HACTS-04｜代理並行與認知待命：當 AI 持續工作，人類為何仍難以真正休息

Q: 26. 哪些治理策略可能降低待命，而不犧牲真正的組織能力？

以下是可供研究與工程評估的候選策略，並非適用於所有系統的保證性建議。

從委任執行、未結監督、警報治理到可操作的認知退出權——人機耦合系統的雙佇列與時間主權模型

English title: Agent Parallelism and Cognitive Standby: Delegated Execution, Supervisory Queues, Vigilance, and the Effective Right to Disconnect in Human–AI Systems
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： 04／10（第一卷第四篇；承接 HACTS-00～03）
文件編號： EML-HACTS-2026-04-v0.1
版本： v0.1
日期： 2026-10-16（Asia/Taipei）
思想提出與研究策劃： Neo.K
AI 協作研究與論文初稿整理： GPT-6
研究場域： EveMissLab／無界智庫
文件性質： 理論論文、條件性數學模型、AI 組織設計、可否證研究計畫
狀態： 詳細理論初稿；具有可查核外部文獻對照，尚無本研究自行採集的人類受試資料、也尚未同儕審查
Canonical source： 本 UTF-8 Markdown 檔；所有正式 LaTeX 僅採 $...$ 與 $$...$$ 分隔符
研究邊界： 非臨床診斷、非個人健康評估、非 AI 自動化安全保證、非特定軟體平台的內部事實宣告

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司

摘要

持續性 AI Agent 的基本承諾，是讓人類不必在每一步作業中親自操作：Agent 可以自行搜尋、撰寫程式、呼叫工具、測試、重試、整理、交接，甚至在創作者吃飯、遊戲、睡覺或離開電腦時繼續推進任務。然而，委任執行與取得休息並不是同一件事。多個 Agent 所產生的報告、警報、待決問題、程式變更及尚待確認的結果，仍可能回到人類工作者。即使當下沒有任何訊息，行動者也可能因為預期將有結果需要審查、擔憂錯誤、或感覺自己隨時有責任接管，而無法完全從工作切換出來。這種現象在高自願性研究者、創作者與小型 AI 原生創業組織中尤其值得獨立研究，因為持續活動不必由外部主管強制，也可能出自本人對研究成果的興趣、未來窗口判斷及責任認同。

本文提出「代理並行—認知待命—有效退出」的條件性整合模型（Agent Parallelism–Cognitive Standby–Effective Disconnection，簡稱 APCS-ED）。首先區分五種不能混為一談的事件：Agent 正在執行、人類需要完成審查、人類預期可能需要審查、有真正不可延後的風險、以及人類具備合法且可實行的離線選擇。本文以委任任務流、監督事件分類、雙佇列動力學、風險閘門與潛在認知待命狀態建模，指出提高 Agent 數量或吞吐量可能增加人類監督需求，也可能在良好組織設計下降低人類總負擔；「並行必然導致焦慮」不是本篇的結論。真正相關的是哪些輸出被轉換成需要人類即時處理的義務，以及其訊號、權限、可逆性、時限和機器驗證品質。

本文明確對接既有自動化反諷（Bainbridge, 1983）、人類自動化監督、注意力殘留、工作心理抽離、通訊即時回應壓力與 2026 年 AI Process Vigilance 實證研究。特別注意，2026 年針對 642 名混合辦公員工的兩波問卷已提出 AI 委任後持續牽掛與較差恢復之間的關聯，故本篇不將該現象宣稱為首次發現。本文的新增研究位置在於：由 AI Agent 的事件流與治理權限出發，建立可以區分「需處置事件」「可延後事件」「非必要可見訊號」「主觀認知待命」的形式模型，分析審查佇列何時失穩、何種通知政策可以降低人類打斷頻率、以及在固定安全約束下能否增加個體實際可支配的生活時間。

本文提出十二組可否證命題，設計分層隨機交叉實驗、事件追蹤及日常經驗抽樣，並建立面向 HDUS／ANDO 類 AI 原生組織的最小人類回交契約。核心結論是：Agent 可以持續工作，而人類不必持續待命；但這項自由不是由「自主 Agent」這個名稱保證，而須由權限、停止、事件分流、機器驗證、應急責任及可恢復的人類節奏共同實現。

關鍵詞： Agent 並行、認知待命、AI Process Vigilance、自動化監督、心理抽離、操作員退出、委任時間、人類介入密度、雙佇列、通知批次、風險分流、可逆性、停止權、時間主權、HDUS、ANDO、可否證研究。

0. 問題提出：人類沒有在操作，為何工作還沒有結束？

在傳統工作中，完成一項工作往往要求工作者持續操作。當個體停止操作，至少一部分工作會隨之停止。在持續性 AI Agent 中，這個關係被拆開：

\mathrm{HumanExecution}(t)=0

並不意味：

\mathrm{AgentExecution}(t)=0.

但反過來也必須注意，Agent 正在運行並不意味人類必然需要即時監督：

\mathrm{AgentExecution}(t)>0 \not\Rightarrow \mathrm{HumanDutyNow}(t)>0.

例如某位創作者晚上打開遊戲，六個 Agent 同時進行單元測試、建立文檔索引、蒐集公開資料、評估 UI、比對基準測試與生成影音草稿。就技術形式而言，操作者已經退出直接執行；但若每十五分鐘都會出現「請確認下一步」「請審核變更」「是否要繼續」等通知，原本的休閒時間仍被切割。

另一種情況甚至沒有實際通知。創作者只知道 Agent 仍在執行，便不自覺想像：「不知道有沒有失敗？」「是不是已經完成下一階段？」「會不會又要我修正？」「如果現在不看，明天會不會積更多？」這種心理現象不必然發生，也不應被推斷為生理或臨床狀態；它是需要被直接測量的認知經驗。

再有第三種情況：Agent 處理涉及真實交易、安全權限、不可逆發佈或重要外部承諾。此時負責人確實可能需要及時監控，不能把「想休息」誤作取消法律、契約或安全責任的理由。適當的解法可能是安全停止任務、將值守交給有能力的其他人，或事先限制 Agent 不可進入需即時人類值守的操作域。

由此產生本篇主問題：

當 AI 把執行時間從人類身上移開以後，什麼因素仍然把人的注意力留在工作裡？在保留必要安全與責任的條件下，哪些治理結構能使委任真正轉化為可支配生活時間？

本篇不以增加 Agent 數量作為目標，也不鼓勵將所有風險自動化；相反地，研究重點是減少不具有必要治理價值的人類介入。

1. 文獻與原創邊界：現象不新，問題結構可以更精確

1.1 自動化反諷早已指出監督沒有因自動化消失

Bainbridge（1983）《Ironies of Automation》說明，自動化可能移走日常操作，卻將少數例外狀況、異常辨識與處理責任留下給人類 [E1]。這對今天的 Agent 同樣重要。機器執行大量可預測步驟，人類只在困難條件下被要求介入，並不保證人類在出現異常時仍維持足夠的脈絡與情境認知。故無條件追求「人類永不介入」並非成熟自動化。

Parasuraman 與 Riley（1997）區分 automation 的 use、misuse、disuse、abuse，強調過度信任、無效警報與自動化職務設計可能同時影響使用者 [E2]。Parasuraman、Sheridan 與 Wickens（2000）則區分資訊取得、分析、決策選擇與行動實施等不同自動化功能 [E3]。這提示我們：Agent 的「自主等級」不是單一純量；系統可以高度自動執行，但對某些不可逆決策仍保留人類的最終授權。

1.2 心理抽離與恢復研究提供測量基礎

Sonnentag 與 Fritz（2007）提出的 Recovery Experience Questionnaire 區分心理抽離、放鬆、精熟及控制四種恢復經驗 [E4]；2015 年的 stressor–detachment model 也指出工作壓力與心理抽離困難、疲勞及福祉指標之間的經驗關聯 [E5]。本篇因此不能把「離開電腦」當成「已經心理抽離」，也不應反過來要求「休閒時間絕對不能想到工作」。後者可能把自然的自發靈感誤判為有害待命。

Leroy（2009）關於 attention residue 的研究則說明，轉向新任務後注意力仍可能停留在前一項未結工作，進而影響下一項任務的表現 [E6]。Agent 的待審查結果可能形成同類干擾，但這不是直接等同：本篇必須另外證明「未結工作仍由機器推進」是否增加不同於一般未完成任務的額外效果。

1.3 通訊壓力與自主悖論是重要的相鄰解釋

Barber 與 Santuzzi（2015）提出 workplace telepressure，說明即時回應工作訊息的主觀急迫感可以妨礙恢復 [E7]。Mazmanian、Orlikowski 與 Yates（2013）在行動電子郵件研究中提出 autonomy paradox：員工為了方便與自主使用隨時連線的工具，卻逐漸形成持續可聯絡的規範，使實際離線能力下降 [E8]。

Agent 的特色不只是傳送更多訊息，而是：訊息背後可能有一個在使用者不在線時持續改變結果的執行流程。因此它可能形成額外的進度與責任牽掛；但我們不能在未測量之前，假定其影響必然大於一般工作訊息。

1.4 2026 年 AI Process Vigilance：直接相關但不是因果定論

Zhang、Li 與 Chen（2026）於 2026 年 9 月 24 日發表《When AI Works, Employees Worry: The Vigilance Cost of AI Delegation in Hybrid Work》，提出 AI process vigilance（AIPV）概念，以進度監控、品質疑慮、錯誤預期與失去控制感描述委任後心理持續附著 [E9]。

研究採兩波問卷，間隔七週，最終分析 642 名至少每週使用一次 AI 的混合辦公員工。報告顯示，AI delegation dependence 與 AIPV 呈正向關聯，AIPV 與工作反芻正向關聯，反芻與心理抽離呈負向關聯。作者原先預期的「邊界管理偏好會削弱 AIPV 與反芻的關係」交互作用並未獲支持。這項陰性結果也必須如實保留。部分直接路徑不顯著，而兩波觀察性自陳資料無法單獨確立完整因果方向：初始工作壓力、組織文化、個人責任感、睡眠品質、模型可靠度與樣本選擇都可能影響估計。

本文不重新宣稱「AI 委任後可能持續擔心」是新的心理學發現。本篇相對 AIPV 的研究增量在於：

將心理潛在狀態連接到可稽核的 Agent 事件、監督事件與權限邊界。
分辨客觀必須處理的義務、可以延後的工作，以及沒有必要通知的人類可見訊號。
研究在相同任務量與安全條件下，事件分流／通知批次能否降低心理待命。
將「人類真的有離線權」建立為可以測試的組織屬性，而非僅是工作者的主觀偏好。

1.5 2026 年 Coding Agent 監督研究

Park 等人（2026）《The Work Behind Delegation》透過 19 名具經驗開發者的觀察與工作流程圖，整理監督 AI coding agents 的連續活動階段與迴路 [E10]。其研究提醒我們，委任不只是交付 prompt 和等待答案；規劃、上下文交接、驗證、修正以及將反覆指引轉成資產，都是監督工作的一部分。但此樣本與研究設計尚不足以代表所有產業或推算平均監督工時。

1.6 本篇的嚴格貢獻聲明

本研究提出的是一組待驗證的工程—心理—時間治理連結模型，並非宣稱發現人類自動化監督、恢復壓力或注意力殘留。形式上的創新候選包括「雙佇列與責任分類」「最低必要介入密度」「認知待命—客觀義務分離」「有效退出可行性判準」以及「有風險上界的通知治理」。是否真正具有相對於既有文獻的理論創新性，仍須接受進一步文獻系統整理與實證比較。

2. 研究對象：人、Agent、任務與制度，而不是單純聊天紀錄

2.1 分析單位

令系統由人類委任者 $H$ 、Agent 集合 $\mathcal A$ 、任務集合 $\mathcal T$ 、授權與風險政策 $\mathcal P$ 、可用資源 $\mathcal B$ 與時間區間 $[0,T]$ 組成：

\mathcal S = (H,\mathcal A,\mathcal T,\mathcal P,\mathcal B,[0,T]).

