title

AIBT-09｜數位供給充裕、有效需求與購買力斷裂

english_title

Digital Supply Abundance, Effective Demand, and the Fracture of Purchasing Power: Distribution, Attention, and Demand Transmission in an Agentic Economy

series

AI 泡沫、產業重整與文明適應論

series_code

AIBT

document_id

EML-AIBT-2026-09

series_position

Core Paper 09 / 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

language

zh-TW

status

完整概念研究原稿；可否證模型與情境分析；未經同行評審；2027–2028 年結果尚未實證

source_format

UTF-8 Markdown; LF; no BOM

canonical_math_delimiters

inline single-dollar; display double-dollar

evidence_cutoff

2026-10-31 (Asia/Taipei); no post-cutoff evidence

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-08｜替代與增強的交叉作用：生產力紅利如何分配

next_paper

AIBT-10｜開放人機委託市場：家庭智能資本與微型契約工作室

AIBT-09｜數位供給充裕、有效需求與購買力斷裂

Digital Supply Abundance, Effective Demand, and the Fracture of Purchasing Power: Distribution, Attention, and Demand Transmission in an Agentic Economy

研究系列：《AI 泡沫、產業重整與文明適應論》（AIBT），第三部・第九篇
理論問題提出： 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
證據截點： 2026 年 10 月 31 日（臺灣時間）
性質： 數位經濟、家庭經濟、需求經濟學、勞動與所得分配、產業組織及可反駁的政治經濟學研究。本文不是個人投資、稅務或政策實施建議。

作者： Neo.K
日期： 2026-10-31

摘要

當人工智慧與 Agent 大幅降低軟體、圖像、遊戲、影音、資訊服務及部分企業工作流程的生產成本時，經濟不必然立即取得成比例增加的可支付市場需求。原本被視為生產瓶頸的人類時間與大型企業分工，可能逐步失去部分稀缺性；但消費者的注意力、可支配收入、信用、信任、驗證能力、有限的實體資源與社會制度調整速度仍具約束。於是，同一個時期可能同時出現：更多、更便宜、品質更好的數位產品；某些消費者福利上升；部分原有工作及企業議價能力下降；少數模型、平台與資本持有者收益增加；以及另一部分家庭因收入喪失而無法參與新增需求。此種狀態不是單純的「產能高於需求」，也不必然等於全經濟總需求崩潰。

本文承接 AIBT-08 的「任務效果—組織決策—生產力紅利路由」，接入 AICET-10 已提出之代理供給擁擠與注意力—需求吸收門檻、AICET-11 的「智能收益受益者分布核查」（BDA）與「收益—購買力—有效需求循環」（AIPD Circuit），以及 EWDT-21 的自動化社會閉合概念。本文不將既有研究重新命名為新發現，而是在 AIBT 的產業出清與 Agent 生產脈絡中，提供一個可對照不同產業、不同家庭群及不同時間尺度的供給—需求—分配錯位識別框架。

核心命題為：AI 能力使可供生產的產品／服務集合擴張，並不自動使所有家庭取得相應的可支配所得與可支付的需求；反之，收入轉移也不必然令市場萎縮，因為降價、消費者剩餘、新投資、公共支出、新工作與出口可能成為反向傳導。真正的研究對象，是這些反向力量在何種條件及速度下不足以彌補特定群體的收入與選擇空間損失。

作為對照，2026 年 Stanford 的消費者估值研究估計美國生成式 AI 工具的年化消費者剩餘達約 1,720 億美元；這是以選擇實驗估計的非直接現金福利，不能當作 AI 公司營收、家庭可支配所得或已實現的 GDP 增量。美國聯準會 2026 年 10 月針對不同家庭邊際消費傾向的研究，則顯示同一筆所得增量落在不同家庭時，消費、儲蓄與還債的分配可能有顯著差異。2026 年 ILO 的「聚合悖論」研究強調局部任務生產率增長尚未全面轉成總體生產力；Stanford 行政就業資料則顯示部分 AI 暴露職位的青年招聘相對受壓，但沒有確認全經濟普遍失業。這些結果同時限制樂觀與悲觀的單向敘事。[S03][S04][S06][S07]

本文建立四層交易與福利帳本、兩種可比較之簡化需求模型、三組公開假設的數值思維實驗、四種 2027–2028 年候選情境、十四項可反駁假說，以及可供後續市場研究採用的資料字典。本文的目的不是提倡 UBI、GBI、動態股權或任何特定制度，而是先釐清究竟發生何種分配與需求失配、誰受影響，以及哪些競爭性機制可能改變結果。

關鍵詞： 數位供給充裕；人工智慧；Agent；有效需求；家庭購買力；異質性邊際消費傾向；資本與勞動所得；消費者剩餘；平台租金；注意力稀缺；自我供給；供給擁擠；市場出清；跨部門需求循環；AI 朋克危機；自動化社會閉合；AIBT；AICET；EWDT。

Abstract

This paper studies a conditional economic mismatch: artificial intelligence may substantially expand the set of digitally producible goods and services while the distribution of household disposable income, attention, trust, and effective demand adjusts at a different pace. It separates productive capacity, discovered supply, willingness to pay, ability to pay, completed transactions, vendor net income, consumer surplus, and aggregate economic activity. Building on previous AIBT, AICET, and EWDT manuscripts, the paper proposes a cross-layer observational design rather than a universal law of demand collapse. It distinguishes price reductions and new markets from income displacement, producer crowding, uneven capital returns, and low-liquidity households’ adjustment constraints. Evidence available by October 31, 2026, including studies from the Federal Reserve, Stanford, the ILO, the IMF, NBER, and Upwork, is summarized with explicit identification and external-validity limits. Three stylized numerical examples, four prospective scenarios for 2027–2028, fourteen falsifiable hypotheses, a data dictionary, and competing explanations make the argument testable. Greater digital abundance neither guarantees broad-based prosperity nor implies an inevitable collapse in aggregate demand. The principal question is whether the economy can transmit technical gains into sustainable income, effective choice, and social participation fast enough for those affected by restructuring.

