HACTS-01｜生產力內生擴張悖論：當做得更多創造更多待做之事

從 AI 能力增幅、候選任務內生生成、自我義務轉換到人類時間負荷的動態模型

English title: The Endogenous Productivity–Work Expansion Paradox: How Human–AI Capability Gains Generate New Tasks, Commitments, and Temporal Demands
系列：《人機耦合時代的時間主權與創造自由》（Human–AI Coupling, Temporal Sovereignty, and Creative Freedom；HACTS）
篇次： 01／10（首篇專論；直接承接 HACTS-00）
版本： v0.1
日期： 2026-10-16（Asia/Taipei）
思想提出與研究策劃： Neo.K
AI 協作研究與草稿整理： GPT-6
研究場域： EveMissLab／無界智庫
性質： 理論建模、文獻整合、可否證命題及實證研究設計
狀態： 完整論文初稿；尚未進行本模型的原創實證估計或同儕審查
Canonical source： UTF-8 Markdown；行內數學 $...$ 、獨立數學 $$...$$
先行研究邊界： HODR-IV、HODR-II、HACTS-00、MPD-16、HAVT-06

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司

摘要

生成式 AI 與自主 Agent 能降低文字、程式、設計、研究及部分知識工作的單位執行成本。當工作清單固定時，單位任務效率提高一般預期可減少完成時間；然而，對於自行提出研究問題、規劃產品、累積技術資產並維持多個 Agent 的創作者與創業者，工作清單本身並不固定。技術降低某項任務的執行成本，也可能讓原本不值得啟動或無法啟動的任務轉入可行集合，使已完成成果生成下一輪研究問題，並促使行動者把新增可能性轉成新的自我承諾。結果是，單項工作更快，不必然導致總工作需求下降；在特定條件下，總人類工作時間、注意力負擔、未結任務存量及治理成本甚至可能同時增加。

本文提出「生產力內生擴張悖論」（Endogenous Productivity–Work Expansion Paradox；EPWEP），將「技術可行集合」「尚未承諾的候選任務」「已承諾且未完成的義務」「可驗證完成的成果」「外部交付或公開成果」及「人類實際投入」建立為不同的狀態與流量。本文的核心主張並非生產力提高必然加班，而是：當任務生成與承諾吸收的增長幅度，高於單位任務所需人類工作時間的下降幅度時，總時間需求可能逆向增加。 研究因此必須區分「可以做」「想做」「決定做」「必須做」和「已經做完」，不得由可能性擴張直接推導道德義務。

在一個可解析的簡化模型中，設 AI 造成的單位直接執行加速倍率為 $a$ ，可比較的已承諾工作量為 $n_0 a^{\varepsilon}$ ，單項直接人類時間為 $h_0/a$ ，且每項另有未隨執行加速而等比例下降的審查整合時間 $v$ 。總需求為 $L(a)=n_0a^{\varepsilon}(h_0/a+v)$ 。本文證明，總工作需求是否增加取決於任務數量彈性 $\varepsilon$ 與有效單項人類成本下降彈性的相對大小；不存在不依情境即可宣告成立的普遍「AI 過勞定律」。進一步考慮人類可用時間上限時，未完成需求可能表現為待辦存量增加，而不是實際工時無限擴張。

本文綜合 AI 生產力隨機實驗、客服現場研究、2026 年工作強化觀察研究、韓國勞工時間再分配調查、開源開發者實驗，以及任務經濟學與注意力研究，說明現有證據同時支持效率收益、工作強化及閒暇紅利的可能性。本文提出九組可反駁假說、一套任務事件帳本、以固定／開放任務清單與不同 AI 條件進行比較的實證策略，以及「不新增義務」的人類—Agent 治理邊界。結論指出，AI 的高能力可以增加人的創造自由，但能力增加本身不足以決定增加的可能性應否成為新的工作義務；時間主權取決於任務承諾、停止及退出是否仍受行動者有效支配。

關鍵詞： 人機耦合、生產力悖論、內生任務擴張、AI 工作強化、能力—義務轉換、任務生成彈性、自主 Agent、審查成本、工作再配置、選擇頻寬、認知負荷、時間主權、停止規則、可反駁模型。

0. 問題的提出：完成一件事以後，工作真的少了一件嗎？

0.1 傳統效率敘事隱含的前提

假設某人預先確定要完成十個可比較任務，每個任務原本需要一小時；如果工具讓每項工作直接執行時間減半，且沒有任何新增成本，原本十小時的清單只需五小時。這種敘事並沒有邏輯錯誤，它的有效條件是：

待完成的任務集合近似固定；
成果品質門檻與任務範圍不因工具改變而同步擴張；
驗證、整合、維護、溝通及審核成本沒有抵消主要節省；
節省時間沒有被強制或自願地重新分配到新的工作；
執行者可實際選擇不把空出的時間繼續出售或投入生產。

這五項前提對受限、短期、單一任務的實驗往往較容易接近；對長期創業、原創研究、多代理軟體開發及開放式知識生產卻不一定成立。技術改善了「如何做」，也可能改變「什麼值得做」。後者才是本文的核心。

0.2 觀察不是「額度太多」，而是「幾乎總能再做一件事」

高可用 AI 資源具有兩種不同效應。第一種是執行效應：既有任務變得更快。第二種是生成效應：一個新的研究疑問可以迅速化為草稿，一項設計可以生成多個可比較原型，既有程式碼可以形成多條實驗分支，驗證結果又產生下一輪要解決的問題。即使工具沒有主動要求人類增加工作，使用者也可能自願擴展工作範圍。

因而，在某些高度投入的研究者身上，生產的閉環可能由下列序列重複形成：

可用能力增加 → 新方案可行 → 自願啟動 → AI 完成局部成果 → 新問題被揭露 → 新方案可行。

在這種場景裡，「沒有充分使用算力」與「沒有充分使用人生」可能被主觀上錯誤地連結；但兩者之間不存在必然關係。這個問題與訂閱重置壓力相關，卻不完全依賴訂閱重置，即使不存在配額或配額永不過期，內生任務生成仍可能發生。

0.3 本篇的研究問題

本文集中處理七個問題：

能力提高如何讓原本不可行的工作轉入候選集合？
完成的成果如何生成新的候選工作，而不是使清單單向縮小？
哪些心理、經濟與組織條件影響候選被轉成自我承諾？
在什麼數學條件下，單位任務加速與總人類工時上升可以同時成立？
當實際工時受限時，新增工作會去哪裡：待辦、品質、休閒還是放棄？
如何區分真實的任務擴張與單純把同一件事切成更多細項的計數幻覺？
哪些治理規則可以保留創造能力，而不讓每次能力提升自動生成新的義務？

本篇不試圖一併證明 ASI 的到來時間、個人的歷史地位、某種工作模式必然更健康，或某間公司理應採取特定訂閱方案。這些議題分屬本系列其他篇章。

1. 文獻譜系：新命題不應抹去已有成果

1.1 單位任務的 AI 效率增益已有可重現證據

Noy 與 Zhang（2023）在對 453 名具大學教育背景的專業人士進行的預註冊寫作任務實驗中，報告 ChatGPT 條件下的平均完成時間下降約 40%，產出品質提高約 18% [E1]。這證明至少在其受測寫作任務與當時模型條件下，AI 確實可以降低單項工作所需時間。然而，受試者在一個短期實驗內不需要自行決定往後一年應展開多少研究、開多少個 Repository，或承擔持續運行 Agent 的後續治理責任。因此，單項任務時間下降不能直接外推為全年總工時下降。

Brynjolfsson、Li 與 Raymond（2025）研究 5,172 名客服人員在導入生成式 AI 助理後的績效，發現平均每小時解決的問題數提高約 15%，但增益因技能與經驗而明顯不同 [E2]。此研究提供真實組織場域的效率證據，仍主要衡量相對標準化的客服工作，而不是創作者自行生成研究任務的情形。

1.2 工作強化已有直接先行研究

Ranganathan 與 Ye（2026）在《Harvard Business Review》報告針對科技公司工作實踐的觀察，指出 AI 可以伴隨較快的工作節奏、更廣的任務範圍與更長時間的工作延伸，甚至在未被主管明確要求時發生 [E3]。這與本文討論的內生擴張高度相近，因此不可把「AI 有時使人自發做更多工作」當作本文首次揭露的既成事實。

但其田野觀察不足以單獨識別所有因果路徑。AI 使用程度、員工的高投入傾向、公司的產品週期與管理文化，可能同時影響工作量。Su、Beh 與 Cheah（2026）對高等教育工作負荷所做的 30 篇實證研究系統性回顧，亦呈現效率與工作強化結果並存、研究證據尚不一致的情形 [E11]。本文增量必須放在狀態分帳、可導出的臨界條件，以及如何在固定／開放任務環境中區分不同機制。

1.3 同時存在工作時間下降的反例

Suh 與 Oh（2026）的韓國勞工調查預印本研究 5,512 名受訪勞工，報告工作使用 AI 者的平均工作時間下降約 3.8%；部分效率收益轉化為工作時間中的閒暇而非新增產出 [E4]。此資料主要基於問卷回報，不應被解讀為可完全識別因果關係，但它對本文提供不可忽略的反例：AI 的效率收益可以流向休閒，不是一定流向新增任務。

METR 在 2025 年對 16 名熟悉自身程式碼庫的開源開發者、246 項任務所做隨機實驗，報告在其早期 2025 年工具設定下，允許使用 AI 反而使完成時間平均增加約 19% [E5]。這說明「給予 AI 工具」甚至不保證單位任務的加速。METR 於 2026 年另指出新版研究的參與者選擇偏差可能使加速效果估計不可靠 [E6]。兩組研究的限制都必須保留，不能擇一構成普遍判斷。

