title

AIBT-11｜制度適應時間差、分配張力與 AI 朋克危機

english_title

Institutional Adaptation Lags, Distributional Tensions, and the AI-Punk Transition Crisis: A Time-to-Protection Framework

series

AI 泡沫、產業重整與文明適應論

series_code

AIBT

document_id

EML-AIBT-2026-11

series_position

Core Paper 11 / 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

完整研究原稿／制度時間與分配風險之候選模型；未經同行評審；2027–2028 為可反駁情境

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-10｜開放人機委託市場：家庭智能資本與微型契約工作室

next_paper

AIBT-12｜泡沫之後的 AI 科技樹：前奇點失配與文明正和判準

AIBT-11｜制度適應時間差、分配張力與 AI 朋克危機

Institutional Adaptation Lags, Distributional Tensions, and the AI-Punk Transition Crisis: A Time-to-Protection Framework

研究系列：《AI 泡沫、產業重整與文明適應論》（AIBT）／第四部・第十一篇
理論問題提出： Neo.K
研究協作與整稿： 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）；2027–2028 年僅為條件式觀察窗口。
學術性質： AI 政治經濟學、勞動經濟學、社會保障、制度變遷、分配與權利之概念模型及可否證研究設計。本文不構成單一法域的法律、社福給付、投資或政治決策建議。

作者： Neo.K
日期： 2026-10-31

摘要

AI 的數位生產能力、模型部署、Agent 工作流程及企業組織重構，可能以快於勞動市場、家庭資產負債表、社會保障與公共制度的速度改變收入來源。即使 AI 技術在 2027–2028 年未達到通用智能，也可能出現較少新聘、外包縮減、工資議價弱化、部分企業解散或微型組織取代既有承攬結構等調整。若受影響者的現金緩衝期短於制度「從辨識問題到實際保障到帳」的時間，個人即可能在總體市場尚未出現普遍失業前承受不可逆的住房、教育、信用、職涯或家庭選擇損失。這一機制不是 AI 泡沫必然破裂的證明，也不是 AI 能力提高必然造成社會衝突的定律。

本文提出制度有效回應時差（Institutional Effective-Response Lag, IERL）與家庭緩衝—保障缺口（Household Buffer–Protection Gap, HBPG）兩項候選操作性研究構件：前者區分政策察覺、決策、法律授權、行政實施、個別申請與實際受益等節點；後者以家庭在指定最低必要支出下可維持的流動資金緩衝期，與保障實際到達的時點比較。本文將其放入 AIBT-08 的「任務效果—企業選擇—收益分配」、AIBT-09 的「供給—有效需求」與 AIBT-10 的「人機委託市場」之後，研究多種補救及市場內生吸收機制可能同時存在或失效的條件。

本文亦嚴格區分AI 朋克過渡危機與 WIIW-08 已定義的賽博朋克式反權力失效態：前者是技術、工作與制度重構期間的條件性張力、協商、抗議及重新配置過程；後者是有效退出、申訴、查核、組織反對與法治制衡已遭嚴重削弱的一種制度狀態。公開反抗可能顯示反權力仍然有效，不可被直接當作反權力已經崩潰的證明。本文不預設全體社會一定抗議，也不預設抗議只能採某種形式。

本研究對照截至 2026 年 10 月底的 ILO、OECD、Stanford、丹麥行政資料與歐盟 AI 法規實施時程，將「已有部分早期就業訊號」與「尚無普遍 AI 導致的經濟全面裁員證據」並列處理。最後提出十四項可反駁假說、四種 2027–2028 年情境、前瞻資料字典、三種因果辨識設計及制度方案比較框架。UBI、GBI／GBI 2.0、短工時、動態股權、公共服務、再訓練與人機委託市場均是具有不同限制的候選安排，不被先驗指定為唯一解答。

中心命題：技術生產率與經濟制度不是同一個時鐘；制度最後能調整，亦不代表調整到達前的損失可以被時間倒流抹去。

關鍵詞： 制度適應時差、有效回應時間、家庭現金緩衝、AI 朋克危機、社會制衡、收入分配、勞動市場、公共救濟、平台依賴、買方支付能力、AI 企業重整、治理時間差、反權力、前奇點失配。

Abstract

This paper develops a conditional theory of institutional adaptation lags amid AI-driven changes in work, firm boundaries, and the distribution of economic returns. Technical capability, organizational deployment, labor reallocation, household liquidity, policy adoption, and effective protection operate on different clocks. A household may exhaust its financial buffer before assistance actually arrives, even if aggregate unemployment remains stable and the economy eventually adjusts. We distinguish the adoption of a policy from its actual reach, a decline in hiring from dismissals, and automation-induced productivity from broadly distributed real income.

