title: AIBT-08｜替代與增強的交叉作用：生產力紅利如何分配
english_title: The Intersection of Displacement and Augmentation: How AI Productivity Dividends Are Allocated
series: AI 泡沫、產業重整與文明適應論
series_code: AIBT
document_id: EML-AIBT-2026-08
series_position: Core Paper 08 / 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／可否證機制與實證設計；未經同行評審；非已實證之普適定律
source_format: UTF-8 Markdown; LF; no BOM
canonical_math_delimiters: inline single-dollar; display double-dollar
evidence_cutoff: 2026-10-31 (Asia/Taipei); 2027–2028 only conditional scenarios
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-07｜Agent 生產革命與最小有效企業規模的重估
next_paper: AIBT-09｜數位供給充裕、有效需求與購買力斷裂

AIBT-08｜替代與增強的交叉作用：生產力紅利如何分配

The Intersection of Displacement and Augmentation: How AI Productivity Dividends Are Allocated

《AI 泡沫、產業重整與文明適應論》／第三部・第八篇
提出： Neo.K　研究協作： 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
研究性質： 任務經濟學、勞動市場、公司決策、收益分配、家庭購買力與前奇點經濟之跨層模型
界線： 本文屬概念理論與可檢驗研究設計，不構成對任何雇主之勞動法、稅務或投資意見。

作者： Neo.K
日期： 2026-10-31

摘要

生成式人工智慧提高單位時間的數位產出能力，不能直接推出勞動者工資增加、工時減少、公司利潤增加、消費者價格下降或新市場擴張中的任何一項。更重要的是，將 AI 二分為「替代型」與「增強型」的分類雖能作為初階敘事，卻不足以描述同一系統對不同任務、技能階層、企業與時間尺度的交叉作用：AI 可以替代一名插畫師的部分繪製工作，同時增強另一位遊戲設計者的產品開發能力，也可以創造原本不具經濟可行性的服務；而這三件事不要求它們是不同的模型。

本篇沿用 Acemoglu–Restrepo 的任務替代與新任務重建機制，及 Acemoglu–Kong–Restrepo 所區分的勞動增強、資本增強、自動化與新任務；但不把既有勞動經濟學框架重新命名為原創發現。本文新增的研究焦點，是在 AIBT-07 已討論的企業最小有效規模下降後，如何同時追蹤：任務替代—勞動增強—需求擴張—議價能力—收益分配—家庭有效需求之間的多向連結。

研究起點是一個可明確列帳的思維實驗：兩位設計師在導入 AI 前每天各工作十小時、各產出十張合格圖；導入後每人五小時即可完成原有產量。雇主可以縮短工時、擴大供給、裁撤一人、加薪、降價、投資新產品，或混合運用這些選項。即便採用完全相同的技術、取得相同的任務效率，社會結果仍可能差異巨大。

本文提出「任務效果—組織決策—紅利路由」三層辨識框架及「有效紅利傳遞缺口」候選測量途徑，要求將已產生的可核實淨剩餘與未實現的產能潛力分開，並將工資、企業利潤、消費者效益、上游 AI 供應商所得、公共部門、工時與非市場價值分開核算。以 2019–2026 年的學術論文、跨國企業資料、行政薪資資料及平台研究作對照，本文不預設 AI 必然造成全面失業，也不預設它必然帶來廣泛薪資繁榮；提出十二項可否證假說與三類候選實驗。

中心命題： AI 產生的是可重新配置的生產能力，不是會自動落入特定人群手中的既成收入。替代與增強的交叉作用決定哪些工作方式變得可行；收益分配及有效需求則決定哪些人真正能夠持續分享進步。

關鍵詞： AI 自動化、AI 增強、交叉作用、任務經濟學、工作分工、議價能力、替代威脅、就業與招聘、工時紅利、時間主權、消費者剩餘、資本收益、代理經濟、家庭購買力、需求循環、AI 朋克危機。

Abstract

This paper distinguishes AI-induced task substitution, worker augmentation, capital augmentation, new-task creation, and final-demand expansion as potentially co-occurring mechanisms rather than mutually exclusive technological types. Using a stylized two-designer experiment, it shows how identical productivity improvements may lead to shorter hours, output expansion, redundancies, wage changes, price reductions, or different combinations. The paper separates technical production possibilities from realized sales and from the allocation of cash income, consumer benefits, supplier payments, and time dividends. It then examines firm choice, bargaining power, market demand, heterogeneous workers, and institutional transmission. Evidence from task-based economics, field experiments, European firm data, Danish administrative records, US payroll records, and a 41-country labor-demand study is contrasted without treating incompatible samples as a single causal estimate. Twelve falsifiable hypotheses and prospective 2027–2028 scenarios are proposed. No claim is made that broad AI-driven unemployment or an inevitable demand collapse is already established.

0. 研究位置、前置關係及證據紀律

0.1 與 AIBT-07／09 的分工

AIBT-07 主要處理 Agent 是否改寫企業的分工與最小有效規模：少數人及代理是否能取代過去依賴大型團隊的部分組織功能。本篇不重複證明這種能力何時到來，而是研究即使能力確實到來，紅利究竟流向誰。AIBT-09 才會進一步把企業層級收益變成家庭支出與社會總需求的完整循環。本篇建立其必要的微觀傳遞接口。

0.2 直接承接之既有研究

EWDT-21：企業轉型成功不自動等於社會轉型成功；生產、消費、參與與個體生活世界須分開觀察；「自由時間」不等於「被迫失業時間」。
AICET-11：智能收益取得、實質購買力、有效需求不等價；BDA 受益者分布核查與 AIPD 收益—購買力—有效需求循環保留原定義。
SAS–EWDT v0.3：先前已提出兩名設計師的選擇問題，並指出替代與增強具有巨大交叉域；本篇將其寫成成本、供需與分配可以明確檢驗的研究。
SAS-01／EWDT-19：數位生產效率上升，不等於 AI 已形成能源、硬體、製造的跨週期正向再生閉環；不將本篇就業模型當作真 AI 奇點的判定式。

0.3 五類陳述狀態

註記	用途	不能直接推出
OBS	有日期、樣本及方法的既有觀測	全部產業具有相同因果效果
DEF	為測量而設的操作定義	自然界或經濟制度必然如此分類
HYP	待檢驗的方向性主張	2027–2028 年必然成真
SCN	條件式思維實驗或假設算例	現實企業的財務報表
NOR	政策或治理價值選項	實證上已證明唯一最優

資料截點：2026-10-31。 本稿沒有觀察到 2027 年事件。各案例應保留國家、樣本、任務、觀察期間、實際處理組與對照組的界線。

0.4 明確非主張

不是每一份工作都能被 AI 完全取代；任務自動化率不是職位消失率。
增強型 AI 不保證勞動者工資上升；替代型 AI 不必然使社會總福利下降。
生產成本下降不保證每件產品能售出；原有產能增加不等於最終有效需求增加。
員工談判能力下降可以與個人技術能力上升同時成立，但不必在所有企業出現。
資本收益集中不邏輯上必然造成總需求崩潰；投資、公共支出與國際需求可能調節。
價格下降可能提升真實可負擔性；但失業家庭實質處境不能只用物價指數判定。
一人使用多個 Agent 不自動形成法律上的公司、雇傭關係或正式 AI 員工。
本稿不將時間節省全部換算為貨幣，不將工作者失業時間稱作時間紅利。
不將企業留存利潤、供應商收入與消費者剩餘簡單相加，宣稱為新 GDP。
不預設 UBI、GBI、動態股權、工時縮短或任何單一分配方式是唯一結論。
本篇不把所有勞動市場觀測差異歸因於 AI，亦不推論 AI 從此不能在未來造成更大變化。
不把 AI 使用者自評的「省下幾小時」直接視為實測產出增加或淨社會收益。

