title

AIBT-07｜Agent 生產革命與最小有效企業規模的重估

english_title

The Agentic Production Revolution and the Reassessment of Minimum Efficient Firm Scale: Human–AI Teams, Coordination, Quality, and Organizational Survival

series

AI 泡沫、產業重整與文明適應論

series_code

AIBT

document_id

EML-AIBT-2026-07

series_position

Core Paper 07 / 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／可否證經濟模型與比較實驗設計；未經同行評審

source_format

UTF-8 Markdown; LF; no BOM

math_delimiters

single-dollar inline; double-dollar display

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-06｜數位企業不可替代性危機：當產品變成平台附加功能

next_paper

AIBT-08｜替代與增強的交叉作用：生產力紅利如何分配

AIBT-07｜Agent 生產革命與最小有效企業規模的重估

The Agentic Production Revolution and the Reassessment of Minimum Efficient Firm Scale

研究系列：《AI 泡沫、產業重整與文明適應論》（AIBT）第三部・第七篇
理論命題： Neo.K
研究協作整理： GPT-6
研究機構： EveMissLab／一言諾科技有限公司
版本： v0.1，2026 年 10 月 31 日
資料截點： 2026 年 10 月 31 日（臺灣時間）。後續年度相關敘述均屬情境與候選假說。
學術性質： 技術經濟學、組織經濟學、軟體與遊戲產業、Agent 系統、勞動與市場競爭；不構成投資、法律、勞動或企業管理之個案建議。

作者： Neo.K
日期： 2026-10-31

摘要

大型語言模型與可使用工具、長期任務記憶、程式碼執行、影像／影音分析、持續驗證機制的 AI Agent，可能逐步降低完成數位產品所需的人類團隊規模。若少數人加上代理系統，有能力交付過去需要數十人、甚至數百人合作的部分軟體、圖像、遊戲或企業應用，傳統企業依靠大規模雇用與內部專業分工取得的部分優勢，將遭遇重新定價。然而，「可以做出相似產品」並不等於「以相同品質、期限、成本、安全與維護責任持續交付」，更不等於「使用者願意購買」或「採用 AI 的既有企業必定增利」。

本文提出Agent 條件式企業規模重估假說（Agent-Conditioned Reassessment of Minimum Efficient Firm Scale，AC-MEFS）：AI 可減少某些任務的執行人力需求與內部協調成本，並降低市場進入門檻；但它也引入代理推理費、監督與測試費、跨代理協調、資訊安全、長期一致性、重工、責任追溯與市場獲客成本。因而最小可交付人數、最小合法承責組織、平均成本最低的有效規模，以及可持續盈利的商業規模，可能各自變動，不能統稱為「企業變小」。

研究以「少數人與 Agent 能否近乎完整交付 Unreal Engine 等級商業遊戲」作為明示尚未實現的一般性思維實驗，結合 Coase 企業邊界理論、2026 年 GameDevBench、SWE-Milestone、METR 任務時長研究、軟體開發實地隨機試驗、單人創業樣本，以及企業 AI 採用調查，提出端到端的同品質、同預算、同時間與同責任比較框架。2026 年可得證據支持部分 AI 輔助工作效率改善及創業門檻降低，同時也發現長期維護、跨模態一致性、安全與高品質產品的團隊優勢尚未消失；尚不能證明現有 Agent 已普遍取代數十或數百人的完整商業企業。

本文的中心結論是：AI 可能降低進入生產市場所需的最低組織成本，卻不保證等比例降低可靠交付、承擔責任、取得需求或形成可持續淨收益的成本。企業的必要性可能由大量人工製作轉移至權責整合、信譽、知識產權、長期維護、通路與資本調度。 這一轉變是 AIBT-06「數位產品可替代性」到 AIBT-08「生產力紅利分配」的中介機制，亦為 AIBT-10 人機微型契約工作室的產業經濟前提。

關鍵詞： AI Agent；最小有效企業規模；最低有效生產規模；Coase；企業邊界；一人工作室；人機微型組織；產品商品化；長期軟體維護；遊戲開發；組織協調；履約責任；市場進入；2027–2028 年情境。

Abstract

AI agents that can generate code, manipulate multimodal assets, run tools, and iterate on verification may reduce the human headcount required to produce some digital goods previously developed inside much larger organizations. However, a smaller production team does not automatically imply a smaller accountable organization, lower risk-adjusted lifetime cost, superior product quality, or commercially sustainable demand. This paper develops the Agent-Conditioned Reassessment of Minimum Efficient Firm Scale (AC-MEFS) as a falsifiable economic framework separating technical delivery thresholds, legal accountability, minimum average-cost scale, and market viability. Using a hypothetical commercial game-production project, it decomposes human labor, inference, orchestration, verification, defect liability, live operations, and market access. Contemporary evidence from game-development, long-horizon software, and developer productivity benchmarks highlights both rapid capability gains and remaining limits in sustained delivery. We offer matched-scope experiments, illustrative financial cases, competing hypotheses, 2027–2028 scenarios, and explicit falsification criteria. The framework does not assert that fully autonomous production of major commercial games was achieved in 2026 or that all organizations must shrink.