0. 研究位置與不得混淆的邊界

0.1 這篇與 AIBT-07、08、10 的分工

• AIBT-07 研究 Agent 是否降低企業最小有效組織規模，何時個人及小型人機團隊能承擔原本由大型企業完成的數位工作。
• AIBT-08 研究同一種生產率改進，如何經企業的裁員、增產、減時、加薪、降價、外包等決策重新分配。
• AIBT-09（本篇） 研究上述決策的後續：誰取得貨幣收入、誰取得價格利益，誰仍有能力支付新的數位供給，以及所得的跨家庭分配如何反饋至產品需求與企業現金流。
• AIBT-10 將進一步研究家庭智能資本如何在開放人機委託市場上形成真實交易、臨時組織及微型契約工作室。AIBT-09 只提供需求及收益檢驗接口，不重寫其契約設計。

0.2 直接承接、不得變造的既有理論

1. AICET-10： 代理供給擁擠（ASC）、注意力—需求吸收門檻（ADAG）與使用者退出狀態分離（DUES）。其重點是供給生成、被發現、被評估、付費及持續採納的差別。
2. AICET-11： 智能收益受益者分布核查（BDA）與收益—購買力—有效需求循環（AIPD Circuit）。本篇引用其原概念，不宣稱另創新國民核算體系。
3. EWDT-21： 生產域、消費域、參與域與個體生活世界的廣泛世界域傳遞。企業帳面成功與社會轉型成功並非等價。
4. SAS-01／EWDT-19： AI 數位產品爆發不等於能源、算力、晶片、製造及物流形成可持續的物理再生閉環；本篇不提供系統性 AI 奇點之另一定義。
5. AIBT-01～06： 技術改進與估值回收、算力成本、企業存活、核心平台集中及功能替代分離。需求端失配可以與 AI 估值下修並存，但不能由股價變化單獨證明。

0.3 陳述層級

0.4 非主張清單

本文不主張：

1. AI 供給增加必然造成所有國家的總需求崩潰。
2. 所有數位產品有相同的需求彈性或完全相同的注意力約束。
3. 任何一名工作者失業，當期全國消費必定等額下降；家庭可透過儲蓄、借貸、親友、轉移或其他收入緩衝。
4. 資本收入集中就必然不能轉為投資、政府支出或他人收入。
5. 各種物價下降對每個家庭造成一致的實質購買力改善。
6. 所有 AI 服務都應以交易額計入 GDP；無償自用服務、消費者剩餘及市場最終支出不可重複相加。
7. AI—AI 自我交易、模型互相呼叫及代理間付款等於新增最終需求。
8. 大量生成圖像、影片或遊戲等於實際成交、總體福利或有效需求同比例增加。
9. 企業自由現金流上升可推論每一位前員工收入與生活世界都改善。
10. 部分年輕工作者的相對招聘缺口代表 AI 已經造成全經濟大規模裁員。
11. 數位商品需求受注意力限制，便等於所有實體用品與 B2B 服務也受同樣形式的限制。
12. 一個家庭擁有 AI 生產工具，即必然有外部客戶願意購買其服務。
13. 本文已實證找到全球 AI 供給／有效需求的單一臨界值。
14. GBI、UBI、短工時、動態股權、公共服務、開放委託市場或任何單一安排必然是唯一解答。
15. 2027 年泡沫必定破裂，或即使市場修正 AI 科技能力必定同步退步。
16. 存在某一項數位產品價格下降的消費者收益，就足以證明前失業者已經獲得補償。

1. 第一個識別：供給充裕，不等於有效交易充裕

1.1 六個不同量

考慮特定產品／服務市場 $j$ 與時點 $t$，至少分開紀錄：

• $K_{jt}$：依明定品質與交付標準，供給者有能力生產的最大有效產能。
• $O_{jt}$：已公開提供或已可供購買的合格市場供給量。
• $V_{jt}$：真正進入買方可見視野、推薦或搜尋結果的可發現供給量。
• $D_{jt}(p)$：在價格、品質、所得、偏好及搜尋條件下，買方願意且能購買的有效需求量。
• $Q_{jt}$：在該期間實際完成的最終交易數量。
• $R_{jt}$：已完成交易後可核查的營收及收入分配，不是產物存在的同義詞。

在單一同質市場、固定價格及無交易摩擦的極簡情境下，可以記錄：

此處是可行性上限，不是完整市場均衡的推導式，更不是所有異質數位商品都能以單一數量相加。實際成交還會受到搜尋、信任、品質、授權、契約、付款及交付限制。

如某家公司利用 AI 將每日合格生圖能力從二十張提高到二百張，這只證明 $K$ 可能增加；沒有證據保證 $D$ 、 $Q$ 或 $R$ 也增長十倍。反過來，如果原本費用昂貴的照片編修可以低價即時取得， $D$ 也可能因原本被排除的新買方進場而大幅上升。

1.2 不同行業有不同的需求吸收方式

研究要求： 不得從圖像市場的注意力競爭，直接推論電網設備、晶片代工、醫院診療或法定責任服務的需求結構相同。

2. 第二個識別：需要、偏好、付費意願與支付能力不是同一件事

2.1 家庭的四道關口

家庭可能「需要」某項服務，卻沒有在市場上表達需求，至少有四種不同原因：

1. 功能需要：服務確實有潛在用途，例如協助就業、學習、健康或交通。
2. 知情與信任：家庭必須知道產品存在、理解其效果、判斷法律及品質風險。
3. 主觀付費意願：家庭願意拿出多少預算，取決於替代品、個人偏好與可用時間。
4. 實質支付與取得能力：即使有意願，也必須有所得、儲蓄、信用、補貼或其他合法取得管道。

