title

智能收益分配、購買力與經濟需求循環

english_title

Distribution of Agentic Returns, Purchasing Power, and Effective-Demand Circulation: Household Heterogeneity and the Macroeconomics of AI-Mediated Production

series

AI 代理收益與契約經濟過渡論（AICET）

series_id

AICET

series_position

Paper 11 / 12 Core Papers (13–14 Deferred Extensions)

document_id

EML-AICET-2026-11

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 / Distributional Macroeconomics / Household Purchasing Power / Effective Demand / Income Attribution

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-2026-10

next_paper

EML-AICET-2026-12 (planned)

evidence_cutoff

2026-10-28

智能收益分配、購買力與經濟需求循環

Distribution of Agentic Returns, Purchasing Power, and Effective-Demand Circulation: Household Heterogeneity and the Macroeconomics of AI-Mediated Production

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-11／十二篇核心論文第十一篇
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；本篇提出的分類、需求迴路、假說與研究程序尚未經代表性代理家庭資料驗證。
適用邊界： 本文不是投資建議、經濟預測或特定司法管轄區的稅務意見；算例均為明示假設，非對現實家庭、公司、地區的量測。

日期： 2026-10-28
版本： v0.1

摘要

當個人、家庭與小型組織愈來愈容易透過 AI 代理人提供軟體、研究輔助、內容、設計、教育、行政與跨代理服務時，一個不能靠「AI 提升生產力」直接回答的總體問題開始浮現：如果更多人都能成為供給者，誰具有足夠的收入、意願與制度權限來購買這些供給？又有誰實際得到 AI 帶來的收入及生活效益？ 代理工作數、機器間交易量與可生成產出可能快速增加；但勞動報酬、資本收入、平台租金、家庭可支配所得、商品價格、公共移轉與最終需求的變化，既不必然同步，也不能僅由算力或代理數推導。另一方面，成本下降與價格下降亦可能使原先負擔不起服務的家庭獲得更高實質購買力，甚至出現全新的需求與互補工作。因此，AI 經濟既不保證平均繁榮，也不必然引起總體需求崩潰。

本文作為 AICET 第十一篇，在 AICET-05 的「可核實淨收益」、AICET-08 的「三圖分離與最終受益追溯」、AICET-09 的「非市場價值多帳本」及 AICET-10 的「供給擁擠與需求吸收門檻」之上，提出兩個暫定操作性框架：「智能收益受益者分布核查」（Beneficiary Distribution Audit of Agentic Returns, BDA）與「收益—購買力—有效需求循環」（Agentic Income–Purchasing Power–Effective Demand Circuit, AIPD Circuit）。前者要求追蹤 AI 造成的價值增量究竟成為何人的工資、營業利益、資本回報、授權費、平台收入、稅收、價格利益或非市場效用；後者則研究這些收益經家庭預算、企業投資、公共部門及跨境流動後，在何種條件下轉成新的最終需求與可持續工作。兩者為待測試的觀測架構，不是已被證實的普適 AI 經濟生產函數，也不是認為所有收入必須立刻花掉的單一消費主義模型。

本文以聯合國 2025 年國民經濟核算體系、IMF 2024–2026 年 AI 所得分配研究、ILO 對工作暴露度的分析、OECD 的市場競爭資料，以及美國聯準會 2026 年 10 月有關不同家庭邊際消費傾向的研究，建立五道由生產通往經濟循環的辨識關口。既有證據表明 AI 相關任務暴露、實際採用、節省工作時間、最終薪資與資本收入並不等價；不同所得與財富家庭對新增資源的消費、儲蓄和還債反應亦不完全相同。但這些資料尚不足以判定全球家庭自主代理人是否已形成成熟的經濟體系。本文據此提出十二項可反駁假說、三種互補實證研究、對照情境、明確的資料字典與修訂條件。

中心結論：智能生產能力、智能收益取得、實質購買力及最終需求不是同一個變數。普通人普遍有 AI，與普通人普遍獲得正淨收入並不等價；資本收益集中也不必然消滅所有市場需求。代理經濟真正值得解釋的，是價值如何在異質家庭、企業、平台與公共制度之間分配，又如何形成擴張、停滯、重分配或衰退的動態循環。

關鍵詞： AI 代理經濟、智能收益分配、家庭智能資本、實質購買力、有效需求、收入循環、勞動所得、資本所得、平台租金、邊際消費傾向、經濟增加價值、AI—AI 交易、價格下降、非市場價值、經濟不平等、技術擴散、代理創收。

Abstract

As AI agents increasingly enable individuals, households, and small organizations to supply digital services and products, a distributional and macroeconomic question emerges: if more households become producers, who possesses the purchasing power, willingness, and institutional capacity to absorb their output? Agent deployment, gross transaction volumes, qualified deliverables, factor incomes, disposable household resources, real purchasing power, and final demand are distinct objects. Automation may compress prices and displace labor income while increasing capital returns, but it may also broaden access, complement human expertise, create new tasks, or redirect savings toward other sectors. Neither ubiquitous household profitability nor inevitable aggregate-demand collapse follows from the expansion of AI-mediated supply.

This eleventh AICET paper develops two provisional analytical constructs: the Beneficiary Distribution Audit of Agentic Returns (BDA), which traces AI-mediated gains across workers, owners, platforms, households, consumers, and public institutions; and the Agentic Income–Purchasing Power–Effective Demand Circuit (AIPD Circuit), which examines how those gains, after prices, taxes, transfers, saving, investment, and trade, may or may not support new final demand. These are operational distinctions rather than a universal AI production or consumption function. The paper synthesizes earlier AICET work on auditable agentic income, agent-to-agent settlement, non-market value, and supply congestion with research from the IMF, ILO, OECD, national-accounting institutions, the Federal Reserve, and labor-economics scholarship.

The analysis offers a multi-level accounting taxonomy, positive and adverse scenarios, counterexamples, twelve falsifiable hypotheses, three proposed empirical studies, and a privacy-aware data specification. Empirical references document heterogeneous AI adoption and potential distributional channels but do not demonstrate that a mature household-agent economy already exists. The paper concludes that the macroeconomic significance of AI depends not only on the expansion of productive capacity but on the allocation of claims over value, changes in real household command over goods and services, and the institutional mechanisms through which final demand is sustained, redirected, or constrained.

Keywords: agentic income; AI distributional economics; household purchasing power; effective demand; capital income; labor displacement; consumer surplus; macroeconomic circulation; agent-to-agent settlements; heterogeneous households; market absorption.

0. 研究位置、主命題與證據紀律

0.1 為什麼需要第十一篇？

AICET-01 至 04 [2]–[5] 已區分網路身份、擴散、家庭智能資本與可治理產能。AICET-05 [6] 指出代理活動必須經過真實需求、合格交付、可稽核收入與全成本核算，才可以稱作替委託人創造收益；AICET-06 [7] 把這些活動放入家庭和個體機構化的多代理分工；AICET-07 [8] 與 AICET-08 [9] 則建立契約授權、支付、委任及受益歸屬的制度入口。AICET-09 [10] 提醒非市場效益可存在而未必有貨幣價格。AICET-10 [11] 進一步指出 AI 供給擴張不保證有對應的注意力、信任及付款需求。

尚未處理的總體缺口是：這些分散在不同家庭和產業中的新產能，在經濟循環中究竟由誰購買、由誰獲利、由誰儲蓄、由誰投資，以及誰因收入下降而失去原有購買力？這些問題不能靠核算單一代理人的淨收入解決，也不能只靠觀察單一市場的使用者退出判斷。

AICET-11 因而是微觀代理收益與總體有效需求之間的橋接篇，不是重新寫 CLATE 的算力生產函數或取代經濟學既有國民所得帳戶。本篇將既有經濟學的恆等式與可觀測關係當作約束，再把代理經濟特有的身份、授權、成本與受益分配問題接入。

0.2 核心研究問題

1. AI 代理產出的價值，經什麼制度與市場通道變成個人和家庭可支配的收入、資本回報、價格利益或非市場效用？
2. 若越來越多人同時成為代理服務提供者，競爭、價格、品質、差異化與新需求如何改變各家庭的收入與消費？
3. AI 節省的人類時間、企業成本與機器計算費用，何時能形成新增產出、實質購買力或福利；何時只是帳面重分類、轉移或未實現的潛力？
4. 當 AI 同時替家庭採購、替公司採購並為其他代理委任時，付款需求來自何種最終預算與受益者？
5. 勞動報酬、資本回報及平台租金的不同分配方式，如何改變家庭購買力與後續需求，而又不把儲蓄、投資、政府與跨境需求錯誤當成零？
6. 對於正向普及、資本集中、需求重組及混合不均等情境，哪些觀察能使我們修正或拒絕既有命題？

0.3 二十項非主張

本篇不主張：

1. 人人擁有 AI 或能啟動 Agent，便等於人人能賺錢。
2. 所有 AI 輔助皆是完全自主代理，或所有聊天工具都已形成經濟工作單位。
3. AI 擴大產能必然使所有人的名義收入或實質收入同步上升。
4. AI 取代某項工作必然令整個社會總就業、總收入或總需求以固定比例下降。
5. 資本利潤集中必然導致總需求崩潰；企業投資、公共支出與跨境需求仍可能產生反向效果。
6. 服務降價必然提高每個家庭的福利；收入下降、品質下降與轉換成本可能抵銷降價利益。
7. 服務降價必然傷害所有提供者；市場擴大、成本下降及品項重整可能帶來相反結果。
8. 每一個自動化工作流節省的時間都能換成同等貨幣收入或 GDP。
9. AI—AI 交易中的買方與賣方代理必然各自擁有獨立法律人格與財產權。
10. 機器之間的付款總額可直接當作新增社會最終需求或國民所得。
11. 每個家庭的支出傾向相同，或高收入家庭與低收入家庭對所得變化具有一致反應。
12. 所有增加的儲蓄都是浪費；儲蓄與金融中介、資本形成和企業投資的關係需要分開分析。
13. 所有家庭必須有償出售代理服務，才能從 AI 獲得生活改善。
14. 所有家庭共享相同算力、技能、資料、信用、法律資格與平台可見度。
15. 全球數位交易自然免除地域、匯率、稅費、進出口、付款合規與契約限制。
16. AI 產生的資本收益必定屬於 AI 自身，或未來所有 AI 都不可能取得任何法權；當下的法律受益歸屬與未來制度討論分開。
17. 技術普及會立即形成均衡、平穩或線性增長，不存在失業、投資過度、價格與需求調整的過渡成本。
18. 一套家庭收益統計足以描述公共品、照護、學習、關係延續與文化效用。
19. 本篇提出的框架已經由全球家庭代理人面板、隨機對照實驗或完整總體資料實證證成。
20. 尚未建立的「全域企業」可以作為所有家庭 AI 經濟現象的必要前提；該議題屬 AICET-13、14 的後期延伸。

