title: AIBT-06｜數位企業不可替代性危機：當產品變成平台附加功能
english_title: The Substitutability Crisis of Digital Firms: When Standalone Products Become Platform Features
series: AI 泡沫、產業重整與文明適應論
series_code: AIBT
document_id: EML-AIBT-2026-06
series_position: Core Paper 06 / 12
version: v0.1
date: 2026-10-31
concept_by: Neo.K
research_collaboration: GPT-6
institution: EveMissLab／一言諾科技有限公司
status: 完整概念研究原稿／可否證市場機制與觀測設計；未經同行評審
source_format: UTF-8 Markdown; LF; no BOM
canonical_math_delimiters: inline single-dollar; display double-dollar
evidence_cutoff: 2026-10-31 (Asia/Taipei)
parent_document: AIBT_00_研究總綱_AI泡沫產業重整與文明適應論_v0.1_2026-10-31.md
previous_paper: AIBT-05｜自研模型的經濟合理性：API、契約與供應風險的替代機制
next_paper: AIBT-07｜Agent 生產革命與最小有效企業規模的重估

AIBT-06｜數位企業不可替代性危機：當產品變成平台附加功能

Q: 15. 2027–2028 年情境矩陣：競爭會如何改變產品與企業？

| 情境 | 所需條件 | 可觀察結果 | 反向可能 | |---|---|---|---| | A：通用功能商品化 | 平台內建質量足夠，買方轉換成本低 | 單點 SaaS 留存及售價承壓；服務商轉型 | 專用產品提高品質，保存溢價 | | B：專業服務深化 | 大量買方需合規、授權與長期維護 | 專業整合／垂直產品收入增加 | 客戶自身 Agent 也完成同等工作 | | C：平台與模型互補 | 平台整合多模型，專業商授權能力 | 混合收益、上下游角色重整 | 平台取得大部分利潤，模型商被壓價 | | D：開放模型促進進入 | 權重可取得且合法部署成本下降 | 更多個人工作室、微型產品、價格競爭 | 供給擁擠、買方關注度及收入下降 | | E：資本緊縮加速出清 | 融資成本上升、現金回收不足 | 部分獨立公司退出或被收購 | 核心供應商仍因負債或價格戰受損 | | F：需求擴張抵銷替代 | 成本下降開啟新買方與新任務 | 多種供應商與平台同時增長 | 使用量增加但獨立供應商利潤仍下降 |

The Substitutability Crisis of Digital Firms: When Standalone Products Become Platform Features

研究系列：《AI 泡沫、產業重整與文明適應論》（AIBT）第二部・第六篇
命題提出： Neo.K
研究協作／整稿： GPT-6
機構： EveMissLab／一言諾科技有限公司
版本日期： 2026 年 10 月 31 日／v0.1
證據截點： 2026 年 10 月 31 日，臺灣時間；2027–2028 年均為前瞻假說
性質： 產業組織、平台經濟、AI 產品競爭、數位企業策略與實證研究設計；不是個別股票、公司估值或產品採購建議。

作者： Neo.K
日期： 2026-10-31
版本： v0.1

摘要

本篇研究 AI 時代的數位企業「不可替代性危機」：當一項原本可以支撐整家新創公司、獨立訂閱產品或專業服務的功能，被大型模型、通用工作平台、作業系統、既有設計軟體及開放權重模型迅速提供時，客戶可能不再需要獨立購買原服務。這不是「功能沒有價值」，而是「功能產生的價值與特定企業能保留的議價權逐漸脫鉤」。平台的既有帳戶、流量、支付與工具鏈，又可能放大此現象；但專業工作流、可信交付、權利保障、品牌、社群、客戶關係和長期維護，仍可能令獨立企業持續獲利，甚至在競爭中擴張。

本文將產品技術能力、買方任務替代性、渠道可及性、轉換成本、契約責任、可取得經濟價值及企業存續分為不同觀察層次。以 2026 年圖像生成生態為主要案例，對照 OpenAI、Google、Meta、Adobe、Midjourney 和開放權重模型的能力進展與市場定位。特別指出：Midjourney 創辦人於 2026 年表示公司仍然盈利、營收高於 2023 年水準；同時第三方估算網站流量下滑。此類相反訊號不能單獨證明其衰退或勝利，反而證明「被競爭」和「已被淘汰」必須分開。

在經濟理論上，本文連接平台包絡式進入（platform envelopment）、多產品捆綁、品質調整後價格競爭、顧客轉移與需求彈性，提出兩個相互牽制的機制：平台可把獨立產品商品化，獨立企業也能藉開放模型與多模型供應形成新型工作流和專業護城河。最終要檢驗的是：相同功能已可由別處取得之後，使用者願意持續為何種不可替代的成果、信用、權利及關係付費？

核心結論（待檢驗）： 通用 AI 功能的擴散可能削弱部分數位企業的獨立訂閱議價能力，但不保證企業倒閉、平台必然勝出，或最終市場只剩固定數目的公司。產品可替代性、企業可替代性與資本投資回報是不同對象。

關鍵詞： AI 產品商品化；平台包絡；功能內建；數位企業；不可替代性；Midjourney；生成式圖像；模型多歸屬；切換成本；產業出清；訂閱留存；商業護城河；競爭可爭奪性。

Abstract

This paper investigates the substitutability crisis of standalone digital firms as generative AI capabilities migrate into general-purpose models, incumbent software suites, distribution platforms, and open-weight ecosystems. A function can retain genuine user value while the standalone vendor loses bargaining power or pricing headroom. We distinguish task-level functional substitution from workflow reliability, customer acquisition, contractual assurance, revenue capture, and firm survival. The image-generation ecosystem through October 31, 2026 provides a bounded case: Google, OpenAI, Meta, and Adobe distribute generation and editing through existing user journeys, while Midjourney continues product development and reports profitability. Such evidence is consistent with competitive pressure, not proof of inevitable exit. A buyer-level generalized-cost model, a firm-level contribution-margin model, falsifiable propositions, and prospective 2027–2028 scenarios are proposed. Platform bundling is not assumed to eliminate specialist differentiation; the same AI infrastructure that threatens generic applications can also empower specialist entrants. The results bridge AIBT-04 and AIBT-05 to the organizational-scale question in AIBT-07.