1. 為什麼「替代／增強」二分法不夠？

1.1 一個技術可以同時扮演相反角色

同一個圖像生成模型可能：

讓企業不再委託原本的部分插畫工作，形成特定任務的替代；
讓另一名插畫師在更短時間內完成修改、排版與風格一致化，形成對其能力的增強；
讓不懂繪圖的獨立遊戲設計者取得原本不可負擔的美術資產，形成專業門檻降低；
讓新的客製化故事與互動產品變得有商業可行性，形成新任務／新市場；
讓原有供應商因價格競爭被迫降價，形成市場價值重新分配。

所以不能單以「這是一套生圖 AI」決定它屬於哪一類。觀測單位應是：技術 × 任務 × 執行主體 × 組織環境 × 市場時點。

1.2 與既有任務模型接軌

Acemoglu、Restrepo（2019）把勞動需求的「替代效果」與「新任務重新引入勞動的效果」區分。[S01] Acemoglu、Kong、Restrepo（2024／2025）進一步區分勞動增強、資本增強、自動化與新任務創造。[S02] 這已說明現有經濟學並不將技術強制塞進互斥二分法。

本文的貢獻不是宣稱前述分類是新發現，而是把同一 AI 系統的交叉作用與企業收益路由放入相同的對照設計。分類應能同時回答：

AI 取代了誰原本做的哪些任務？
AI 增加了誰完成何種工作的可靠性、速度與品質？
哪些以前做不到／負擔不起／無法擴張的任務因此出現？
價格與需求改變後，原本工作與新工作分別流向哪些主體？
經濟利益是否回到原工作者、其他工作者、企業所有者、消費者或上游供應商？

1.3 任務效果是向量，不是類別貼紙

對任務 $k$ 、主體 $i$ 、企業 $f$ 、時期 $t$ ，可提出一個候選觀測向量：

\mathbf E_{kift}=\left(s_{kift},a_{kift},n_{kift},d_{kift},r_{kift}\right).

其中：

$s$ ：原由特定人類執行的任務，被技術替代之程度；
$a$ ：原人類執行者的能力、速度或品質被增強之程度；
$n$ ：新任務、新服務或此前不可行的交付內容之出現程度；
$d$ ：終端需求因價格、品質、普及或互補產品發生的變化；
$r$ ：由審核、驗證、維護、權責分配引入的新增任務與成本。

此向量不是五項加總恆等式，也不是已校準的普適量表。實際量測必須先對各維度訂出任務定義、分母、時間窗與對照組。部分維度可能正向，部分可能負向，而且不同勞動者面對同一模型的數值可以完全不同。

1.4 四象限不是完整終局

用「替代強／弱」與「新任務強／弱」作兩軸，可得到：低替代低新任務、高替代低新任務、低替代高新任務、高替代高新任務四種情境。然而四象限只能描述其中兩個維度，尚未納入：工時、工資、所有權、法定責任、職涯入口、價格彈性與資本收益。尤其「高替代／高新任務」可能同時創造工作與摧毀原有工作，不能僅以一個淨數字宣稱「對勞工有利」。

2. 兩名設計師的基準思維實驗

2.1 思維實驗假設

設計公司原有兩名設計師，各工作十小時，每小時各完成一張合格且可交付的圖，故每天可交付二十張。導入 AI 後，假定每位設計師只需五小時便能完成十張，亦即每人每小時合格產出提高一倍。假定這是包含必要修改的穩定成果，不把未經驗收的候選圖像直接算作產量。

q_0=2\times10\times1=20.

q_{AI,\mathrm{capacity}}=2\times10\times2=40.

以上第二式是兩名設計師都維持十小時工作時的潛在日產能，並非市場已售出四十張。若一天只有二十張需求，便不能推論營收必然翻倍。

2.2 技術相同，企業至少有六條路徑

策略	人員與工時	潛在日產能	對員工的即時作用	對企業的即時作用
A 減時保量	2 人各 5 小時	20 張	釋放時間；是否維持日薪另議	可節省部分工時或增加非貨幣福利
B 增產保人	2 人各 10 小時	40 張	工作時間不變，負荷與收益未定	需找到額外買方或承擔庫存／返工
C 裁員保量	1 人 10 小時	20 張	一人失業，另一人承擔全部交付	降低薪資帳單，增加 AI 開銷及集中風險
D 減時不減薪	2 人各 5 小時	20 張	每人維持收入並取得時間紅利	須由其他節省或利潤吸收 AI 費用
E 加薪與新服務	2 人各 10 小時，部分時數開新項目	依驗證結果	可能提高薪資及任務多樣性	須驗證新產品付費需求及投資報酬
F 混合調整	人數、工時、品質、客群同步調整	不固定	由協商、技能與需求決定	兼顧服務、成本及風險，但無保證最優

這些是企業可考慮的策略，不是六個必須互斥的歷史時序。A 與 D 的差異尤其重要：員工減少工時不等於工資不變；若按時薪計酬，減時也可能使家庭收入下降。

2.3 影片中的「老闆選擇 2 和 3」不只是一種策略

影片描述的是兩種可能依序發生或同時發生的決策：首先要求員工利用 AI 提高產出，再減少雇用人數，剩餘人員維持原工時。這個策略可以出於降低成本，也可以出於需求未增加後的產能收縮，還可能由既有市場競爭促成。影片中的「你不做有別人做」反映一種可能的外部替代選項威脅；但是否普遍存在，須觀察特定職業的失業率、替代技能與勞資協商制度。

此思維實驗至少提出三條可分辨的因果鏈：

\mathrm{AI}\rightarrow\mathrm{TaskCapacity}\uparrow.

\mathrm{TaskCapacity}\uparrow+\mathrm{DemandConstraint}\rightarrow\mathrm{HiringPressure}.

\mathrm{OutsideOptions}\downarrow+\mathrm{EmployerPower}\uparrow\rightarrow\mathrm{BargainingPressure}.

