HACTS-02｜額度重置與時間支配：當可用算力反向安排人類生活

從可失效的智能計算索取權、期限誘發使用、注意力影子價格到可恢復的時間主權

English title: Quota Reset and Temporal Capture: Expiring AI Capacity, Human Attention, and the Governance of Work Rhythms
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： 02／10（第二篇專論；直接承接 HACTS-00、HACTS-01）
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： 條件性時間經濟學模型、行為機制比較、形式推導、可否證假說及研究設計
狀態： 完整理論論文初稿；未執行本模型的原創人類受試者實驗；未經外部同儕審查
Canonical source： 本 UTF-8 Markdown 檔；僅使用 $...$ 與 $$...$$ 作為數學原始碼分隔符
研究與倫理邊界： 非 AI 平台政策解讀、非臨床診斷、非特定產品訂閱建議、非已證實之普遍心理定律；公開前須由權利人檢查未公開商業資料與技術資訊

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司

摘要

生成式人工智慧的資源取得，經常不是單純依照已使用量計費，而是透過訂閱層級、時段限制、訊息上限、推論預算、Agent 執行額度、並行槽位或其他具時效性的使用權配置。這些機制使 AI 能力同時具有兩種時間：一種是模型或 Agent 執行工作的計算時間，另一種是人類必須在某個限制週期內決定是否使用的生活時間。當可用容量無法完整累積至下一週期，即使容量已充裕，剩餘額度仍可能因即將失效而成為一種具有心理、經濟與行為意義的期限訊號。於是產生反直覺現象：行動者未必缺乏 AI 額度，甚至尚有很多值得完成的專案，真正緊缺的卻可能是能否不受額度時鐘安排的自主生活時間。

本文提出「額度重置—時間支配」的條件模型（Quota-Reset Temporal Capture；QRTC），區分訂閱費用、當期已獲授權容量、實際可用計算量、候選任務、已承諾任務、人類注意力成本、額度到期殘量與未實現的合法使用價值。本文主張，額度失效不自動構成經濟損失，也不自動意味著必須把額度用完：若後續任務的邊際效益不足以彌補人類時間、審查、切換與恢復等成本，保留未使用額度至到期，可能是完全合理的最適行為。然而，對於能不斷生成有趣任務、持續使用多個 Agent 並重視技術歷史窗口的高投入行動者，額度期限可能放大「不用就浪費」的主觀損失、改變工作時段，甚至促使尚未承諾的候選任務提前轉為工作義務。

本文從經濟學的沉沒成本、預付費消費、資費選擇偏誤、到期獎勵、認知監督與工作恢復研究出發，提出不依賴單一心理假說的機制分解：合理的期限內使用、已付款浪費感、剩餘容量顯著性、期限前任務提前、任務需求內生擴張，以及 Agent 回交／監督負擔。接著建立離散任務與連續資源的雙重模型，明確區分真正的容量影子價格與主觀期限損失權重。在簡化凹效用模型中，主觀失效懲罰可使行動者的使用量高於其依完整時間機會成本計算的最適使用量；然而當額度本來稀缺、存在高價值臨時任務，或能在到期前自由委任低成本驗證時，期限前集中使用也可能合理。本文不把上述任一結果提升為普遍定律。

最後，本文提出九組可反駁的預測、四類實驗／自然實驗設計、跨平台資源帳本、時間主權的行為測量，以及訂閱與自主 Agent 系統可採用的規範性設計原則。本文對 HACTS-01 的主要增量，在於區分由 AI 能力擴大候選任務與由額度失效時間迫使候選提前承諾兩個不同的因果來源；對既有 AI 計算時間經濟學的增量，則是從「如何有效配置 AI 資源」進一步轉向「誰有權決定何時不再為這些資源工作」。

關鍵詞： 額度重置、使用權失效、AI 計算時間、時間主權、期限誘發使用、沉沒成本、預付費偏誤、額度影子價格、主觀損失權重、Agent 工作節奏、認知待命、創業資源配置、可否證決策模型。

0. 問題陳述：可用算力還很多，為什麼工作仍然感到緊迫？

0.1 「用不完」與「依然需要更多」可以同時成立

一個高度投入 AI 創造的使用者可能同時持有以下陳述：

可供研究、開發、驗證及創作的長期工作確實遠超過當下能完成的量；
當期 AI 訂閱或配額卻可能在重置前尚有未使用資源；
AI Agent 可以在使用者睡眠、進餐與休閒時獨立運作；
即使已能委任執行，人類仍需投入問題選擇、品質審查、成果歸檔、策略切換及必要治理；
如果資源不會完整累積至下個週期，使用者可能感受到「今天不做，當期容量就浪費」；
使用者同時又希望為財務可持續性、休閒與長期研究保留不受系統期限支配的時間。

上述六項並不矛盾。長期工作需求、當期可用 AI 額度與當期人類可支配時間，是三種不同資源。將它們混為「額度是否足夠」的一個指標，將遺失本研究最重要的現象。

0.2 技術時鐘不等於生活時鐘

AI 平台可以依服務設計在不同時間重置使用上限。人類卻不會因系統重新發給配額，就同步補回睡眠、身體狀態、注意力與生活關係。這些時間座標既不等價，也不具有相同的可儲存性。

因此本文的關鍵研究問題不是如何保證每個使用者都用完訂閱，而是：

當一個人有能力把可用 AI 資源持續轉換為新的工作，卻逐漸以配額期限安排自己的生活時，這是合理的資源配置、可觀察的行為偏誤，還是兩者在不同工作上的混合？

這個問題不能用「不該工作太久」或「既然付了錢就應該用完」的單一句子解決。它需要一個同時容納價值、期限、資源、責任與個人時間選擇的模型。

0.3 本篇的核心區分

本文不把以下命題相互等同：

高 AI 使用量不等於高 AI 成果價值。
未使用的已付費容量不等於可追回的現金損失。
額度重置造成使用高峰不等於高峰必然不理性。
人類沒有親自執行不等於人類已停止對成果負責。
更多候選任務被看見不等於每個候選都應獲得承諾。
可以不做不等於不需履行既有合約、法遵與安全責任。
當期未使用資源不等於使用者不適合該訂閱方案；容量保險與緊急可得性可能也具有價值。

本篇將條件性研究與價值判斷分開：描述性模型問「什麼條件下會發生期限誘發工作」，規範性主張問「使用者能否在合法承諾內保留對節奏的最終決定權」。

1. 文獻對照：既有研究已處理哪些機制？

1.1 沉沒成本：已支付不等於下一步應繼續投入

Arkes 與 Blumer（1985）研究沉沒成本效果，指出在已投入金錢、時間或精力後，人們可能更傾向繼續某項行動；作者以購買戲劇季票的現場情境及問卷實驗考察此機制 [E1]。它是理解「明明已訂閱，所以不使用會浪費」的重要先行研究，但不是針對 AI 額度失效的直接實證。

若當期訂閱費已不可追回，而不同使用選項不影響當期付款，已支付費用在當期追加使用決策中通常屬沉沒成本。這不等於訂閱本身不值得，也不表示下個週期是否續訂不需考慮價格。本文將「當期已付費」與「下期是否值得付費」嚴格分開。

1.2 預付費與支付折舊

Gourville 與 Soman（1998）提出 Payment Depreciation，指出預付款項與實際消費相距越久，消費者對已付出成本的心理感受可能改變 [E2]。Soman 與 Gourville（2001）進一步研究 Transaction Decoupling，發現打包付款可能降低消費者將單次使用對應到特定付款的傾向，因而改變是否實際消費已購服務 [E3]。

因此，「已付費所以一定會拼命使用」不是穩定普遍的假設。某些使用者對沉沒成本極敏感；另一些人可能因服務高度打包、使用量難以對價或支付感受折舊，反而不在乎剩餘次數。這種異質性是本篇重要的可反駁條件。

1.3 固定費率偏誤與訂閱選擇

Lambrecht 與 Skiera（2006）分析資費選擇偏誤，指出部分消費者偏好固定費率，即使按次收費在觀察到的使用情境中會更便宜；反向偏誤也存在。作者討論保險、避免計費焦慮及使用預期錯估等因素 [E4]。DellaVigna 與 Malmendier（2006）研究健身房契約及出席行為，發現部分會員的付款模式、實際使用與取消時機不符合簡單的完全理性預測 [E5]。

這些研究能解釋為何「高額訂閱」不能僅以平均使用次數評價，卻不能由此推出某個具體 AI 使用者必然買錯方案。高階訂閱可能同時購買峰值容量、優先權、特定能力可得性與避免中斷的保險效果；必須依真正的使用價值及成本衡量。

1.4 到期效應：相似但不相同的外部證據

Shin 與 Casidy（2021）針對旅館忠誠度制度的點數失效及資格降級設計進行實驗，觀察到失效政策與使用者的損失感、公平感及後續行為有關 [E6]。這說明「已取得權益會到期」可能本身就是行為訊號。然而，旅館點數與 AI 算力配額不是相同財貨：點數可能可兌換實物，AI 訂閱可能是不可轉讓且受平台限制的服務容量；因此僅能借用機制，不得直接搬用效果大小。

1.5 委任不等於恢復

Zhang、Li 與 Chen（2026）在 642 名混合辦公員工的雙波調查中提出 AI Process Vigilance（AIPV），描述將工作交付 AI 後仍持續監看進度、擔憂品質與預期錯誤的認知牽掛，並分析其與工作反芻、心理抽離及恢復的關聯 [E7]。本篇承認這一具名先行概念，不把「Agent 仍在工作，所以人類難以抽離」宣稱為本系列首次發現。

Leroy（2009）對未完成任務間切換的注意力殘留提出實驗證據 [E8]；Sonnentag 與 Fritz（2007）將心理抽離、放鬆、精熟感及控制感分成不同恢復經驗 [E9]。這些研究支持在量測額度期限作用時，不能只記錄工作分鐘，還需記錄自主感與非工作時段是否被任務牽掛佔據。

1.6 AI 工作強化與效率紅利的異質性

Ranganathan 與 Ye（2026）描述 AI 使用可能伴隨工作範圍擴張與工作節奏提高 [E10]；但這不足以證明「額度失效」就是造成擴張的原因。HACTS-01 已將內生工作擴張作為獨立機制分析 [I1]。本篇真正的新問題是，在工作能力與候選清單相同時，是否因額度到期而重新配置人類時間、提高自我承諾，甚至提前開始原本不急迫的工作。

1.7 研究誠信：撤稿文獻不作為有效支持

Ariely 與 Wertenbroch（2002）的期限與自我控制研究曾被廣泛引用，但該文已於 2026 年 9 月 2 日正式撤稿 [R1]。本文不以其實驗結果支持「期限會改善績效」或「人為期限必然有效」，僅在研究來源稽核中記錄排除理由。此例提醒我們：研究新技術時，不僅要查找經典引文，更要檢查其最新文獻狀態。

1.8 本篇相對既有研究的新貢獻

本文的增量預期有四個：

把到期的智能計算可用容量與人類不可重置的時間納入同一個狀態模型；
分開估計真正有用的期限前投入、沉沒成本感、配額失效懲罰與 Agent 回交成本；
以不使用容量也可能最適的數學條件，限制「使用率最大化」的規範誤用；
提出可比較、有對照且可反駁的 rollover／重置週期／通知顯著性研究設計。