1.4 任務內生性不是 AI 時代才出現

Acemoglu 與 Restrepo（2019）研究自動化與新任務創造對勞動需求的雙向作用，建立了任務內容會隨技術變化而改變的勞動經濟學基礎 [E7]。本文不是重新發明新任務如何形成，而是將分析單位從產業勞動需求轉移到一個人及其多個 AI Agent 的自我承諾形成過程。

此外，Leroy（2009）指出在不同未完成工作間轉換時可能存在注意力殘留 [E8]；Zhang、Li 與 Chen（2026）的雙波調查亦描述 AI 委任後的流程警覺與心理抽離困難 [E9]。這些研究提供人類工作負擔的補充機制，但本文不宣稱自己首次發現注意力殘留、工作強化或代理監督負荷。

1.5 本篇真正嘗試的增量

本文擬增加三項可檢驗結構：

第一，任務狀態分帳。 把「已發現但未承諾的可能性」與「已承諾的工作義務」嚴格區分，並記錄成果生成下一輪工作的路徑。

第二，時間需求的臨界條件。 不是口頭聲稱效率提高會更忙，而是明列任務量對有效加速的彈性與審查時間，推導總工作需求何時上升、下降或維持不變。

第三，能力與義務之間的決策閘門。 任務成為技術上可行，不表示它必須被完成。人類或組織的承諾政策，是可以改變的中介變數，不應視為被技術決定。

2. 基本定義：五個容易被混在一起的集合

2.1 技術可行集合

令 $\mathcal{F}_t$ 表示在時間 $t$ 的技術、資產、技能、工具與合理可用資源條件下，可能被執行的工作方案集合。

\mathcal{F}_t=\mathcal{F}(A_t,H_t,K_t,R_t,E_t)

其中 $A_t$ 為 AI 能力， $H_t$ 為人類技能及可用資源， $K_t$ 為已有知識與產物， $R_t$ 為可用物質資源， $E_t$ 為技術與市場環境。此集合不是可完全列舉的宇宙集合，只是相對於觀測者、資源邊界與可操作定義的可行集合。

更強 AI 可能使部分工作進入 $\mathcal{F}_t$ ，但也可能因新安全風險或依賴變更讓部分舊工作不可行，所以不能在沒有條件時假定集合永遠單調擴張。

2.2 已發現候選工作集合

令 $\mathcal{Q}_t\subseteq\mathcal{F}_t$ 表示行動者或其 Agent 已實際識別、仍可選擇處理的候選工作集合。它不包含所有客觀可能的工作，因為發現本身需要注意力、搜尋與情境。

候選工作可以包括：論文方向、替代設計、待驗證猜想、產品功能、開源版規劃、合作方案或實驗路線。候選的存在不構成承諾。

2.3 已承諾且未完成工作集合

令 $\mathcal{B}_t$ 表示已被納入當下承諾的未結工作，包括自選承諾與不可任意忽略的外部義務。兩者在研究資料中應以不同欄位記錄：

\mathcal{B}_t=\mathcal{B}^{self}_t\cup\mathcal{B}^{ext}_t

自選承諾可以在沒有不當傷害的條件下重新協商、取消、延後；外部義務則可能涉及契約、法規、使用者安全與其他人的正當期待。研究者不能把「不做是自由」簡化成一切義務都能無成本撤回。

2.4 已驗證完成與已外化成果

令 $\mathcal{Y}_t$ 為依預先界定之驗證門檻達成的成果集合， $\mathcal{Z}_t$ 為已公開、交付或市場現實化的成果集合。

一個通過內部測試的軟體功能，可能尚未部署。一本完整草稿，可能尚未提交預印本。公開了技術主張，也不表示其效益已獲第三方驗證。因此，不能把 $\mathcal{Y}_t$ 與 $\mathcal{Z}_t$ 當成相同計數。

2.5 行為狀態的六個動詞

對一項工作而言，至少應區分：

狀態	操作性意義	不代表什麼
可行（feasible）	具備實作的合理條件	不代表已有人想到、應該立即做
發現（discovered）	已具名、具備初步問題定義	不代表承諾
承諾（committed）	進入可追蹤任務與資源計畫	不代表完成
驗證完成（validated）	達到界定的品質與證據條件	不代表市場有需求
外化（externalized）	交付、公開或市場採用	不代表受到肯定或獲利
暫停／封存（dormant）	保存必要資訊並停止活躍推進	不代表失敗或失去未來選擇權

這六個動詞提供了本文相較於單純「完成多少件工作」更重要的分析單位。

3. 任務計量：不能用細分出來的 TODO 假裝需求成長

3.1 原始任務數可能被工作拆解污染

如果一個原本叫「做完網站」的任務，被 Agent 拆分成一百項 issue，任務數從 1 增至 100，並不代表實質工作需求增加一百倍。同樣地，一篇論文被切成二十個標題，也不表示創造了二十篇獨立研究。

因此，本文反對直接以待辦清單條目數作為唯一應變數。資料至少需保存：根目標識別碼、父子任務關係、版本、完成判準、估計人類投入、估計 AI 投入與外部交付單位。

3.2 三種互補的測量單位

任務事件數（Event Count）。 衡量新增候選、承諾、取消、完成等狀態轉換。適合研究發現與決策密度，但不能直接等同工作量。

品質調整完成單位（Quality-Adjusted Deliverable Unit）。 用預先定義的交付目標、功能範圍、品質及驗證門檻，衡量實際成果；可用盲評或測試證據支持，但在跨領域比較時仍有誤差。

預期人類工作量（Expected Human Workload）。 在標準化需求範圍下估計完成一項已承諾工作尚需多少人類時間，包含審核與整合，並記錄信賴區間或不確定程度。

三者不能相互替代。若本文某個數學模型將任務數乘以單位工時，前提必須是任務經過可比較的標準化；若無法標準化，應改採任務異質性模型而非硬套單一平均。

3.3 工作「數量」與工作「範圍」不同

同樣十件工作可能在 AI 加速後品質門檻升高、分支測試增加、文件要求變嚴或視覺呈現更精緻。這是範圍擴張或品質再投資，即使任務數不變，也會增加工作需求。後續模型以 $s_j$ 記錄任務規模及標準，避免只用 $n$ 描述全部現象。

3.4 新增機會的分類

對候選工作新增事件 $g$ ，研究紀錄至少標註一項主要來源：

外生需求：客戶、監管、既有承諾或環境事故帶來的新義務；
能力開放：AI 降低成本，原本不可負擔的方案變得可行；
成果衍生：完成上一項成果後，新問題或新研究路線浮現；
Agent 提議：代理執行過程自主生成新的候選；
品質延伸：因能力提高而追加更高的成果標準；
修復與維護：既有成果造成的 bug、技術債或必須補作的驗證。

這些事件可以有多個來源，但研究時應保存事件鏈，而不是事後只用「都是 AI 造成」作總括歸因。

4. 動態帳本：可能性、承諾與完成不該記在同一本帳

4.1 候選工作存量

以下先以離散時間 $t$ 表示一日或一週。為簡化推導，假定一個觀察期間內已統一任務工作包口徑。

令：

$Q_t$ ：期初已發現但尚未承諾的候選工作存量；
$G_t$ ：期間新發現的候選工作；
$C_t$ ：從候選集合轉入自我承諾的工作；
$S_t$ ：放棄、合併、去重或封存而移出活躍候選池的工作。

候選池的流量恆等式為：

Q_{t+1}=Q_t+G_t-C_t-S_t

如果某專案只是移入封存資料庫，應視為活躍候選池的移出，並在另一個可回返資產帳本保存其存在；不能假裝該資產被刪除。

4.2 已承諾工作存量

令：

$B_t$ ：期初已承諾且未完成的工作存量；
$X_t$ ：期間新增之外部工作義務；
$Y_t$ ：期間完成並通過定義之驗證的工作；
$K_t$ ：經合法或合理程序取消、修改承諾而移出的工作。

則：

B_{t+1}=B_t+C_t+X_t-Y_t-K_t

兩個式子揭露了本文的核心：即使 $Y_t$ 變大，只要 $C_t+X_t$ 增加更多， $B_t$ 仍可能上升；而即使 $B_t$ 沒有上升， $Q_t$ 也可能擴張。更重要的是，即使 $Q_t$ 擴張，個人也不必讓 $C_t$ 同步增加。

4.3 內生生成函數

候選發現流量可寫為一個待估計的概念函數：

G_t=g(A_t,K_t,Y_{t-1},I_t,M_t,U_t)

其中：

$A_t$ ：模型能力、工具權限與可用計算資源；
$K_t$ ：累積成果及已形成的知識結構；
$Y_{t-1}$ ：上一期通過驗證的成果；
$I_t$ ：行動者的主動探索傾向與研究興趣；
$M_t$ ：市場及環境訊號；
$U_t$ ：Agent 自主發現與提議機制。

上式不假定 $g$ 在所有變數上都是單調遞增。模型能力進步也可能減少某些探索的必要性；研究興趣更集中也可能使發現量下降但品質提高。

4.4 候選到承諾的轉換率

若採用統一工作單位，可概念化為：

C_t=\pi_t(Q_t+G_t)

且：

0\leq\pi_t\leq1

$\pi_t$ 是「候選工作中進入承諾的比例」，不是人的善良程度、工作倫理或理應達成的業績。它可能受到興趣、期限、資金、AI 額度、外部回饋、完美主義、替代機會以及停止規則影響。

