title

AI 究竟省了什麼：全域帳本、情境均衡與可反駁檢驗

english_title

What Does AI Actually Save? An Economy-Wide Ledger, Scenario Equilibria, and Falsifiable Tests

series

AI 成本表象悖論（Artificial Intelligence Cost Appearance Paradox）

series_id

AICAP

paper_id

AICAP-07

version

0.1

date

2026-11-03

language

zh-Hant

status

COMPLETE THEORETICAL RESEARCH MANUSCRIPT — EMPIRICAL VALIDATION NOT YET COMPLETED

source_format

UTF-8 Markdown

author

Neo.K

research_collaboration

GPT-6（協作整理、形式化與來源核對）

license

未指定；保留權利，不推定開源授權

keywords

AI 成本表象悖論 · 全域成本帳本 · 有效成果 · 反事實 · 資本服務 · 分配 · 實質資源 · 情境均衡 · 反彈需求 · 可反駁研究

AI 究竟省了什麼：全域帳本、情境均衡與可反駁檢驗

What Does AI Actually Save? An Economy-Wide Ledger, Scenario Equilibria, and Falsifiable Tests

AICAP-07｜《AI 成本表象悖論》系列收束篇｜v0.1｜2026-11-03

**研究定位：**理論整合、測量制度、條件性證明、透明反例、可否證實證協議；不是已完成的 AI 全產業成本調查，亦非對某一前沿模型內部財務的推測。

個體看見的節省、企業認列的節省與社會真實資源的節省，可以重合，也可以分離。價格降低是否構成進步，必須由可比成果、實際投入、反事實活動、跨期負擔與分配結果共同判定。

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
日期： 2026-11-03
版本： 0.1
研究協作（原稿所載）： GPT-6（協作整理、形式化與來源核對）
原稿狀態： COMPLETE THEORETICAL RESEARCH MANUSCRIPT — EMPIRICAL VALIDATION NOT YET COMPLETED

摘要

生成式人工智慧使個人與小型團隊以低直接付款取得龐大智能產能，而供應這種產能的生產體系又可能需要昂貴的模型研發、加速運算設備、資料中心、能源與跨期資金。此種「使用便宜、基礎設施昂貴」的表面矛盾，不能以簡單宣稱 AI 真正便宜或只是隱藏成本來解決：便宜可能源自真實技術效率、規模經濟、價格競爭與工作重組，也可能來自成本跨主體轉移、跨期攤銷、外部性未計價、風險延後或新增需求。兩類機制甚至可同時存在。

本文是 AICAP-00 至 AICAP-06 的整合性收束研究。前六篇依序區分成交價格與有效成果成本、智能租賃與算力資本、成本轉移與融資、人機協作及驗證、平台退出與能力控制、能源與晶片的資源代謝。本篇新增一個可連接而不可混加的全域帳本協議：以「任務—成果—世界情境—時間—地理—經濟主體—資源事件」作為共同索引，同步保存私人付款帳、有效交付帳、供應商經濟成本帳、資本存量與現金流帳、物理資源向量帳、分配／福利帳，並規定每一筆交易與投入如何去重、歸屬及標示未知。

核心方法是先建立固定功能與品質的反事實比較，再進行允許產出量與任務組合改變的情境均衡比較。本文證明：相同零售價格無法唯一識別供應商成本；閉合邊界內的金錢支付是主體間轉移而非新增實質耗用；較低的每次呼叫價格可伴隨較高的合格成果成本；會計折舊不能與同一設備的購置現金流重複列作同一期間資源投入；單位用電下降不足以推出總量下降；相同的物理節省也未必帶來相同的福利與分配結果。此處的證明均是明確假設下的數學判準，而非對 2026 年全球產業數據的普遍實證結論。

本文提出十項形式化命題、九組透明假設案例、十四項可反駁假說、四級實證設計、風險與缺值處置、最小事件資料契約，以及分層結論證書。只有當成果品質與反事實邊界可比、財務交易不重複計入資源成本、物理與時間成本具可追溯證據，並且對需求反彈與未觀測外部性適當處理時，才可把「使用者省錢」逐步提升為「單位有效成果節省資源」或「在指定範圍內淨社會效益增加」。

本文主張的不是「AI 本質昂貴」，而是：AI 究竟省了什麼，必須以誰的帳、哪一件成果、何種品質、哪條未發生的替代路徑，以及多久的時間來回答。

**關鍵詞：**AI 成本表象悖論；全域資源帳本；交易與資源分帳；有效成果；價值增量；情境均衡；反事實辨識；算力資本；需求反彈；退出選擇權；社會福利；資源代謝；分配效應；研究證書。

0．研究定位、系列系譜與非主張

0.1 本文真正要解決的問題

假設一名遊戲創作者使用高階 AI 完成程式草案、內容規則、視覺模組、對話資料庫與自動測試。其支付的訂閱費可能遠低於以傳統方式雇用一組跨領域團隊的名目價格。這是可觀察的私人取得價格差異。但 AI 平台可能動用了高度資本密集的超算設施，並依靠其他客戶、投資者與全球供應鏈共享成本。這是供應條件與資本結構。若創作者的產品尚未通過整合、實機測試及玩家驗證，則生成的草案也不能直接充當已交付的經濟產出。這是品質與交付分母。

因此，至少存在四個不同判斷：

1. 創作者的現金支出是否下降？
2. 完成一件可接受產品所需的全部私人投入是否下降？
3. 供應鏈在指定功能與品質下使用的真實資源是否減少？
4. 即使資源未減少，新增產品、時間釋放、知識擴散或其他效果是否使淨社會福利提高；收益與負擔如何分配？

上述四個問題沒有必然相同的答案。經濟研究的任務不是預先選一個答案，而是提供能彼此區分的觀測程序。

0.2 前六篇的分工與本篇增量

本篇新增之物不是另一套 token 價格公式，也不是另起一個「AI 人力替代率」。新增的是完整帳本之間的識別規則、橋接矩陣、反事實分層、結論許可門檻與能被資料推翻的跨層整合設計。

0.3 不主張事項

本文不主張：

• 某前沿模型每輪推理必然比同等人工作業昂貴。
• 當期資料中心總用電可以全部歸因於 AI 推理。
• AI 供應商的高資本支出證明其服務定價低於成本。
• 使用者節省的工資必然是社會損失，或供應商虧損的等額鏡像。
• 所有工作均可轉換成相同的「智力小時」；人類時間與 GPU 小時不存在普遍固定匯率。
• 任何有 AI 介入的新增產品，都必須找到一個完全等價的純人工產品才能認定有價值。
• 所有地方的電網、水資源、勞動市場與外部性都可由一個全球平均數取代。
• 本篇已觀察到 AI 全產業真實的內部成本與一般均衡福利效果。

0.4 理論、證據與提案的分級

• **〔I〕恆等式／定義：**固定邊界與計量規則下的代數關係。
• **〔T〕條件命題：**在明示假設下可證，但不能自行外推為現實規律。
• **〔E〕可核對的外部證據：**特定研究對象、時間及測量制度下的結果。
• **〔H〕可反駁假說：**尚待估計之方向、機制或因果效果。
• **〔P〕示例與工程提案：**透明假設、可用性設計；不是市場實測、正式 API 或本公司營運報告。

1．全域帳本的共同觀測單位

1.1 全域不代表無界：先劃定系統邊界

本研究中的「全域」不是宣稱取得文明所有經濟資料，而是在已宣告且可審計的研究邊界內，不把某一企業或使用者的帳面變化冒充整體結果。最小觀測單位應記載：

其中 $d$ 為任務域、 $q$ 為驗收品質規格、 $s$ 為生產情境、 $B$ 為包含的經濟主體與供應鏈邊界、 $T$ 為時間窗、 $G$ 為地理與電網／水系位置、 $a$ 為行為者、 $e$ 為唯一的資源或交易事件。若研究對象由單一文字輸出改為完整遊戲產品、由一日改為三年、由台灣資料中心改為跨國供應鏈，帳本均不可在未標示邊界變化的情況下直接比較。

1.2 必須分離的七本帳

L7 不是另一類可額外相加的「成本」，而是讓其他六本帳得以作因果比較的識別層。

1.3 一筆資源事件，允許跨帳引用，不允許跨帳重算

假設使用者支付 $20$ 元取得 API 服務，供應商將其中部分收入用於電力與人員，並保留利潤。付款 $20$ 元與供應商收入 $20$ 元是一筆交易的兩面；電力和人員是不同的生產投入事件。把使用者 $20$ 元與供應商實際 $15$ 元成本相加，宣稱社會消耗了 $35$ 元，通常就是跨帳重複計算。

同理，企業今年支付 $100,000$ 元採購設備，會計上未來幾年陸續認列折舊。不能在「今年投入總額」中同時加入完整購置價與同一部設備的全部未來折舊，再把兩筆當成不同實質資源。需要明定是在研究當期現金流、跨期資產服務成本，還是新增設備製造造成的物理投入。