新名詞只是研究方便的介面；原創性與理論有效性仍需接受與相關資費經濟學、行為決策及工作研究的公開比較。

2. 研究對象與六種資源分帳

2.1 先把「額度」拆開

在一個真實 AI 系統中，常被統稱為額度的東西可能是不同限制：

資源	操作性定義	是否可能在時間點重置	核心誤用風險
訊息／操作次數	週期內可提交請求、工具或回合的數量	依平台規則	以回合數取代成果價值
推論或算力預算	有限的計算、token 或工作量	依服務契約	不同成本工作被視為相同單位
Agent 工作配額	一定時間內允許執行的任務或事件	可能	任務切分造成使用量假成長
速度限制	每分鐘／每小時可使用的流量	滑動或固定視窗	誤把短期節流當月度總量
並行槽位	同時可運行的工作數	常是動態釋放	誤把並行能力當總時間增加
方案附帶能力	某模型、工具或品質等級的可取得資格	依方案有效期	有權使用不等於必須使用

上述屬一般性分析分類，不宣稱某一家平台於 2026 年 10 月採用特定數量、倍率、重置方式或無限使用保證。實證應記錄當時可驗證的真實產品條款。

2.2 當期容量與當期有效容量

令 $Q_k$ 為第 $k$ 個資源週期名義上可用的計量容量， $q_{k,t}$ 為該週期時點 $t$ 的剩餘量。若平台另有模型種類、併發與速率限制，真正可執行的工作量會受到資源向量及任務要求約束；不應假設一個單一 $Q_k$ 足以表示全部可用 AI 服務。

本篇為便於推導，會在指定章節使用單一容量近似；但它只是局部模型，不構成所有實際配額的完整映射。

2.3 人類注意力與治理時間

令 $H_{k,t}$ 表示使用者當期可自主配置的實際工作時間， $h_i$ 為任務 $i$ 所需的直接人類投入， $g_i$ 為其審查、回交及治理投入。

T_{H,i}=h_i+g_i

此量與 AI 使用量 $q_i$ 沒有普遍固定換算率。某些自動化工作可以使用大量算力而幾乎不要求人類同步參與；另一些高風險工作即使用量很低，也可能需要大量人工驗證。

2.4 必須明列的經濟成本

對任務 $i$ ，本文記錄：

$V_i$ ：依預先約定品質與用途估計的增量價值；
$q_i$ ：所需當期 AI 容量；
$h_i$ ：直接人類時間；
$g_i$ ：治理與審查時間；
$s_i$ ：工作切換、重新熟悉脈絡與整合成本；
$c_i$ ：額外現金、能源、外部服務或不可忽略的使用變動成本；
$r_i$ ：風險、不可逆性與必要驗證的預期成本；
$o_i$ ：延後或保留未來選擇權的價值（可為正或負）。

同一任務的價值與成本具有不確定性，不能只因 AI 能產生一份初稿就將 $V_i$ 視為已驗證收益。

2.5 區分四個「不用」

一，已購權益到期未用。 只是當期服務資格失效，不能自動計為新的現金支出。

二，因能力不夠而不能用。 需要學習、設備、權限或知識，與主動選擇休息不同。

三，因人類時間稀缺而選擇不使用。 可能是理性的跨資源最適配置。

四，因未預見有效用途而錯過機會。 可能是資訊、規劃或市場辨識問題，但也不自動等於行為偏誤。

若沒有上述分類，任何未使用比例都可能被錯誤宣稱為「浪費」。

3. 核心概念：額度期限的反向時間支配

3.1 Quota-Reset Temporal Capture（QRTC）

本文暫定義「額度重置時間俘獲」（Quota-Reset Temporal Capture，QRTC）為一種可操作、可反駁的時間配置狀態：在維持其他重要條件近似不變時，使用者因 AI 容量即將失效，而提前、延長或重排原本可以較自由安排的工作，且這種重排造成可測量的人類時間機會成本或自主感損失。

QRTC 是研究標籤，不是已被心理學界公認的疾病、成癮診斷或平台操控事實。它也不預設每個人都對額度期限敏感。

3.2 期限誘發使用與期限誘發承諾不同

本文分別定義：

期限誘發使用（Deadline-Induced Utilization）。 原本已決定執行的任務，因到期而被排在更早時段執行。只要不顯著損害工作品質與人的其他重要目標，它可以是合理安排。

期限誘發承諾（Deadline-Induced Commitment）。 本來只存在於候選集合中的研究、產品或實驗，因額度即將到期而被提前轉為正式工作義務。這個過程可能具有效益，也可能造成新負債。

在 HACTS-01 的工作事件帳本中，前者屬於 committed -> earlier_schedule，後者則是 candidate -> committed。同樣的使用尖峰，可能來自完全不同的行為機制。

3.3 支配不是指平台具有人的意圖

「反向支配」是一種系統層級的描述：當配額時間規則成為使用者調整生活的主要時鐘時，技術服務已不只是被動工具。這不需要假定平台有主觀意圖，更不能在未檢驗定價及政策資料前宣稱平台故意傷害使用者。

3.4 真正的時間主權不是低使用率

有充分自主權的人，可以選擇在某個月高強度研究，也可以選擇不工作；即使每天使用全部配額，也不構成時間主權喪失的證據。關鍵是：使用者是否有實際可行、不承受不合理懲罰的停止、延後、改期與不回應能力。

因此，時間主權的測量不能把「使用量越低越自由」當成定義，也不能用主觀疲倦單獨作判準。

4. 靜態經濟模型：已購容量不是必須用完的指令

4.1 二元工作選擇

令 $z_i\in\{0,1\}$ 表示是否在當期執行任務 $i$ 。在單一計量資源近似下，決策問題可表示為：

\max_{\mathbf z}\quad \sum_{i=1}^{n}z_i\left(V_i-C_i^H-c_i-r_i\right)

滿足：

\sum_{i=1}^{n}q_i z_i\leq Q, \qquad \sum_{i=1}^{n}(h_i+g_i+s_i)z_i\leq H

其中 $C_i^H$ 表示人類時間依其實際機會成本所換算的任務成本，不一定是市場工資。若休息、生活或其他重要工作具有價值，就不能把人類時間的價格設成零。

此模型簡化了跨任務依賴、成果不確定性與成本重複計數；正式實證時必須標明如何避免人類時間同時被納入 $V_i$ 又再次從 $C_i^H$ 扣除。

4.2 為何不把當期已付月費放進每項決策？

令 $F_k$ 為週期 $k$ 已經支付、在當期選擇時不能追回、也不隨每次使用而改變的固定費用。當比較同一週期內的 $z_i$ 時，加入常數 $-F_k$ 不改變最適方案：

\arg\max_{\mathbf z}U(\mathbf z) = \arg\max_{\mathbf z}\left(U(\mathbf z)-F_k\right)

這只是沉沒成本不應改變當期邊際選擇的數學表述，不代表當初是否訂閱或下期是否續訂不重要。若實際使用產生超額計費、消耗跨期可轉移額度或影響其他合約權利，則相關費用並非沉沒，應另行計算。

4.3 什麼情況下不使用是最適的？

若剩餘候選工作的預期增量收益皆不足以覆蓋其所有增量成本，最適方案可以保留未使用容量。用邊際比較表示：

\Delta V_i < \Delta C_i^H+\Delta c_i+\Delta r_i

則在沒有互補價值或其他外部約束時，單純因額度還有剩，不構成開始任務 $i$ 的理由。

這裡的「未使用」是一個可允許的最適終點，不是模型失敗。

4.4 影子價格：容量充裕不等於影子價格很高

對於可微且具適當正則條件的連續型容量配置問題，令 $\lambda_Q$ 為資源上限約束的非負拉格朗日乘數。互補鬆弛條件為：

\lambda_Q\left(Q-\sum_i q_i\right)=0, \qquad \lambda_Q\geq 0

因此，若最適解的容量約束並未束緊，則：

\sum_i q_i < Q\quad\Rightarrow\quad\lambda_Q=0

這表示在給定效用、任務與其他資源限制下，多增加一單位同型容量未必提供額外最適價值。它不表示原有訂閱完全沒有價值，因為初始容量可能已促成大量有價值工作，且未來事件可能改變容量的稀缺性。

4.5 真正的容量價格與期限損失感不得混淆

容量影子價格是額外容量能增加多少最適客觀評價下的目標值，會隨具體任務需求改變；主觀期限損失感則是「如果到期沒用掉，我感覺損失了多少」。兩者可以同時為正、同時為零，也可以只有其中一個為正。本文在第 6 節將兩者分開建模。

5. 跨期模型：重置時鐘、可轉移性與動態選擇

5.1 配額的基本狀態轉移

設每個服務週期有 $T$ 個離散時段， $q_t$ 為時段初剩餘的容量， $x_t$ 為本時段合法使用量，且：

0\leq x_t\leq q_t

在同一週期內：

q_{t+1}=q_t-x_t

若不可跨期轉移，週期終點之後，下一週期初始容量由該方案的服務規則重新決定：

q_{T+1}=Q_{\mathrm{next}}

注意：上式不表示每個平台都以固定曆日、固定總量或固定重置時刻提供服務。滑動視窗、滾動速率限制、部分抵扣、補償額度及跨期可用的促銷點數，均需用不同狀態方程表示。

5.2 到期殘量不是新的負數帳款

令當期期末剩餘容量為：

R_T=q_T-x_T\geq0

如果該容量依法或依合約到期而消失，則期末不再具有下一期使用權。但不可直接寫成：

\mathrm{MonetaryLoss}=p\,R_T

除非存在可退費、可轉售、可轉讓或明確可兌回的合約價格 $p$ ，使殘量確有可實現的金融價值。對已付且不可退費的服務容量，將單位訂閱均價乘上未用量，通常只能得到內部成本分攤指標，不能自動當作新的現金流出。

它仍可能對使用者具有正的喪失使用機會感；這種主觀感受應予量測，而不是偷換成財務事實。

5.3 動態規劃與真正的等待價值

除了 $q_t$ ，引入尚未完成的合法承諾庫存 $b_t$ 、已知可行候選集合 $\mathcal A_t$ ，以及人類當期可投入時間 $H_t$ 。動態價值函數寫作：

J_t(q_t,b_t,\mathcal A_t) =\max_{a_t\in\mathcal D_t} \left\{ U_t(a_t) +\delta\,\mathbb E[J_{t+1}(q_{t+1},b_{t+1},\mathcal A_{t+1})] \right\}

其中 $\mathcal D_t$ 包含使用額度、保存候選、延後承諾、停止工作與休閒等合法選擇。 $0<\delta\leq1$ 為研究中事先指定的跨期權重，不假設所有個人的主觀折現率相同。

當期限接近時，使用當期容量的最適價值會受到剩餘高價值任務、可用人類時間及未來新增資源的影響。若已無值得做的任務，保留容量直至到期可以是最優策略；若有不可延後的高價值任務，到期前集中使用反而可能是合理選擇。

5.4 配額的客觀邊際價值不一定隨截止日單調上升

在允許選擇不使用、且多一單位容量不強迫增加工作時，額外可用容量不會降低最適可行值。因此在相同資訊及目標下，容量對動態最適值的貢獻通常為非負。但它並不意味著「越接近截止日，容量越值錢」。