若以任務分數而非整數事件衡量，該式可作近似；若是離散事件，應使用二元承諾決策的實際總和，而非將期望值直接當作整數任務。

能力—義務轉換閘門（Capability-to-Commitment Gate） 是本文提出的分析接口：技術將事情變得可行，但個體與組織仍應另行決定是否將它轉成真正的承諾。閘門可以寬、窄、依風險分級或隨時間調整，並不存在所有情況都應設得越低越好的普遍規範。

4.5 完成能力與有限注意力

可驗證完成量不應直接等同 AI 生成量，可概念化為：

Y_t=\min\{\max(0,B_t+C_t+X_t-K_t),\;\mu_t\}

其中 $\mu_t$ 為在當期人類時間、模型能力、驗證政策、資源、技能與品質要求下的有效完成容量。此處先扣除本期已正式取消的工作 $K_t$ ，再計算可完成的有效工作包數，避免同一工作在本期被同時取消與完成。這是簡化的容量上限；複雜任務可能不可分割，且任務完成量須考慮其可比較性。

如果 $\mu_t$ 上升，模型不保證 $B_t$ 下降，因為 $C_t$ 也可能被同時提高。這就是內生工作生成對傳統效率直覺的挑戰。

4.6 工作負荷與工作存量必須分開

「一百項待辦」不是「一百小時」，而「一百小時的需求」也不代表一個人在一天可以真正工作一百小時。定義：

D_t^H=\sum_{j\in\mathcal B_t}\widehat h_{jt}

為時段 $t$ 估計尚需的人類工作時數存量； $\widehat h_{jt}$ 是在相同品質門檻下對任務 $j$ 的估計剩餘人類投入。已實際發生的人類工作時數 $L_t^H$ 與 $D_t^H$ 是不同變數。

研究上應把「需求增加」與「人類真的多工作」列為兩個分離的結果，避免把自我預期工作量誤當作生理可執行的時數。

5. 第一個核心命題：內生工作增長可抵消單項加速

5.1 一個能推導成立條件的簡化模型

假設在一個可比較的工作領域中，沒有 AI 加速時，行動者原本會承諾 $n_0>0$ 項標準化工作包，每項直接人類執行時間為 $h_0>0$ 。設 $a\geq1$ 為有效直接執行加速倍率，而不是模型參數量、Token 消耗倍率或廣告宣稱的速度。

為描述新的工作被自願承諾的程度，設已承諾工作包數量為：

n(a)=n_0a^{\varepsilon}

其中 $\varepsilon$ 稱為已承諾任務數量對有效執行加速的彈性。這個參數不是先驗常數，可以依個人、領域、產業、時間、任務完成規則及資金條件而不同。

再假設每項工作包的人類時間成本為：

h(a)=\frac{h_0}{a}+v

其中 $v\geq0$ 為每項工作仍須由人類完成、在本簡化模型中不因直接執行加速而下降的驗證、整合或收尾時間。若未來 AI 也能有效降低 $v$ ，須改用第 5.5 節的擴充模型。

於是，全部已承諾工作的需求人類工時為：

L^{req}(a)=n_0a^{\varepsilon}\left(\frac{h_0}{a}+v\right)

這個模型的目的，是精確展示一種可能發生的抵消機制，而非估計任何真實企業或研究者的工時。

5.2 臨界條件

對 $a$ 取對數導數，可得：

\frac{d\ln L^{req}}{d\ln a} = \varepsilon-\frac{h_0}{h_0+av}

因此，在本模型的假設下：

\frac{dL^{req}}{da}>0 \quad\Longleftrightarrow\quad \varepsilon>\frac{h_0}{h_0+av}

相反地：

\frac{dL^{req}}{da}<0 \quad\Longleftrightarrow\quad \varepsilon<\frac{h_0}{h_0+av}

等號成立則局部人類工時需求不變。此處的閾值不是所有 AI 使用者的普遍常數，而是來自特定的任務量與單位人類成本函數。

當 $v=0$ 時，條件退化為：

\varepsilon>1

也就是說，若任務數量增長的百分比彈性高於執行速度增長彈性，總人類時間需求增加。當 $v>0$ 時，因為部分審核工作沒有同步加速，總時間需求上升所需的任務數量增長彈性可能小於 1。

由此可見，不能只知道 AI 在某項工作上「快了兩倍」，就斷言人類總工作時間減半；還必須知道總共接受了多少新工作以及每項新增工作還需要多少人類投入。

5.3 以假設數字驗證方向，而非偽裝實測

設 $n_0=10$ 、 $h_0=1$ 小時、 $v=0.2$ 小時，則基準總需求為 12 小時。AI 讓直接執行速度成為兩倍時：

假設情境	加速倍率 $a$	任務彈性 $\varepsilon$	已承諾工作包約數	每項人類時間	總需求人類時間
無加速基準	1	任意	10.00	1.20 小時	12.00 小時
低內生擴張	2	0.5	14.14	0.70 小時	9.90 小時
較高內生擴張	2	1.0	20.00	0.70 小時	14.00 小時
更高內生擴張	2	1.3	24.62	0.70 小時	17.24 小時

表中工作包的非整數是連續化模型的期望值，並不表示現實中真的完成 0.62 項可任意切割的完整任務。所有數字只是同一模型的示例，不是使用者案例、產業數據或觀察研究的統計結果。

這個例子有兩個重要含義。第一，同一套 AI 加速可以在不同任務彈性下帶來完全相反的總時間結果。第二，工作量增加不必意味著模型在單項任務上沒有效率；它也可能是模型有效，從而使人選擇做更多事。

5.4 真正受限的人類工作時間，不可能無限增加

上面的 $L^{req}(a)$ 是理論上的已承諾工作需求，不是一個人真能無上限投入的時間。令可實際投入的時間上限為 $H^{max}$ ，則可用簡化關係表示：

L^{real}(a)\leq H^{max}

當：

L^{req}(a)>H^{max}

多出的需求不會自動變成已完成工時；它可能被轉換為：

延後交付、累積待辦與債務；
降低深度、縮小品質標準或重新定義完成；
交由 Agent 或其他協作者承接；
合併、取消、封存或放棄；
延長原有工作時段，但仍受生理與社會上限約束。

這也說明為什麼研究不能只測工作時數。有些人看起來沒有再延長工作，但未完成義務、切換壓力與工作中的認知負擔仍可能增加；另一些人則會正式拒絕新增任務，使時間需求不至於繼續膨脹。

5.5 當驗證能力也進步時

先前將 $v$ 視為常數，只是一種保守、可解析的起點。現實中，模型版本、測試工具、CI、程式化證明、資料品質及審查政策，都可能使人類驗證時間隨 $a$ 改變。

設：

h(a)=\frac{h_0}{a}+v(a)

則：

\frac{d\ln L^{req}}{d\ln a} = \varepsilon + \frac{-h_0/a+av'(a)}{h_0/a+v(a)}

若自動驗證真的讓 $v'(a)<0$ ，總人類需求可能更容易下降；若更強的 AI 產出帶來更高的安全審查、技術整合或維護要求，使 $v'(a)>0$ ，則也可能加劇需求增加。

因此，不應抽象地宣稱「AI 寫程式很快，所以驗證必然變慢」，也不應宣稱「未來驗證全部自動化，因此人類不再需要審查」。真正的判準是每種產出類型的整體可驗證完成成本，而不是單一生成速度。

5.6 更一般的彈性表示

如果不假定任務數量為冪次函數，而令已承諾標準化工作量為 $n(a)$ 、單位人類投入為 $h(a)$ ，則：

L^{req}(a)=n(a)h(a)

故：

\frac{d\ln L^{req}}{d\ln a} = \frac{d\ln n}{d\ln a} + \frac{d\ln h}{d\ln a}

定義：

\varepsilon_n=\frac{d\ln n}{d\ln a}, \qquad \varepsilon_h=-\frac{d\ln h}{d\ln a}

若 $h$ 隨加速而下降， $\varepsilon_h$ 可理解為單位人類工時的節省彈性。此時：

\frac{d\ln L^{req}}{d\ln a}=\varepsilon_n-\varepsilon_h

因此，本文最精簡的描述性條件是：

當新增承諾工作的彈性大於單位工作人類時間節省的彈性時，總需求人類工時可能增加。

這是一個可檢驗的條件命題。它沒有說明這種擴張值得支持還是應被反對；後者須依個人自主意願、生活成本、外部責任及長期恢復情況判斷。

6. 第二個核心命題：完成的工作可能反過來生成新的工作

6.1 完成事件不是必然的吸收狀態

在封閉式待辦清單中，完成一項工作通常意味着工作總數減少一項。然而，在開放式研究中，一項成果可能立即使先前未知的問題變得明顯：

演算法通過基本測試，導致新的性能與邊界條件驗證；
新模型可運作，導致更多與其他架構的相容性實驗；
論文定義一個新對象，導致更多子命題與反例搜尋；
遊戲完成基本規則，導致新玩法與內容生成選項；
產品發布一個 MVP，導致客服、維護及使用者需求。

這裡有兩種性質不同的新增：一種是研究興趣驅動的自選擴張，另一種是部署、履約、安全或維護引發的真正外部義務。將它們混為一談，會高估自願性，也會低估外部風險。

6.2 分支再生數：一個類比模型

為了研究候選工作的自我再生，設在某個簡化、同質且不受資源上限限制的任務類型中，一項完成成果平均產生 $\kappa$ 個新候選；每個候選平均有比例 $\pi$ 被轉為新承諾。