0. 系列位置、研究缺口與證據紀律

0.1 與 AIBT-01 至 06 的承接

• AIBT-01： 模型能力進步、公司估值、現金流與資本回收並非同一條時間線。
• AIBT-02： 總參數、活躍參數與實際執行成本不同；架構改善與不斷擴張算力並非同一選項。
• AIBT-03： 國家戰略與企業利潤、供應鏈價格及資源約束不能互相代替。
• AIBT-04： 核心供應商可能集中，資本組合押注可能集中，但「贏家」不保證投資者獲利。
• AIBT-05： 可用外部 API 與企業契約取得專業能力，不代表所有企業必須建設並訓練自有模型。
• AIBT-06： 過去可售的獨立數位產品，可能被平台納為基本功能；產品功能存在不保證特定企業不可替代。

AIBT-07 的專屬問題： 當個人或微型團隊也能使用那些已商品化的模型、平台與工具，是否會進一步改變「完成商業數位產品原本需要一家多大的公司」？若傳統企業同樣導入 AI，能否保持其相對競爭優勢？

本篇主要研究供給側的組織機制與交付成本；工資、失業、工時和生產力紅利的分配效果留待 AIBT-08；有效需求與購買力留待 AIBT-09；家庭與開放委託平台的具體市場制度留待 AIBT-10。

0.2 與既有 AICET、EWDT、SAS 系列的界線

AICET-06 已研究個人與家庭如何使用多個代理維持角色、記憶、權限及預算。本文不重新定義家庭代理經濟，而是問企業理論中的規模、內部協調、品質與責任，何時因 Agent 而改變。EWDT-21 的社會閉合提醒企業成功不等於生活改善；SAS-01 的系統性 AI 奇點則要求能源、算力、硬體、製造等實體支撐能力形成跨週期正向再生閉環。能自動開發遊戲，不足以宣告真 AI 奇點。

0.3 五種證據標記

0.4 十三項非主張

1. 本篇不主張 2026 年已有 Agent 能穩定、低成本、獨立開發完整 AAA 遊戲。
2. 不主張 benchmark 上的單任務成功率就是完整產品發行成功率。
3. 不主張多人團隊可以被「同數量的 AI 帳號」線性取代。
4. 不主張所有產業、所有遊戲或所有公司都將縮編。
5. 不主張單人公司普遍能獲利，或 AI 創業成功率必然提高。
6. 不主張人力減少必定降低成本，亦不主張更多人必定提高品質。
7. 不主張組織技術功能與法定公司、僱傭身分、AI 法律人格等價。
8. 不主張企業取得更強 AI 後仍能自動保留原有客戶與定價權。
9. 不主張市場份額增加等於投資回報增加。
10. 不主張傳統企業的品牌、授權、責任、客服、資本或通路完全沒有價值。
11. 不主張工作任務減少必然等比例消滅職位，或產出增加必然創造相同新需求。
12. 不主張成本下降必然導致 AI 朋克危機、全面失業或文明損失。
13. 不主張本論文已完成代表性的跨產業、長期因果辨識。

1. 理論背景：企業為什麼不是一個可以隨意縮小的人數？

1.1 從 Coase 的交易成本到 Agent 調度

Coase 在 1937 年《The Nature of the Firm》中，將使用市場價格機制的搜尋、議價、締約與協調費用，與企業內部組織交易的成本相比較。企業並非因有足夠多人聚在一起就自然必要，而是因為某些協調安排在組織內進行比反覆通過市場更合算。[R01]

Agent 同時可能作用於兩個方向：

• 降低企業內部資訊整理、任務分解、程式編排、跨部門溝通及報告成本；
• 降低企業外部搜尋、委託、比較、原型交付、版本驗收及跨工作室協作成本。

因此 AI 既可能讓企業內部更容易擴張，也可能讓微型工作室更容易透過市場合作。究竟哪一種組織形式有利，取決於兩邊成本下降的相對幅度，不是技術決定論。

1.2 「一家企業的人數」不是完整的經濟單位

要把人員規模重新估價，至少區分：

一位創辦人與十個 Agent，可能是一個高度有效率的技術生產單位；但若他還需要獨立繪圖師、資安驗收、平台通路、稅務服務與客服，其組織邊界就不是「一個人加十個帳號」可以描述的。

1.3 生產與交易成本之間的再配置

令 $o$ 表示一種組織方式，例如大型雇員企業、三人微型工作室、一人 Agent 工作室，或臨時跨家庭合作團隊。若每一類組織都承擔同等品質、責任與維運義務，則其相對競爭力須由可比較總成本與交付可靠性共同衡量，而不只是直接工資。