0. 研究定位與證據紀律

0.1 與 AIBT-04、AIBT-05 的差異

AIBT-04 研究資金、採購與模型核心供應商的集中，並區分「核心席位」與投資者真正取得的報酬。AIBT-05 研究企業應否自研 AI、部署本地模型，抑或採企業 API 加客製化契約的替代方案。本篇不重算上述市場份額或法律部署總成本，而將視角轉到下游數位產品供應商：即使它不訓練前沿模型、不擁有資料中心，仍可能面對既有能力被平台內建的商業危機。

本篇研究的現象包括：原本需要獨立訂閱的圖片生成、一般型程式輔助、簡易網站生成、文字處理與多步驟 Agent 功能，逐漸進入通用聊天介面、辦公平台、設計工具和既有工作入口。部分供應商因此失去差異化，部分則重新定位為完整工作流、深度編輯、專業驗證、授權資產與長期維運。

0.2 五種證據標記

OBS：具有來源、日期、範圍的可查證現象；平台官方功能說明屬於「官方已公布功能」，不是獨立市場成效審計。
DEF：為研究設置的操作定義；不得冒充已建立的產業標準。
HYP：可證偽的機制或方向性預測。
SCN：明示假設的思維實驗、未來情境或演算案例。
NOR：關於競爭、使用者權利、制度選擇的規範性立場，不等於實證發現。

本篇不主張：

Google、OpenAI、Meta 或 Adobe 已經淘汰 Midjourney，或 Midjourney 已停止獲利。
某公司網頁訪問量下降等於付費使用者數、營收、獲利或活躍創作者同幅下降。
只有少數固定數目的 AI 公司能存活；核心模型市場集中不等於下游應用全數集中。
所有「AI 專用產品」都是提示詞包裝、沒有專利、資料權利或長期價值。
開放權重等於開源軟體許可、免費商用、免運算成本或具法定所有權保證。
通用平台的產品功能涵蓋即代表可完成所有專業交付、維護或合規任務。
產品功能競爭加劇必然使消費者福利下降；實際上它也可能降價及改善可及性。
供應商產品能力好，股東或創投就一定能取得正報酬。
2027–2028 年必然發生中小 AI 公司全面倒閉或傳統數位公司集體消失。
對於公司競爭力可僅以一項模型榜單成績、生成圖像或單次產品示範判定。
大型平台加入市場必然造成違法獨占；法律判定須分析相關市場、行為及具體法域。
AI 工作流程導入後，所有企業組織功能都可以立即被個人或 Agent 完整取代；此問題交由 AIBT-07 研究。

1. 一個功能原本是一家公司，何時變成別人的按鈕？

1.1 需求的客觀存在與供應商的必要性不同

假設使用者想要「生成一張可供商業企劃使用的形象圖片」。2023 年他可能要另行訂閱專門的圖像生成服務、熟悉提示詞格式、調整風格並下載。到了 2026 年，他可能已經在主要聊天平台、廣告系統、設計平台、雲端辦公入口或本地生成環境完成大部分相同任務。[S03][S04][S05][S06][S07]

圖片需求沒有消失，但「完成該圖片是否必須進入某個特定網站、付一筆額外訂閱費」發生了變化。從生產者角度看，競爭問題至少包含三個階段：

能力可取得：別的服務可以生成一張圖片。
成果可接受：別的服務生成的圖片可用於同一個客戶任務，品質、授權與修改次數亦可接受。
委託可替代：使用者願意真的移轉採購、取消原訂閱或不再購買原服務。

只有第三階段才會直接變成被替代企業的付費需求流失。即使前兩階段成立，資料遷移、品牌信任、創作偏好、可編輯檔案、授權、工作流程與學習成本，仍可能讓使用者留下。

1.2 六種非同一性

項目	所分析的對象	常見錯誤推論
技術替代	模型是否完成相似功能	功能相似，所以企業應倒閉
交付替代	品質、延遲、修改及合規是否達標	一次示範成功就等於常態可交付
行為替代	客戶是否真的換用其他服務	有免費方案，所以所有人立刻移轉
收入替代	原公司收入與留存是否受影響	網站流量降就等於營收降
組織替代	後續維護、責任、品牌及客戶關係可否取代	模型能生成，所以企業全部功能已消失
投資替代	原公司估值與資本報酬是否下降	公司仍獲利所以早期估值一定合理

「技術能做」是產品競爭的前提，卻不是公司命運的充分條件。

2. 既有理論：平台包絡、多產品捆綁與網路效應

Eisenmann、Parker 與 Van Alstyne 在 2011 年提出平台包絡（platform envelopment），研究既有平台透過共享使用者關係、互補功能和捆綁進入鄰近市場，從而降低目標平台原有的使用者取得優勢。[S01]

AI 應用市場提供了此類機制的新表現：

原有大型平台持有大量使用者登入、支付帳戶、日常工作上下文或分發入口；
平台在既有訂閱或工作流程內加入生成、編輯、搜尋、編程或 Agent 功能；
買方的新增操作、採購、登入、學習及內部審批成本可能更低；
專用供應商須證明自己的特殊品質、可編輯能力、品牌、協議或支援，足以抵銷新增採購摩擦。

這是一種有條件的競爭優勢，而不是平台必然成功的定律。平台可能功能深度不足、政策限制較多、資產權利不適合、企業客戶不願被單一生態鎖定，或專用產品具備強烈品牌與創作社群。

2.1 「預設入口」是一種隱含分銷補貼

對於已經使用某平台的買方，內建功能的額外取得成本可能接近零；但「買方的邊際訂閱支出很低」不代表服務供應商的新增推理成本、算力耗用及維運成本為零。平台可能將成本交叉補貼至原訂閱、廣告、雲端或其他服務。

