機器可見，而人類未必認識：雙重受眾的資訊識別落差

從 AI 爬取、來源引用與品牌辨識的分離，到 Agentic Web 中資訊供給者的雙重可見性

英文題名： Machine Visibility without Human Recognition: The Dual-Audience Information Identification Gap in the Agentic Web
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： 01 / 12
文件編號： EML-AIEC-2026-01
研究命題與案例提供： Neo.K
AI 協作整理： 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
性質： 概念研究論文／可操作測量框架／探索性個案說明
原始格式： Canonical UTF-8 Markdown
研究狀態： 形式化與可反駁假說已提出；尚非經獨立採樣完成驗證的實證論文

作者： Neo.K

摘要

傳統網路資訊經濟往往將網站流量、搜尋曝光、外部引用與品牌知名度視為相關的成長訊號。此一聯繫在以人類瀏覽、點擊與記憶為主要入口的網路環境中具有部分合理性；但隨著 AI 爬蟲、生成式搜尋、檢索增強生成（RAG）、資料索引器及持續型 Agent 成為重要資訊接觸者，資訊的取得者、答案的形成者、內容的最終使用者與來源品牌的辨識者可能不再是同一個主體。因此，機器端內容接觸量可以持續成長，卻未必形成同比例的人類直接訪問、主動品牌識別或公共討論。

本文提出「雙重受眾資訊識別落差」（Dual-Audience Information Identification Gap, DAIIG）作為一個待檢驗的分析概念，主張對資訊供給者至少應分別測量機器端可發現性、人類端來源識別與人類社會性認知，而不能以單一網站訪客數、AI 引用數或品牌聲量互相替代。本文將內容流動拆解為「請求—有效讀取—可能的處理與保留—可觀察引用—來源名稱呈現—人類接觸—記憶與認知—後續使用」等可分離的觀測階段，指出不同階段具有不同的證據條件，且不必然依固定順序實現。

研究以 EveMissLab 網域清單的探索性觀察為起點：2026 年 10 月的 Cloudflare 管理介面快照中，unboundedaxiom.org 顯示約 71.3k 不重複訪客，17 個網域的介面顯示值加總約 168.29k；網站經營者同時估計部分網站的人類實際訪客每日僅約十人。這些資訊呈現可能的「機器接觸高、真人知名度低」落差，但未經伺服器日誌、已驗證機器人分類、真人訪客調查及跨網域去重，不能將管理介面數字直接判定為 AI 爬蟲、模型訓練量或真實人類受眾規模。

為使概念可檢驗，本文提出雙受眾的非替代性指標框架、四象限類型、最低資料字典、時間序列研究程序與可推翻原命題的反證條件。本文尤其拒絕兩種對稱錯誤：其一，將大量機器讀取直接推論為模型高度採納或高經濟價值；其二，因缺乏可見的人類引用及品牌討論，就把大規模機器內容接觸視為沒有資訊意義。本文主張在未知、滯後與潛在使用未被充分測量時，應保存各階段的證據邊界，而不是以單一流量指標替代完整的資訊世界狀態。

本文的貢獻是建立 AI 時代網站「雙重受眾」的研究入口，為本系列後續 AIO／GEO 邊界、資訊付費、注意力收斂、平台經濟及 B／C／A／G 多主體經濟關係研究提供可區分、可記錄與可修正的觀測語法，而不是提前宣稱 AI 經濟總量或世界域轉化的最終方向。

關鍵詞： AI 爬蟲、機器可見性、來源識別、品牌知名度、生成式搜尋、幽靈引用、雙重受眾、Agentic Web、可觀測性、資訊投影、經濟世界域轉化

0. 研究定位與非主張

本篇是十二篇研究系列的第一篇，先建立現象、分離變數、觀察邊界與驗證方法。經濟付費與授權機制留給第 02、06 篇；注意力供需與平台競爭留給第 03–05 篇；九／十六主體矩陣留給第 07–09 篇；文明尺度動態耦合留給第 10–12 篇。本篇不企圖一次完成整個系列。

本文不主張：

Cloudflare 所稱「不重複訪客」皆為人類或皆為 AI；
AI 爬蟲數量越大，資訊品質必定越高；
成功 HTTP 請求等於頁面正文被完整取得、解析、理解或保留；
被檢索或引用必然等於進入基礎模型訓練資料，更不等於模型參數權重可由此反推；
沒有外部人類討論就代表沒有任何人知道來源；
大量機器請求必然產生經濟收入，或未來必然轉化為授權收入；
被 AI 引用必然使人類記住作者、機構與品牌；
機器可見性和人類可見性必然負相關；二者也可能同步成長；
所有內容領域面臨相同的 AI 流量、引用與品牌轉換機制；
人類的認知、點擊與社群討論是資訊價值唯一合法的衡量方式；
本文已經從單一站群案例識別 AI 導致知名度不足的因果效果；
各種自動化流量都可藉現有分類器可靠辨識；
對任何平台或爬蟲的意圖、訓練採用情況及內部權重作無資料支持的推定。