後兩條屬候選機制，不是前一式的邏輯必然結果。

3. 透明數值算例：產量不變，也能改變分配

3.1 統一帳本與單位

以下為純假設數字，不是市場報價、特定國家薪資或實際財報。每日假定二十張成品皆能以每張新臺幣 1,000 元售出；工作者假定時薪 250 元；每張合格成品另有 100 元外部材料與交付費；固定管理費每日 500 元。採用 AI 後，另有每日 1,000 元模型、工具與驗證系統費。為簡化，暫不考慮稅、融資、折舊、銷售變價與合約違約金。

基準企業當日帳本：

項目	計算	金額（新臺幣）
已售收入	20 × 1,000	20,000
工資支付	2 × 10 × 250	5,000
其他可變費	20 × 100	2,000
固定費	假定	500
簡化營運餘額	20,000 − 5,000 − 2,000 − 500	12,500

導入 AI 後，採 C 裁員保量：一位工作者每天工作十小時，每小時完成兩張合格圖，仍售二十張。

項目	計算	金額（新臺幣）
已售收入	20 × 1,000	20,000
工資支付	1 × 10 × 250	2,500
其他可變費	20 × 100	2,000
AI 服務費	假定	1,000
固定費	假定	500
簡化營運餘額	20,000 − 2,500 − 2,000 − 1,000 − 500	14,000

在這個假設下，企業營運餘額增加 1,500 元，員工合計獲得的工資減少 2,500 元，AI 服務供應商收到 1,000 元營收；消費者取得的二十張成品及假定價格不變。供應商的 1,000 元是營收，不是其純利潤；不可把企業餘額增加 1,500 元與供應商營收 1,000 元全部視為新增社會淨財富。

此算例最關鍵的結論是：產量完全沒有增加，也可以同時出現企業餘額上升、員工工資總額下降與上游 AI 收入增加。

3.2 減時不減薪的另一種路由

若公司留住兩位員工，雙方每天各工作五小時、仍領取過去十小時的日薪，假定二十張成品維持相同價格及品質：

\Pi_D=20{,}000-5{,}000-2{,}000-1{,}000-500=11{,}500.

企業簡化營運餘額相對基準下降 1,000 元，但兩位員工各取得五小時的自主時間，家庭日薪不變。這不是唯一合理方案；其長期可行性取決於企業是否有足夠利潤、安全與競爭空間、契約條件及是否能以其他效率改善吸收 AI 成本。不能將釋放時間無條件乘上法定時薪，宣稱企業另創造相同金額的現金。

3.3 如果堅持生產四十張，未售出便不是同量收入

假設兩位員工各工作十小時，當日生成四十張合格圖，但市場實際仍只購買二十張。若四十張都已投入每張 100 元的外部製作成本，則在未售出的二十張沒有回收價值、也未考慮未售品未來銷售的假設下：

\Pi_{B20}=20{,}000-5{,}000-4{,}000-1{,}000-500=9{,}500.

企業餘額比基準反而少 3,000 元。當然，純數位候選圖像的邊際保存成本可能遠低於 100 元，因此需將「生成費」「品質交付費」「實際賣出後成本」分開記錄；這裡僅用來展示總產能與已實現銷量不等價。

反向假設四十張都能以每張 900 元售出，其他費用按四十張計，則：

\Pi_{B40}=36{,}000-5{,}000-4{,}000-1{,}000-500=25{,}500.

這時企業可以取得顯著較大的餘額；買方也可能因降價受益。但這種情境須額外假設四十張需求真實存在、品質符合市場要求，且降價未引起其他產品收入或品牌價值損失。它不是單憑 AI 加倍生產率就能推出的結果。

3.4 數值帳本不是福利模型

本節所有營運餘額均未扣所得稅、資本成本、設備折舊、法律責任、返工、保險、客戶取得成本及人力流動成本；不能當作精確利潤。會計上已支付的工資、公司營運餘額、上游 AI 服務收入、工人時間與消費者剩餘，也不能在沒有投入產出／福利框架時直接逐項加總。

4. 雇主在做什麼決策：產能不是企業目標函數

4.1 企業考慮的是預期價值與風險

雇主是否選擇裁員、維持人力、加薪或縮短工時，至少受到以下條件影響：

對最終產品實際需求與可出售價格的預期；
人工成本、AI API／本地系統成本、資產折舊、維護與電力費；
既有雇用及勞動契約、法規、遣散費與企業文化；
新設備或 Agent 的可靠性、錯誤風險、返工及驗收成本；
品牌信任、交期、旺季、品質差異與長期客戶關係；
公司已有的流動資產、信用、資本市場條件及對未來需求的判斷。

以簡化的單期企業式表示：

\Pi_t=p_t q_t-W_t-C_{AI,t}-C_{M,t}-C_{F,t}-C_{R,t}.

其中 $q_t$ 代表實際售出的合格產品、 $W_t$ 為已付員工工資及福利、 $C_{AI,t}$ 為 AI 服務／硬體的期間可歸屬成本、 $C_{M,t}$ 為材料和其他可變成本、 $C_{F,t}$ 為固定費用、 $C_{R,t}$ 為返工、法律風險及責任維護的預期成本。這是操作性的帳本式，不是聲稱所有企業都能精確依此式最佳化。

此外，企業不能超過願意購買且支付得起的有效需求：

q_t\leq D_t(p_t,\mathbf z_t).

其中 $\mathbf z_t$ 包含品質、競爭、客戶收入、品牌與其他需求因素。若用線上遊戲、SaaS 或平台商品，需要將「一件商品」替換為適用的續約、使用時數、付費轉換與服務量指標。

4.2 企業的選擇權與社會分配並不自動一致

若企業能以相同品質和交期用較少人完成工作，而產品市場價格不變、又無額外契約義務，選擇降低人力成本可能提高其短期餘額。但就算個別公司這樣做是可理解的經營選擇，仍需獨立檢驗外溢至社會的就業、家庭收入與需求變化。

相反，企業也可能選擇保留員工，原因包括更好的服務、熟悉客戶、對不確定需求保留選項、人類審查安全、員工的專業知識與累積信任。單位生產率提高不能把所有企業的最佳方案固定成「先裁員」。

4.3 長期與短期不同

短期公司可能有既定專案、訂單和技能限制，因而採用 AI 但不裁員。中期 AI 改變招聘、外包、資深／初階人力組成。長期若多數競爭者都採用同等 AI，價格與進入門檻可能下降，先行採用者的利潤優勢亦可能消失。短期最有利可圖的選擇，不必然在多期競爭與薪資市場均衡後仍最優。

5. 員工議價能力：技能增強與外部選項弱化可以同時發生

5.1 個人生產能力不是工資決定的全部

設計師能在五小時完成以前十小時的工作，說明他的任務能力增強；它不會自動改變他在市場中可取得的外部聘用選項。若大量人同時具備該 AI 工具，企業可能發現替代人力更容易。相反，若人機協作必須具備罕見的專業知識、驗證能力、穩定客戶關係，勞工議價能力也可能提高。

5.2 候選議價模型

用最簡化的雙方可分配剩餘式描述一名工作者可談得的工資：

w_{ift}=w_{ift}^{out}+\beta_{ift}\left(v_{ift}^{marg}-w_{ift}^{out}\right).