Agent 集合可含多模型、多工具與子代理，但不能把 Agent 的輸出文字數量等同有效工作量。某個 Agent 完成一百次循環、卻從未通過真實驗證，不能計作已完成一百件有價值成果。

2.2 五類事件的最小區分

對每一事件 $e$ ，將其分類為：

類型	記號	定義	是否必須立即打斷人類
機器內部執行	$E_M$	搜尋、運算、草稿、重試與可回退處理	通常否
機器可驗證完成	$E_V$	已經通過預設檢驗、可安全暫存的成果	通常否
人類延後審查	$E_D$	需要人類判斷但無即時期限的事件	不一定
人類限期治理	$E_G$	權限、風險或外部承諾要求在期限內介入	依期限
必須立即應變	$E_C$	真正無法容忍等待的安全／法律／外部高風險事件	是，或原任務必須安全停止

這個表不是宣稱 AI 有能力完美識別所有風險，而是提出研究及工程系統必須提供的事件語義。分類錯誤本身就是需要審核和量測的主要風險。

2.3 任務結果與人類義務不能互相代替

一個 Agent 完成任務可能有三種後果：

已通過標準、可以直接保留或安全提交，無須現在叫醒人類。
需要人類作出質量判斷、產品方向或公開發布選擇，但可以等到預設治理時段。
進入事先未授權的風險區域，必須暫停、回滾或緊急通知具責任的值守者。

因此：

N_{\mathrm{completed}} \neq N_{\mathrm{human\ review\ now}}.

如果一個系統把這兩個數量預設成相等，Agent 的成功便會持續產生人類通知。這是設計選擇，並非自主 Agent 的必然技術要求。

3. 重要概念與操作定義

3.1 委任執行（Delegated Execution）

人類給出高階目標、限制、驗收與授權，Agent 在一定範圍內自行產生中間行動，不必逐步請求人工輸入。委任執行不是交出一切權限，也不是完全無人監督。

3.2 認知待命（Cognitive Standby）

本文將認知待命定義為：在沒有正在執行必要工作、沒有真正需要當下介入的客觀事件時，個體仍因預期受委任流程需要自己介入，而維持對該流程的注意、監控意圖或持續牽掛的狀態。

此定義包含三個邊界：第一，主觀狀態需由經驗抽樣或問卷量測，不可單憑 AI 運行紀錄推定；第二，偶然想到工作的靈感不必然是認知待命；第三，必要且已同意的值守並非無效治理，但它仍可能限制真正的休閒時間。

3.3 監督需求（Supervisory Demand）

要求人類因解釋、判準、風險、權限或外部責任而採取認知或操作行動的事件集合。工作尚未完成與審查尚未完成應分帳；「有新成果可看」不是「有新責任必須立即做」。

3.4 有效退出（Effective Disconnection）

有效退出不等於將裝置設定為勿擾，而是符合一組可操作條件：人類暫停工作後，系統能在事先定義的安全約束下繼續低風險活動或安全停止；非必要事件不會迫使其返回；必要的不可延後事件有明確值守安排；退出者可在稍後取得可重建的摘要、證據與狀態，不因暫時離線喪失基本決策能力。

3.5 監督稀疏化（Oversight Sparsification）

在不提高不可接受風險的前提下，降低需要人類即時參與的事件密度。它並不等於「更少看見壞消息」。若降低通知數量只是隱藏風險，則不是有效監督稀疏化。

3.6 可回交性（Returnability）

人類在離線後可以重新進入狀態，理解重要變更、已核對的證據、未決承諾與當前風險，不必重新閱讀所有 Agent trace 才能恢復必要控制。

4. 為何 Agent 並行度與人類工作強度沒有簡單線性關係

4.1 並行 Agent 數量不是有效產能

令 $n$ 為同時運作的 Agent 數量， $P_A(n)$ 為其有效驗證後成果率。一般無法假定：

P_A(n)=nP_A(1).

原因包括共用工具壅塞、相依任務、重複工作、相互衝突、共享資源失效、品質不均、錯誤重試與非平行關鍵路徑。即使某些情況可接近線性加速，也不保證相同幅度降低人類工作時間。

4.2 人類審查需求具有篩選比例

令 Agent 在特定時間區間產生的候選交付率為 $\lambda_A(t)$ ；其中有比例 $p_D(t)$ 需要延後人工審查、比例 $p_G(t)$ 需要限期人工治理、比例 $p_C(t)$ 為必須立即應變的事件。這三類應在可驗證的互斥分類下定義，並使：

0\le p_D+p_G+p_C\le 1.

名義上的人工事件到達率近似：

\lambda_H(t)=\lambda_A(t)\left(p_D(t)+p_G(t)+p_C(t)\right)+\lambda_{\mathrm{external}}(t),

其中 $\lambda_{\mathrm{external}}$ 是不直接來自 Agent 交付、但仍需人類處理的外部事件。這只是聚合近似，實際可採離散事件計數而不假定比例恆定。

人類審查是否增加，至少取決於 Agent 輸出率與分類政策兩個因素；單純增加 Agent 並行度既可能提高 $\lambda_H$ ，也可能透過更可靠的機器驗證降低相應比例。

4.3 低通知不等於低風險

如果降低 $p_C$ 的方式只是把緊急事件誤判為「可自行完成」，那麼人類通知確實減少，但安全性下降。理想政策必須同時報告召回率、誤報率、未發現事件的後果，以及必要人工回應是否能在風險窗口內完成。不能只用「訊息少了多少」作為治理成功判準。

4.4 加速 Agent 可能出現三種分歧

情境 A：機器任務成功率提高、人工必要檢查比例下降、總價值增加，人類監督時數下降。這是理想的委任時間紅利。

情境 B：機器成果增長很快、人工檢查比例近似不變，人類審查佇列累積。工作壓力可能轉移到人類判準層。

情境 C：機器成果增加，但成果多為可推遲或可驗證項目；若通知政策不良，手機或桌面不斷發出非必要打斷。這是介面／治理政策造成的負荷，不一定是必要的客觀工作量。

三種情境可以在相同模型能力、不同 Agent 編排與不同授權下同時存在。

5. 雙佇列模型：機器結果與人類責任必須分帳

5.1 機器結果佇列

令 $Q_A(t)$ 為等待機器內部完成後續步驟、驗證或歸檔的候選結果存量；機器新增率為 $\lambda_A(t)$ ，自動處理與合法移出率為 $\nu_A(t)$ 。在連續近似下：

\frac{dQ_A}{dt}=\lambda_A(t)-\nu_A(t).

$Q_A$ 本身不是需要人類即時處理的事項數。

5.2 人類行動佇列

令 $Q_H(t)$ 為已經正當轉移給人類、但尚未處理的必要人工行動存量；加入率為 $\lambda_H(t)$ ，實際處理率為 $\mu_H(t)$ ，合法撤銷或自動完成率為 $\chi_H(t)$ ：

\frac{dQ_H}{dt}=\lambda_H(t)-\mu_H(t)-\chi_H(t).

在離散任務計數中，實際 $Q_H$ 必須非負；若流量形式導致右式使存量低於零，應以可供處理的存量上限限制出佇列率。對應的離散式更適合事件系統：

Q_{H,t+1}=\max\left\{0,Q_{H,t}+A_{H,t}-S_{H,t}-R_{H,t}\right\}.

其中 $A_{H,t}$ 是加入事件數、 $S_{H,t}$ 是實際完成人工事件數、 $R_{H,t}$ 是在合法驗證下取消人工介入要求的事件數。

必須強調： $R_{H,t}$ 不得包括掩蓋風險、未授權提交或僅僅刪除提醒的事件。

5.3 事件速率、服務速率與穩定條件

若人工事件到達與處置具有某種穩定統計結構，則在平均意義下希望：

\overline\lambda_H < \overline\mu_H+\overline\chi_H.

但這個條件只是必要的穩定性直覺，不能在有強烈時間波動、優先序、批次到達、共用資源或不可中斷工作的情況下保證所有延遲都有限。少量緊急事件可能與大量非緊急事件混在同一佇列中，因此即使總負載低，也可能因優先級錯誤而違反時限。

若在教科書式的單一服務者 M/M/1 模型下，非空狀態且滿足 Poisson 到達、指數服務時間、先來先服務、無批次與穩態等限制，令事件到達率為 $\lambda$ 、服務率為 $\mu$ ，且 $0<\lambda<\mu$ ，則總系統平均逗留時間：

\mathbb E[W]=\frac{1}{\mu-\lambda}.

這是一個特定排隊模型的解析結果，不是「人的注意力服從指數分布」的科學宣告。它只提供一個可計算的機制示意：當人工審查需求接近可提供的審查容量時，等待時間可能呈現明顯非線性上升。

5.4 有佇列不等於有焦慮，沒有佇列也不等於沒有焦慮

一個受信任、可觀測且可延後的審查佇列即使存量大，也可能不影響休閒；反之，一個低事件量但可能引發不可逆損失的 Agent，即使完全沒有待審查訊息，也可能讓某些人保持注意。故不能直接定義：

\mathrm{CognitiveStandby}(t)=Q_H(t).

二者必須獨立測量，才能檢驗它們的關係是否存在及其強度。

6. 認知待命的條件性動力學

6.1 從事件事實到主觀心理狀態的因果邊界

可觀察的 Agent 執行記錄，並不直接證明人的注意力何時轉移，也不直接顯示神經資源如何消耗。本篇把認知待命視為可透過多題項、經驗抽樣和自我報告估計的潛在狀態。其形成機制是研究假說，而不是已證明生理法則。

設 $S_t\ge0$ 為時段 $t$ 的主觀認知待命程度； $N_t$ 為打斷通知量； $U_t$ 為未解決品質／風險不確定性； $A_t$ 為行動者認為自己即將被要求介入的預期強度； $J_t$ 為個人承擔的未結責任顯著性； $C_t$ 為能夠確信任務安全暫停與關閉的可見性； $\delta$ 為上一期狀態自然衰退係數。

一個可估計的離散模型是：

S_{t+1}=\max\left\{0,(1-\delta)S_t+\alpha N_t+\beta U_t+\gamma A_t+\eta J_t-\omega C_t+\varepsilon_t\right\}.

這裡 $0<\delta\le1$ ，係數是待估的條件模型， $\varepsilon_t$ 為未觀察因素；其符號、非線性、個體差異與交互作用都必須由資料決定。不同人甚至可能在收到適量通知後更加安心，亦即 $\alpha$ 可能為負，或呈倒 U 形，而不是一律正向。

6.2 監督信任與資訊品質的非單調關係

對部分使用者，完全沒有系統狀態資訊會增加不確定性；顯示簡單、可靠的「安全暫停」「所有活動只讀」「無緊急事項」可能降低擔心。但當狀態介面以分鐘級細節不斷更新時，資訊過量又可能鼓勵查看。

因此預期存在一條待驗證的非單調函數：

S=f(I_{\mathrm{status}},R_{\mathrm{trust}},N_{\mathrm{interrupt}},K_{\mathrm{responsibility}},Z_{\mathrm{personal}}).