結果是獨立供應商面對的不只是品質競爭，還包括不同收費、分銷與成本分攤結構的競爭。

2.2 專用平台同樣能藉網路效應生存

如果專用產品沉澱了高品質創作社群、範本、可分享資產、專用資料、工作鏈及協同關係，使用者轉移就可能失去原有價值。因此，平台包絡對大型平台和專用平台均有邊界。是否形成真正護城河，必須觀察客戶留存、持續付費、替換後的損失與專業交付品質。

3. AI 市場結構：不同層級的「不可替代性」不能混用

層級	典型供應品	主要競爭方式	不可替代性候選來源
L1 晶片／雲端	GPU、資料中心、雲服務	資本、能源、供應、利用率	物理供應與設備生態
L2 模型能力	文本、圖片、語音、影片、程式模型	質量、推理速度、成本、可靠性	模型研究、訓練與優化能力
L3 一般 AI 入口	聊天、搜尋、辦公、開發助手	使用者入口、帳戶、付費和分發	工作脈絡、分發與產品組合
L4 專門 AI 工具	生圖、字幕、簡易編程、文件生成	專用體驗、風格、效率、價格	精細交互、可編輯品質、社群
L5 專業工作流	設計交付、法務支援、財務整合、產業系統	系統整合、治理、責任、專業資料	客戶流程、授權、證據、維運
L6 內容與權利資產	IP、世界觀、圖庫、遊戲內容、資料庫	原創性、合法性、持續維護、社群	權利、品牌、世界觀與關係
L7 成果委託市場	專家、人機工作室、外包	可信交付、驗收、售後和價格	客戶信任、回購與責任承擔

同一家公司可能橫跨多層。大型平台不必同時擁有最佳底層模型，亦能因整合取得買方；小型公司不必自建最大模型，也可能在專業結果與責任保障上形成價值。AIBT-05 已說明自研能力與企業自主性並非等號，本篇沿用此區分。

OECD 2026 年的 AI 市場報告指出，硬體、雲端、資料、基礎模型和下游應用的市場結構及競爭風險不同；即使上游集中，也存在專業供應商在模型和應用領域動態競爭。[S02]

4. 買方替代決策：不是「一張圖」，而是整個可交付結果

4.1 概念性的買方廣義成本

對買方 $b$ 在任務 $j$ 選用供應商 $i$ ，設廣義成本為：

G_{bji} = P_{bji} +T_{bji} +K_{bji} +R_{bji} +M_{bji}.

$P_{bji}$ ：直接價格與訂閱、API、雲服務等可歸屬支出。
$T_{bji}$ ：完成交付所耗費的人類時間之機會成本。
$K_{bji}$ ：工具學習、資料遷移、與既有工作流整合的切換成本。
$R_{bji}$ ：由品質不確定、資料安全、智慧財產、合規或事故導致的期望風險成本。
$M_{bji}$ ：後續維護、返工、保固、需求變更的期望成本。

全部分量應在指定買方及任務的可比貨幣口徑下量測，若無法合理估值，需將未貨幣化限制獨立報告，不能強行歸零。式子是分析帳本，不是對消費者偏好的已估計結構模型。

同時設可交付門檻：

Q_{bji}\geq Q_{bj}^{min},

其中 $Q$ 不是單一圖像美觀分數，而是功能、可修改性、授權、延遲、可重現性、客戶接受度等必要品質的條件集合之約束。只有達到門檻的方案，才進入廣義成本比較。

4.2 候選替代率：必須以實際採購行為核驗

定義同一批買方與任務、觀察窗口內，原供應商 $i$ 被其他可接受方案替換的完成交易比率：

S_{i\rightarrow k}(t,j) = \frac{N_{i\rightarrow k}(t,j)}{N_{i}^{eligible}(t,j)}.

此處分母是原本有機會採購 $i$ 且完成比較的合格買方任務數，分子是實際由競品 $k$ 完成交付的案例。必須公開選樣、退出與無交易觀察的處理方式；此量不等於全部市場占有率，也不等於因果替代率。

影響替代的可能因素包括：價格、免費額度、平台預設、可上傳素材、版權限制、內容政策、風格、歷史資產可攜、顧客服務，以及每次修正是否需要重新生成。

4.3 「NSFW」等政策差異不是普遍護城河

不同服務可能對成人內容、爭議題材、政治圖像或特定風格採取不同規則，形成部分顧客偏好與細分需求。但政策範圍可能因司法管轄區、供應商條款、平台通路與執行方式而變動；依賴競品暫時不提供某類內容的差異化，不等於可長期維持定價權。本研究不評價或提供特定敏感類別之產生方式。

5. 賣方財務模型：功能需求不減，獨立公司的利潤仍可能消失

對按月訂閱的簡化產品，設：

\Pi_t = N_t(P_t-C_t) -F_t.

其中 $N_t$ 為當期實際付費使用者數； $P_t$ 為每用戶平均收到的月費； $C_t$ 為每用戶的可變服務成本（包括模型與支付、按量支援等）； $F_t$ 為其他全部固定與期間成本。這是簡化貢獻利益模型，不是符合特定 GAAP／IFRS 的會計損益；企業應另計折舊、資本化、稅負、應收帳款、現金流及行銷預付費。

5.1 完全虛構的訂閱競爭壓力測試

SCN，所有數字僅為示意，非任何實際生圖公司的營運數據：

指標	基準情境	平台內建功能後的情境
付費用戶 $N$	10,000 人	6,500 人
每月均價 $P$	USD 20	USD 17
每用戶月變動成本 $C$	USD 5	USD 5
月固定與期間成本 $F$	USD 80,000	USD 80,000
月營收 $NP$	USD 200,000	USD 110,500
貢獻利益 $N(P-C)$	USD 150,000	USD 78,000
簡化月損益 $\Pi$	+USD 70,000	−USD 2,000