因此，不能將「需求不存在」「不願消費」與「沒有能力支付」混成同一種零需求。兩者可能需要完全不同的研究與治理方式。

2.2 對不同家庭的異質性

對家庭 $i$，定義某一期間可支配資源：

其中 $W_i$ 為工資及相關勞動所得， $B_i$ 為自營、承攬與分配到家庭的營業所得， $K_i$ 為家庭取得的利息、股利、租金等資本所得， $T_i$ 為淨轉移收入， $\tau_i$ 為此處尚未另扣除的所得稅與強制性支付。所有項目須按同一期間、同一稅前／稅後口徑歸屬，避免把已含稅後金額再次扣稅，或把未實現的資本利得當作即期現金。

家庭的實際消費選擇還受到生活必需品、債務償付、流動資產、信用條件、居住、家庭照護及健康等約束。即使某些數位商品價格趨近零，沒有穩定住房與交通資源的家庭也未必因此進入更大的實際生活選擇集合。

把 $Y_i^{disp}$ 除以一個明確定義的價格指數，可研究一般性購買力；但當家庭在不同商品類別上的必要支出差異顯著時，總體 CPI 仍可能掩蓋高住房負擔與數位服務降價的相反方向。

3. 第三個識別：微觀效率，不會自動變成群體淨收入

AIBT-08 的設計師算例說明：AI 使每人每小時合格產出翻倍，雇主可以選擇減時、保留兩人、增產、加薪、裁員或混合配置。若勞工收入下降、部分企業盈餘增加，而新增數位供給又面對有限付費需求，那麼一個人的生產率進步便可以和另一人的實質生活壓力同時成立。

然而要形成總體需求的因果推斷，不能停留在單一雇主：

• 雇主省下的工資可能變成更多股利、設備投資、原料採購、較低價格或新產品研發。
• 模型供應商取得的 API 費用，又可能用於晶片、薪資、資料中心建設與國際採購。
• 失去工資的家庭可能動用儲蓄、轉職、取得公共補助，或調整消費結構。
• 下降的商品價格可能讓先前沒有能力購買的家庭進入市場。

因此研究的是淨傳導與時間差，不是預設一筆企業節省的工資在國民所得帳中憑空蒸發。

3.1 企業的技術節省如何轉為家庭與總體需求

下列路徑在邏輯上可以並存：

這個表達僅表示研究需追蹤的不同項目，不是國民所得恆等式，也不可直接相加為同一種貨幣量。其中利潤、工資、價格利益、投資與其他外部性在記帳時可能部分重疊：例如投資由留存利潤支付，不能將兩者視為獨立新增所得。

會計上應使用完整的資金來源與用途表，區分成本節省、價格變化、實現利潤、分配收益、最終支出與非市場福利。

4. 異質性家庭與需求傳導：不能把全國當成一個人

4.1 邊際消費傾向與消費時間

邊際消費傾向（MPC）描述家庭對一筆特定新增可支配資源，在某期間內增加消費的比例。它依家庭資產、預期所得、負債、流動性及衝擊性質不同，並非不變常數。

美國聯準會於 2026 年 10 月 9 日發表的 FEDS Notes 使用 2025 年 Survey of Consumer Finances 的假想一次性收入增加問題，得到受訪家庭平均將約 22% 的增量用於未來一年消費、47% 儲蓄、約 30% 還債；所得分布前 1% 的對應消費比率約 14%，低所得十分位約 28%。這是針對假設性意外收入的調查反應，且與實際長期工資被替代時的消費反應不屬同一經驗對象；研究者亦指出 MPC 估計存在不同方法與樣本的分歧。[S04]

上述資料支持「同一筆新增所得落在不同家庭，消費影響可能不同」這一識別思路；不能用 28% 和 14% 直接代入全球 AI 所得替代模型，宣稱某個國家 GDP 必然縮減多少。

4.2 機制的候選表達

在一個只研究短期家庭消費反應的局部近似中，可記為：

其中 $m_{i,t}$ 為特定衝擊、期間、環境的邊際消費反應。此式只是「收入分配改變會影響消費」的簡化分解；當工資衝擊引發預期變化、資產變價、借貸限制及跨期重新配置時， $m_{i,t}$ 不必保持不變，也不能在不同國家或所有市場通用。

即使短期家庭消費下降，亦仍須追蹤資本支出、政府最終支出、出口與金融體系中的儲蓄運用，才能評估整體經濟。

5. 總體核算不能省略：儲蓄不等於總需求消失

按照國民經濟核算的最終支出框架，使用通常的記號：

其中 $C$ 為私人最終消費， $I$ 為私人國內總投資（含存貨變動）， $G$ 為政府最終消費支出與政府總投資， $X-M$ 為淨出口。在不同國民核算編製中，私人／政府資本形成的分列須保持互斥，不能把政府投資同時列於 $I$ 與 $G$。這是經過一致定義的會計恆等式，不是 AI 發展必然增加或減少哪一項的因果方程。各國完整帳戶與政府投資分類仍應依 2025 SNA 等官方體系採用一致口徑。[S01] 美國 BEA 2026 年 9 月國民經濟帳戶年度更新也具體呈現私人消費、私人投資、政府支出與淨出口的分列，不可任意重複計算。[S12]

如果部分家庭減少消費，但企業因為 AI 需求而增加資料中心、電網、軟體或工業投資，當期總需求的方向不一定是負的。反之，如果企業資本支出也因 AI 泡沫或融資危機而收縮，家庭與投資兩端可能共同承壓。進口產品的替代、外部市場及匯率，也會使國別結果不同。