其中 $I_{\mathrm{status}}$ 為有意義的狀態資訊品質， $R_{\mathrm{trust}}$ 為有根據的可校準信任， $K_{\mathrm{responsibility}}$ 為責任知覺， $Z_{\mathrm{personal}}$ 是個體條件。研究應測試：透明度上升是否可能先降低、再提高認知待命，而非一味假設愈透明愈好。

6.3 待命與工作反芻並不相同

認知待命： 預期自己可能需要介入，因此保持對受委任流程的注意。
工作反芻： 在工作外重複思考任務、疑慮或情緒，可能帶有無法中止性。
注意力殘留： 轉換任務後先前任務對後續認知處理的干擾。
通訊回應壓力： 面對訊息或同事期待時主觀需要快速回應。
必要值守： 出於已授權、安全、合約或職務要求而有實質回應義務。

上述變項可以相關，但其時間次序與機制不同；混在一份「過勞量表」會使研究無法辨識真正可透過組織設計改變的部分。

6.4 認知待命何時不應被視為負面？

存在至少四種不能病理化的情況：一是創作者自願期待作品完成的喜悅；二是休閒中自然湧現的研究靈感；三是可選擇、不妨礙活動的低強度關注；四是本人自願承擔且具明確界線的必要值守。若上述狀態沒有干擾恢復、睡眠、關係或自我安排，它們不必然構成問題。

真正值得研究的是在行動者希望暫時退出時，是否仍然無法退出，以及這項限制有多少來自可更改的技術與制度安排。

7. 有效退出：從「裝置勿擾」到「組織承認不在場」

7.1 三種形式上看似相同、實質卻不同的離線

類型 I：畫面離線。 人類關閉視窗，但 Agent 可隨時傳訊要求確認；工作仍可能回到人身上。

類型 II：執行離線。 人類不操作，Agent 繼續低風險任務；必要決策集中至預設檢視時段。若系統有良好風險閘門，這可能是有效退出。

類型 III：治理離線。 人類不僅不操作，也不承擔該時段的即時值守；系統要麼進入安全暫停狀態，要麼由明確授權且能回應的其他人或制度接管不可延後風險。這最接近實質時間主權。

7.2 四個必要條件

對時間區間 $[t_0,t_1]$ ，若人類欲真正離線，至少需要：

權限相容性： Agent 的持續行動在已授權且風險可承受的範圍內；超界自動暫停或有明確值守者。
時間相容性： 非緊急事件不要求人類在離線期間回覆；必要回覆時限可被明確滿足。
資訊相容性： 回來以後有品質可信、可追溯的差異摘要與證據，不必靠無限閱讀對話補課。
退出可行性： 人類可以拒絕下一輪新增任務，且系統不因此對其施加預設的無限工作義務。

7.3 一個可檢驗的有效退出判準

定義 $D_{[t_0,t_1]}=1$ 表示離線期間所有關鍵權限／期限／安全條件均獲得合法處理， $U_H$ 為期間非必要人工回應量， $I_H$ 為必要時限違約次數。可以設定一個規範性而非自然定律的判準：

\mathrm{EffectiveExit}=1 \quad\text{if}\quad D_{[t_0,t_1]}=1,\ U_H=0,\ I_H=0.

這只是「組織已允許有效退出」的事件層判準；它不意味人的主觀心理抽離必然達成。心理抽離仍須另外量測。由此得到：

\mathrm{OperationalExit} \not\Rightarrow \mathrm{PsychologicalDetachment}.

反過來，心理抽離良好亦不表示系統治理安全。兩者必須共同觀測，不能互相替代。

8. 機器驗證與人類治理的分層：哪一些事情真的需要我？

8.1 不同的驗證層不得混用

軟體單元測試通過，可能支持某程式行為符合有限規格；它並不等於產品策略正確、部署風險可接受、所有安全問題已被排除，更不等於合約或財務判斷可以交給 Agent 自行處理。

本文區分：

語法／格式檢查： 確保資料結構合法。
功能／測試檢查： 確保可重現的驗收條件通過。
語義／證據檢查： 確保內容有可追溯來源、重要主張有相應支持。
風險／授權檢查： 確保外部動作符合政策、權限與可逆性條件。
價值／方向判斷： 涉及最終選擇、品牌、商業承諾與創作者自身意圖，未必能以機器測試完全決定。

這些層級可以由不同檢查器／Agent 協助，但各層證據不可無條件升格為另一層的通過證明。

8.2 最低必要回交策略

對事件 $e$ 定義：

G(e)=g(R(e),I(e),A(e),D(e),V(e)),

其中 $R$ 為風險、 $I$ 為不可逆程度、 $A$ 為授權範圍、 $D$ 為決策期限、 $V$ 為驗證證據完整度。函數 $g$ 的輸出是：機器繼續、機器暫存、預定人工審查、限期治理、或立即安全停止並通知值守者。

系統應以最小必要的人工介入達到安全、權利與承諾要求；但不是最小化風險訊息本身。這與 AI 原生組織的 Operator Exit 原則相容：人類退出重複作業，不代表退出其有權且必須承擔的治理決策。

8.3 讓 Agent 自己產生下個 Phase 並不總是好事

一個 Agent 完成測試後，若自動提出十個值得做的新功能，並把每個新功能寫進需要人類回覆的清單，就可能把「探索選項」偷偷轉成「工作義務」。這會與 HACTS-01 的內生工作擴張耦合。

一項可用治理約束是：在沒有新增授權的情況下，Agent 可以歸檔後續機會，但不得將其自動提升為即時人工承諾。 除非存在事先明定的必要安全、合約或時限規則。

9. 通知不是中立介面：頻率、可信度、打斷成本與治理時限

9.1 相同內容可以製造不同的人類時間成本

假設一個 Agent 在一天中產生十份需人工審查、且沒有即時期限的報告。若每份完成便彈出通知，使用者可能在不同活動中被打斷十次；若一天固定一個時間窗口集中審查，事件數仍然是十件，但注意力切換次數可以大幅下降。

我們因此區分三種成本：

C_{\mathrm{human}}=C_{\mathrm{review}}+C_{\mathrm{switch}}+C_{\mathrm{standby}}.

$C_{\mathrm{review}}$ 是必要審查本身的時間， $C_{\mathrm{switch}}$ 是注意力與工作情境切換成本， $C_{\mathrm{standby}}$ 是等待與牽掛帶來的主觀機會成本。第三項必須以心理與行為資料估計，不能自行把每一次想起工作都折成固定貨幣或工時。

在事件數與審查品質不變的條件下，合理批次可能降低 $C_{\mathrm{switch}}$ ；如果可信的安全邊界亦使主觀預期更加明確，則可能降低 $C_{\mathrm{standby}}$ 。但過度批次也可能延誤重要問題、增加一次性審查負荷，或使需要及時反饋的 Agent 長時間卡住，因此最佳批次大小並無普遍常數。

9.2 通知信號品質

對某一類需即時人工注意的事件，定義：

真陽性（TP）：應即時處理，且通知正確觸發。
假陰性（FN）：應即時處理，卻沒有通知。
假陽性（FP）：不應即時打斷，卻觸發緊急通知。
真陰性（TN）：不應即時打斷，也未觸發。

則召回率與精確率分別為：

\mathrm{Recall}=\frac{TP}{TP+FN}, \qquad \mathrm{Precision}=\frac{TP}{TP+FP}.

當緊急事件基率極低時，即使分類器在某些指標看來表現良好，仍可能產生大量假陽性。因此，從「增加通知讓人放心」轉向「可以信任的低誤報事件治理」，不僅是減少介面雜訊，也涉及訊號偵測與風險成本問題。對高風險場景，絕不可只為追求較少通知而容忍不可接受的假陰性。

9.3 通知決策的最小損失模型

在純粹可延後、低風險的通知類別中，若每次無必要打斷的成本為 $c_F$ 、漏報限時事件的成本為 $c_M$ ，某一事件真的需要通知的條件機率為 $q$ ，則一個簡化的二選一模型可以比較：

L_{\mathrm{notify}}=(1-q)c_F, \qquad L_{\mathrm{silent}}=qc_M.

在這個極簡損失假設下，若：

q>\frac{c_F}{c_F+c_M},

則通知的預期損失比較低。此推導僅作為訊息政策的決策示意：真實系統還有訊息延遲、風險尾端、法律上限、連續事件相依與多重行動選項；尤其涉及傷害風險時，硬性安全約束的優先級高於簡化期待值。

9.4 「安靜」應該是可驗證的狀態，而不是沒有回應

一個真正適合讓人類休息的系統，應能區分：

沒有需要處理的事件。
有需要處理的事件，但可待下一個約定時段。
出現了異常，Agent 已安全暫停並記錄。
狀態資訊缺失，不能證明安全。

第四種不應默默當成第一種。否則系統只是將不確定性藏起來，創作者回來後反而可能必須支付更大的重建與補救成本。

9.5 必要通知不是「應該總是在線」的藉口

高風險任務若要求即時人類應變，就必須設置能夠真正回應的值守機制。若沒有值守人員，也無自動隔離或安全停止方案，該任務不適合在委任者預計休息時繼續進入不可逆階段。這是系統准入條件，而非對使用者道德責任的空泛呼籲。

10. 代理監督的責任矩陣：誰能做、誰能判斷、誰需要被叫回來？

10.1 四層工作責任

可以把一項 AI 工作分成四個分層責任：

層次	核心任務	可常態委任程度	人類責任
作業層	搜尋、撰稿、計算、程式、測試、格式轉換	視任務可高	指定意圖與驗收標準
驗證層	測試、交叉檢查、來源比對、風險訊號檢測	視證據與可靠度可中高	決定哪些證據可被採納
治理層	授權、不可逆提交、重大商業與法律承諾	視風險而定，不可預設全交付	保留有權的高階決策
生活節奏層	何時中止、何時查看、何時不再新增工作	人類應保有有效主權	可自由調整而不受過剩產能驅迫

本篇特別提出第四層。既有 AI 原生組織研究已討論前三層，但當我們把時間主權納入評估，生活節奏不應被當成作業排程的副產品。

10.2 Agent 持續工作可以與人類離線共存

若 Agent 只進行只讀搜尋、草稿整理與本地測試，且無無限資源消耗與外部風險，則人類暫時離開不必阻止全部活動。理想系統在一段合法授權內完成可驗證工作後，自動停止或進入等待狀態。

若工作涉及未授權的外部 API、網站發布、資料刪除、付款、雲端成本成長，則可能需要先停在人工授權閘門。停下來等待下一次工作時間，比半夜叫醒負責人更符合時間主權。

10.3 權限不能因「協作更多」而自動擴張

一個 Agent 不能只因辨識到下一個可能的好點子，就替委任者擴大預算、授予外部發布權或開啟永久排程。Agent 自行提出候選與人類正式授權，是兩種不同事件。這與 HODR 的選擇權理論直接相連：可行路徑可以保留，不代表必須立刻消耗。

10.4 人類休息權不是絕對免責

某些領域存在持續性法定義務、契約服務水準、資安事故通報或他人生命財產安全。個體如果事先自願承擔值守、又尚未妥善交接，就不能把「人類優先」解釋成可以放任風險。本文所要求的是系統在設計階段就明確不讓單一創作者默認成為 24 小時風險承擔者，而不是取消必要責任。

11. 從 Agent 數量最適化，轉向人類治理節奏最適化

11.1 不宜使用單一極大化目標

若系統只最大化每小時 Agent 完成量：

\max P_A,

便可能忽略需審查事件、延遲風險、人類恢復與價值質量。更完整的規劃目標應同時考慮驗證後外部成果、必要人類治理時間、風險成本和真正可自主使用的休閒時間。

一個規範性、待實作與校準的目標可寫為：

\max_{\pi}\; \mathbb E\left[ V_{\mathrm{verified}}(\pi)+\theta T_{\mathrm{free}}(\pi)-\alpha C_{\mathrm{human}}(\pi)-\beta C_{\mathrm{resource}}(\pi)\right]

條件為：

\mathrm{Risk}(\pi)\le R_{\max}, \qquad \mathrm{Authority} (\pi)\subseteq\mathcal P, \qquad \mathrm{DeadlineViolations}(\pi)=0

其中 $\pi$ 為 Agent 編排、通知、暫停與交付政策， $\theta$ 是對自由時間的規範性評價係數，不能宣稱為所有人的固定心理常數。某些安全條件更適合用硬性可行集合表達，不應與短期效益任意互換。

11.2 真正的時間紅利要看人類如何使用節省下來的時間

假設 Agent 替人節省三小時操作，卻要求新增兩小時審查、一小時修復和半小時斷續回應。雖然「直接操作時間」減少三小時，總人工需求可能增加半小時。若另外發生休閒期間的認知待命，狀態還可能更複雜。

因此建議至少同時報告：

\Delta T_H^{\mathrm{net}} =\Delta T_{\mathrm{direct}}-\Delta T_{\mathrm{review}}-\Delta T_{\mathrm{rework}}-\Delta T_{\mathrm{coordination}}.