定義一個待檢驗的承諾再生係數：

\mathcal R_C=\kappa\pi

若忽略外生需求、不同任務權重、合併刪除及回饋延遲，並假設一期內承諾工作皆能完成，則：

C_{t+1}=\mathcal R_C C_t

在此非常強的假設下：

$\mathcal R_C<1$ ：單一任務源的後代承諾量逐期縮小；
$\mathcal R_C=1$ ：後代承諾量大致持平；
$\mathcal R_C>1$ ：後代承諾量在模型中幾何增長，直到實際資源、興趣或其他約束介入。

這是為了清楚表達「完成如何生成下一輪承諾」的分枝過程類比，不是宣稱研究工作真的遵守生物繁殖或傳染病的普遍定律，也不能把 $\mathcal R_C$ 當作任何真實使用者的已測指標。

6.3 從局部成功到全域負擔

每個局部決策都可能具有合理性：

基本功能已做好，做一項新測試看起來划算；
新測試發現另一個問題，再修正也划算；
修正順便讓架構更通用，又增加一項新實驗；
新實驗有成果，於是產生新的論文或產品想法。

但當「每個局部下一步都值得做」成為預設規則時，整體系統不一定有自然停止點。這就是從局部合理走向全域待辦過剩的結構，而不是單純意志薄弱或能力不足。

6.4 分支生成與品質改善不必然同向

高 $\kappa$ 可能意味着研究想法豐富，也可能只是重複候選、低價值分支或命名膨脹。高 $\pi$ 可能代表強大的執行意願，也可能代表承諾過多。因此「分支再生數」必須與有效成果品質、可獨立驗證程度及外部採用結果並列，不應被視為越大越好的 KPI。

6.5 終止策略也可以是高品質的知識結果

某個分支被充分驗證後，研究者可能有根據地判斷：目前已有足夠的知識結果，後續不具必要性。這不會讓既有成果失效，也不表示研究者失去好奇心。

相反地，在開放式系統中，「有根據地不新增下一個階段」本身也是一項決策結果。如果工作流沒有記錄此類結果，就會系統性偏向只看見新任務增加，而看不見停止與封存所創造的生活時間價值。

7. 第三個核心命題：Agent 的輸出可以同時減少執行負擔、增加監督負擔

7.1 從單代理到並行代理

當多個 Agent 同時處理不同任務時，模型計算時間與人類實際工作時間不再同步。理論上，AI 可以在短時間內產生大量候選程式、研究摘要、設計版本和測試報告。但若每項成果仍需人類驗證、取捨和外部發布，則人類可能成為結果收斂的共同瓶頸。

令一段時間的 Agent 產出數為 $Y_t^A$ ，每項產出需要的平均人類審查時間為 $r_t$ ，其他固定整合開銷為 $I_t$ ，則概念性人類回交時間可寫為：

T_t^{handoff}=Y_t^A r_t+I_t

這個式子不主張所有 AI 產出都必須由人類逐一審查，也不認為所有產出的品質及風險相同。它只是顯示：若產出吞吐增加，而審查與整合成本下降得不夠快，人類仍可能面對增加的治理需求。

7.2 不應直接從「產出越多」推導「審查越多」

對低風險、可機器驗證且有明確回滾手段的工作，Agent 可透過自動測試、審核鏈、證據與停止條件減少人類介入。真正要測量的是「必須由人類承擔的有效判斷」而非通知筆數。

人類治理負荷更適合拆成：

T^H_{gov}=T^H_{critical}+T^H_{routine}+T^H_{repair}

其中 $T^H_{critical}$ 是不可輕易委任的重大決策， $T^H_{routine}$ 是可逐步自動化的例行核准， $T^H_{repair}$ 是錯誤及例外修復。理想的委任改良通常針對降低後兩者，但不能為了降低指標而掩藏第一者。

7.3 任務提案權與承諾權不應自動綁定

Agent 可以提出「下一階段也值得做」的建議；這不意味著 Agent 應自動替人類開立下一個需要跟進的新承諾。系統可將新提案預設留在候選池，除非：

已存在明確且仍有效的授權範圍；
提案屬必要的安全修復或既定交付；
組織有事先設定的預算及風險閾值；
經過適當層級的審批或依法定程序處理。

此處的治理邊界與既有《委任時間論》《操作員退出問題》相容 [I3, I4]，但本文焦點較狹窄：如何阻止 AI 的新提案無條件變成新增人類義務。

7.4 人類沒有操作，不等於人類沒有待命

Zhang、Li 與 Chen（2026）提出的 AI process vigilance，已處理委任後對品質、進度與錯誤的心理牽掛 [E9]。因此，本文不將「認知待命」聲稱為全新心理學構念，而把它當成內生任務擴張可能提高的一種後續成本。詳細的測量與因果辨識留給 HACTS-04。

8. 第四個核心命題：自願性與工作需求不是互相排斥的解釋

8.1 至少區分三種任務增加機制

組織要求型。 主管提高交付量或縮短期限，AI 帶來效率之後，更多要求由外部加到員工身上。這是常見的工作強化模式，但不是本文唯一關注點。

自我創造型。 行動者對研究與創作本身有高度興趣，能力提高後自主探索更多方向。這種增加可能帶來強烈成就感，不必然被理解為剝削，也不能僅因工作時數長就判定為臨床問題。

混合誘導型。 使用者原本自願工作，但訂閱到期、平台配額、合作進度、社群注意力與市場窗口，使「做得更多」逐漸被感受成不能停的時間要求。

這三種可能同時存在，且具有不同的治理方法。當研究只問「工作增加多少」，卻不問「誰新增了這件工作、是否真的有選擇」，就會遺漏核心差異。

8.2 高滿足感與高度疲憊並不邏輯衝突

一個人在主觀上喜歡研究，可以同時需要休息。工作享受感、工作投入、決策密度、疲勞、恢復和生活主權應採多向度測量，而不是以一個快樂分數推論所有其他狀態。工作投入與耗竭的既有研究可作為 HACTS-03 的主要先行文獻 [E10]；Sonnentag 與 Fritz（2007）建立的恢復經驗量表，也可提供心理抽離、放鬆、掌握感與控制感的成熟測量基礎 [E12]。

本文不假設 ADHD、所謂超專注或某種人格類型是必要的成因；可觀察對象應是工作事件、實際投入、承諾來源和當事人對自主程度的評估。

8.3 生產需求可以隨熱情變動，但不應被固定為終身義務

對高度投入的創作者而言， $\pi_t$ 並不一定穩定。某天可能想推進五個新問題，隔天完全不想繼續，甚至願意將成果公開而不再主導後續。將動態的自願投入固定成「既然昨日喜歡，今日就必須繼續」，是額外施加的承諾，不是從理論或經驗必然推出的規則。

8.4 主觀「時間稀缺」與真正的歷史窗口

若行動者認為 AI 未來可能迅速改變某些成果的先發價值，則候選工作轉成承諾的機率可能提高；但這是一項需要獨立分析與驗證的歷史窗口信念。不能直接把個人預測視為未來 ASI 時間表。HACTS-06 將詳細處理這個問題，本篇只將其列為可能影響 $\pi_t$ 的中介因素。

9. 第五個核心命題：能力提高以後，時間紅利有多條出路

9.1 不存在唯一的時間再分配路徑

假設 AI 節省了一部分直接執行時間。這段時間可能被轉移到：

相同成果、較少人類工作；
更多成果、相同人類工作；
更多成果、更多人類工作；
更高品質、相近成果數量；
自我教育、反思與較難量化的探索；
休閒、社交、照護與恢復；
Agent 治理、審查、修復及新的維護義務。

任何一條路徑都不能僅由「AI 能力提高」這項技術事實獨立決定。研究者必須記錄決策者、制度激勵、所得分配、現金壓力、工作類型與工作自願性。

9.2 維持相同工時不等於沒有時間收益

有些人可能維持相近總工時，卻把大量低價值、重複性工作換成更有成就感的創造。反過來，有些人可能工作時間縮短，卻承受更高的不確定性和待命壓力。因此，時間主權不是只看一條工時曲線，亦非產量乘以滿意度的單一分數。

9.3 能力擴張不應內生地產生道德責任

本篇要嚴格分開描述性與規範性命題。

描述性命題是：AI 降低工作成本時，新候選可能變多，某些行動者可能將更多候選轉為承諾。

規範性命題是：人有權不把所有新增可能性都變成新的工作責任，前提是仍履行已合法承擔的外部義務、法定安全要求及合理的他人權益。此命題不由經濟模型「證明」，而是明示的時間主權治理立場。

9.4 成果的存在不代表下一個 Phase 有存在義務

開源程式碼、論文草稿、實驗記錄或遊戲原型在某個版本保存後，即使不持續新增 Phase，既有資產仍存在。它可能需要最低保管成本，也可能因技術老化而貶值，但不存在「曾啟動一次，所以必須永久推進」的普遍工程法則。