1.4 原始事件鍵與來源血統

同一事件應具有穩定的 event_id，並記錄 source_id、source_version、actor_id、counterparty_id、time_utc、location_scope、scenario_id、worldline_or_project_id、account_type、measurement_unit、quantity、allocation_rule、confidence。例如電力帳單、算力推理日誌與供應商成本報表可以互相連結，但不代表三筆價格與物理數值是可以直接相加的相同成本。

需要區分資料缺失、受保密限制無法觀測、根本不適用與已知為零。四者不可都轉為 0。

2．從價格帳到有效成果帳

2.1 固定功能與品質，才談「節省」

令 $s=0$ 是指定的非 AI 或原有工作流， $s=1$ 是 AI 協助工作流。對一組已宣告的功能規格 $q$，令 $N_s(q)$ 表示真正通過驗收的可比較成果數； $C_s^u$ 為使用者完整私人成本。若 $N_s(q)>0$，則定義：

只有 $q$ 的內容與難度相同、或具可辯護的品質等價轉換時，才可比較 $\overline C_0^u$ 與 $\overline C_1^u$。一段看似完整的 AI 生成程式若尚未編譯、通過測試、整合與交付，不能算作一件完整產品。反之，某些 AI 協作提供了原本無法完成的新功能，也不能機械地將其價值壓回原有工作數量。

2.2 使用者完整成本的最小分解

以不重疊的欄位表示指定工作流：

其中 $P_s^{\mathrm{AI}}$ 是採用已選定分攤政策後歸屬到任務的訂閱／API 費用；human,core 不包含已放在驗證與返工欄的工時；工具費若已包含於 API 或訂閱，不得重算；最後一項是尚未發生的預期損失，若風險已實際成為返工或損害，不可在兩處同額列帳。對已付訂閱且當期不可退款者，當期增量使用決策可能面臨零額外訂閱現金支出，但下一期續訂與整期服務採購不能因此計為免費。

2.3 多種分母並存，而非一個「AI 產能」分數

至少應同時記錄：請求數、生成候選數、完成初稿數、通過驗收數、實際上線或使用數、成功形成經濟價值的數量。它們未必按固定比例變動。對可區分難度的任務，需使用預註冊的任務組、品質評分與功能權重，或分域報告而不匯總。

2.4 當 AI 使新產品成為可能時

若 $s=0$ 沒有同功能產品， $N_0(q)=0$，則 $\overline C_0^u(q)$ 不存在，不能寫出「AI 比人工節省無限倍成本」。此時應改用創造新商品的福利、消費者效用、可替代服務與新增資源投入模型；也可以報告「在指定資源上限下，AI 可完成而對照方法未完成」的可行性結果。這是新產出效應，不是一般意義的固定產出成本下降。

3．供應鏈帳、資本帳與總量去重

3.1 中間投入、附加價值與真正資源耗用

國民經濟核算的附加價值概念，是總產出減去中間投入；跨產業總加值可以避免把同一中間交易在每個環節重複當成最終產出。[E01] 這並不意味著 GDP 等於全部社會福利，也不意味著所有外部性都已內含其中。

對完整涵蓋的封閉交易網路，平台向使用者收取 $P$ 、硬體商向平台收取設備費、電廠向資料中心收取電費，不能只把這些交易額加總成「全社會總成本」；否則同一經濟活動的中間流轉會在不同節點重複出現。實質資源盤查應追蹤不重複的勞動、資本服務、能源與材料機會成本，並標記中間品、最終品和資產形成。

3.2 存量、流量、會計折舊與資本服務

• 資產存量：期初設備 $K_t$ 、投資 $I_t$ 、報廢／損耗 $\delta_t$，具有存量—流量關係。
• 現金流：購置支出可集中發生於 $t=0$，貸款可跨期攤還，均應按現金流量表語言處理。
• 會計折舊：在財務制度下依使用年限認列，是分攤方法，不等於每期實際重新買一台設備。
• 經濟資本服務：使用設備時放棄其他用途的機會成本、實際資本消耗及維護，需與資金成本及殘值一致估計。
• 物理製造投入：晶片、設備和機房製造的能源、材料與排放可能在購置前發生，屬生命週期盤查；若再按服務分攤，不可重算同一批製造排放。

3.3 供應商完整成本不可由公開價格唯一反推

供應商的增量成本可能隨模型大小、推理深度、工作負載排程、併發、利用率、電力價格與服務等級而變動。公開財報的企業整體 CAPEX、折舊、雲端營收亦可能包括非 AI 業務。因此，僅靠某個 API 標價及企業整體投資額，不能直接估計每次特定前沿模型請求的淨利或隱含補貼。

3.4 外部性不是供應商帳單的缺失值填零

資料中心所處的電網、取水系統、土地使用、廢熱、地方基礎設施與供應鏈上游存在區域差異。外部性可能尚未被完整定價，也可能因適當費率、供電餘裕或替代效果而較小。需要按地理／時段識別，並保留分配差異，不能將「外部性」自動設為每項 AI 的固定環境罰款。[E03][E08]

4．物理資源向量與經濟福利不可直接折算

4.1 以向量先記錄物理量

對情境 $s$ 與邊界 $B,T,G$，記實質資源向量：

其中 $E_s$ 為期間用電 kWh、 $P_s^{\mathrm{peak}}$ 為局部尖峰 kW、 $W_s$ 為按水源與水耗口徑分類之用水、 $M_s$ 為原材料、 $H_s$ 為設備及其生命週期服務、 $G_s^{\mathrm{carbon}}$ 為按指定盤查方法估計的排放、 $L_s^{\mathrm{land}}$ 為土地等資源。碳排放若已由燃料與發電鏈推導得出，不能將其再當成與能源耗用完全獨立的同類原始投入直接相加。

4.2 單位效率與總資源使用量

對單一可比任務，若每件有效成果平均耗電 $e_s>0$，且完成 $N_s>0$ 件，則總電力近似為：

其中 $E_s^{\mathrm{fixed}}$ 應包含依指定邊界歸屬的不可忽略閒置、備援或設施固定耗能；若已被納入 $e_s$，此項不得重算。即使 $e_1<e_0$，當 $N_1$ 擴張得足夠快， $E_1$ 仍可能超過 $E_0$。若任務種類改變，需改用加總形式而不是一條平均強度。

4.3 盤查、邊際效果與生命週期三種電力／碳語言

• 企業排放盤查：遵循已聲明的 Scope 與地點／市場口徑，不能把 Scope 1、2、3 的不同組織資料未經調整直接相加，造成供應鏈重複計算。[E08]
• 新增負載的因果排放：需要比較具體地區與時段的電力系統反事實，不能直接套用單一全球平均係數。
• 生命週期排放：除了營運用電，還可能包含設備製造、更換、冷卻及報廢；必須一致處理資產服務與期末殘值。[E03][E08]

4.4 不能由「總用電增加」推出「AI 效率變差」

IEA 2026 年報告估計全球全部資料中心用電由 2025 年約 485 TWh，至 2030 年中央情境約 950 TWh；其預測包含 AI 驅動的成長，但不等於全部用電均由 AI 推理消耗，更不是對 2030 年已發生情形的統計。[E03] 這個總量展望與部分模型特定工作負載的能源效率改善可以同時成立。因果上仍需識別需求彈性、用途新增、推理深度、設備更新與地理負載轉移。

5．情境均衡：從局部節省到社會淨變化

5.1 至少四種不同的比較層級

若研究只取得 S0 層級的隨機試驗，結論不能直接升格為 S3 的總體就業、GDP、排放與分配判斷。反之，只取得 S3 的年用電總量，也不能反推出 S0 中每件作品的生成效率。

5.2 情境定義：不是把「不用 AI」寫成世界停止不動

反事實必須包括若沒有使用 AI，人們實際可能採取的合理替代方式。一間小型企業可能聘人、外包、縮小產品、使用傳統軟體、延後上市、放棄特定功能，或乾脆不生產。這些替代路徑在成本、品質和創造的收益上並不相同。

令 $s$ 指涉完整的制度與生產情境，不只是某個二元開關。對特定產品 $d$，需保留：

• 原有工作流 $s_0$ 的可行集合及約束；
• AI 輔助工作流 $s_1$ 的工具、模型、合作角色與行動自由；
• 固定需求下的技術節約，以及價格改變後新增的需求；
• 原本被替代的行動是否真正停止，或僅把 AI 工作疊加在原有流程之上；
• 產業供給擴張、能源容量、工作重新分配與時間成本的動態調整。

5.3 有效成果的品質等價與新產出

在固定成果比較中，需以同一組可觀察功能、最低品質、可靠性、語言、使用者體驗、適法性與維護期限作為驗收標準。高階成果可以另設分層而非強迫降至同一分數；例如同一批生成對話若只有一半真正與 NPC 狀態耦合，不能和另一批全部可直接在遊戲中觸發的內容按「生成 10,000 句」等量比較。

在新產出比較中，若 AI 才使某件作品可行，應評估新增使用者福利、替代娛樂與注意力配置、產品維護及資源消耗。從零到有可帶來巨大經濟價值，但這不是對一個不存在的純人工版本算出「節約百分之幾」。