上式中的 $\Delta T_{\mathrm{direct}}$ 代表「被省下的直接操作時數」，而其餘項代表「相較基準額外新增的人工時數」。若把剩餘認知待命再折算成時間，必須說明測量與效用假設；更穩健的做法是將其作為獨立指標報告。

11.3 人類治理節奏不必和機器事件節奏同步

Agent 可以每秒執行多次內部轉換；人類可能只希望每天、每週、或在某些研究階段結束後做一次決策。治理系統的設計應讓這些節奏合法共存。在安全範圍內：

\mathrm{Frequency}_{\mathrm{AgentEvents}} \gg \mathrm{Frequency}_{\mathrm{HumanInterruptions}}

不應自動被視為監督不足。真正重要的是高風險事件能否在其必要時間窗口內被處理，以及非緊急事件是否能以可靠摘要被之後的決策者吸收。

11.4 決策批次與機器持續工作的必要邊界

對每一工作流應事先設定：

何種操作可在休閒期間持續。
何種操作遇到界限就自動暫停。
何種事件可累積到下個人工決策窗口。
何種事件必須即刻交給有責任且有能力的值守者。
超過成本、時間、風險或失敗次數上限時，系統如何終止而不是繼續消耗資源。

這是約束 AI 的自由，不是把人類變成另一個必須與 AI 同速工作的元件。

12. 可重算思想實驗 I：六個 Agent 並不必然等於六倍人類負荷

12.1 模型設定

假設六個 Agent 在一天內總共產生 $60$ 個事件，每項工作平均需要人類四分鐘才能進行一次有效審查。若所有事件都被推送給人類，形式上的人工審查需求：

60\times4=240\ \mathrm{minutes}.

這相當於四小時，而且尚未計入中斷與重新進入任務的成本。

12.2 正當分流後的情況

假設經事先驗證和授權規則確認，其中 $42$ 件只是機器內部資訊或已完成並可安全歸檔的事項， $12$ 件能由可稽核的機器測試及證據檢查完成而無須人工決策，剩餘 $6$ 件才是真正需要人類方向選擇或審查的結果。

在這個假設中，必要人工審查時間：

6\times4=24\ \mathrm{minutes}.

也就是從 $240$ 分鐘下降到 $24$ 分鐘。然而這項改善成立的前提極為嚴格：被分流的 $54$ 件不可以只是被隱藏，其合法性、機器檢查品質與授權邊界都必須成立。若有高風險事件，另須遵守即時停止或值守路由，不能與一般審查合併。

12.3 可以觀察什麼？

在相同成果品質、相同未漏報風險及相同驗收標準下，若上述分流確實減少直接審查與打斷次數，就支持「必要介入密度可以透過治理設計下降」這項命題。但不會直接證明主觀認知待命一定下降；那仍須由經驗抽樣另行檢驗。

12.4 反例：若六件人工判斷高度複雜

若剩餘六項每項都需要一小時的策略判斷，則 $6\times60=360$ 分鐘，人類工作量可能仍很高。可見事件數下降，不等於價值加權工作量一定下降。研究應同時測量每件人工審查的時長、難度與返工率。

13. 可重算思想實驗 II：人工審查容量附近的非線性等待

13.1 純示意排隊條件

在上文限定的 M/M/1 假設下，設某人工審查站的平均服務率為：

\mu=5\ \mathrm{events/hour}.

如果人工事件到達率為：

\lambda_1=4.8\ \mathrm{events/hour},

則：

\mathbb E[W_1]=\frac{1}{5-4.8}=5\ \mathrm{hours}.

若透過機器驗證及有效分流使需要人工審查的事件到達率降至：

\lambda_2=1.8\ \mathrm{events/hour},

則：

\mathbb E[W_2]=\frac{1}{5-1.8}=0.3125\ \mathrm{hours}=18.75\ \mathrm{minutes}.

若 $\lambda_3=5.2$ 則模型沒有穩態 M/M/1 平均逗留時間；在沒有限流、暫停或其他出佇列機制的情況下，人工待審查工作會有長期累積壓力。

13.2 不能誤讀的地方

這些是教科書模型的算例，不是人類真實注意力的測量值，也不聲稱 Agent 事件天然遵循 Poisson 分布。現實中的人類審查是間歇性的、依任務難度而異、具有風險優先級；因此應使用事件模擬、G/G/1 或多類別隊列對照，而非直接套用 M/M/1 的結果預測團隊工時。

它所支持的最小機制是：當一個系統把太多事件轉為人工必辦事項，並把人類處理能力當成無限時，就容易在容量臨界附近失去可預期的治理節奏。

14. 可重算思想實驗 III：沒有新的工作，注意力仍可能暫時留在 Agent 上

14.1 單純的狀態衰退示意

取第 6 章的簡化模型，忽略隨機誤差，令每期原有認知待命保留比例為 $0.75$ ，外部驅動輸入為 $u_t$ ：

S_{t+1}=0.75S_t+u_t.

若長期固定輸入 $u=1.2$ ，穩態為：

S^*=\frac{1.2}{1-0.75}=4.8.

若經過可信的風險邊界、延後審查及安靜狀態設計，使驅動輸入在一個假設情境中下降到 $u=0.35$ ，新的穩態便是：

S_{\mathrm{new}}^*=\frac{0.35}{1-0.75}=1.4.

這些數值只是任意但一致的無量綱例子；不能把 $4.8$ 或 $1.4$ 當成心理量表的真實分數，也沒有資料支持所有人都會依相同衰退速度恢復。

14.2 心理待命可能有慣性

即使某一時點停止所有 Agent，先前的心理牽掛仍可能逐漸消退，而不是立即歸零。這意味著研究不能僅以 Agent 是否運行的單一二值變數，解釋某個時刻的放鬆狀態；必須考慮前一期經驗與其他生活因素。

14.3 同時容納反例

如果個體對 Agent 運行毫無牽掛、任務沒有人工回交要求、又不存在外部安全值守，那麼上式的輸入可以接近零；Agent 即使繼續工作，也不必然出現認知待命。這不是模型的例外補丁，而是應當明確容納的合法情況。

15. 可重算思想實驗 IV：低負載高風險，與高負載低風險

15.1 情境 A：訊息多、風險低

設一天有 $80$ 件 Agent 狀態更新，其中只有兩件確實涉及人類不可替代的方向選擇，且均可於隔日上午處理。若平台仍然每件都推送，使用者可能收到大量通知並頻繁查看。此時降低通知密度可能大幅改善生活干擾，而不增加必要治理風險。

15.2 情境 B：訊息少、風險高

另一個 Agent 一整天只執行一次操作，但這次操作可能會對外發布尚未審核的資訊、引發不可逆資料刪除或產生未授權成本。即使只有一則通知，責任仍可能重大。正確設計不是把這則通知也靜音，而是使工作在進入該風險動作前停止，等待預先授權或交由值守者處理。

15.3 研究推論

「Agent 忙不忙」「通知多不多」「人需不需要待命」不能用同一個指標代表。這三者的分離是本篇最重要的識別原理之一。低通知量若是透過關閉安全監測取得，就不構成時間主權的有效改善；高通知量若是自願即時協作，也不必然意味創作者喪失控制。

16. 十二組可否證命題與拒絕條件

以下命題均為本篇的條件性研究假說，不應在沒有資料前當作已驗證結論。每項皆須事先列出測量方式、主要分析規格、資料遺失處理與可接受的反例。

H1｜人工事件到達率的中介效應

在控制任務類型、品質、緊急風險與人類服務容量後，Agent 並行度對人類人工審查存量的影響，將部分透過正當分類後的人工事件到達率中介。若 Agent 數量增加而人工事件率下降，則假說不預測佇列必然增加。

可拒絕條件： 事件到達率不解釋佇列變化，或作用在不同條件下呈完全相反且無法由模型解釋的模式。

H2｜通知打斷的獨立效應

在保持同一批次工作的必要審查項數與安全時限不變時，即時推送可增加注意力切換次數；批次彙整可降低切換次數。

可拒絕條件： 可比的控制條件中，批次通知未降低切換次數或反而增加重新進入成本，且在重複樣本中穩定成立。

H3｜認知待命不等於人工佇列存量

在 $Q_H$ 相近的情況下，不確定性、任務關鍵性與系統可暫停性仍可能解釋主觀認知待命差異。

可拒絕條件： 在有足夠統計力和信度的研究中，這些額外變項沒有任何可重現的預測增益。

H4｜安全停止狀態的心理效應

在風險與資訊量相近的情況下，可信、已驗證的安全停止或安全隔離狀態，比狀態完全不明，更可能提高某些人的離線信心。

可拒絕條件： 經重複測試，安全停止狀態顯示對離線信心與待命指標毫無穩定影響。

H5｜過度細節透明度的非單調效應

對部分使用者而言，狀態資訊的效益可能隨細節增加先改善後惡化：太少造成不確定，太多造成強迫式查看或打斷。

可拒絕條件： 於充分的資訊密度操弄下，效應持續單調、無個體差異，且非單調模型沒有額外預測能力。

H6｜返工風險的治理調節

若 Agent 驗證保真降低、需人工修復的比例增加，單純減少通知未必提高有效時間主權；驗證品質可能調節通知政策的收益。

可拒絕條件： 在控制回應時限及成果品質後，驗證品質與通知政策之間不存在可重現的交互作用。

H7｜無新事件的持續心理待命

對某些人而言，在沒有新通知和沒有人工必辦事件時，只要其預期 Agent 可能產生高責任結果，仍可能自陳較高的待命負荷。

可拒絕條件： 客觀零事件時段無法觀測到此狀態，或觀測到的差異完全由一般工作反芻而非 Agent 特有認知解釋。

H8｜操作退出與心理抽離非同一結果

操作介入次數下降未必與心理抽離等幅上升，尤其在責任不明與品質不確定較高的情況下。

可拒絕條件： 跨研究情境中二者幾乎完全同構，且待命／責任變項無新增解釋力。

H9｜人工介入稀疏化的風險條件

具備可靠驗證和風險分流的系統，可能在維持預設風險界線的同時降低非必要人類介入密度。

可拒絕條件： 類似安全要求下，降低人工介入必然帶來不可接受風險，且找不到可重現的可行解。

H10｜自發創作者與受僱工作者存在條件差異

自願創作強度、成果認同與外部責任結構可能調節 Agent 對休息的影響；不能從企業員工直接推論所有獨立創作者。

可拒絕條件： 對相同任務條件與可比測量，相關調節因素的作用均不穩定，且不改善模型解釋或預測。

H11｜新增任務承諾的獨立作用

Agent 產生的候選改進若被自動轉成新的人工必辦任務，將提高人工事件與未結義務存量；若僅歸檔為可選建議，效果可能顯著較低。

可拒絕條件： 候選—承諾轉換政策無法解釋人工必辦事項變化，或在實驗中二者沒有可辨識差異。

H12｜有效退出權對可持續委任的影響

在控制風險與成果品質下，具有明確安全暫停、延後回交與可回返狀態的組織，比只有「關閉通知」的介面政策，更可能同時改善有效自由時間與信任。

可拒絕條件： 與普通通知靜音相比，具有效退出契約的系統沒有任何穩定增益，或產生無法接受的治理缺口。

17. 實證研究 I：事件帳本與自然工作時序

17.1 為什麼不能只發一份「使用 Agent 會不會很累」問卷？

單次問卷可以描述個體知覺，但無法區分疲憊先於 Agent 使用、工作內容變得更困難、創業壓力、平台通知方式、模型失誤率、或真正的委任後認知待命。即使觀察到 Agent 使用頻率和疲勞正相關，也可能只是工作量較高者更需要用 AI。因此建議使用多來源事件資料，避免只靠自陳回憶推論因果。

事件來源至少分為三本帳：

Agent 事件帳： 真正運作的時間、任務類別、工具操作、結果與驗證證據。
人類治理帳： 哪些時候需要人類介入、誰主動提出、是否存在期限，以及其處理結果。
主觀時間帳： 人類當下是否在工作、是否有自主決定休息、是否被打斷，以及心理牽掛和恢復感受。

三者之間不能以訊息數或 token 數直接換算。相同的 Agent 交互回合，可能代表一段合法的自主作業，也可能代表多次無效重試；相同的一次人工介入，也可能只是按下接受鍵，或包含數小時無法簡化的推理。

17.2 最小事件單位與必要欄位

每筆 Agent 事件應含：

欄位	目的
`event_time`	可比較的時間戳與時區
`workflow_id`	非可識別個人資訊的工作流代號
`task_class`	任務種類，供相同任務比較
`agent_role`	設定上的 Agent 角色，而非人格身份
`event_kind`	machine／verified／deferred／governance／critical
`authority_scope`	已授權的操作類型
`evidence_state`	未驗證、部分驗證或通過指定檢查
`reversibility`	可回退程度與回退條件
`deadline`	真實外部／安全期限，若無則留空
`human_intervention_required`	是否真的有必要人工動作
`notification_state`	是否發送、是否即時打斷、是否延後
`final_disposition`	歸檔、人工檢視、退回、停止、提交

事件格式應避免收集逐字私人對話、API Key、秘密 token、個人帳戶、客戶個資或未公開原始碼。研究需保留分析足夠的品質與時序訊號，而不是因為能蒐集就毫無節制地蒐集。

17.3 人類時間帳的三個不同時鐘

對個體 $i$ ，區分：

T_i^{\mathrm{operation}},\quad T_i^{\mathrm{governance}},\quad T_i^{\mathrm{offwork}}.

