6］ Neo.K & GPT-5.6 Sol（2026-09-23），EWDT-06，《歷史耦合與路徑依賴》，無界智庫公開版。

［I12］ Neo.K & GPT-5.6 Sol（2026-09-23），EWDT-12，《微觀世界域》，無界智庫公開版。

［I13］ Neo.K & GPT-5.6 Sol（2026-09-23），EWDT-13，《中觀耦合域》，無界智庫公開版。

［I14］ Neo.K & GPT-5.6 Sol（2026-09-23），EWDT-14，《宏觀意圖論》，無界智庫公開版。

［I16］ Neo.K & GPT-5.6 Sol（2026-09-23），EWDT-16，《超宏觀經濟世界域》，無界智庫公開版。

［I18］ Neo.K & GPT-5.6 Sol（2026-09-23），EWDT-18，《AI、泡沫與經濟世界域擴張》，無界智庫公開版。

［I20］ Neo.K & GPT-5.6 Sol（2026-10-06），EWDT-20，《資本重構與轉型可負擔性》，無界智庫公開版。

［I21］ Neo.K & GPT-5.6 Sol（2026-10-06），EWDT-21，《自動化社會閉合與廣泛世界域傳遞》，無界智庫公開版。

［I22］ Neo.K & GPT-5.6 Sol（2026-10-07），EWDT-22，《智能資本、有效 AI 可達性與世界域分岔》，無界智庫公開版。

附錄 A. 動態轉號公式與數值結果的人工可重算檢查

對 $R(h)=-d+c(1-e^{-h/\tau})$ ，一階導數為：

R'(h)=\frac{c}{\tau}e^{-h/\tau}>0,

二階導數為：

R''(h)=-\frac{c}{\tau^2}e^{-h/\tau}<0.

在 $d,c,\tau>0$ 下，響應單調上升而邊際增益遞減。 $R(0)=-d<0$ ；當 $c>d$ ，極限為正且存在唯一轉號點。反例： $c\le d$ ，不會於有限時間嚴格轉正。

本篇示例 $d=12$ 、 $c=20$ 、 $\tau=4$ 的數值，採標準指數與自然對數運算；任何讀者均可重算。此參數族只說明「符號反轉」在何種條件下可發生，不是一般 AI 經濟學的估計係數。

附錄 B. 事件時間、觀測時間與歷史版本的最低一致性約束

對同一事件 $e$ ：

不可用 $t^{pub}$ 覆寫 $t^{out}$ ；
不可用資料修訂日取代事件實際日；
若事件只知道日期區間，記錄上下界與時區，而非虛構到秒；
所有事件量必須附母體、單位、來源及分類版本；
若同一任務包含多個 AI 功能事件，保留共同任務主鍵；
付款記錄與功能事件須區分，不得因為新增 Agent 呼叫次數而重複加算 GDP；
未知執行者須以 unknown 或有證據支持的機率表示，不自動算真人；
對已登記預測，後續新資料應加版本，不能更動舊版預測的數字；
模型結構變化時，另記新研究版本與其與舊版本的預測差異；
跨期效果必須明確指定「相對哪個反事實世界」，而不只是計算成長率。

附錄 C. 假說狀態登錄示意（全部為示意，非實際觀測）

欄位	P10-H01 示意值
`forecast_id`	`P10-H01-V1`
`registered_at`	`2026-10-16`
`target_population`	某指定產業、已同意研究的企業群
`treatment`	可重建時間的 AI 流程導入
`target_outcome`	每工時增量品質調整產出減去導入成本
`comparison`	符合設計前提的對照企業或部門
`horizon`	事前指定，不晚於 2028 Q4（對本輪有限期檢驗）
`effect_band`	實測前依成本與資料檢定力登記
`rejection_rule`	指定時間未轉號、或效果落在拒絕區間
`baseline_model`	無 AI 指標的產業趨勢與季節性模型
`status`	`not yet due`
`revision_policy`	任何改版新增編號，保留原預測及評分

此示例不應被誤讀為作者已經在 2026 年獲得 2027–2028 年任何實際結果。

附錄 D. AIEC-11 與 AIEC-12 的交接界線

交給 AIEC-11： AI 如何使用經濟模型形成自身決策、模型共享如何影響同步化、預測發布如何改變受測市場、同時進行的多 Agent 行動是否構成新的反身性及責任問題。

交給 AIEC-12： 如何以文明尺度整合長期資料、跨國供應鏈、9／16 多主體關係、資訊需求、社會福利、制度可達性及不同認知載體的觀測能力，建立可持續更新、承認未知且不預設單一終局的地球經濟世界域研究綱領。

不納入本篇： 擴張至 24 格、宣稱完整 AGI／ASI 經濟終局、為所有人類工作提出單一替代比例，或建立能預知全球所有事件的完備模型。

原稿結束。
文件狀態： v0.1 正式原稿（研究假說尚待實證）；附有可追溯來源、可反駁條件及後續實證義務。
標準化原始碼要求： UTF-8；數學式只採 $...$ ／$$...$$；不可用渲染頁面覆寫 canonical source。