特別需要區分：

• 儲蓄與資金供應：家庭選擇儲蓄，可以透過金融系統或資產市場轉為投資和其他支出，但不保證在同一期、同一地區、同一部門完全轉化。
• 跨期與區域失配：持有大量現金的企業能在海外擴建資料中心，卻不等於原先失業的地方立刻創造替代就業。
• 總量與分配：GDP 增長可能與某些家庭消費能力下降同時成立；只看平均值會掩蓋社會負擔。

5.1 家庭所得不是純粹由當期工資構成

在國家與跨家庭比較時，必須追蹤：勞動薪酬、企業家所得、已分配資本所得、社會保障、個人稅、還本付息、家庭資產負債表與自有生產的非市場服務。避免把所有從工資轉出的收入直接宣稱消失。也避免把沒有在同一期轉成消費的資本利得直接當成已實現的最終需求。

6. 降價的兩面性：貨幣所得降低不必然等於實質福利降低

6.1 需求彈性與市場總營收

在一個小幅價格變化、品質與其他條件近似固定的單一商品市場中，需求價格彈性可以局部表示為：

對需求曲線上的小幅價格變動：若 $\varepsilon_j>1$，降價可能使該商品市場總營收上升；若 $0<\varepsilon_j<1$，降價可能使該市場營收下降。這是局部條件判斷，不是 AI 產業的普適彈性值。產品品質、競爭者、收入、交叉需求與消費者構成變化，都可能使彈性改變。

對內容市場，降價還可能降低創作門檻，使長尾買家首次付費；另一方面，內容供給激增時，增加的競爭也可能把更多產品推入零曝光、零交易的長尾。

6.2 以家庭真實負擔檢驗降價

如果某家庭原本僅支付少數昂貴軟體授權，AI 與開源模型降低這項成本，則它可使用省下的預算於其他需要。這是實際福利改善的候選機制。

然而如果家庭同時失去一份主要勞動所得，便不能單用軟體服務減價 80% 推論其總購買力上升。需要比較家庭可支配資源變化與其實際消費籃子價格變化，並觀察失業期長度、流動資產、信用限制及替代收入機會。

6.3 市場價格與主觀福利不是同一個量

Brynjolfsson、Collis、Eggers、Kazinnik 與 Nguyen 於 2026 年 4 月發表的研究，以放棄使用生成式 AI 工具一個月的補償要求（WTA）估計消費者福利。其研究頁面報告美國 2026 年早期年化消費者剩餘約 1,720 億美元，並顯示與前一調查波次相比顯著上升。[S03] Stanford 2026 AI Index 亦列出約 1,720 億美元估計，但其前期基準為約 1,120 億美元；研究頁面的前期值則記為約 1,160 億美元，顯示版本、波次或資料口徑可能不同。因此本文只把 2026 年約 1,720 億美元及其估計方法當作同意義可核對的主軸，不混合不同基準計算自訂增幅。[S03][S05]

此數字是消費者主觀價值估計，不能直接當作家庭收到 1,720 億美元現金。也不能把它直接加到 GDP、AI 廠商營收或預估工資增量。

7. 數位供給最特別的兩種約束：注意力與自我供給

7.1 注意力／發現門檻

資訊、影片、遊戲與社交媒體內容可以被幾乎無限制地複製，但每個人的生命時間、可用注意力與信任不會同等增長。推薦、篩選和個人 AI 助理可以降低搜尋成本，卻未必使每一部作品取得市場。AICET-10 的 ADAG 因此不能省略：被生成、被上架、被發現、被評估、被使用、被支付及被續約屬不同門檻。

以內容作者為例，NBER 2026 年對 Pixiv 創作者的研究發現，生成式圖像工具上線後部分未主要採用 AI 的插畫家減少上傳，並觀察到收藏注意力下降與同類內容直接競爭。該研究指出在其觀察樣本中，漫畫家受影響型態不同，不能推論所有創作者均會以相同幅度失去訂單。[S09]

7.2 自我供給／自行使用 Agent

過去買方需要花錢請一間軟體公司提供某個功能；未來可能只需在自己的 AI 助理裡提出需求。這可以提高買方福利，但也會讓原本可交易的部分服務轉為買方內部自產自用。

因此，某個市場的付費營收可能下降，而真實完成的任務量與使用效益上升。把這種市場交易「去中介化」單純判定為社會價值消失，會低估消費者福利；但將其當作所有被取代提供者都有正收益，也同樣錯誤。

7.3 注意力並非所有市場的共同物理上限

大量企業後端 Agent 任務，例如發票對帳、資料清洗、API 監測及庫存協調，並不需要每項成果都得到消費者直接注意力。它們的需求門檻更接近業務成本、專業責任與可驗證節省。因此，數位供給充裕應按市場機制細分，不應將「看得完幾部影片」的上限偷換成「經濟不可能吸收更多軟體服務」。

8. 市場價格與競爭證據：比供給總量更接近需求約束

8.1 平台價格與工作收入

Upwork 2026 年《Future Workforce Index》指出，其平台內 AI 相關創意製作合約開始量年增約 90%，每份合約收入卻下降約 13%；較複雜的 AI 增強專業服務則同時顯示工作量及收入增長。這支持「同一技術在不同服務市場有截然不同的單位經濟結果」的研究必要性，但只屬於該平台及其分類之資料，且無法在缺少完整對照組時推論全體勞動者的淨所得與因果效果。[S08]