這是以付費用戶減少 35%、均價降低 15% 且固定成本不及調整為條件。示例說明：即使市場對圖片的總需求不減，某獨立公司的經濟性仍可能因顧客流失和降價而迅速惡化。它沒有證明平台內建功能一定會造成相同幅度變化。若企業靠精細工作流程反而提高 ARPU、降低單位成本或取得更多客戶，結果也可逆轉。

5.2 估值問題不能只看毛利率

若市場以未來數年付費用戶、價格和高增長毛利率估值，而實際可取得的市場份額下降、吸客成本上升或需要長期支援，折現後的企業價值可能先於會計虧損發生調整。反過來，企業即使當期尚未盈利，若其客戶契約與現金回收前景改善，也不能直接判定其經濟性失敗。此處連接 AIBT-01 的資本回收與 AIBT-04 的估值—市場勝出分離。

5.3 單位模型的分解清單

平均客單價與實際收款：促銷價、退款、企業採購價格與年度折扣須分開。
有效變動成本：推理 token、圖片／影片生成 GPU 時間、儲存、網路、退款、人工返工。
獲客成本與回收期：不能把社群總流量直接當作新增付費客戶。
留存與回購：區分自然流失、價格不滿、因其他平台內建而離開，以及產品故障。
渠道依賴：商店上架、搜尋排序、平台抽成、預設入口改變的影響。
上游依賴：模型漲價、API 政策、服務中斷、排隊容量與授權風險。
長期護城河：不是一次功能榜單，而是調整後仍願意付費的客戶數與客戶價值。

6. 2026 年核心案例：圖像生成市場的功能擴散

圖像生成市場適合做「同一需求，多種平台入口」的研究，不適合做「一個公司已被宣判死亡」的故事。以下日期和功能均採 2026-10-31 前可核對的官方或報導資料。

企業／供應側	截至 2026-10-31 可核對事件	分發結構與可能機制	資料界線
OpenAI	2026-09-08 發布 ChatGPT Images 2.5 與相應 API 模型／工具。[S03]	圖片生成與編輯已可在既有聊天和開發入口內完成	發布消息不是與所有專業生圖產品的完整品質比賽
Google	2026-02-26 推出 Nano Banana 2，導入 Gemini App、Google Search 及 AI Studio／Gemini API 等途徑。[S04]	憑搜尋、開發、廣告等不同入口接近顧客	各入口供應範圍、地區、費率仍可能不同
Meta	2026-07-07 公布 Muse Image 在 Meta AI、Instagram、WhatsApp 等整合，並描述未來廣告流程用途。[S05]	消費者創作、社群分享與廣告入口耦合	部分功能為階段式／區域性推出，不能假定全球全部可用
Adobe	官方 2026-10-23 文件記載，在 Firefly、Photoshop、Illustrator 等產品中提供多個合作夥伴模型，包括 Google 與 OpenAI 的圖像模型。[S06]	把多模型選擇和可編輯專業流程集中到既有創作軟體	模型可選範圍、授權與適用條件可能依產品及地區而異
Midjourney	2026-07-24 將 V8.2 設為預設，強調美學、個人化與新編輯模型；另提供影片功能。[S07][S08]	仍以專用創作體驗、風格與社群提供差異化	型號升級只證明仍在產品競賽，不保證市場占比或盈利增長
開放權重生態	Black Forest Labs 提供 FLUX 系列不同可部署權重；許可區分商用與非商用等條件。[S09]	使個人和專業團隊取得自行部署、整合及改造的選擇	開放權重不等於所有版本同一授權；自行部署也有設備與維運成本

這張表顯示三種不同替代途徑：通用服務內建、既有專業軟體嵌入多模型，與開放權重讓使用者自組工作流程。三者不需相同商業模式，就可能對單一功能訂閱構成競爭。

6.1 Midjourney：不能把個案流量下降當作公司死亡

OBS [S10]：《The Information》2026-03-29 報導，Midjourney 創辦人 David Holz 表示，公司在 2023 年的收入已「顯著超過」2 億美元，之後仍有增長，並表示公司盈利。報導同時引述 Similarweb：其網站在過去六個月的流量下降約 26%。

這組資料是公司負責人對營收／盈餘的敘述，加上第三方網站流量估算，不是經獨立查核的完整財務報表或精確付費留存資料。尤其網站訪問量不是消費者多平台使用、企業合約、付款訂閱或平均客單價的同義量。

因此合理判讀有三點：

Midjourney 面對更強的外部競爭，專用產品不再獨占一般使用者的圖像生成選擇；
其美學個人化、編輯、品牌及社群仍可能維持付費需求，且有創辦人自述盈利的反向證據；
若要證明「平台內建直接造成 Midjourney 失去可持續商業性」，還必須取得更完整的同期付費用戶、獲客成本、留存、單位利潤及可比較競品採用資料。

本篇刻意不宣告個別公司即將退出。 當功能被普及，一家公司可能降價、差異化、轉型、開發新產品、與平台合作，或保留細分市場；財務結果可能彼此差異極大。

6.2 Open weights 的影響不只有低價

開放權重模型可以讓第三方取得獨立部署、調整管線、資料地區控制、工作流重組等能力。但不同版本授權允許事項不同；而且品質一致性、模型安全、權利風險、推理延遲與硬體維護仍需要實際支付。因此「開放權重把原本生圖公司的市場全部免費抹去」不是可以直接成立的判斷。真正需要追蹤的是，開放模型達成同一交付標準時，對買方帶來的可驗證全成本下降。

7. 第二案例：數位應用與 Agent，從展示型工具走向整合型工作入口

圖像市場較容易看到直接的「同類輸出」。軟體開發與 Agent 則更容易被混淆：生成一個可以操作的介面、原型或程式碼，不等於能提供符合客戶約定的長期商業服務。

7.1 Figma／既有工作入口的競爭移動

Figma 2026-10-15 公布將設計、可執行程式碼、內容資料和 Agent 連入其工作流程；其 Figma Make 官方文件亦描述以提示詞創建、測試及分享互動應用的能力。[S11][S12]