The paper introduces two provisional analytical constructs—the Institutional Effective-Response Lag (IERL) and Household Buffer–Protection Gap (HBPG)—without presenting them as validated universal indices. Drawing on Stanford payroll evidence, Danish administrative panel research, ILO assessments of employment, productivity and social protection, OECD policy mapping, and the staged EU AI Act timeline, it identifies contrasting effects and limits on causal interpretation. It further separates a potential AI-punk transition crisis (economic strain, negotiation and contestation during technological change) from the previously formulated counter-power failure state of WIIW-08. Collective action may be evidence that counter-power survives, not that it has failed. Four scenarios, fourteen falsifiable hypotheses and empirical identification plans close the study. The contribution is a research framework, not a prediction of inevitable mass unemployment, a prescribed political programme or a claim that an AI systemic singularity has occurred.

0. 研究位置與主張的層級

0.1 本篇在 AIBT 十二篇中的位置

AIBT-01 至 03 已分別研究 AI 資本回收、算力能源與跨國產業競賽的財務約束；AIBT-04 至 06 研究核心供應商集中、API／契約替代與數位產品功能商品化；AIBT-07 至 09 研究 Agent 對最小有效企業規模、替代與增強的交叉效果，以及家庭購買力與終端需求。AIBT-10 進一步討論人機微型契約工作室能否讓部分失業者重回有償生產。

本篇不是再次討論如何建造 Agent 或如何支付所有人的收入，而是研究不同部門將上述變化吸收為可持續生活條件所需要的時間。下一篇 AIBT-12 將從金融泡沫和制度張力回到 AI 整體科技樹、SAS-01 的物理再生閉環及文明正和門檻。

0.2 既有理論接口不得重寫

0.3 證據標記

• OBS： 可核對外部資料；必須連同日期、對象、估計方法及相反結果報告。
• DEF： 本稿暫定的比較或記錄構件，尚未獲得跨國外部效度驗證。
• HYP： 提出方向、條件、競爭解釋與可以推翻的結果。
• SCN： 明確的思想實驗、假設數值或未來情境，非已發生歷史。
• NOR： 關於權利、制度正當性或分配的規範性觀點；不得冒充因果證據。

0.4 十五項非主張

1. 本篇不主張 2027 年或 2028 年必然發生 AI 引致的普遍失業、全國暴動或經濟崩潰。
2. 不主張所有採用 AI 的企業必定裁員，或所有未裁員企業都在增加工資。
3. 不主張個人任務效率增加與總體 GDP、淨福利或企業利潤必然等幅變動。
4. 不主張任何人受技術影響就必然反對 AI，或抗議者的政治觀點可以從職業推定。
5. 不把和平集體談判、訴訟、選舉參與、罷工、抵制與暴力行為混為相同結果。
6. 不把「社會出現反對聲音」當作「有效反權力已消失」的證據。
7. 不預設某個國家、公司或社會已進入 WIIW-08 的反權力失效終態。
8. 不把人工智慧模型、Agent 或組織的技術自動化能力當成既有法定人格、雇員資格或國家主權。
9. 不認為家庭使用多個 AI 就會自動取得淨收入，也不認為所有失業者都能被微型接案市場吸收。
10. 不認為 GDP、股票價格、API 使用量、服務降價或消費者剩餘單一指標足以判定文明正和。
11. 不把政府宣布政策、立法通過或服務上線直接當作個別家庭已收到保障。
12. 不認為所有國家具有相同失業救濟、稅制、社會對話或轉型財政能力。
13. 不預設 UBI、GBI、動態股權、工時重分配或任何一套單獨方案是必然正確之解。
14. 不將政策反應慢完全歸咎政府；企業、家庭、支付系統、保險與市場的協調也存在時間成本。
15. 不聲稱已從 2026 年資料識別出未來社會衝突的普遍閾值；即使統計風險增加，也不能推出個人必定採取某種行動。

1. 問題起點：真正具有經濟後果的是「多久」

1.1 同樣的 AI 技術，會產生不同的制度時間

同一家數位企業可以在幾週內決定減少初階招聘、外包或單一服務預算；教育制度需要課程調整與完整學期；社福給付需要法定資格、預算、稽核與行政能力；失去客戶的家庭工作室可能必須立刻付房租。這些時間尺度在原理上就不一致，但具體快慢應用交易、就業與制度資料查核，不能僅由刻板印象設定。

一個更重要的情況是，企業未必明確「裁員」。它可以不補離職者、減少新聘、增加兼職、外包轉內製或使用 AI 自行完成採購。在勞動市場總失業率仍穩定時，某些新入職世代可能已經失去進入職涯的機會。[S01][S02]

1.2 三個不能互換的命題

命題 A： 一項職業有可被 AI 執行的任務。這是技術暴露，並非該職位已被取代。
命題 B： 因 AI 導入而降低的工作或收入機會。這需要實際行為、時間序列及反事實辨識。
命題 C： 社會與個人是否受損。即使收入不變，工作品質、自主權、住房安全與未來選項仍可能不同；也可能有工作負擔下降或品質改善。

一種值得單獨研究的矛盾是：整體產能變多、服務降價、若干企業獲利上升，而部分工作者在轉型期間的名義與實質索取權下降。這不是說新服務無價值，而是說誰取得可支付能力必須獨立核算。