8.2 付費 AI 市場仍具有選擇與替代

Egan、Russel、Shi、Yao 的 NBER 2026 年 10 月研究，使用大型信用卡及簽帳卡交易資料，估計截至 2026 年 4 月，美國消費者約 2.9% 訂閱至少一項主要付費生成式 AI 服務，並觀察到多平台使用、服務更替與留存率差異。[S10] 這說明大量免費或低價使用者取得福利，與願付費的最終消費市場規模，不必成比例；但美國付費服務普及率不能直接代表全球 AI 商業市場、企業 API 或免費工具實際使用規模。

8.3 使用者福利上升與供應商價格競爭並存

這些資料共同支持一個重要但條件性的可能性：最終使用者取得較大總效用，而提供大量重複內容或通用功能的企業、創作者及訂閱服務，卻因降價與替代面臨現金流壓力。相反，具有客戶關係、專用資料、維護責任與專業整合能力的服務，可能在數位供給充裕中繼續維持議價能力。

9. 三個透明思維實驗：分配、價格與市場擁擠

以下所有數字均為純假設、示範運算，非官方統計或現實企業財報。實驗只顯示不同機制如何可能作用，不能直接用來預測 2027 年結果。

9.1 實驗甲：總家庭所得不變，但短期消費可能變少

設某一地區的 AI 導入，假設使勞動所得合計減少 1,000 單位，並使資產持有人收到等額額外已實現、已分配所得 1,000 單位；忽略稅、跨境、價格與一般均衡回饋。再為此純假設研究設定：失去所得家庭的短期邊際消費反應是 0.8，取得額外所得家庭對這筆變化的反應是 0.2。此處的 0.8、0.2 不是美國聯準會 2026 年調查的估計值，也不能任意移植到其他家庭。

得到該期間的直接家庭消費反應約減少 600 個假設單位。剩餘的 600 並不是在會計上消失：它可能進入儲蓄、債務償還、實體或金融投資，並在其他時間與地方形成支出。若企業投資增加、價格下降、新市場形成或政策轉移發生，總需求的淨結果便可能完全不同。此算例只展示受益者分配和短期支出時間差。

9.2 實驗乙：軟體降價與家庭失業的不同組合

假設一項符合固定品質的軟體服務原價每單位 100，某家庭在舊價格下的相關可分配預算為 2,000，故最多可取得 20 單位。AI 使單位價格降至 80。暫時假設服務單位可分割，並忽略實際需求偏好與稅、庫存等限制，只作「預算可負擔等價單位量」計算（不可分割時須取整數上限）：

此表不是家庭真實消費量、社會福利或總物價指數。家庭不一定想購買 25 單位同類服務；也可能需要先支付租金、電費、食品或醫療。只有在明確品質與家庭需求口徑下，才有可能判斷降價是否補償收入下降。

9.3 實驗丙：產品數量十倍，但注意力與可支付需求並未同幅增加

假設某內容平台一年有 1,000 件被發現、品質可接受的候選作品，而買方合計願意投入 1,000,000 小時有效注意力。若再假定注意力分配完全均等，每件作品平均獲得 1,000 小時。AI 使作品增加到 10,000 件，但有效注意力仍為 1,000,000 小時，均等平均則變成每件 100 小時。若注意力高度集中在少數熱門作品，實際分配會比均等平均更不平衡。

這不是任何現實平台數據，而是說明：產出擴張十倍，不能推論每件產品的市場注意力、實際銷售或創作者收入同步增加。 但它亦不排除使用 AI 篩選、個人化推薦、創作新題材，從而在某些子市場擴大實際被滿足的需求。

10. 新需求的反作用：市場不是只會縮小

AI 降低數位供給成本後，除了舊商品的價格競爭，也可能產生需求擴張：原本只有大型企業能負擔的專用軟體，變成家庭、地方社團或小型店家可取得；原本沒有收入規模支撐的長尾創作、無障礙服務、翻譯與維護工作，可能首次取得買方。

此時應同時研究三類互補機制。這亦對應 Acemoglu 與 Restrepo（2019）對自動化替代、成本效果與新任務重新引入勞動的經典區分；本篇不把其研究成果改稱新定律。[S11]

此時應同時研究三類互補機制：

• 價格擴張機制： 同樣預算可以取得更多既有服務，或者維持用量並釋放預算到其他部門。
• 新任務與新產品機制： 出現過去成本過高、搜尋太困難或無法有效個人化的市場。
• 投資與制度擴散機制： 被節省的資源進入物理建設、技能訓練、產業轉型與公共服務，增加其他產品的供給或需求。

這些可能抵銷既有薪資和銷售壓力，甚至提高總體實質福利。然而要證明哪條機制實際主導，不能只觀察「AI 總使用量上升」，也不能把一個成功的新 AI 產業當作全部被替代職位已獲得補償的證據。

11. 分配與所得需求的時間差，可能是泡沫修正後的續發風險

11.1 不同時鐘

研究至少須比較以下事件時間：

這些不是固定先後順序，不同產業、城市、家庭與國家可以不同步。對家庭而言，最重要的是收入損失與替代收入或制度支援之間的空窗。

11.2 家庭緩衝能力的候選觀測

對某個家庭定義極簡流動性緩衝月數：

$L_i^{liquid}$ 為當期可立即動用、且不涉及重大罰則的流動資產， $E_i^{essential}>0$ 為每月基本必要支出與到期債務支付。此指標不考慮社會福利、保險給付、新就業、資產售價與各項非現金資源，因此只能作粗略預警量。家庭有兩個月緩衝不代表在第二個月必然破產，也不代表超過十二個月就安全。

將不同職業、家庭收入分位與地區的緩衝分布，和 $T_{income}$ 到 $T_{inst}$ 的實際差距一起觀察，可能更接近「制度能否來得及」的問題，而不必先預設特定福利政策。