本文的最低主張是：

當資訊來源同時面向人類與機器時，機器端內容接觸、可見的引用、人類接觸、來源名稱記憶及社會性知名度，應被視為不同的觀測量；除非另外建立轉換證據，不得直接互相推出。

這是一個可逐步驗證的測量主張，而非「AI 一定使網站失去真人讀者」的單向預言。

1. 問題起點：同一網站可能具有兩種截然不同的受眾狀態

1.1 傳統網站指標的直覺

在一般網路經營實務中，管理者常以訪客增加、搜尋收錄增加、外部連結增加及品牌搜尋增加作為「網站受到更多注意」的證據。這些指標並非沒有價值，但它們對應的是不同的活動：一筆流量可以是搜尋引擎機器人更新索引，也可以是真人快速查看文章；引用可以是 AI 在答案中附上來源，也可以是研究者在論文中主動評論某項理論。

當網站的受眾主要是人類時，這些活動可能有較明顯的共同變化趨勢。當網站面向機器讀者後，原本看似相近的指標就可能解耦。

1.2 從站群觀測出現的疑問

本研究的探索性材料來自研究者於 2026 年 10 月提供的 Cloudflare 網域列表與經營者自身估計。相關摘要如下。

網域或項目	介面顯示或提供資料	認識地位
`unboundedaxiom.org`	約 71.3k 不重複訪客	Cloudflare 網域介面快照中的顯示值
`evemisslab.com`	約 30.9k	同上
`efficientnewlanguage.org`	約 18.25k	同上
`agiright.org`	約 18.23k	同上
17 個列示網域總和	約 168.29k	逐網域顯示值相加；未跨網域去重
部分研究網站的人類實際訪客	經營者估計約每日 10 人	個人估計，非經獨立驗證的分析數值

方法限制： 原始提供資料為管理介面文字摘錄，未連同足以核對的事件級伺服器日誌、機器人識別詳表、時間窗、網站 JavaScript 分析及真人抽樣調查，因此不應把上述數字改寫為「已確認 7 萬 AI 訪客」或「99% 為 AI」。17 個網域相加也不能代表 168.29k 位彼此不同的真實個體；「不重複訪客」甚至可能是以平台所能觀察到的網路識別訊號近似計量，與真人身分不同。

Cloudflare 官方 Analytics 文件指出，部分自動化請求、威脅或擷取部分內容的機器讀取可能被列入訪客計數；而依 JavaScript 觸發的其他分析工具，不一定記錄相同的流量。換言之，不同測量工具之間的數字差異可能是分類與觀察面不同，不必然是其中一方計算失誤［E1］。

1.3 真正的研究問題

上面案例不只是「哪個網站有真人」的經營問題，而是：

一個資訊來源能否在機器端形成顯著接觸與可發現性，卻未在相同時間尺度內形成對應的人類品牌識別、主動搜尋與公共討論？若可以，如何辨識它只是測量假象、暫時滯後，還是相對穩定的資訊經濟結構？

此問題不要求預設 AI 爬蟲是「真正的消費者」，但要求承認機器端資訊活動不能直接被縮寫為人類瀏覽量。

2. 最小分類：資訊供給至少存在四種不同的接觸者或角色

本文不把所有請求硬分為「真人」與「機器人」兩種，而先區分不同的操作角色。

角色類別	典型活動	主要可見證據	不可直接推出
人類直接瀏覽者	閱讀網頁、下載、回訪、訂閱	JavaScript 事件、日誌、訪談、抽樣調查	一次訪問即構成長期認知
傳統搜尋或一般自動化讀取者	索引、監測、掃描、測試	驗證過的爬蟲身分、請求模式	都是 AI 訓練或推理需求
AI 相關機器讀者	搜尋索引、候選資料收集、使用者觸發擷取	已驗證的機器人與用途分類、請求內容	請求必定進入模型權重
人類委託的 AI Agent	代表使用者閱讀、摘要、比較、操作介面	委託權限記錄、代理執行紀錄、工具日誌	帳號屬於人類就等於人類親自操作

上述角色不是完整本體分類，也不一定互斥：某個 Agent 使用人類帳號、透過普通瀏覽器讀取網站，可能被部分流量統計歸入真人活動；同一名人類也可以在一天內直接閱讀、委託 Agent 及使用生成式搜尋。

因此，後續經濟研究需要保留「主體身分、行為執行者、委託來源、資訊取得路徑」的差異。本篇僅建立必要區分，不展開第 09 篇的身份歸因模型。

3. 雙重受眾資訊識別落差：概念定義

3.1 兩種受眾不是兩個互不相干的世界

本文以機器受眾 $M$ 與人類受眾 $H$ 表示資訊接觸者的兩種分析投影。此處 $M$ 代表機器端操作或資訊管線， $H$ 代表實際人類接觸與認知；它們是活動角色，而非互斥的存在本體類別。

對網站或資訊來源 $s$ ，在觀察期間 $t$ ，定義：

\mathbf V_s(t)=\bigl(M_s(t),H_s(t),K_s(t)\bigr).