一個需要多技能協作的產品，可能使採用 Agent 的企業在日常執行成本上節省最多；但當 Agent 互相衝突、審計成本很高或客戶要求強保固時，單純靠一人組織也可能不是最有效率形式。

2. 正式區分四種「最小規模」

2.1 技術可交付最小人數

DEF｜ $N_{tech}$： 在指定模型、資料、工具、設備、開發期與交付定義下，使產品通過預先規定驗收條件所需的最小人類投入。這包括正式聘用及可歸因的外部人工時；不能僅用名義員工數表示。

這個量可以下降，但不得直接推出「已經具有商業競爭力」。

2.2 最小可承責組織

DEF｜ $N_{resp}$： 能夠有效承擔對外交付、保密、售後、資料處理、退費、稅務、履約與違約救濟責任所需的人類或法律組織安排。這不是固定的最低法定雇員數；各產業與法域可能允許一人事業、正式公司、專業資格持有人、保險、外部契約或合作社等不同形式。

有技術能力的 Agent，不自動具備現行法律所承認的獨立雇員、董事、受託人或契約當事人身分。

2.3 經濟上最小平均成本規模

DEF｜ $N_{eff}$： 在指定交付品質、產量、責任期間和風險標準下，使「合格交付件數加權的平均生命週期成本」最小之組織配置。這個配置同時涉及人數、Agent 數、算力、外包、契約與安全設計。

將組織 $o$ 於觀察期間的風險調整後總成本暫定為：

其中：

• $W_o$：人類主責／員工／外包的實際直接勞動成本（同一費用不可再列入其他項）；
• $A_o$：Agent、API、模型、軟體訂閱及推理費；
• $K_o$：設備、雲基礎設施、儲存、網路與相應折舊；
• $O_o$：跨人與跨代理編排、衝突協調、狀態維護與工作流程管理；
• $V_o$：獨立品質驗證、資安、測試與法遵審查費；
• $G_o$：返工、修正、缺陷處置、升級與長期維護成本；
• $L_o$：依一致原則估算、未被其他項包含的期望事故、責任及履約損失；
• $D_o$：取得客戶、發行、通路、促銷、客戶成功及客服支出；
• $F_o$：固定行政、治理、融資及組織維持成本。

若同期間合格驗收、已完成責任義務的有效交付數為 $Q_o^{valid}$，則：

比較不同組織時必須固定品質、期間、後續維運及風險口徑；若存在重大品質差異，應先分層或用事先約定的品質調整方法，不能偷偷視為等值。$N_{eff}$ 並不必然是最少人數，甚至不必然隨 Agent 能力提升而單調下降。

2.4 商業可存續最小規模

DEF｜ $N_{market}$： 在可觀察需求、成交價格、獲客支出與融資條件下，組織能在指定期間維持付款、現金流與履約責任所需的最小可行配置。

技術可以讓兩人完成產品，但若買方不存在，這仍不是可持續的商業單位。商業可存續也可能需要更大的行銷、客服或法務組織，而非更大的研發部門。

2.5 四種規模不構成固定大小順序

不能機械寫出 $N_{tech}<N_{resp}<N_{eff}<N_{market}$。有些產品可以由同一位自然人依法承攬並履約；有些受監管服務必須有指定專業責任；也有部分服務在極小用量下由微工作室最有效率，當使用量升高後需要專業營運團隊。它們是不同定義與約束下的統計對象，不是四級階梯。

3. 核心機制：AI 如何同時降低與增加組織成本？

3.1 降低成本的六個通道

1. 人力執行壓縮： 程式樣板、測試、資產處理、UI、在地化、文件等工作部分由 Agent 完成。
2. 搜尋與分工壓縮： 將自然語言需求映射到可調用函式、工具、專用模型與多代理流程。
3. 學習與切換壓縮： 少數跨域工作者取得原本需聘用專家的初步能力，縮短原型製作時間。
4. 自動驗證與回饋： 對明確可測的程式、介面與場景規格加速迭代。
5. 外部採購成本降低： 微型工作室使用 API、租用工具或按案採購技能，不必在初期重複持有全部設施。
6. 部分組織固定費縮減： 若工作量短期且波動大，小團隊可避免冗長、常設的管理與專案間閒置成本。

3.2 增加成本的七個通道

1. 代理錯誤與返工： AI 生產速度快，卻可能快速製造更多需要檢查的中間成果。
2. 長程一致性： 多次修改需求後，記憶、程式、素材、介面與文件可能互相矛盾。
3. 人類驗證瓶頸： 若代理生成產出遠快於少數人能審核的速度，實際交付量受人類注意力限制。
4. 工具與上下文成本： 推理、影像處理、外部記憶、檔案存取、路由與待機費用累積。
5. 供應商依賴： 模型更新、API 改價、平台政策、資料限制與中斷可能影響整體交付。
6. 責任與法律成本： 智慧財產、素材授權、隱私保護、個資事故、軟體保固不能由「AI 幫忙做」抵消。
7. 市場獲客與信任成本： 低成本競爭者大量出現時，出色產品可能更難被看到、被採購及持續付費。