5.4 福利的可操作形式：先給出可解釋的價值函數

對具有一致邊界及相互排他的投入事件，可以定義一個條件化、貨幣化的淨社會福利差異：

這裡 $\Delta B^{\mathrm{real}}$ 是由成果及使用經驗產生、且不與投入節省重複計數的福利變化； $x_j$ 是真實投入或被放棄的資源向量； $\pi_j^{\mathrm{opp}}$ 是在特定制度與邊界下的機會成本／影子價格； $D^{\mathrm{ext}}$ 是未被其他項目吸收的外部損害或效益； $C^{\mathrm{other}}$ 是未包含在 $x_j$ 或 $D^{\mathrm{ext}}$ 的轉換、治理、風險等額外真實成本。如果某些項目已在 $B$ 或 $x$ 中計入，就不能在其他欄再計入。

此式不是現成的全球福利估計公式。實際研究常無法可靠地給所有人類時間、各地區用水壓力、勞動重新就業成本、隱私或創作價值設定共同影子價格。對此應保留多維結果與區間，而非以無來源的貨幣數字製造精確感。

5.5 時間釋放不自動等於薪資節約

若某名員工將原本兩小時的任務縮短至一小時，至少可能有三種不同結果：

1. 企業在相同品質與產量下，實際減少外包費、加班或投入，形成可觀察的私人節約。
2. 員工工資與工時未減，騰出的時間改做其他有價值的工作，形成新增產出，而不是直接降低當期薪資帳單。
3. 員工仍需把時間投入監控、整合、等待 AI 或新的任務，表面任務縮短卻未增加可支配時間，甚至造成工作強化。

對上述三種結果應分別記錄直接工時、注意力占用、替代活動、實際休閒、已支付工資與新增成果。不能把「省下一小時」自動乘以市售時薪，然後同時把它計入企業節省、人類福利增加與新產值三處。

5.6 分配與總量可能出現相反訊號

金錢交易在閉合邊界內可以互相抵銷，卻不代表轉移的福利效果為零。當不同群體的邊際效用、風險承擔、收入約束與市場權力不同，同額價格變化可能對分配有實質差異。因此本研究先報告個體或群體 $i$ 的福利變化 $\Delta W_i$，再於明示權重時討論加權總合：

此式中的 $\lambda_i$ 不是客觀存在的統一係數，而是研究者或制度所選擇的社會權重。若權重沒有公開，不能聲稱唯一的分配加權社會福利。工資議價、租金與價格的變化也可能改變投入及產出行為，不能在所有長期模型中都只當作中性的支付轉移。

5.7 跨期與不確定性

令 $t=0,\dots,T$，可把可比較情境的福利差異按同一社會折現設定報告：

其中 $\mathcal I_0$ 是決策時可用資訊， $r$ 為已宣告的折現參數；重大不可逆風險與厚尾損失應另作敏感度及情境分析。不能將這種預期福利估計與企業會計利潤或當期現金流混作同一欄。

6．十項形式化命題與條件性證明

以下是由定義和數學假設推導的結果。每個命題只保證其假設內的有效性；對實際 AI 產業是否符合假設，仍需後續檢驗。

命題 1｜成交價格不能唯一識別供應商真實成本〔T〕

**假設：**研究者僅觀察某一可比 AI 服務的使用者成交價 $P>0$，沒有觀測供應商投入、利用率、其他業務收益及資本服務成本。

**命題：**即使價格 $P$ 完全已知，供應商完整單位成本 $C$ 一般仍不可唯一識別。

**構造性證明：**設兩家供應商均以 $P=10$ 出售同級服務。第一家因規模經濟具有 $C_A=6$，第二家可能因起步投資高或促銷而具有 $C_B=14$。兩者均可在某段期間以 $10$ 交易；前者毛利為正，後者可能需要融資、內部支持或承擔虧損。單獨觀察同一 $P$，不足以區分 $C_A$ 與 $C_B$。證畢。

**反證路徑：**若研究者取得可審計的任務層直接投入、資本分攤與服務收入，可識別成本區間；命題並不宣稱成本永遠不可知。

命題 2｜閉合邊界內的支付轉移不等於新增資源耗用〔T〕

**假設：**同一筆交易的支付方與收取方均包含於研究邊界，交易不涉及未觀測的外部政府、稅收或第三方流失；只研究此筆支付的直接貨幣轉移。

**命題：**該交易金額在全體主體的貨幣收支相加中相互抵銷，但其背後生產的真實投入仍可為正。

**證明：**買方支付 $P$，收款方取得 $P$ ；若用買方現金流為負、賣方為正記錄：

這只是交易轉移的收支恆等式。若生產服務動用了 $x$ 單位電力、勞動與資本服務，該 $x$ 不會因上述現金抵銷而變為零。證畢。

**邊界：**若交易引發供給、稅收、資本投資或分配行為改變，應另行記錄其資源與福利效果；命題不表示所有支付都沒有經濟影響。

命題 3｜合格率可逆轉呼叫費率的成本排序〔T〕

**假設：**每次獨立嘗試的完整增量成本為 $c>0$，成功且通過相同品質驗收的機率為 $0<p\leq1$ ；失敗後可重新嘗試且成功率不變，無其他固定費及跨次依賴。

**命題：**完成一件通過驗收成果的期望成本為 $c/p$ ；較低 $c$ 不足以推出較低 $c/p$。

**證明：**期望嘗試次數為幾何分布的 $1/p$，故期望成本為：

例如方案甲 $c_A=1,p_A=0.20$，方案乙 $c_B=3,p_B=0.90$，則甲為 $5$ 、乙約為 $3.33$。方案甲單次便宜，但合格成本較高。證畢。

**限制：**實際模型的錯誤可能相關，嘗試成本會隨上下文增加，人工驗證也可能隨前次失敗而改變；研究應以任務日誌直接估計，不能盲目套用獨立幾何模型。

命題 4｜資本購置現金與資本服務不得在同一成本語言下重複加總〔T〕

**假設：**某資產以 $K_0$ 取得，在 $T$ 年內提供服務，具有殘值 $S_T$ ；會計採一致折舊或經濟模型採完整資本服務估計。

**命題：**若研究目的是期間資產服務成本，將全部 $K_0$ 再與該資產整個生命期的折舊總額相加，會將同一資產消耗重複計算。

說明與證明：不考慮其他資產增減、重估及處置損益時，直線折舊總額為 $K_0-S_T$。若將 $K_0$ 與 $K_0-S_T$ 當作兩次不同的資產耗用，就把同一資產的成本記了兩遍。正確的作法是根據問題選擇現金流時間表或資本服務／折舊與機會成本時間表，並使用一致折現與殘值處理；兩種表可對照但不能作為同一成本列相加。證畢。

**限制：**此命題不表示當期 CAPEX 必然等於當期折舊，也不表示會計折舊在所有情境下等同經濟折舊。

命題 5｜單位資源效率進步不保證總量下降〔T〕

**假設：**固定同質、同品質任務，兩期均滿足 $E_s=N_se_s$，且 $N_s,e_s>0$ ；不另重複計算固定耗能。

**命題：**雖 $e_1<e_0$，但總電力下降的充要條件為：

**證明：**由 $E_1<E_0$ 等價於 $N_1e_1<N_0e_0$，兩側同除以正數 $N_0e_1$ 即得結果。證畢。

**限制：**若任務組成變更、固定耗能大幅改變或存在被替代活動，必須在資源帳加入相應項；命題不代表成長是由效率進步造成。

命題 6｜需求反彈不可只由總耗能成長辨識〔T〕

**假設：**研究者只觀察兩期每單位電力 $e_s$ 和總量 $E_s$，沒有取得價格變化、其他需求驅動因子、服務品項與外生供給衝擊資料。

**命題：**觀察到 $e_1<e_0$ 且 $E_1>E_0$，不足以單獨判定「效率改善造成需求反彈」的因果大小。

**構造性反證：**考慮兩個相同的觀察結果：基期 $N_0=100,e_0=10$，次期 $N_1=300,e_1=5$。情境 A 的額外 $200$ 件可能由價格下降引發；情境 B 的額外需求則可能由新的法規要求、外部疫情、企業數位化或一項新增產品造成。兩個世界的 $(N_s,e_s,E_s)$ 完全相同，因果機制卻不同。因此若沒有需求與價格的反事實，反彈率不可由總量變化直接唯一識別。證畢。