0.4 五級證據與論述狀態

• OBS（可核對觀測）： 具時間、出處、方法與樣本範圍的外部研究、官方統計或被授權之活動紀錄。
• DEF（研究操作定義）： 方便比較家庭與產業的概念、分類及資料欄位；不宣稱為國際標準。
• HYP（待驗證假說）： 事先指定方向、條件、可觀測變量及可能的否證結果。
• SCN（條件性情境）： 明示外生或內生條件的推理練習，不能當成已發生的市場或統計事實。
• NOR（規範性主張）： 對政策、分配、風險與權利應如何設計的價值判斷，不冒充法律既成事實或經濟定律。

全文將會計身分式、可觀察相關、因果識別及規範目標分開；即使使用共同語彙，也不得將其中一種替代其他三種。

1. 既有研究的可用證據與外推邊界

1.1 生產率、工時與所得可以背離

Acemoglu 與 Restrepo 的任務經濟學框架 [21] 區分自動化取代既有工作與創造新任務、重新引入勞動的兩類力量；兩者均可能改變勞動報酬在增加價值中的份額，但不能靠「AI 自動化多少任務」一個比例推算所有人的工資。Autor [22] 提出 AI 可能擴大較多工作者運用專業知識的能力，是對互補與中產工作重建的條件性論證，而不是對未來薪資的保證。

Humlum 與 Vestergaard 的丹麥行政資料研究（2025 首發、2026 年修訂）[23] 在其特定觀測期對 AI 聊天工具採用與薪資、記錄工時並未觀察到超過研究可偵測範圍的平均效果，但發現工作重組與新職務變化。其研究對象主要是聊天工具，不是所有 2026 年自主 Agent；不能以其早期結果否定後續技術或其他市場可能產生的影響。Bick 等人 [24] 透過 2026 年代表性任務與職業使用調查發現生成式 AI 的採用具有「廣泛但淺層」特徵，也提醒不能把潛在職業暴露度直接當實際部署與工資改變。Brynjolfsson、Chandar 與 Chen（2026 年 8 月修訂）[32] 在美國高頻薪資行政資料中觀察到較年輕、部分高 AI 暴露職類的就業壓力，但未發現全面、經濟體層級的普遍工作替代；其證據亦不能被直接改寫為家庭代理創收規模。

ILO 與 NASK 於 2025 年的全球工作任務研究 [20] 估計約四分之一工作可能受生成式 AI 影響，並強調任務轉型通常較「整份工作立刻消失」更符合其指標的意義。這些研究與 AICET 的關係是：潛在影響、實際使用、工作時間、工資、資本收益與家庭最後的消費能力，是連續但不能互換的觀察對象。

1.2 資本、技能互補與利益集中

IMF 2024 年《Gen-AI: Artificial Intelligence and the Future of Work》[16] 指出 AI 既有提升大多數人所得的潛力，也可能因技能互補、資本報酬與既有資產不均而擴大差距。Rockall、Tavares 與 Pizzinelli 的 2025 年工作論文 [17] 將此進一步拆成勞動替代、互補與資本收入等不同通道，指出部分工資差距可能縮小並不代表財富差距也會縮小。Cleveland Fed 2026 年關於 AI 增幅資本與技能互補性的模型 [31] 則提供一種政策與分配權衡分析，但其模擬設定不可當作已測得的普遍因果效果。

IMF 於 2026 年 7 月發表的跨國 AI 使用研究 [18] 發現 AI 使用所對應的估算省時價值高度集中於若干職業、國家與收入層級；作者明確指出，所用「勞動成本等值」是省時的指示性估值，不是已實現 GDP、實際工資或家庭收到的貨幣。這項細節特別重要：不能因為某種工作時數等價值很高，便宣稱所有被使用的模型已替家庭創造同額收入。

IMF 2026 年技能需求研究 [19] 及亞洲 AI 分化模型 [30] 又提醒，新技能供需與制度準備度可能令不同產業、年齡與經濟體獲得不均等收益。OECD 2026 年 AI 市場研究 [25] 指出上游硬體與雲端集中、模型層競爭與動態演進可以同時存在，亦不能直接從「上游集中」推得「所有家庭無法進入 AI 經濟」，或從「AI API 普及」推得「收益自然平均」。

1.3 收入分配為何影響後續消費，但不是唯一需求來源

美國聯準會 2026 年 10 月 9 日的研究註記 [27] 以 2025 年家庭財務調查（SCF）的假設性新增所得分配問題，指出不同收入與財富群體對一次性增加資源的消費、儲蓄及還債選擇有系統性差異。樣本中的整體受訪者平均預計使用約 22% 於消費、約 47% 儲蓄及約 30% 償還債務；所得前 1% 的消費意向比例低於部分較低所得群體。這是特定美國問卷、指定假設問題與時間窗下的受訪意向，不可直接當成未來台灣家庭 AI 收入的邊際消費率，也不代表儲蓄會永遠退出經濟循環。

聯準會 2025 年有關財富分布與消費的研究 [28] 提供額外證據：不同財富群體的支出反應可能差距甚大。然而，宏觀需求不只有家庭消費；企業投資、政府購買、住房與基礎設施、國際貿易，以及儲蓄透過金融體系轉換為投資等，都是競爭或補充機制。若將「富者儲蓄比例較高」直接推成「AI 必然使 GDP 下降」，會忽略金融、市場與政策對投資的影響。

1.4 國民經濟核算與反重複計算

聯合國 2025 年國民經濟核算體系 [26] 區分生產、收入分配、再分配、消費、儲蓄、投資及對外經濟關係。這是本篇對於「誰在購買」的底層會計約束：最終需求與中間採購不同，單純資金移轉也不是額外產出。AICET-08 [9] 的三圖分離可在代理交易的微觀層提供對照，而國民帳戶則在總體層避免重複計入供應鏈中的每一筆毛付款。

IMF 的財政政策研究 [29] 提出在 AI 造成勞動調整與不均等情境下，稅收、社會保障、公共投資與技能調適可能影響誰能分享利益；但相關政策具有誘因、成本及治理權衡，不能被提前宣告唯一最佳組合。本篇因此不提供「應立刻對 AI 徵某一種稅」的簡化解答。

1.5 文獻對照矩陣

2. 分析單位：一個 AI 市場並不只有「供給者與買家」

2.1 不可混用的七個層級

這些層級並非自然排成固定階級，一件可驗收工作可能沒有對外交易；一家企業可以向家庭提供無償工具；某家庭可能同時作為客戶、供應者、投資人與納稅人。研究者需要一張跨層級的主體與事件對照表，而不是一個包羅全部的「AI 經濟參與者數量」。

2.2 家庭不能被當成單一沒有內部差異的黑盒

AICET-06 [7] 已區分個人、家庭與微型公司。一個家用 AI 代理可能由甲付訂閱費、乙提供設計作品、丙持有合法收款資格，並服務丁的教育需求；受益與支出不一定由同一人承擔。若研究只問「這個家庭有沒有因 AI 多賺一萬元」，會隱藏以下區別：

• 是誰的有償工作被省去、誰的工作收入因而減少？
• 代理所得由誰持有、誰可決定儲蓄或消費？
• 免費照顧、學習與家庭協助對誰有用？
• 家庭成員中是否有人未同意相關資料用於創收？
• 哪些付款只是家庭內部補償或共享預算的轉移？

因此，家庭可作為統計單位，卻不得使成員之間不同的利益、能力與授權消失。

2.3 同一位人類可能具有「六重經濟角色」

普通人不只是消費者。他可能同時是：① 出售代理服務的經營者；② 使用 AI 購買其他服務的需求者；③ 以自己財產承擔代理成本的投資者；④ 因 AI 取代某項工作而受影響的勞工；⑤ 使用公共 AI 服務的公民與納稅人；⑥ 不以交易為目的、仍從 AI 得到生活效益的使用者。這些角色在同一人身上可以互相抵銷，也可能互相增幅。

研究若只觀察「其代理業務收入增加」，忽略他的人類薪資下降、訂閱增加或家人照護時間變化，就無法支持整體經濟福利增加的結論。

3. 從智能生產到家庭有效需求：五道不可跳過的轉換閘門

本文提出 「收益—購買力—有效需求循環」（AIPD Circuit） 的五道操作性觀測關口（DEF）。這些關口用於檢查資料有沒有正確連接，不是歷史必經順序，也不是預言每筆產出都能完成轉換。

G1 通過不保證 G2；G2 通過不保證收益落在原供應家庭；G3 成立不保證 G4 改善；G4 增加亦未必在當期轉為 G5 的消費支出。 有些效益不經 G2 的市場價格也會改善生活，例如低成本學習和家庭照顧，必須由 AICET-09 [10] 的非市場帳本補充，而非硬塞進銷售額。

3.1 循環不是一個只有正號的箭頭

當某家庭增加收入時，它可能消費更多、建立緊急儲蓄、償還高利息債務、投資新設備或減少工作。不同選擇會透過不同時點、金融機構或其他交易方影響後續需求。當企業透過 AI 節省薪資費用時，它可能降價、提高股東分紅、擴大研發、增加銷售、回購股票或保留現金；市場與總體結果必須追查實際資金及資源去向。

因此 AIPD 的閉環是一項審核問題：在明示時期、部門與制度下，新增 AI 產能的增益或損失，分配給誰、是否改變其支付能力，以及最終由什麼活動吸收。它不是「AI 收入必須自己買 AI 商品才算成功」的循環敘事。

3.2 兩個完全相反的局部結果可以同時發生

假設某家庭以 AI 製作行銷素材，客戶支付更低價格取得相同品質：該家庭每案收入可能下降，客戶卻省下支出。被節省的支出若轉向新服務，可形成其他市場需求；若客戶也因景氣而縮減全部預算，則總收入可能下降。相同的技術降價事件可產生局部供給方損失、局部需求方利益與總體結果不確定的組合。研究必須在相同時間窗、適用市場與可比品質下判斷，不能任選一端當總體結論。