把保存資產與管理進度區分，會為 HACTS-07 的等待選擇權與 HACTS-08 的最小必要管理提供實質接口。

10. 六種可能的系統狀態：不能把所有 AI 工作模式稱作同一個悖論

依任務生成、承諾、有效完成、時間配置與個人自主性的不同組合，至少可區分六種狀態。它們是概念型態，不是用來診斷人的分類。

模式	候選流量 $G$	承諾流量 $C$	完成流量 $Y$	人類時間與負荷	理論意義
A. 純效率紅利	低或不變	低或不變	同等或較高	實際工時下降	AI 主要替代既有直接執行時間
B. 創造紅利	上升	適度上升	上升	工時不變或自願變動	有效成果增加，生活節奏仍可控
C. 高投入擴張	明顯上升	明顯上升	上升	工時及決策密度上升	自願創造與高負荷可能同時存在
D. 候選過剩	大幅上升	受節制	依能力而定	可能低、平或高	很多可能性被保存但未變成義務
E. 承諾超載	大幅上升	高於有效完成	仍可能上升	待辦、延誤或壓力增加	有效產能提高仍不足以消化新增承諾
F. 自主低活動	可以仍很高	主動降低	取決於目標	人可暫停、退出或切換	高能力和低活動不是矛盾

10.1 模式之間可以轉換

同一個人在不同週、不同領域乃至同一天內，可以從 A 轉到 C，再回到 F。沒有理由假定個體擁有永久固定的生產力—工時類型。轉換取決於意圖、財務現實、對外承諾、工具成熟度、代理治理能力及恢復條件。

10.2 產出增加與生活自主可以同向，也可以背離

如果 B、C、Y 全都增加，而行動者仍能自由拒絕新承諾且保有可持續的生活安排，這與失去時間主權的工作超載不是相同結果。因此「長時間工作」只能作為重要觀察，不應直接充當「受到 AI 支配」的充分證據。

10.3 系統可處於多重瓶頸

一個創業者可能同時面對：

高速產生研究成果，但缺少足夠的第三方驗證；
程式原型很多，但公開、部署與客服能力有限；
AI 執行容量有剩，但人類審查時間沒有剩；
累積資產多，但現金收入仍不足；
大量可行方向，但個人目前只想推進其中少數。

這些不應被全部歸因於同一個「生產力不足」或「時間管理失當」。不同瓶頸需要不同的測量與對策。

11. 可否證假說：把理論改寫成能被資料否定的主張

下列假說是研究提案，不是已由本篇實驗證明的結果。每項均要求控制反例與替代解釋。

H1｜固定任務清單的效率效應

在總需求、交付品質和審查門檻固定的比較中，如果 AI 確實提高單項有效執行速度，而且沒有相當的額外審查成本，完成相同工作包的人類直接工時應下降。

可反證情況： AI 組別的人類直接工時無下降甚至增加，且不是因品質標準或任務差異引起。此時必須承認該工作類型沒有取得原先假設的有效加速。

H2｜開放式任務清單的候選增加效應

在可自由新增研究方向的條件下，AI 能力提升可能使每單位時間的新候選工作發現量高於固定清單條件，且增量由新方案開放和成果衍生共同構成。

可反證情況： 使用者只加快原定工作，幾乎沒有新增候選；或新增數量完全由拆分命名造成，經去重與工作包歸一化後效果消失。

H3｜承諾轉換作為中介

在控制候選生成量與外部新增義務後，個人或組織的候選轉承諾率 $\pi_t$ ，應能解釋一部分有效能力提高與待辦存量增加之間的關係。

可反證情況： 所有新增承諾都來自外部合同或管理指派， $\pi_t$ 的變化與待辦增長無關；這將削弱本文對自我承諾機制的定位。

H4｜任務增長與單項節省的相對彈性

在已辨識出有效加速 $a$ 、相對同質的工作包數量及其人類成本後，總需求工時的變化方向應與第 5 節導出的彈性條件一致。

可反證情況： 在核對任務範圍、品質、審查成本及時間上限後，模型持續無法預測變化方向；此時應放棄簡化函數、採用非線性異質任務模型，而非反覆修改解釋保留原假說。

H5｜成果衍生的任務再生

開放式、探索型專案中，已完成成果所引出的新候選工作，可能比封閉式、標準化交付更多，且一部分透過 Agent 的自主提議途徑生成。

可反證情況： 成果出現後的新增候選，與成果本身沒有可追溯事件鏈，只是由事前已列出的舊任務重新命名。

H6｜審查成本與代理並行的條件效應

在缺少充分自動驗證的系統中，Agent 並行產出提高可能使人類審查與整合的總時間增加；具備有效分級驗證與自動修復的系統，可能削弱甚至反轉此效果。

可反證情況： 並行產出大幅增加，但人類審查時間、例外修復及品質風險都沒有增加，表示治理成本已被有效吸收。

H7｜承諾閘門的時間主權作用

對未涉及外部責任的自選候選工作，提供「先保留候選、不自動新增 Phase」的機制，可能降低未結義務存量與無必要審查事件，而不同比例降低關鍵目標的可驗證成果。

可反證情況： 此機制明顯損害既定高價值成果、增加錯過截止時機的損失，或讓高風險問題被掩埋；此時應提高例外識別或調整閘門，而不能繼續宣稱越少承諾越好。

H8｜內生擴張的跨情境異質性

在同等 AI 能力條件下，高開放度、自主問題定義的工作，可能比需求固定且工作包標準化的工作更容易形成內生候選流量及自我承諾擴張。

可反證情況： 經任務複雜度與技能調整後，兩類工作沒有系統性差異，或差異反向。此結果不推翻任務擴張的可能性，但推翻工作開放度作為主要調節因子的特定預測。

H9｜時間收益的可選擇分流

若提供明確的停止及退出選項、可靠的承諾保存與足夠生活保障，部分 AI 效率增益可能轉向休閒、個人恢復或非商品化探索，而不是全部轉為新增工作。

可反證情況： 即使控制外部義務、經濟壓力及休息條件，人仍全部選擇擴張工作，且在跨受試者樣本與長期觀察中穩定成立。此情況要求改變目前的介入推論，而非將當事人的高投入解釋成「其實無法自由選擇」。

11.1 九項假說彼此可以分別失敗

例如 H1 不成立但 H2 成立，代表 AI 未提高單項有效速度，卻仍擴張候選想法；H1 成立但 H2 不成立，代表是純效率工具；H2 成立但 H3 不成立，可能表示候選多了但沒有變成自選義務。這些組合不能被混為「整套理論只有成立或不成立」兩種狀態。

12. 研究方法 I：先建立可重現的任務事件帳本

12.1 觀察單位與最小資料

一個最低限度的研究資料集可以由兩種表格組成：任務工作包表與事件表。

任務工作包表應記錄：

欄位	說明	防止的測量問題
`bundle_id`	相同實質工作包的穩定識別碼	同一工作被拆為多項假性新任務
`parent_bundle_id`	衍生或拆解自哪一個工作包	缺乏任務生成的因果線索
`root_goal_id`	對應的整體目的或交付承諾	無法區分細分與範圍擴張
`discovered_at`	首次被識別的時間	事後回填候選時間
`accepted_at`	被轉為承諾的時間	把「想到」當作「必做」
`source_type`	外生、自選、Agent 提議、成果衍生等	把所有新增都歸因於 AI
`scope_signature`	工作範圍、品質門檻及版本摘要	AI 導入後悄悄改變標準
`status`	候選、承諾、完成、封存、取消	無法復原狀態流量
`validated_at`	通過驗證的時間	把文字生成當作完成
`externalized_at`	對外交付或公開時間	把內部成果等同市場現實化
`human_minutes`	人類實際投入與審核分鐘	只能量 AI Token，無法量人類成本
`agent_minutes`	Agent 執行時段、等待與並行資料	把 Agent 運作時間等同人類時間
`risk_level`	低、中、高及不可逆程度	不當地要求高風險任務免審

事件表另外保存狀態變更、誰提出下一階段、誰核准、是否因取消配額而提早執行、驗證失敗或任務合併等事件。不能只保存當天最後一張待辦清單，否則失去推導中最重要的中介事件。

12.2 不蒐集不必要的私人內容

研究主要需記錄時間、類型、決策與工作包的品質證據，不必蒐集完整私人對話、商業機密、原始碼、金融資料或敏感健康紀錄。若研究涉及真實公司或協作者，應區分自願參與、授權範圍、匿名化及撤回權。即使研究者研究自己的工作，也不應因此把私人文件全部上傳公共研究平台。

12.3 加入完成判準與版本追溯

對每個工作包至少保留一個在啟動前界定的驗收契約，例如：

軟體：指定測試及相容性門檻；
論文：命題、反例搜尋、證據強度及引用範圍；
遊戲：核心玩法、通關路徑或可遊玩條件；
宣傳：原定發布渠道、素材完成和是否實際上架。

版本變更應作事件紀錄。如果 AI 能力變強後，工作品質期待也大幅提高，研究不應把所有額外時間歸因於「同一工作被 AI 加速後竟然變慢」，而要指出這是品質再投資或範圍再定義。

12.4 一個低干預的觀察方案

可先做八週的自願日誌研究，採每週一次的任務分類與每日簡短時間紀錄，而不是要求每分鐘都填表。先有兩週自然基線，再逐步比較不同 AI 使用強度、不同候選承諾政策與不同專案類型。

由於這不是隨機分派研究，資料只能先描述關聯，不可據此估計「AI 一定造成多少額外工時」。其真正價值是驗證資料蒐集是否可行、變數定義是否具有區辨能力，以及任務再生路徑能否被識別。

12.5 日誌不應再成為新的過勞來源

如果為了量測「工作太多」而新增大量日誌、填表和逐分鐘考核，研究工具本身就會改變工作量。因此任何測量應控制在低負擔範圍，可由既有任務管理與 Agent event log 自動生成匿名摘要。受試者可選擇停止記錄，而不因此失去研究參與資格之外的權利。