其中：

$M_s(t)$ ：機器端有效接觸的多維觀測表示；
$H_s(t)$ ：人類端實際接觸與來源識別的多維觀測表示；
$K_s(t)$ ：可觀察的後續採用、依賴、授權或其他成果，不以金錢作唯一尺度。

這三者是向量或觀測族，不應在未指定單位與權重前任意相加為一個「網路影響力分數」。

3.2 將「可見性」分成至少三個獨立量

機器可見性（Machine Visibility）：網站內容對機器資訊管線的可達程度、有效擷取程度、被索引或列入檢索候選的程度，以及在可觀測範圍內被引用的程度。機器可見性不能只由請求數衡量。

人類來源識別（Human Source Identification）：人類在接觸資訊結果時，是否識別出內容來自特定網站、作者或機構。它不同於點擊行為，也不同於是否認同該來源。

人類社會性認知（Human Social Recognition）：人類是否能在沒有即時提示的條件下認出或回憶來源，以及是否產生自發搜尋、公開評論、推薦、合作或其他可觀察的社會關係。它通常需要調查或可信的行為證據。

因此，一個來源可以高度可被機器擷取，卻具有低度的人類主動品牌記憶；相反地，一個閉鎖社群中的知名品牌，也可能很少被公開爬蟲擷取。

3.3 識別落差的定義

在指定任務、領域、樣本與時段內，若一個來源的機器端可見性顯著高於事先定義的基準，而其人類來源識別或社會性認知未呈現對應提高，本文稱其呈現候選的「雙重受眾資訊識別落差」。

DAIIG_s(t;\mathcal Q,\mathcal P) =\bigl(M_s(t;\mathcal Q),\,H_s(t;\mathcal P)\bigr).

其中 $\mathcal Q$ 為指定機器查詢與接觸任務集， $\mathcal P$ 為指定人類樣本與問卷／觀測條件。此表示刻意採成對狀態，而非強行相減成一個量，因為機器請求與人類記憶不具有天然相同單位。

一個研究者若要主張「落差擴大」，須先指定兩個指標的可比化方式、基準期、觀測樣本及不確定區間，不能只將任意請求數除以估計真人數。

4. 從機器請求到人類認知：一條不可任意跳階的證據鏈

機器端活動與人類知名度之間存在多個中介環節。以下為分析用階段圖，不是宣稱所有 AI 產品都依照相同固定流程運行。

[網站內容存在]
        |
        v
[機器請求發生] ──> [有效回應／內容取得]
        |                       |
        |                       +──> [可能的索引／保留／候選資料處理]
        |                                        |
        |                                        v
        |                             [可能被檢索或使用]
        |                                        |
        |                                        v
        +--------------------------> [可觀察引用／來源連結]
                                                 |
                             +-------------------+------------------+
                             |                                      |
                             v                                      v
                      [人類看到內容]                        [人類沒看到來源]
                             |
                             v
                     [能否辨識作者／品牌]
                             |
                             v
                      [記憶／主動搜尋／討論]

每一個箭頭都應被視為需要證據支持的候選關係，而不是邏輯必然關係。內容可能透過其他搜尋引擎、社群分享、直接輸入 URL 或離線管道到達人類；模型也可能產生品牌提及而沒有來源連結。

4.1 八種常被混同的事實

被請求（Requested）：伺服器接到 HTTP 請求。
被成功取得（Retrieved）：回應符合事先指定的成功與內容條件。
被處理（Processed）：解析、切分、清洗、特徵擷取等內部處理；通常無法由外部日誌直接確認。
被保留（Retained）：資料留在索引、快取、訓練候選或其他儲存結構；同樣需要額外證據。
被檢索／引用（Retrieved for Answer / Cited）：內容或 URL 出現在指定 AI 回答中，可透過重複抽樣觀察部分結果。
來源被明確命名（Named）：回答正文提到作者、機構或品牌名稱，不等於只有腳註連結。
人類識別與記憶（Recognized / Recalled）：人類能把資訊與來源對應起來。
被實際採用（Used / Adopted）：被納入研究、決策、系統或交易；不要求一定有公開引用。

不可將第 1 階段直接推出第 4、6 或 8 階段，也不可僅憑第 6 階段未被觀察到，就斷言第 2、3、4 或 8 階段必然不存在。

4.2 被引用卻不被提名

2026 年 6 月，Semrush 與 Kevin Indig 合作分析 115 組提示詞、14 個國家、四種 AI 搜尋介面，共記錄 3,981 次網域出現情形。研究報告指出，其中約 61.7% 是「具有來源連結、卻沒有在正文提及品牌名稱」的情況；另約 13.2% 同時有引用與品牌提名，約 25.1% 僅有品牌提名而未引用［E2］。