4. 智能收益受益者分布核查（BDA）：誰真正得到好處？

4.1 受益不是只有「收錢的帳號」

BDA（DEF）要求每一項具實質經濟意義的代理介入至少嘗試識別下列不同受益途徑：

1. 受託服務者的勞動所得： 因 AI 輔助而保有、提高、降低或失去的薪資與接案報酬。
2. 個體經營利益： 家庭或微型公司出售最終服務扣除全成本後的淨結果。
3. 算力與模型資本回報： 取得硬體、服務、模型或知識資本所有權的相關收益；不把購入設備本身當收益。
4. 平台與渠道收益： 服務抽成、搜尋分配優勢、訂閱及交易費，需剔除其代付及中間轉售部分。
5. 消費者價格與品質利益： 相同價格買到更好成果，或相同品質花費更少；不一定形成現金收入。
6. 公共部門及其他群體： 稅收、補貼、公共服務成本改變、外部性與公共投入收益。
7. 非市場效益與負擔： 學習、照護、創作、時間配置、隱私成本、社會連結與文化價值，分帳記錄而不偽裝成單一市場價格。

每一條都需區分合法權利主體、實際操作端點、最終承擔成本者與可查的受益者。例如 AI 工具把公司客服服務成本降下來，受益可能被員工、股東、消費者及平台依不同的議價能力分享，不能因作業由代理完成便把利益歸於「AI 員工」或最初部署者。

4.2 收益的三種不同時間點

• 預期收益： 決策前預估能省多少成本或新增多少銷售；不等於已實現收益。
• 已確認成果： 工作達到驗收與交易標準，可能形成應收款，仍可能存在取消、退款與信用風險。
• 可支配已實現收益： 扣除適用費用、成本及義務後，被合法受益者實際可配置的資源。對於企業與家庭，會計利潤、可用現金及個人可支配所得仍須各自核算。

這沿用 AICET-05 的 BTWC 和 AICET-08 的委任、受益與支付三圖 [6][9]，並把觀測窗口延長到家庭、企業與政府的後續分配。同一工作案的可核實收入，不可在每個代理角色、每一層外包、每位家庭成員與整個產業同時作為獨立新增收入加總。

4.3 分配分析至少要同時報告總量與分位數

總體代理市場營收增加，與中位數家庭收入停滯可能同時成立。建議至少提供：所有家庭合計、典型（中位數）家庭、不同所得／財富分位數、不同地域與年齡／教育群體、原先有償就業狀態、是否能取得高品質算力及資料、以及受負面衝擊最重的群體。若任一細分樣本很小，必須報告不確定性、避免重新識別，不能把少數成功個案宣傳為人人可複製的普遍結果。

4.4 所有權與可達性分離

AICET-03 [4] 已指出自有 GPU 與租用 AI API 都可能支持家庭參與。可使用算力不等於擁有算力產生的全部資本收入。一名家庭經營者即使租用模型完成高品質服務，其淨額仍可能因算力租金、服務平台費、付款處理費與銷售渠道費而下降；反之，資本持有人亦可能因競爭、設備折舊或投資失敗而沒有取得正回報。分配研究要同時追蹤使用權、契約定價及最終可保留利益，而不是僅對照自有設備數量。

5. 國民帳戶的硬邊界：產能、毛交易額、增加價值與最終購買

5.1 一個既有恆等式，而非新的 AICET 因果定律

國民經濟核算的一種標準支出面恆等式可寫為：

在適當國民帳戶的定義與價格口徑下， $Y$ 為國內生產總值， $C$ 為民間最終消費支出、 $I$ 為資本形成、 $G$ 為政府最終消費支出、 $X$ 為出口、 $M$ 為進口；各項具體範圍依 2025 SNA 的帳戶定義與統計分類 [26] 判讀。此處只是提醒：最終需求不只有家庭現期購買數位內容；設備投資、公共服務與跨境市場也是總體結構的一部分。

這條恆等式並不說「增加一元 AI 供給，GDP 一定增加一元」；也不是在缺乏價格、交易與統計範圍資料時，可以直接給出因果係數的公式。若 AI 協助家庭無償整理照片、在自家裝置執行推理，對福祉可能有貢獻，是否計入核心國民帳戶須遵循既有生產邊界，不得任意把主觀價值新增為 GDP。

5.2 同一份交付可以經過很多次付款

假設案例（SCN，非觀測）：顧客為一份經驗收的設計服務支付 1,000 單位貨幣。提供者以 250 向外部代理服務商購買中間設計處理，以 100 支付第三方測試服務，以 50 支付支付、雲端與分發中間服務；餘額仍須處理其餘成本與稅費。若以「1,000 + 250 + 100 + 50 = 1,400」聲稱新增了 1,400 的最終市場需求，便把一條供應鏈中的中間交易重複計算。不同階段的增加價值如何分配，需依各部門產出、投入與統計範圍核算。

若服務商的 AI 又以同一委託者資金互相下單、付款再退回，毛付款筆數更可能遠大於獨立客戶實際消費。第八篇的三圖聯查已為此建立微觀證據要求；第十一篇把反重複計數擴張到家庭間、企業間與國民帳戶之間。

5.3 轉移支付與真正購買不同

家庭把 500 元轉到自己的另一個錢包，不構成新增最終商品需求；政府把 500 元補助轉給家庭，屬收入再分配，家庭日後若購買產品才形成相應商品／服務支出。企業向投資人發股利，主要是收益分配，不等於新增產出；投資人日後消費或投資的實際用途須另查。這不表示再分配「沒有經濟效果」，恰恰相反，它可能改變不同主體未來的支出選擇，但應在正確帳戶層分辨。

5.4 AI 作為付款介面，不等於 AI 創造貨幣購買力

代理能幫委託者搜尋、議價、確認訂單、比較品質，也能在授權範圍內向其他代理購買服務。然而，付款所需資金通常仍需追溯合法的自然人、企業、平台、金融或公共部門的預算與財產關係；一套 A2A／支付協定不會僅因能自動執行，便獨立產生供社會使用的外部購買力。未來若有不同法律地位的 AI 主體及財產制度，需修訂受益者分類，但仍不能省略交易與增加價值核算。

6. 一般家庭的雙重角色：多賣一點與買得更便宜可以相互抵銷

6.1 提供者和消費者並不是互不相干的兩群人

AI 擴散可能讓原本只使用線上平台的家庭同時開始接案、生成可授權內容、維護開源工具、經營數位服務，也可能讓該家庭原先賴以生存的工作面臨價格競爭。一個人在甲市場賣服務、在乙市場買服務；他在甲市場損失的貨幣所得，可能被乙市場的價格下降部分抵銷，也可能完全無法抵銷。

因此至少應建立四欄：家庭賺取的外部收入、家庭作為購買者支付的價格、實際工作與維護成本、家庭非市場性效益與負擔。不能把某個訂閱服務便宜五成直接宣告為所有家庭所得增加五成；也不能把部分設計師報價下降，直接宣告整個社會福利必然下降。

6.2 模擬家庭 A：接案收入下降而客戶受益

假設（SCN）某接案者原本每月交付 10 案、每案售價 4,000，月營業收入 40,000。AI 普及後，同品質服務的單價下降到 3,000，即使該接案者每月完成 12 案，月營業收入也只有 36,000；若增加的運算及驗證支出超過原本省下的其他成本，淨營業利益可能更低。

但對原本購入這些服務的客戶而言，相同品質的價格下降可能創造真實利益。客戶把省下的錢存起來、購買新服務、清償債務或增加投資，會產生不同的後續循環。上例沒有計算一般均衡、業界總需求及勞工轉職，故不能把個別接案者的損失直接推廣為社會淨損失。

6.3 模擬家庭 B：沒有外部收入，但購買力改善

假設（SCN）另一家庭每月需要翻譯、軟體維護及內容整理，過去向外部服務支付 6,000。導入合法而可靠的代理後，等品質、等風險口徑的外部支出降至 2,000，且運算、人工驗收、折舊等新增相關成本合計 1,000。若這些條件成立，它可能實質減少取得同等功能的總成本，即使完全沒有新增市場收款。

這種受益不應被記作「AI 替家庭賺了 3,000 現金」，更不能不查品質與潛在風險就宣稱社會福利一定增加。它可用避免成本、實際收支與使用者結果指標另行報告。

6.4 模擬家庭 C：收入、儲蓄與實質可達性同時下降

假設（SCN）某家庭因所處產業被替代而失去部分薪資、同時因租金與能源上升增加固定支出。即使數位工具及某些服務因 AI 而降價，它仍可能買不起住房、醫療或必要照護。AI 商品價格下降不保證非 AI 必需品也同步便宜；不同商品籃子所構成的實質可支配能力可能朝相反方向變動。

這三個家庭不是三種必然歷史階段，而是同一技術擴散下可能並存的分配狀態。研究不能只選成功家庭，也不能只選受害家庭建構單向結論。

7. 所得分配的多重通道：勞動、資本、平台、轉移與新市場

7.1 勞動取代與勞動互補必須依任務分析

對既有工作，AI 可能替代重複性步驟、降低某些工作時數；對另一些工作，AI 可能擴張個人可執行的專業活動，使人類的判斷、責任、信任及在地知識更有價值。這兩種效果可在同一職業甚至同一工作者身上同時存在。若企業因 AI 效率上升而減少某類人力，不能因此推得全體人類勞動需求依固定比例下降；若某公司增加新職缺，也不能據此否定其他群體的收入損失 [19][21][22]。

實際研究需區分：雇用人數、職位空缺、實際工時、職務內容、固定薪資、績效報酬、離職與轉業成本，而不能將 AI 暴露指數當作失業統計。

7.2 資本所有權可能加深利益分布差距

當 AI 產能需要硬體、模型、雲端、用電、資料授權及資本市場融資，擁有或控制稀缺資源者可能收取租金和資本報酬。這不表示其回報永久上升；競爭、技術替代、模型效率進步、折舊、資本過度擴張與法規也可能壓低資本利潤。不過既有資產分配不均，確實使「全國 AI 生產能力增加」與「多數家庭分到相同比例利潤」成為兩個問題 [16][17][25]。

同樣地，租用外國雲端服務的家庭能建立有用能力，並不直接取得供應商的股利。對於受雇家庭，其工資變化與所在公司的資本收益變化甚至可能方向相反。

7.3 平台抽成與注意力分發會改變市場利益

第十篇已指出 [11]，某些市場的最大瓶頸不是生成能力，而是被找到、被信任及被付款。平台可能向新代理供應者收取刊登、交易、廣告與驗證費；分發演算法使少數供應者取得多數訂單，也可能透過更好的配對降低客戶搜尋成本。必須比較實際增量價值、平台服務成本、可替代競爭與進入障礙，不能把所有抽成一律視為無生產性租金，也不能把所有平台收入當成充分合理的對價。

7.4 個人知識資產與社群信任不是可由 GPU 完全取代

同樣的模型與運算配額，在具有特定領域專業、在地語境、合法資料授權及長期客戶關係的人手上，可能提供完全不同品質的服務。這種差異可以形成合理的專業溢價，也可能因資料不平等和既有社會關係加深階層差距。若比較研究只控制 GPU 規格，忽略技能、資格與客戶信任，就會把「技術可達」誤寫成「收益能力相等」。