這顯示產品競爭已從「某公司提供 AI 生成頁面」逐漸推向「在原有產品環境中，從需求、設計、生成、協作到發布可以少跳幾個工具」。但 Figma Make 的介面功能不自動等於可以安全地取代所有生產後端、資安審查、長期維運與業務責任。

7.2 Agent 可能吞併單點功能，也可能創造新的整合需求

若通用 Agent 能讀取文件、寫程式、操作工具、比對資料、完成客服或製作簡報，若干單一小功能 SaaS 的獨立收費空間可能下降。相反地，當企業把 Agent 連接到權限、交易、客戶資料、排程、審計、特定行業法規和人員責任時，新型整合工具可能獲得相當高的工作流價值。

OBS [S13]： Upwork 2026 年的年度需求報告指出，其平台上 AI Integration 類技能需求年增 178%、AI image generation/editing 相關工作增長 95%；這是平台內特定分類的同比變化，不代表全球 AI 專用工具營收相同幅度增加。這是對「AI 平台內建＝所有專業工作立刻消失」的反向線索。

7.3 真正的交付責任仍可能留在專業組織

以 AI 客服為例，平台可以生成自然語言回覆；但企業部署可能還需要合約 SLA、語音電話接入、企業權限與稽核、事故通知、資料保留、跨系統更動與可供監管核對的操作紀錄。這些功能需要被完整執行，而不是只在產品宣傳中出現。

AIBT-05 的制度接口： 企業 API 與供應商契約能降低重複建設，但不能替代受委託組織的驗收責任；因此專用整合商仍可能靠承諾、可信交付和長期支援獲利，而不是靠「比通用模型多一個聊天視窗」。

8. 第三案例：平台與專業公司之間也有合作，而不是只存在吞噬

Adobe 2026 年已在 Firefly 與部分 Creative Cloud 產品提供來自不同供應商的圖像、影片能力。[S06] 這本身就是「既有軟體平台提供工作流、模型公司提供生成能力、買方購買整套完成工作的體驗」的一個混合結構。

由此至少可以推導四種可研究的分工結果：

單點專用服務被替代： 客戶改用原有訂閱內建工具，原服務失去收入。
專用服務存活： 客戶依賴創作者風格、資產權利、私有流程與高階交互，繼續支付溢價。
模型商轉為上游供應： 原本面向消費者的模型能力，透過 API、企業授權或平台合作取得收入。
專業整合商擴張： 不必自研模型，依靠模型路由、版權、交付與治理建立長期契約。

所以產品變成平台內建功能，不等於產業中的所有價值都消失；價值與租金可能在模型商、平台、整合商、終端客戶與創作者之間重新分配。

9. 真正可能構成企業護城河的層次

不是所有差異化都具有長期性。若競爭者下週增加相同按鈕，原公司還是否具有明顯優勢，才是值得投資者與客戶共同考察的問題。

候選護城河	可能持久的條件	可能失效的條件	觀測指標
專業流程深度	可降低整體人工返工、審批與誤差	通用平台完成同等端到端工作流	單案總時間、缺陷率、返工率
已授權內容／IP	權利可核驗且客戶真正需要	內容通用化或權利不清	授權續約、糾紛、客戶轉換成本
客戶資料與脈絡	具合法持續使用權、可追溯、能改善服務	顧客能輕易搬移至另一平台	經權限控制的客戶淨留存
品牌與社群	有真實偏好、信任及創作者關係	僅為暫時流量，沒有轉付費	直接流量、回購、社群留存
長期維運	穩定維護、事故回應與保固	平台直接提供可接受的同等 SLA	合約續約、事故時效、維修成本
法規與責任保障	經得起稽核、保險、契約執行	只是行銷宣稱而無可執行義務	合約條款、稽核結果、責任事件
整合／多模型路由	跨供應商品質和價格持續改善	買方能在自有平台輕易重建	跨模型任務成功率及全成本
在地服務	地點、語言、行業與時差形成真優勢	通用模型結合在地工具已足夠	當地續約、部署時間與服務品質
互補生態	內容、工具、服務與社群彼此提升價值	平台封閉、第三方無法取得合理條款	外部開發者收入、可攜資產
內容政策差異	合法細分市場存在持續願付價格	政策修改、合規或支付限制	細分市場淨收入與政策風險

這些都是候選條件，不是宣稱特定企業已具備。反過來，昂貴的內部專用模型訓練、龐大的員工人數或有名的投資者，也不自動構成護城河。

9.1 「不可替代」不是永久絕對屬性

同一企業的必要性可能依任務、時間、法域、買方身份及替代方案而改變。它不應被貼上永不替代的標籤，而應使用指定窗口與比較集合的相對優勢來研究。例如在 2026 年的廣告素材，某平台內建服務可能已完全夠用；在長篇角色一致性與授權資產的連續商業製作，另一個專用工具可能仍占優。這需要以買方真實工作流而非研究者個人審美決定。

9.2 技術價值、個體價值與企業投資價值分離

即使某專業工作流真正節省大量成本，若使用者可自由轉向相似供應商，企業可收取的價格仍可能因競爭而下降；即使一家公司享有明顯市場份額，若估值已提前支付過高，也不保證股東投資有高報酬。因此：

V_{user}\neq R_{vendor}\neq ROI_{investor}.

三者的單位、衡量基準與時間區間不同，符號僅用於提示不可互換，不表示它們能直接算術比較。

10. 消費者自己也有 AI：買方「內部化」是新的競爭方向

討論企業使用 AI 時，常假定買方仍會向數位供應商訂閱。但如果消費者或企業買方自己已有通用 AI，就可能直接把部分外購工作內部化。

這使下游數位服務面臨三方競爭：

\mathcal A_j = \{\text{Standalone},\text{Bundled},\text{BuyerBuild}\}.