其中 operation 是人類直接操作或低價值流程維持的時數，governance 是必要判斷、授權與審查的時數，offwork 是當事人自認已經退出工作並可自主選擇如何使用的時間。這三者是否互斥，必須在研究設計中先定義，避免把「休閒時短暫查看 Agent」同時計成完整休息與完整工作。

另行蒐集：

S_{i,t}^{\mathrm{standby}},\quad D_{i,t}^{\mathrm{detachment}},\quad F_{i,t}^{\mathrm{fatigue}}.

分別代表主觀待命、心理抽離及疲憊評分。它們屬於心理測量，不應由程式執行時數直接推論。

17.4 時序與事件的關聯

在事件層觀測是否有下列順序：

\mathrm{AgentOutput} \rightarrow \mathrm{ReviewDemand} \rightarrow \mathrm{Notification} \rightarrow \mathrm{ReturnToWork}.

也需比較另一種可能順序：

\mathrm{PreexistingConcern} \rightarrow \mathrm{MoreAgentMonitoring} \rightarrow \mathrm{MoreNotificationsSeen}.

兩者在表面相關性上可能相似，但因果方向不同。以高頻事件追蹤與自述壓力建立時間順序，仍不會完全解決未測量混淆，需要進一步操弄通知及回交規則。

18. 實證研究 II：日常經驗抽樣與心理測量

18.1 經驗抽樣應捕捉「真的想離線」的時段

一個研究難點是，並非所有人都希望在某個時間點休息。創作者可能因為發現新的理論問題而主動返回工作；此時不能僅從重新開啟 Agent 的行為就推定被迫工作。

因此在當事人自訂的非工作時段，可以用低頻、可拒絕、事先同意的經驗抽樣問卷詢問：

此刻是否真的希望暫時不理會工作？
是否覺得有什麼 Agent 任務可能需要自己處理？
這種念頭是否妨礙目前想從事的活動？
是否存在具體的外部期限或安全事故，而不只是想查看進度？
若知道 Agent 已安全暫停，是否會降低此刻的牽掛？
如果可以重新選擇，此刻是否仍會主動啟動相同任務？

這些題目屬於本篇探索性問卷，不得自稱是已經過心理計量驗證的新量表。也不能為了量測離線品質而反覆推播問卷，造成新的通知壓力。

18.2 和正式量表的區分

Recovery Experience Questionnaire 可以提供心理抽離、放鬆、精熟與控制的既有量測參考 [E4]。AI Process Vigilance 的既有構念需按照原文題項與授權條件核對 [E9]。本研究新增的事件層、時間主權與有效退出契約，則屬於不同層級的客觀或主觀指標。正式研究若需使用受版權保護的量表，應依其使用規範取得必要授權，避免直接複製全文題庫。

18.3 心理待命的建構效度

本篇主張至少檢查以下區別效度：

和一般「想再去做研究」的正向興趣有何差異？
和工作反芻的反覆思考有何差異？
和工作訊息的 telepressure 有何差異？
和真實值班責任有何差異？
和主觀責任感、完美主義及不確定性耐受度有何差異？
和 Agent 可靠度、通知量、實際審查存量有何差異？

若新增構念與既有 AIPV、反芻或 telepressure 在統計及概念上無法區分，研究應縮小新概念主張，而不應只是換一個縮寫維持原創宣稱。

18.4 避免把生理指標當成萬能裁判

客觀睡眠量、活動時間或心率相關指標，可在合法、充分知情、自願參與的前提下作為輔助資料，但其與疲憊、投入、熱情及認知待命的關係都不是一對一。本文不以腦電、心率、穿戴裝置的單一讀值推斷「全額注意力」或確認某個人是否真的想工作。

19. 實證研究 III：固定安全界線下的通知—回交實驗

19.1 核心識別問題

若一個團隊改為批次通知之後比較不累，究竟是通知真的比較少、Agent 做的工作比較少，還是公司同期降低工作目標？要辨識「通知治理」的因果效應，必須盡可能固定任務種類、驗證規則、必要風險、外部承諾與成果品質。

19.2 建議的二因子交叉實驗

對適合研究的低風險知識工作，可以設計兩個因子：

因子 A：非緊急資訊的呈現方式——完成即時推送，或集中到事先同意的治理窗口。

因子 B：人工回交分類方式——原始逐件審查，或經預先驗證、授權的風險閘門後再轉給人類。

組合形成四個條件：

條件	通知策略	人工回交策略
A1B1	非緊急即時通知	逐件人工處理
A1B2	非緊急即時通知	可驗證事件先分流
A2B1	非緊急批次摘要	逐件人工處理
A2B2	非緊急批次摘要	可驗證事件先分流

所有條件的真正高風險事件、不可逆提交限制、合法通知要求與安全停止政策保持一致。若無法在某任務上同時滿足安全條件，該任務不得納入這個實驗，不應為了實驗操弄而讓受試者承擔額外風險。

19.3 主要結果與次要結果

建議預註冊的主要結果包括：

非必要人工打斷次數／完整離線區間。
必要人工治理時數與工作後心理抽離。
未漏報緊急事件數及其嚴重度分布。
驗證後有效成果量及返工率。

次要結果可以是主觀認知待命、工作喜悅、疲憊、重新進入狀態所需時間、對 Agent 的信任校準、次日主觀恢復及是否希望繼續使用該委任制度。

不能只把「關掉通知後人的回覆速度變慢」視為缺點。若原本就沒有回覆時限，這正是合法時間自主的表現之一。相反地，若原本存在真實的必要時限，實驗必須檢查它有沒有被違反。

19.4 隨機化與交叉效應

由於不同受試者的創業壓力、組織文化與喜好差異很大，建議採分層交叉設計，讓同一參與者在不同低風險工作週期中體驗多種政策。條件順序必須隨機化，並視必要性設置適當的熟悉期與回復期；任務難度、Agent 模型變更及不同研究階段應記錄在案。

樣本量不能從想像中直接設定為「一百人就夠」。應依預期主要效應、個體內相關、群聚結構、研究成本與容許誤差，在試驗前做 power analysis 或 simulation-based precision planning，並將所用前提公開。

19.5 重要倫理限制

實驗不應透過故意製造真正風險事件、安排未告知的半夜通知、剝奪受試者睡眠或強迫其保持在線來測量效果。若研究使用帶有職場上下級關係的樣本，需處理自願參與、權力不對稱與企業績效監控造成的壓力。受試者應有退出權，而退出資料的處置方式須事先說明。

20. 統計分析：如何把相關、條件與因果分開

20.1 多層次模型

令 $Y_{it}$ 表示個體 $i$ 於時段 $t$ 的心理抽離或認知待命結果。候選模型可包含個體固定效應、任務類型、Agent 數量、輸出量、人工回交事件量、即時通知量、風險類別、時間段及介入政策：

Y_{it}=\beta_0+\beta_1N_{it}+\beta_2Q_{it}+\beta_3R_{it}+\beta_4P_{it}+\alpha_i+\tau_t+\epsilon_{it}.

$\alpha_i$ 代表個體固定效應， $\tau_t$ 代表時間固定效應。這裡係數不是預設已知；在純觀察資料中也不能直接把 $\beta_1$ 解讀為因果效果。若 $Y$ 為序位結果，則可能需要使用適合序位尺度的模型，而非不加檢查地套入普通線性迴歸。

20.2 事件型分析

對「在休閒期間被非必要事件打斷」可使用計數模型，但需檢查過度離散、零膨脹、個體異質性與暴露時間長度；對「多久能連續保持不受工作打斷」則可用生存分析或事件歷程模型；對重大風險違規則應採較適合稀少事件的安全評估方法，而非只看平均值。

20.3 因果圖上的潛在混淆

一個簡化的假想因果結構：

既有工作壓力 ───────► Agent 使用強度
       │                     │
       └───────────────► 主觀疲憊
                             ▲
Agent 使用強度 ► 輸出事件 ► 人工回交 ► 通知打斷
       │                                     │
       └────► 品質不確定／責任預期 ────────► 認知待命
                                             │
                                          心理抽離

若既有工作壓力同時提高 Agent 使用與疲憊，只做一次使用者問卷便可能錯把兩者關聯當成 AI 的直接損害。若某個任務天生更關鍵、更容易出錯，也可能同時提高通知頻率和心理待命。分層隨機化、固定任務類型與交叉比較可降低部分混淆，但無法取代量表效度與長期追蹤。

20.4 反向因果

有些個體可能因為已有不安感而主動增加 Agent 監控，而非 Agent 監控先造成不安。需要將主動查看次數、被動通知與自述待命分開紀錄；可在主觀狀態的測量上安排通知前後時間窗，並使用允許滯後效果的分析。

20.5 預註冊與多重比較

十二項假說不等於可以不受限制地測試上百個子群體，然後挑選顯著結果。應預先指定主要與探索性假說、統計模型、必要共變項、缺失值處理方式與多重比較規則。若進一步測試高自主創作者、不同 Agent 數量或多種通知介面，應如實把未預註冊分析標示為探索性，不得將其冒充確認性結果。

21. 反例與競爭性解釋：不能只尋找「越多 Agent 越累」的樣本

21.1 Agent 提高恢復品質

有些人若知道 AI 正在可靠地完成繁重工作，反而能在離線時間更安心。其心理待命可能下降，且日常休息增加。這並非本篇可忽略的特殊例外；若在多數可比情境中出現，就會要求本篇修正對認知待命驅動因素的假設。

21.2 工作壓力來自既有財務現實，而不是 AI

獨立創業者即使完全不用 Agent，也可能因公司資金、客戶時程與產品開發而高度投入。若研究忽略既有生存壓力，就可能把本來就存在的壓力錯誤歸給 AI。應控制可用現金流緩衝、外部交付期限與職務責任，但不需要蒐集過量的個人財務細節。

21.3 負擔來自工作承諾，而非監督工具

有些人會對任何未完成的研究保持牽掛，與是否有 Agent 無關。此時關掉 Agent 可能無法解決問題；真正的因素是已承諾任務、完成標準、責任界線或個人偏好。本篇的新增 Agent 構念必須在控制一般未結工作與工作反芻後仍有解釋力，才值得獨立保留。

21.4 提高 Agent 數量但人工介入不增

如果多個 Agent 完成的都是高度可測、可安全隔離的工作，人類只需每週看一次可信摘要，並行增加並不會帶來等比例人工監督。這是對「Agent 越多越累」的直接反例，也正是本篇希望識別的可持續治理情境。

21.5 過度信任導致虛假休息

若個體完全放心，是因為不知道 Agent 可能未授權操作、或者以錯誤證據誤判成果安全，那麼表面上的低認知待命並不是可持續的治理成功。評估必須同時包含實際事件風險、回滾能力與獨立抽查。