13. 研究方法 II：固定清單、開放清單與 AI 條件的對照實驗

13.1 為什麼只比較 AI 用戶與非用戶不夠

選擇使用 AI 的人，可能原本就更喜歡探索、更忙、擁有更多高價值工作或更具技術能力。因此，如果只看到 AI 用戶工作較久，不能直接推論 AI 造成工作延長。反過來，AI 高度普及的公司也可能本來就有較好的流程管理，不能因其工時短就宣稱完全由模型帶來。

合理的設計應盡可能分離「工具讓任務變快」與「工具使任務集合膨脹」兩條路徑。

13.2 二因子設計：任務清單是否可擴張 × AI 工具是否可用

概念上可建立四個隨機條件：

實驗組	工作清單	AI 使用	主要識別的問題
A	固定	不開放	基準任務時間、品質及完成量
B	固定	開放	在清單不變時，AI 是否真正節省時間
C	開放	不開放	即使沒有 AI，開放式任務是否自然擴張
D	開放	開放	AI 是否額外提高任務發現、承諾與工作需求

「開放清單」允許受試者提出新工作，但不強制全部承諾。「固定清單」可以記錄新想法作為候選，卻暫不將其加入當期可執行工作。兩者都需要公平的成果品質標準與相似的工作時間上限。

13.3 主要因果估計目標

本設計至少要預先指定：

AI 在固定任務條件下對單位人類時間的處理效果；
AI 在開放任務條件下對新候選發現率的效果；
AI 對候選轉承諾率的效果；
AI × 開放清單互動對未結工作存量的效果；
AI 對品質調整成果、休息時間及自主感的綜合結果。

這些應分別估計，不應只以「總產出變多」視為研究成功。

13.4 允許跨人的高度異質性

受試者在領域專長、AI 互動能力、工作熱情、對外承諾、收入安全、風險偏好及 Agent 使用經驗上可能不同。應預先登錄少數理論相關的調節因素，避免事後挑出支持假說的群體。

對部分長期使用 AI 的專家，強迫整段時間完全停用 AI 可能不合乎倫理或具備嚴重學習與選擇偏差。可以改用不同 AI 能力層級、逐步導入或可交叉設計，但需要在論文中承認估計目標改變。

13.5 任務範圍與新鮮感的控制

受試者在第一次取得新模型時可能因新鮮感增加探索；幾週後也可能消退。若只做一小時實驗，會把短暫興奮當成長期工作模式。因此應包含多週追蹤、期別固定效果、工具熟悉程度及不同任務類型；對長期追蹤也應注意自然的市場週期與生活事件。

13.6 結果的解讀矩陣

若 B 比 A 快、D 比 C 發現更多候選且承諾更多，支持「單項加速＋內生擴張」並存。
若 B 比 A 快、D 比 C 發現更多候選但承諾未增加，支持「可能性擴張可與時間主權共存」。
若 B 不比 A 快、D 仍產生更多候選，表示生成擴張存在但加速假設不成立。
若 B 比 A 快、D 也比 C 休息更多且工作義務沒有擴張，提供對「普遍工作強化」的反例。
若四組都沒有明顯差異，不應硬說微小趨勢已證實本篇模型。

14. 研究方法 III：人機—Agent 組織層級的干預研究

14.1 最小必要的組織政策比較

在獲得有效授權的自有或合作測試環境，可以比較兩種 Agent 運行模式：

模式 P（Proposal-first）： Agent 可以在完成工作後生成下一階段候選，但預設不自動新增到已承諾清單；跨越核准門檻才觸發新的工作流。

模式 A（Auto-continuation）： Agent 在預先設定的低風險授權範圍內，可依既定策略自動續接下一階段。

兩種模式都必須遵守安全、成本、存取權、測試、外部發布及停止條件。不得為研究需要讓 Agent 執行未知的對外不可逆操作。

14.2 不能只比較哪一組產出多

應共同比較：

結果面向	建議指標	為何重要
有效產出	通過驗收的工作包與品質	避免把草稿數當成果
工作增量	新候選／新承諾／新外部義務	測量工作是否被自身增殖
人類負荷	人類工作時間、回交次數、修復時間	避免只看 AI 運行時數
治理安全	未授權行動、失敗回滾、重大風險升級	低人工介入不能建立在風險隱匿上
主體自主	停止成功率、改變計畫的自由、休閒保護	測量時間主權而非單純吞吐
經濟實現	真正交付、使用者採用或收入訊號	區分潛在資產與現實價值

14.3 避免「把工作藏到 Agent 裡」的評估陷阱

如果系統減少了人類審批，但累積大量沒有完整驗證的自動改動，這不代表成功地降低工作負擔，而可能只是延後問題。如果 Agent 自動開啟越來越多分支，卻使 Repository 無法重現或退回，那麼新增的工作很可能是負債而非資產。

14.4 對接既有 HDUS／ANDO，但不宣稱已實現

EveMissLab 的 HDUS 與自主 AI 組織研究已提出 World-State、Authority、Agent 與驗證／提交分離的架構方向 [I3–I5]。本文的新要求是，在候選、承諾與完成之間增加可審計的狀態轉換與停止判準。這是一項待規劃的研究接口，不表示現有 HDUS Runtime 已完成上述全部功能。

15. 競爭解釋、混淆因素與真正能動搖本篇的反例

15.1 工作增加可能來自外部市場，不是 AI 內生任務

公司接到更多客戶、收入提高、主管下達新 KPI、發生產品事故，皆可能增加工作。若新增承諾主要來自 $X_t$ ，而不是 $G_t\rightarrow C_t$ ，則本文對自我生成任務的解釋力有限。研究必須分開估計外部義務增量，而非把一切工作擴張都歸因於 AI 能力。

15.2 高投入者本來就較容易使用 AI

創作者、研究者及創業者可能因原有高度投入而同時選擇高額度 AI 訂閱、使用更多 Agent 以及工作更久。這構成反向因果與自我選擇問題。沒有外生變化或合適的對照組時，不能由三者共現推導 AI 使用使人工作更久。

15.3 細分偏差會虛構候選暴增

任務工具愈成熟，一項工作愈容易被切成更多 Issue、PR、分工票與會議記錄。若工作包去重後，實質交付需求沒有上升，那就是計數制度改變，而不是內生任務擴張。此反證應優先檢查。

15.4 新的品質標準可能才是主要負荷來源

AI 可能讓「基本可用」變成「應該做到近乎完美」的標準。在這種情況下，任務數量變化不大，但任務規模與驗證要求增大。這不是第 5 節純粹數量彈性的適用區域，而是品質需求函數變化，需要使用異質工作包模型。

15.5 管理技術本身可能決定效果

如果組織已建立強而有效的完成定義、明確的交付需求、分級授權、批次審核和低負荷例外回交，即使 Agent 產能很高，新增人類工作也可能很低。這不是對模型的「令人不舒服的異常」，而是支持治理變數必須獨立建模的證據。

15.6 工作本身可能帶來非貨幣價值

某些創作者即使不需要額外收入，也可能自願將節省時間再投入研究。若個人充分知情、具備有效停止選項，且高投入並未違反其長期生活安排，就不能僅因其沒有轉化為閒暇，而斷言 AI 對他造成負面結果。

15.7 企業生產量可能成長，但個人的時間主權不變

高生產力可能提高團隊整體產出，卻透過分工將部分負荷移交其他人。只看創辦人時間、只看 Agent 工作量，或只看正式僱員工時，都可能漏掉外包協作者、內容審核者與其他受影響者。完整研究需追蹤負荷是否被轉移，而不是只看某一觀察主體。

15.8 工作總需求增加也可能是短期學習曲線

新工具剛導入時，員工會額外花時間學習、重建規則、排除錯誤；系統成熟後可能下降。若沒有區分導入期與穩定期，便容易把短期磨合誤當成持續性的內生擴張。實證分析應設學習期及成熟期分組。

15.9 真正嚴重的反證

若多個具有可比較任務帳本、足夠追蹤期間及可靠 AI 能力變化的研究皆顯示：

AI 加速不會增加可發現的實質新候選；
即使候選增加，也不會提高自我承諾；
人類工作需求不隨任務量／單項成本彈性的比較條件改變；
控制所有混淆後，工作擴張完全由外部需求決定；

則本文關於高投入、自主創作者的內生擴張主張須大幅收縮。保留這些反證條件，是避免讓理論成為無論發生什麼都能事後解釋的空泛框架。

16. 從描述性模型到可執行的治理判準

16.1 不是禁止新增專案，而是拒絕自動承諾

本篇不建議所有創作者把任務增長率降到零。某些值得探索的歷史窗口，確實可能使短期高強度研究具有重要意義。要避免的是把「AI 又想到一件能做的事」直接轉換成「今天又多一件必須做的事」。

因此可以建立一個非常輕量的決策關口：

新想法可以出現、可以記錄、可以成為資產；是否現在承諾、由誰負責、何時結束，是另一個明確決定。

這個關口不一定要由繁複的專案管理軟體實作。對單人創作者，簡單的候選資料夾與目前真正承諾的少量工作，可能就足夠。

16.2 完成判準要比下一個 Phase 更優先

若 AI 每次結束任務都自動提議下一階段，很容易讓工作流從單次可交付成果變成無上限優化。成熟系統應容許以下幾種結案狀態：

已達既定驗收條件，停止；
仍有低優先級優化空間，封存；
新需求出現，加入候選池但不即刻承諾；
有明確安全、法律或合同義務，按既定升級規則處理；
成果公開後交由外部使用者、研究社群或未來版本發展。