為避免使用難以跨研究比較的單一「最強」指標，本研究要求在任務 $j$ 同時觀察：

獨立供應商的完整交付費用與品質；
平台內建方案的額外價格、人工時間、整合與限制；
買方自行調用模型或 Agent 時的管理、驗收、返工與合規成本。

注意：買方內部化也可能只是把原本外包費用變成內部人員使用 AI 的成本，並不意味勞動或安全責任完全消失。它仍可能縮小獨立產品可銷售的市場。

11. 反向力量：為什麼「平台吞噬所有小公司」不是必然結局

11.1 已有付費服務的替代性上升，但多家競爭仍存在

OBS [S14]： 2026 年 10 月 NBER 工作論文使用大規模支付交易資料研究美國付費生成式 AI 服務。其摘要報告：截至 2026 年 4 月，約 2.9% 美國消費者付費訂閱至少一家主要生成式 AI 服務；在所分析供應商中，年度顧客留存約 20%–45%，且主要 AI 服務之間存在顯著價格敏感性與可替代性。

這是針對其樣本涵蓋的美國消費者付費服務所做研究，不能將 20%–45% 當作 Midjourney、Adobe、所有企業 AI 服務或全球全部 SaaS 的留存率。其重要意義是：對許多買方而言，選擇「AI 類服務」可能比選擇「某一家固定供應商」更強，讓個別供應商難以永久掌握價格控制力。

OBS [S02]： OECD 2026 年亦指出，模型品質調整後價格從 2024 年至 2026 年出現大幅下降，而模型能力領先者仍在變動。這是「上游資本密集且可能集中」與「某些模型市場仍可競爭」同時成立的直接證據。

11.2 相同 AI 能力可能反過來降低新公司進入門檻

大型平台可以用 AI 吸收單點產品；新創也可以用多模型 API、開放模型及生成工具，廉價建立新專業服務。AI 既可能加強分銷平台集中，也可能降低專業公司的產品研發成本。最終結果取決於哪種效果較大、買方是否重視權利與服務、能否跨平台移轉，以及市場需求是否足夠。

11.3 需求會變，不能固定視為一張餅

原本不會聘請設計師的消費者，因低價生成工具可能第一次進行商品包裝或企劃設計；從未購買過 SaaS 的小商家，也可能因一人加 AI 開始採用數位系統。這些是可能的需求擴張，而不只是原有收入重新分配。只是新需求究竟流向獨立供應商、平台、顧客自己還是專業工作室，需要實際量測。

12. 從公司存續角度提出三種「替代風險」

DEF： 以下是待實證驗證的研究分類，不是市場監理機關的正式標準。

R1｜功能重複風險

只提供通用平台已經能做的單點功能，且缺少可靠度、價格、特化、權利或流程優勢。風險表現為比較採購後顧客轉向通用平台。

R2｜渠道抽取風險

即使專業能力不差，但搜索、預設入口、支付或 App Store 分發被大型平台強化，獨立產品被迫支付更高的獲客成本。功能品質並不必下降，公司的毛利與現金回收卻可能變差。

R3｜價值擷取失衡風險

公司確實創造顧客價值，但更便宜的競品、客戶自行使用模型、售後責任與高昂獲客成本，讓可保留的利潤很小。這不是「服務沒有用」，而是「有效經濟租金很難取得」。

對應的保護力量分別是：可驗證的任務效果差異、跨渠道可達性與自有客戶關係、以及能維持長期現金流的契約／交付能力。

13. 可否證研究假說

以下假說需在研究前註明任務、區域、公司大小、供應商類型、時間窗及統計識別方法；不能拿一項產業新聞當作驗證。

編號	假說（HYP）	最低觀察設計	可能推翻或弱化的結果
H01	通用平台將某功能內建後，低差異化專用產品的付費轉換及留存承受較大壓力	相同品類、相似用戶的逐月產品與平台變化面板	專用產品留存與淨營收持續優於對照且無定價壓力
H02	買方原有入口與帳戶整合，能在部分任務中降低遷移至平台內建服務的摩擦	任務層級 A/B、同品質比較、包含學習與資料遷移	買方總成本反而增加、轉移率未提升
H03	單點功能的可供應商數增加時，該類別的價格溢價可能降低	同品質標準下的跨平台價格及費率序列	價格溢價持續擴大且可歸因於可驗證差異
H04	專業工作流程、授權資產與可履約保障可降低專用產品被替代的機率	按客戶任務類型比較多期付費留存	具高可靠工作流者和純單點者遭受同幅替代
H05	平台能力整合可能降低獨立應用的直接獲客效率	控制廣告支出、搜尋變動後比較 CAC、自然流量	平台整合後獨立產品 CAC 持續下降或轉化率提高
H06	企業買方自行使用 Agent 會在部分通用任務上減少外部產品採購	買方側採購與內部 AI 使用紀錄，避免僅用供應商資料	企業外部採購維持或增加，且不是因其他需求成長抵銷
H07	不同開放權重模型及 API 的可替換性，可能降低個別模型鎖定風險	含授權、品質、延遲、部署成本之同任務切換實驗	更換模型造成不可接受品質或合規損失，淨成本不降
H08	新創具可驗證的垂直域、客戶資料權與 SLA 時，可在平台包絡後仍維持獲利	企業級合約續約與貢獻利益觀察	合約續約未維持，運維責任超出可收費額度
H09	一般生圖功能平台化可提高消費者使用量，但未必提高獨立服務商的可獲利市場	同期消費者使用、支付、替代及平台補貼研究	獨立服務商毛利和訂閱同幅顯著增長
H10	專業設計、軟體與 Agent 市場會同時出現功能內建與新整合需求	跨產業功能推出與專業服務採購的雙面板	新整合需求未成形，或完全不伴隨功能內建
H11	公司估值修正未必與產品當期品質下降同步發生	多期價值／現金流／品質面板，控制總體市場	估值變化全部可由品質指標解釋，無回收期限效應
H12	商品化最先衝擊的未必是最小企業，而是「無法證明差異化」的企業	控制企業規模及產品類型後的競爭生存分析	對照後僅公司規模解釋退出，差異化無額外效應