1.3 「適應」的評價對象是人，不只是公司

企業利用 AI 保住利潤，並不自動表示原員工已得到下一份同等品質工作。家庭即使取得更便宜的數位工具，也不代表其住房、醫療、照護及實體必要支出下降。因此制度適應的結果至少應分別報告勞動機會、實質資源、個人選擇權、尊嚴與時間主權。

2. 六種時鐘與不可直接加總的治理延遲

2.1 候選時鐘

不應假定時鐘必然遵循固定順序。有些企業在模型更強前先導入低成本舊模型；某些地方可用現有法規迅速提供救助；另一地方的教育更新甚至早於裁員。因此本文研究相對時間的條件式錯位，而非全世界共同走向同一條單調路線。

2.2 制度有效回應時間：不是立法發布日期

對特定衝擊 $s$ 、制度 $p$ 與家庭 $i$，令：

• $t_s$：衝擊開始影響該家庭的可支配資源之時點；
• $t_{notice}$：監測體系發現同類問題之時點；
• $t_{decision}$：決策者完成對應安排之時點；
• $t_{legal}$：必要法律或預算授權完成之時點；
• $t_{operate}$：負責機構已能運作之時點；
• $t_{reach,i}$：家庭真正收到可支用資源或實際可利用服務之時點。

研究構件制度有效回應時差定義為：

若某項既有保障在衝擊之前即已可使用， $L_{IERL}$ 可以為負；若家庭永遠未獲給付，應記錄右設限（censoring）或不符合資格，而不是任意把時差設為零。若衝擊前已累積債務或未發薪資，亦必須以實際財務開始惡化之日作起算，而非統一從新聞發布日計算。

政策流程可能平行進行，故不可以把每個部門的工作天數機械相加當成總體時差；真正相關的是從衝擊到對個別家庭生效的關鍵路徑時間。此外，政策補貼雖到帳，但如果價格、資格限制或地方供給使其無法購買必要資源，仍不能用到帳一個指標代表完整保障。

2.3 公布、授權、上線、受益是四個不同事件

以歐盟 AI Act 的實施時間為制度例證（不是將其作為失業保障）：歐盟官方 AI Act Service Desk 截至本稿截點指出，部分監管權限自 2026-08-02 開始執行；附件 III 高風險系統的相關規則適用日為 2027-12-02，特定受規制產品內高風險系統則為 2028-08-02。[S10] 這表明制度生效可能採分階段時程，但 AI Act 的法律遵循不等於社福保護，不能用其生效日估算失業津貼到帳速度。

同理：企業宣布縮短工時、社會宣布轉型基金、平台宣布創造新接案機會，都需要分開測量實際到達的結果。

3. 家庭緩衝—保障缺口：從平均增長率回到個體生存時間

3.1 最小模型及其限制

定義 $H_{i,t}$ 為家庭在不動用不可變現資產或未核准借款下，可合法且及時支用的流動資源； $E_{i,t}^{min}$ 為包含住房、食物、能源、交通、必要照護、保險等的最低持續支出； $Y_{i,t}^{secure}$ 為可合理確認會在該期實際到帳的收入及既有給付。令每月必要支出的現金缺口：

若在思想實驗中以固定缺口 $G_i>0$ 、固定流動資源 $H_i$ 近似，家庭財務緩衝期：

若 $G_i=0$，此比值不應以無限期的真實安全保障代替；因為疾病、債務到期及未來收入仍有風險。應改記「在目前最低支出與已確認收入下尚無每月現金缺口」。真正資料應依日期建立收支時序，考慮租金到期、債務、所得稅、家庭成員及價格波動，而非套用固定分母。

再令 $T_{reach,i}$ 為上述衝擊後，足以填補必要支出或提供對應實物支持的保障到達月份，定義簡化的家庭緩衝—保障缺口：

兩量皆須在同一衝擊起點下以月份比較，且 $G_{HBPG}$ 是時間缺口，不是貨幣損失、失業率、風險機率或道德正當性評分。部分保障到帳但未完全填補缺口時，需改用逐月資產餘額與實際取得的貨物／服務衡量。

3.2 三個家庭的可重算假設（SCN）

假定三個家庭在失去原有工作或訂單後，每月維持必要生活需新臺幣 45,000 元，且目前可確定到帳收入只有 30,000 元。所有數字都純為例子，不代表臺灣平均家庭或任何福利制度的真實發放期限。

丙的新增接案收入假設已到帳、已扣除平台／AI／返工等成本；若只有報價、未驗收工作或尚待付款，不能列為穩定收入。以相同 90,000 元流動資源、同樣 15,000 元原缺口，新增 8,000 元確實淨收入後，缺口才降至 7,000 元。若兼職造成福利資格變化或工時成本，還需另行計入。

3.3 同一個政策可以有不同效果

同樣第九個月給付，在甲家庭可能來不及避免必要支出的中斷；在乙家庭可能來得及。若政策只覆蓋正式受雇者，接案者可能完全無法進入資格集合；若宣稱補助 30,000 元卻因名額、行政障礙或負擔能力使家庭無法取得適當住房，則保障效果仍需重新評估。