式中 $w^{out}$ 是離職後的可行替代收入及選項價值之貨幣等價量， $v^{marg}$ 是對雇主可辨認的邊際工作價值， $\beta\in[0,1]$ 是候選議價權重，且本式假定 $v^{marg}\ge w^{out}$ 。它只是說明薪資可能同時取決於生產能力、外部選項與議價制度的示意模型，並非已經估計的普適工資方程式。

因此，AI 可能讓 $v^{marg}$ 上升，卻讓 $w^{out}$ 或 $\beta$ 下降；最後工資不一定上升。反過來，新工具也可能讓工作者可自由接案，改善 $w^{out}$ ，使議價能力增加。這就是替代與增強的真正交叉作用。

5.3 威脅、招聘與自由職業選擇

影片中的雇主用「別人可以替代你」威脅員工，可能降低員工談判空間。但要驗證此機制，不只詢問員工是否害怕 AI，還需比較：相同職位的招聘數與候選人數、實際薪資報價、離職與轉職成功率、替代技能稀缺性、企業 AI 部署時點、工會或員工代表的介入，以及薪資調整的時間差。

如果員工取得 AI 以後可以自行組建微型工作室、直接承接客戶需求，則其外部選項可能改善；但若平台供給極度擁擠、委託不足，也可能根本無法取得持續訂單。這些進一步接回 AICET-10／11 與 AIBT-10，不能把「能夠接案」視為已經「能夠賺錢」。

6. 輸出改善、職位重組與新任務之間的時間差

6.1 最早可能出現的是「少招人」，不一定是「大量裁員」

若企業的現有團隊透過 AI 能夠完成更多工作，它可能在需求不變時先凍結初階招聘、降低臨時外包、延後招募，再於日後調整永久雇用。這些選擇可以讓 AI 影響勞動市場，卻未立即造成大量遣散新聞。

技術替代的時間可以拆成：任務能力可用 → 正式部署 → 工作流程重新配置 → 招聘需求改變 → 薪資議價改變 → 職位減少或產業遷移。順序不是必然固定的；例如某些小型公司可能直接用 AI 創業，先創造新任務與新需求。

6.2 新任務也可能造成技能偏置

AI 讓更多圖像被生成，不等於需要更多傳統圖像繪製者。它可能增加對視覺總監、版權審查、品質保障、整合開發、長期產品維護和客戶溝通的需求。這些新任務有些會被原工作者轉型承擔，有些需要重新教育，有些可能由完全不同的人受益。

因此「市場創造新職位」與「原失業者可在經濟緩衝耗盡前取得相當收入」是不同命題。EWDT-21 原有的社會角色缺口及轉化速度失配，應在這個階段分開測量。

6.3 對職涯入口的特殊影響

如果企業用 AI 取代過去初階員工執行的練習任務，未來中高階工作者如何累積經驗？這可能造成「當代企業受益，但未來專業供給受損」的長期外部性。也有另一條可能：AI 教練使初階員工更快學習、提升入行成功率。不能只憑當下初階招聘下降就推定長期技能供給必然崩潰，但需要將培訓職位、技能成長速度、晉升與導師投入列為研究變數。

7. 生產力紅利至少有七條不同的去向

7.1 分配路徑

企業導入 AI 後產生的可核實效率利益，可能在不同條件下表現為：

路徑	可核查的表現	對誰直接有利	重要限制
勞動所得紅利	薪資、獎金、福利增加	仍被雇用或有權分潤的工作者	可能只惠及部分技能群
時間紅利	維持收入下縮短工時、改善彈性	工作與照顧者	失業、無薪待命不是同一概念
資本／企業餘額紅利	可持續毛利與自由現金流改善	股東、投資人、企業再投資	初期租金未必長久；AI 帳單不可忽略
消費者紅利	價格下降、品質提高、可及性提高	購買者與使用者	需要真實購買或使用；需衡量品質
上游供應商收入	雲端、模型、晶片、資料服務費	上游服務商及其員工	收入不是其淨利；與下游成本相對應
新需求／新任務	新產品、工作、產業與服務	新供應商、新工作者與使用者	技能、資本與付費需求需跟上
公共／社會紅利	稅基、公共服務、制度收益共享	家庭、社區與公共機構	財政、執行成本與權利分配均重要

七項並非互斥，也不是固定比例。某些路徑還有跨期效果：企業今天留存現金，未來可能投資形成新工作；消費者今日因降價省下的錢，可能增加其他商品需求；被裁員家庭今日收入中斷，可能無法等到未來經濟重新調整。

7.2 時間不是失業時間

AIBT-08 保留 EWDT-21 的嚴格區分：當工作者在收入安全與選擇權維持時減少勞動時數，可以討論時間紅利；若某人遭裁員、失去薪資與職涯保障，雖然時數減少，不能把此現象美化為「AI 讓人更自由」。

7.3 利潤、資產與消費者效用不能直接合計

企業節省支出，可以轉變為員工報酬、模型費用、降價、利潤或其他投入。若研究者同時計算企業成本節省、供應商收入和供應商利潤，極容易把同一個交易在不同帳戶反覆認列。消費者剩餘亦是福利分析對象，不等同企業現金收入或國民所得；必須使用一致的反事實與會計邊界。

7.4 「紅利路由」的候選辨識

研究不宜以單一「AI 生產率成長率」代替分配。至少需要建立相互關聯、但分別可核查的變化向量：

\Delta\mathbf V_t=\left(\Delta W_t,\Delta H_t,\Delta\Pi_t,\Delta CS_t,\Delta Y_{supplier,t},\Delta T_t,\Delta N_t\right).

其中 $W$ 為工作者現金／可支配勞動報酬， $H$ 為有條件且可自主使用的工時紅利， $\Pi$ 為企業簡化營運剩餘或採用統一口徑後的利潤， $CS$ 為消費者剩餘的變化， $Y_{supplier}$ 為上游供應商收入， $T$ 為淨公共移轉或公共財政效果， $N$ 為新任務的可驗證淨收入與非市場收益。這是多帳本指標而不是可以直接相加的福利恆等式。每個分量須明確指定涵蓋對象及實際資料來源。

8. 個人、家庭、企業與總需求：四層不可直接互推

8.1 一家企業成功，可能加劇其他人的困境

一家數位設計公司靠 AI 降低工資帳單，並不等於全社會的工資下降；如果其他部門擴大招聘或消費者因降價增加需求，總體結果可能不同。但若同類公司同步降低初階招聘，而新工作和公共緩衝無法跟上，特定家庭可能在社會總產出增長時承受經濟惡化。

8.2 「產品越多，但誰來買？」應當變成實證問題

如果設計品、軟體或遊戲的生成成本持續下降，市場可能同時出現更多供給、較低價格、更高消費者剩餘、單項產品收入下降、注意力擁擠及工作收入集中。這些是相容結果。市場是否出現總需求不足，還需納入其他商品、所得流向、儲蓄、投資、政府採購及國際需求，不能將單一數位品類的供過於求直接當作 GDP 下降。

8.3 家庭調整期不能被宏觀長期均衡抹平

假設企業在一年內大幅削減初階職位，但重新教育、創業、認證、申訴或社會保障需要數年，則即使新職位最後出現，也不能將中間失去的收入、住房穩定、照護能力與技能積累視為零。這是 EWDT-21 的社會吸收缺口，也是 AIBT-11 將進一步研究的制度速度差。

8.4 特定家庭擁有 AI，並不代表有可出售的服務

AICET 已明確區分智能資本可達性、代理可治理產能、合法授權、實際成交、可核實淨收益與長期家庭購買力。若原失業者進入 AI 委託平台，但買方也能自行使用 AI，且相似服務大量競爭，工作機會可能依然有限。本篇無法單憑「技術賦權」推論所有家庭獲得新的穩定收入。