3.3 不是把 AI 當人數倍增器

「一位人類等於 100 個 AI 員工」既缺少一致產出單位，也可能重複計算同一個人的編排、審核與操作。有效比較應問：在同樣品質、同樣期限、同樣責任條件下，可以少用多少人類時數、多少總資本、多少返工時間，且保持多少成功率？

對固定組織，可定義候選的已驗收工作吞吐率：

$H_o^{human}$ 包括開發、監督、改錯、驗收、溝通和售後的人類總時數；不得排除無酬創辦人時間。這是人類時數效率，不是營運利潤，也不包含模型服務對能源與設備的完整外部性。

4. 2026 年的公開證據：進展與限制必須同時看

4.1 遊戲開發基準：多模態任務仍有未解難題

OBS [R02][R03]： GameDevBench 在 Godot 引擎建立 333 項由教學素材導出的遊戲開發任務，涉及 2D、3D、UI、動畫與玩法邏輯。ICML 2026 正式論文當時報告的最佳配置通過率為 53.8%。研究團隊後續在截至 2026 年 10 月的官方排行榜公布更高的最佳成績：70.6%，以 333 題的單次任務通過率計算，且配置包含不同 Agent 框架及視覺回饋。這兩個數字代表不同評估時點／配置，不得互相混寫成一個已通用的模型能力。

最重要的限制：這是 Godot 單項任務，不是從空白需求到 Unreal Engine 等級大型產品的端到端發行，亦沒有完整衡量多年維護、玩家體驗、智慧財產風險、商業化與售後。

4.2 長期任務：一個個成功不代表整體持續成功

OBS [R04]： ICML 2026 的 SWE-Milestone 讓 Agent 處理連續且互相依賴的軟體工程里程碑。研究報告其受測代理在孤立任務條件下可超過 80% 的表現，而在連續里程碑設定中最高約 38%。這不是跨所有模型或所有產業的成功率，而是顯示技術債、狀態延續與錯誤累積會改變測試問題本身。

OBS [R05]： METR 2026 年 9 月更新的 Task-Completion Time Horizons，定義的是「人類專家通常需要某段時間的任務，Agent 能以特定機率成功完成」的估計門檻，而非 AI 可以連續工作幾小時；任務多數為具明確驗收的軟體、機器學習與資安問題，其超過約 16 小時的量測存在可靠性限制。不能直接拿任務時長趨勢預言某年必能完成大型商業遊戲。

4.3 AI 的生產力效果受任務與組織而異

OBS [R06]： Cui、Demirer 等人於 2026 年《Management Science》刊出的三項企業隨機試驗，整合 4,867 名軟體開發者的研究樣本，估計使用 AI 程式碼輔助者完成任務量增加約 26.08%，但不同實驗效果不完全一致。該研究衡量的不是公司可以縮減相同比例人力，更不是以 Agent 全自動交付大型產品。

OBS [R07]： METR 在 2025 年針對 16 位熟悉既有開源程式庫的開發者與 246 項任務進行隨機試驗，反而觀察到當時的 AI 輔助使完成時間增加約 19%。研究條件為特定早期模型、特定高經驗者與熟悉程式庫，不可作為 2026 年所有 AI 工具必然減速的結論。OBS [R10]： METR 於 2026 年 2 月說明，後續一輪新的開發者試驗因參與者不願在不使用 AI 的條件下工作、薪酬選擇差異與多代理計時問題而存在明顯選擇偏差；其早期資料暗示 AI 可能已加速開發者，但不適合可靠估計整體增益幅度。這些研究合看，才能避免把任何單一增益率當成普遍縮編係數。

4.4 單人創業有增長，優秀商業成果仍可能偏向團隊

OBS [R08]： 2026 年《Academy of Management Proceedings》一篇論文摘要稱，研究者以逾 33 萬項 Product Hunt 新產品發布作為樣本，觀察到生成式 AI 發布後個人創業進入增加，尤其 AI 導向的新創；但在平台高排名成果中，團隊型創業仍具有優勢。這是會議論文摘要提供的樣本與結果，平台排名不是長期營收、產品品質或獲利的通用指標，也不宜由事件研究直接宣稱已證明所有產業的因果效果。

4.5 大型企業導入 AI 的組織效果也未必立即變成利潤

OBS [R09]： McKinsey 於 2026 年 8 月公布的企業問卷中，80% 受訪者認為 AI 改善個人生產力，但只有 37% 回報 AI 對企業 EBIT 有正面貢獻；32% 表示企業曾因可用 Agent 自建功能而放棄購買一項或多項軟體產品／功能；約 20% 指出 AI 的營運費用限制使用。這是回報性調查，不能當成全球企業的財務審計結果或嚴格因果估計；但支持「個人能力增長、企業替代決策、實際財務成果三者可能不同步」的研究必要性。