7.5 公共轉移與家庭財產結構

稅制、教育、社會保障、公共 AI 服務、消費者保護及公共算力提供方式，都可能影響家庭取得與保留 AI 收益的能力；但具體制度效果須分別測試 [29]。例如普及低價公共工具可降低進入成本，卻不保證所有使用者能通過專業資格、找到客戶或取得相同收入。反之，限制某些高風險交易可能增加作業成本，同時減少欺詐或損失。研究不能只用支出規模評價政策，也不能先把所有干預定為效率損失。

8. 實質購買力：低價格、可負擔性與生活選擇不是同一件事

8.1 名義收入增加不保證購買能力增加

如果某家庭 AI 接案收入增加，但房租、電費、醫療、教育或運算服務價格漲得更快，它可能在帳面上賺得更多，卻無法擴大對必要商品的實際支配能力。反過來，即使名義收入沒有明顯增加，若相同品質的必要服務大幅降價，它的實際可達性可能上升。研究至少應使用明確的商品籃子、品質控制與所在地價格，而非拿名義 AI 業務營收當生活水準指標。

同一家庭可能同時面臨數位內容通縮、住房支出上升與高品質專業照護稀缺；「AI 經濟中的物價」不是一個可以由模型 Token 單價代表的同質價格。對收入分位數不同的家庭，必要消費在預算中所占比重也不同，所以價格變化的福利意義具有異質性。

8.2 三種不同的價格利益

1. 直接支付減少： 原先固定需要的商品或服務，在同等功能與可靠性下總支出下降。
2. 品質改善： 支付相同價格，但成果的可靠性、可近性、語言能力或維護品質提高；需有明確的品質調整。
3. 選擇集合擴張： 原本因距離、技能、時間或價格不可行的服務變得可行。此時沒有合理的舊價格可直接相減，不能假稱現金節省了某個任意金額。

第三類與 EWDT／CLATE [12][13] 所研究的可行集合擴張存在接口，但本篇只討論其如何成為家庭可取得的利益，不重新建立跨世界域的價值函數。

8.3 可負擔性還包括信用、流動性與制度權限

家庭可能知道某 AI 服務長期很划算，卻沒有現金預付高額設備或無法提供付款卡；其他家庭可能享有試用資格，但商用授權不允許接案；另有人能購入模型，卻缺少可靠上網、備援電力、專業資格與客戶入口。這些差異使「價格低於薪資」並非人人都能取得收益的充分條件。應將現金流動性、信用、付款基礎設施、平台限制與技術技能納入實質可達性。

8.4 數位價格下降與必需品購買力下降可以共存

一項 AI 工具免費，未必能補償失去的房租支付能力。相反，若 AI 顯著改善公共交通排程、基本教育服務或行政效率，家庭即使沒有新增工資，也可能降低必要生活成本。不同情境需透過具體服務及替代關係進行驗證，而非把消費者剩餘一律轉成一個缺乏可核對價格基準的「AI 全民分紅」。

8.5 福祉、自由時間與收入統計不能被單一尺度吞噬

例如，一名照顧者利用 AI 自動整理醫療預約資料，每週獲得更多陪伴家人的時間。這種效益對家庭可能很大，但並不直接增加該家庭的現金存款。另一名失業者可能有更多空閒時間，卻非自願，而且同時失去收入；不能單純將二者稱作相同的「釋放時間」。AICET-09 [10] 的多帳本可記錄體驗、關係與非市場價值，與本篇的貨幣分配分析平行存在。

9. 從所得分配到消費：邊際消費傾向是異質參數，不是 AI 定律

9.1 為什麼同額收入重新分配可能改變需求組成

新增收入落在具有流動性壓力的家庭時，可能有較大一部分用於償還必要帳單、補足食品、交通及照護支出；落在已有充分金融資產的家庭時，可能有較大一部分增加投資或儲蓄。這是值得比較的經濟機制，不意味所有低收入者必定立刻花掉所有收入，也不意味富裕家庭不會投入實體投資。

2026 年 10 月聯準會 SCF 研究 [27] 的貢獻，是提供同一受訪設計下不同收入與財富家庭的自述意向差異。它的限制也很清楚：對假設性一次性所得的回答，可能與真實持續收入、企業資本收益、代理兼職收入及不同國家的制度環境不同。若未來研究 AICET，應重新估計相關群體的支出反應，不能把該研究的百分比抄成全球「AI 收入消費函數」。

9.2 儲蓄不是需求消失的同義詞

家庭儲蓄可能經由銀行放款、資本市場、退休基金與企業融資，支援設備、住宅、公共及私人投資；也可能在特定金融危機、風險偏好或流動性條件下，未能快速轉成新的實體需求。研究應分辨金融資產交易、借貸、企業實際資本支出與最終商品服務購買。不能把「沒有立即買數位商品」視為永遠退出總體經濟，也不能把高股票成交額直接當作新增實體投資。

9.3 償還負債同樣有兩種時間效果

短期內，家庭用新增收入還債，可能減少當期可用於消費的比例；中長期則可能降低利息負擔、提高信用和未來消費或投資能力。若金融機構也因信用風險下降而增加放貸，結果不同；若整體經濟同步縮減槓桿，總需求亦可能承壓。這不是價值判斷，而是說明 AIPD 需要至少分開當期支出、存量資產負債與跨期反饋。

9.4 合成示意：總轉移額相同、消費效應不同

假設性思想實驗（SCN）：兩組各取得 1,000 單位新增可支配資源。A 組在研究期間將 300 用於新增消費，其餘用於儲蓄與還債；B 組將 100 用於新增消費，其餘用於其他配置。兩者的初期消費增加相差 200，但並不能據此認定 B 組的其餘資金永久沒有生產性用途。後續還須觀察銀行和企業是否將儲蓄轉為投資、是否發生進口購買、公共部門如何回應，以及整個價格與供給條件是否變動。

上述比例只是用於說明辨識邏輯的人為選值，不是 [27] 的統計結果、亦非本文校準的經濟參數；更不可直接由它推出某項政策的 GDP 乘數。

9.5 家庭智能收益不能只測量「額外零用錢」

實際家庭若以代理創收，收入來源可能是不規律的接案、產品版稅、訂閱、廣告、外包、成本節省，甚至與其他家庭共同提供服務。這類收入的穩定性、可預期性、退款風險及可保留比例不同於固定工資。研究應分開短期額外現金、可持續經常性收入、資本性收益、偶發交易及預期損失。這些差異可能決定家庭是否願意增加長期消費承諾，而不是單看當月銀行進帳。

10. 企業與機器作為需求端：委任市場的支付能力究竟從哪裡來？

10.1 AI 發出訂單不等於 AI 是最終消費者

一個企業採購代理可能向另一個家庭的程式修復代理下單；家庭的 AI 設計師可能向測試代理購買品質查核。交易介面雖然由機器操作，卻可能源於企業預算、家庭收入、客戶委託、公共採購或合法借貸。第八篇的三圖分離 [9] 要求尋找實際受益者、付款來源、法律責任與交付驗收，恰好可使「AI 在買」不被誤當成「AI 自己創造了新購買力」。

若未來出現制度上承認 AI 自身財產與契約能力的情況，需求方身份分類將需要更新；然而這仍不代表交易自動創造最終需要。某 AI 擁有支付權，也可能僅是在生產中間服務，其經濟價值仍依其與最終受益者、獨立需求及成本的關係判定。

10.2 中間需求與最終需求必須分開

當 AI 生產增加，模型推理服務、資料清洗、測試、儲存、電力及半導體設備等需求可能增加；某些中間投入原先來自人類服務，現在改由機器提供。中間採購活躍，不代表最終消費同速成長。研究可用產業投入產出資料追蹤最終用途，並避免把每一層中間採購加總成新的最終產品。

反過來，最終需求未擴張也不代表所有中間產業產值立即歸零：企業可能正在預期市場擴張、建造長期資本、擴展新產品或提高庫存；但這些投資的回報有可能落空。這正是為何「多建資料中心」與「一般家庭淨收益增加」之間需要實證橋樑。

10.3 客戶之間的代理互相採購可以有真實價值

假設（SCN）A 家庭代理為 B 公司的顧客提供合法語言服務，B 公司的採購代理依授權完成付款；A 家庭再向 C 公司的測試代理支付驗收費用。只要具備獨立需求、真實交付與合規結算，即使所有工作介面均是 AI，也可形成正常經濟服務鏈，不應僅因「沒有真人親手下單」而判定虛假。

另一種情況是 A、B、C 其實由同一受益所有者控制，只為製造收入紀錄而彼此付款，沒有可核實最終需求。這類循環交易和真實代理外包的關鍵差別，是最終控制、資金來源、可驗收用途與獨立風險承擔，不是表面上的代理數量。

10.4 「AI 買 AI 商品」能否長期支持新型經濟？

它可以在明確服務鏈中成立，例如模型服務商向安全檢查代理購買驗證，驗證代理再向資料供應商採購合法測試資料。但若市場主要靠補貼、平台獎勵或同一主體在多個錢包間無限互刷，且沒有獨立終端需求或可持續的投資理由，其長期生存就有疑問。研究應檢查外部資金依賴、內部淨額抵銷、用戶保留與退款、下游客戶受益和資本補助退出後的收支，而不是以高速金流宣稱新經濟已自行閉環。

11. 四種可能交錯的總體反饋迴路

本節的「迴路」是候選因果機制（HYP／SCN），並非聲稱它們必然存在或其強度可用單一數學係數描述。

11.1 迴路 A：普及—互補—新增需求

當可負擔的 AI 能力進入更多家庭與小型企業，部分既有工作效率上升、品質改善、原本不可負擔的服務變得可購買；新服務又可能增加專業工作、維護、資料治理及教育需求。若新增價值的一部分被廣泛分配到消費者、工作者與小型經營者，則可能反過來支持新一輪市場採納。這條迴路需要真實採納、合法交付、新需求、收益分配及可持續成本，而不是只要 AI 帳號增加就能成立。

11.2 迴路 B：替代—所得壓縮—需求調整

某些原本以人工勞動為主的服務被便宜 AI 替代，既有工作者薪資、接案單價或工時可能下降；若受影響群體又是相關消費市場的重要買方，需求可能受到壓力。但新的低價格、投資、轉職、出口及公共移轉亦可能緩和甚至逆轉這條迴路。應辨識其局部市場與時間窗，而非預設全球經濟走向單一崩潰路徑。