9. 2019–2026 年實證文獻：彼此對照而非選擇性引用

9.1 任務替代與新任務：Acemoglu–Restrepo（2019）

既有任務理論解釋自動化可能降低原勞動任務份額、增加替代壓力，並由新的勞動任務創造帶來反向效果。[S01] 它不能直接告訴我們某一類 AI 將在特定年份裁掉多少人，卻提供了為何「效率成長」與「勞動需求下降」可以並存的理論基礎。

9.2 AI 輔助客服：Brynjolfsson、Li、Raymond（2025）

針對 5,172 名客服人員的研究發現，提供生成式 AI 輔助後，平均每小時處理問題數約增加 15%；效益高度異質，經驗較少、原本技能較弱者改善更大，部分高技能者品質指標反而小幅下降。[S03] 這支持 AI 能提高已在職者的任務效能，但不等於企業必然加薪 15%，也不證明長期職位數量必然增加。

9.3 不均勻技術前沿：Dell’Acqua 等（2026 正式發表）

在 758 名顧問參與的預先註冊實驗中，AI 在適用任務上使工作完成數和速度、品質提高；但在超出其有效範圍的一項複雜管理任務，使用 AI 的人反而較可能給出錯誤結果。[S04] 這支持分類必須對任務品質與技術邊界敏感，不能把「用了 AI」一概視為效率正向。

9.4 歐洲企業：Aldasoro 等（2026）

以超過 12,000 家非金融企業的連結資料研究，估計 AI 採用使歐盟受觀察企業勞動生產率提高約 4%，短期未觀察到企業層級雇用的負面效果，收益偏向中大型企業，且補充性軟體、資料與培訓投資重要。[S05] 這是「企業導入 AI 不必立即裁員」的反例，樣本、識別方法及期間仍應保留。

9.5 丹麥行政記錄：Humlum、Vestergaard（2025／2026 修訂）

研究以丹麥職業樣本與行政收入資料追蹤聊天機器人的採用，早期觀察窗內，對工資與登錄工時未見可辨識效果，估計排除超過約 2% 的平均效果；但任務重組、AI 監督與內容工作變多。[S06] 研究資料涵蓋至 2024 年，因此不能用這項零效果否認 2025–2026 年後可能出現的變化。

9.6 美國青年招聘差距：Brynjolfsson、Chandar、Chen（2026-08）

Stanford Digital Economy Lab 利用 ADP 行政薪資資料，指出 22–25 歲、AI 暴露較高職業的相對就業表現，與若同齡低暴露職業同步成長的反事實趨勢相比約低 19%；主要反映招聘不足而非離職率暴增，同時沒有發現全經濟普遍大規模工作替代。[S07] 19% 是相對於比較趨勢的缺口，不是「所有青年失去 19% 職位」；因果識別與樣本外推亦需審慎。

9.7 四十一國需求分工：Chandar、Klein Teeselink（2026-09）

研究使用來自四十一國的 12.5 億則職缺刊登與 1.54 億筆雇用記錄，推估採用 AI 企業的初階員工占比相對下降，但變化主要由資深員工增長帶動，而非初階員工絕對數量普遍下降；整體雇用可能溫和增長。[S08] 此結果提醒：初階員工占比下降不等於初階總量下降，不同公司、國家與統計口徑會給出不同圖像。

9.8 ILO 2025–2026 綜述與職業暴露度

ILO／NASK 的職務暴露度研究估計，全球約四分之一工作者處在某種生成式 AI 暴露的職業，最高暴露類別約占全球就業的 3.3%；這是職業暴露估計，不是失業預測。[S09] ILO 於 2026 年 6 月的實證綜述指出，生產率提升存在但不均，廣泛的大規模工作替代證據仍有限，初階機會、勞工自主性與工作品質需特別觀察。[S10]

9.9 丹麥國家銀行的另一個觀測維度（2026-09）

丹麥央行分析指出，2023–24 年導入 AI 的公司，其隨後雇用成長相對於可比未導入公司有所下降，但全國總就業尚未出現重大變化。[S11] 這與 Humlum–Vestergaard 的結果不必互相否定：研究樣本、公司／個人層級、觀察期及識別設計不同。要討論衝突，必須先使母體與指標可比較。

9.10 平台自由工作市場：Upwork（2026）

Upwork 的平台自有研究發現，生成式 AI 與創意製作工作的合約開啟數年增 90%，但每份合約收入年減 13%；較複雜的 AI 增強型專業服務則有不同的成交與收入趨勢。[S12] 這只是特定平台的自述樣本，不足以代表全國工資、未來接案者的平均淨收益或 AI 的因果效果；其研究價值是提供「訂單增加但單件價格下降」的待驗證市場機制。

9.11 對照矩陣

文獻與期間	主要結果	不應被解讀為
任務模型 2019／2025	替代、增強及新任務有不同勞動需求效應	AI 必然讓所有職業消失
客服研究 2025	平均任務生產率約 +15%	薪水或利潤必然 +15%
BCG 顧問實驗 2026	AI 對部分任務有效，對另一些任務可能誤導	全部白領任務均有相同收益
EU 企業研究 2026	短期勞動生產率約 +4%、未見企業雇用惡化	永遠不會替代勞動
丹麥行政研究 2025／2026	工資／工時早期無可辨識平均影響	以後仍無影響
美國 ADP 研究 2026	特定青年職業相對雇用缺口約 19%	全國青年失業率上升 19%
41 國企業研究 2026	初階占比下降，但多由資深增長	初階就業絕對值必然下降
丹麥央行 2026	AI 採用公司相對雇用成長放緩	所有企業都正在裁員
Upwork 2026	某類 AI 接案數成長、單案收入下滑	所有自由工作者報酬同幅下降

綜合判斷： 目前證據更接近「任務與群體差異很大、工作正在重組，部分群體可能提前受壓」，而不是能對全體勞動者給出一個統一的 AI 替代率。

10. 企業選擇與市場條件如何決定結果

10.1 價格與需求彈性

如果 AI 讓每份產品成本下降，企業是否降價取決於競爭、差異化與市場定價能力。降價後銷售量增加多少，又取決於買方收入、需求彈性及產品品質。當需求非常低彈性時，產能擴張更容易形成供過於求；但當降價打開原本無法負擔的新市場，可能產生大量新需求。不能對所有數位服務套用相同彈性。

10.2 公司內部的補充性資本

AI 工具的模型品質相同，若某公司有良好資料治理、流程設計與人員培訓，可能比另一家公司取得更高收益；在缺乏授權與審核設計時，錯誤與法律風險甚至可能抵消節省的人工。這與 AIBT-05 對外部 API 契約及 AIBT-07 對最小有效組織規模的研究形成互補。

10.3 AI 資本持有者與平台權力

員工能否取得 AI 計算資源、模型訂閱、自己建立的客戶關係及可攜式專案證據，會影響議價能力。若 AI 只由雇主提供，員工離職便失去全部工具和資料，外部選項可能仍低；若公共或商用模型可由個人合法取得，則部分人可另組工作室，形成與雇主競爭的新供給者。但新供給的容易進入也可能壓低接案價格。