4.6 證據分級總表

5. Unreal Engine 商業級遊戲思維實驗：把「做到」拆成不同門檻

5.1 基準情境的限定

SCN： 設計一款以 Unreal Engine 製作、具有可持續更新能力的完整商業遊戲，涉及：核心玩法、關卡、3D 美術、角色動畫、音訊、UI、故事、效能最佳化、平台測試、行為測試、智慧財產授權、宣傳素材、發行流程、跨版本相容與售後維運。

研究的核心不是宣稱 Agent 已經完成這個目標，而是問：如果 Agent 在未來能高可靠地覆蓋多數生產步驟，傳統企業的哪一項功能真的可被替代，又有哪些會重新成為瓶頸？

5.2 六種不同的成功

1. Demo 成功： 視覺與基本玩法可展示，但沒有完整規格與穩定營運。
2. 首版交付成功： 核心功能通過預先定義的測試並能封裝發行。
3. 品質一致成功： 美術、玩法、劇情、技術與設計意圖在完整作品中保持一致。
4. 商業規格成功： 效能、授權、分級、平台規範、資安、客服與基本保固可供真實客戶使用。
5. 持續維護成功： 發行後跨數月處理補丁、退款、玩家回報、外掛相容、需求變更。
6. 投資回收成功： 全期間收入與可歸因效益足以覆蓋投入、營運成本、風險及融資要求。

少數人加 AI 可能較早跨越前兩道門檻，卻長時間未能跨越後四道；也可能在某些高規格工作上反而需要更多專業驗證。不能以展示影片替代完整商品驗收。

5.3 不可忽略的品質項目與證據

5.4 長程可靠性不是單任務通過率的線性外推

SCN： 若一個流程需 20 個彼此獨立且必須全部成功的子任務，每項一次性成功率假設為 95%，最終一次通過的機率僅是：

若每項提高至 99%，則：

這是教學性的獨立事件模型，不是任何真實 Agent 的可靠性估計。 真正開發可重試、回滾、測試與修復；錯誤也有相關性，有的任務失敗會使整個系統崩潰，有的失敗則可以局部修復。從統計原理可以看出，單一 benchmark 的 70% 成績不能代換成長期大型專案的成品機率。

5.5 Agent 應被測量為可重組的工作系統

研究樣本單位應是完整系統配置：模型版本、上下文方案、工具權限、外部記憶、測試器、評估器、影像與影片回饋、專用演算法、任務路由、人類審核窗口，以及失敗復原機制。

這使一人工作室與傳統企業的差別不在「人類有沒有用 AI」，而在它們能否把同樣的模型工具組裝成較低成本、較高可靠性、較少無效協調的工作系統。

6. 同品質生命週期成本：三種組織的示範性比較

6.1 嚴格的比較假設

下表均為人工設定的財務思維實驗，單位為新臺幣百萬元，不是臺灣遊戲產業的工資報價、營運實績或 2026 年 AI 開發成本。假定三種組織交付同一規格產品，觀察期含 12 個月交付及約定維護；品質、交付時限、最終保固與發行責任被固定。為使算例可比較，人類薪資包含雇主直接成本；外包項目不再重複計入薪資；「風險準備」只包含未在返工／驗證欄位列計的剩餘預期損失。

帳本註解： 三個配置均為創作性比較，並未對照真實企業財報。C 的外包專業 4.0 已假設包含外部品質驗收、資安和法律支援，因此品質驗收欄位為 0.0，不代表 C 不做驗證。A、B 將該類驗證另列；不同欄位分類不影響整體合計，但比較研究應進一步統一成本資料字典。此處 A 只為清楚顯示傳統人力密集場景，並非現實中「完全不用 AI」的合理比較策略；真實實驗必須另加入大型企業同樣全面採用 AI 的組別。

在上述假設下：

因此，3 人＋Agent 相較 12 人團隊的示範成本差距為 6.0 百萬元，約降低 27.5%；但一人團隊卻比三人團隊高出 2.7 百萬元。這只是顯示人數與完整商業交付成本可能呈非單調關係；不代表 3 人必然是所有產品的最佳規模。

6.2 真正的反證：讓相同企業也使用 Agent

上述 A 組若不允許使用 Agent，便不能證明新創相對於現有企業具有持續競爭優勢。至少要加入：

• A1：既有 12 人企業採用同樣 Agent，人數不變，品質與產量提高；
• A2：既有企業重組為較小團隊，保留品牌、客戶、授權與資產；
• B：新創 3 人＋Agent，缺乏既有通路，但有較低固定管理成本；
• C：新創一人＋Agent，但需依賴外包與少數人類的監督極限。