11.3 迴路 C：資本集中—儲蓄配置—投資或需求瓶頸

若生產收益更多落在資本所有者與少數高收入主體，某些商品的即期家庭消費增量可能相對較低；但同時更多資源可能用於資料中心、電力、研發、新公司或其他投資。資本能否有效轉化為未來新需求取決於回報預期、金融制度、競爭與資源瓶頸。這條迴路可以形成成長，也可以在過度投資、債務或需求預期失真時造成調整壓力。

11.4 迴路 D：平台集中—租金—進入與替代反作用

當模型供應、支付、排名、資料或交易入口被高度集中控制，代理供應者的毛收入即使提高，能保留的淨收益也可能被平台費、雲端價格及轉換成本侵蝕；另一面，可信平台亦可能降低交易風險、提高客戶需求。開源模型、共享算力、互通協定及競爭政策可能改變分配，但不保證成功。這條迴路銜接 AICET-13 的資本集中與社會反作用；本篇只分析可觀測的交易、租金與收益分配，不把全域企業當作已成立的世界事實。

11.5 非同步與跨市場反饋

四條迴路可能出現在不同產業、不同地區與不同時期。例如，數位設計價格迅速下降，但住房施工、照護與能源仍存在物理瓶頸；某家庭接案收入下滑，卻因教育工具改善而增加長期能力；企業 AI 投資成長，勞工薪資反應仍滯後。這些現象彼此不矛盾，因為產能、收入、價格與最終需求的調整速度不同。

12. 跨境 AI 經濟：全球服務能力不等於各地收益均衡

12.1 誰提供服務、誰實際收款可能位於不同國家

某家庭以本地設備接案，模型推理卻依賴境外供應商；向海外客戶收取外幣服務費，支付服務商再抽成、匯兌並扣除其他費用。名義成交價、實收本幣、地方生活成本與營利淨額可能相差很大。相反地，某家庭雖然不對外創收，仍可能透過合法的海外 AI 服務降低本地交易成本。

跨國比較須區分服務提供地、客戶所在地、算力供應地、智慧財產授權地、受益人稅務居民身份與實際成本承擔地。這些欄位不能僅從代理帳號所在地或社群語言判斷。

12.2 匯率與商品籃子差異

對一個以外幣接案的家庭而言，若本幣升值可能使同額外幣收入換回的本幣減少；但進口模型服務或設備成本也可能下降。不同消費籃子的實質效益仍須另外估算，不能假設匯率變化只往單一方向影響家庭。

12.3 跨境平台可能在全球提高可用性，又讓利潤流向少數地區

集中模型、資料中心與金融平台可能讓低資本個體迅速取得智能服務，也可能使大量當地付費流向外部資本所有者。IMF 2026 年亞洲分化研究 [30] 使用條件模型指出制度準備度、資本與技能差異可能造成跨國與國內的不同反應；它不是證明特定國家一定失利。AICET 需要同時測量本地使用效益、國內增加價值、對外服務支出與最終所得受益者，避免只憑國內 AI 使用率判斷國家已得到相同比例的經濟利益。

12.4 跨境制度不只是摩擦，也可能是信任基礎

可驗證的付款、消費者保障、資料權利、身分證明與爭端救濟，可能增加交易成本，也可能讓陌生地區之間的代理供需關係更可信。沒有證據時，不能把監管一律當作阻礙，也不能把所有制度要求當作福利改進。本文只主張：跨國代理交易需要正確記錄制度條件和其對收款、成本及需求的影響，後續法權門檻由 AICET-12 研究。

13. 公共部門、社會保障與非市場生產

13.1 公共採購是有效需求，但公共補助須分開記帳

政府透過合法採購購買 AI 系統、軟體開發、教育支持或公共服務，可能形成實際最終支出或相應資本形成；政府把現金補貼移轉給居民則屬收入再分配，居民使用後才可能轉成最終消費。兩種機制可以結合，卻不應在國民帳戶和代理收益帳本中混為單一「政府買 AI」的總量。

公共部門可以選擇直接提供公共計算與教育資源、補貼個體取得能力或採購民間服務。不同方案對受益群體、競爭、隱私、技術自主及公共財政的效果不同，需實證比較 [29]。AICET-11 不預設補貼必然導致依賴，也不預設私人供給自然比公共安排有效。

13.2 社會保障可能改變家庭的過渡風險

某些職業因 AI 任務重組而失去收入時，失業支持、教育訓練、可攜福利及法律救濟可能影響家庭是否能維持消費、轉職和長期投資。但這些制度具有財政成本、覆蓋問題與行為誘因，不能簡化成一句「全面發放 AI 分紅」。必須清楚區分誰支付、誰符合資格、資源從何而來、政策是否改變投資或就業，以及是否有實際的福利改善。

13.3 免費軟體、開放知識與互助活動仍可有社會效益

AI 原生工具可以協助翻譯公開知識、輔助無償研究、改善社群教學或維持公共數位資產；這些活動即使沒有直接收費，也可能降低他人進入成本，形成新的技術與教育可行集合。然而，不能為了展示「新增 GDP」，任意以私下猜測的市場價格把全部免費服務算進核心帳戶。可使用衛星帳、非市場績效指標及長期公共結果等方式補充，並符合 2025 SNA 的適用規範 [26]。

13.4 人類與 AI 的長期關係不以盈利為成立條件

一個家庭可能用 AI 支持孩子學習、照顧者安排或共同創作，願意支付續存與記憶維護費用，即使代理無法為家庭帶來任何外部銷售。AICET-09 [10] 已將這類關係性資源承諾作為獨立研究對象。本篇延伸指出：當越來越多家庭把部分收入用於非市場代理服務時，這仍然是有經濟意義的需求與資源配置，但不表示 AI 必須先獨立賺錢，才具備被人重視的理由。 至於 AI 是否具有自身福利利益，不能由人類付款意願直接推定。

14. 對策不是唯一答案：分配與需求制度的條件性比較

14.1 可能介入的不同層級

上表是研究議程（NOR／SCN），不是對所有國家提出同一套應即刻實施的政策。治理應因法律制度、財政能力、地方勞動市場、技術供應與民主正當性而異。若要比較效率和公平，必須先確認目標衡量與付出的代價，不應只選對某方案有利的指標。

14.2 市場競爭與資源分配不必天然互斥

更多競爭可能降低價格、增加選擇，同時使某些生產者毛利下降；針對受影響群體的支持可能幫助轉型，也可能因設計不當造成依賴或保護低效供給。研究可比較哪些制度組合同時維持創新、消費者利益與可持續的家庭生計，而不是先預設「市場足夠」「政府足夠」或「某企業足夠」其中之一為萬用答案。

14.3 代理的可稽核性可能本身是一種分配制度

如果訂單、付款、合約、退款及最終受益可追溯，家庭較有機會確認自己應收的報酬，避免平台費與代轉付款被混算。這是工程上可測的分配品質，不等於只靠紀錄便能解決所有不平等。高品質稽核亦會增加成本及涉及隱私，應以最小必要、受授權與可撤銷方式設計。這一點與 AICET-07 的契約治理、AICET-08 的三圖聯查，以及 B04 的責任域有直接接口 [8][9][15]。

15. 五種條件性經濟演化情境

以下均為 SCN，不是歷史預報、固定年份或已驗證的模型預測。實際經濟可以跨產業混合多種狀態，也可能在短期波動後重組。

15.1 情境 A：廣泛可達、分散受益與新需求形成

低成本模型與可攜工具進入多數家庭；大量微型經營者能合法提供利基服務，專業學習與新市場不斷出現；企業將部分成本節省轉為降價、員工報酬或新投資，家庭的實質購買力因而改善。關鍵可驗條件是不同分位數的可支配資源、品質調整後消費可達性、工作再配置及長期淨收益同步改善，而不只是代理數上升。

15.2 情境 B：廣泛使用但資本與渠道收益高度集中

大部分家庭都能接入 AI，但真正有效率的算力、客戶渠道、模型訓練、支付與資料服務由少數供應商控制。多數家庭作為消費者受惠於低價，作為勞動者或接案者卻可能收入停滯；資本擁有者取得相對較多報酬。是否降低整體需求，仍取決於實質價格、投資及政策反應。區別證據是家庭收入分位數、中位數、平台淨抽成、服務品質與家庭支出籃子的同步觀測。

15.3 情境 C：供給激增、價格競爭與需求滯後

越來越多代理能大量生成同質化內容或標準服務，客戶預算與注意力短期並未擴張；平均接案單價下滑、流量分散、服務提供者退出。部分客戶因低價受惠；部分供應者失去生計，平台可能仍依據交易費或注意力取得收入。需要辨識究竟是短期價格調整、新市場尚未出現，還是長期真實需求不足，不能把一次平台繁榮或低潮當作永久新均衡。

15.4 情境 D：多部門重組、非市場價值大幅上升

AI 對家庭學習、照護、創作與行政的支持顯著改善生活，外部代理現金收入卻沒有同幅度增加；更多人降低無償家務負擔或取得原本不可得的服務。若只看家庭額外收入，會嚴重低估某些效益；若把全部省時折算成工資，又會誇大可用購買力。驗證需要同時使用經濟收支、服務取得、品質、個人選擇與非市場福祉指標。

15.5 情境 E：投資過熱、調整與制度再分配

企業對資料中心、晶片、電力與代理平台預期過高，可能在短期推動投資與上游收入；若需求未達預期，則面臨資本折舊、融資風險與調整，進一步影響受雇家庭與供應鏈。這種修正也可能促進新商業模式、降價或政策調整，並非任何企業擴張都必然失敗。需要同時追蹤設備投資、利用率、實際服務營收、融資條件與國內外需求，而不是用股價波動代替實體經濟結果。

15.6 情境對照總表

16. 十二項可反駁假說（HYP）

本節各假說均為尚待設計與執行的實證命題。每項須在研究預註冊時指定任務、市場、時間窗、測量誤差與控制條件；若出現零效果、相反方向或場域不適用，應修訂適用域，而非事後改寫分組以強迫支持結論。

H01｜有效 AI 可達性擴大不保證家庭淨收入同幅增加

預測： 在相同期間內，擁有相近代理存取權的家庭，因任務選擇、技能、需求、治理負擔與合法營業資格不同，外部代理淨收入呈現顯著異質性，且存取增長率不會在所有分組與所有任務上等比轉成淨收入增長。觀測： 可達性六維、BTWC 驗收、外部付款、全成本、家庭收入變化。可否證結果： 若跨市場、跨分位數的資料顯示可達性本身對淨收入有近乎穩定、充分且普遍的預測力，其他變量沒有新增解釋力，則本文強調的獨立轉換門檻需縮減。限制： 零收入可能源於家庭原本不想創收，不可直接判為技術失敗。