21.6 過度分流使人類失去情境認知

若低風險事件全被機器處理，只有最高風險事件交給人類，但回交時沒有足夠事件脈絡，人的決策可能因缺乏情境認知而更慢、更差。這是傳統自動化研究早已提出的問題 [E1][E11]。因此應以可追溯狀態摘要、證據鏈、可重播的關鍵決策歷史補足資訊，而非要求人類平時盯著所有原始日誌。

21.7 自願高投入並非被迫在線

高投入創作者可能明知可以休息，卻因為當下非常愉快而選擇繼續工作。研究者不能把這種行為直接判成自主性受侵害。相反地，應問：「當他真的想停止時，系統能否支持停止？」而非僅以實際工時推論其自由狀態。

21.8 必要值班環境和個人低風險創作不可直接類比

金融監控、醫療系統、公共設施及其他安全關鍵場景，可能有常態應變要求；個人寫作、遊戲原型、私有測試則通常允許更大程度的安全暫停。不同風險和制度類型的治理策略不應被一套「少通知」指標硬性統一。

22. 與 HACTS-00～03 的分工：同一系統中的四種不同負荷

HACTS-00 提出總體問題：當 AI 使更多事情可做，人類如何仍能自主決定生活時間？

HACTS-01 專門處理 新增任務與義務如何內生擴張：即使單項作業加速，新增承諾也可能抵銷節省的工作時數。

HACTS-02 專門處理 額度期限如何反向安排工作節奏：即使當期算力很多，不能保留的計算權益可能成為主觀期限壓力，促使原本可不做的工作提前進入日程。

HACTS-03 專門處理 自願高投入的滿足與疲憊共現：做自己熱愛的研究可以非常快樂，但創造滿足不會自動證明恢復需求已得到滿足。

HACTS-04 現在研究 委任後的人類監督與待命：即使工作已由 Agent 執行，人類仍可能受到人工審查、資訊打斷、未結責任與主觀牽掛的影響；而好的組織設計又能把這些負荷分離。

四篇在形式上可以連結為：

\mathrm{PotentialTasks} \rightarrow \mathrm{CommittedTasks} \rightarrow \mathrm{DelegatedExecution} \rightarrow \mathrm{HumanReturnDemand},

但最後一項並不是每次都必然發生，更不能因為整個鏈條存在，就推出人類有義務持續在線。

23. 與 EveMissLab 既有組織理論的分工

23.1 委任時間論（DTT）

既有《委任時間論》已提出 Agent 授權區塊、人類介入密度、治理頻寬、委任槓桿，以及 Human-in／on／out-of-Operational-Loop 的不同配置 [I1]。本篇不重新宣稱發明委任時間，而是在 DTT 的介入結構旁加入：人類尚未介入時的主觀待命狀態與可操作的心理／時間退出判準。

DTT 回答：「人類多久需要介入一次？」本篇增加：「即使沒有實際介入，人類還會不會在認知上持續待命？哪些制度能幫助其真正退出？」

23.2 AI 原生分散式組織：操作員退出問題

既有《從 AI 工具到 AI 組織：操作員退出問題》指出，如果多 Agent 系統仍要靠一位人類做 routing、retry、handoff、context transfer 與 routine approval，這個人就會成為非正式的人類 kernel [I2]。本篇的補充是：即使系統成功消除了大部分操作，若仍將所有機器活動變成通知與心理責任，人類在主觀時間上仍可能沒有退出。

故可提出兩個不同的工程品質要求：

\mathrm{OperatorExit}>0, \qquad \mathrm{CognitiveExitCapability}>0.

第二項是待定義、待測量的系統—人類互動性質；不是單憑 Agent 程式碼就能宣告通過的客觀常數。

23.3 HDUS／ANDO：承載平台與組織語義不可混淆

HDUS 已處理分散式 world-native 計算承載、共享狀態、資源與 authority 等架構議題；ANDO 類組織研究則關注 Agent 身份、任務圖、授權、驗證、可稽核提交、世界狀態及治理關係 [I3][I4]。兩者與本篇的關係，不是說底層 runtime 原生具備心理恢復功能。

比較合理的介面是：

HDUS／其他 runtime 提供可執行的隔離、狀態持久性、事件順序、時間觸發、資源預算及停止／恢復能力。
ANDO 類組織層提供任務身份、授權包絡、風險分類、驗證證據、人類治理角色與回交政策。
HACTS-04 提供額外的人類離線與心理恢復需求：非必要通知抑制、延後治理窗口、可解釋的安全暫停、主觀待命測量及有效退出品質。

因此：

\mathrm{RuntimeAuthority} \neq \mathrm{PsychologicalDetachment},

也不應把「底層已記錄狀態」誤當成「人類回來一定能理解全部關鍵決策」。

23.4 RR-06 與時間主權

《RR-06｜從 Self-Authorship 到 Owned Trajectory》已討論一條人生或責任軌跡需要可修正、可退出且不被過去承諾永久鎖死 [I5]；HAVT-06 處理時間主權與 AI 生產力紅利的制度條件 [I6]。本篇將其縮小為工程可問的問題：在某個週五晚上，如果人類選擇暫時不管理 Agent，該選擇是否真的被授權、通知與作業排程尊重？

這不是取代原先的倫理與政治經濟學，而是提供其在自主組織中的微觀實作接口。

24. HDUS／ANDO 可採用的最小「人類離線委任契約」

24.1 契約的目的

在 AI 原生組織中，委任通常具有意圖、權限、預算、風險、期限、停止與回交條件。本文提出額外要求：一份委任應明確宣告什麼情況下可以打斷委任者，以及什麼情況下即使完成了有價值的工作也不得打斷。

24.2 契約欄位

下面提供純概念性的 JSON 示意，非現有 HDUS schema、非可直接部署的安全設定。所有值須由真實系統依權限與風險審查決定。

{
  "contract_version": "conceptual-v0.1",
  "workflow_id": "example-low-risk-research",
  "authorized_actions": ["read", "draft", "local-test", "archive"],
  "forbidden_without_fresh_approval": [
    "public-publish", "payment", "delete-original", "change-access-policy"
  ],
  "budget": {
    "cost_cap": "owner-defined",
    "runtime_cap": "owner-defined",
    "retry_cap": "owner-defined"
  },
  "human_availability": {
    "mode": "not-on-call",
    "review_window": "next-owner-declared-session",
    "routine_interruptions": false
  },
  "event_routing": {
    "machine_only": "verify-and-archive",
    "human_deferred": "append-to-review-digest",
    "human_governance": "pause-until-approved",
    "critical": "safe-stop-and-route-to-real-duty-holder"
  },
  "failure_policy": "fail-closed-on-authority-or-safety-uncertainty",
  "new_work_policy": "suggest-only-no-implicit-human-commitment",
  "resumption": {
    "required_summary": true,
    "evidence_links": true,
    "unresolved_risks": true,
    "diff_from_last_human_checkpoint": true
  }
}

24.3 為何需要 `not-on-call`

如果一個個體沒有正式的值班義務，卻因為 Agent 可以 24 小時執行而被系統默認為 24 小時可回應，這是未經充分授權的責任擴張。not-on-call 並非表示人類可以不負責，而是表示系統不得進入需要人類持續值守才能維持合法安全的工作模式。若確實需要值守，就必須明確建立值守期間、責任承擔者與替補方案。

24.4 新增工作政策應為非強制預設

new_work_policy 將候選建議與既定承諾分開。Agent 可以產生下一輪研究構想，但新構想預設只進入「可選擇的候選池」，除非得到明確新授權，不可自動排入必須立即完成的人工待辦。

若只要 Agent 做得愈好，便把更多 TODO 推到使用者面前，這套系統實際上仍把效率收益轉換成持續義務。此問題與 HACTS-01 及 HODR-II 的可能性負債直接耦合。

24.5 最小狀態機

建議在抽象層面至少區分：

CREATED
  └─[authorized]────────► ACTIVE_BOUNDED
ACTIVE_BOUNDED
  ├─[safe verifiable result]──► VERIFIED_ARCHIVED
  ├─[deferred human choice]───► WAITING_REVIEW_WINDOW
  ├─[new authority required]─► PAUSED_FOR_APPROVAL
  ├─[cost/time/retry cap]─────► SAFE_STOPPED
  └─[critical unsafe state]──► SAFE_STOPPED_AND_ESCALATED
WAITING_REVIEW_WINDOW
  └─[human returns]──────────► RECONSTRUCTED_CHECKPOINT
PAUSED_FOR_APPROVAL
  ├─[approval]───────────────► ACTIVE_BOUNDED
  └─[no approval]────────────► SAFE_STOPPED
RECONSTRUCTED_CHECKPOINT
  ├─[commit]─────────────────► CLOSED
  ├─[revise]─────────────────► ACTIVE_BOUNDED
  └─[defer]──────────────────► WAITING_REVIEW_WINDOW

真實實作中還需要處理逾時、重入、網路故障、重試冪等、競態條件、異常補償與不可回滾的外部事件。這段狀態機只是人類離線語義的初步接口，不等同完整的運行安全證明。

24.6 最小不變量

對一個可宣稱具有人類離線能力的工作流，提出以下工程不變量候選：

\mathrm{NoNewAuthorityWithoutGrant}=1,

\mathrm{CriticalRisk}\Rightarrow\mathrm{SafeStopOrValidDutyEscalation},

\mathrm{RoutineEvent}\Rightarrow\mathrm{NoMandatoryOffHoursReply},

\mathrm{Resume}\Rightarrow\mathrm{TraceableDecisionState}.

它們需要以測試、模擬與故障注入實際驗證，不應只因配置檔寫了相應欄位就宣告成立。

25. 原型評估指標：哪些數字真正回答時間主權問題？

25.1 人類總介入密度

既有委任時間論將介入次數與 Agent 有效轉換數比較，本篇建議拆出：

\rho_H^{op}=\frac{N_{\mathrm{human\ operational}}}{N_{\mathrm{effective\ transitions}}},

\rho_H^{gov}=\frac{N_{\mathrm{human\ governance}}}{N_{\mathrm{effective\ transitions}}}.

降低 $\rho_H^{op}$ 往往是合理工程方向；降低 $\rho_H^{gov}$ 是否合理則須看高階治理是否已被正當轉化，而不能任意把有權者排除。並且任何比率都不得以無止境增加無效 Agent steps 擴大分母，以製造表面上的進步。

25.2 非必要打斷率

令 $N_{\mathrm{unnecessary\ interruption}}$ 為被外部驗證程序判定不符合即時打斷必要性的通知次數， $T_{\mathrm{declared\ offwork}}$ 為當事人聲明的非工作時間：

I_{\mathrm{unnecessary}}=\frac{N_{\mathrm{unnecessary\ interruption}}}{T_{\mathrm{declared\ offwork}}}.

這需要預先定義何謂必要；不應因研究者不喜歡通知就把所有通知都歸為不必要，也不能以主觀抱怨代替事件風險分類。

25.3 最長連續可支配時段

假設一天分為若干自主時段 $[a_j,b_j]$ ，可定義：

T_{\mathrm{uninterrupted}}^{\max}=\max_j(b_j-a_j).