這個研究支持「來源引用與品牌提名是不同事件」的觀察。不過其分母是研究者選取提示詞下的「網域出現」，而不是全網所有 AI 答案、所有使用者或所有網站。因此不能把 61.7% 直接當成普遍性的 AI 品牌遺忘率，也不能由此證明任何特定來源遭受相同影響。

4.3 人類看見 AI 答案，不等於點擊來源

Pew Research Center 於 2025 年使用 900 位美國成年人同意提供的瀏覽資料，分析約 68,879 次 Google 搜尋。其觀測發現：有 AI 摘要的搜尋，點擊傳統搜尋結果的比例約為 8%，沒有 AI 摘要時約為 15%；而點擊 AI 摘要所列來源的比例約為 1%［E3］。

這個結果顯示來源資訊可以在搜尋介面中被呈現，卻很少導致直接點擊。但這是觀測性資料，不能把兩組搜尋的差異全部歸因於 AI 摘要；提示詞類型、查詢目的及其他因素也可能不同。更不能把「沒有點擊」直接等同於「沒有人閱讀、學習或記住來源」。

5. 為什麼機器接觸與人類知名度可能分離？

5.1 需求主體與直接資訊使用者分離

傳統資訊傳播經常假設同一個人同時搜尋、閱讀、選擇來源與形成記憶；AI 服務可能把這些工作拆開：機器先閱讀多個來源，使用者只接受整合後的答案。因此來源即使在資訊供應過程中參與，仍不一定進入人類注意力前景。

此一分離不依賴 AI 具有法律人格或完全自主目標；即使它只是替人類完成一個查詢任務，也足以改變來源接觸的結構。

5.2 資訊價值與身份訊號分離

一個內容來源可能被使用，是因其具備特定公式、規格、記錄、論證或資料；但生成式回答可能只需要呈現有效內容，而不需要把品牌本身當成回答主題。

相反地，在推薦某家企業、比較產品或評估供應商時，品牌名稱本身就是問題對象。因此不同查詢目的下，引用與品牌提及比例有理由不同；這是需要用跨領域資料比較的機制假說，不應預先推廣到所有領域。

5.3 接觸成本與記憶成本的非對稱

機器管線可以在不要求人類逐頁打開的條件下接觸許多頁面；人類卻仍面臨有限時間、注意力及記憶選擇。即使 AI 將來源連結列出，人類也未必有需求逐一閱讀。大量機器取得與少量人類主動記憶，因而不構成邏輯矛盾。

這裡只指出機制差異，不預先宣稱人類的總資訊消費量必然下降。AI 可能同時增加人類可處理的資訊量。內容供給膨脹與注意力收斂的宏觀問題將由第 03 篇處理。

5.4 品牌是社會記憶，不只是可連結地址

網站地址被收錄、名稱出現在工具目錄，意味它可能具有「可發現」的條件；但人類記得品牌，通常還涉及重複接觸、來源身份一致性、信任、社會推薦與任務關聯。

品牌認知的測量實務也區分未提示回憶（unaided awareness）與提示辨識（aided awareness）。兩者皆不同於一次網站訪問，更不同於爬蟲請求［E4］。

5.5 既有平台的路由效應

AI 生成式介面可以把原本分散的網頁資訊整合為單一回答面；這可能降低人類逐站導航的必要性，也可能在某些專業研究情境中提高原始論文的可發現性。兩種效果的淨值需按任務、領域、介面與使用者類型測量。

因此，本篇並不預設 AI 與原站流量完全替代，也不預設 AI 一定替網站增加曝光。

6. 四象限模型：機器可見性與人類識別度沒有固定同向關係

以事先定義的機器可見性與人類社會性認知基準，建立探索性 2×2 類型。

	人類識別度相對低	人類識別度相對高
機器可見性相對高	I. 機器可見、品牌未顯：本篇核心待驗情況	II. 雙端可見：機器容易接觸，人類也認識來源
機器可見性相對低	III. 雙端低可見：資訊尚未有效傳播，或刻意不公開	IV. 社會可見、機器難讀：人類口碑／封閉社群強，公開機器取得弱

這些象限是相對於指定樣本與時間窗的操作性類別，不是任何網站永久不變的本體身份。

象限 I 的經濟可能性

內容被大量讀取、索引或作為候選資料，但真人不直接訪問原站；
專業資訊對機器任務有價值，人類使用者只關心答案；
專案被第三方目錄收錄，卻缺乏獨立人類評論；
存在大量重新抓取或掃描，造成「高機器活動」的表象，卻沒有實質資訊需求。

最後一種是重要的反例。象限 I 不代表自動具有高內容品質或高經濟價值。 判別必須再看請求有效性、內容覆蓋率、來源多樣性與使用延續性。

象限 II 與 IV 的必要性

若只研究機器端高流量、低品牌識別，容易忽略「人類仍然可能形成強社群知名度」的反方向情境。象限 II 可作為部分對照組，象限 IV 則提醒研究者：公開爬蟲能否取得內容，未必決定線下、封閉社群及付費社群中的真實聲譽。