其中「已驗證完成，停止」應是一種完整而正當的成果，而不是等待下一個 Phase 的暫時狀態。

16.3 評估 Agent 成熟度時新增一個問題

既有 Agent 評估通常問：能處理多少步驟？任務成功率多高？工具使用多穩定？本篇建議再加入：

同等有效成果品質下，Agent 每取得一項新能力，是否會增加必須交給人類的新增義務？

這不是要求 Agent 永遠不能提問或提案，而是要求區分提案、責任承擔及授權執行。降低人類操作介入與保留必要的治理控制，必須同時成立。

16.4 經濟壓力是承諾決策的真實邊界

無論研究資產再多，沒有現金流時，基本訂閱、住宿、生活及外部承諾仍需支付。本文不主張「只要停止管理就有時間自由」，而承認收入安全、可用資本和法律義務將限制真正的退出能力。HACTS-09 將專門討論財務緩衝與長線創業；本篇不對任何個人的薪資、兼職或企業營收作保證。

16.5 「現在不做」可以是保存未來價值，不必是消滅價值

部分研究、程式碼及原型可以在保留依賴、測試、設計理由和版本資訊後暫時停止推進。未來 AI、硬體、資金及合作條件可能改善，使重新啟動更有吸引力。另一些市場敏感專案則可能因等待而失去先發效益。何時做、何時等屬於 HACTS-06／07 的雙向時點估值，本篇只要求不要把等待視為一律失敗。

16.6 高時間主權不等於低產能

當一個人自願且有條件地投入長時間研究，他不必符合外部預設的理想休閒工時。時間主權的核心是：能否改變節奏、是否存在有效停止與回返能力，以及已承擔的外部義務是否清楚。創造熱情可以被保留；不必要的義務增殖不應被視為熱情必須付出的固定價格。

17. 本篇與既有 EveMissLab 理論的增量邊界

17.1 相較 HODR-II

HODR-II [I1] 已提出選擇權囤積、不可逆決策、強牌悖論與可能性負債。其核心問題偏向「為何有大量好選項，卻不願意過早外化？」本文不以此為新的首次發現，而是研究即使願意不停執行，工作需求也可能如何從既有產能內生增長。

17.2 相較 HODR-IV

HODR-IV [I2] 已提出 AI 生產力與可能性空間爆炸、原型過剩、選擇頻寬及外化延遲。本文新增的不是「AI 創造更多選項」這句話，而是：

候選與承諾必須有不同帳本；
內生任務增長應以可比較工作包及彈性條件表示；
單位任務加速可以與總人類工作需求上升並存，且可推導臨界條件；
真實工作時間受有限人類時間制約，超出部分會分流到待辦、委任、延遲或取消；
減少無必要承諾不等於創造能力下降。

因此 HACTS-01 是 HODR-IV 的時間需求與義務形成方向的精細擴展，不是替換其外化理論。

17.3 相較 MPD 人機耦合狀態

MPD-16 [I6] 主張同一個 AI 對不同使用者不一定產生相同的有效增益。本文接受人機有效加速 $a$ 具有高度異質性的前提，並進一步問：當某位使用者的有效生產能力上升，新增需求和自我承諾如何調整？因此 MPD 主要提供能力側的條件化，HACTS-01 提供新增義務側的回饋模型。

17.4 相較 HAVT-06

HAVT-06 [I7] 已討論從失業時間到時間主權、AI 生產力紅利的社會分配。HACTS-01 聚焦自主創作者與 AI 協作組織的微觀生成過程，提供未來將時間紅利轉化為可支配生活時間時，需要觀察的具體承諾閘門與任務帳本。

17.5 相較 AI 原生組織／HDUS

既有《委任時間論》《操作員退出問題》及 HDUS／ANDO [I3–I5] 已提供 Agent 治理、權限、共享狀態、驗證與必要人工升級的架構。本文只提出一個新的跨系統需求：提案權、承諾權、執行權與外部提交權不能因 AI 生成能力提高而被自動混同。 此設計需求仍須另外工程化並驗證。

17.6 與 HACTS 後續篇章不重複的部分

後續篇次	應延伸的問題	本篇刻意不深入的內容
HACTS-02	配額重置與時間排程的誘導效果	特定訂閱方案和刷新週期的實驗
HACTS-03	高滿足感、高注意力投入與疲勞	生理與心理量表的完整模型
HACTS-04	Agent 並行後的認知待命	代理警覺的細緻測量及恢復機制
HACTS-05	停止、退出、回返與微觀時間主權	時間主權向量的規範證成
HACTS-06	人類創造窗口與歷史性先發價值	AGI／ASI 時間不確定性的形式估值
HACTS-07	何時等待更好的 AI 與未來資源	跨期實質選擇權最佳時點模型
HACTS-08	休眠專案與最小必要管理	長期保存、再啟動成本及管理負債
HACTS-09	生存時間、現金流與兼職備案	財務生存模型與創業路線
HACTS-10	人類節奏優先的自主 AI 組織	HDUS／ANDO 實作、安全與治理契約

18. 研究結論：生產力如何從自由變成義務，取決於一個尚可被選擇的轉換

本文分析了由 AI 能力提升到新增工作量之間的多重路徑：已有任務更快完成、更多可能性被發現、成果生出新分支、部分候選被主動承諾、Agent 並行產出帶來審查工作，以及累積義務受到有限人類時間的制約。

這些路徑說明了為什麼「單位任務效率提高」與「總工作需求提高」並不矛盾，但並沒有證明兩者必然同步發生。真正影響工作量方向的，是新增工作需求、承諾轉換、品質要求、審查成本與人類可用時間之間的相對變化。

第一個結論是任務集合不應被假設為固定。AI 不只能更快完成預先指定的工作，也能改變哪些工作值得被考慮。當這種功能存在，短期任務加速的實驗不能單獨回答長期總工時的問題。

第二個結論是候選任務不應被視為工作義務。可能性空間的擴張可以是創造自由的來源，而不是工作負擔的充分條件。其後是否產生新承諾，仍經過個人、組織及制度的決策閘門。

第三個結論是總時間需求具有可推導的臨界條件。只要在同質簡化模型中區分任務數量彈性與單位人類工時節省彈性，就能說明何時生產力提高反而增加總工作需求；當條件不成立，總需求亦可減少。

第四個結論是人類實際工作時間受限，過剩需求會轉為其他狀態。如果工作不能全部完成，增加的部分可能成為待辦存量、轉交 Agent、被保存、被重新規劃或被取消。因而工作需求、工作實現、產出與生活自主必須分開衡量。

第五個結論是真正成熟的 Agent 不應只會繼續工作，也應能尊重不繼續工作的決定。當 AI 從工具轉為具有長時程計畫能力的執行體，承諾與提案的區別需要成為受治理的系統契約。

最後，本篇提出以下規範性的核心句子：

技術擴張了可行集合，並不意味著人生必須同比擴張其工作義務。

人可以充分利用 AI 的最高能力，卻不必讓 AI 的最高吞吐成為自己的最低生活節奏。

這一結論不是要求人們減少創造，而是把創造欲望、有效產能與生活時間從一個自動運轉的工作增殖循環中重新分開。

附錄 A｜主要數學結果的完整推導與適用邊界

A.1 模型假設

取 $n_0>0$ 、 $h_0>0$ 、 $a\geq1$ 、 $\varepsilon\geq0$ 及 $v\geq0$ ，且研究期間任務定義、品質標準及工作包歸一化條件保持一致。

n(a)=n_0a^{\varepsilon}

h(a)=h_0a^{-1}+v

L^{req}(a)=n(a)h(a)

可展開為：

L^{req}(a)=n_0h_0a^{\varepsilon-1}+n_0va^{\varepsilon}

A.2 一階導數

\frac{dL^{req}}{da} =n_0h_0(\varepsilon-1)a^{\varepsilon-2} +n_0v\varepsilon a^{\varepsilon-1}

提出正因子 $n_0a^{\varepsilon-2}>0$ ：

\frac{dL^{req}}{da} =n_0a^{\varepsilon-2}\left[h_0(\varepsilon-1)+v\varepsilon a\right]

故需求工時增加的充要條件為：

h_0(\varepsilon-1)+v\varepsilon a>0

整理得：

\varepsilon(h_0+av)>h_0

即：

\varepsilon>\frac{h_0}{h_0+av}

此結論依賴上述函數形式及工作包可比較的假設，不能跨越適用域。

A.3 對數彈性表示

由鏈式法則：

\frac{d\ln L^{req}}{d\ln a} =\frac{a}{L^{req}}\frac{dL^{req}}{da}

代入可得：

\frac{d\ln L^{req}}{d\ln a} =\varepsilon-\frac{h_0}{h_0+av}

在觀察到離散 AI 能力變化而無法計算連續導數時，研究可用相近期間之對數差近似：

\widehat\varepsilon_n =\frac{\ln(n_2/n_1)}{\ln(a_2/a_1)}

\widehat\varepsilon_h =-\frac{\ln(h_2/h_1)}{\ln(a_2/a_1)}

且需 $a_1,a_2,n_1,n_2,h_1,h_2>0$ 、 $a_2\ne a_1$ ，並保證工作包口徑、時間來源及品質要求的可比性。若這些條件不成立，估計值就可能失真；在非隨機觀察資料中，上述估計仍只是描述性彈性，不自動具有因果意義。

A.4 簡化模型的局限

$\varepsilon$ 可能隨時間、工具強度、收入、興趣及未完成承諾而改變；
$n(a)$ 的增加可能不是平滑函數，而是跨越某個能力門檻的突變；
某些任務不可分割，平均時數不代表可自由拆解；
Agent 能獨立完成的部分不應全部算成人類直接工作時間；
部分工作因品質門檻提高而不能與基準工作包直接相比；
工作需求與實際工作時間受不同約束，不能互相偷換。