這說明為何「平均通膨」「平均 GDP」「平均失業率」和「某政策總預算」不能替代不同家庭的緩衝期、實際可及性與可支配選項。

3.4 不可逆損失與可補救損失的區分

短期失去流動資金可能引發：被迫出售設備、放棄技職訓練、工作搜尋半徑縮小、信用損失、住房不穩、照護中斷等。部分損失日後可以透過所得回升補救，部分具路徑依賴，不保證給付到帳後可完整恢復。本篇將之作為可觀測結果而非預設不可逆的悲觀結論。

4. 勞動替代不是單一事件：招聘、工時、工資與職涯入口

4.1 四種不同的勞動衝擊

若企業改用 Agent，既可能減少招聘，也可能因產品線擴張創造新需求；不能將工作任務被 AI 替代的比例直接解讀為職位消失的比例。

4.2 2026 年不同研究所顯示的早期訊號

Stanford Digital Economy Lab 2026-08-12 修訂的 ADP 薪資資料研究指出，尚未發現美國經濟整體普遍的 AI 就業替代；但是在高 AI 暴露職業中，22–25 歲工作者的相對就業表現較低暴露同儕延續趨勢低約 19%，差異主要透過新聘減少形成。作者明示這是描述性的早期訊號，不是 AI 因果效果的精確估計，且樣本與全國調查存在差異。[S01]

與之對照，Humlum 與 Vestergaard 的丹麥研究（NBER 2025；2026-03 修訂）結合大規模使用調查與行政資料，對薪資和記錄工時得到接近零的平均效果，在觀察窗口內排除大於約 2% 的平均影響；工作內容卻已重新組織並出現 AI 監督與整合任務。[S02] 兩者地區、方法、職業、時間和結果變數不同，不構成誰對誰錯，更不能以丹麥結果否認其他國家的脆弱族群。

ILO 2026-06-01 的研究綜述同樣強調，部分任務的生產率收益是真實而不均的；大規模整體工作替代仍有限，青年工作入口與工作品質值得追蹤。[S03] 因此本篇在 2026 年的證據狀態是：部分分布性壓力已有跡象，但尚無足夠證據宣稱全球普遍已進入 AI 大失業。

4.3 職涯入口消失與「未曾成為員工」

如果一名新畢業者因企業預期 Agent 可以處理初階工作，連第一份正式工作都未取得，那麼單看「原本僱員被解僱多少人」便看不到損失。實證應觀察初職轉換、應聘失敗、實習機會、技能形成與職涯薪資階梯，並與宏觀景氣、遠距工作、產業構成、教育供給等變量比較。

5. 自由市場、企業與公共制度：三種調整速度沒有固定優勝者

5.1 市場並非不會調整

AI 降低生產成本後，市場可透過價格下降、服務創新、外包需求重配、創業與新職位形成新均衡。若新需求具有足夠支付能力，或節省成本投入新的物理與數位投資，原有的失業衝擊可能被吸收。AIBT-09 已排除「供給變多必使總需求崩潰」這種未證命題。

但市場總量恢復不保證原本受影響者恢復同等收入，因為技能、年齡、地點、債務及客戶取得能力不同。企業本身的投資與重新組織需要時間，不能把「長期有效率」偷換為「轉型期間無害」。

5.2 政府也不一定比市場更慢

具有既有自動給付、身份核驗、就業服務、穩定財源及當地服務網路的制度，在一些衝擊中可能比個別企業更快穩定家庭收入。相反，完全臨時制定的救助、需要新法與複雜資格審核的制度可能需要較長時間。比較應使用家庭實際受益的時間，而不是預設政府必慢、市場必快。

OECD 2026-07-24 的政策盤點指出，G7、歐盟及部分拉美國家對 AI 勞動問題多先使用既有勞動制度；直接針對 AI 的政策以技能與採用領域較成熟，隱私、透明度與問責措施仍持續發展。[S04] 這支持研究制度建設差異，不構成所有政府來不及調整的已證事實。

5.3 資訊回饋與執行能力可能比法條名稱重要

同一項措施若無法知道誰真的被替代、哪些家庭緩衝耗盡、職缺是否只是重新命名，便可能錯誤配置資源。因此需分析：從可疑訊號到行政可見、可見到核定、核定到支付、支付到恢復實質選擇權的每一環節。也必須防止用 AI 風險預測模型直接決定人的資格，而不給予說明、申訴及人工審查。

6. 分配張力不是只有工資與失業率

6.1 物質與財務張力

關鍵不只是家庭名義薪資，還包括住房與能源支出、債務支付、醫療照護、信用條件、可抵押資產及當地生活必需品供給。對低緩衝家庭，數位產品降價不會自動抵銷實體必需支出。ILO《World Social Protection Report 2024–26》指出，全球人口中約 52.4% 享有至少一項社會保障給付，仍有 47.6% 沒有任何該類保障；這反映基本制度覆蓋差異，但並不等於 47.6% 正承受 AI 失業。[S05]