7. 大量 AI／機器讀取本身有沒有資訊意義？

7.1 否定無意義，也拒絕直接等同採納

本文採取雙重界線：

第一，規模化機器讀取本身可以是重要的資訊活動訊號。 已驗證的獨立機器系統，若長期成功取得大量不同內容，反映至少存在相應的網路、計算、傳輸或索引作業。當規模增加到數百萬甚至上億筆有效內容讀取時，研究者不能只用「不是人類」就把該活動排除。

第二，這個訊號有多大價值，不能只用 HTTP 請求次數判定。 自動重試、快取失效、路由錯誤、重複頁面、敵意掃描、流量偽造或低效率擷取，都可能造成較高的請求數；某些重要資料也可能只需被讀取一次就發揮高度價值。

因此，機器活動的研究單位應逐漸從「總請求」提升為「經驗證的實質內容接觸」。

7.2 最低有效接觸組合

建議同時記錄以下六個量，而不預設固定加權公式：

\mathbf M_s(t)=\bigl(R_s,U_s,D_s,P_s,C_s,L_s\bigr)_t.

$R_s$ ：經身份與類型驗證的機器請求量；
$U_s$ ：成功取得且去除明顯錯誤回應後的內容取得量；
$D_s$ ：不同機器來源或營運者的多樣性；
$P_s$ ：成功接觸的實質不同內容物件數；
$C_s$ ：內容覆蓋程度及重複接觸分布；
$L_s$ ：跨期存續、重新訪問與內容更新的時間關係。

其中， $U_s$ 仍只可觀察外部成功回應，不能證明遠端模型「理解」內容； $D_s$ 需要可信身分而不能只依 user-agent 字串； $P_s$ 需要內容正本 ID 與 canonical URL； $L_s$ 要控制內容更新節奏與網站本身可訪問性。

7.3 不同 AI 管線的需求不能混算

Cloudflare Radar 2025 年度分析將部分 AI 爬蟲活動按訓練、搜尋及使用者觸發存取等用途區分，並另外保留不明用途；不同用途的流量分布與時間趨勢也不同［E5］。

這個分類支持本篇採用「用途分離」，但任何公開的 bot 角色標籤都不等於完整的遠端實際使用日誌。某爬蟲被標為訓練相關，並不能推斷該網站的某篇內容已進入最終訓練集。

8. 可觀測性與投影問題：統計數字究竟觀察到什麼？

8.1 同一世界，可以投影出不同的數字

既有《經濟世界域轉化論》將經濟世界狀態表示為包含對象、關係、類型、合法性、歷史、可行集合、意圖與觀測的動態結構［T1］；《經濟投影失真論》進一步指出，低維指標的相同不必然代表底層世界結構相同［T2］。

本篇把這個思想限定在網站資訊觀測：

Y^{traffic}_{s,t}=\pi_{traffic}(W_{s,t}),

Y^{recognition}_{s,t}=\pi_{recognition}(W_{s,t}).

$W_{s,t}$ 表示指定網站在時段 $t$ 的資訊活動狀態。兩個投影測量的是不同性質：前者偏向存取紀錄，後者偏向人類對來源身份的辨識與記憶。

當：

Y^{traffic}_{A,t}=Y^{traffic}_{B,t},

不代表：

Y^{recognition}_{A,t}=Y^{recognition}_{B,t}.

反方向同樣不成立。兩個品牌具有接近的知名度，也可能有完全不同的機器存取結構。

8.2 不可辨識不等於不可研究

如果只擁有 Cloudflare 訪客數，可能存在多個符合相同顯示值的世界：大量真人閱讀、搜尋爬蟲重新索引、AI 資料擷取、惡意掃描，或上述混合。

這表示單一觀測不足以辨識機制，不是「經濟世界不可測量」。補上伺服器日誌、內容級請求、來源識別、使用者回訪與品牌調查，就可能縮小仍然相容的候選世界範圍。

我們因此不追求無限制收集資料，而是依任務尋找能區分替代解釋的最低觀測集合。

9. 實證研究設計：如何真正量測雙重受眾落差？

9.1 最小資料表結構

建議將下列資料表獨立保存，避免事後只剩單一流量 KPI。

資料表	核心欄位	用途
`request_events`	時間、來源網域、路徑、回應碼、大小、內容類型、快取狀態、機器身分信心	觀察機器與人類可疑／候選請求
`content_objects`	canonical ID、類型、更新時間、內容雜湊、對應 URL	估計真正不同的內容覆蓋量
`crawler_identity`	供應商、用途標籤、驗證方式、分類可信度、未分類狀態	避免以自稱身分替代驗證
`ai_answer_samples`	平台、時間、提示詞、語言、地區、URL 引用、品牌提名、回答快照	觀察引用與品牌呈現
`human_sessions`	有同意／合規前提的頁面事件、回訪、來源、裝置類型	估計人類接觸，保留統計限制
`brand_recognition`	調查樣本、未提示回憶、提示辨識、曾使用與否	直接測量人類識別
`third_party_discourse`	非自有頁面、作者獨立性、是否實質評論、引用與發表時間	區分索引頁與公共討論