H02｜智能資本與互補資源的初始分布影響收益集中

預測： 在控制任務類型與實際需求後，擁有合法資料、成熟工作流、長期客戶關係及較佳治理能力的家庭，可能比只有名義 AI 訂閱的家庭取得更高的可保留收益。觀測： 初始家庭資產、可動員資本、技能、訂單流與淨收益分位數。可否證結果： 若同等 AI 能力下互補資源對收益無新增影響，或在重要市場呈反向關係，本機制需限制或改寫。限制： 相關性可能源於原有家庭財富和教育差異。

H03｜毛 A2A 交易量與最終需求可能明顯脫鉤

預測： 在多層委任或關聯控制的代理網路中，毛支付事件增長率可能遠高於對獨立最終客戶的淨銷售額增長率，尤其在存在內部服務路由、平台補貼與循環付款時。觀測： 最終控制方、付款來源、發票、退款、最終用途、合併抵銷。可否證結果： 若同類市場的絕大部分新增代理付款均對應可確認的獨立最終需求，且合併抵銷後與毛額相差甚小，脫鉤命題在該適用域就不成立。限制： 不可因存在中間交易便先將其認定為虛假或違法。

H04｜高度可替代服務的供給激增可能造成個別提供者價格壓力

預測： 對品質高度可比較、買方需求短期有限且搜尋成本低的某些服務，AI 新供給增加可能使品質調整單價與部分既有提供者之淨收益下降。觀測： 平均與中位價格、交付品質、客戶數、成本和新供給進入率。可否證結果： 若控制品質、排序、需求及宏觀景氣後，價格和典型供應者收益普遍不降反升，則該市場不符合本機制。限制： 總消費者利益可能與提供者收益朝相反方向變動。

H05｜沒有外部創收的家庭仍可能取得可測實質利益

預測： 在某些指定生活與工作任務中，AI 可用性改善可使家庭以較低實際總成本取得相同或更佳的可驗收結果，即使其外部收入沒有增加。觀測： 隨機分配或可信對照的服務成本、品質、投入時間、錯誤與生活結果。可否證結果： 若計入訂閱、設備、監督及風險後，多數相應任務的完整成本不降且品質無改善，命題在該適用域不成立。限制： 不用市場收入替非市場效益強制標價。

H06｜數位服務降價不能充分預測家庭整體購買力變化

預測： 在必要生活支出佔比高的家庭群體中，AI 服務價格下降的正面效果可能因工資損失、住宅與其他必要支出變化而被抵銷。觀測： 個別家庭的用途別價格籃子、必要支出、工資、實際收款與不自願減少消費。可否證結果： 若數位服務價格本身就能在多地有效預測多數家庭的總體實質可支配能力，其他支出與收入變化不重要，本篇的多籃子口徑需調整。限制： 不可拿某一低收入家庭的案例推斷所有經濟體。

H07｜收益落點可能影響短期家庭消費回應，但不是總需求的全部

預測： 在相同形式、風險和時期的新增可支配資源衝擊下，不同流動性與財富群體的新增消費反應可能存在可測差異，進而改變市場需求構成 [27][28]。觀測： 真正收到的代理收入、家庭支出與還債、儲蓄配置、投資以及時間窗。可否證結果： 若在適當隨機或可信識別下，各家庭群體的消費傾向高度一致，則不能用所得群體差異解釋相關需求變化。限制： 即期消費下降不等於整體投資與未來需求一定下降。

H08｜原有工資變化與新增代理收入須共同觀察

預測： 部分家庭即使從代理接案得到新增收入，其原先人類工作收入也可能因價格競爭或工時重組而下降；單看代理收入將高估整體家庭收入改進。觀測： 基準就業、薪資、接案淨額、工作時數、家庭合計及風險調整。可否證結果： 若代理採用對原有收入未形成任何可測替代、或在多數子群體呈高度互補，則替代效果應限制於受影響任務。限制： 須避免以自我選擇採用造成的差異當作因果。

H09｜平台與模型成本將影響毛收益轉成可保留淨收益的比例

預測： 在品質和需求相近的代理業務中，平台費、算力租金、驗證與切換成本增加可能降低個別家庭的淨收益保留比例，但較高品質平台也可能提高成交量。觀測： 平台計費明細、價格、成交、品質、退款及總成本。可否證結果： 若相關費用與家戶保留收益之間在可信識別下沒有預期作用，或平台品質增益系統性超過成本，則需修正簡單租金侵蝕假說。限制： 不將所有平台收費當作無效轉移。

H10｜持續代理經濟的需求依賴品質、治理與真正買方，而非機器活躍度

預測： 相較僅以互動數和生成量衡量的供應者，具可核實外部客戶需求、驗收、授權及退款處理能力的代理經營者，在觀測期可能有較高的可持續淨收入與留存。觀測： BTWC、獨立買方、付款完成、外部需求復購、毛收入及稽核後淨額。可否證結果： 若大量純內部活動無需獨立需求或受益仍能長期支持真實外部淨收入，本篇對需求真實性的操作定義需重新檢驗。限制： 公共服務及無償互助不能被錯判為無價值。

H11｜制度與互補能力可能調節 AI 收益對社會分配的影響

預測： 在可比技術衝擊下，較易取得訓練、合法支付、基本數位資源、競爭渠道或適當收入保障的家庭與地區，可能有不同的創收、轉職及實質消費反應。觀測： 制度覆蓋、實際使用、區域就業／所得面板、服務品質及政策成本。可否證結果： 若可靠的對照顯示制度差異對分配與需求沒有實質影響，則不能把該政策選項當本篇的必要機制。限制： 不能以存在政策文字推定它已有效實施。

H12｜代理經濟成長可能呈非同步、非單調與混合型路徑

預測： 在實際採用擴張期間，某些產業的 AI 任務量、企業投資與模型費用可能先上升，而家庭淨收入、價格與實質需求在不同時間窗甚至呈相反方向；擴散與需求迴路可出現脈衝、調整與反彈。觀測： 連續價格、職位、投資、家庭實質所得、代理活動及政策事件。可否證結果： 若跨產業跨地區資料始終顯示相同固定比例、同步且單調的各層變化，分層動態研究價值需縮減。限制： 「非線性可能」不能被當作不受任何數據反駁的萬用說法；必須事前限定事件和方向。

16.13 假說檢驗的一項不可省略規則

若某假說支持者只能用「真正成熟 AI 尚未出現，所以任何反例都不算」回避所有結果，該命題便尚未具有可實作的實證範圍。AICET 要求研究者事前記錄模型版本、任務類型、成本、樣本來源、期限與最低可觀測差異。零結果、相反結果和資料缺口需要公開，而非被誤標為研究成功。

17. 三種互補實證研究方案

以下均是 PROPOSED／NOT_RUN。本文沒有實際招募受試者、取得家庭財務資料、執行真實代理交易，也沒有完成任何隨機對照或國家級因果研究；研究設計不得在後續引用時被寫作實際發現。

17.1 研究 A｜家庭代理收益與購買力長期面板

研究目的： 檢查 AI 從「能使用」至「能治理」、「能創收」、「能維持實質購買力」的不同轉換，並辨識不同所得、財富、技能與家庭結構的分布差異。

候選樣本： 在得到適當倫理審核及同意後，招募不同收入、年齡、家庭組成、工作與模型使用程度的家庭；包括完全不使用 AI、主要作為消費者使用、無市場收入但持續使用、以及合法對外接案者。不能只從 AI 技術社群與成功接案者取樣。樣本量應依事前功效分析決定，不能將任意的小樣本宣稱為代表全國。

觀測時間： 候選的追蹤窗口為 6–12 個月或涵蓋可辨識技術與政策改變的較長期間；只是研究設計選項，不是已知家庭 AI 經濟會在此時長達成穩定的事實。

資料： 除必要的分位數、收入組成與支出總額，記錄 AI 接入、運算成本、經合法同意的任務驗收、外部付款、退款、原有薪資變化、可比服務價格、家庭必要商品籃子和非市場效益量表。盡量不收集完整聊天紀錄、銀行原始流水或敏感客戶資料。

識別與限制： 長期面板適合描述異質變化，卻不會自動消除自我選擇；應預註冊控制變數、報告退出樣本差異及不確定性。若觀測到代理使用者收入較高，仍可能因他們本就有較高專業能力或既有客戶。研究結果應同時報告有無收入家庭，不能把退出或營利失敗者從資料集中剔除。

主要輸出： 家庭新增 AI 支出、可核實外部淨收入、原本薪資變化、實質生活購買能力、可選擇時間及非市場效益的多帳本資料；分位數效果與不確定區間。

17.2 研究 B｜受控代理經濟實驗與分配條件比較

研究目的： 在有限、合法、可恢復的環境下，辨識 AI 存取權、治理訓練、渠道可達性及交易需求對家庭成果與實際支出決策的不同作用。

候選設計： 隨機分配可比較 AI 使用資源、訓練或低風險代理工作流，設立必要的基準組；對不可由受試者自行承擔的支付或法律風險使用模擬交易，不讓代理在未經批准下對外簽約。部分任務可以有經同意的真實小額、有明確驗收和付款規則的合法服務，以便觀察現金收入與模擬選擇之差距。各組的補償與實驗負擔需要公平，避免讓脆弱家庭為了研究承擔不可承受的經濟損失。

變量： 任務品質、完成率、人工監督時數、有效外部付款、平台費、選擇使用 AI 的意願、對不同用途的預算配置、實質服務取得，以及既有工作時間有無受影響。

測量風險： 一次性研究補償不等於可持續代理商業收入；研究者付錢購買受試者服務可能創造實驗性需求，不能直接當作自然市場需求。應將研究補償、真正外部客戶付款與模擬預算嚴格分帳，並記錄可能的需求誘導與學習效應。

可辨識結果： 能測試在同一資源和任務條件下，取得 AI、獲得治理技能、擁有銷售渠道或面對不同價格，哪個因素更能解釋合格交付與可保留收益；但短期實驗不代表多年總體均衡。

17.3 研究 C｜產業與地區的多層需求衝擊研究

研究目的： 將家庭微觀結果與企業投資、產業價格、就業、平台費及公共移轉連起來，測試局部效率改善究竟如何進入總體需求、資本回報與勞動市場。

候選資料： 可取得的產業收入／價格序列、企業採用與雇用資料、地區所得與支出統計、投入產出關係、公共採購、進出口、平台抽成與 AI 服務成本。將 AI 事件（模型推出、費率調整、政策變更、平台規則更新）作為可能的外生變化線索，但不能假設任何事件天然滿足外生性。