命題 7｜固定產出節約與均衡總量增長可以同時成立〔T〕

**假設：**AI 改善某類可比任務的單位資源效率，但價格、供給與需求回應使總產出擴張；額外產出具有非負真實需求。

**命題：**對固定 $N_0$ 的比較可能顯示投入節省，同時均衡後的總投入可能增加。

**證明：**固定產出時，資源變化為 $N_0(e_1-e_0)<0$。實際均衡總變化為 $N_1e_1-N_0e_0$，若 $N_1/N_0>e_0/e_1$，則後者為正。兩種計量對象不同，方向並不矛盾。證畢。

**政策與研究界線：**不能把前者叫作「全經濟已經節省能源」，也不能用後者直接否定前者的技術效率。

命題 8｜備援的現金成本可增加，但完整預期損失可下降〔T〕

**假設：**單供應商方案的指定期間故障概率為 $p_0$，有備援時下降到 $p_1$， $p_1<p_0$ ；單次故障損失 $L>0$ ；備援新增總成本 $F\geq0$，其他條件不變。

**命題：**若

則備援在增加顯性支出的同時降低完整預期成本。

**證明：**不備援的預期故障損失為 $p_0L$ ；備援後為 $F+p_1L$。後者較低，等價於上述不等式。證畢。

**限制：**若故障高度相關、備援自身引入新故障、品質無法等價，必須調整 $p_1$ 和 $L$ ；此命題不是所有企業都應採多模型策略的證據。

命題 9｜相同實質投入不推出相同的社會福利判斷〔T〕

**假設：**有兩種情境，資源投入 $x$ 完全相同，但最終產出使用者的受益 $B$ 不同，或收益分配及風險不同。

**命題：**不能只從 $x$ 相同推導福利變化相同。

**證明：**令情境 A 與 B 均耗用價值 $100$ 的可比資源；A 的真實受益為 $120$，B 的真實受益為 $80$，則在同一福利口徑下兩者淨值分別為 $20$ 及 $-20$。若兩者產出受益相同，但收益轉移至具有不同社會權重的群體，加權分配福利亦可能不同。證畢。

**限制：**案例中的效益數值是任意假設，不構成商品實際消費者剩餘測量。

命題 10｜缺乏共同估值及邊界時，不存在可由帳本自動推出的唯一「全域節省分數」〔T〕

**假設：**研究在物理帳中同時量得電力、水、排放與人類時間，但尚未提供各項資源的地理機會成本、外部性估值、偏好或社會分配權重。

**命題：**上述多維差異一般不能在無額外假設下唯一折算成單一社會節省貨幣值。

**構造性證明：**比較方案 A 與 B，A 少用 $10$ kWh 卻多耗 $1$ 單位局部稀缺水，B 則相反。若水的影子價格低，A 可能較優；若水的影子價格極高，B 可能較優。同一物理向量差異在不同合法影子價格下形成相反排序，故沒有唯一的標量結果。證畢。

例外與修正：若研究事先公開且有資料支持的影子價格、折現率及社會權重，可計算條件化標量；它不是未經價值判斷的普遍自然常數。

6.11 十項命題的邊界總結

上述命題構成一個互補系統：命題 1 防止以價格推斷成本；2 防止轉移與資源重複計算；3 保護有效成果分母；4 保護跨期資本帳；5–7 保護物理效率與均衡總量的分離；8 把依賴風險納入完整成本；9–10 保護福利與分配的不可自動簡化。它們共同提供的是可以失敗、可以修正的判定程序，不是預先將 AI 宣判為節省或浪費。

7．九組完全透明的假設數值案例

以下全部為為驗證模型而人工設定的示例，不使用任何真實 AI 模型的私人成本、未公開營收或實際電網排放參數。金額除特別註明外均為任意記帳單位，無新臺幣或美元的現實對應。每組案例只回答其已固定的問題，不向其他經濟層級任意外推。

案例 A｜同品質固定任務：AI 確實降低私人完整成本〔P〕

假設某種軟體／文字產品，兩條工作流均完成並驗收十件成果；相同品質、期限與售後責任已固定。無 AI 路徑的成本為：人類核心工作 $4,000$ 、其他工具 $300$ 、驗證及重做總計 $200$，合計 $4,500$。AI 協作路徑為：AI 採購費 $140$ 、人類核心工作 $1,100$ 、工具 $250$ 、驗證 $300$ 、返工 $200$ 、未實現風險的期望成本 $150$，合計 $2,140$。假設各欄位互不重複，且風險項採同一標準處理。

**可成立的結論：**該假設工作流的使用者完整私人成本下降 $52.44\%$。**不可推出：**供應商提供 AI 服務的成本亦下降 $52.44\%$ ；全社會消耗的電力、水或勞動機會成本必然同幅下降。後者需要 L3–L7 的資料。

案例 B｜較貴的模型，反而有較低的合格成果成本〔P〕

兩組模型各完成十件同品質可交付成果。方案 A 的模型費 $100$，但驗證 $800$ 、返工 $600$ 、其他 $200$，總計 $1,700$ ；方案 B 模型費 $400$，驗證 $250$ 、返工 $150$ 、其他 $200$，總計 $1,000$。模型費 B 是 A 的四倍，整體合格成果成本卻較低。

**可成立的結論：**低模型費不足以推出低交付成本。若 A 的成功率、任務類型或品質與 B 不可比，案例必須重新分層，不能拿兩個不同產品的價格硬比。

案例 C｜同一筆交易： $20$ 與 $15$ 不能加成社會 $35$ 成本〔P〕

假設一筆服務的買方付款 $20$，賣方為完成服務消耗經可比機會成本估價的資源 $15$ ；買方願付價值假設為 $35$，不考慮稅、外部性與其他交易。在簡化競爭性福利帳中：

若價格因促銷下降為 $10$，但產品品質、需求與資源成本均不改變：

交易價降低，使買方受益增加、賣方的當期剩餘轉負，在這個靜態且不計融資與市場反應的案例中，總剩餘未變。這不表示賣方能長期無限制虧損，也不排除降價改變用量、創造新市場或使供應退出。它只表明價格轉移與實質效率不是同一件事。

案例 D｜設備購置與折舊是不同時間帳〔P〕

假設供應商購買 $100,000$ 的設備，預計使用四年，期末殘值 $20,000$ ；採直線會計折舊，年營運電費 $8,000$ 、維護費 $5,000$。忽略其他所得稅、融資、折現與重估。

年度會計成本中的這三項合計為 $33,000$，而購置當年的現金設備支出為 $100,000$，另有當期營運現金流。四年折舊 $80,000$ 是原先購置資產的費用配置，不是四年中再發生的 $80,000$ 新購置。若要評估經濟資本服務，還需估算資金機會成本、殘值及技術淘汰風險。不能在一個期間的單位服務成本中將 $100,000$ 再加上全部 $80,000$ 折舊。

案例 E｜單位效率改善而總用電增加〔P〕

基期完成 $1,000$ 件相同品質任務，每件平均 $1$ kWh，總用電 $1,000$ kWh。新期每件只需 $0.5$ kWh，但完成 $3,000$ 件，總用電 $1,500$ kWh；假設固定耗能已適當分配且任務組成不變。

**單位耗電下降 $50\%$，總用電上升 $50\%$。**這是算術上的可能組合。新增兩千件工作究竟由降價、AI 更好用、其他企業需求、法規變動或產品擴張造成，尚不能由本例辨識，故不能直接宣稱觀察到了某種確定幅度的 Jevons 反彈。

案例 F｜備援讓帳單更貴，卻讓總預期成本更低〔P〕

原服務的故障概率為 $0.10$，每次故障造成 $1,000$ 的損失，期望損失為 $100$。增加備援需支付 $50$，故障概率下降到 $0.03$，期望故障損失為 $30$。

顯性採購費增加 $50$，但完整預期成本減少 $20$。反過來，若備援並未改善可用性、且服務同時受單一電網或同一底層供應商影響，則它可能只是增加費用；此例不替任何多供應商方案背書。

案例 G｜AI 並未真正取代原有活動時，不能擅自宣告淨減排〔P〕

假設某項原有服務完整流程排放 $1,000$ kgCO2e。採用 AI 後新增 AI 工作排放 $300$ kgCO2e，但原服務只有部分被取代，剩餘活動仍排放 $600$ kgCO2e，另外因新需求引發 $200$ kgCO2e。

若相同 AI 工作實際能讓原服務剩餘排放降為 $400$ kgCO2e，且沒有新增需求，則 $G_1=700$，差額為 $-300$ kgCO2e。兩個結果皆合理；沒有真正被取代活動的證據，就不能把原有 $1,000$ kgCO2e 全部當成被避免排放。此例同時要求避免將同一電力排放在供應商 Scope 2 及客戶 Scope 3 直接重複當作社會新增排放。[E08]

案例 H｜同額轉移可能具有不同分配福利〔P〕

兩名主體 A 與 B 在一次價格變化中，A 少得 $50$ 、B 多得 $50$，直接轉移總和為零。若僅作示意，將 A 的社會權重設為 $2$ 、B 設為 $1$，則：

若權重相反，結果也可反轉。此案例僅說明相同總額交易在不同公開價值權重下可能得到不同分配判斷，不是宣稱貨幣乘數可直接代表所有人的幸福程度。正式實證應採收入層級、風險與福利測量，不得隨意指定權重後冒充客觀真值。