若一週初仍有多天可以安排工作，一單位容量尚有多個未來用途；若距離失效只剩幾分鐘，卻沒有可在有限時間完成的有價值行動，這一單位容量的剩餘最適價值甚至可以趨近於零。

本文因此區分：

\lambda_t^{objective} \quad\text{與}\quad \kappa_t^{perceived}

前者是額外容量的最適增量價值；後者是額度失效所引發的主觀損失權重。兩者隨期限的變化方向可能相反。

5.5 轉存與滾存制度

若部分未使用容量可轉存到下一期，令 $0\leq\alpha\leq1$ 為可轉存比例、 $Q_{k+1}$ 為新一期基本容量、 $\overline Q$ 為可用餘額上限，一種簡化表示為：

q_{k+1,0} =\min\left\{\overline Q,\,Q_{k+1}+\alpha R_k\right\}

但不同平台可能按最舊額度先扣、先扣新額度、附加獨立到期日、或根本不允許此類轉存。若要做真實政策比較，必須標明每一類容量的法律與技術生命週期，不能將所有轉存抽象成同一個可加數字。

5.6 轉存不保證總使用量提高或降低

部分轉存制度可能降低期限前衝刺，使工作分布更平滑；但也可能因預期「反正下月還能用」導致推遲行動，降低短期使用率。反之，若到期前有高價值工作，不能轉存也可能促使較好的及時安排。研究必須同時比較成果、時數、休閒控制感與未使用容量，不能只將使用率提高視為政策成功。

5.7 哪一種時間才是真正不可逆的？

AI 執行時數可以平行化，許多服務週期可以重複購買，某些工作也可以保存至未來。然而，人類已經度過的一小時不會因下期充值而返回；它可能被用於工作、睡眠、家人、休閒或其他不可等值交換的生活活動。

本篇採用 HACTS-00 的時間層次區分 [I0]：有限人類時間不要求工作最少化，而要求不把機器容量的過期時鐘當成人類全部活動的最高決定規則。

6. 行為偏離模型：主觀浪費懲罰如何增加使用量？

6.1 從客觀增量效用到主觀期限懲罰

假設某一簡化週期內， $x$ 表示實際使用的同質 AI 容量， $Q$ 表示可用總容量。先忽略高風險任務、離散啟動門檻與跨期依賴，定義充分計入人類機會成本後的客觀效用：

U(x)=vx-\frac{b}{2}x^2-cx

其中 $v$ 是初始邊際收益， $b>0$ 表示隨使用量提高的邊際收益遞減， $c\geq0$ 包含與該使用量相關的真正新增成本（特別是人類時間的機會成本）。約束為：

0\leq x\leq Q

此式只是一個可計算的思想實驗，不是估計得到的 AI 使用效用函數。其簡單形式不足以描述所有非凹任務、品質閘門或不可分割工作。

6.2 最適使用量不一定等於全部容量

對內部解，一階條件為：

\frac{dU}{dx}=v-bx-c=0

因此：

x^*=\min\left\{Q,\max\left\{0,\frac{v-c}{b}\right\}\right\}

若 $0<(v-c)/b<Q$ ，最適解確實會留下部分容量。這不是「浪費」的數學證明，而是合理情況下最適解可以不碰上服務上限。

6.3 主觀失效懲罰

假設行動者對未使用容量有一個主觀懲罰權重 $\kappa\geq0$ ，其感受到的目標函數為：

\widetilde U(x) =U(x)-\kappa(Q-x)

注意 $\kappa$ 不必然是心理疾病或固定人格特質；它可能因產品顯示、已付款回想、短期目標、收入狀態、重要專案、個人價值觀與期限顯著性而變化。甚至部分權重可能反映真實但未被客觀模型捕捉的可用機會；只有在控制真正遺失的增量價值後，才能判定是否存在偏離。

求導：

\frac{d\widetilde U}{dx} =v-bx-c+\kappa

得到：

\widetilde x^* =\min\left\{Q,\max\left\{0,\frac{v-c+\kappa}{b}\right\}\right\}

6.4 簡化模型中的「工作增量楔子」

當 $x^*$ 與 $\widetilde x^*$ 均位於內部時：

\widetilde x^*-x^*=\frac{\kappa}{b}

若每一單位使用量平均需要 $\eta>0$ 小時不可平行化的人類時間，則在此簡化設定下：

\Delta H=\eta\frac{\kappa}{b}

這是模型內的條件推導。它不意味著所有使用者的實際額度壓力必然和工時線性相關，也不表示所有 AI 使用都必須占用人類同步時間。

6.5 為何不能把 $\kappa$ 當成任意殘差？

若無獨立操作化的量測，任何觀察到的額外使用都可以事後被解釋為 $\kappa$ 上升，模型會失去可反駁性。因此本篇要求至少以三類證據來識別：

在不改變可用工作與總容量下，只改變剩餘期限可見性或期限規則，觀察使用計畫是否改變；
在測量已存在高價值任務及期限外部效益後，檢驗是否仍有額度到期導致的額外承諾；
對照使用者事前聲明的願付成本、事後成果品質、實際人類時間與主觀後悔／滿意度，區分合理使用和失效懲罰。

未做上述識別時， $\kappa$ 僅能視為未辨識的理論參數。

6.6 沉沒成本與失效懲罰不是同一件事

如果使用者說：「我已經付了很多錢，所以一定要讓它有價值」，可能反映沉沒成本。若使用者說：「再不使用，下期額度就會重新計算，這些剩餘量不能帶過去」，可能反映期限失效。兩者常共同出現，但因果方向不同。

一個完全免費、但不能滾存的高價值計算試用額度，也可能產生期限誘發工作。反過來，即使服務已付費，只要使用者並不在乎剩餘量或當下沒有值得做的任務，也可能沒有額外工作負擔。

6.7 主觀收益也可能是真實收益

前述模型不能先把所有額度期限壓力認定為錯誤。若行動者十分喜愛研究，從額外 AI 使用及當下創作過程本身獲得真正的經驗效用，則此效用應加入客觀目標函數，而不是隨意扣除。本文拒絕把「工作很久」或「使用量很高」單獨當成非理性證據。

真正有意義的比較是：在保留工作樂趣、時間偏好及合法目標的前提下，同一個人若能自由把容量帶到未來，是否仍會在相同時間點選擇相同工作強度？

7. 工作時間重排：期限如何影響候選任務轉為承諾？

7.1 兩種需求生成來源

HACTS-01 的主要機制是能力提高後，候選任務數量增加 [I1]。本篇再加入時間期限：

\mathcal F_t\rightarrow\mathcal C_t\rightarrow\mathcal B_t

其中 $\mathcal F_t$ 是可行工作集合、 $\mathcal C_t$ 是已發現候選、 $\mathcal B_t$ 是已承諾且未完成工作。額度即將失效可能不改變 $\mathcal F_t$ 的技術本質，卻提高部分候選於當期被承諾的機率。

一項因算力加速而變得可行的研究，是「能力效應」；一項原本可下個月做、卻因本週額度要失效而提前開始的研究，是「期限效應」。兩者可能相乘，但不應重複計數。

7.2 條件式承諾機率模型

對候選工作 $i$ ，可在實證中使用離散選擇模型：

\Pr(z_{i,t}=1) =\sigma\left( \beta_0+\beta_1 V_{i,t}+\beta_2 E_{i,t} +\beta_3 D_{i,t}+\beta_4 A_t+\boldsymbol\beta'\mathbf X_{i,t} \right)

其中 $z_{i,t}=1$ 表示候選被當期承諾， $E_{i,t}$ 為剩餘額度或到期顯著性、 $D_{i,t}$ 為真正的外部截止壓力、 $A_t$ 為有效 AI 能力、 $\mathbf X$ 包含研究興趣、財務條件、模型速度、人類可支配時間及已存在任務庫存。

$\sigma$ 是 logistic 映射，並未要求用此特定統計模型作所有情境的因果解釋。若只是觀察資料， $\beta_3$ 可能混合真正的任務價值與期限效應；需要隨機化、可信自然實驗或更強辨識設計。

7.3 單純調整工作順序，未必增加總工作量

如果工作 $A$ 與 $B$ 都早已被承諾，使用者只把 $B$ 提前，替代了同一時段原本要做的 $A$ ，則當期使用尖峰可以存在，但總承諾量不一定改變。反之，若新增的 $B$ 擠掉原本要休息的時間，則即使總交付數不變，人類時間主權也可能受到影響。

因此至少需要三份資料：

承諾帳本： 是否增加新工作？
時間帳本： 是否增加人類實際工作、治理或待命時間？
替代活動帳本： 原本被取代的是哪種活動？

只觀察 API 呼叫量，永遠無法完整回答這三個問題。

7.4 工作窗口與配額窗口有時可以合理重合

當某個模型只在當月取得、某項專案需要在特定日期交付、某筆實驗資料即將到期，利用當期額度可以是高價值決策。即使產品有週期限制，也不能將所有時間表的調整視為遭平台支配。

對歷史創造窗口的判斷，應另外對照《原生人類前沿主權窗口論》與本系列第 06 篇所擬研究的先發時間價值 [I6]。假若某項技術成果的先發收益確實快速流失，提前完成可能有真實價值；但不能因為相信存在一個未明確結束的歷史窗口，就推論每個日常額度期限都同等重要。

7.5 期限可以被任務價值吸收，也可以被工作義務吸收

對期限誘發使用，存在兩種不同結果：

\mathrm{ExpirySignal}\rightarrow\mathrm{ScheduleOptimization}

以及：

\mathrm{ExpirySignal}\rightarrow\mathrm{NewCommitment}\rightarrow\mathrm{HumanBurden}

前者可能增加成果與自由時間，後者可能增加工作庫存及認知負擔。實證必須分辨哪一條路徑占主導，而不是由相同的使用量曲線推導相同結論。

8. 多 Agent／多平台環境：機器資源累積，人的一天沒有累積

8.1 多個配額的共同瓶頸

設使用者有 $m$ 個平台或模型服務，當期剩餘容量向量：

\mathbf q_t=(q_{1,t},q_{2,t},\ldots,q_{m,t})

每種容量可能有不同的重置期限、成本、能力、使用資格及不可替代性。工作 $i$ 對各平台的需求為向量 $\mathbf a_i$ 。合法執行必須滿足各資源約束：

\sum_i a_{ij}z_i\leq q_{j,t}, \qquad j=1,\ldots,m

但人的可投入時間仍受單一共同時數與注意力條件所限：

\sum_i (h_i+g_i+s_i)z_i\leq H_t

因此不同 AI 平台的額度可以同時充裕，人的時間卻更加稀缺。

8.2 並行工作不等於並行責任

AI 可以同時執行多條工作支線，人的審核、整合與風險承擔卻可能在不同程度上需要序列化。在沒有可信授權與驗證的系統裡，每增加一個 Agent 都可能新增：

任務啟動與設定；
上下文重述、同步或仲裁；
安全與權限檢查；
錯誤恢復或版本合併；
產物品質判定與世界提交；
監督負擔與注意力切換。

只有當重複性操作可被安全委任、風險節點可被分級審核、成果具有可信的版本與驗證紀錄時，Agent 並行度上升才較可能轉化為人類時間紅利。

8.3 額度重置可能誘發「預先委任工作」

使用者若擔心額度過期，可能在休息前啟動大量 Agent 任務。這可能利用非同步執行的優勢，但也可能形成次日集中審查負擔。

令 $N_t^{launch}$ 為當天委任任務數， $N_{t+1}^{review}$ 為隔日需要人類接管的產物數。當缺少驗證與自動收束機制時，二者可能正相關，但比例依實際任務與治理設計決定：

\mathbb E[N_{t+1}^{review}\mid N_t^{launch}] =f(N_t^{launch},G_t,V_t)