資料收集應遵守隱私、網站條款與研究倫理；研究不需要取得個別使用者可識別身分，應以最小必要、匯總與匿名化為原則。

9.2 四種重要的對照

對照 A：同一網站的時間變化。 固定內容分類，追蹤機器成功讀取、AI 回答引用、真人回訪與品牌搜尋在多個月份的變化；避免把單期流量誤判為趨勢。

對照 B：同樣內容規模、不同宣傳程度的網站。 比較已投入人類社群或影音宣傳的來源，與主要依賴公開研究內容索引的來源；以內容更新頻率、網域年齡、語言、主題與網站可用性作基本控制。

對照 C：同一來源的不同資訊任務。 比較一般知識問答、學術文獻檢索、產品推薦及開發者 API 查詢，觀察來源引用與品牌提名是否依任務改變。

對照 D：跨平台重複抽樣。 不把單一 AI 模型或單次答案視為穩定結果；記錄模型、日期、地區、提示詞、生成隨機性與來源變動。

9.3 2026–2028 年的研究時間窗

本研究建議自 2026 年第四季起建立按月或按季的縱向資料，延伸到 2027–2028 年。這是觀測窗口，不是聲稱某一年必然發生經濟轉折。

期間若出現 AI 搜尋介面更改、平台修改爬蟲用途、出版策略改變、付費授權導入或網站大幅改版，都必須在資料中標註結構斷點，以免把測量系統變化誤當成市場行為變化。

10. 候選研究假說與反證條件

H1｜受眾非同步假說。 在資訊密集、以供應原始知識為主的網站中，經驗證的機器有效接觸可以顯著增加，而人類未提示品牌回憶不出現同步增幅。

支持證據：在控制內容新增、搜尋排名及人類宣傳等因素後，機器有效接觸上升而人類回憶長期維持低位，且統計誤差不足以解釋落差。
反向結果：同類網站中，機器接觸與人類來源識別穩定同步增長，且沒有足以區分的非同步群組。

H2｜引用—命名分離假說。 在解釋型與研究型問題中，AI 提供來源 URL 的機率與直接在正文提及供給者名稱的機率不同，且差異與查詢目的相關。

支持證據：預先註冊的跨平台提示詞試驗中，兩個結果具可重複的系統性差異。
反向結果：在充分控制查詢類型、品牌熟悉度及內容類別後，兩種結果沒有可辨差異。

H3｜訪問數不足假說。 單一總請求或總訪客指標，對 AI 來源使用與人類品牌記憶的預測力，弱於增加成功內容覆蓋、訪問用途及獨立受眾調查後的模型。

支持證據：具獨立測試集的預測比較顯示多維指標有穩健的增量資訊。
反向結果：在足夠多領域及樣本下，增加分層資訊不改善預測，或改善幅度低於預先設定的最低實質門檻。

H4｜延遲與異步吸收假說。 機器內容接觸增加，與之後的人類品牌認知或第三方討論之間可能存在時差，但時差長度依領域及用途不同。

支持證據：具時間標記的縱向觀測中，存在可辨識且跨樣本穩健的先行／滯後關係。
反向結果：經足夠長的觀測後並無此一關係，或方向在控制宣傳等共同原因後消失。

H4 絕不能以「未來總有一天會發生」維持不可反駁。時間窗、效果門檻與測量方法應在實證研究開始前註冊。

H5｜大規模機器接觸之異質價值假說。 同樣的成功讀取量，因內容獨特性、重複請求、涵蓋範圍、機器來源獨立性及使用任務不同，可對應不同程度的可觀察後續使用。

支持證據：在請求量相當的群組中，內容結構與來源多樣性對後續檢索或引用具有增量解釋力。
反向結果：上述變數無法區分後續使用，且結果跨時段穩定。

這些假說並不預設都會被證實，也不要求同一領域中全部成立。

11. 替代解釋、混淆變數與研究風險

11.1 高機器流量的替代來源

機器讀取增加可能來自合理索引需求、內容更新、網站檔案量較大、重複失敗後重試、外部連結增加、網路威脅掃描、特定程式的排程錯誤、商業爬蟲或 AI 模型服務。若不處理這些替代機制，將無法解釋「大量機器請求」的經濟含義。

11.2 人類低訪問的替代來源

人類低訪問可能來自尚未進行宣傳、語言與區域限制、研究主題小眾、頁面使用性、搜尋結果無點擊、人工讀者透過外部平台閱讀摘要、統計工具漏記，或只是網站尚未累積足夠的出版歷史。

其中某些因素與 AI 搜尋無關，不能全部歸因於 AI。

11.3 同步變動不構成因果

假設 AI 爬蟲流量與網站流量同時增加，可能是內容新增引起兩者，並非 AI 爬蟲帶來真人。同理，真人訪問減少而 AI 引用增加，也可能共同受到搜尋演算法改版或季節變化影響。