假說設計原則： 即使主要假說未通過，也不應改寫為「AI 沒有取代作用」。它可能意味替代發生在別的任務、經由新增需求抵銷、或平台功能品質尚未達標。相反地，即使觀察到某公司倒閉，也需要區分財務錯誤、治理、景氣和替代競爭各自的因果比例。

14. 建議實證方案：同品質替代盲測＋顧客選擇＋財務追蹤

14.1 任務層盲測

選取三類買方任務：一般消費圖像、具商業品牌／權利條件的圖像、持續迭代的多資產創作；必要時加入應用原型與 Agent 服務。讓使用者在實際工作中比較獨立產品、平台內建、開放模型方案及買方自行使用 AI；事先固定成果評估、相同時間、修改次數、價格與人工協助量。

每項任務至少記錄：成功率、品質盲評、錯誤／版權處理、生成成本、人工時間、返工次數、下載／導入難度、使用者實際選擇、數週後再次選擇。

14.2 平台功能推出的事件研究

以功能正式可用日期為事件點，比較相近品類、相近市場而受功能影響程度不同的產品。採差異中之差異或事件研究時，必須檢驗事件前趨勢、地區分階段推出、價格同時變動、其他模型發表與行銷活動的混淆。單一平台宣布新功能，不能當作自然隨機實驗。

14.3 訂閱與企業合約面板

在尊重隱私與授權下追蹤付費帳號、付費率、續約、退費、客單價、單位推理成本、獲客成本、再行銷、企業 SLA、合約保固與實際現金流。將公司官網造訪、App 排名、Discord 活動與付費訂閱另行列欄，不以其中任何一項作全部財務的代用量。

14.4 交叉領域對照

對照圖像生成、音訊字幕、一般文件生成、企業客服及軟體開發；比較是否在較多可驗證、可稽核、可外包責任的場景，獨立供應商更有存續優勢。若所有類別都出現相同快速集中，將支持更強的普遍商品化命題；若差異很大，需依工作流分類修正。

14.5 資料字典（最小）

欄位	說明	注意
`task_class`	交付任務與品質閘道	不用「生圖」二字概括全產業
`provider_type`	獨立、捆綁、開放模型、買方自行完成	多歸屬需記錄
`effective_cost`	交易價格＋人工＋切換＋風險＋維護	可能有未貨幣化限制
`acceptance_rate`	客戶在預先標準下的合格率	不等於模型自評分數
`paid_retention`	有效付費用戶留存	與網站造訪不同
`contribution_margin`	收款減對應可變成本	與公司自由現金流不同
`distribution_channel`	搜尋、社群、通用平台、企業採購	防止渠道變化的混淆
`switch_reason`	顧客自主填寫的可選理由	可能有回想偏差
`contract_assurance`	授權、SLA、事故及保障	不把宣傳等同可執行契約
`firm_outcome`	存續、轉型、收購、清算、獲利	不以企業規模預先分類成敗

15. 2027–2028 年情境矩陣：競爭會如何改變產品與企業？

情境	所需條件	可觀察結果	反向可能
A：通用功能商品化	平台內建質量足夠，買方轉換成本低	單點 SaaS 留存及售價承壓；服務商轉型	專用產品提高品質，保存溢價
B：專業服務深化	大量買方需合規、授權與長期維護	專業整合／垂直產品收入增加	客戶自身 Agent 也完成同等工作
C：平台與模型互補	平台整合多模型，專業商授權能力	混合收益、上下游角色重整	平台取得大部分利潤，模型商被壓價
D：開放模型促進進入	權重可取得且合法部署成本下降	更多個人工作室、微型產品、價格競爭	供給擁擠、買方關注度及收入下降
E：資本緊縮加速出清	融資成本上升、現金回收不足	部分獨立公司退出或被收購	核心供應商仍因負債或價格戰受損
F：需求擴張抵銷替代	成本下降開啟新買方與新任務	多種供應商與平台同時增長	使用量增加但獨立供應商利潤仍下降

以上不是以概率排序，也不互斥。不同國家、任務及產業可同時出現多種情境；單一公司的市場事件不足以判定世界走向。

16. 何時該重新檢驗「不可替代性」？

研究者不應將公司價值鎖定在某一個歷史截面。對同一數位產品，應依固定窗口定期重測以下問題：

客戶實際買的是什麼結果，而非公司現在宣傳什麼模型？
同一結果能否由既有通用平台及開放模型取得？全成本是多少？
客戶為什麼還要另外付費？能否從真實取消訂閱／續約行為佐證？
企業自己的 Agent 是否降低了總交付成本，還是只增加固定服務範圍與維護責任？
是否有可執行的授權、保固、資料治理及長期客戶信任？
平台整合功能時，原客戶流失是暫時注意力分散，還是持續且具有明確因果的採購轉移？
若模型能力在六個月後再提升，原公司的差異化能否被保留或重新建立？
公司存續、客戶受益、創作者收入、投資回報究竟哪個在改善？

「不可替代性」不是永久免於競爭的承諾，而是客戶在可觀察替代集合中，對一個可持續交付者的持續選擇理由。

17. 與 AIBT-07／08／09／10 的直接接口

AIBT-06 到此確立：原先由獨立軟體、生成工具或專用服務完成的工作，可能逐漸被平台與 Agent 內建；企業即使引入相同 AI，亦不保證仍有較強的利潤取得權。

後續篇章各自研究不同層次：

AIBT-07： 當一人加 AI 能完成相當於過去團隊的數位生產任務，企業的最低有效組織規模是否下降？哪些責任與協調功能仍具有規模優勢？
AIBT-08： 企業生產力提升時，增產、減工時、裁員、加薪、降價和新任務如何交叉影響勞動報酬？
AIBT-09： 數位產品供給增加時，消費者注意力、實質購買力、有效需求與企業現金流能否吸收？
AIBT-10： 被傳統數位企業釋放的人才是否能透過 AI 微型契約工作室重新取得外部訂單？