10.4 法律、員工代表與契約

工資、工時、裁員、遣散、資料權利與薪酬再分配，受到具體法域、雇傭關係與集體協商安排制約。不能以「企業可節省人力」宣稱在所有法域都能立即合法裁員；同樣不能把所有效率利益假設為可由契約直接一次分盡。

10.5 新的競爭會侵蝕先發優勢

企業先採 AI 可能暫時擴大利潤，但如果競爭者快速採用，產品價格可能下降，初始的成本優勢消失。其收益可能更多轉移到消費者或上游模型供應商，也可能被新的客戶取得成本吃掉。投資人不能把早期示範節省的薪資永久等價成未來自由現金流。

11. 三層因果研究方案

11.1 實驗 I：同一企業的隨機分組與任務驗收

樣本： 在相似需求和規格下執行的設計、客服或軟體維護任務。將工作者／團隊隨機分配至：無 AI、AI 輔助但禁止自主交付、AI 自主草稿經人工驗收、AI 自主流程與明確的覆核上限等組別。

固定條件： 成果驗收規則、法定勞動條件、客戶需求評分、資料使用權限、模型版本、品質標準與觀察期間。

測量： 合格成果／總人時、缺陷率、返工、工作壓力、實際工時、申請離職、培訓收益、顧客滿意、AI 費、因人而異的工資變動。若企業仍可自行選擇裁員，必須將實驗與之後的正式公司決策分開研究，避免把雇用決策當作隨機化處理結果。

11.2 實驗 II：企業導入與工資／聘用的事件研究

建立多企業、多期行政與招聘資料，對照相似但未導入 AI 的企業，採分期差異中的差異、事件研究與合理的處理分組設計。觀察導入前趨勢、同時期景氣、產品需求、融資、地區、職業與技能，以及是否只是在招聘廣告標示「AI」而非實際部署。避免將未處理的模型選擇偏差誤當成 AI 因果效果。

主要結果： 新招人數、離職、總員工數、初階與資深分布、工資、總勞動報酬、工作時數、公司毛利、售價、品質、銷量及收益歸屬。至少區分員工內部調配與職位淨消失。

11.3 實驗 III：家庭、自由接案與需求追蹤面板

對有 AI 可用性的家庭及工作者長期追蹤其可核實的收入、接案、失業、稅後可支配所得、工時及其可負擔的數位／實體服務。對買方追蹤價格、採購、自行 AI 完成率與滿意度。如此才能分辨「工作者失業後透過 AI 創業重新獲利」與「大家都有 AI，但買家不再願意付錢」兩種方向。

資料保護： 對工資、家庭與平台交易資料作最小化蒐集、分層存取、匿名化或假名化、合規授權、撤回和獨立稽核；樣本資料的持有人和受益者不等於 AI Agent 自動具有全部權利。

12. 觀測變數與避免誤判的資料字典

層級	變數	操作性定義與單位	必須避免的誤判
任務	$q^{valid}$	經盲測驗收的可交付成果／期間	把候選輸出數當成完成數
任務	$h^{human}$	人類實際執行、審核、返工及管理小時	AI 執行期間將人類隱性時間算零
任務	$c^{AI}$	AI 模型、工具、存儲、網路、運算期間成本	只計 API token 費
公司	$q^{sold}$	已成交並完成支付的合格成果	把可生產數量當成市場需求
公司	$\Pi^{oper}$	明示口徑的營運餘額，扣除適當成本	稅前餘額等於自由現金流
勞動者	$w^{pay}$	真實支付薪資、獎金、福利及時數	只觀察名目基本薪
勞動者	$h^{free}$	收入安全且具有自由處分權的減時	被迫無薪失業等於休假
勞動市場	$N^{hire}$	分技能／年資／職業之實際新聘	宣稱招募廣告變少即全部裁員
勞動市場	$N^{sep}$	分原因離職、解雇、退休、轉職	將總流動當作 AI 裁員
消費者	$CS$	同品質、同需求條件的福利估算	將消費者剩餘當成 GDP
家庭	$Y^{disp}$	扣稅與轉移後可支配所得	認為省了工具費等於有新收入
新任務	$N^{new}$	相對基準真正新增的任務／工作收入	將舊職務改名當成新就業
制度	$\tau^{response}$	議價、企業、保險、培訓、公共措施之反應時滯	不同時鐘均當成同一反應速度

資料需依國家、企業規模、技能、性別、世代、城鄉、就業形式、職位、模型類型和任務群分層；這些分層是研究設計需求，不代表任何群體必然受到特定效果。

13. 十二項可否證假說

H01｜任務交叉作用假說

同一 AI 模型／系統在固定觀察期間，會對不同任務及勞動者同時呈現可辨識的替代、增強和新任務機制。反證： 控制任務、品質、使用權和時間後，這些機制在可比較樣本中呈高度互斥且無交叉。

H02｜產能—銷量分離假說

當企業導入 AI 提升可交付產能，但最終需求未相稱增加，實際銷量與營收增幅將低於產能增幅。反證： 在同品質／同價格條件下，新增產能幾乎全被原有或新開發需求吸收，且持續多期。

H03｜招聘先行失配假說

高度數位化企業導入 AI 後，招聘數量或初階招聘占比可能在正式裁員總數顯著增加前出現變化。反證： 相同景氣與產品需求條件下，處理組未出現可重複的招聘差異或方向相反。

H04｜增強與工資非同步假說

員工任務能力與合格產出提高的速度，可能快於其現金工資及工時紅利改善速度。反證： 經因果識別後，工資與有薪時間紅利能及時、穩健且廣泛地跟隨效率增益。

H05｜外部選項與議價中介假說

在替代候選者供給較多、外部接案／轉職選項弱的職業中，AI 增強對工資的傳遞比例可能較低。反證： 在控制技能、公司與地區後，外部選項和議價制度不調節收入變化。

H06｜新任務重建異質性假說

AI 創造的新任務不必然由遭替代的同一群工作者承擔，短期可能偏向具有互補資本、專業與驗收能力者。反證： 新增任務廣泛而迅速地由原受替代群體取得，且收入與職涯連續性獲維持。

H07｜保留員工選擇權假說

高不確定需求、維護責任與品質風險的企業，即使 AI 可減少短期工時，仍可能選擇保留人力。反證： 在此類企業中，AI 採用穩健地引起更大的裁員且不因風險特性而異。

H08｜工時紅利契約條件假說

工時下降只有在薪資與基本保障仍可持續、工作者可自由使用時間時，才更可能構成正向時間紅利。反證： 不具收入與自由保障的無薪時數下降，在生活選擇與福利測量上與有薪自主持續減時完全相當。

H09｜先行利潤侵蝕假說

AI 先行採用企業的部分成本優勢可能隨同行模仿及產品價格競爭而減弱。反證： 在競爭充分且替代品大量增加後，先行者的同質產出仍能長期維持高額超額報酬。

H10｜家庭分配對需求的條件性回饋假說

AI 所得偏向資本持有者、而部分高邊際消費傾向家庭勞動收入下降時，特定消費類別的有效需求可能受到壓力；效果受價格、轉移、投資及借貸條件調節。反證： 新增投資、價格下降、公共支出和新收入在可比較條件下完全抵消上述需求壓力。