6.2 角色、時間與尊嚴張力

EWDT-21 已指出：被釋放的工時與被迫失業的時間不同。若人失去收入、社群、職涯、能力展現與生活節奏，不能僅因其「空閒時間增加」就算作 AI 時間紅利。相反，一個人自願減少工作而保有收入、醫療、住房與選擇權，則可能確實受益。SGCR S11 進一步提醒，服務改善與實際自主地位亦須分別評估。

6.3 有效選擇權的張力

受影響者能否在轉型時拒絕不合理工作、使用自己的 AI、轉換平台、搬遷、受訓、參與談判、要求審查或法律救濟？即使市場總體消費量上升，若個人只剩下高度依賴單一平台與雇主的形式選擇，也未必得到更大的生活可能性集合。

6.4 健康與照護不能直接貨幣化抹平

某些家庭承受照護與身心壓力，適應不只涉及工資與福利額度；必須在尊重個人隱私及自願同意的條件下衡量居住穩定、照護可及性、睡眠與家庭角色等結果。不能以心理負擔的模型評分預設當事人會採取政治行動或宣稱其具有某種心理問題。

7. AI 朋克危機：過渡期衝突與制度終態嚴格分開

7.1 本篇採用的工作定義

AI 朋克過渡危機（AI-punk transition crisis）：在 AI 能力、企業生產與數位經濟組織快速改變時，部分人因收入、職涯入口、生活角色、對平台的依賴或社會權利配置出現尖銳失配，而以個別調整、集體協商、組織、法律行動、公開反對、文化反應或制度重構等方式表達或處理的條件性社會過渡情境。

這是一個研究用候選術語，不是國際勞動組織、公共法或既有學術界已確立的通用診斷，不含有某一群人「必然」反抗之預測。它也不以霓虹城市、義體、科技巨頭或 AI 主體性為必要特徵。

7.2 與 WIIW-08 反權力失效態的區別

WIIW-08 將賽博朋克式反烏托邦描述為「高能力、高依賴、低有效反權力」條件下，退出、申訴、可替代、可稽核、組織、質疑、物質自主及法律制衡逐步喪失效力的一種制度型態。

因此必須區分：

7.3 反抗可以是正當的制度訊號，不應預設為破壞

抗議與集體協商可能是公共制度發現隱性分配損失的重要資訊通道；也可能因不完整資訊或利益衝突而提出彼此不相容的要求。研究者應以可核實行為、程序、公民自由與結果評估，而不是用「抗議越多越好／越壞」的單一尺度評判。尤其不得把合法非暴力行動與暴力破壞混為一類，或把政治參與推斷成個體的隱藏心理狀態。

OECD 2023 年關於 AI 與集體協商的專章已分析演算法管理、資訊不對稱與社會對話的機會和限制；ILO 2026-04 的製造業三方結論亦把就業、技能、勞動權利與社會對話納入 AI 轉型安排。[S06][S07] 這些是既有制度中的可觀察應對，不保證一定成功，也不是 AI 朋克危機已爆發的證據。

7.4 個體和 AI 主體性問題必須分層

本篇研究的是人類家庭、企業、公共制度及其受影響者的政治經濟反應。它不因目前的代理人被稱為「AI 工作者」就自動宣稱其具某種法權，但亦不以本文的就業模型否認其他研究領域對未來 AI 主體性、權利與資源保障的討論。不同主體地位議題應依獨立證據與法域條件研究。

8. 新型人機委託市場：既可能是緩衝器，也可能再製風險

8.1 與 AIBT-10 的延續

人機微型工作室允許個人、家庭、失去工作者透過 AI 代理接案、組隊、交付與結算。但必須從「擁有 AI」走到「真正成交」「實際收款」「持續淨收入」「家庭生存保障」；這一轉化要花時間，也可能失敗。

對失業家庭特別重要的不是市場上有多少 AI 接案廣告，而是能否在自身財務緩衝期之內，取得足以支付必要支出的重複性淨收入。如 AIBT-10 已示，初始信譽、客戶探索、契約與驗收、付款延遲、售後返工及模型成本都可能阻礙收益形成。對市場而言，買方自己也會使用 AI，因此供給變多不保證訂單增加。

8.2 「自由人力市場」轉成「自由人機市場」的雙重依賴

微型工作室可能擺脫長期雇主，卻更加依賴少數委託平台、支付通路、算力供應商和模型 API。此時企業雇用集中雖下降，數位基礎設施的依賴卻可能上升。

因此，評估平台是否緩衝社會危機，至少要測量平台抽成、任務定價權、評價是否可申訴、工作資料是否可攜帶、客戶是否能跨平台維持合作，以及款項是否真正能在對失業家庭有意義的期限內到帳。

8.3 接案保護不等於工作資格一體適用

不同法域對自由工作者、公司、家庭共用工作資源及勞務契約的權利義務並不一致。制度比較不能假定所有人機委託市場參與者均自動享有雇員社會保障，或一律屬於雇員；應觀察實際控制、依賴程度、酬勞、風險與適用法律。