案例 I｜AI 創造原本不存在的產品，不能用「節省比例」衡量〔P〕

某小型團隊原本因資金與技能限制，無法交付一款具特定功能的遊戲。AI 協作使該遊戲能以假設成本 $600$ 完成並通過驗收，若最終消費者真實受益在同一估值口徑下是 $1,200$，且沒有其他外部性或被忽略成本，則一個簡化的淨效益為 $600$。但因原工作流無相同合格產品，不能計算 $C_1/C_0$ 的節約倍數。

**正確描述：**新增可行產品的預期淨福利可能為正；**需要證據：**產品被實際使用、效益估計可信、完整生產及維護成本已納入；**不能描述為：**純人工同級遊戲的成本已被證實「降低了 $X\%$ 」。

7.10 案例比較總結

8．分層結論證書：什麼證據允許說「AI 省了」

8.1 研究結論必須和資料層級對齊

本文提案建立六級研究性結論證書（Research Claim Certificate, RCC）。名稱中的「證書」表示可以被稽核的證據許可等級，不表示官方認證、法定合規或模型品質保證。

證書不是線性升級的義務。研究可能有很可靠的能源數據、卻缺少供應商內部成本，則可發布「某地區物理資源結果」而不取得供應鏈經濟成本結論；不能因缺少中間級別就把能源測量視為不存在。證書使用時必須具體列出已驗證的維度，不必強制把所有軸壓入單一級別。

8.2 三種不同的最終狀態

• **確有節省：**固定功能、品質和範圍下，某指定成本或物理量的反事實差異有足夠證據且方向為負。
• **發生轉移或組成改變：**某一主體支付下降，但其他主體、資源、時段或價值來源的變化無法被視為同一種節省。
• **尚不可識別：**價格、完整工作流、資源資料、對照組或外部性缺失，無法判定目標結論。此狀態是合法的研究結果，不是被迫填入「AI 有益／AI 無益」之一。

8.3 防止「驗收證書」膨脹

每一份 RCC 必須包含：功能單位、任務集合、品質標準、觀測期間、經濟主體、地理邊界、對照路徑、使用的價值權重、反事實策略、來源資料、缺失欄位、估計區間、支持與不支持的主張、版本雜湊。若缺少嚴格實證，僅可發出設計驗收或模擬案例標記，不得稱為「已驗證全域節省」。

9．十四項可反駁研究假說與競爭性解釋

本節的假說不要求全部方向相同。若某些假說不成立，是對本系列理論邊界的修正，而非對研究價值的否定。

9.1 「可反駁」需要事先規定拒絕什麼

在蒐集樣本前，研究應固定主要因變數、任務難度分類、品質門檻、主要分析期與虛無假說。例如 H03 可在指定任務及樣本中測試「AI 工作流的完整私人成本相對對照組沒有下降」，報告效果量及信賴區間，而不是事後只展示獲得正面結果的任務。對 H09，應先觀測單位耗能變化與工作量增長，再用額外識別設計檢驗價格與效率改善是否為需求增長的原因。

9.2 預防不同尺度的假說被當成同一證據

H01–H04 是任務與組織層級，H05–H08 是供應商與金融層級，H09–H11 是物理與區域層級，H12–H14 是韌性與內容生產層級。若其中只有 H01 被支持，不能自動聲稱 H09 也被支持。同樣地，某地電力上升不代表某一特定企業的產品沒有經濟價值。

10．實證研究方案：從有效成果到全域判定的四級設計

10.1 研究前註冊與資料版本凍結

每個研究必須先公布或在受控登記處固定：研究問題、任務域與抽樣範圍、品質門檻、對照技術、時間窗、主要成本欄、遺漏資料處理、分析指標、統計檢定及機密資料保護。模型版本、prompt 模板、工具版本、價格方案、推理深度、並發策略與工作流程應隨時間記錄，不能在評估後只保留成功版本。

尤其是工作流會隨 AI 工具快速演化。2025 年 METR 在熟悉成熟開源專案的資深開發者實驗中，觀察到使用當時 AI 工具平均完成時間增加約 $19\%$ ；但 METR 2026 年的更新亦指出較新實驗受到不願停用 AI 的參與者選擇偏誤、多代理並行計時及任務選擇影響，不能據此精確外推 2026 年最新模型的普遍加速率。[E06][E07] 本系列因此拒絕只用某一年代、某一任務類型的單一加速數字作經濟全局參數。

10.2 第一級：固定品質的微觀任務實驗

**研究對象：**同一任務簇可由無 AI、AI 輔助及高度自動化 AI 三條工作流完成。

**設計：**對任務作難度預分層，在同一參與者或不同小組之間隨機分派工作流，採平衡順序、事前註冊任務、盲審驗收與固定的失敗回報政策。若任務跨情境學習影響後續表現，則使用適當的交叉試驗洗滌期或分組設計，而非假設完全沒有學習效果。

**記錄：**實際工作時間、人工提示與修改、模型使用與重試、推理及工具費、整合成本、測試與驗收、售後故障、任務未完成率、品質分布及交付日。品質除了通過／不通過，還要記錄安全、可靠性、可維護性與使用者主觀品質；後者不可和程式自動化測試完全等同。

**主要估計：**相同品質門檻下的合格交付成本差、完整工時差及任務完成比例差；報告組內／組間不確定區間，並保留反向結果。若特定任務在無 AI 組大量未完成，應分別報告可行性、完成率與受限觀測，不能只在完成者中比較平均速度而忽略選擇偏誤。

外部支持與限制：Noy 與 Zhang（2023）在受控專業寫作任務中觀察到時間減少約 $40\%$ 、品質提高約 $18\%$ ；Brynjolfsson、Li 與 Raymond（2025）在 5,172 名客服員工的資料中，估計 AI 協助令每小時解決問題數提高約 $15\%$。這些是指定群體與任務的實證，不能直接當成所有程式、研究、醫療、遊戲和自主代理的通用效果。[E04][E05]

10.3 第二級：企業產品鏈與跨季度研究

**研究對象：**企業從需求、企劃、內容生成、設計、整合、測試、上市到維護的完整價值流，而不是單獨統計「生成了幾行程式／多少圖片」。

**推薦測量：**每期經驗證交付量、功能品質、缺陷回退率、收入及現金流、實際外包／員工投入、模型費、資料標註、驗收人力、平台依賴、資產複用率、更新與維護成本。採用 AI 前後的直接比較需要控制產品定位改變與需求成長；若有分階段上線，可考慮事件研究及差異中的差異，但需檢查平行趨勢、同時政策衝擊、溢出效應、企業自行選擇導入時點等假設。

**避免錯誤：**企業營收因推出新產品而上升，不代表原有產品的單位成本下降；產品工作量倍增但驗收人力未增加，也不代表缺陷風險不變；人員不減而產出增加可能是真實生產力，但不能以未減少的薪資支出同時宣稱成本已節省。

10.4 第三級：供應商及上游物理投入識別

**研究對象：**可取得合作或可信資料的 AI 推理服務、資料中心及設備供應鏈；對無權取得的內部數據，公開報告缺失，而不是填補「合理猜測」。

分別蒐集：

• 工作負載：模型類別、品質指標、token／請求、上下文、推理模式、快取、成功率、併發及延遲。
• 服務實現：實際利用率、排程、備援容量、儲存與網路、軟體版本及閒置負擔。
• 經濟成本：直接營運、真實設備資本服務、租賃、工程與研發分攤；同時披露使用哪一種分攤規則。
• 資源耗用：機櫃或設備用電、設施總用電、PUE、用水口徑、所在地區電網、尖峰負載及硬體壽命。
• 上游：設備製造、材料、物流、能源供應、設備汰換及回收的生命週期，盡可能保存不同範圍的重疊界線。

IEA 2026 年資料中心展望和 GHG Protocol 的企業／價值鏈準則，可以提供外部測量類型與核算邊界，但不能自行填補某一特定模型的私有推理耗能、利潤或供應商內部 CAPEX 分攤。[E03][E08]

10.5 第四級：地區—產業—經濟體的情境均衡識別

**研究對象：**AI 成本下降後的勞動需求、產品新增、供應鏈投資、能源與水資源使用、平台議價、價格調整及福利分配。

**方法工具：**可從投入產出表、產業帳、時間使用調查、價格與工資面板、就業與企業登記、電網負載、資料中心設址、地方費率和消費者行為出發，建立多種情境。若用投入產出係數估算間接需求，應說明其固定係數假設；若用結構模型推估一般均衡，應公開替代彈性、產能、需求與折現等參數；若用政策衝擊作準自然實驗，應證明外生性或報告無法識別的部分。

研究至少需要考慮三種相反的經濟反應：

1. **替代節約：**同功能工作確實減少昂貴投入與其他活動。
2. **互補擴張：**AI 使人類與其他資本更具生產力，新增產品與新服務，總資源可能增加但福利也可能增加。
3. **擁擠與負擔轉移：**新增電力與基礎設施需求可能占用受限資源、提高局部機會成本或推遲其他投資；也可能因供電餘裕而改善既有資本利用，方向需資料判定。[E03]