只有在可對照的 AI 與市場條件下，觀察到小型組織具持續品質調整後的成本及回報優勢，才能支持「企業最低有效規模下降」而不只是「大家一起提高效率」。

6.3 多賣產品也不等於更多利潤

同樣的三人工作室，假設可將遊戲製作時間減半，並不代表消費者願意在相同期間買兩倍遊戲。若產品定價、流量、評價和售後需求沒有同比例改善，降低製作成本可能只是被競爭、降價、平台抽成和廣告費吸收。

為避免把「數位供給」直接當作「貨幣收益」，令一個作品的期內淨現金貢獻為：

$R_o$ 為實際可歸屬現金收取， $C_o$ 為與上述口徑一致的營運與生命週期成本， $T_o$ 為另行記錄且未計入 $C_o$ 的稅項或財務調整。用戶娛樂效用可能很高，即使公司 $\Pi_o$ 為負也不矛盾；反過來，較高 $\Pi_o$ 也不自動證明文明整體效益或分配改善。

7. 為什麼企業也引入 AI，仍不一定能挽救企業？

7.1 絕對效率提升與相對優勢下降可以共存

如果原有企業的人工協調成本高於初創工作室，兩者採用同一 API 後，可能都降低直接生產費用，但初創工作室原本缺乏大型人力的劣勢減少得更多。大型企業仍需負擔品牌維護、已承諾的人力、組織調整、既有系統與法務成本。

但也可能反過來：有大規模用戶、專用資料、既有工程平台的公司，可以比初創更便宜地訓練／評估／部署 Agent，並把成本攤在大量產品上。這需要實證，不能事先指定誰勝出。

7.2 大企業不一定需要製作「超級 AAA」來保留差異化

研究者的反問是：如果少數人＋AI 已可完成過往大型團隊製作的作品，原企業繼續增加 AI，是不是只能投入更大型、昂貴、複雜的超級遊戲？

答案是不必然。企業至少可以選擇更可信的長期保固、更穩定的內容更新、內容與社群經營、原創 IP 經營、玩家跨平台體驗、地域化服務、模組化商業產品、低成本大規模分發，或以較少人維持既有品質。擴張作品複雜度只是其中一個策略，而且複雜度提高可能增加測試難度與市場風險。

7.3 新的最小有效企業規模可能出現在「驗收與信任」而非「製作」

當基本生產便宜，大型公司的優勢可能不再是「有 100 位開發者」，而是能夠保證一個產品在不同時區、數百種硬體組合、數百萬次交易或多年的變更中保持可信任。規模經濟由創作人數轉向長期驗證、合規、客戶關係、伺服器維運及風險池。

關鍵推論：企業可能從「大量生產工人的永久集合」，轉成「小型核心團隊＋AI＋外部專業網路＋長期責任主體」。 這是一種可能的組織型態，並非所有行業的唯一最適結果。

8. 將 Agent 與企業的功能替代性精確化

8.1 哪些企業功能比較容易被替代？

比較適合以明確規格、可重複驗收且授權清楚的任務進行實驗，包括部分介面生成、程式樣板、資料轉換、工具整合、遊戲事件腳本、資產製作管線、測試資料生成、在地化草稿及初版說明文件。

較難直接宣稱完全可替代者包括跨年產品策略、需獨立許可之專業服務、重大個資事件責任、玩家大規模營運、供應鏈、社群信任與多方契約履行；但這些領域同樣可以部分自動化。

8.2 企業不可替代性分解

本文提出一組候選的持續不可替代性向量：

它依序表示可依法排他控制的 IP、發行通路、信任、維護能力、合法資料優勢、承責能力、網路效應與可動用資本。每一項須以各自可觀察指標衡量，不宜直接任意相加成一個「護城河分數」。如果公司僅剩功能生成優勢，平台或開源技術可能侵蝕其競爭力；若它能在多項維度長期產生更好客戶結果，則產品功能商品化未必摧毀企業價值。

8.3 模型供應商與初創也不是完全平權

少數人的開發能力可能依賴高度集中之 API、算力供應、平台交易與發行通路。即使技術創業門檻下降，分配到模型供應商、平台與通路的剩餘可能上升。這會在 AIBT-08～10 形成重要的收入分配與市場進入後續問題。

9. 可重現的實驗設計

9.1 實驗單位與樣本

選擇不同規模、專案類型、資料權限及產品成熟度的軟體／遊戲委託：Web 應用、單機 2D 遊戲、3D 引擎專案、企業內部工具、帶有客戶資料責任的產品。禁止使用單一風格的示範頁面代表所有專案。

至少應有四種團隊構型：單人＋Agent、小型人類團隊＋Agent、成熟公司團隊＋Agent、匹配之人類團隊無 Agent 或以有限工具輔助。為避免一次性學習效應，應採多期交叉或在組別間隨機指派，並記錄參與者事前技能、模型熟悉度、已有資產與版本。