H11｜自由接案的雙向效果假說

個人可取得 AI 生產資本可提高接案參與率，但若進入門檻下降快於付費需求擴張，平均單案價格與持續淨收益可能承壓。反證： 需求、差異化與制度保障足以使大部分新進者持續獲得穩定實質淨收入。

H12｜前奇點分配失配假說

AI 數位任務能力與企業生產率顯著增長時，若廣泛生活改善與物理再生沒有同步形成，便可能出現前奇點經濟失配，而不能由數位能力直接推定文明正和。反證： 在足夠代表性、多期資料下，家庭收入、時間主權、生活選擇權、物理支撐及社會吸收能力普遍同步改善。

這些是本篇建議的可檢驗假說，並不表示其條件已被驗證。任何反證需保留統計不確定性、反事實基準和可能的混雜因素。

14. 2027–2028 年四種候選情境

情境 A｜高替代、弱新任務、弱分配

Agent 能顯著完成更多既有數位任務，企業凍結招聘或裁撤部分職位，市場供給擁擠使每件服務售價下滑；若家戶收入承受壓力，供給與需求不一致可能加劇。這是一種 AIBT-09／11 特別需要監測的失配情境，不是已發生或必然的全球結果。

情境 B｜高增強、強新任務、有效吸收

企業將 AI 效率用於新服務、品質、培訓與多類客群，員工工資、工作條件或自主時間得到改善，新職位吸收部分釋放勞動。此情境可與市場估值修正並存，不需要預設所有 AI 公司股價持續上升。

情境 C｜數位供給大增、價格下降但勞動份額改變

消費者因工具普及受益，部分企業失去原本以人力規模形成的優勢；工資、自由工作收入、平台租金及資本回報發生分化。總體福利是否提高，取決於價格品質、工作所得、投資、新需求及制度配置，不得只以平均消費價格宣告成功。

情境 D｜增強與替代並行、社會轉型時間錯位

原有高技能者因 AI 增強而受益，初階就業／入行機會承壓；中長期仍可能形成新任務或工作室，但家庭與公共制度未必能及時銜接。即使 AI 技術進步不中斷，也可能因分配與議價衝突，形成 AI 朋克危機的候選前提。這與 WIIW-08 對賽博朋克的「反權力失效態」定義不同，不能混為一談。

共同邊界： 四種情境可在不同國家、企業或技能群同時成立；不能由單一公司個案宣稱全球結果。

15. 反向機制與理論弱點：為何不必然導向失業與需求崩潰

15.1 需求擴張與產品創新

成本下降可以打開以前無法負擔的服務與市場，提高實質購買力，亦可創造新產品。若新市場吸收增產能力，勞動需求甚至可能上升。這不是「補償效果必然成功」的保證，而是不可從模型中省略的競爭性機制。

15.2 資本形成與公共支出

一家公司節省薪資後增加的利潤，可能投資資料中心、能源、工業、公共採購支援或未來產品，不一定全部退出經濟循環。研究需求不足時，應該用完整收入、儲蓄、投資、政府與外貿帳本，而不是假設只存在員工消費。

15.3 AI 使用者也可能是失業者的競爭對手

微型工作室能接到的任務，可能同時被 AI 使買家更容易自行完成。不能由 AI 普及推定每名失業者都能靠接案生存。正因如此，AIBT-10 應檢驗平台有效交易、買方留存、品質驗收和淨收益，而不是只列平台數量。

15.4 模型能力與實際可靠性差異

實際商業交付需要驗證、維運、法律責任、時序一致性及與客戶共同定義需求。AI 在單一任務上快速產生草稿，不保證端到端能減少所有人力；反而可能增加品質審核和錯誤修復工作。把候選圖像數或 token 數當成經濟產出會高估替代幅度。

15.5 當能力太普及，專業價值可能遷移

原本以製作技術取得稀缺租金的工作者，可能需要轉向創意判斷、整合、權利、社群、品牌、可靠維運或在地服務。這種轉型可以帶來新機會，但對年長、低資產、缺乏時間與市場通路者可能更難。應分群測量，而非用少數高收入成功案例代替群體結果。

16. 與 EWDT、AICET、SAS 以及後續 AIBT 的接口

16.1 EWDT-21：企業轉型成功與社會閉合

本篇示例的裁員保量情境可讓企業短期餘額上升，而工作者薪資與社會角色受到影響。EWDT-21 的核心問題是企業產出的效率利益是否透過工資、降價、時間、公共服務、資產與新角色廣泛傳遞。本文提供可驗證的微觀「紅利路由」機制，不重新定義其社會閉合標準。

16.2 AICET-11：收入—購買力—最終需求迴路

AICET-11 已提出受益者分布核查與收入—購買力—需求循環。本篇的 $\Delta\mathbf V_t$ 可作其上游觀測資料，但不能以向量分量的直接加總取代國民所得帳戶、儲蓄與投資或人均實質消費分析。

16.3 SAS-01／EWDT-19：真 AI 奇點條件

替代工作與增加數位產能，沒有證明 AI 對能源、晶片、製造、維修與物流形成正向再生閉環；社會分配改善也不自動等於系統性奇點。真 AI 奇點的既有定義保持不變，研究只分析其來臨之前可能出現的經濟失配。

16.4 AIBT-09：總需求與購買力

下一篇應把本篇多主體收入變化放進完整需求、消費與投資循環，檢驗產品過度供給、個體收入中斷、儲蓄與金融市場、公共採購及國際市場可能互相抵消或放大的機制。AIBT-09 應建立可對照的需求彈性與購買力模型，而不是重述本篇職位思維實驗。

16.5 AIBT-10、11：人機工作室與制度時間差

AIBT-10 接續研究個人與家庭能否經由 AI 開放委託市場取得真實淨收益；AIBT-11 研究政府、社會保障、教育與組織協商是否有足夠時間吸收替代衝擊。任何分配改革與工作室方案都需分別驗證，不能在本篇先宣布最佳制度。

17. 研究結論

「AI 替代型／AI 增強型」若以產品類別互斥分類，會掩蓋同一模型對不同任務、工作者與市場的交叉作用；應使用多維、跨層及跨時間的任務效果觀測。
技術可以讓產能增加，但企業的減時、增產、裁員、加薪、降價與新服務決策還依賴市場需求、品質、工資、契約與預期風險。
在需求不變且採用 AI 有成本的情境，公司提高營運餘額可以與整體工資支出下降並存；這不等於已創造相同數額的淨社會福利。
AI 能增加一名工作者的效率，也能使更多可替代工作者同時進入市場；因此個人的技能增強與議價能力下降不矛盾。
真實收益必須沿著工資、企業餘額、價格、供應商費用、時間、新任務與公共財政的不同帳本核查。是否形成持續家庭購買力及總需求，須由下一篇 AIBT-09 進一步檢驗。
至 2026 年 10 月底的證據顯示工作任務調整、異質生產率增益、部分青年入職壓力及若干企業成長差異，但尚不足以支持「AI 已在全球引發全面失業」或「AI 必然使所有雇主利潤增加」。
因而本篇不是宣傳 AI 必然造福或必然摧毀勞動市場，而是在解釋：何時生產力增益能轉化為廣泛工資、時間主權、可負擔產品與長期收入，何時只形成狹窄、易消失或不均衡的收益。