10.6 研究資料品質與不確定區間

對可觀測參數 $\theta$ 報告估計值、單位、資料窗口與信賴或可信區間；對無法觀測的供應商真實成本與外部性，報告可辯護的敏感度區間 $[\theta_L,\theta_U]$，並描述區間來源。若某項政策只有在極小的參數範圍內才較優，應標記為條件性且脆弱，而非定論。

各類測量應保留 observed、estimated、imputed、unavailable、not_applicable 五種狀態。imputed 必須有模型與參數來源；不可將未公開的內部成本假設寫成外部觀測值。

10.7 四項常見的因果辨識失敗

**選擇偏誤：**最擅長 AI 的開發者不願參加禁用 AI 的實驗，導致樣本偏離真實使用群體。對應方法：記錄拒絕率、使用意願及任務選擇過程，報告選擇界線。[E07]

**品質與任務組成改變：**AI 使用者做了更多陌生或更高難度工作，單位時間下降但產品價值上升；若只量工時可能低估效益。對應方法：固定任務比較及新增產出比較並列。

**上游／下游重複計算：**買方 API 帳單與賣方電費、設備折舊被當成互不重疊的社會成本。對應方法：原始事件 ID、交易轉移標記、附加價值與資源帳分層。[E01]

**不適切的環境反事實：**宣稱 AI 讓開發者不必出差，因此扣除全部交通排放，卻未確認出差原本會不會發生。對應方法：被替代活動的行為與地理證據，排除與 AI 無關的外生需求變動。

11．可實作的最小帳本資料契約

11.1 目的與權限界線

本節是一個提議的互通欄位契約，並不表示任何特定軟體、GitHub 專案或雲端服務已實作、遵從或通過驗證。建議各系統先保存自身權威事件，再以引用／橋接層對接；不能為了統一帳本，覆寫原來經核實的 API 用量、財務原始值、電錶讀數或已完成的驗收紀錄。

11.2 最小事件記錄（JSON：非正式 API）

以下是一筆假設性的「使用者付費」記錄；其中 null 表示沒有取得該資料，不是零成本。金融交易與實質資源事件必須保有不同 event_id，再用 linked_event_ids 關聯。

{
  "schema": "AICAP_LEDGER_EVENT_PROPOSAL_V0_1",
  "event_id": "evt-payment-0001",
  "scenario_id": "demo-ai-assisted",
  "project_id": "example-game-001",
  "task_id": "task-dialogue-001",
  "actor_id": "developer",
  "counterparty_id": "provider-A",
  "event_type": "monetary_transfer",
  "account_layer": "L1",
  "time_utc": "2026-11-03T08:00:00Z",
  "location_scope": "example-region",
  "functional_unit_id": "accepted-dialogue-bundle-v1",
  "quality_spec_version": "acceptance-v1",
  "amount": 20.0,
  "currency": "UNIT",
  "physical_quantity": null,
  "physical_unit": null,
  "source_id": "fictional-payment-receipt",
  "source_status": "synthetic_example",
  "allocation_rule": "direct-to-task",
  "linked_event_ids": [],
  "confidence": "not_empirical",
  "missing_fields": ["supplier_unit_cost", "electricity_kwh"]
}

上述數值純屬示範；每筆實證資料應附上可追溯的 source_id，以及具有必要權限、版本及保密邊界的來源紀錄。私人對話、個人身分、未公開模型輸入及敏感企業採購合約，不應為了做帳本而無限制收集。

11.3 功能／成果記錄

每一件成果需提供：task_id、output_id、task_family、difficulty_stratum、requested_quality、evaluator_version、accepted、acceptance_time、delivered_or_deployed、usage_observed、verification_hours、rework_hours、defect_window、risk_outcome。可接受成果的總數應由唯一成果 ID 去重，而不是累加模型生成次數、commit 次數或對話回合數。

11.4 資本及供應鏈記錄

供應商若參與研究，應盡可能將 asset_id、acquisition_time、capital_cash、economic_life、salvage_value、depreciation_method、capital_service_cost、capacity_reserved、capacity_used、maintenance、electricity_meter_id、region、grid_time_bucket 對應至同一時間窗。若供應商不揭露內部資料，必須將 L3 相應欄位標記不可觀測，不得由公開宣傳效能或零售費率直接反算單位淨利。

11.5 物理與排放資料記錄

至少應分辨：設備 IT 用電、設施總用電、PUE 分母、期間尖峰負載、直接取水、耗水與回收、能源來源、排放盤查方法、設備製造與汰換的生命週期範圍、是否採用位置或市場基礎排放係數。若採用 GHG Protocol，對組織間 Scope 3 與上游 Scope 1／2 的重疊需作跨機構去重說明；對實際新增負載造成的邊際排放，需另建因果反事實，不得只改稱盤查數字。[E08][E13]

11.6 資料聯接不等於權威合併

event_id 是資源／交易紀錄，source_id 是證據來源，worldline_or_project_id 是生產情境，output_id 是交付成果；它們是不同層次。即使同一事件出現在使用者採購帳、供應商收入帳和專案成本分析中，也只應按研究目的選取其適當視圖。建議提供以下查詢規則：

• 查私人現金流：使用交易事件與付款主體，不能混入供應商的全部上游成本。
• 查有效成果成本：使用同一功能單位的完整、互不重疊投入，並以驗收結果作分母。
• 查真實資源用量：使用可追溯物理事件及適當的上游／下游邊界，去除重複引用。
• 查社會福利：再加入真實成果使用、消費者價值、機會成本及外部性，不能單靠會計報表直接輸出福利值。
• 查權利與依賴：使用可攜性、授權、失效、中斷及遷移成本，不能把模型價格低視為永久擁有權。

11.7 欠缺資料時的保守處置

若有效成果品質可驗、但供應商資源耗用無法取得，允許發布 RCC-2，但不得標成 RCC-4。若用電可精確量測，但沒有水資源地理稀缺性資料，允許公布用電結果，不得聲稱「整體環境成本已下降」。若企業當期帳單節省，卻尚未觀測人員工時、維護或失敗率，僅能發布 RCC-1。

12．外部文獻與既有研究對照

12.1 AI 的生產力效果不是單方向常數

Noy 與 Zhang（2023）以受控寫作實驗呈現部分專業工作能因 AI 顯著提速且品質改善；Brynjolfsson、Li 與 Raymond（2025）在客服場域顯示平均效率增益及員工能力異質性；METR（2025）則在特定資深開源開發者與成熟程式碼庫任務上，觀察到當時 AI 工具的平均減速。METR（2026）更公開指出較新資料受到參與者與任務選擇偏誤影響，不能當成精確且普遍的新版模型加速率。[E04][E05][E06][E07]

這些證據共同支持本篇的研究方法要求，而不是某個單一效果量：需固定任務、品質、工具與時點，且不把開發者的主觀加速感受當成唯一因果結果。

12.2 巨額投資、低使用費與真實效率可能並存

Stanford HAI 2026 年 AI Index 的經濟章，指出 AI 投資、產業營收與基礎設施支出快速擴張，同時 AI 導入與任務生產力改善的證據存在領域差異；該報告亦指出大規模總體生產力效果的辨識仍處於發展階段。[E02] Stanford HAI 2025 年 AI Index 則記錄固定能力門檻下的模型推理價格大幅下降，屬於使用者市場價格的歷史變化，不能被誤寫成供應商真實推理成本同比例下降。[E10]

因此，產業投資額增長不能直接否定單位效率進步；公開定價降低也不能直接否定基礎設施與資本風險的增加。兩者必須透過實質投入與可比產出連結。

12.3 AI 市場結構與平台選擇

OECD 2026 年對 AI 市場的分析及既有轉換成本理論，提供了研究供應商間競爭、進入障礙、標準與平台依賴的背景。[E11][E12] 但市場集中或供應鏈依賴，不足以直接證明某項 AI 服務沒有真實生產效率。是否應保留多供應商、使用可取得的模型權重或自建能力，仍須在指定功能與故障風險下比較退出選擇權的成本。

12.4 物理與風險的測量基準

IEA 2026 年對資料中心能源需求的估計，顯示用電需求、電網與資本瓶頸在多區域有顯著影響，但其總量範圍並非特定模型的內部推理成本。[E03] GHG Protocol 提供企業、價值鏈、購電及產品生命週期的盤查架構；NIST AI RMF 的生成式 AI 風險框架則提醒品質與治理不只是一項模型基準分數。[E08][E09][E13] 這些來源是不同面向的測量方法，並不直接完成本文的社會福利估計。

12.5 本系列相對既有理論的研究位置

微觀經濟學早已討論機會成本、附加價值與福利；產業組織早已處理平台定價、轉換成本及規模經濟；能源經濟學與工業生態學早已研究效率反彈及生命週期資源帳。本系列不將這些一般概念宣稱為全新發明。

AICAP 的可檢驗增量在於：將可購買前沿智能、任務品質驗收、算力資本服務、跨期成本歸屬、平台能力控制、物理資源及福利分配放在同一組事件鍵與反事實研究協議中，要求不同帳本可以互證，又不能因名稱相同而被任意相加。