9. 企業與資本市場可能出現的反直覺反饋

9.1 AI 泡沫出清不必終止替代壓力

AIBT-01 至 04 已區分：部分高槓桿公司退出、設備資產折價轉移、核心供應商取得更多用戶與算力、既有模型改良、推理效率提升，不必同時意味着每個 AI 技術方向停止擴張。因此，金融泡沫修正與數位替代能力增長可以同時成立。但若信貸與能源投資全面受挫，也可能發生能力進步放緩，不能把「技術樹延續」寫成物理定律。

9.2 企業縮編並不保證社會取得更多購買力

一家公司在 AI 幫助下降低成本，可將收益分配為投資、資本回報、降價、工資、公共稅收或新雇用。不同收益路由會對家庭的現金流和有效需求產生不同影響。將公司節省的人事費用直接等同社會損失，或將公司利潤直接等同社會福利，都會忽略下一輪經濟循環。

9.3 雙重速度差

除了 AI 部署速度可能快於社會適應速度，金融市場在利潤預期失準後對企業融資的調整，也可能先於家庭找到替代收入。反過來，若投資者出清促使模型能力價格下降，家庭也可能因更便宜的 AI 取得創業或節省支出的新機會。兩條作用路徑可同時存在，須用不同數據辨識。

10. 政策與制度選項：比較機制，而非預設單一答案

以下各種措施是研究的候選機制；不代表本研究支持其作為任何國家的單一最佳政策，也不表示實施前不需法律審查、財源安排或社會決策程序。

特別保留前置定義： 既有 EveMissLab 2026 年《動態股權協議》是條件適用、以高外溢 AI／平台子公司為重要對象的治理工具，並非把母公司或社會全部企業自動稀釋股權。GBI 與 GBI 2.0 是不同階段的制度研究方案，不等於把所有人的收入問題直接歸結為無條件發錢；更不能由一個需求缺口模型推論其已達可執行的完整國際財政安排。

ILO 2026-10-12 向 IMF／世界銀行年會提出的聲明，指出生產率增長未必轉化成同等工作者收入，並列出社會保障、集體協商、競爭、市場可達性與技能等可能的政策渠道。[S08] 其立場可供比較，不是本篇宣稱這些政策在所有地方均最優的證明。

11. 制度設計的時間原則：什麼叫「來得及」？

11.1 在衝擊前建立能力，與衝擊後臨時立法不同

既有可依法自動啟動的失業或收入補助，可能避免從零經過完整的立法與行政設置；但若資格不涵蓋平台工作者、資料不連通或支付管道不可靠，仍可能留下時間缺口。真正需要比較的是事前制度準備與事後現金到達時間，而非僅用是否有「AI 專法」作標準。

11.2 時間與家庭異質性應共同決定評估口徑

對同一政策，應同時公布：首次偵測時間、決策時間、平均與分位數到帳天數、申請拒絕率、申覆成功率、受惠者流動資源緩衝期的分布、接案市場額度／成交比，以及政策對住房、照護和職涯的實際效果。平均救助三個月到達不能證明所有只有一個月緩衝的家庭都得到及時保護。

11.3 靜態發放額度可能追不上持續變化的風險

AI 可同時改變薪資、工作年資與自由接案收入；一次性方案可能在下一波衝擊時失去覆蓋力。這使制度可重審性、透明度、補正權、跨機構資料限制及定期評估成為研究重點。可調整不等於任意調整：當事人仍需有正當程序、隱私、預期可能性與申訴。

11.4 財務時差與權利時差不可互相取代

一套政策可能迅速提供現金，卻限制退出、異議或資料使用選擇；另一套制度可能提高透明度，卻無力處理房租與醫療費。評估時應並列收入安全與有效權利，而非把兩者加總成可相互抵銷的單一分數。

12. 四種 2027–2028 年條件式研究情境

情境 A｜市場與制度協同吸收（SCN）

AI 逐步降低數位工作成本，部分公司收縮招聘，但新市場、新服務、正式與非正式轉職、既有保障及企業協商足以使大部分受影響家庭在緩衝期內重新獲得生活支撐。制度可持續、權利與退出選擇維持，沒有必要出現大規模抗議。此情境會弱化高強度 AI 朋克危機假說。

情境 B｜局部失配與選擇性反抗（SCN）

部分城市、青年職業或自由工作市場提前受到衝擊，但整體失業率保持穩定；部分人透過 AI 接案、自我訓練或新職位適應，另一部分遭遇長期招聘缺口。若集體協商、司法救濟和社會保障仍可改善結果，可能出現明顯張力，卻不構成 WIIW-08 意義的反權力失效。

情境 C｜泡沫出清與社會保障時差疊加（SCN）

部分 AI 投資及數位企業收縮，同時核心 AI 能力與低價模型繼續擴散；失去工作者無法立即被新產業、平台與保障吸收。若地方財政、住房、信用與公共服務亦承壓，可能出現家庭失衡、區域景氣下行與高強度社會衝突。此情境須經多來源因果辨識，不可在事前宣稱必然。