識別方法： 視資料品質使用事件研究、差異中的差異、適當的對照產業、合成控制或經明確理由支持的工具變數；需要檢查平行趨勢、共同衝擊、政策同時變動、產業外溢及估計的可比性。跨市場代理可同時影響處理組和對照組，違反無干擾假設時必須改用可處理網路外溢的設計，而不是假裝實驗分配獨立。

主要比較： 數位內容供給衝擊與低可見度 B2B 工作流、低替代／高互補產業、不同平台鎖定程度地區、AI 服務主要進口或主要出口的地區，以及公共保護政策差異。

不能聲稱： 若只觀測一個平台交易額與城市 GDP 同時增加，便證明 AI 提高地區 GDP。需要排除景氣、人口變化、總投資與其他技術因素，以及中間交易的重複計數。

17.4 三項研究分工與必要交叉驗證

研究 A 提供家庭長期異質性與收支記錄，研究 B 對特定微觀機制提供較強的因果識別，研究 C 則檢查產業與地區的後續需求反應。三者互補但不可互相冒充：即使研究 B 在某任務發現效率提升，也無法自動替研究 C 生成總體價格、工資及政府支出反應；即使研究 C 觀察到 GDP 增加，也不能推出每名受試家庭的福利都改善。

18. 資料字典、實驗驗收與保護原則

18.1 最小資料字典（DEF；非強制產品規格）

此處的 btwc_case_id 沿用 AICET-05 正式 BTWC（Beneficiary-Traceable Work Case） 的工作案身份概念；若既有系統使用其他欄位名稱，應透過明確的 schema migration 保持可追溯性，避免重複工作案鍵。

18.2 四個研究驗收門

1. 來源門： 來源有日期、文獻版本、資料權限和適用範圍；外部研究不假裝是本篇的田野結果。
2. 核算門： 嚴格分離活動、交付、毛收入、成本、淨收益、資產負債移轉、價格利益、最終需求及非市場結果。
3. 因果門： 比較條件事前可解釋，對可能的選擇偏誤、共同趨勢、網路外溢、風險與多重檢定作合理處理。
4. 治理門： 家庭、員工、客戶和平台使用者的資料最小化、存取控制、撤回程序及研究結果保護，均依適用制度完成。

18.3 不可為了研究完整性而要求完整監控

資料收集應避免索取完整私人對話、詳細銀行明細、未經授權的客戶檔案或 AI 系統機密憑證。可使用經同意的去識別化任務總結、模擬資料、可重現的合成帳本及實際付款的有限查核。合成資料只能測試算術一致性、資料管線與研究流程，不可被當成對現實家庭的實證支持。涉及弱勢家庭、未成年人或敏感資料時，需要更嚴格的倫理與安全程序。

18.4 報告中必須保留的負結果

研究者應事前明定停止條件、失敗事件及主要結果指標，並保留收入未增加、成本增加、拒絕購買、無真實需求、技術故障、平台封鎖、家庭成員不同意等情形。若 AI 代理活動造成詐騙或未授權付款，不能把違規收益當成正向商業創新，也不宜為了取得實證而放任真實交易傷害。

19. 與 AICET、CLATE、EWDT、B04 的研究接口

19.1 本篇獨立的新增問題

AICET-05 問「AI 替這個委託人究竟賺到什麼」，AICET-08 問「多代理付款的法律與受益鏈是否可信」，AICET-10 問「新增供給在單一市場為何可能得不到注意與交易」，而 AICET-11 問「整個社會的不同家庭和組織如何得到收益、擁有購買力，並將其轉成後續需求」。這不只是將既有三篇串起來；它新增分配層級、跨市場購買力、最終需求與總體反饋，且保持同一實證嚴格度。

19.2 對於「每人都能生產，還有誰買」的正式回答

這不是一個只能由「全部產物最後賣不掉」回答的悖論，也不能由「AI 會自己互相買」簡單化解。有人會購買，是因為他在某個時點對某種成果有需求，並能以工資、營業所得、財產、貸款、公共服務或其他合法資源取得它；有些買方是企業或政府，購買可能用於投資、公共服務或中間生產。有些 AI 供給可以降低成本，使需求擴張；有些供給只是在既有有限市場中重新分配交易；另有供給可能完全不被吸收。研究的重點不是用一句「供給創造自己的需求」或「所有工作都消失」預先斷言，而是把需求來源、收入歸屬、價格、信用、儲蓄、投資及政策回應逐一查核。

19.3 微觀與總體可能各自正確，但命題不相同

即使單一家庭的 AI 業務真的產生可核實正淨收益，也不能推出所有家庭的代理收入同時增加；同理，即使某產業中位數接案收入下降，也不能不查消費者利益、新產業及公共服務便宣稱整體社會淨價值下降。分配研究不是把局部成功平均放大，也不是把局部失敗擴張為文明必然終局。

20. 限制、反例與使理論必須修訂的條件

20.1 當前最重要的資料缺口

首先，AICET 尚未有代表性長期家庭代理人、真實客戶交易與政府國民帳戶三層可連接的實證資料。不同國家對家庭小額創收、非正式就業、稅務及平台付款的統計涵蓋不一，可能使新收入低估或重複計算。其次，某些代理任務的驗收品質、監督負擔與失敗風險並無通行標準；不同模型版本的成本與能力變化也很快。再次，抽取自平台使用日誌的資料不等於所有家庭的活動，且並不直接包含薪資、購物或真實社會福利。

現有 IMF、Fed、ILO、NBER 與 OECD 文獻提供的是分配通道、先前研究的局部證據與成熟的分析約束，而不是 AICET-11 已完成的新家庭代理經濟試驗。本文的 BDA 和 AIPD 名稱只應作為候選可操作架構，須經外部驗證後才可能提升為穩定模型。

20.2 競爭解釋與重要反例

• 全球數位產能迅速增長，但家庭收入不變： 可能是企業保留效益、降價、工資滯後、需求未擴張或核算誤差，不能只選一種解釋。
• 名義薪資下滑，但實質生活可達性改善： 可能因商品價格大幅下降或公共供給改善；需要品質與必要消費籃子證據。
• 資本所得集中，而總體投資強勁： 可能支持企業與公共資本形成，不能自動將集中視為總需求必然下降。
• 家庭代理付款激增，但外部消費沒有同速增加： 可能是中間投入、內部轉帳、平台補貼或新資本投資，需要三圖與國民帳戶核查。
• 部分家庭沒有 AI 卻受惠： 例如向下游購買更便宜的服務，表明「直接使用率」不足以代表全部福利分配。
• AI 使用普及但未能賺錢： 可能是家庭本就選擇非市場使用，亦可能是供給缺少客戶、產品品質不足或法律限制，不能只從零收入推論無價值。
• 高度代理自主帶來巨大服務供給，卻增加欺詐／垃圾資訊： 供給量與社會淨福利可能反向，風險與第三方損失必須列入。

20.3 應使 BDA 修訂的結果

若經過實際家庭、企業和平台的多層資料檢驗後，單純觀察銷售額就能穩定且完整解釋誰取得資本、勞動、價格及公共效益，而受益者對照沒有提供任何新增識別價值，BDA 應精簡或被取代。若證明所有可辨識 AI 產能效益均被同一類主體完全取得，則亦應縮小其他分配途徑的適用說明；不能因本篇偏好多元情境而拒絕資料。

20.4 應使 AIPD 修訂的結果

若在大量獨立經濟體、長時間窗及不同產業中，AI 產能、家庭名義所得、實質購買力與最終需求呈近乎固定比例同步變化，且本篇列出的儲蓄、投資、價格、公共移轉與跨境機制不增加解釋力，則多閘門架構的必要性應重新評估。反過來，若 AI 產出主要停留在少數內部用途、幾乎沒有對外經濟活動，則本篇應被限制為「尚未充分進入市場的前置研究」，而非強稱成熟 AI 經濟已形成。

20.5 因果推論不得借口歷史尚未完成而永久不可證偽

未來可能發生與現在不同的技術、制度或法律變化，因此現有樣本無法證明所有未來情境；但不能因此把所有當下可測的假說寫成不受反例挑戰的預言。研究者必須明確說明本輪資料在哪些任務和時段有效，並公開報告錯誤、零效果、失敗與未執行部分。

21. 結論：AI 生產力的社會問題，終將落到誰能支配價值與誰能形成需求

第一，家庭 AI 普及與家庭智能收益普及不是一回事。 模型、算力、工具、數位身份與代理工作流的取得，仍需經過有用成果、真實需求、合法交易、全成本核算及具體收益歸屬，才可能變成家庭可保留的市場所得。AICET-01 至 10 已分別處理這些局部關口；本篇則揭示它們如何在異質家庭和總體市場中進一步分化。

第二，更多人有生產能力不意味所有人同時能以相同價格出售。 有些市場可能因供給膨脹而壓低單價與典型供應者收入；有些市場可能因品質提高、成本下降、利基配對或新服務而擴張；部分家庭也可能完全不做市場交易，卻獲得生活效益。需求不是同一個平台的點擊數，也不是一筆由 AI 自動轉帳就能創造的貨幣。

第三，收益如何被分配，與社會如何持續購買存在反饋關係。 勞動報酬、資本收益、平台收入、公共移轉與價格利益落在不同主體，可能改變家庭支出、儲蓄、借貸及企業投資。但國民經濟需求不只有家庭當期消費，儲蓄也不必然消失；政策與跨國交易可能改變整體結果。任何把「集中」直接推成「崩潰」，或把「算力進步」直接推成「全民繁榮」的推理，都缺少中間變數。

第四，實質購買力與社會生活價值必須分開、再互相對照。 一個家庭可能沒有賺到更多現金，卻以更低價格取得高品質教育、創作或照顧支持；另一家庭可能 AI 營收增加，卻因職業替代與必要生活費上升而處於更大風險。把全部生活改善折成現金會失真；不看價格與實際收入也會失真。

第五，AICET 的核心是可檢驗的制度過渡，而不是預設世界的唯一終局。 本篇提出 BDA 與 AIPD Circuit，目的在於讓研究者對「誰賺錢、誰有購買力、誰購買及誰受益」留下具體的觀測與反例條件，而不是為 AI 經濟創立尚無證據支持的普適因果方程。

因此，本篇對最初問題的簡明答案是：如果更多家庭都能利用 AI 生產，仍可能有家庭、企業、公共部門與海外市場購買具有獨立需求的成果；也可能有大量內容因供給擁擠而缺乏可持續買方。決定兩者差異的，不是代理數量本身，而是價值、價格、所得、權利、投資與需求如何形成並在社會中重新分配。