此式不預設 $f$ 必然線性、遞增或相等。具備可驗證自動化的系統可能讓追加委任不增加多少人工審查，也可能因錯誤傳播使負擔急劇上升。

8.4 與 HDUS／委任時間論的關係

EveMissLab 既有《委任時間論》已區分人類操作介入與治理介入 [I4]，AI 原生組織系列已提出操作員退出問題 [I5]。本篇進一步要求：可委任工作的啟動時鐘，不應僅由某平台的剩餘額度決定；還需服從組織的授權期限、任務效益、驗證餘裕、財務安全與人類生活時段。

這不是要求所有 Agent 停機；是要求 AI 自主執行和人類是否被迫持續管理，兩者可以被制度性地拆開。

9. 可重算的思想實驗：為什麼留下 35% 額度也可能更合理？

9.1 示例假設

考慮某研究者已有四個可以使用 AI 推進的工作包。服務週期剩餘容量為 $Q=100$ ，每項工作包需要 2 小時人類直接工作及審查時間，當期可投入人類時間上限為 8 小時。為了使不同活動可比較，暫把人類時間的影子成本設定為每小時 5 個純示例效用單位；此數字不是薪資、台幣或對任何人的實際時間定價。

工作包	AI 容量 $q_i$	人類時間 $h_i$	毛效益 $V_i$	扣除人類時間後的淨效益
A：必需的實驗驗證	40	2 小時	40	30
B：已具發布用途的成果整理	25	2 小時	18	8
C：可留待未來的延伸原型	20	2 小時	8	-2
D：未有明確用途的新分支	15	2 小時	6	-4

四項皆符合容量總上限及人類時間上限，但每項的淨效益不同。若當期沒有其他互補效益及契約義務，且上述成本／效益估計正確，最適決策是完成 A 與 B。

此時：

Q_{used}=40+25=65

H_{work}=2+2=4

U_{net}=30+8=38

因此剩餘容量為 $35$ ，剩餘人類時間為 $4$ 小時。這四小時可以投入未列入表中的休閒、睡眠、生活或其他已含在影子成本所代表的機會之中；不應因表格未明列其名稱，就認為這四小時沒有價值。

9.2 主觀失效懲罰的比較

若研究者主觀上對每單位到期未用容量施加 $\kappa=0.4$ 的損失懲罰，任務 $i$ 對其主觀決策的貢獻，相較客觀淨效益多了 $0.4q_i$ 。此時：

工作包	客觀淨效益	額度損失感可抵扣額 $0.4q_i$	主觀淨效益變化
A	30	16	46
B	8	10	18
C	-2	8	6
D	-4	6	2

在這個特定數值例子裡，四項工作在主觀計算上都成為值得做的事情，因此研究者可能用完全部 $100$ 單位 AI 容量及 $8$ 小時人類時間。其客觀效益（含已定義的人類機會成本）變為：

U_{net}^{all}=30+8-2-4=32

它低於只做 A、B 的 $38$ 。相對於客觀基準，研究者多工作 4 小時，卻少取得 6 個純示例效用單位的淨價值。

上述差異不是宣稱 AI 使用必然降低福利，而是指出：一旦只因「用完額度」而把負淨效益的候選工作轉為義務，容量使用率提高與人類整體效用下降可以同時發生。

9.3 為什麼不能把這個例子當成真實個案診斷？

只要修改假設，結果就會不同。例如 C 或 D 的研究過程本身若高度有趣，產生沒有被表格計入的真實滿足，則其毛效益可能超過 10，客觀淨效益便可能轉正。若 A 的後續工作必須依賴 C 的早期原型，則任務獨立性假設會失效；又若人類時間有過剩且此時機會成本接近零，C、D 的排序也會不同。

因此這個例子只能展示一個存在性結果，不能用來說明任何人當下工作時間的適當長度。具體決策需要實際價值、工作依賴、恢復狀態與合法外部義務資料。

9.4 反向例子：用完額度也可能完全合理

考慮另一個週期，使用者有一項具有可驗證發布期限的工作，其增量價值為 60 單位，當期使用 30 容量與 2 小時人類時間，其全部增量成本為 12。若延後一週會喪失 45 單位以上的先發或交付價值，且後續有足夠時間恢復，當期集中使用便可能合理。

此處不是額度數量本身創造義務，而是任務具有獨立、可證成的時間敏感價值。因此不能將期限前使用都稱為衝動，亦不能因使用者很疲倦便自動推論其選擇錯誤。研究要量測的是可比較的反事實情境。

9.5 極端反例：完全沒有任務時

若使用者當期沒有任何正增量價值的可行工作，即使剩餘配額 $Q$ 非常大，理性模型仍容許：

Q_{used}^{*}=0

某些產品介面若將 $0\%$ 使用率標記為「未充分利用」，其商業溝通可能符合平台營運目標，但這個標記不能直接當成使用者沒有最大化自身效用的經濟學證明。

10. 訂閱方案選擇：如何區分當期最適使用與跨期最適購買？

10.1 兩層決策，不應共用同一目標

**當期使用層（utilization layer）**問：在費用已不可追回的情況下，下一項工作是否值得做？

**續訂與方案層（plan-selection layer）**問：考慮未來不確定需求、現金緩衝與替代服務，哪個容量與能力組合值得購買？

兩者的成本基礎不同。當期費用是常數，不必要求「回本」；下期的可避免支出則是真實選擇變數。

10.2 方案價值的基本表示

令 $p$ 為訂閱方案，其能力與權限集合為 $\mathcal A_p$ 、可用資源向量為 $\mathbf Q_p$ 、下一期價格為 $F_p$ ，工作需求及執行成果存在隨機性 $\omega$ 。則可用如下形式比較候選方案：

W(p) =\mathbb E_{\omega} \left[ \max_{\mathbf z\in\mathcal Z(p,\omega)} U(\mathbf z,\omega) \right] -F_p

其中 $\mathcal Z(p,\omega)$ 是方案 $p$ 可執行且符合人類時間、風險、資金及平台條款的工作集合。當收益價值不能直接貨幣化時，研究者應改用多準則評估，而不是將無單位的效用與真實新台幣價格任意相減。

10.3 容量充裕仍然可能值得購買

某些使用者對尖峰算力的需求呈現罕見但極高價值事件。例如重要專案截止日前需要更強模型、突發嚴重安全漏洞需要大量驗證，或一項獨立任務必須依賴專屬功能。即使平常平均使用量低，方案也可能提供有價值的容量保險（capacity insurance）。

因此不得只用：

\frac{\text{實際使用量}}{\text{名義額度}}

單一比率來判斷方案好壞。需要估計未被使用的容量是否仍具有可靠性、等待時間、使用權、功能品質或峰值保險價值。

10.4 有些方案不值得，不是因為額度剩下

一個方案如果增加了固定費用，卻沒有提高實際可驗證的交付能力、降低等待風險、節省人類治理時間，或帶來其他主體真正重視的效益，就可能不值得續購。相反地，如果方案較貴但大幅降低人的工作中斷、提升困難任務可完成率，單看額度未用比例可能會低估其價值。

降低方案等級不是研究能力的失敗證明；維持較高方案也不是一種必須以極限工時證成的義務。 本文處理的是經濟決策結構，而非替任何特定使用者作固定的財務判斷。

10.5 財務流動性與生命週期

對小型企業、獨立研究者與尚未形成穩定收入的創業組織， $F_p$ 不只是財務帳面成本，也可能影響營運現金緩衝、必要生活支出及延續研究的期間。當現金接近短缺，下一期保留資金可能比額外容量產生更高生存選擇權。

此處與 HACTS-09 的研究路線相接：不要把某段歷史創造窗口的潛在價值，當作已經可用於償付當期生活成本的現金。對未確定的 AI 付費、遊戲產品、技術授權或眾籌收入，應以情境與機率分布處理，而非當成確定應收款。

10.6 「每小時模型使用成本」可能誤導

若使用者已購買固定方案，再額外延長兩小時工作，只為了讓每單位固定費分攤成本下降，那麼計算出的平均成本確實降低，但新增兩小時的人類機會成本並未消失。

一個只讓分母增大的指標，不應自動成為最大化目標。類似地，將 AI 呼叫次數、Token 或執行分鐘全部累積在收益欄位，會把消耗資源誤算成產出價值。

11. 時間主權的操作化：不能只問「今天工作多久？」

11.1 三層時間帳本

本文提出將所有資料分為三本獨立帳本。

A. 技術資源帳本。 記錄方案與可用能力、實際使用、配額限制類型、下一次重置與到期殘量。

B. 工作任務帳本。 記錄候選工作、承諾時間、啟動理由、完成品質、外部截止條件、委任／審核與是否保存為未來選項。

C. 人類時間帳本。 記錄直接工作、治理、切換、休閒、睡眠、照護、心理待命、自主停止及因期限而重新安排的時間。

三本帳本彼此連結，但不能直接用第一本代替第三本。

11.2 基本指標一：未使用額度比例

定義：

RUR_k=\frac{Q_k-Q_{k,used}}{Q_k}

在 $Q_k>0$ 且可比較的條件下， $RUR_k\in[0,1]$ 。此指標只描述資源使用比例；不提供效率、福利或時間主權的單向排序。若資源為多維向量，應分資源報告，不能任意相加不同單位。

11.3 基本指標二：期限前使用集中度

先固定每個週期最後 $w$ 個小時為預先註冊的觀察窗，定義：

EUC_{k,w} =\frac{Q_{k,used}^{last\,w}}{Q_{k,used}^{total}}

當分母大於零時，指標衡量使用量多集中在週期結束前。若不同組具有不同截止時點，應使用標準化相對時間，並控制星期、工作班表、服務可用性與既有專案期限。

單看 $EUC$ 不能判斷是否不理性；自然在截止日前完成作業的人，也會呈現高集中度。

11.4 基本指標三：期限誘發承諾比例

令 $N_k^{exp}$ 為經事前規則判定、且因額度期限而提前進入承諾狀態的候選工作數， $N_k^{new}$ 為當期新承諾的所有可比較工作包數。定義：

DCR_k=\frac{N_k^{exp}}{N_k^{new}}

若分母為零，記錄為未定義，而非零。 $N_k^{exp}$ 的判定不能純靠事後回憶，應結合事前規劃、觸發事件、原始候選建立時間及實驗對照。必要時只報告「使用者自述因期限而提前」的較弱指標，不偽裝成客觀因果效應。

11.5 基本指標四：被期限移動的人類時間

以相同使用者、相近任務及可比較期限規則下的潛在結果表示：

\Delta H^{expiry} =H^{nonrollover}-H^{rollover}

此處不是從一次日誌就可以量到的個人事實，而是兩種政策條件下的平均因果對照量，需要隨機化、合理自然實驗或明確估計假設。它可能為正、零或負。即使總工時相同，也應另外測量工作分布及個人是否感受到節奏失控。

11.6 基本指標五：可行的拒絕與延後能力

令 $C^{refuse}$ 、 $C^{postpone}$ 、 $C^{restart}$ 、 $C^{detach}$ 分別表示使用者在不違反正當外部義務下，實際拒絕、延後、恢復專案與心理脫離工作牽掛的能力。這些可由行為事件及事先驗證過的問卷共同測量。

若建立探索性的時間主權向量，可表示為：

\mathbf S^{time} =(C^{refuse},C^{postpone},C^{restart},C^{detach},C^{finance})

其中 $C^{finance}$ 表示與財務安全有關的可行退出能力。本文不直接把五個分量相加成「通用時間主權分數」，因為權重、構念效度與跨文化測量等值性尚未被驗證。