情境 D｜快速數位普及但物質與制度收益集中（SCN）

企業和個人取得大量低價 AI，數位服務供給及消費者便利增加，主要新增財務收益卻集中於少數平台與資本擁有者；多數家庭未必大幅失業，但實質薪資、照護成本與住房負擔未同步改善。可能發生的是長期分配張力和對市場規則的質疑，而非單次失業浪潮。此情境與 AIBT-09 的有效需求及 AIBT-12 的文明正和問題直接相接。

四種情境可以在不同國家、產業、家庭間同時存在；不得將任何一個國家的新聞或某平台裁員數字視為全球情境已經成立。

13. 研究假說與可反駁條件（H01–H14）

上述每一項都是待驗證候選，不得在觀測資料前預先選擇支持性模型、刪除零結果或將相關性直接寫成因果。

14. 資料字典：由企業決策到家庭能否維持生活

資料治理： 平台、銀行、稅務、社保、薪資或工會資料若需連結，應先依法取得授權並採去識別化、最小必要資料、獨立審查與可撤回安排。不應將研究得到的家庭緩衝指標用於拒絕某人投保、申請工作或取得基礎服務。

15. 實證辨識：三種方法與競爭解釋

15.1 自然實驗與差異中之差

比較不同產業或地區的 AI 實際導入與失業／招聘變化，應使用導入前平行趨勢、企業景氣與資本支出、遠距工作政策、教育程度、既有自動化、地區需求及年齡結構作控制；若存在企業選擇性導入或同時裁員，不能把簡單處理組差異解讀為 AI 因果效果。依制度資格臨界點或分階段 rollout，可探索三重差異：AI 暴露、制度保障可及性與衝擊前家庭緩衝。

15.2 制度事件史與到達時間分析

以同一批符合資格與實際申請者，建立從事件到給付的時間序列；記錄撤回、拒絕、申覆、重新申請、部分給付、到帳及實際取得服務。可用存活／事件史方法衡量不同家庭到達保障的分布，但因未獲給付者存在右設限，不應把其觀察結束當作已獲保障。使用以往制度差異作比較，避免用平均到帳天數掩蓋長尾延遲。

15.3 家庭異質性與新型接案市場追蹤

追蹤失去工作、部分失去收入與未受影響之家庭，記錄是否使用 AI、是否接案、成交率、淨收入、認證與審核工時、保險及其他公共支援。平台上最成功的工作室有生存偏差；還應追蹤嘗試後退出者。研究要區分沒有使用 AI 是因價格、技能、隱私、偏好、障礙或其他因素，而不能統一歸為技術抗拒。

15.4 主要競爭解釋

• 一般景氣、利率、企業債務、投資週期及國際貿易導致招聘和投資下降，與 AI 並發。
• 網路軟體產業本已經歷雇用調整，未必全由 Agent 能力導致。
• 年輕工作者的學歷、人口、移民政策、遠距工作或薪資結構改變。
• 平台集中、住房費與社會保障缺口原本就存在，AI 只是其中一個加速或可見化因素。
• 同一企業的 AI 導入可能首先提高現有員工的能力而不是取代員工。
• 公共部門快速使用既有制度，與新勞動／產品市場形成互補而非競爭。

嚴格禁止的推論：「社會不滿增加」即「AI 導致不滿」；「出現罷工」即「AI 使民主失敗」；「福利支出增加」即「某科技政策錯誤」；「AI 使用量增加」即「真 AI 奇點已發生」。

16. 2026 年現實政策與社會保障的有限證據

16.1 國際組織資料的正反方向

ILO 2026-05-06《The Aggregation Paradox of AI》指出，部分任務層級效率改善尚未清楚轉成整體經濟生產率統計，可能涉及組織補充投資、技能與擴散的時間差。[S09] ILO 2026-10-12 的聲明又強調，社會整體就業指標的表面穩定可能掩蓋新聘疲弱、實質收入與工作品質壓力。[S08]

另一方面，ILO 2026-07 對東協的調查指出，區域內尚無廣泛 AI 勞動市場破壞的證據；準備程度與職業暴露不均，未來影響與政策條件相關。[S11] 因此不能從某一高收入國家的技術採用率推導全世界同時進入同一階段，也不能將未見大規模裁員當作未來絕無風險。

16.2 社會保障覆蓋不能等同可在危機時即時取得

ILO 2024–2026 報告的 52.4% 是至少享有一項社會保障給付的全球覆蓋率，不是每個人在失業時均有足額、可立刻入帳的救助。[S05] 與本研究的 IERL 相比，傳統覆蓋率指標是一種制度存在度觀測，還需要加入保障種類、資格、充分性、覆蓋對象與實際到達時間。