這不是心理恢復的全部指標，但能反映工作打斷是否把個人的生活切成大量短片段。使用者即使有相同總休閒時數，連續兩小時與每十分鐘被打斷一次的經驗也不相同。

25.4 人類回返成本

定義 $T_{\mathrm{return}}$ 為人類離線後，從取得合法的狀態摘要到重建足夠決策情境所需的時間。若系統為了讓人類離線，卻要求回來時閱讀數萬行 trace，可能只是把監督成本搬到另一個時間點。

同時須檢查重建品質：人類是否能正確辨識未結風險、重要版本變更與真正可發布的成果。

25.5 治理品質與生產質量

最低限度報告：必要事件漏報、錯誤回交、未授權外部操作、可回滾比例、平均重大事件處理時間、已驗證成果量與返工率。若少打斷換來更高的重大事故率，研究應報告失敗，而非以時間主權指標粉飾。

25.6 生活自主指標

建議獨立測量：當事人是否能臨時改變休息安排、是否覺得 Agent 額度／任務進度逼迫其返回、是否能把某個專案延後而不產生新增義務、以及是否能在充分資訊下選擇下週再處理。這類結果與第 05 篇的微觀時間主權模型將形成直接接口。

26. 哪些治理策略可能降低待命，而不犧牲真正的組織能力？

以下是可供研究與工程評估的候選策略，並非適用於所有系統的保證性建議。

第一，事件級時間語義。 每項人工事項都標示是否存在真實期限、期限從何而來、有無外部承諾或不可逆風險。沒有期限，不應被介面視覺設計偽裝成緊急任務。

第二，驗證後摘要而非原始對話洪流。 讓 Agent 把測試、證據與重要差異連結成可重建的交付單位；人類不需逐字追蹤所有思考／嘗試紀錄。摘要不可取代完整證據保存。

第三，權限預設保守。 低風險、可回退、受預算限制的工作可以持續；高權限、不可逆、跨界工作必須有新的授權或安全停止。此處的保守不是禁止一切自動化，而是讓安全邊界可以明確檢查。

第四，確實可停止的 Agent。 如果系統收到暫停指令，只是停止 UI 更新、背景任務仍繼續修改資源，就不是真正的離線治理。需要包含 cancel、checkpoint、rollback／compensation 與 resource cleanup 的可測試機制。

第五，不把所有候選想法變成待辦。 Agent 可以留下長期研究選擇權，但不應要求人類每天重新分類所有候選；否則「減少專案管理」又變成另一個大型管理專案。

第六，可信的無事件確認。 當事人可以得知「本次委任仍在授權內，沒有需要現在回覆的事項」，但這項確認必須以能被驗證的監控證據支持，而非一則空洞的 reassuring message。

第七，真正的值守轉移。 若某項任務不能無人值守，就在執行前提供明確替代值守者、可自動維持安全的停機策略，或直接不啟動。不能以「AI 反正還能做」為由，默認個體必須無限承擔事故回應。

第八，把人類滿意的節奏當作正式需求。 有些人偏好每日審查，有些人每週一次，也有人希望同一天集中多輪創作。對低風險任務，系統可讓擁有者自訂回交窗口並修改；設定不應自動隨剩餘額度調高工作量。

第九，將品質缺陷視為治理問題，不視為人類必須補班的理由。 若 Agent 穩定產生大量錯誤報告，正當解法可能是降低並行、提高驗證、減小授權範圍、改善任務定義或停止該 Agent，而不是要求人類在夜間補救。

第十，保留無需提供理由的非緊急暫停。 如果每次想暫停都需要寫下原因、證明產能是否合理或重新安排所有專案，所謂的自主反而引入新的認知成本。只要不涉及既有法律與外部責任，暫停本身可以是一個合法的系統狀態。

27. 失敗模式、反身悖論與極端情況

27.1 監督工具變成新的監督對象

為了降低人類負擔，團隊可能再增加數個監督 Agent；監督 Agent 又產生監督報告，最後使用者開始每天閱讀「監督 Agent 的監督 Agent」的報告。這並沒有消除人類 kernel，只是把 kernel 的資料入口換了形式。監督層自身也需要邊界、證據、停止與責任契約。

27.2 無窮重試與假完成

Agent 在錯誤發生後自動反覆重試，可能產生大量看似進步的日誌，卻沒有可驗證的前進。系統若用努力次數表示成果，可能掩蓋失敗並讓人類回來處理巨大的偽進度。故任務應設 retry cap、evidence gate、progress predicate 和可終止條件。

27.3 休息被拿來當成新一輪工作的準備工具

如果研究最後變成「如何讓人類休息得更好，以便明天能強制工作更多」，可能再度把時間主權降格為生產力工具。本篇的規範主張不是反對自願利用休息提升創作能力，而是拒絕把休息的唯一正當性定義為未來產量增加。人類即使沒有新的高效產出，也可以正當地安排自己的生活。

27.4 風險的社會轉嫁

一個創作者可能靠把高風險值守工作轉給缺少權限、資源與訓練的外包人員來實現「自己離線」。這並不必然構成公平或可持續的治理改善。組織研究應檢查負荷是否轉移給其他人、其他時區、低薪人員或沒有足夠拒絕能力的協作者。

27.5 將 AI 當作無需治理的絕對可靠主體

本研究並不假設現有 Agent 已具有人的主體性、道德責任或法律人格，也不把智能能力等同可無條件承擔合約義務。功能性自主與最終責任可以被分開描述。誰有權授權、承責與停止，需要透過具體制度而非人格化敘事確定。

27.6 邊界設定未必符合所有人的生活

有些獨立研究者喜歡不固定時間的密集工作，有些受僱者反而需要固定離線。有些人適合完整安靜，有些人從可信的進度摘要獲得安心。系統不能強制所有人使用同一種休閒排程；更成熟的目標是提供合法、可改變且安全的節奏選擇。

27.7 結果變好的原因可能只是 Agent 做得少了

實驗若採取批次通知後，Agent 實際執行量也下降，無法直接證明通知分流有效。應在成果品質、可比工作量與風險約束下進行比較，並檢查相反情境：若 Agent 仍能高產出，而人類卻有更多不受打斷時間，才更直接支持本篇的治理假說。

27.8 隱私與長期觀察權力

能監控 Agent 的工作活動，不代表企業有權無限監控員工是否真正放鬆。若時間主權研究變成追蹤所有私人活動、鼠標行為、休閒軟體與情緒狀態的績效監控系統，便與研究宗旨相衝突。應採最小資料原則、參與者主動同意、可撤回、資料分離與適當刪除期限。

28. 總結：成熟委任不只減少操作，更要恢復不在場的正當性

AI Agent 可以在一段時間內自主搜尋、規劃、測試、生成與組織研究成果。這擴大了人類能在單位世界時間內完成的工作集合，但也帶來一種新型風險：機器持續執行的能力，被誤轉換成人類持續可回應的義務。

過去自動化研究已提醒我們，操作工作被機器接手，不表示監督責任自動消失；工作恢復研究已提醒我們，離開工作現場，不表示心理上能夠抽離；AI 委任的近期實證也已指出，進度、品質與錯誤預期可能形成新的心理牽掛。這些先行研究為本篇提供必要基礎，不能被新系列重新命名後據為己有。

本篇的理論貢獻候選，在於把上述現象連接到 AI 原生組織可以實際控制的事件層：Agent 執行流、機器結果佇列、人工行動佇列、主觀待命、通知閘門、權限邊界與可回返的安全停止。其中既有機制也有新整合命題，但每個因果主張均需接受資料檢驗。

對高投入研究者與創作者來說，真正需要保留的自由不只有「我可以讓 AI 幫我做更多事」。還包括：「我今天不想看結果」「我明天才決定下一階段」「這週只想做另一種研究」「我決定讓某個 Agent 安全停止」「我想保留未來選擇，而不是現在創造新義務」。

總結成最小命題：

\mathrm{DelegatedExecution} \not\Rightarrow \mathrm{EffectiveHumanRest},

以及另一個規範性目標：

\mathrm{AutonomousAI} +\mathrm{BoundedAuthority} +\mathrm{RiskAwareHandoffs} +\mathrm{EffectiveExit} \longrightarrow \mathrm{HumanTemporalSovereignty}.

第二式不是數學上已經證明的自然定律，而是可透過工程契約、心理研究與組織實證檢查的設計方向。Agent 可以不停工作，但不代表人類有義務不停待命。

附錄 A｜主要符號、操作定義與模型性質

符號	意義	資料性質	重要限制
$H$	人類委任者／有權治理的行動者	角色定義	不是固定單一法人或個人
$\mathcal A$	Agent 集合	系統狀態	數量不等於有效產出
$\lambda_A$	Agent 交付事件到達率	可觀察	須扣除無效重試和事件重複
$p_D$	可延後人工審查比例	分類後估計	不能將隱藏風險算作消除
$p_G$	限期治理比例	分類後估計	期限來源須可查
$p_C$	緊急處置比例	分類後估計	誤分類後果可能重大
$\lambda_H$	人工事件到達率	系統流量	不等於心裡想到工作次數
$Q_A$	機器處理結果佇列	客觀系統量	不等於人類責任
$Q_H$	合法且未完成的人工行動佇列	客觀系統量	必須排除已解除的非必要義務
$\mu_H$	人工處理能力	工作負荷相關	可隨任務和時間變動
$\chi_H$	合法取消人工要求的處理率	工作流事件	不得以刪警報冒充
$S_t$	主觀認知待命強度	心理潛在變項	必須實際測量
$N_t$	非必要或一般通知量	系統事件	與人類主動查看分開
$U_t$	未解決品質與風險不確定性	混合指標	可由主觀和客觀部分構成
$C_t$	安全關閉／暫停的可見性	系統＋知覺	顯示安全需具真實證據
$T_{\mathrm{return}}$	人類回返並重建決策情境的時間	可觀察	需同時檢查重建正確率
$I_{\mathrm{unnecessary}}$	非必要離線打斷率	行為指標	應以時間暴露量正規化
$T_{\mathrm{uninterrupted}}^{\max}$	最長連續自主持有時間	時間結果	非心理恢復全貌
$V_{\mathrm{verified}}$	通過特定驗證的價值	可比較成果	不同任務不可無條件加總
$R_{\max}$	不可逾越之風險上界	規範／政策	不存在單一普遍風險數值

A.1 哪些式子是定義？

第 4 章人工事件到達率與第 5 章雙佇列流量，是在指定事件分類下的工作帳本與近似關係。第 9 章 precision、recall 是分類指標的定義。其成立不需要個體心理實驗支持，但數據分類是否合法、計數是否正確仍需驗證。

A.2 哪些式子是有條件的數學結果？

第 5 章 M/M/1 平均逗留時間的式子，僅在符合特定排隊假設時成立。第 9 章通知閾值是指定二選一損失函數的代數結果；第 14 章的穩態是線性遞推的解析結果。若假設改變，公式的結果也可能改變。

A.3 哪些式子只是待驗證的模型？

認知待命動態方程、不同通知策略的心理效應、主觀安心與可支配時間的關係、以及人類離線治理政策的整體效用模型，皆屬於理論候選。即使其內部運算完全正確，仍不能被稱為現實世界已證實的普遍定律。

A.4 干預效應與個體差異

實證上應允許 $\alpha_i$ 、 $\beta_i$ 、 $\delta_i$ 等係數隨個體變化；不能把單一自述經驗直接當成全體創作者的平均心理。不同職業、技術信任、外部時限與任務種類，都可能產生完全不同的效果。

附錄 B｜回交政策與安全停止的參考偽程式

以下偽程式只是制度邏輯示意，未實作安全性、未接任何實際 Agent、網站、雲端服務、付款系統或權限管理器。部署前需經正式軟體設計、測試、稽核與授權。

# CONCEPT ONLY — not production code.
def route_event(event, contract, time_state):
    evidence = verify_provenance_and_safety(event)

    if not evidence.valid or not event.within_authority(contract):
        return safe_stop_and_record(event, reason="uncertain_authority_or_safety")

    if event.is_critical():
        if contract.has_real_duty_holder_now():
            return stop_unsafe_action_and_escalate(event)
        return safe_stop_and_record(event, reason="no_valid_duty_holder")

    if event.needs_new_human_authorization():
        return pause_until_next_authorized_decision(event)

    if event.needs_human_review() and not event.is_urgent():
        return append_to_review_digest(event)

    if event.is_safe_and_verifiable():
        return archive_with_evidence(event)

    return safe_stop_and_record(event, reason="unclassified_event")

其重要性並非讓一個 if 判斷自動解決所有安全問題，而是呈現設計的責任方向：當系統無法證明某件事適合無人值守，預設行為不應是半夜向某位並未同意值班的人施加新義務，更不能直接執行未授權的危險動作。

B.1 真實系統需要增加的安全要素

正式版本至少需要不可變稽核紀錄、簽章或權限來源查核、事件重放保護、重試冪等、逾時保護、模型錯誤時安全模式、工具權限最小化、跨 Agent 衝突仲裁、緊急值守交接確認、外部不可逆作用補償策略、事故後稽核及對誤報／漏報進行實際測試。