11.7 直接工作與認知待命必須分開

在 AI Agent 非同步工作情境中，可能出現：

T^{direct}\downarrow \qquad T^{vigilance}\uparrow

不能用直接操作電腦的時數減少，推論工作負擔總量必然下降。 $T^{vigilance}$ 也不等於可精準以秒數量到的「腦內運算時間」；比較合理的方法是以情境抽樣、反芻／心理抽離量表及任務狀態紀錄多源交叉驗證。

11.8 量測的隱私邊界

若研究對象是獨立開發者或公司創辦人，實際研究專案可能包含私人論文、未公開技術、商業秘密、個人健康、財務及家庭資訊。為測量時間壓力，並不需要收集所有原始 Prompt、完整對話、GitHub 私有程式碼或雲端文件內容。

建議預設只記錄匿名工作包 ID、相對時間、容量類型、必要的工作狀態、使用者自願提供的成本與量表分數。敏感成果名稱和文本除非研究目標不可替代，否則不進行中央蒐集。

12. 九組可反駁的研究假說

以下假說皆具有條件與可反例；不是宣稱已獲得實證證成。

H1｜額度期限顯著性效應

命題。 在名義容量、已承諾任務、價格與使用權均相同時，越容易察覺到期倒數的使用者，可能在週期最後時段提高額度使用集中度。

反駁方式。 若在足夠統計功效與可比設計下，期限顯示不改變使用時間分布，或效果方向穩定相反，則相關假說不成立。不能靠改稱「隱性焦慮」而逃避反例。

H2｜不可轉存與時間重排

命題。 相較於可轉存制度，在相同總授權量、任務價值與控制條件下，不可轉存制度可能使部分工作提前至截止日前，尤其是低急迫性、可自由延後的候選工作。

反駁方式。 可轉存與不可轉存組若無時程差異，或差異完全由外部任務截止日解釋，則不能把時間重排歸因於配額到期。

H3｜人類時間瓶頸的調節效果

命題。 當使用者的 AI 容量相對充裕、人類時間相對稀缺時，新增配額對真正完成成果的邊際增益可能降低；若同時存在額度浪費感，人類工作時段可能被進一步擠壓。

反駁方式。 若額外配額總能穩定提高可驗證成果、且不增加人類工作或回交負擔，則本條預測的普遍化版本被否定。

H4｜期限誘發承諾與期限誘發使用的分離

命題。 額度期限可以增加當期使用量，而不增加新承諾數；也可能同時增加兩者。後者更可能伴隨未完成義務庫存增加。

反駁方式。 若調查資料顯示使用增加完全由既有承諾提前完成所解釋，則沒有證據支持期限誘發新增承諾。

H5｜主觀失效權重對使用量的作用

命題。 在其他變數可比較的情況下，明確測得較高失效損失感者，在剩餘容量充裕且任務邊際價值不高時，可能啟動更多低優先候選。

反駁方式。 若損失感與實際任務承諾無關，或關聯完全來自原本就較有價值的任務，則 $\kappa$ 模型無獨立解釋力。

H6｜跨平台累積的時鐘干擾

命題。 當不同平台的額度期限彼此錯開，且使用者需要親自選擇與審核，期限提醒數與工作計畫中斷次數可能增加。

反駁方式。 若共享調度能使錯開期限完全不增加人類干擾，或期限數量與干擾呈現穩定負相關，則此機制不適用。

H7｜Agent 自動收束作為保護條件

命題。 在可重現、具備風險分級與驗證條件的工作中，Agent 的自動審查、停止及封存能力越高，期限前大量委任引起的人類回交負擔可能越低。

反駁方式。 若加強自動收束後仍無法降低高品質人工介入，或因品質損失導致更多事故，則必須修訂對「授權自主」的正向預測。

H8｜續訂與當期使用決策的分離

命題。 對能明確區分沉沒成本與下期可避免費用的使用者，當期剩餘配額未用比例對是否繼續工作之影響，可能弱於對下期是否降級的影響。

反駁方式。 若明確成本分帳後兩類決策依然無顯著差異，則該區分不具預期的行為調節力。

H9｜時間主權干預的非單調效果

命題。 提供可轉存、調整通知或允許安全暫停的功能，可能提升部分使用者的自由安排感；但對受嚴格外部期限或自願高投入者，效果可能接近零，甚至在短期因延後而降低完成率。

反駁方式。 若所有族群的結果皆完全一致，且沒有可檢出交互作用，則異質效果的主要假說將失去支持。

13. 實證研究設計：如何真的分開容量價值、期限與浪費感？

13.1 先決定辨識的因果問題

本文至少需要區分三個不同處理效果：

配額期限本身的效果。 與可轉存制度比較時，使用者的工作時間分布及任務選擇如何變化？
期限顯著性的效果。 當真正權利、額度、費用及截止時間都不變，只改變顯示資訊的方式，行為是否改變？
模型能力與額度數量的效果。 當模型效能、單任務效率及總可用量不同時，是否出現 HACTS-01 的內生候選擴張？

第一項涉及真正的跨期資源價值，因此不能將其全部稱為認知偏誤；第二項較容易在控制資源權利不變時識別資訊顯著性；第三項則是技術產能效應，應與重置效應分開。

13.2 實驗 A：期限顯著性隨機化

研究目的。 在不改變參與者的任何實際使用權、訂閱費與到期時間下，檢查額度剩餘資訊的顯示方式是否影響工作排程。

設計。 對所有參與者提供相同任務環境、同型容量、相同週期與明確的使用權告知；經知情同意後，隨機分派至：

中性組： 顯示標準資源資料、下一次重置日期，但不在工作流程中反覆強調未用量；
顯著組： 在同樣資訊可及性的情況下，使用更醒目的剩餘容量與到期倒數，並讓參與者隨時關閉提醒。

兩組不能隱瞞重大實際財務條款；研究也不應鼓勵受試者犧牲睡眠或生活安全。用量上限及經濟利益必須相同，使觀察到的差異主要反映資訊呈現的效果。

主要結果。 工作發生的相對時間、額度使用集中度、候選轉為承諾的事件、人工時間、事前計畫偏移及恢復感。

支持限制。 即使有顯著差異，也不能立即斷言其為「不理性」；提醒可能提高正當計畫能力。需再檢查成果價值、替代活動成本與事後評估。

13.3 實驗 B：配額跨期彈性隨機化

研究目的。 檢驗不可轉存與可轉存制度，在多週期間如何影響工作分布及自由安排感。

設計原則。 將受試者隨機分派至名義總授權量相同、但跨期配置彈性不同的模擬計算環境。實驗需保障兩組可完成相同基準任務，並控制單次任務能力、延遲、品質門檻及訓練差異。

重要的是，雖然名義總授權量可設為一致，實際可使用的選擇集合不可能完全一致：轉存本來就改變了跨期配置權利，這正是處理的一部分。因此實驗 B 估計的是「提供時間彈性的制度效果」，不應冒充僅有期限顯著性的純心理效果。後者交由實驗 A 辨識。

建議方法。 在受控研究服務或沙盒工作流中提供週期配額，避免直接改動參與者既有的付費合約。事前設定每週候選任務池、隨機到達的高價值任務、固定驗證門檻，以及可選擇的非工作活動價值；必要時使用真實但低風險的寫作、資料處理或程式任務。

13.4 實驗 C：固定清單與開放清單的交互作用

直接承接 HACTS-01 的實證設計，設定兩種任務生成制度：

固定清單。 在實驗開始前確定需要完成的工作，不允許因 AI 建議而新增對外承諾。

開放清單。 允許參與者由既有成果延伸出新的候選工作，但必須在新任務獲得承諾前留下選擇紀錄。

將其與重置期限條件交叉，可檢驗：額度期限效應是否主要作用於候選生成及承諾，而不是既有任務的單純加速。

若僅固定清單組出現重排、不出現新增承諾；開放清單組則同時出現新增承諾，便可支持兩種機制的分離。反之，若開放清單中的任務產生完全由使用者既有興趣驅動，配額期限並未發生增量效果，也應如實報告。

13.5 實驗 D：多 Agent 與人類回交負擔

在可控制的低風險軟體或文本任務中，隨機提供不同程度的 Agent 自動審查與封存功能，並觀察期限前委任是否讓翌日人工確認、重新啟動和錯誤更正增加。

本實驗特別需要防止「AI 自動判自己正確」的循環驗證。可使用外部可重現測試、盲評與預先固定的品質門檻；重要行為不可由 Agent 無限制執行真實外部操作。

13.6 人類時間與資料蒐集期限

可採取至少四週、涵蓋多個配額週期的重複量測，以避免只觀察新工具第一天的探索效應。但所需樣本數與觀察週期，應依主要結果變異、群聚結構、預期最小有意義效果及流失率進行事前統計功效分析；本文不在沒有先期資料的情況下宣告任何固定樣本量必然足夠。

每個週期測量：

事前預計任務與預計工作時間；
實際 AI 使用量、資源餘額及重置事件；
工作承諾新增、撤回、延後與完成時間；
審核、切換與異常修復分鐘數；
睡眠與休息時段是否被工作侵入（以自願、低侵擾性記錄）；
主觀失效損失感、可行拒絕能力與事後評估；
違反品質、安全或合約要求的事件。

13.7 研究倫理：不可刻意誘發過勞作為處理

真正的重點是辨識自主性，而不是研究者為了產生數據去製造不必要的睡眠剝奪。建議：

使用沙盒容量或研究補助提供的模擬權益，不改動個人真正財務義務；
參與者可以選擇不使用，不因未用滿而減少合理報酬；
不要求在原本的睡眠時間工作；
不以個人健康、家庭或財務脆弱性進行高壓實驗；
研究可以隨時退出，敏感原始輸入預設不收集；
分析結果只談群體／條件關係，不用作臨床診斷或個人績效淘汰。

14. 自然實驗與因果辨識的限制

14.1 服務條款變動可形成研究機會，但不必然外生

若某平台在明確日期改變使用配額期限、提供跨期轉存、調整計算用量顯示或轉換方案制度，研究者或許可使用變動前後的行為比較。

但變動日期可能同時發生新模型上線、價格調整、使用者規模增加、工具效能提升、節假日與競爭產品更新。若不能排除這些因素，不能把使用變化都歸因於重置規則。

14.2 重置時點附近的尖峰不自動構成因果證據

若額度每週某日重置，該日也可能是使用者的工作安排高峰或休息日。週期末使用量上升，可能源於周末趕進度、客戶報告期限或 Agent 排程。在未校正週期內固有的工作季節性、使用者選擇及供應可用性之前，簡單比較重置前後不能直接稱為可識別的期限效應。

準實驗可考慮使用者固定效果、相對期限事件時間、未受影響對照群、時段固定效果、事前趨勢檢驗與敏感度分析；但即使這些方法俱全，也不保證解決所有內生性問題。

14.3 使用者自行降級不代表可觀察的隨機處理

若有人因為工作很累而降低 AI 訂閱，同時改變創業重心及生活節奏，之後工時減少，無法單純宣告「降級直接導致工時下降」。選擇降級可能已經反映其對未來工作與資金的判斷。

可以研究這類事件的個體內變化，但需保留「同時發生策略改變」的替代解釋。更強的因果識別仍依賴外生資源變化、自然實驗或合適的隨機化研究。

14.4 切換模型品質也是重要混淆因素

使用者從高資源方案轉到低資源方案時，可能同時改變模型種類、任務處理速度、上下文容量或可靠性。若品質降低，使人工審查時間上升，總工作負擔可能不降反增；若新的方案已足夠應付核心需求，工時和成本則可能同時下降。