這些限制不應被當成瑕疵遮掩，而應決定下一輪實證是否必須改採隨機係數、異質任務及庫存—流量模型。

附錄 B｜事件帳本的最小語義契約

本附錄是研究接口草案，並非要求所有專案現場必須部署相同軟體。

research_series: HACTS
paper: HACTS-01
unit: normalized_work_bundle
identity:
  bundle_id: stable_pseudonymous_id
  parent_bundle_id: optional
  root_goal_id: optional
state:
  discovered_at: timestamp_or_null
  accepted_at: timestamp_or_null
  validated_at: timestamp_or_null
  externalized_at: timestamp_or_null
  status: candidate_or_committed_or_validated_or_archived_or_cancelled
origin:
  primary_source: external_or_self_or_agent_or_result_derived_or_repair
  evidence_pointer: redacted_local_reference
commitment:
  authority: human_or_pre_authorized_agent_or_external_contract
  revocable: true_or_false
  risk_band: low_or_medium_or_high
measurement:
  human_direct_minutes: nonnegative_number
  human_review_minutes: nonnegative_number
  human_integration_minutes: nonnegative_number
  ai_execution_minutes: nonnegative_number
  scope_revision_count: nonnegative_integer
  validation_result: pass_or_fail_or_not_evaluated
privacy:
  store_full_private_content: false_by_default

事件追溯應保存新候選是如何由已完成結果、外部事件或 Agent 提案形成；不得在缺少證據時自動標記為「AI 導致」。對可撤回的自我承諾應保留取消與封存事件，以便量測「沒有繼續做」也是一種有效決策。

附錄 C｜最小實證預註冊項目

在正式資料收集前，至少公開或封存以下方法決定：

主要假說、主要結果與最小值得關注的效應大小；
任務工作包歸一化與去重規則；
「已承諾」及「已完成」的可觀察條件；
AI 有效加速 $a$ 的測量方式，區分工具使用、Token 消耗與品質調整後的人類時間；
自我承諾、外部義務、Agent 提案及成果衍生的編碼規則；
固定清單、開放清單、可用 AI 等條件的隨機分派與遵從性；
主要混淆變數、遺漏資料與異常值處理；
對工時上限、參與者退出及研究干擾的倫理處理；
事後探索分析與事先指定之確認性分析的分界；
可否證門檻與負面結果的報告方式。

若模型從初始資料中發現 $\varepsilon$ 的形式不合理，應明示為修訂模型，不應將研究已見數據重新包裝成事前成功預測。

附錄 D｜三個思想實驗及其不同結論

D.1 寫作助理：固定十份報告

某位工作者必須完成十份同標準報告，且下班後不新增工作。AI 若確實降低單份工時，則十份報告完成後可以有更多自由時間。此場景下，不發生內生任務擴張，是理論完全容許的結果。

D.2 研究者：一項成果生成五個可行問題

研究者使用 AI 完成一項原本難以實作的原型，發現五個值得深入的後續方向。如果其中五項都被立即變成承諾，可能造成新工作暴增；如果五項被保存，僅依興趣挑一項，則技術仍然擴張創造可能性，卻沒有強制等量擴張工作義務。

D.3 代理組織：夜間完成三十份結果

Agent 群在夜間產生三十份輸出。如果每份都要人類早上人工全審，則人的回交時間可能激增；若系統預先具備可信的自動驗證、分級決策及封存契約，則只有少數高風險成果需要人類決策。此例不是「AI 是否夠強」的單一問題，而是提案、品質與治理在組織內如何被結構化的問題。

三個思想實驗都能與 AI 高生產力共存，卻導向不同的工作時間結果，正是本篇反對單一敘事的理由。

參考文獻｜外部公開研究

核對日期： 2026-10-16。以下文獻包含正式期刊、研究機構發表、專題田野觀察及預印本；其證據層級彼此不同。正文只引用與所述主張直接相關的結果，不把相關性、模型或觀察錯寫為普遍因果定律。

[E1] Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586
[E2] Brynjolfsson, E., Li, D., & Raymond, L. R. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
[E3] Ranganathan, A., & Ye, X. M. (2026-02-09). AI Doesn’t Reduce Work—It Intensifies It. Harvard Business Review. https://hbr.org/2026/02/ai-doesnt-reduce-work-it-intensifies-it （組織田野觀察及管理研究報導；非隨機對照實驗）
[E4] Suh, D., & Oh, S. (2026). Generative AI and the Reallocation of Time: Productivity, Leisure, and Fulfilling Work. arXiv:2602.12695. https://arxiv.org/abs/2602.12695 （預印本；2025 年韓國勞工問卷）
[E5] Becker, J., Rush, N., Barnes, B., & Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR, research paper. https://metr.org/Early_2025_AI_Experienced_OS_Devs_Study-paper.pdf （16 人、246 項任務、特定早期模型與工具條件）
[E6] Becker, J., Rush, N., Cunningham, T., Rein, D., & Mahamud, K. (2026-02-24). We Are Changing Our Developer Productivity Experiment Design. METR. https://metr.org/blog/2026-02-24-uplift-update/ （研究方法更新及選擇偏差警告）
[E7] 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
[E8] Leroy, S. (2009). Why Is It So Hard to Do My Work? The Challenge of Attention Residue When Switching Between Work Tasks. Organizational Behavior and Human Decision Processes, 109(2), 168–181. https://doi.org/10.1016/j.obhdp.2009.04.002
[E9] Zhang, Y., Li, T., & Chen, C. (2026). When AI works, employees worry: the vigilance cost of AI delegation in hybrid work. Frontiers in Psychology, 17, 1914119. https://doi.org/10.3389/fpsyg.2026.1914119 （雙波問卷、642 名混合工作員工；不等同實驗因果識別）
[E10] Bakker, A. B., Demerouti, E., & Sanz-Vergel, A. (2023). Job Demands–Resources Theory: Ten Years Later. Annual Review of Organizational Psychology and Organizational Behavior, 10, 25–53. https://doi.org/10.1146/annurev-orgpsych-120920-053933
[E11] Su, F., Beh, W. F., & Cheah, K. S. L. (2026). Efficiency or intensification? A systematic review of generative AI and academic workload in higher education. Acta Psychologica, 268, 107353. https://doi.org/10.1016/j.actpsy.2026.107353 （30 篇實證研究之系統性回顧）
[E12] Sonnentag, S., & Fritz, C. (2007). The Recovery Experience Questionnaire: Development and validation of a measure for assessing recuperation and unwinding from work. Journal of Occupational Health Psychology, 12(3), 204–221. https://doi.org/10.1037/1076-8998.12.3.204

外部資料的證據解讀限制

本篇未直接取得所有研究的完整原始資料與重現程式。即使引用 DOI 及研究方法，也不表示本文獨立重做上述所有統計分析。實際對外學術投稿時，應依目標期刊規範檢查引用版本、勘誤、統計細節與研究倫理。

參考文獻｜EveMissLab 既有研究（內部先行理論）

以下係用於源流對照的既有研究文件。它們未必已經對外發布或通過獨立同儕審查；本文不因其存在而宣稱原創性已獲外部確認。若雲端存在多個版本，正式對外發布前應再次比對 canonical 原稿。

[I0] HACTS-00｜從無限可做之事到有限可支配人生（2026-10-16；本系列總論；UTF-8 Markdown 原稿）。
[I1] HODR-II｜選擇權囤積與不可逆決策（2026-09-26）。
[I2] HODR-IV｜AI 生產力與可能性空間爆炸（2026-09-26）。
[I3] 委任時間論：自主 Agent、人類介入密度與治理槓桿（2026-08-20）。https://unboundedaxiom.org/p/lm-003321/
[I4] 從 AI 工具到 AI 組織：操作員退出問題（2026-08-20）。https://unboundedaxiom.org/p/lm-003327/
[I5] World-Native Agent Organization：HDUS 中的原生 ANDO 與橋接層消解（2026-08-23）。https://unboundedaxiom.org/p/lm-003841/
[I6] MPD-16｜人機耦合狀態：為什麼同一個 AI 對不同使用者不是同一種生產工具。
[I7] HAVT-06｜從失業時間到時間主權：AI 生產力紅利應流向哪裡（2026-10-06）。https://unboundedaxiom.org/p/lm-004988/

文件狀態、研究責任與版本規則

本稿版本： HACTS-01 v0.1，完整理論初稿；不是已執行之統計研究或臨床診斷。
新提出之內容： 明確以候選—承諾—完成作三段帳本，建立承諾轉換與內生工作量彈性條件，並提出相應可否證研究與 Agent 決策閘門。其創新性需接受與已有研究的公開比較，不得僅因本文命名便宣稱全球首次發明。
形式化性質： 第 4、5、6 節等式包含定義、工作量恆等及示例模型。數學推導只保證模型內的邏輯，不等於已估計真實世界參數。
發表規則： 未公開技術、商業資產與私人對話不因本稿出現而自動獲得公開授權。公開形式、作者署名、授權與外部聲明由權利人另行決定。
可修正性： 下一版應依最新實證結果，補充工作包分布、因果辨識、質量調整與更嚴格的異質任務模型。負面結果亦須納入。
正式原稿： 以此 UTF-8 Markdown 的文字及 canonical LaTeX 分隔符為準；聊天畫面不構成原始學術來源。

END — HACTS-01 v0.1