接下來的 AICET-12《代理經濟責任域與制度過渡門檻》，將在本篇的分配與需求成果上，研究經濟代理的權限、保險、稅務、爭端救濟、公共制度與可能的法權變化。AICET-13 至 14 的算力集中與全域企業仍為後期延伸，不提前作為本篇的必然前提。

參考文獻與研究來源

文獻紀律： [1]–[15] 為 EveMissLab／AICET 既有作者理論文件與研究綱領，不冒稱已經過外部同儕審查；[16]–[32] 為外部研究、官方資料及經濟核算標準。引用截至 2026-10-28 可核對的公開版本。本文對外部文獻的概括只限其研究對象與方法；來源的情境模擬、用量等價值及意向調查不可被轉寫成所有家庭已發生的現金收益。

[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，EveMissLab，2026-10-27。Canonical file: 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》，AICET-01 v0.1，EveMissLab。Canonical file: 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》，AICET-02 v0.1，EveMissLab。Canonical file: 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》，AICET-03 v0.1，EveMissLab。Canonical file: 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》，AICET-04 v0.1，EveMissLab。Canonical file: 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》，AICET-05 v0.1，EveMissLab。Canonical file: 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》，AICET-06 v0.1，EveMissLab。Canonical file: 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》，AICET-07 v0.1，EveMissLab。Canonical file: 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》，AICET-08 v0.1，EveMissLab。Canonical file: 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》，AICET-09 v0.1，EveMissLab。Canonical file: 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] Neo.K with GPT-6（2026）。《代理供給擁擠、注意力競爭與市場退出》，AICET-10 v0.1，EveMissLab。Canonical file: AICET_10_代理供給擁擠注意力競爭與市場退出_v0.1_2026-10-28.md。

[12] Neo.K with GPT-5.6 Sol（2026）。《算力租賃與新型智能勞動市場》，CLATE-06 v0.1，EveMissLab，2026-09-30。Canonical file: CLATE_06_算力租賃與新型智能勞動市場_v0.1_2026-09-30.md。

[13] Neo.K with GPT-5.6 Sol（2026）。《智能資本、有效 AI 可達性與世界域分岔》，EWDT-22 v0.1，EveMissLab，2026-10-07。Canonical file: EWDT-22_智能資本有效AI可達性與世界域分岔_v0.1_2026-10-07.md。

[14] Neo.K with GPT-5.6 Thinking（2026）。《個體機構化：AI 增幅型單核複合機構與人數—產能脫鉤》，RCFB 整合修訂版 v2.0，EveMissLab，2026-07-27。Canonical file: 個體機構化_AI增幅型單核複合機構與人數產能脫鉤_RCFB整合修訂版_v2.0.md。

[15] 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》，B04 v0.1，EveMissLab，2026-09-11。Canonical file: B04_Power_Responsibility_Rights_Governance_Triangle_v0.1_2026-09-11.md。

[16] Cazzaniga, M., et al. (2024). “Gen-AI: Artificial Intelligence and the Future of Work.” IMF Staff Discussion Note, SDN/2024/001, 14 January 2024. https://www.imf.org/en/Publications/Staff-Discussion-Notes/Issues/2024/01/14/Gen-AI-Artificial-Intelligence-and-the-Future-of-Work-542379 . DOI: https://doi.org/10.5089/9798400262548.006 .

[17] Rockall, E. J., Tavares, M. M., & Pizzinelli, C. (2025). “AI Adoption and Inequality.” IMF Working Paper, 4 April 2025. https://www.imf.org/en/publications/wp/issues/2025/04/04/ai-adoption-and-inequality-565729 .

[18] Fan, R. Y., & Nguyen, H. M. (2026). “Aggregate Gains from AI and Their Distribution: Global Evidence from Usage Data.” IMF Working Paper 2026/147, 10 July 2026. https://www.imf.org/en/publications/wp/issues/2026/07/10/aggregate-gains-from-ai-and-their-distribution-global-evidence-from-usage-data-577586 . DOI: https://doi.org/10.5089/9798229051279.001 .

[19] Jaumotte, F., et al. (2026). “Bridging Skill Gaps for the Future: New Jobs Creation in the AI Age.” IMF Staff Discussion Note, SDN/2026/001, 14 January 2026. https://www.imf.org/en/Publications/Staff-Discussion-Notes/Issues/2026/01/09/Bridging-Skill-Gaps-for-the-Future-New-Jobs-Creation-in-the-AI-Age-572136 .

[20] International Labour Organization & NASK (2025). “One in four jobs at risk of being transformed by GenAI, new ILO–NASK Global Index shows.” ILO, 20 May 2025; reporting on Generative AI and Jobs: A Refined Global Index of Occupational Exposure. https://www.ilo.org/resource/news/one-four-jobs-risk-being-transformed-genai-new-ilo%E2%80%93nask-global-index-shows .

[21] Acemoglu, D., & Restrepo, P. (2019). “Automation and New Tasks: How Technology Displaces and Reinstates Labor.” Journal of Economic Perspectives, 33(2), 3–30. https://doi.org/10.1257/jep.33.2.3 .

[22] Autor, D. (2024). “Applying AI to Rebuild Middle Class Jobs.” NBER Working Paper 32140, February 2024. https://www.nber.org/papers/w32140 . DOI: https://doi.org/10.3386/w32140 .

[23] Humlum, A., & Vestergaard, E. (2025; revised March 2026). “Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI.” NBER Working Paper 33777. https://www.nber.org/papers/w33777 . DOI: https://doi.org/10.3386/w33777 .

[24] Bick, A., Blandin, A., Deming, D. J., & Schumacher, T. R. (2026). “What Work Does Generative AI Do?” NBER Working Paper 35677, August 2026. https://www.nber.org/papers/w35677 . DOI: https://doi.org/10.3386/w35677 .

[25] OECD (2026). Artificial Intelligence Markets: Recent Developments and Competition Issues. 10 July 2026. https://www.oecd.org/en/publications/artificial-intelligence-markets_d531d73f-en.html . DOI: https://doi.org/10.1787/d531d73f-en .

[26] United Nations Statistics Division (2025). System of National Accounts 2025 (implementation resources and searchable edition). https://unstats.un.org/unsd/econstats/national-accounts/Sna/ .

[27] Aladangady, A., Bricker, J., Chang, A. C., Goodman, S., & Li, G. (2026). “Heterogeneity in the Marginal Propensity to Consume among U.S. Households.” FEDS Notes, Board of Governors of the Federal Reserve System, 9 October 2026. https://www.federalreserve.gov/econres/notes/feds-notes/heterogeneity-in-the-marginal-propensity-to-consume-among-u-s-households-20261009.html .

[28] Board of Governors of the Federal Reserve System (2025). “Wealth Heterogeneity and Consumer Spending.” FEDS Notes, 5 August 2025. https://www.federalreserve.gov/econres/notes/feds-notes/wealth-heterogeneity-and-consumer-spending-20250805.html .

[29] Brollo, F., et al. (2024). “Broadening the Gains from Generative AI: The Role of Fiscal Policies.” IMF Staff Discussion Note, 17 June 2024. https://www.imf.org/en/Publications/Staff-Discussion-Notes/Issues/2024/06/11/Broadening-the-Gains-from-Generative-AI-The-Role-of-Fiscal-Policies-549639 . DOI: https://doi.org/10.5089/9798400277177.006 .

[30] Che, N. X., Xin, W., & Yoshida, T. (2026). “AI and Economic Divergence in Asia.” IMF Working Paper, 7 August 2026. https://www.imf.org/en/publications/wp/issues/2026/08/07/ai-and-economic-divergence-in-asia-578491 . DOI: https://doi.org/10.5089/9798229054348.001 .

[31] Luduvice, A. V. D., & Pinheiro, R. B. (2026). “AI-Augmented Capital-Skill Complementarity.” Federal Reserve Bank of Cleveland Working Paper 26-22, 4 September 2026. https://www.clevelandfed.org/publications/working-paper/2026/wp-2622-ai-augmented-capital-skill-complementarity . DOI: https://doi.org/10.26509/frbc-wp-202622 .

[32] Brynjolfsson, E., Chandar, B., & Chen, R. (2026). “Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence.” Stanford Digital Economy Lab, revised 12 August 2026. https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-effects-of-artificial-intelligence/ .

附錄 A｜假設性跨代理交易鏈帳務核對範本（非真實資料）

情境（SCN）： 客戶（獨立主體）支付 1,000 單位，委託家庭提供合法且驗收通過的成品。該家庭再向兩個彼此獨立的供應商購買實際需要的中間服務。資料僅為演示對照的候選欄位，不是會計準則或實證結果。

最低查核： 顧客是否獨立、是否具有真實需求、交付是否驗收、退款是否完成、供應商費用是否已經包含其他中間成本、各主體最終受益權是否清楚、人工時間與模型租金是否仍須計入。這個表不應直接加總成 1,400 或據此計算 GDP；內部移轉也不能當新增所得。

附錄 B｜家庭雙重身份收支的示意對照（非真實資料）

此例的設計目的不是將各列任意相加得到「AI 造成的家庭福利」，而是揭露同一家戶的名義收入、代理毛收款、淨成本、特定品項價格利益及其他生活費用可能同時改變。即使能計算期別差額，因果歸因仍須對照基準與實際價格品質資料。

附錄 C｜預註冊與原稿完整性檢查表

• 研究任務、市場、法域與觀測期間已明定。
• 研究假說標示 HYP，並可觀察到使假說失敗的情境。
• 已保留無代理收入、代理失敗與負收益家庭，而非僅挑選成功案例。
• 清楚區分名義／實質、毛收入／淨額、現金／應計、所得／財產及價格／福利。
• 清楚區分中間交易、最終需求、轉移支付與金融資產交易。
• AI—AI 交易的最終委託者、受益者及付款來源可查核。
• 企業投資、政府支出、進出口沒有被當成零。
• 家庭資料收集有同意、保護、撤回與最小必要原則。
• 選擇偏誤、失訪、價格品質、景氣與網路外溢有處理或揭露。
• 對應的既有 AICET 文稿不被重述為已經完成外部實證。
• 本篇新增的 BDA／AIPD 均標示為候選操作框架，不冒充普適定律。
• 所有數學採唯一 canonical delimiter：inline $...$；display $$...$$，無混入替代樣式。
• 正式提交的 UTF-8 原始檔已在磁碟完整重讀、檢查篇號與參考文獻，並保存 SHA-256 驗證值。

原稿完成聲明： AICET-11 v0.1 是可獨立閱讀的概念研究論文原始稿。文內假說、跨市場推論、候選方法及合成算例均未被誤標為完成驗證的實證成果。未來修訂須以新的 source 版本保存，並逐條標示經驗檢查結果與證據變動，不以聊天畫面的公式渲染作為 canonical manuscript。