因此比較必須按「等品質完成量」校正，不能只比較標稱倍率或 Token 數。

14.5 多種機制同時存在時的分析策略

最小因果圖可文字描述為：

訂閱制度 → 可用容量／失效時間 → 當期資源選擇；訂閱制度 → 已付費感／失效顯著性 → 主觀損失權重 → 任務提前； AI 模型能力 → 候選生成與任務品質 → 工作承諾；人類時間、財務、外部期限與創作興趣 → 同時影響訂閱選擇、使用量及成果； Agent 自主性與驗證品質 → 影響人類回交負擔與恢復。

若欲估計「期限規則對總工作時間的總效果」，不能把所有中介變數都當成普通控制變數調整掉；若欲估計某一具體中介路徑，則需另外滿足中介識別假設，必要時只報告描述性分解而不聲稱識別了自然間接效果。

15. 異質性、競爭假說與不成立情境

15.1 高需求、低需求與間歇需求

高需求且容量不足。 額度時常成為實際瓶頸；此時真正稀缺的額度有正影子價格，提前使用也許是合理排程。若容量在週期結束前經常用完，不能把短期稀缺誤稱為「容量過剩壓力」。

低需求且容量充裕。 很可能有大量未用容量，但不一定產生任何壓力。若使用者對固定費用早已接受、工作需求少且不受期限提醒影響，QRTC 機制可不出現。

間歇需求且高峰不確定。 高階方案可提供容量保險，也可能因額度重置與真實高價值任務到來時間不合而造成有效可用容量不足。平均使用量低與峰值資源短缺可以同時存在。

15.2 自願高投入與外部績效要求

由外部管理者施加使用率 KPI 的情境，與個人自願研究需要分開。若公司明定員工必須把 AI 額度用滿，人類時間被支配的因果來源可能是組織管理，而不是訂閱制度的心理效果。

個人則可能真心享受高頻研究，同時面對有限睡眠與財務資源。不能因其熱愛工作，就宣稱其完全沒有恢復需求；也不能因其工時極長，就直接以醫學名詞分類。

15.3 使用率下降也可能是壞結果

假設使用者對多個高價值任務持續拖延，但擁有足夠時間且容量已付費，實際上只做了一小部分工作，低使用率可能反映準備不足、執行障礙或不合理的決策延遲。此時適當的排程與提醒可能有助於達成其真正重視的目標。

因此本文不主張應普遍最大化「未使用額度」或最小化「工作時間」。自由使用能力包含認真投入工作的權利。

15.4 持續工作的 Agent 未必一定造成待命

如果 Agent 作業完全在安全授權範圍內，產出能自行驗證、分級封存且不產生新的未經批准承諾，使用者可以在下一個自選時段才開啟成果，認知待命感可能很低。對部分使用者，委任反而能讓其真正安心離開工作。

AIPV 文獻 [E7] 提供可能機制，不代表所有使用者或全部 Agent 都呈現相同心理反應。

15.5 額度提醒可能改善效率而不是傷害自由

一項原本會因被遺忘而逾期的已承諾工作，可能在清晰的剩餘容量提醒下被及時完成。若使用者事前就同意這樣的安排，提醒提高的是其計畫執行能力，而不是外部節奏控制。

因此治理設計不應簡單禁止提醒，而應強調可由使用者設定、關閉或延後、與工作目標對齊的提醒。

15.6 分類本身具有歷史相依性

隨 AI 模型、工具和組織能力改善，同樣一項工作在不同時期的人類時間成本可能不同。某個專案今天需數週人工審查，未來可能可以高度自動驗證；反之，維護舊系統及資安合規成本也可能上升。

這為 HACTS-07 的「等待未來能力」研究留下接口：如果延後工作能大幅降低成本，額度快失效未必值得提前完成，尤其當保存候選設計的成本很低時。

16. 設計與治理原則：讓 AI 訂閱服務人類時間，而不是相反

本節屬規範性提案，不能誤寫為已證實能提高各平台商業收益或使用者健康的普遍方案。

16.1 原則一：容量上限與工作義務分離

在 AI 使用介面及自主組織中，配額應被表述為使用權或可用預算，不是「今天必須完成」的工作命令。當任何元件顯示剩餘用量時，應避免在沒有客觀任務價值資料時，直接把未用比例等同浪費金額。

16.2 原則二：當期邊際價值優先於已付費平均成本

每次增加工作前，先問新增活動是否仍有正增量價值，而非只問它是否能降低每次使用的平均訂閱價格。對個人使用者，主觀創作滿足也是合法價值，但要把休閒、健康及其他生活用途的價值列入可比較範圍。

16.3 原則三：把「停止」當成合法終止狀態

多數 AI 工程系統都善於規劃下一步，卻容易缺乏清楚的 stop, archive, wait_for_event 及 no_action_required 語義。成熟系統不應在配額將重置時，自動創造下一批使用者從未承諾的任務，只為增加使用量。

16.4 原則四：允許階段性休眠，不建立全量維護義務

當私人研究原稿、程式原型或遊戲系統已具有可重啟的狀態證據，允許其保持低活動狀態。休眠不表示技術無價值，更不代表其應被每天開啟一次進行「進度檢查」。

但對已部署的安全關鍵服務、仍具外部維護承諾的產品或受法令約束的系統，最低安全維護與責任不可因休眠名義而任意撤除。

16.5 原則五：Agent 自動驗證與自動收束

在已授權、低風險、可重現的範圍內，系統可以預先設定：達標後自動收束，失敗後有限次重試，達到預算上限安全停止，生成新候選後先入待評估庫而非立刻升級為人工義務。只對真正不可逆、跨權限或高風險節點發出必要的人工請求。

16.6 原則六：休息時段的非同步權

如果使用者選擇休息、遊戲或與家人相處，低風險 Agent 的作業結果應能等待下一個自選審閱窗口，不要求因機器已完成而立即簽核。只有事先授權的實際緊急事件例外，且應有明確的安全與通知條件。

16.7 原則七：時間主權不等於全部脫離 AI

高時間主權的使用者可以長時間與 AI 協作、管理多個專案或自主開發產品。不同生活時段也可以選擇不同強度。重點不是拒絕高生產力，而是保有投入、退出、恢復與重啟的有效控制權。

16.8 原則八：現金流約束高於虛構的額度回本義務

在維持基本生活、合法責任及營運現金的條件下，選擇較低固定費用、轉向兼職或暫緩非必要服務，可能延長長期研究與產品化的可行期間。這不要求創業者否定未來 AI 內容付費、技術授權、遊戲銷售、產品商業化或群眾募資的可能性；只是把尚未到帳的未來收益與已經需要支付的當期成本分開。

17. 與 HACTS、EveMissLab 既有理論的精確接口

17.1 HACTS-00：時間主權的總論層

HACTS-00 已提出能力擴張不應直接生成個人的新增義務 [I0]。本篇補充了一種特殊的能力—義務觸發器：即使沒有新的技術突破，可失效的使用權本身也可能讓當期工作承諾變化。

17.2 HACTS-01：候選擴張與期限吸收

HACTS-01 的核心是任務集合內生擴張 [I1]；HACTS-02 的核心則是在給定候選集合下，失效時鐘如何改變工作時間與承諾吸收。兩者可分別記為：

G_A=\mathrm{CandidateGeneration}(AI\ Capacity)

C_E=\mathrm{CommitmentShift}(Expiry\ Conditions)

這只是功能分類，不是已估計的函數，亦不假定兩者互相獨立。

17.3 AICTE：從最適算力配置到人的生活時鐘

既有《AI 計算時間經濟學》提出 Token、算力與工具預算的影子價格，並分析何時停止無效計算 [I2]。本篇不重新發明該資源最佳化框架，而是加入服務期限、跨期轉移、主觀失效懲罰及人類不可替代的生活時間。

如果只計算機器邊際運算價值、忽略人類時間，可能得到「仍有可用資源就繼續工作」的錯誤操作建議；若只追求人類工作時間最小化，又可能取消其真正喜愛的研究與創作。兩者需要共同估值，但不能彼此代替。

17.4 HODR：選擇權不是無限承諾

HODR-II 關注延後不可逆決策的選擇權囤積，HODR-IV 關注 AI 促發可能性空間爆炸 [I8–I9]。本篇新加的判斷是：某項候選值得保留在未來選擇權庫，不代表它必須在本次額度週期內執行。

部分容量到期，未必等於失去這項研究的最終價值；如果設計與證據仍可保存，未來較好的 AI／硬體／合作資源可能使完成成本更低。反之，若先發性或法定期限客觀上非常緊迫，等待也有成本，須由 HACTS-06／07 進一步處理。

17.5 HAVT：從群體時間紅利到個人的配額治理

HAVT-06 討論 AI 節省的生產時間能否轉化為人的可支配人生時間 [I3]。本篇將這個問題移入單一高度投入使用者的訂閱與 Agent 決策：即使 AI 服務是自願購買，有限的人類時間仍可能被技術資源週期所重新安排。

17.6 委任時間、ANDO 與 HDUS

委任時間論與 AI 原生組織已提出操作員退出與風險自適應治理 [I4–I5]。本篇新增「資源到期不能自行建立人工義務」的制度邊界；真正成熟的自主組織，除了知道何時能自行完成工作，也要知道何時不應僅因仍可計算而繼續生成需人類承擔的工作。

17.7 MPD：同一額度對不同人不是同一種能力

MPD-16 的人機耦合狀態研究已指出，相同模型能力在不同領域、使用者及共同歷史中未必產生相同實際效益 [I7]。因此本篇不把配額使用量視為脫離使用者與任務品質的可比單位。相同的 $Q$ 對不同人可能是瓶頸、保險，或只是無需用盡的剩餘權益。

18. 討論：一個不要求人類用完智能資源的文明原則

18.1 用滿是一種選擇，不是道德義務

人類歷史上的很多技術，旨在增加個體能夠做的事情。當一項技術具有近乎無窮的可展開用途，若把可用量本身當成應完成量，便會產生無限的責任擴張。

AI 使這個問題更鮮明：一個研究問題可以引出更多研究問題，一個軟體原型可以快速衍生多條工程分支，智能計算容量可以在固定時間內大量產生候選。真正需要被制度性保護的，是「能夠做」與「應該做」之間的決策閘門。

18.2 期限誘發的稀缺是一種複合結構

AI 額度本身可能充裕，但時間與退出條件的組合仍可能讓行動者感受稀缺：

可用額度在某個時點不可跨期保存；
人類生活時間無法隨服務重置；
對技術黃金窗口的判斷放大完成工作的時機價值；
既有研究資產使新增候選低成本且高度有趣；
付費與餘額介面讓未使用容量成為易被注意的數字。

這些因素同時出現時，可以形成高強度工作節奏，但各因素是否具因果作用仍需測量。本文反對把它們簡化成單一心理缺陷或單一平台設計陰謀。

18.3 當期容量可能失效，未來選擇權未必失效

有些研究原稿、程式、世界觀設計與實驗紀錄可以跨期保存，等待新的模型、硬體、合作環境或商業時機。它們會受相依套件老化、技術競爭、專利或市場期限等因素影響，但不會因某個 AI 訂閱在半夜重置，就自動失去所有未來價值。

因此，理論上可行的策略包括：保存證據、封存原型、公開適當成果、維持有限而有價值的商業化行動，同時允許其他路線暫不推進。這不是完全不要計畫，而是避免把每個可行方向都變成日常維護義務。