要辨識 AI 的因果效果，應尋找合理的對照、可解釋的介入與足夠的時間序列，而不是只靠同時期方向相反的折線圖。

11.4 AI 可替人類操作，令二元分類更困難

未來人類委託 Agent 可能使用圖形介面而非專用 API，因此單靠請求標頭、OAuth 登入或粗略的「AI 味」不足以推定操作來源。行為特徵可以協助機率分類，但不保證能完全辨識；反過來，某些人類寫作風格也可能被錯誤標示為 AI。

本篇僅要求保留「未知」「混合」「委託執行」等分類狀態，不提供規避平台防護或偽裝真人的實作策略。詳細的經濟活動歸因保留至第 09 篇。

12. 與既有經濟世界域轉化理論的接口

12.1 本篇不是新母理論

《經濟世界域轉化論》既有正式原稿使用英文 Economic World-Domain Transformation Theory，縮寫 EWDT［T1］。本輪口述也曾使用 EWOT；在未取得原始作者對英文名稱的正式統一版本前，本文引用既有母論時保留其已發表文件的 EWDT 編號與拼寫，不自行更動正本。

EWDT-02 強調統計指標與完整世界狀態之間的投影差異；EWDT-13 將平台、資訊網路與供應鏈視為中觀經濟路由結構；EWDT-16 已將全球數位與 AI 基礎設施納入超宏觀耦合的研究對象［T2–T4］。

本篇的研究貢獻是在這些既有結構中，補上一種具體的資訊觀測接口：機器端取得與人類端來源識別應被分別測量。

12.2 從資訊接觸到經濟價值的轉化缺口

本篇不直接對大量爬取賦予貨幣價格。它僅指出：

\text{Observed Access}\not\Rightarrow\text{Recognized Source},

\text{Recognized Source}\not\Rightarrow\text{Paid Adoption}.

反方向亦沒有必然蘊涵。來源可能在未得到人類品牌認知的情況下被功能性使用；是否產生可交易價值，需考慮權利、需求、替代性、支付者與市場制度。

這些更進一步的條件，將由本系列第 02 篇與第 06 篇展開。

12.3 不把局部研究冒充世界域完整模型

本篇只處理資訊經濟的一個局部觀察問題，並不試圖把 9／16 類別、整體 GDP、勞動分配、國家政策與全球市場一次納入單一函數。局部研究的價值在於建立能被後續世界域研究合法引用的資料類型與邊界，而不是聲稱已建出完整經濟模型。

13. 研究結論

本文由一個具體但證據有限的網站流量案例出發，提出 AI 時代資訊來源可能具有雙重受眾：機器端大規模取得與人類端實際認知，可能在數量、用途、時間尺度及後續經濟結果上彼此分離。

此一分離至少帶來四項研究要求。

第一，必須分開觀察機器資訊活動與人類品牌認知。 即使兩者具有關聯，也不可因為其中一種數值很高，便宣稱另一種必然同樣很高。

第二，大量機器接觸有資訊意義，但不具有固定價值換算率。 已驗證、長期、跨來源且覆蓋實質不同內容的機器讀取，比單純的總 HTTP 請求更接近可分析的資訊需求；即便如此，仍不能證明最終訓練採納、模型依賴或付款。

第三，沒有公開的人類討論不等於沒有人類需求，也不等於機器需求沒有價值。 反過來，第三方目錄或 AI 答案的引用，也不能代替未提示品牌回憶、真正的外部討論與後續使用證據。

第四，AI 時代的資訊影響力不是單一數字。 原始內容供給者可能不以大眾知名度為主要價值實現方式，但其實際經濟地位仍需透過持續使用、授權關係與可觀察的後續效果加以確定。

因此本文提出以下總結命題：

在機器讀者與人類讀者並存的網路環境中，資訊來源的可被取得性、可被使用性、可被署名性與可被人類社會辨識性，可以沿不同路徑演化。將這些路徑過度壓縮為單一流量、引用或知名度指標，可能遮蔽正在生成的新型資訊經濟關係。

這不是網際網路經濟已經完成轉型的證明，而是一項應以持續觀測、資料拆分、對照實驗與反證程序推進的研究命題。

附錄 A：最低可重現研究工作流

建議先以三個月試跑建立基線，而非立即發布「網站有多少 AI 使用量」的結論。

鎖定口徑與時間窗： 保存平台報表名稱、時區、統計區間、截圖或匯出資料及網域清單。
分層日誌： 區分請求、成功回應、正文類型、canonical 內容物件與重複抓取。
分類與不確定性： 區分已驗證 AI bot、其他已驗證 bot、疑似自動化、疑似真人與不可分類流量；保留未知類別。
機器端抽樣： 固定領域與提示詞，重複觀測各 AI 平台的來源 URL 與品牌提名，完整保留採樣日期。
人類端抽樣： 以合法、自願的受眾調查區分未提示回憶、提示辨識、曾經閱讀及實際使用。
跨期比對： 比對機器內容接觸與人類識別的同步性、時差及可解釋的共同變數。
發布證據等級： 分別標示已核驗資料、間接證據、經營者估計、研究假說與未觀測部分。