9.2 五種必須分別執行的比較口徑

9.3 無法只看成功示範

正式收集所有嘗試，包括超時、因安全被阻止、未能打包、資產授權不明、驗收不合格、使用者放棄，以及需要外部人類緊急接手的案例。只以成功上架案例作樣本會高估實際成功率，也會低估客戶等待與沉沒成本。

9.4 必需保存的證據

• 明確且時間鎖定的需求、品質門檻、測試腳本及交付物清單；
• 模型版本、Agent 工具鏈、可用權限、API 單價與流量用量；
• 所有開發、監督、審核、返工、營運和售後人類時數；
• 代碼／資產版本、測試報告、授權來源、缺陷與資安紀錄；
• 雲端與硬體帳單、折舊、外包、平台費、支付與退款；
• 每次迭代的獨立盲測、玩家體驗評估及重試數；
• 真實採購與訂單、購買者重複付費、獲客成本；
• 統計誤差、組間差異、因果反事實與資料保留合法性。

9.5 不要在 AI 測試中刻意製造不公平

• 不可讓 AI 團隊使用現成的完整資產／外部免費勞務，卻要求人類組從零製作，而不記錄相應成本；
• 不可把 AI 的 24 小時運行當成零費用、零耗電，也不可把開發者休息視為效率失敗；
• 不可把創辦人高強度連續工作當作可持續的一人企業制度；
• 不可拿單次最優輸出對照傳統企業的中位數成果；
• 不可把公司既有品牌流量與客戶取得能力免費轉移至新創組；
• 不可把所有意外問題推給第三方，從帳上抹去失敗責任。

10. 十二項可否證研究假說

這些假說不是同時成立的公理，部分可能在不同產業彼此衝突。發現明確反例時應更新模型，而不是用新定義排除反例。

11. 2027–2028 年四種條件式演化路徑

上述四種情境可能依產品、國家與時間並存；2027–2028 是觀察窗口而非已完成的經驗結果。

12. 因果辨識、資料字典與後續實作計畫

12.1 最小資料字典

12.2 核心可重現流程

1. 將產品需求及風險責任預先固定並雜湊。
2. 將受試者按技能與既有資源分層，隨機分派工作配置。
3. 提供相等的模型使用權，另以總支出分組控制資本。
4. 連續記錄所有 Agent 呼叫、人工監督、外包、設備及失敗成本。
5. 由獨立於交付團隊的測試者驗證相同功能、體驗與安全標準。
6. 對不能交付或售後失效者記錄失敗，不因退出觀察而刪除。
7. 觀察至少一段維護期，記錄成本和客戶續約／退單。
8. 分別報告技術成功率、合格平均成本、有效人類工時、商業淨收益，並給出信賴區間。
9. 提供包含不同模型更新、法域與市場環境的敏感性分析。
10. 以預先指定反證門檻測試 H01–H12，避免只保留支持案例。

12.3 特別需要的因果識別

企業縮編後利潤上升，可能來自景氣改善、品牌強度、價格提高、投資融資變動或產品組合改變，不一定全由 Agent 貢獻。反之 Agent 導入後公司虧損，也可能是舊產品需求消失而非 AI 無效。應以相同品類、類似客戶、相同期限、固定功能範圍及差異中的差異／分層實驗等方式辨識，並報告不可觀察混雜的限制。

13. 研究含義：企業與人類經濟角色是否同時改變？

13.1 個人取得能力，與個人取得收入不同

少數人可以更便宜地製作商業產品，並不保證每位失業者都能取得買家、技能、資本、法定交易資格或行銷能力。微型企業的生產自由可能增加，但市場風險與社會保障成本也可能轉移給家庭。因此本篇的組織分析不能充當 AIBT-08 的收入分配結論。

13.2 「企業會消失」與「企業的存在理由改變」不同

如果大型固定團隊的生產優勢被 Agent 壓縮，仍可能因信用、資本、資料授權、售後、法定責任或網路效應而保留必要性。企業可以縮編、轉為平台、設立合作網路、外包或透過多法人協作；並非所有產業都指向無企業化。

13.3 一個更精確的候選命題

Agent 生產革命的核心不在於給一個人多少個數位員工，而在於可負擔的智能工具如何改變整個產品交付鏈中的分工、交易成本、驗收風險與對外責任，使部分經濟活動不再需要原來的組織規模，卻仍保留對可靠性、信任、法律主體及最終需求的依賴。

這個命題解釋為什麼 AI 大規模採用不一定保住傳統公司的競爭優勢，也解釋為什麼一人＋AI 的成功示範不應被誤寫成所有人皆可獲利的制度結論。

14. 與後續 AIBT-08 至 12 的接口

15. 結論

一人與 Agent 能否在未來完成當代 Unreal Engine 等級商業遊戲，是一個值得測試的強假說，而不是 2026 年已獲確認的一般能力。即使這項能力實現，企業規模也不會只由可自動化任務數決定；真正的比較還需評估協調、驗證、客戶信任、知識產權、售後、責任與需求。