11.3 金融泡沫與需求失配可同時發生但不能互相推出

AIBT-01 說明金融市場的估值重估、資本支出減速及企業財務危機均有不同門檻。某段 AI 泡沫修正可能削弱就業與企業投資；但也可能降低硬體租用成本，使部分微型企業更容易取得 AI 能力。反過來，AI 服務價格下降即便推動大量新採用，也不必然解決原先被替代工作者的收入空窗。

因此，技術、投資、就業、價格與家庭需求，是相互影響但不同速的時鐘。

12. 國家、社群與階層的異質性：不存在單一「AI 經濟」

IMF 於 2026 年 7 月發布的研究使用 2025 年至 2026 年初的 Anthropic Economic Index 資料，將 AI 使用帶來的勞動時間節省，以「勞動成本等價」（LCE）的方式推算為年化約 2.7 兆美元及 GDP 的約 3.4%。此為使用資料與時間價值的推算，不是已實現的薪資節省、已歸屬家庭的所得、國民所得新增或國庫稅收。同一研究發現 AI 使用價值在發展中經濟體的少數職業更為集中，並指出語言和制度環境影響普及。[S02]

這提示本篇需要從至少四個分布切入：

1. 國別與區域： 有些地區主要獲得 AI 降價，有些地區可能因輸出軟體、設計與外包服務而承受更直接的收入競爭。
2. 家庭財富： 持有 AI 平台、算力、股票或企業資產的家庭，可透過資本收入受益；非持有者可能主要依賴工資或消費者降價收益。
3. 代際與職涯： 青年入門職缺可能調整較快，而資深人員更多取得 AI 增強收益。
4. 技能與權限： 能治理多 Agent、驗證成果和取得商業客戶的人，未必與只會產生大量通用內容的人面對同一市場價格。

但觀察差異不等於已識別 AI 因果效果。其他影響包括利率、景氣、人口結構、教育、產業競爭、疫情後調整及監管變化。

13. 截至 2026-10-31 的證據對照矩陣

13.1 不能把不同研究硬湊成同一個數字

Stanford 消費者福利研究測量的，是使用者估計願意接受多少補償以放棄產品；Upwork 研究的是平台接案狀態；聯準會 MPC 是家庭對假想收入的支出反應；IMF 的 LCE 是使用資料的時間成本等價；Stanford ADP 研究是職業、年齡、AI 曝露度相關的薪資資料。分母、樣本、年份、價值定義與因果設計均不相同。 把 1,720 億美元消費者剩餘、2.7 兆美元勞動時間成本等價和企業 API 營收相加，將是嚴重的重複計算與經濟概念混淆。

14. 2027–2028 年四種候選情境

情境 A｜供給擁擠與家庭需求脆弱共同出現

假定通用數位生成成本快速下降，企業減少部分勞動與外包需求，資本收益集中，但新任務、價格利益與再配置所得未能在短期補償受影響家庭。此時可能出現更多產品、更低單價、部分消費者福利增加、創作者平均每案收入下降，以及若干地方或職業群體的家庭購買力惡化。這是可測情境，不是 2027 年必然發生的預言。

情境 B｜降價與新需求吸收替代壓力

假定 AI 大幅降低數位服務價格，原本無法支付專業服務的小型企業、社團與家庭形成新市場，增加互補工作、投資與消費。即使某些舊職業縮減，新任務及商品可負擔性仍可能使實質消費與大多數家庭生活世界改善。此結果將弱化「需求斷裂主導」的假說。

情境 C｜總需求成長但分配惡化

假定新增 AI 實體投資、國際需求及其他產業活動足以支撐總體 GDP、就業或消費成長，但數位創作、入門工作者、外包者與部分低流動性家庭仍面臨收入空窗。這時宏觀沒有衰退，不等於分配問題不存在；反之，分配惡化也不等於整個經濟崩潰。

情境 D｜金融修正與市場重組並存

假定 AI 股票或融資出現修正，部分高槓桿算力與應用公司縮減投資或退出，但既有模型能力持續低成本普及。消費者可獲得更便宜工具，新的微型工作室進場；然而短期的上游就業、外包收入與地方財政仍可能受衝擊。必須將技術擴散、資本支出下降與家庭淨收益分別檢驗。

15. 十四項可反駁假說

研究紀律： 每一假說都要預先指定樣本、處理組、對照組、品質基準、效果大小與觀測窗口；否則「沒有找到效果」或「看到市場變化」都不足以完成驗證。

16. 實證研究設計：從資料可得性到因果識別

16.1 研究一：平台供給—發現—成交鏈

樣本： 至少兩種性質不同的數位委託市場，例如可交付圖像／影音與企業後端軟體服務，按月追蹤至少一年，並區分 AI 輔助與未使用 AI 的服務提供者。

觀測量： 上架量、可發現商品量、推薦曝光、查詢量、接洽量、買方轉換率、實際成交、退款、驗收、交付品質、單件淨收入、維護時數及平台抽成。

識別策略： 利用平台 AI 工具分批推出、模型價格變更、不同工作類型的任務適用性，建立差異中的差異或事件研究；控制總景氣、廣告投放、平台政策、季節性與產品類型。應進行前趨勢檢查、安慰劑事件、不同暴露度分組與流失樣本敏感性分析。

防錯重點： 曝光、AI 生成量與工作量不是收入。平台上的作品減少也可能因作者轉向其他市場，而不是直接失業。

16.2 研究二：家庭所得—消費—價格面板

樣本： 涵蓋非 AI 職業、AI 高曝露職業、正在轉換職業者及原已失業者，並按財富、流動性與家庭照護負擔分層。匿名化且保護個資，不以不可撤回的全域追蹤為前提。

觀測量： 實際工資與外包所得、家庭可支配現金、已分配資本所得、社會保障、持有流動資產、債務、消費籃子、AI 支出、數位與非數位價格、轉職時間、時間壓力、未被滿足的需要及生活選擇權。