AIBT-08 核心結論：AI 產生的首先是可被重新配置的工作能力。它是否成為某人的加薪、某人的失業、某個家庭的時間、另一家企業的利潤，或消費者的新選擇，取決於任務替代／增強的交叉結構與收益分配路徑，而非模型本身的「替代型」「增強型」標籤。

附錄 A｜形式化符號表

符號	含義
$k,i,f,t$	任務、個體、企業、觀察時期索引
$\mathbf E_{kift}$	任務效果候選向量
$s,a,n,d,r$	替代、增強、新任務、需求變化、驗收維護作用
$q_0$	AI 採用前的合格成果產量
$q_{AI,\mathrm{capacity}}$	AI 採用後的潛在合格產能
$q_t$	實際售出的合格成果數
$D_t$	價格與其他因素決定的有效需求上界
$p_t$	價格
$W_t$	企業真實支付薪資與福利
$C_{AI,t}$	AI 可歸屬費用
$C_{M,t}$	材料與其他可變費
$C_{F,t}$	固定費
$C_{R,t}$	返工、品質與責任成本
$w^{out}$	工作者外部選項之貨幣等價量
$v^{marg}$	工作對雇主的可辨認邊際價值
$\beta$	候選議價權重
$\Delta\mathbf V_t$	收益／時間／需求等多帳本候選變化向量
$CS$	消費者剩餘（需反事實福利分析）
$\Pi_t$	特定期間簡化的企業營運餘額

附錄 B｜算例一致性核查表

情境	收入	工資	交付／材料費	AI 費	固定費	餘額	對基準差
原始基準	20,000	5,000	2,000	0	500	12,500	0
C：裁員保量	20,000	2,500	2,000	1,000	500	14,000	+1,500
D：減時不減薪	20,000	5,000	2,000	1,000	500	11,500	−1,000
B：增產但仍只賣 20 張，假設 40 張均有成本	20,000	5,000	4,000	1,000	500	9,500	−3,000
B：40 張均售出，單價 900 元	36,000	5,000	4,000	1,000	500	25,500	+13,000

核查注意： 本表使用五個自設情境，未使用樣本估計或國家統計；收入與成本的當日現金口徑只是簡化比較，不能充作折舊、稅後收益及一般均衡研究。

附錄 C｜研究資料與反證安排建議

實際研究可建立雙層資料：一層以 firm_id × task_id × month × AI_version 為單位，記錄成本、驗收、工作與業務流程；另一層以 worker_or_household_id × month 為單位，記錄收入、工時、招聘與退出。兩層資料需要依法取得同意及適用目的、採最小化蒐集與匿名化處理，不得用平台交易資料任意推導個人身份或政治態度。

因果模型應預先指定主要結局，例如每小時合格成果、實際總工資、初階招聘、員工自主工時與家庭稅後收入。先報告未調整估計及樣本選擇，再估計企業類型、任務組合、模型能力、地區景氣與企業需求控制後的差異。若 H01–H12 在多個資料來源中得不到穩定支持，必須修訂而非僅尋找新的支持案例。

參考文獻與可核對資料（2026-10-31 截點）

一、公開學術與機構資料

[S01] Acemoglu, D., & Restrepo, P. (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives 33(2), 3–30. https://www.aeaweb.org/articles?id=10.1257/jep.33.2.3

[S02] Acemoglu, D., Kong, F., & Restrepo, P. (2024; revised 2025). Tasks At Work: Comparative Advantage, Technology and Labor Demand. NBER Working Paper 32872. https://www.nber.org/papers/w32872

[S03] Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. Quarterly Journal of Economics 140(2), 889–942. https://www.gsb.stanford.edu/faculty-research/publications/generative-ai-work

[S04] Dell’Acqua, F., et al. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science. https://doi.org/10.1287/orsc.2025.21838

[S05] Aldasoro, I., Gambacorta, L., Pál, R., Revoltella, D., Weiss, C., & Wolski, M. (2026). AI Adoption, Productivity and Employment: Evidence from European Firms. European Investment Bank / CEPR. https://cepr.org/publications/dp21082

[S06] Humlum, A., & Vestergaard, E. (2025; revised March 2026). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. NBER Working Paper 33777. https://www.nber.org/papers/w33777

[S07] Brynjolfsson, E., Chandar, B., & Chen, R. (2026-08-12 revised). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab. https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-effects-of-artificial-intelligence/

[S08] Chandar, B., & Klein Teeselink, B. (2026-09-21). How Does AI Change Labor Demand? Evidence from 41 Countries. Stanford Digital Economy Lab. https://digitaleconomy.stanford.edu/publication/how-does-ai-change-labor-demand/

[S09] International Labour Organization / NASK (2025-05-20). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure

[S10] International Labour Organization (2026-06-01). The Impact of GenAI on Jobs, Productivity and Work Organization: A Review of the Empirical Evidence. https://www.ilo.org/publications/impact-genai-jobs-productivity-and-work-organization-review-empirical

[S11] Danmarks Nationalbank (2026-09-16). Artificial Intelligence and the Labour Market: The Transition Has Begun. https://www.nationalbanken.dk/en/news-and-knowledge/publications-and-speeches/analysis/2026/artificial-intelligence-and-the-labour-market-the-transition-has-begun

[S12] Upwork (2026-07). The Future Workforce Index 2026. https://www.upwork.com/research/research-future-workforce-index-2026

[S13] Autor, D. (2024). Applying AI to Rebuild Middle Class Jobs. NBER Working Paper 32140. https://www.nber.org/papers/w32140

二、既有 EveMissLab 原始研究與前置材料（按文獻角色列出）

[P01] 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：本系列篇章與證據紀律。

[P02] AIBT_07_Agent生產革命與最小有效企業規模的重估_v0.1_2026-10-31.md：組織規模與 Agent 工作能力問題。

[P03] 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：兩名設計師思維實驗、替代增強相交域與前奇點失配。

[P04] EWDT-21_自動化社會閉合與廣泛世界域傳遞_v0.1_2026-10-06.md：紅利分配、時間主權與四個世界域。

[P05] AICET_11_智能收益分配購買力與經濟需求循環_v0.1_2026-10-28.md：收益受益者分布與有效需求循環。

[P06] AICET_10_代理供給擁擠注意力競爭與市場退出_v0.1_2026-10-28.md：供給擁擠及需求瓶頸。

[P07] SAS-01_Redefining_AI_Singularity_Positive_Regenerative_Loop_v1.0_2026-08-18.md：物理—能源—製造再生閉環門檻。

交付註記： 本篇為 AIBT 核心論文第八篇；不修改已有系列理論之 canonical 定義。全文所有數學原始碼只用 $...$ 與 $$...$$。後續應進入 AIBT-09，有效需求與購買力迴路，而非再次擴寫本篇思維實驗。