部分大型企業原本憑藉大量員工和內部專業分工形成的競爭壁壘可能降低，促進一人＋AI、家庭微型工作室與臨時專案團隊進入市場；同時，大企業也可能透過資本、通路、品質與法定責任維持甚至擴大規模優勢。「人數更少」不是唯一趨勢；「生產組織的必要功能與有效規模重新分配」才是本篇真正研究的事。

本篇沒有證明 2027 年必然出現全面企業出清，也沒有將此命題作為任何社會保障制度的預定辯護。它確立了一項可檢驗的中介機制：Agent 可以改變企業的供給成本和存在理由，但新增生產率收益如何分配，以及市場有多少有效需求，需要由後續 AIBT-08、AIBT-09 獨立研究。

參考資料與可追溯性

A. 公開研究與官方原始資料（截至 2026-10-31）

1. [R01] Coase, R. H. (1937). The Nature of the Firm. Economica, 4(16), 386–405. DOI: https://doi.org/10.1111/j.1468-0335.1937.tb00002.x ；功能：企業內外交易成本與組織邊界理論。不是 AI 產業的直接實證。
2. [R02] Chi, W., et al. (2026). GameDevBench: Evaluating Agentic Capabilities Through Game Development. ICML 2026, PMLR 306. https://proceedings.mlr.press/v306/chi26a.html ；正式論文當時 333 題，最佳配置 53.8%。
3. [R03] GameDevBench 研究團隊官方排行榜與專案：https://waynechi.com/gamedevbench/ ；截至 2026 年 10 月公布之後續 333 題單次成功率最高 70.6%，與 [R02] 的正式論文時點不同。
4. [R04] Deng, G., et al. (2026). SWE-Milestone: Evaluating AI Agents on Continuous Software Evolution. ICML 2026, PMLR 306. https://proceedings.mlr.press/v306/deng26d.html ；連續里程碑最高 38% 與孤立任務超過 80% 的基準差異。
5. [R05] METR. (2026-09-08). Task-Completion Time Horizons of Frontier AI Models. https://metr.org/time-horizons/ ；特定任務族之可靠性與人類專家任務時長估計，非自主運行時間。
6. [R06] Cui, K. Z., Demirer, M., Jaffe, S., Musolff, L., Peng, S., & Salz, T. (2026-02-27). The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers. Management Science. https://doi.org/10.1287/mnsc.2025.00535 ；4,867 位工程師，合併試驗約 26.08% 任務量增加。
7. [R07] Becker, J., Rush, N., Barnes, B., & Rein, D. / METR. (2025-07-10). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/ ；16 位開發者、246 項任務，當時工具下觀察到 19% 時間增加。
8. [R08] Kim, H., Kang, H., & Song, J. (2026-07-17). How Generative AI Enables Solo Entrepreneurship While Preserving Team Advantages. Academy of Management Proceedings, 2026(1). https://journals.aom.org/doi/10.5465/AMPROC.2026.16114abstract ；僅按公開摘要引用 >330,000 項 Product Hunt 發布樣本及團隊在高排名結果仍有優勢，無法由摘要查核全部模型與原始資料。
9. [R09] McKinsey (2026-08-25). The State of AI in 2026: On the Road to ROI. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai ；回報性調查：個人增益、企業 EBIT、Agent 自建替代採購與成本限制。
10. [R10] METR (2026-02-24). We are Changing our Developer Productivity Experiment Design. https://metr.org/blog/2026-02-24-uplift-update/ ；後續試驗受到模型使用自選、參與者與計時偏差影響，不能據此可靠量化近期加速幅度。

B. EveMissLab 既有原始研究（引用其概念，未改動 canonical source）

• 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
• AIBT_06_數位企業不可替代性危機_當產品變成平台附加功能_v0.1_2026-10-31.md
• AICET_06_家庭代理經濟與個體機構化_v0.1_2026-10-27.md
• SAS-EWDT_AI能力超前_數位企業替代_需求分配與AI朋克危機_v0.3_2026-10-31.md
• EWDT-21_自動化社會閉合與廣泛世界域傳遞_v0.1_2026-10-06.md
• SAS-01_Redefining_AI_Singularity_Positive_Regenerative_Loop_v1.0_2026-08-18.md

C. 證據限制與修訂承諾

本稿沒有訪問各企業未公開之財報／API 合約、也沒有執行 Unreal Engine 商業級端到端 Agent 實機測試。全部財務案例與獨立子任務機率算式均明示為假設，不可作為商業廣告或實測結果。正式引用與更新時，應維持來源日期、版本、可驗證任務範圍、經驗研究與概念假說的分離；如獲得新實證，應另行更新版本並保留本版原始碼以維持可追溯性。

文件狀態： AIBT-07 v0.1 已完成原始 UTF-8 Markdown 整稿；全部研究假說仍需獨立實證驗證。
下一篇： AIBT-08｜替代與增強的交叉作用：生產力紅利如何分配。