18.4 主動放手與持續投入可以共存

某個人可以保持高度創造熱情，也保留對技術發展的前瞻判斷；他只是不必讓每一次能力提升、每一次配額刷新，都要求自己對等地提高工作量。

如果有非常想做的事，就可以選擇做。如果有真正必須完成的外部承諾，就應依法依約處理。如果只是額度尚有剩餘，而自己想休息，讓額度重置也可以是完全合法且合理的選擇。

18.5 本篇的哲學邊界

本篇關注的是「時間主權是否能夠被實際行使」，而不是宣稱人人應採取同樣的工作生活比例。對某些人而言，高強度研究、長時間遊戲創作或持續經營公司，本來就是其自願選擇的人生道路。真正的問題不在於高投入本身，而在於：當一個人明確想改變節奏，是否仍具有可行的決策、資源及退出條件。

19. 結論

本文提出額度重置與時間支配的條件研究綱領，將可失效 AI 使用權、時間配置、人類注意力、工作承諾與 Agent 治理納入同一分析。主要結論如下。

第一，已付費的剩餘 AI 容量不自動構成必須用完的工作義務。當工作邊際價值低於人類時間及其他增量成本時，容量在到期時仍未使用，可以是最適結果。

第二，真正的容量影子價格與主觀失效浪費感是不同的經濟量。簡化模型顯示，後者在特定條件下可能把使用量推高至超過充分計入人類機會成本的基準；但未經實證識別，不能將所有期限前集中工作都判定為偏誤。

第三，額度期限可能只調整已承諾工作的時序，也可能誘發新的自我承諾。若不區分任務生成、承諾、品質、外化與人類時間，就無法知道工作節奏的變化到底來自何處。

第四，多 Agent 與多平台使用環境下，機器資源與配額週期可以同時存在多個，人類一天的可支配時間仍然有限。自主組織的成熟不只是讓 Agent 執行更多，還包括可驗證地減少沒有必要的人類操作、認知待命與新增工作義務。

第五，跨期是否購買較高訂閱方案，應取決於未來不確定需求、可靠性、能力取得、真實現金支出與生活選擇權，不該只依當期使用率作出簡化判斷。

第六，本篇既非臨床診斷，也未宣稱已證明 AI 額度造成普遍過勞。全部主要機制需要透過可比較的隨機或準實驗設計檢驗，並容納效率紅利、合理期限安排及真正自願高投入等反例。

最後，本文將 HACTS 系列的規範核心進一步具體化：

AI 額度可以按平台規則重置，但人的生活時間不會因而重置。可用的計算資源是選擇權，不是新增人生義務的自動命令。

當一個人有能力創造更多未來時，其不去使用每一份當期容量的自由，也應被視為成熟人機耦合的一部分。

附錄 A｜形式模型的推導、適用條件與反例

A.1 經濟問題的可行集合

考慮已知的有限任務集合 $i=1,\ldots,n$ ，每項工作可被選擇或不被選擇，且有容量需求 $q_i$ 與人類時間需求 $t_i$ 。可行集合為：

\mathcal Z(Q,H) =\left\{ \mathbf z\in\{0,1\}^{n}: \sum_iq_i z_i\leq Q, \sum_it_i z_i\leq H \right\}

若完全包含的增量效用為 $u_i$ ，則：

W(Q,H)=\max_{\mathbf z\in\mathcal Z(Q,H)}\sum_i u_i z_i

在允許「不做」的情況下，如果 $Q_2\geq Q_1$ 、 $H_2\geq H_1$ ，有集合包含關係：

\mathcal Z(Q_1,H_1)\subseteq\mathcal Z(Q_2,H_2)

因此：

W(Q_2,H_2)\geq W(Q_1,H_1)

證明只需要觀察原本可行的工作選擇在擴張後的資源上限下仍然可行。這說明增加可用容量不會在允許不使用時降低最適可達值，而不是說每增加一單位容量都會提高值。當容量已足夠支援所有值得做的工作時，增加容量的最適增量價值可以為零。

A.2 影子價格的適用限制

對離散非凸問題，不能在所有 $Q$ 點都要求 $W(Q,H)$ 可微，或要求其邊際值為單一穩定數字。第 4.4 節的 $\lambda_Q$ 需用可微凸化的連續資源配置模型理解；若實際系統有任務整包、固定啟動成本或模型門檻，適用的是差分或整數最佳化，不應把連續模型的乘數解釋為對所有情境均存在的邊際價格。

在連續且解的正則性充足的情形下，對容量約束的互補鬆弛表示：若約束確實有剩餘，額外放寬容量不改變當下目標值的一階最適條件。但跨期不確定性可能使當期觀察到的「使用率低」仍對應正的事前容量保險價值；它們是不同時間點的值。

A.3 連續模型的解析式再確認

令：

U(x)=vx-\frac{b}{2}x^2-cx, \quad b>0, \quad0\leq x\leq Q

內部臨界點由 $v-bx-c=0$ 得到。由二階條件：

\frac{d^2U}{dx^2}=-b<0

可知若臨界點位於界內，它是嚴格最大值；若不在界內，最大值在合適的端點。這推出第 6.2 節的截斷解析式。

加入主觀失效成本後：

\widetilde U(x) =U(x)-\kappa(Q-x), \quad\kappa\geq0

其二階導數不變，因此同樣得到唯一的受限最適解。當兩個解都處於內部：

\Delta x=\frac{\kappa}{b}

若一個解撞上邊界，則 $\Delta x$ 小於或等於該比率，不能不顧容量上限繼續線性外推。

A.4 一個獨立數值驗算

設定 $v=20$ 、 $c=4$ 、 $b=2$ 、 $Q=20$ 、 $\kappa=6$ 。則：

x^*=\frac{20-4}{2}=8

\widetilde x^*=\frac{20-4+6}{2}=11

所以額外使用量為 $3$ 。客觀目標的值分別是：

U(8)=20(8)-\frac{2}{2}(8)^2-4(8)=64

U(11)=20(11)-\frac{2}{2}(11)^2-4(11)=55

在此純示例模型中，主觀損失懲罰導致多用 $3$ 容量，而充分計入成本後的效用下降 $9$ 。如果每單位 AI 容量需要 $0.5$ 小時人類活動，新增的人類時間為 $1.5$ 小時；但此換算只適用於明確假設的任務集合。

A.5 實際使用無法由單一效用函數完全描述

以下情況可能使二次模型失效：

某項工作必須先啟動全部算力才有成果，未達門檻價值為零；
工作之間互相補完，兩項一起做遠比單項相加更有價值；
AI 使用量不是可同質加總的單位；
人類審查時間對錯誤率敏感，並隨 Agent 數量跳躍成長；
使用者的研究樂趣、注意力、睡眠恢復或工作義務具跨日狀態相依；
當期高強度投入引起後續週期的額外恢復成本；
下一代模型能力更新帶來不連續的完成成本下降；
真正的學術、契約或市場期限會改變 $V_i$ 的時間路徑。

實際研究不能因初版模型形式漂亮，就忽略這些影響。

附錄 B｜配額—任務—人類時間三帳本的最小紀錄契約

下列 YAML 是可用於本地研究設計的示意規格，不是已部署的服務，也不要求任何人暴露 API 金鑰、私人對話或專案原文。

series: HACTS
paper: HACTS-02
contract_version: v0.1
observation:
  participant_id: pseudonymous_id
  observation_time: ISO8601_with_timezone
  experiment_condition: neutral_or_salient_or_rollover_or_nonrollover
  consent_scope: minimal_temporal_data_only
quota:
  resource_class: message_or_compute_or_agent_or_parallel_or_other
  plan_class: pseudonymous_plan_id
  epoch_id: stable_local_epoch_id
  measured_units: provider_defined_normalized_units
  allowance_this_epoch: nonnegative_or_missing
  used_this_epoch: nonnegative_or_missing
  remaining_this_epoch: nonnegative_or_missing
  reset_time: ISO8601_or_unknown
  can_rollover: true_or_false_or_unknown
  rollover_terms_verified: true_or_false
  contractual_source_snapshot: local_nonsecret_reference
work_bundle:
  bundle_id: stable_local_id
  parent_bundle_id: optional
  root_goal_id: optional
  current_state: candidate_or_committed_or_validated_or_externalized_or_dormant
  commitment_origin: self_or_external_or_agent_proposed
  commitment_trigger: deadline_or_discovery_or_plan_or_quota_expiry_or_other
  actual_human_direct_minutes: nonnegative_number_or_missing
  actual_human_governance_minutes: nonnegative_number_or_missing
  switching_minutes_estimate: nonnegative_number_or_missing
  quality_result: pass_or_fail_or_unknown
  independent_deadline: ISO8601_or_none
  timing_preference_declared_before_work: planned_now_or_can_wait_or_required
human_time:
  voluntary_work_minutes: nonnegative_number_or_missing
  required_work_minutes: nonnegative_number_or_missing
  leisure_minutes: nonnegative_number_or_missing
  recovery_minutes: nonnegative_number_or_missing
  after_hours_notifications: nonnegative_integer_or_missing
  self_report_expiry_pressure: ordinal_scale_or_missing
  self_report_control_over_schedule: ordinal_scale_or_missing
interpretation:
  causal_expiry_effect_inferred_from_single_log: false
  unused_quota_is_cash_loss_by_default: false
  user_may_refuse_uncommitted_task: true
privacy:
  collect_full_prompt: false
  collect_private_repo_code: false
  collect_secrets_or_tokens: false
  retain_pseudonymous_identifiers_only: true

B.1 三個必要的資料不變條件

其一，額度餘額不可等同單一產出單位。 不同資源須保留單位、方案及重置規則。

其二，候選提案不等於人類承諾。 Agent 自動提出十個研究方向，不能直接使未完成工作庫存增加十個已承諾義務。

其三，額度期限與真實業務截止日分開記錄。 否則無法區分真正必須趕工與因剩餘資源即將失效而產生的排程改變。

B.2 限制性解讀

此帳本支援事件追蹤與因果研究設計，但不會因格式完整而自動達成因果辨識。是否能主張「額度重置造成時間俘獲」，仍取決於處理分派、比較組、樣本結構、適當控制及可反駁的檢驗。

附錄 C｜研究預註冊與稽核清單

在正式實驗開始之前，至少需完成下列決定：

定義研究母體：研究者、自由創作者、受僱員工、個人創業者或多 Agent 工程工作者，不應混合後才事後任意拆分。
指定真實的配額類型、時間窗口、任務品質門檻、產品版本及變更記錄。
預先宣告主要結果是工作時數、工作承諾、使用集中度、時間主權量表，還是已驗證成果品質。
明確區分容量數量干預、期限規則干預與期限顯示干預。
說明跨期轉存是否改變受試者真正可使用的資源集合及選擇權價值。
指定人類時間的測量方式、漏記資料處理規則與跨任務切換時間的歸屬。
先註冊工作根目標與父子工作包去重規則，避免把細分 TODO 當新增工作量。
提前指定研究者認為具有實質意義的最小效應，進行樣本數／統計功效規劃。
分開檢查總使用量、重置前使用高峰、淨成果及休息時間是否呈現不同方向。
避免把 $\kappa$ 當作可任意吸收所有無法解釋差異的「心理參數」。
要求引用來源核查最新撤稿、勘誤、預印本狀態與研究方法。
允許沒有顯著差異、方向相反、或發現使用者因提醒而更有效率的結果作為正式論文結論。
在完成資料蒐集前核准研究倫理，確保未成年人、身心健康及財務脆弱者不承受不必要風險。
把確定觀察、統計關聯、條件推導、規範性主張及研究者個人案例分開呈現。
任何外部投稿均先保存原始 UTF-8 Markdown 版本、分析程式、預註冊、必要匿名化資料及內容雜湊。