13．應用案例：AI 原生遊戲的「小體積、大內容」經濟學

13.1 為何以遊戲作為可觀察研究場

一款開放沙盒遊戲可以採用模組化角色形態、身體部件、技能效果、物種生理、人物關係、情境對話與事件觸發，使有限的可重用資產與演算法形成多種合法遊玩體驗。開發階段可使用前沿 AI 產生文字候選、素材候選、技能描述、規則檢查與測試案例；遊戲執行階段則可能主要使用預製資料、狀態機、索引和局部演算法，無須每個 NPC 每次說話都呼叫雲端大型模型。

這樣的架構可能使安裝容量和每次玩家互動的執行期推理成本，與可感知內容多樣性不再按固定比例上升；但也可能因為內容組合、測試、動畫相容與狀態耦合的需求而增加驗收成本。故「理論組合數很多」並不能直接變成「玩家可玩內容很多」，更不能等同「已經賺錢」。

13.2 四本帳如何回到同一款遊戲

13.3 三種可比較的開發路線

路線 A：人工逐件製作。 每個角色、怪物與事件由企劃、美術、程式及測試團隊逐件製作。優點是內容可控，但專業協作與迭代成本可能很高。不能預設此路線產出品質較低。

路線 B：AI 大量生成獨立素材。 AI 協助快速產出許多文字與圖片，但若資料未對應世界狀態、骨架或事件條件，整合、去重與人工挑選可能成為瓶頸。這可能造成「候選數暴增，驗收成果不增」的反例。

路線 C：AI 協助建立受約束的組合式資產。 在先定義資料契約、身體接口、技能效果、NPC 認知、事件前提與品質規則後，讓 AI 批次產生可被演算法篩選與組合的候選；再以自動化測試與實際玩家體驗控制呈現密度。它有機會降低新內容的增量製作成本，也有可能將成本轉至開發期架構與驗收。

研究不能僅因 C 較符合某一團隊的設計理念，就宣稱其成本必定最低；應在同樣的地圖、角色功能、內容使用率、玩家留存、修補期限下，觀察三條路線各自的合格交付成本及後續維護成本。

13.4 單一角色沉浸與世界自主運行的成本邊界

以 FFRPG01 的百年沙盒概念作為非實測案例：玩家沉浸於單一角色視角，世界在演算法支援下持續變化，人物對話必須依據實際世界狀態、角色認知、關係與歷史事件選取。若未來開放一次性角色扮演，玩家退出的個體可以繼續由 AI 或演算法接管，但這並不表示初版必須在玩家面前提供全域觀察模式，也不表示每個 NPC 需在每一時刻執行高成本的大模型推理。

因此，應分開兩種運算與費用：

1. **開發期智能資本租賃：**使用高階模型創作、驗證、重構與產出可複用資產。
2. **執行期產品資源：**玩家裝置、遊戲模擬、離線資料庫與必要的在線服務（若有）。

若只把開發期的模型費攤到遊戲每次玩家對話，可能忽略了素材可跨大量遊玩重用；若把大量離線對話視為零成本，則會忽略開發期生成、驗證、測試和產品維護。兩者都不完整。

13.5 實證驗收的合理起點

優先在一個有限的城市、少量重要 NPC、一批可互動怪物和可重用技能上做三條路線的比較。推薦先測：

• 100 個指定玩家互動情境的對話合法性、認知一致性與錯誤率；
• 角色／怪物模組的外形、動作、技能與地圖接口相容率；
• 相同內容數量下重複出現率、玩家中斷感與自然語境品質；
• 每個可用內容資產的設計、生成、驗收、維護及回歸測試成本；
• 實際可交付版本的大小、執行記憶體、平均負載與不同裝置的效能；
• 玩家是否真的經歷到具有差異與歷史後果的內容，而不是只看見數量龐大的選單。

此處為候選研究方案，未聲稱已使用 FFRPG01 真實原始碼、Steam 販售數據或外部 AI 推理帳本完成該比較。

14．研究限制、可失敗條件與理論修正原則

14.1 缺乏供應商內部成本時，不能從外部倒推確定結論

模型服務的推理排程、設備使用率、長期研發成本、跨業務分攤、固定合約價格及真實折舊往往不公開。公開 API 價格、財報及能源報告可提供上下文與約束，但通常不足以唯一估計某種模型一輪推理的真實供應成本。如果未取得合作與資料權限，本文的供應商成本模型只能報告條件情境或可識別的上下界。

14.2 不存在一個任務無關的人工—AI 成本換算係數

同一人可以進行文字寫作、程式架構、社會協商、具身工作與法律責任承擔，這些活動的生產函數與品質門檻不同；模型也在能力、延遲、失敗分布與整合負擔上具有差異。若以一個「每個 AI 小時等於多少人類小時」概括所有工作，會掩蓋核心異質性。

14.3 觀察不到的外部性與福利，不應直接填零

缺乏用水測量、部分上游排放、地方電網擴建成本、訓練資料權利、隱私風險或長期勞動轉型資料時，研究應發布缺值範圍與敏感度情境。無法量測不等於沒有發生；同樣地，沒有數據也不能推定一定存在巨大負外部性。

14.4 不能將社會成本寫成人人永遠虧損

若技術真的減少了同等成果所需的勞動機會成本、能源與材料，並擴大原本不可行的創造活動，它可以帶來真實社會進步。反方向也是可能的：若大量生成內容難以驗收、因生成便宜而創造無用需求，或導致高外部性負載，局部價格節省可能不等於資源節省。理論必須允許兩端的實證結果。

14.5 研究時間窗改變，結論可能反轉

短期先支付昂貴 CAPEX、長期攤分後單位服務便宜；短期人力導入與修正成本高、熟悉後效率提高；短期多模型備援增加支出、長期降低中斷損失。每次比較必須宣告時間窗，必要時同時呈現當期現金流、年度經濟成本與跨期淨現值。

14.6 何時應修訂 AICAP 理論本身？

• 若資料顯示在充分可比的任務與品質範圍內，使用者價格、供應商完整成本與社會單位資源成本長期幾乎同步下降，則本系列應承認主要發生的是真實效率進步，而非強調成本錯位。
• 若大量試驗顯示 AI 生成造成的審核與整合成本遠高於所節省的直接人力，則應收斂能成立的任務域，不可使用成功案例外推。
• 若因開放模型、技術擴散與服務互通，持有門檻及退出成本大幅下降，則平台依賴機制的重要性需要重新估計。
• 若不同地區的電網、能源設備和替代活動，使 AI 淨資源效果方向相反，則必須採區域與任務分層，不能強迫產出單一全球係數。
• 若主要社會增益來自原本不存在的新商品，而非同等產出的成本下降，則研究重點應轉向福利與新商品估值，不可執著於「省下多少人工」的狹窄分母。

14.7 不宜誤用本文的方式

本文不作特定企業估值、投資推薦、政治政策優先順序評比或 AI 產品定價認證。任何政策含義須在具體制度、當地資源及替代方案下進行。研究者也不應為了高估 AI 的便利性而低估人類付出的審查、創意判斷與責任；亦不應因高額設備成本而否定可重用、可共享算力可能產生的真實效率。

15．系列收束結論

AICAP 從一個直觀而尖銳的矛盾出發：個人幾乎以訂閱費就能取得過去難以負擔的智能協作，但提供這種能力的整個工業體系，可能同時需要巨額的先進晶片、電力、資料中心、模型研發與複雜供應鏈。這不是一個以「AI 真的便宜」或「AI 其實很貴」便能作答的二選一題目。

AICAP-01 先解決價格與有效成果分母；AICAP-02 區分低價租用和高額持有門檻；AICAP-03 追問誰付款、誰融資及成本落在哪一個時點；AICAP-04 將人機協作的驗證、返工及責任納入可接受成果；AICAP-05 把使用權與模型／算力控制權、退出選擇權分開；AICAP-06 進入能源、晶片、水與總量反彈的物理世界；最後，AICAP-07 將各本帳放進同一個反事實與時間—地理框架，讓研究可以真正回答「AI 到底省了哪一種投入，又由誰獲得節省」。

在本研究內，一個經驗上可支持的「AI 節省」結論至少須回答：

1. **誰：**使用者、供應商、員工、社區、公共部門，還是所有主體的指定集合？
2. **省什麼：**現金、工時、計算、電力、材料、服務中斷風險，還是特定物理資源？
3. **省多少：**相同品質與可驗收功能下的絕對量、單位量、比例或機會成本？
4. **和什麼比：**哪個合理、原本會發生的替代行動？
5. **何時何地：**決策期、攤分期、跨期；哪個地區、哪條供應鏈與哪個電網？
6. **誰承擔變化：**付款轉移、供應鏈資本風險、勞動轉型、地方外部性與控制權如何分配？
7. **能否被推翻：**若出現相反的品質、成本、用量或福利資料，原結論應如何被降級或修正？

只說「AI 比人工便宜」不是充分的經濟學結論；只說「AI 背後有超算，所以不可能真正便宜」也不是。精確的說法必須保留雙方均可能成立的條件：個體可以透過共享智能資本獲得真正低成本的成果，而全經濟體系的資源投入、分配與控制權也可能沿著不同方向變化。