B.2 「無限安靜」本身不是充分契約

完全沒有通知可能表示一切正常，也可能表示監控器故障。正式系統應保有心跳與健康檢查，但這些訊號可在安全、適當條件下由機器或值守者處理，不需要將每一則心跳都送給離線人類。

B.3 反例測試

若有人要求 Agent 自行支付未授權費用，或在使用者睡覺時刪除唯一的正式檔案，即使它認為此舉能提升效率，也必須阻止。若工作本身完全屬於已授權、可逆、可驗證的測試範圍，則系統沒有正當理由要求人類每一步按下同意。

附錄 C｜預註冊研究草案與透明度檢核

C.1 研究問題

主要檢驗：在成果品質、風險與可比任務維持一致的前提下，非緊急事件的批次通知與正當風險分流，是否能降低人類必要介入、非必要打斷及委任後認知待命，並提高可支配時間及心理抽離？

C.2 主要比較

對照條件：逐件即時通知／逐件人工審查。
處理條件：批次非緊急通知／正當機器驗證分流。
高風險事件：兩組皆適用相同安全硬閘門與必須應變的時限。
任務品質：盡可能相同並由盲態第三方檢驗，不靠 Agent 自評。

C.3 必要的前測與基線

正式介入前應蒐集至少一個適當基線時段，確認個體原有工時、非工作時間、通知習慣、工作反芻、Agent 使用經驗、任務難度與恢復感。基線長短應由資料穩定性與研究限制決定，不能事後隨意挑選對研究假說最有利的時段。

C.4 主要估計量

可選定兩種主要估計量：其一為每小時宣告非工作時間中的非必要打斷數變化；其二為日末心理抽離評分在政策切換前後的改變。其他指標作為次要或探索性結果。不要在看到資料後改變主要結果，卻假裝原本就如此設計。

C.5 驗證品質的共同約束

比較不同政策時，至少監測：

具人工時限的事件是否在期限內處理。
新增權限與不可逆外部操作是否得到合法授權。
Agent 對外部世界產生的錯誤與返工比例。
安全停止是否確實停止相關高風險行動。
非必要通知降低是否只是因系統少做了事情。

C.6 統計報告

報告估計值、可信或信賴區間、樣本量、流失率、測量誤差、分析前提及敏感性分析；不應只回報有利的顯著性檢定。對於小樣本、個案時序或探索性分析，應明確區分個體可見趨勢與可推廣的人群效果。

C.7 資料保護

僅在參與者知情且資料收集合法的前提下進行研究。不得把個人的 GitHub 私有程式碼、財務紀錄、連結應用程式的憑證或私人對話全文當作研究原始資料默認收集。對於不可公開的驗證證據，可使用最小必要雜湊、類別或無敏感資訊的摘要紀錄。

C.8 陰性結果的處理

若批次通知沒有降低認知待命，應直接報告；若人工介入降低但安全性惡化，應判定策略不合格；若有效退出契約對某些高度自願創作者沒有改善，亦應保留其結果。研究的目標不是證明所有 AI 使用者都會疲憊，而是找到不同治理條件下真正有效或無效的機制。

附錄 D｜故障注入與可稽核性測試清單

測試情境	預期性質	不得出現的情況
夜間無人工值班且 Agent 要外部發布	暫停待授權	預設由人類立即回覆或直接發布
Agent 例行任務全數驗證通過	安全歸檔並摘要	每項都打斷離線人類
Agent 發現尚未核准的新研究方向	加入可選候選	轉為必須立即完成的新義務
背景 Agent 達預算上限	中止並留證據	無上限重試或繼續消耗資源
監控器中斷／狀態無法查核	安全模式或停機	把未知狀態宣稱為安全
緊急事件出現且有正式值守者	安全停止並合法回交	只做靜音歸檔
緊急事件出現但沒有值守者	優先隔離／停止危險動作	繼續進入不可逆高風險階段
人類隔週回返	可查差異、版本、證據、未決事項	必須讀完所有模型 trace 才知道發生什麼
多 Agent 同時修改同一資源	競態控制與衝突仲裁	靜默覆蓋、失去 canonical state
離線期間收到撤銷授權	強制重新檢查並執行停機	仍按舊授權對外操作
Agent 無效成果增多	降低重試、重新驗證或暫停	讓人類無限制補救
使用者明確拒絕下一輪工作	僅保留非強制候選	因額度剩餘而重新開工

上表是面向工程研究的測試需求清單，不是任何現有系統已經通過的驗證報告。要宣稱通過，需另外附測試版本、實際輸入、執行環境、日誌、結果和可重現證據。

附錄 E｜和第 05 篇時間主權研究的接口

本篇主要回答「Agent 持續工作時，人類能否從操作與心理待命中退出」，但仍留下一個更基本的問題：即使一個人有離線能力，是否真的擁有可以自主使用的時間？例如經濟壓力、既有承諾、外部家庭責任、平台配額期限或對技術歷史窗口的判斷，都可能影響人是否能行使這項權利。

因此 HACTS-05《時間主權的微觀決策》應直接承接：

能力與權利區分： 有技術停止能力，是否足以構成可以選擇停止的實質自由？
義務來源區分： 自我承諾、契約責任、必要風險及 AI 製造的非必要 TODO，有何不同正當性？
跨期選擇區分： 今天不處理某項低時效專案，是否保留未來的選擇權，而非一種不可逆損失？
時間價值區分： 創作者可以選擇高強度投入，也應可以正當選擇較低強度；兩種選擇不能被同一項最大化產量指標否定。
實際可行性： 財務緩衝、安全環境、可信 Agent 系統與可回返組織狀態，如何共同決定時間主權能否被真正行使？

本篇在這裡不提前把第 05 篇全部寫完，而是明確留下研究接口。這種邊界也是對我們自己提出的「不必把所有可能性立即現實化」原則的實踐。

參考文獻｜外部公開研究（已核對）

[E1] Bainbridge, L. (1983). Ironies of automation. Automatica, 19(6), 775–779. https://doi.org/10.1016/0005-1098(83)90046-8

[E2] Parasuraman, R., & Riley, V. (1997). Humans and automation: Use, misuse, disuse, abuse. Human Factors, 39(2), 230–253. https://doi.org/10.1518/001872097778543886

[E3] Parasuraman, R., Sheridan, T. B., & Wickens, C. D. (2000). A model for types and levels of human interaction with automation. IEEE Transactions on Systems, Man, and Cybernetics—Part A: Systems and Humans, 30(3), 286–297. https://doi.org/10.1109/3468.844354

[E4] 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

[E5] Sonnentag, S., & Fritz, C. (2015). Recovery from job stress: The stressor–detachment model as an integrative framework. Journal of Organizational Behavior, 36(S1), S72–S103. https://doi.org/10.1002/job.1924

[E6] 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

[E7] Barber, L. K., & Santuzzi, A. M. (2015). Please respond ASAP: Workplace telepressure and employee recovery. Journal of Occupational Health Psychology, 20(2), 172–189. https://doi.org/10.1037/a0038278

[E8] Mazmanian, M., Orlikowski, W. J., & Yates, J. (2013). The autonomy paradox: The implications of mobile email devices for knowledge professionals. Organization Science, 24(5), 1337–1357. https://doi.org/10.1287/orsc.1120.0806

[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. Published 2026-09-24. https://doi.org/10.3389/fpsyg.2026.1914119

[E10] Park, Y. S., Arvi, N., Lee, H. R., Lim, S., Ma, Q., & Kim, J. (2026). The Work Behind Delegation: A Framework for Supervising AI Coding Agents. arXiv preprint 2609.24234. https://arxiv.org/abs/2609.24234

[E11] Endsley, M. R. (1995). Toward a theory of situation awareness in dynamic systems. Human Factors, 37(1), 32–64. https://doi.org/10.1518/001872095779049543

[E12] Ranganathan, A., & Ye, X. M. (2026). AI Doesn't Reduce Work—It Intensifies It. Harvard Business Review, February 9, 2026. https://store.hbr.org/product/ai-doesn-t-reduce-work-it-intensifies-it/H0929G

文獻使用限制。 其中 [E9] 是重要但有因果辨識限制的兩波問卷研究；[E10] 為尚未完成同儕審查的預印本；[E12] 為公開的管理學研究觀察與討論，不能拿它當作所有產業的普遍隨機實驗結論。其餘經典研究也不自動證明 AI 專屬假說。若正式投稿，需再檢查是否存在更新、勘誤或撤稿。

參考文獻｜EveMissLab 既有先行研究與 HACTS 原稿

[I1] 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/

[I2] 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/

[I3] HDUS：Distributed Computational World Federation Architecture（2026-08-20，v0.1）。

[I4] World-Native Agent Organization：HDUS 中的原生 ANDO 與橋接層消解（2026-08-23，v0.1）。https://unboundedaxiom.org/p/lm-003841/

[I5] RR-06｜從 Self-Authorship 到 Owned Trajectory：選擇、承諾與可修正人生線（2026-08-21，v0.1）。https://unboundedaxiom.org/p/lm-003284/

[I6] 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/

[I7] HODR-IV｜AI 生產力與可能性空間爆炸（2026-09-26，v0.1）。

[I8] HODR-II｜選擇權囤積與不可逆決策（2026-09-26，v0.1）。

[I9] 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/

[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/

[I11] HACTS-00《從無限可做之事到有限可支配人生》（2026-10-16，v0.1；同系列本地 canonical 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

[I12] HACTS-01《生產力內生擴張悖論》（2026-10-16，v0.1；同系列本地 canonical 原稿）。HACTS-01_生產力內生擴張悖論_v0.1_2026-10-16.md

[I13] HACTS-02《額度重置與時間支配》（2026-10-16，v0.1；同系列本地 canonical 原稿）。HACTS-02_額度重置與時間支配_v0.1_2026-10-16.md

[I14] HACTS-03《自願性高投入的雙重狀態》（2026-10-16，v0.1；同系列本地 canonical 原稿）。HACTS-03_自願性高投入的雙重狀態_v0.1_2026-10-16.md

來源與權限聲明。 本篇依已取得合法讀取權的原稿進行理論譜系對照；提供標題與來源連結，不代表任何原本未公開的檔案、程式碼、研究流程、帳戶資料已獲權利人授權公開。內部理論的主張應與外部正式發表的實證證據分層標示。

原稿驗證、研究責任、公開邊界與版本紀錄

論文版本： HACTS-04 v0.1；截至 2026-10-16 的理論與研究設計稿，不是現實 Agent 系統的實作通過證明，也不是已完成新研究資料驗證的統計論文。
原稿唯一來源： 本 UTF-8 Markdown 檔；正式數學內容只使用 $...$ 與 $$...$$ 分隔符。聊天畫面、螢幕截圖與 UI 預覽均不作為 canonical source。
數值地位： 四組思想實驗皆有明確假設；隊列、通知決策與狀態衰退算例由實際運算核對，不代表對個體的心理預測。
文獻責任： 引文優先以 DOI、期刊、PubMed 或原始預印本查核。引用作者、篇名、發表日期及其方法限制應完整保留，避免將觀察性研究寫成隨機因果證明。
心理與醫療邊界： 「認知待命」在本文是研究構念，不是心理疾病診斷。高熱情、長工作時數、偶然想起 Agent 與工作反芻皆不應被直接病理化。
工程與安全邊界： 所有風險閘門、JSON 契約、狀態機與偽程式僅作技術論文示意；正式執行需另行確認權限、測試、安全、法令及值守安排。
隱私與公開邊界： 本稿不包含私人 API Key、Token、客戶內容、家庭及財務細節、未公開 Repository 的原始碼或個別聊天逐字資料。
可否證性： 十二組假說均可因實證資料與替代解釋而修訂或撤回；不應把單一小型案例提升為適用所有 AI 使用者的通則。
下一篇： HACTS-05《時間主權的微觀決策：不做、延後、退出與回返如何構成實質自由》，將以本篇的人類離線界線作為前置接口，研究個體跨期選擇。

END — HACTS-04 v0.1