識別策略： 比較同等教育與相近職業／地區下，AI 曝露程度或導入衝擊不同的家庭；控制房租、通膨、利率、地方失業率、工資政策與家庭重大事件。不應把職業 AI 曝露分數視為真正採用強度。

防錯重點： 一名家庭成員失業但另一人收入上升，不可將家庭視為完全失去所得；同樣，家庭總收入未下降也不能忽略個體角色或分配損失。

16.3 研究三：地方產業重整與物理投資互補

樣本： 軟體外包、數位設計、客服等部門具有不同 AI 曝露度的城市或地區，以及有／無大型資料中心與實體 AI 投資的對照地方。

觀測量： 行業營收、勞動報酬、招聘率、企業進出、居民消費、房租與能源價格、當地政府收入、企業投資、淨進出口或外包服務流量。

識別策略： 區分企業採用 AI、模型價格變化、地方招商及一般宏觀衝擊；不得直接由資料中心的建設總額推論地方所有家庭的福利改善。

16.4 系統性偏差與調整

應預先報告：存活者偏差（破產企業資料缺漏）、平台推薦變更、創作者跨平台遷移、同時發生的市場景氣、AI 使用自選偏差、家庭信用限制、非市場自用、模型服務補貼、支付欺詐及隱藏的人類審核時數。無法排除這些因素時，結論應降為描述性而不是因果性。

17. 最小資料字典與審計規則

所有跨家庭與跨平台匯總都應保留：日期、幣別、實質／名目、稅前／稅後、品質、抽樣方式、來源網址、缺漏率及不確定區間。可使用匿名識別碼，不將家庭真實身份公開作為研究必要條件。

18. 競爭解釋與不利於本論的案例

本研究應主動尋找以下足以削弱「購買力斷裂主導」的證據：

1. 高需求彈性： AI 降價使先前無法負擔的買方大量進場，最終交易、持續使用及總體服務淨收益共同上升。
2. 跨產業互補： AI 釋放的資本被投入能源、醫療、物流、科研及實體供給，大量形成此前不存在的新工作與消費能力。
3. 勞工增強優先： 企業採用 AI 後主要提高工資、改善工時、擴充服務，且招聘未減少。
4. 家庭自我供給福利： 即使市場營收下降，家庭實際取得原先無法購買的服務，生活世界明顯擴張。
5. 競爭性平台與互通： 人機工作室可以跨平台保留商譽、資料、成果與客戶，使市場入口沒有再次高度集中。
6. 制度及時性： 即使部分人失業，轉職及社會保障能在家庭流動性耗盡前穩定收入與參與。
7. 外部需求： 本地數位供給能透過國際需求、可出口專業服務與新的客群，承接原本未滿足的需求。

同樣，若這些機制只對少數富裕家庭或大型企業有效，也不能據此宣稱全體分配問題已經消失。測量應同時報告總量、群體分布與受影響者的時間歷程。

19. 制度研究接口：不從診斷直接跳到唯一處方

AIBT 的研究對象不是替某個政治或經濟方案背書。即使資料顯示家庭購買力和 AI 產能出現斷裂，也仍有多種可比較的制度及市場調整機制：工資與工作時間協商、職涯轉換、一般性或定向社會保障、公共服務、競爭與互通、家庭智能資本可達性、開放人機委託市場、條件式企業收益共享及金融穩定措施。

其中 UBI、GBI／GBI 2.0、動態股權及其他提案，應在其他研究中按實際資金來源、法律權限、財政持續性、行政成本及對家庭收入和生活世界的淨效益評估；AIBT-09 不假定任何單一制度已經證實最適。

有兩種界線尤其重要：

• 不凍結所有舊職位：保護生活與選擇權，與維持每一個舊工作內容並非同一個政策目標。
• 不把人的生活視為可交換帳本：平均 GDP 增加或數位產品增加，不能自動證明受損家庭的生活、權利和經濟角色已得到合理補償。

這些屬規範及制度比較問題，不得混入既有資料的因果結論。

20. 與 AIBT-10 的直接交接：微型工作室能否把生產能力變成真實需求？

下一篇 AIBT-10 將問：當普通人、家庭和被裁員工作者都能透過 AI 取得生產能力，能否在開放的人機委託市場中取得可持續收入？本篇提供最低必須遵守的需求端條件：

1. 真實買方存在，且委託具有可追溯預算及用途。
2. 成果具有可驗證的品質、授權、責任、售後與支付機制。
3. 接單量、淨收益與人類監督時間按實際發生記錄，而不是以 AI 自動活動次數計價。
4. 如果買方越來越可以自行使用 AI，微型工作室應研究服務的差異化、驗收責任、專業價值與長期維護，而不是只提供提示詞。
5. 開放市場應檢驗買方與賣方之可攜資料、評價及退出能力，避免將原本雇主依賴重新變成平台依賴。
6. 新市場的社會意義須由持續家庭淨收益、收入波動、經濟參與與生活選擇權判斷，不能僅以「平台已有許多註冊接案者」宣稱成功。

交接結論：「AI 使人人都能生產」並不足以讓每個人重建購買力。AIBT-10 應驗證的是分散的 AI 生產能力能否與具有支付能力、可持續且可信任的外部需求形成完整委託關係。

21. 結論

AI 技術能力、企業可生產的數位商品集合、上架作品數、平台曝光、已成交數量、企業現金流、家庭所得、實質購買力與文明福利，是不同層次的經濟變量。當 AI 同時降低供給成本、改變企業組織與勞動議價能力、把部分購買需求移轉至自我供給，或將收益集中於某些資產與平台時，經濟可能在總體繁榮與局部分配困難之間產生強烈錯位。