任何公開圖表均應明確標記其分母：請求、成功回應、不同 URL、內容物件、來源引用、平台答案、人類受訪者或經濟交易。不同分母不得直接互換。

附錄 B：研究用語與證據等級

證據等級	名稱	使用條件
E0	命題／假說	由理論推導、尚無直接資料
E1	個案觀察	有當事人資料或截圖，但缺少獨立驗證
E2	已核對操作資料	可以確認數值來源、分母、時窗及方法
E3	可重複跨樣本證據	多時段、多來源或對照資料支持，且標明適用域
E4	具有可靠因果辨識的證據	有可信的隨機化、自然實驗或其他足以支持特定因果識別的設計

此等級是本文建議的研究管理語法，並非對科學證據的普遍唯一標準。EWDT 論文本身為理論前置，與外部實證證據類別不應混淆。

參考資料

A. 外部研究與技術資料

［E1］Cloudflare. A quick overview of Cloudflare Analytics（官方 Analytics 文件，2026 年 10 月核對）。說明 Cloudflare 訪客量與 JavaScript 型網頁分析可能因 bot、威脅或部分內容擷取而呈現不同口徑。
https://developers.cloudflare.com/analytics/faq/about-analytics/

［E2］Loktionova, M., Semrush 與 Kevin Indig. (2026-06-09). Why 62% of AI citations don’t lead to brand mentions [Study]. 報告以 3,981 次網域出現、115 組提示詞、14 國及四個 AI 介面區分引用與品牌提名；資料為研究業者公布，應保留抽樣限制。
https://www.semrush.com/blog/the-ghost-citations-study/

［E3］Pew Research Center. (2025-07-22). Google users are less likely to click on links when an AI summary appears in the results. 依 2025 年 3 月美國樣本瀏覽資料研究搜尋結果與來源點擊；屬觀測關聯分析。
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/

［E4］Qualtrics. How to Measure Brand Awareness. 區分 aided 與 unaided brand awareness 的測量方式；屬實務測量指引，而非支持本篇因果假說的直接證據。
https://www.qualtrics.com/articles/strategy-research/how-to-measure-brand-awareness/

［E5］Cloudflare Radar. (2025). The 2025 Cloudflare Radar Year in Review. 將部分 AI 機器活動按訓練、搜尋及使用者動作等類別呈現；統計範圍為其可見網路流量，不能直接推廣至全部網際網路。
https://blog.cloudflare.com/radar-2025-year-in-review/

［E6］Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A. (2024). GEO: Generative Engine Optimization. Proceedings of KDD 2024, pp. 5–16. DOI: 10.1145/3637528.3671900。本文作為生成式搜尋中來源可見性的既有研究背景；本篇不直接由其方法推斷品牌認知。
https://collaborate.princeton.edu/en/publications/geo-generative-engine-optimization/

B. EveMissLab 既有原始理論與跨系列前置

［T1］Neo.K with GPT-5.6 Sol. (2026-09-23). EWDT-01｜經濟世界域轉化論：總論（v0.1，UTF-8 Markdown 原稿）。
https://unboundedaxiom.org/p/lm-004439/

［T2］EveMissLab. (2026-09-23). EWDT-02｜經濟投影失真論（v0.1）。
https://unboundedaxiom.org/p/lm-004440/

［T3］EveMissLab. (2026-09-23). EWDT-13｜中觀耦合域：企業、平台、供應鏈、金融網絡與基礎設施（v0.1）。
https://unboundedaxiom.org/p/lm-004420/

［T4］EveMissLab. (2026-09-23). EWDT-16｜超宏觀經濟世界域：全球貨幣、供應鏈、能源、技術與文明耦合（v0.1）。
https://unboundedaxiom.org/p/lm-004447/

［T5］EveMissLab. (2026). 從 Human-Centric Web 到 AI-Readable Web：AI 爬蟲、Agent 與機器讀者時代的網站架構轉換。用於網站架構前置，不被視為本文實證已完成的證明。
https://unboundedaxiom.org/p/lm-001202/

［T6］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。作為後續第 03 篇的主要理論前置；本篇不重寫。

原始碼一致性聲明

本文件以 UTF-8 編碼的 .md 原始檔為正式閱讀、修訂與提交依據。
數學原始碼採用 $...$ 與 $$...$$ 單一 Markdown-LaTeX delimiter 規則，不依賴聊天畫面公式渲染。
本文將理論前置、業者報告、研究者個案、外部實證與待證命題分開標示。
不依賴任何未提供的私人網站流量明細或遠端 AI 模型訓練日誌作為已驗證事實。

本篇結束。下一篇：《從爬取到付費：AI 資訊需求的層級與 AIO／GEO 邊界》。