最終，本系列提出一項應遵守的研究判準：**任何以 AI 造成的價格、成本或資源變化作出的廣義社會結論，都必須附帶可比成果、帳本邊界、去重方法、反事實、時間範圍與不確定性。**不具備這些條件時，最合理的研究結果就是標示目前仍不可識別，而不是在「昂貴」與「廉價」之間選擇口號。

便宜，是價格從哪個位置被看見；節省，是另一條本可能發生的世界線沒有耗用什麼。兩者的距離，才是 AI 經濟真正需要核算的帳。

參考文獻與可稽核公開來源

**資料查核日期：**2026-11-03。以下以公開學術文獻、研究機構及官方標準為主要依據。引文只支持其明確研究對象與測量範圍，不被用來宣稱某未公開模型的實際推理毛利、某地區未量測的電費或本系列各項假說已獲全域驗證。

• [E01] U.S. Bureau of Economic Analysis (BEA). “What is gross output by industry and how does it differ from gross domestic product (or value added) by industry?” (2018-02-12). https://www.bea.gov/help/faq/1197 。界定產業總產出、中間投入與附加價值，供跨生產鏈去重參考。
• [E02] Stanford Institute for Human-Centered Artificial Intelligence (2026). 2026 AI Index Report — Economy. https://hai.stanford.edu/ai-index/2026-ai-index-report/economy 。投資、採用、營收與工作生產力之經濟證據；其中投資額不可直接視為特定 API 的單次成本。
• [E03] International Energy Agency (IEA) (2026). Key Questions on Energy and AI, 16 April 2026. https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary 。2025 年約 485 TWh、2030 年約 950 TWh 為全球所有資料中心用電中央情境；不可誤寫為全部 AI 推理用電，也非已發生的 2030 年結果。
• [E04] 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 。受控專業寫作任務中的時間與品質效果；不外推至所有工作。
• [E05] Brynjolfsson, E., Li, D., & Raymond, L. (2025). “Generative AI at Work.” The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044 。在 5,172 名客服工作者資料中觀察到平均約 15% 的問題解決效率增益，存在能力異質性。
• [E06] Becker, J., Rush, N., Barnes, E., & Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR, July 2025. https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/ 。特定成熟開源專案、16 位資深開發者及 246 項任務之估計，不是 2026 年普遍工具效果。
• [E07] Becker, J., Rush, N., Cunningham, T., Rein, D., & Mahamud, K. (2026). “We are Changing our Developer Productivity Experiment Design.” METR, 24 February 2026. https://metr.org/blog/2026-02-24-uplift-update/ 。說明新版測量的參與者選擇、任務偏誤及多代理計時困難。
• [E08] Greenhouse Gas Protocol. Standards & Guidance: Corporate Standard; Corporate Value Chain (Scope 3) Standard; Product Standard. https://ghgprotocol.org/standards-guidance 。企業、價值鏈及產品排放盤查框架；跨組織加總需控制重複計算。
• [E09] Autio, C., Schwartz, R., Dunietz, J., Jain, S., Stanley, M., Tabassi, E., Hall, P., & Roberts, K. (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, NIST AI 600-1. https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence 。生成式 AI 風險與治理框架；不提供本篇的具體社會成本參數。
• [E10] Stanford HAI (2025). AI Index Report 2025 — Research and Development. https://hai.stanford.edu/ai-index/2025-ai-index-report/research-and-development 。固定能力基準下的模型服務價格歷史變化；不將報價當作供應商經濟成本。
• [E11] Organisation for Economic Co-operation and Development (OECD) (2026). Artificial Intelligence Markets: Recent Developments and Competition Issues. https://www.oecd.org/en/publications/artificial-intelligence-markets_d531d73f-en.html 。AI 市場、競爭、產業結構；不構成某企業違法或具有絕對市場力量之直接證明。
• [E12] Farrell, J., & Klemperer, P. (2007). “Coordination and Lock-In: Competition with Switching Costs and Network Effects.” Handbook of Industrial Organization, Vol. 3, pp. 1967–2072. https://doi.org/10.1016/S1573-448X(06)03031-7 。轉換成本及路徑依賴之經典理論；原研究並非針對現代 AI 模型服務。
• [E13] Greenhouse Gas Protocol. Scope 2 Guidance. https://ghgprotocol.org/scope-2-guidance 。購買電力、蒸氣、熱與冷卻的排放核算與契約工具揭露；不可直接替代新增電力需求的因果邊際排放估計。

內部前置研究與系列原稿接口

以下為研究系譜與概念來源，不是取代外部實證的權威。所有引用均指向該系列既有原稿，不表示本篇獲得某雲端倉庫的寫入權限或實際完成跨研究資料聯接。

• [I00] AICAP_00_AI成本表象悖論_系列研究總綱_v0.1_2026-11-03.md：研究總命題、五層成本及不預設結論之原則。
• [I01] AICAP_01_價格不是成本_AI訂閱推理計價與有效成果的分母_v0.1_2026-11-03.md：成交價、接受率、模型費與分母。
• [I02] AICAP_02_智能租賃與超算資本_高固定成本邊際成本與持有門檻_v0.1_2026-11-03.md：算力資本、租賃及持有。
• [I03] AICAP_03_誰替廉價智能付費_成本轉移攤銷補貼與跨期融資_v0.1_2026-11-03.md：補貼、融資、折舊與成本歸屬。
• [I04] AICAP_04_從工時到有效成果_人機協作的完整成本與品質邊界_v0.1_2026-11-03.md：任務品質、人工驗證、返工與可接受成果。
• [I05] AICAP_05_智能能力取得的不對稱_平台依賴算力所有權與退出選擇權_v0.1_2026-11-03.md：智能使用權、退出選擇權及平台依賴。
• [I06] AICAP_06_電力晶片與反彈需求_AI資源代謝與效率總量分離_v0.1_2026-11-03.md：能源、晶片、水、排放及反彈。
• [I07] CLATE-07〈智能時間價格與算力錨定工資〉：任務等價、智能生產成本與工資比較；本篇不重寫其工資模型。
• [I08] HACTS-02〈額度重置與時間支配〉：訂閱額度、沉沒成本及人類可支配時間的區分。
• [I09] ANIE-02〈季度單機產品制：AI 工業化、算力額度與品質交付率〉：候選、整合、品質驗證及交付之層級。
• [I10] FFRPG01 2026-11-03 設計補充：百年生命與一次性角色扮演、狀態耦合式對話與動態事件、跨系統組合式內容架構。僅作應用思維實驗，不將尚未提供的實機效能、成本或銷售統計冒充證據。

附錄 A．研究結論檢查表（可直接複製到驗收紀錄）

• 指定比較對象、真正的替代工作流及其可行性。
• 指定任務／產品與功能單位、品質門檻、失敗／未完成之判定。
• 指定經濟主體、地理、時間窗、模型版本與服務條款。
• 將交易付款與供應商收入標示為同筆轉移，避免跨帳雙計。
• 將購置 CAPEX、折舊／資本服務、借款與殘值分帳。
• 記錄人工核心工時、驗證、返工與風險，避免欄位重疊。
• 對未完成或拒絕參與實驗之樣本提出處理方法。
• 確認是否存在新增產出，避免把「原本不能做」硬算成節約比例。
• 確認被替代活動是否真的停止，並追蹤新增需求及反彈。
• 分別報告用電、水、排放、硬體及區域時段，不強制單一物理分數。
• 對多供應商與自有部署採同等能力、延遲及風險比較。
• 供應商成本未知時明確標示 unavailable，不以零替代。
• 公開選擇權重、機會成本、外部性估值與折現率。
• 報告效果量、區間、反方向結果及無法識別的事項。
• 最終結論符合 RCC 資料級別，沒有跨層跳躍。

附錄 B．系列完成與原始來源聲明

1. 本文為 AICAP-07 獨立的完整理論研究原稿，並完成 AICAP-00～07 的研究論述閉環；不等於本系列全部假說已有實證支持。
2. 本文所有假設案例均已明確標註，不冒充 2026 年的市場實際成本、財務數字、電力測量或商業產品績效。
3. 本文的形式化命題均由明確假設推出；尚未取得企業內部資料及外部實證之參數，不強行代入。
4. 正式原始碼為本 UTF-8 Markdown 檔案；聊天畫面僅作閱讀與交付介面。
5. 本文數學原始碼統一採 $...$ 與 $$...$$ 作唯一 canonical LaTeX 定界符；不使用 Unicode 轉換公式作為來源，也不對公式進行任何轉義 round-trip。
6. 本文未擅自更動過去 AICAP-00～06 原稿、Google Drive、GitHub、公開網站或任何軟體實作。
7. 出版或提交前應保留原稿版本、來源核對日、內容完整性檢查與檔案雜湊，並在實證更新時另立後續版本，而不是回頭偷偷改寫歷史研究結論。

系列研究結語：

省下的，不是帳單上消失的數字；而是在可比的世界裡，確實不再需要被犧牲的時間、資本與資源。