但不能把這種可能性改寫成必然的需求崩潰：降價、互補工作、使用者福利、新任務、實體投資、公共需求與跨境交易可能創造反向效果。也不能把服務免費的消費者福利誤作現金所得，藉此否定部分家庭在失業時面對的生活損失。

本篇總結性命題：數位供給的可複製性提高，不會自動創造等量的可支付需求；AI 生產力紅利只有經過價格、所得、時間、投資、公共制度、企業與家庭的完整傳導，才可能從局部能力擴張轉成廣泛而持續的實質生活改善。

此命題與 AIBT-01 的金融時鐘、AIBT-08 的紅利路由、AICET-10／11 的代理供需與需求循環、EWDT-21 的自動化社會閉合以及 AIBT-10 的開放人機委託市場，形成可追溯接口；不改寫 SAS-01 的真 AI 奇點定義。

附錄 A｜操作性名詞表

附錄 B｜同口徑數值核驗

• 實驗甲：勞動所得變動 −1,000，加上資本所得變動 +1,000，總變動 0；假設消費反應為 −800 與 +200，合計 −600。此為假設短期直接反應，不是總需求均衡結果。
• 實驗乙：2,000÷100=20；2,000÷80=25；1,600÷80=20；1,400÷80=17.5。相對基準：+25%、0%、−12.5%，只指該商品在固定品質的可負擔數量上限。
• 實驗丙：1,000,000÷1,000=1,000；1,000,000÷10,000=100。此為假設均等注意力分配的平均，不是現實平台分配估計。
• 2026 年研究中聯準會的 MPC（22%、14%、28%）、Stanford 消費者剩餘（約 1,720 億美元）及 IMF LCE（約 2.7 兆美元）均不進入上述示範算例的統計校準。

參考文獻與原始來源（截至 2026-10-31）

提醒： [S##] 為本文來源編號；所引研究的具體數字與樣本應依其原始文獻口徑核對，不得以本篇摘要代替研究全文。連結供原始文件追溯；部分學術研究仍為 working paper。

[S01] United Nations Statistics Division. System of National Accounts (SNA) 2025, official overview. https://unstats.un.org/unsd/econstats/national-accounts/Sna/

[S02] Fan, Rachel Yuting; Nguyen, Ha Minh (2026-07-10). Aggregate Gains from AI and Their Distribution: Global Evidence from Usage Data. IMF Working Paper No. 2026/147. https://www.imf.org/en/publications/wp/issues/2026/07/10/aggregate-gains-from-ai-and-their-distribution-global-evidence-from-usage-data-577586

[S03] Brynjolfsson, Erik; Collis, Avinash; Eggers, Felix; Kazinnik, Sophia; Nguyen, David (2026-04-13). What is Generative AI Worth? Stanford Digital Economy Lab. https://digitaleconomy.stanford.edu/publication/what-is-generative-ai-worth/

[S04] Aladangady, Aditya; Bricker, Jesse; Chang, Andrew C.; Goodman, Sarena; Li, Gina (2026-10-09). Heterogeneity in the Marginal Propensity to Consume among U.S. Households. Federal Reserve FEDS Notes. https://www.federalreserve.gov/econres/notes/feds-notes/heterogeneity-in-the-marginal-propensity-to-consume-among-u-s-households-20261009.html

[S05] Stanford HAI (2026). The 2026 AI Index Report — Economy. https://hai.stanford.edu/ai-index/2026-ai-index-report/economy

[S06] Chan, Cheuk Yu Cheryl; Shedania, Khatia (2026-05-06). The Aggregation Paradox of AI: Why do micro-economic productivity gains from AI disappear at scale. International Labour Organization. https://www.ilo.org/publications/aggregation-paradox-ai-why-do-micro-economic-productivity-gains-ai

[S07] Brynjolfsson, Erik; Chandar, Bharat; Chen, Ruyu (revised 2026-08-12). 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] Upwork (2026-07). Future Workforce Index 2026: How AI is Redefining the Value of Work as Skilled Freelancing Accelerates. Platform research and press release. https://www.upwork.com/press/releases/upworks-future-workforce-index-2026-how-ai-is-redefining-the-value-of-work-as-skilled-freelancing-accelerates

[S09] Kim, Sueyoul; Jin, Ginger Zhe; Lee, Eungik (2026-01). Does Generative AI Crowd Out Human Creators? Evidence from Pixiv. NBER Working Paper 34733. https://www.nber.org/papers/w34733

[S10] Egan, Mark L.; Russel, Dominic; Shi, Claire; Yao, Vincent (2026-10). Competition in Generative AI: Evidence from Consumer Demand. NBER Working Paper 35953. https://www.nber.org/papers/w35953

[S11] Acemoglu, Daron; Restrepo, Pascual (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

[S12] Bureau of Economic Analysis (2026-09). The 2026 Annual Update of the National Economic Accounts, Survey of Current Business. https://apps.bea.gov/scb/issues/2026/09-september/0926-nea-annual-update.htm

EveMissLab 既有 canonical／研究原稿（本篇的理論接口，不作外部實證來源）

• 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_07_Agent生產革命與最小有效企業規模的重估_v0.1_2026-10-31.md
• AIBT_08_替代與增強的交叉作用_生產力紅利如何分配_v0.1_2026-10-31.md
• AICET_10_代理供給擁擠注意力競爭與市場退出_v0.1_2026-10-28.md
• AICET_11_智能收益分配購買力與經濟需求循環_v0.1_2026-10-28.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-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

文件註記： v0.1 僅建立完整論文文本、操作模型、文獻接口與後續可否證研究計畫；未對任何國家 2027–2028 年之市場情況宣稱已發生或已測得。正式引用及再版須保持此份原始 Markdown 的 UTF-8 source 為準，不得由聊天渲染視圖重製公式作為 canonical source。