附錄 D｜示例問卷題目與效度限制

下列題目是為研究操作化而編寫的草案，不是經過心理計量驗證的新量表。研究者若使用，應先進行認知訪談、探索／驗證因素分析及測量不變性檢查；需要測量恢復與心理抽離時，優先評估已有效度證據的既有量表 [E9]。

以事先固定的回憶期間及一致量尺記錄，例如過去一週：

「我曾因某項 AI 容量即將重置，而提前處理本來可以延後的工作。」
「我即使沒有明確新增工作目的，也會注意到 AI 額度尚未使用完。」
「我可以不解釋理由，就讓未承諾的研究項目保持暫停。」
「當 AI Agent 在我休息時工作，我仍感到需要隨時留意其結果。」
「若未使用的 AI 額度可以下期續用，我可能會改變本週的工作時間。」
「我知道如何區分真正重要的發布期限與服務額度的重置時間。」
「我能不因剩餘額度而產生負擔地選擇今天不使用 AI。」
「我能明確說明某項額外 AI 工作帶來的具體可驗證成果，而不只是用了多少次工具。」

問卷若與真實使用行為相衝突，不應直接宣告受試者不誠實：可能是對問題的理解不同、回憶偏差、情緒狀態不同或工具記錄不完全。應使用明確的事件時間戳與匿名化輔助證據做交叉核對。

參考文獻｜外部公開研究

核對日期： 2026-10-16。以下以正式發表來源、期刊索引或原始研究機構網頁為準。這些研究提供相鄰理論與部分機制證據；本文沒有聲稱其中任何一篇直接實證驗證了 QRTC 的全部命題。可得摘要與方法不足時，不推定已審閱未取得的原始數據。

[E1] Arkes, H. R., & Blumer, C. (1985). The psychology of sunk cost. Organizational Behavior and Human Decision Processes, 35(1), 124–140. https://doi.org/10.1016/0749-5978(85)90049-4
[E2] Gourville, J. T., & Soman, D. (1998). Payment Depreciation: The Behavioral Effects of Temporally Separating Payments from Consumption. Journal of Consumer Research, 25(2), 160–174. https://doi.org/10.1086/209533
[E3] Soman, D., & Gourville, J. T. (2001). Transaction Decoupling: How Price Bundling Affects the Decision to Consume. Journal of Marketing Research, 38(1), 30–44. https://doi.org/10.1509/jmkr.38.1.30.18828
[E4] Lambrecht, A., & Skiera, B. (2006). Paying Too Much and Being Happy about It: Existence, Causes, and Consequences of Tariff-Choice Biases. Journal of Marketing Research, 43(2), 212–223. https://doi.org/10.1509/jmkr.43.2.212
[E5] DellaVigna, S., & Malmendier, U. (2006). Paying Not to Go to the Gym. American Economic Review, 96(3), 694–719. https://doi.org/10.1257/aer.96.3.694
[E6] Shin, H., & Casidy, R. (2021). Use it or lose it: Point expiration and status demotion. Journal of Services Marketing, 35(8), 1013–1027. https://doi.org/10.1108/JSM-01-2020-0015
[E7] Zhang, Y., Li, T., & Chen, C. (2026-09-24). 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 （642 名混合辦公員工、雙波調查；非本文所需的 AI 配額期限隨機實驗）
[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] 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
[E10] 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 （企業田野觀察研究報導；不能單獨用於識別本篇額度期限因果機制）

已撤稿研究之排除註記（不作為支持性證據）

[R1] Psychological Science (2026-09-02). Retraction: Procrastination, Deadlines, and Performance: Self-Control by Precommitment, 2026. https://doi.org/10.1177/09567976261488042 。被撤回原文為 Ariely, D., & Wertenbroch, K. (2002), Psychological Science, 13(3), 219–224。撤稿聲明指出，複製研究及對原始資料可信性的質疑使該結果不再宜作為有效實證支持。本篇未據其結果推導期限的因果效果。

參考文獻｜EveMissLab 既有研究與 HACTS 先行原稿

以下資料用於明示研究脈絡與避免重複發明既有內部命題；其存在不代表全部內容已公開、已獲獨立同儕審查或已通過實驗證實。

[I0] HACTS-00｜從無限可做之事到有限可支配人生（2026-10-16，v0.1；canonical UTF-8 Markdown 原稿：HACTS-00_從無限可做之事到有限可支配人生_v0.1_2026-10-16.md）。
[I1] HACTS-01｜生產力內生擴張悖論：當做得更多創造更多待做之事（2026-10-16，v0.1；canonical UTF-8 Markdown 原稿：HACTS-01_生產力內生擴張悖論_v0.1_2026-10-16.md）。
[I2] AI 計算時間經濟學：Token、算力、額度與智能資源配置（2026-08-20，v0.1）。https://unboundedaxiom.org/p/lm-003194/
[I3] 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，v0.1）。https://unboundedaxiom.org/p/lm-004988/
[I4] 委任時間論：自主 Agent、人類介入密度與治理槓桿（2026-08-20，v0.1）。https://unboundedaxiom.org/p/lm-003321/
[I5] 從 AI 工具到 AI 組織：操作員退出問題（2026-08-20，v0.1）。https://unboundedaxiom.org/p/lm-003327/
[I6] 原生人類前沿主權窗口論（v0.1）。https://unboundedaxiom.org/p/lm-001946/
[I7] 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（v1.0）。
[I8] HODR-II｜選擇權囤積與不可逆決策（2026-09-26，v0.1）。
[I9] HODR-IV｜AI 生產力與可能性空間爆炸（2026-09-26，v0.1）。
[I10] Agentic Organization 的時間經濟學：智能時間密度、委任槓桿與經濟沉積（2026-08-21，v0.1）。https://unboundedaxiom.org/p/lm-003205/

文件狀態、可重現性、版本與公開邊界

版本與性質。 HACTS-02 v0.1 是詳細理論初稿，已建立核心概念、條件方程、算例、反例、可否證命題及實驗設計；不聲稱已用自身新資料驗證全部假說。
相鄰研究的優先權。 沉沒成本、預付費、資費偏誤、失效點數、注意力殘留、AI 代理監督及 AI 工作強化均有既有研究。本篇不以新名詞抹除先行成果，也不宣稱相關現象全球首次由本系列發現。
模型限制。 部分方程是定義、部分是嚴格受限條件下的解析結果、部分是待估計的概念函數。所有模型內推導皆不等於已估出現實世界的數值參數。
責任界線。 本篇不提供個人健康診斷或具體投資建議。訂閱是否續購、企業是否兼職、產品是否開源及研究何時發布，須由有權決策者依真實資料與合法義務選擇。
資料保護。 私人論文、未公開程式碼、客戶資料、財務文件、家人資訊、API Key、Token 或私人路徑，不因本篇談論研究背景而成為可公開或可蒐集的內容。
引用狀態。 參考文獻於 2026-10-16 核對公開可查來源；撤稿文獻已排除為有效支持。正式投稿前仍應檢查新勘誤、全文方法與最新引用狀態。
正式來源。 本 UTF-8 Markdown 為 canonical source；所有正式數學原稿僅使用 $...$ 及 $$...$$ 作為 LaTeX delimiter，不以聊天畫面的公式渲染結果作為原始學術版本。
研究下一步。 HACTS-03 將研究自願高投入時正向創造滿足與認知疲勞能否同時上升；本篇不提前將所有高強度工作病理化。

END — HACTS-02 v0.1

HACTS-02｜額度重置與時間支配：當可用算力反向安排人類生活

HACTS-02｜額度重置與時間支配：當可用算力反向安排人類生活

從可失效的智能計算索取權、期限誘發使用、注意力影子價格到可恢復的時間主權

摘要

0. 問題陳述：可用算力還很多，為什麼工作仍然感到緊迫？

0.1 「用不完」與「依然需要更多」可以同時成立

0.2 技術時鐘不等於生活時鐘

0.3 本篇的核心區分

1. 文獻對照：既有研究已處理哪些機制？

1.1 沉沒成本：已支付不等於下一步應繼續投入

1.2 預付費與支付折舊

1.3 固定費率偏誤與訂閱選擇

1.4 到期效應：相似但不相同的外部證據

1.5 委任不等於恢復

1.6 AI 工作強化與效率紅利的異質性

1.7 研究誠信：撤稿文獻不作為有效支持

1.8 本篇相對既有研究的新貢獻

2. 研究對象與六種資源分帳

2.1 先把「額度」拆開

2.2 當期容量與當期有效容量

2.3 人類注意力與治理時間

2.4 必須明列的經濟成本

2.5 區分四個「不用」

3. 核心概念：額度期限的反向時間支配

3.1 Quota-Reset Temporal Capture（QRTC）

3.2 期限誘發使用與期限誘發承諾不同

3.3 支配不是指平台具有人的意圖

3.4 真正的時間主權不是低使用率

4. 靜態經濟模型：已購容量不是必須用完的指令

4.1 二元工作選擇

4.2 為何不把當期已付月費放進每項決策？

4.3 什麼情況下不使用是最適的？

4.4 影子價格：容量充裕不等於影子價格很高

4.5 真正的容量價格與期限損失感不得混淆

5. 跨期模型：重置時鐘、可轉移性與動態選擇

5.1 配額的基本狀態轉移

5.2 到期殘量不是新的負數帳款

5.3 動態規劃與真正的等待價值

5.4 配額的客觀邊際價值不一定隨截止日單調上升

5.5 轉存與滾存制度

5.6 轉存不保證總使用量提高或降低

5.7 哪一種時間才是真正不可逆的？

6. 行為偏離模型：主觀浪費懲罰如何增加使用量？

6.1 從客觀增量效用到主觀期限懲罰

6.2 最適使用量不一定等於全部容量

6.3 主觀失效懲罰

6.4 簡化模型中的「工作增量楔子」

6.5 為何不能把 κ\kappaκ 當成任意殘差？

6.6 沉沒成本與失效懲罰不是同一件事

6.7 主觀收益也可能是真實收益

7. 工作時間重排：期限如何影響候選任務轉為承諾？

7.1 兩種需求生成來源

7.2 條件式承諾機率模型

7.3 單純調整工作順序，未必增加總工作量

7.4 工作窗口與配額窗口有時可以合理重合

7.5 期限可以被任務價值吸收，也可以被工作義務吸收

8. 多 Agent／多平台環境：機器資源累積，人的一天沒有累積

8.1 多個配額的共同瓶頸

8.2 並行工作不等於並行責任

8.3 額度重置可能誘發「預先委任工作」

8.4 與 HDUS／委任時間論的關係

9. 可重算的思想實驗：為什麼留下 35% 額度也可能更合理？

9.1 示例假設

9.2 主觀失效懲罰的比較

9.3 為什麼不能把這個例子當成真實個案診斷？

9.4 反向例子：用完額度也可能完全合理

9.5 極端反例：完全沒有任務時

10. 訂閱方案選擇：如何區分當期最適使用與跨期最適購買？

10.1 兩層決策，不應共用同一目標

10.2 方案價值的基本表示

10.3 容量充裕仍然可能值得購買

10.4 有些方案不值得，不是因為額度剩下

10.5 財務流動性與生命週期

10.6 「每小時模型使用成本」可能誤導

11. 時間主權的操作化：不能只問「今天工作多久？」

11.1 三層時間帳本

11.2 基本指標一：未使用額度比例

11.3 基本指標二：期限前使用集中度

11.4 基本指標三：期限誘發承諾比例

11.5 基本指標四：被期限移動的人類時間

6.5 為何不能把 $\kappa$ 當成任意殘差？