如此分工可避免用一篇文章同時宣稱「平台化必然失業」、「供給必然超過需求」或「政府必須採取某一單一分配制度」。這些均為後續需要各自驗證的研究問題。

18. 結論：功能越普及，不代表特定供應商的收入越穩定

本文在不預設任何企業必然破產的前提下，提出一項可反駁的數位產業機制：當基礎 AI 能力成為通用平台、專業軟體、開放權重與買方自有 Agent 的共通能力，原本依靠某項功能獨立收費的公司，可能面臨更高的產品可替代性、獲客成本與價格壓力；但專業交付、品牌社群、授權權利、契約責任及與客戶工作流的持續整合，仍能為部分企業建立經濟必要性。這一機制不因一家公司變得更強而必然消失，也不因一家公司的流量下降就能宣稱成立。

更精確地說：

AI 功能的大規模普及，可能同時提高使用者福利與降低單一功能企業可擷取的經濟租金。

市場真正需要的不一定是更多家能做同一功能的公司，而是能持續證明自己對客戶的某種完整結果、授權、信任與關係不可輕易替代的經濟組織。

這不代表只有大公司能獲利。當核心模型、API 與開放權重降低進入門檻，新的中小企業、專業工作室或個人 Agent，也可能以相同技術取得原本只有大公司可承擔的工作。這個產品功能商品化與企業組織重估的交叉，就是下一篇 AIBT-07 的研究入口。

參考資料與可追溯來源

下列來源截點為 2026 年 10 月 31 日。政府、研究機構與平台官方資料各有用途；官方產品頁能核實「功能已宣布／可用」，但不能單憑其宣傳核實銷售成效。付費報導及第三方估算須保留資訊來源與限制。先前 AIBT 系列的概念模型列於內部前置來源，不與外部實證混用。

已核對之公開來源

[S01] Eisenmann, T., Parker, G., & Van Alstyne, M. (2011). Platform envelopment. Strategic Management Journal, 32(12), 1270–1285. DOI: https://doi.org/10.1002/smj.935

[S02] OECD (2026). Artificial intelligence markets: competition along the AI value chain, full report. https://www.oecd.org/en/publications/artificial-intelligence-markets_d531d73f-en/full-report.html

[S03] OpenAI (2026-09-08). ChatGPT release notes: Images 2.5 and API changelog. https://help.openai.com/en/articles/6825453-chatgpt-release-notes ; https://developers.openai.com/api/docs/changelog

[S04] Google DeepMind / Google (2026-02-26). Nano Banana 2: Combining Pro capabilities with lightning-fast speed and Build with Nano Banana 2. https://blog.google/innovation-and-ai/technology/ai/nano-banana-2/ ; https://blog.google/innovation-and-ai/technology/developers-tools/build-with-nano-banana-2/

[S05] Meta (2026-07-07; updated 2026-07-29). Introducing Muse Image: Image Generation Built for Your World. https://about.fb.com/news/2026/07/introducing-muse-image-meta-ai/

[S06] Adobe Help (updated 2026-10-23). Partner models in Adobe products. https://helpx.adobe.com/creative-cloud/apps/generative-ai/non-adobe-models-in-adobe-products.html

[S07] Midjourney (2026-07-24 update). Version documentation: V8.2 as default. https://docs.midjourney.com/hc/en-us/articles/32199405667853-Version

[S08] Midjourney (current product documentation, accessed by 2026-10-31). Video. https://docs.midjourney.com/hc/en-us/articles/37460773864589-Video

[S09] Black Forest Labs (2026, available before cutoff). FLUX.2 models and open-weight licenses. https://bfl.ai/models/flux-2 ; https://github.com/black-forest-labs/flux/blob/main/docs/text-to-image.md

[S10] Brown, A. (2026-03-29). Midjourney Revenue Now ‘Significantly’ Above $200 Million. The Information. https://www.theinformation.com/briefings/midjourney-revenue-now-significantly-200-million

[S11] Figma / Field, D. (2026-10-15). Build by design: New workflows for new ways of building. https://www.figma.com/blog/build-by-design/

[S12] Figma Help Center (available by 2026-10-31). Explore Figma Make. https://help.figma.com/hc/en-us/articles/31304412302231-Explore-Figma-Make

[S13] Upwork (2026-02-04). Upwork’s In-Demand Skills 2026. https://www.upwork.com/press/releases/upworks-in-demand-skills-2026-demand-for-top-ai-skills-more-than-doubles-as-ai-is-embedded-into-everyday-work

[S14] Egan, M. L., Russel, D., Shi, C., & Yao, V. (2026-10). Competition in Generative AI: Evidence from Consumer Demand. NBER Working Paper 35953. DOI: https://doi.org/10.3386/w35953 ; https://www.nber.org/papers/w35953

前置與內部研究（非外部實證）

AIBT_00_研究總綱_AI泡沫產業重整與文明適應論_v0.1_2026-10-31.md
AIBT_01_AI泡沫不是技術終結_估值現金流與投資回收期限_v0.1_2026-10-31.md
AIBT_02_算力資本密度_能源約束與參數量悖論_v0.1_2026-10-31.md
AIBT_03_地緣政治不是無限資本支票_國家競賽與企業利潤的分歧_v0.1_2026-10-31.md
AIBT_04_核心模型席位_平台集中與投資組合博弈_v0.1_2026-10-31.md
AIBT_05_自研模型的經濟合理性_API契約與供應風險的替代機制_v0.1_2026-10-31.md
2026-10-31_AI_投資集中與功能可替代性_研究備忘錄.md
2026-10-31_AI核心供應商集中_華為與產業出清.md

稿件狀態： v0.1 完整概念研究原稿；理論與思維實驗可獨立閱讀，2027–2028 年之時間性命題仍待實證。此檔是本篇正式 UTF-8 canonical source；聊天呈現、PDF 或其他格式不取代此原始稿。