16.3 法規實施與家庭應對不是一個政策時鐘

OECD 2026 政策盤點顯示，多數 AI 勞動議題先以現有規範處理；歐盟 AI Act 則有分階段落實的監管時點。[S04][S10] 這些可作治理週期的比較案例，但並不提供跨國社福給付的因果平均速度，亦不表示某項 AI 監管直接解決失業與收入問題。

17. 試驗設計與錯誤停止規則

為避免把概念研究直接推成不可撤回的社會制度試驗，任何未來對照應先定義：合法的最低保障與對照組不可被研究剝奪；不得為取得因果結果故意延遲救助；使用合法行政 rollout 或非剝奪性的補充機制；明確處理高風險家庭退出、資料最小化及事前登錄。

17.1 分階段研究路線

1. 資料核查： 統一不同法域的家庭收入、制度保障與職業定義，公開口徑差異。
2. 描述性監測： 以招聘、外包、工時、家庭緩衝及保障到帳分位數描繪轉型；不先聲稱因果。
3. 因果研究： 使用具正當識別條件的自然實驗或準實驗，核對競爭解釋與效果異質性。
4. 機制驗證： 區分政策形式、有效到達、收入與權利兩軌效果；不以政策總支出替代家庭效益。
5. 持續修訂： 若觀察不支持「時差」機制，降低相關假說強度；不為維護敘事而更改資料結論。

17.2 分層中止條件

若研究發現某種候選指標導致基礎服務排除、敏感資料不當揭露、群體污名化或不公平對待，應停用該指標的個人決策用途；若研究設計涉及必須剝奪合法救濟才能辨識因果，則不可執行。制度能力評估須接受外部獨立查核及適法性審查。

18. 整體解釋：為什麼制度調整可能「來不及」，又為何並非必然來不及？

本文提出一個比「AI 很快、政府很慢」更可測的主張：當特定家庭的必要支出缺口快速形成，而可實際動用的緩衝期短於保障、再就業或市場收益到達的時間，才存在可被事件資料直接檢驗的速度差問題。單純技術演示、公布某法規或看到一次抗議，均不足以得出此結論。

使速度差惡化的條件包括：新聘與外包收縮、家庭低流動資金、高住房負擔、給付資格狹窄、需要逐案人工審核、平台收款延遲、技能轉型緩慢、缺乏法律和契約救濟、產業集中與跨城市勞動障礙。

使速度差縮小的條件包括：既有可快速動用的社會保障、健康與教育服務、社會協商、自願工時分享、新任務需求、可攜式 AI 和資產工具、開放市場中有真實成交的新微型契約工作室、通用技術成本下降及實際工資回升。

因此本篇不是對市場或國家的絕對悲觀論，也不是對所有救濟工具的先驗肯定，而是提供一套把「真的來不及」從修辭改成可以測量、比較與被反駁的研究方案。

19. 結論：技術可持續進步，制度也可能在局部時間窗內失敗

本篇將 AIBT 系列從產品與收入重新帶回制度時間。其結論包括：

1. AI 生產能力與社會保障不是同一個時鐘。 更高的個人或企業生產率，不保證變成廣泛實質收入。
2. 制度有效回應以家庭實際受益為準。 公布、授權、審核及到帳之間的時差具有獨立的政治經濟意義；應觀察其與家庭流動資源緩衝期的相對關係。
3. AI 朋克危機不是反權力失效的同義詞。 有組織的反對、集體談判和法律救濟可能阻止惡化，不能因社會衝突存在就判定賽博朋克已成終態。
4. 轉型風險與轉型機會並存。 人機委託市場、降價與新需求可能協助部分家庭，但不保證普遍的持續收入，也可能重新集中平台權力。
5. 沒有一個單一分配機制可以先驗解決全部問題。 現有保障、公共服務、技能、薪資、分潤、所有權、工時及市場制度的作用，必須以時間、財源、效果和權利分別檢驗。
6. 財務泡沫與社會適應危機可以不同步。 一輪資本出清不自動終止 AI 服務能力，更不自動修補家庭損失；兩者應用不同觀測時鐘研究。

最後命題：

即使 AI 整體技術樹持續擴張、甚至在金融泡沫修正後持續降價普及，仍可能存在家庭經濟緩衝耗盡先於制度與市場新收入到達的時間差。當這種時差與收入集中、平台依賴和角色失落疊加，AI 朋克轉型危機便可能形成；但其是否轉成不可抗衡的制度支配，仍取決於社會的申訴、退出、組織與法治能力。評價 AI 轉型不能只問技術是否成功，也必須問受影響者是否仍有時間和選擇，活到能分享技術收益的那一天。

下一篇 AIBT-12 應將本篇的制度時間缺口與 AIBT-01 的金融回收時鐘、AIBT-02 的算力能源限制、AIBT-07 的 Agent 企業替代，以及 SAS-01／EWDT-19 的系統與文明奇點判準共同收束，不再引入不可稽核的宏大定律。

附錄 A：操作性術語與符號表

附錄 B：假設算例的數值核對

所有金額均為新臺幣的純思想實驗，與當前任何政策的實際等待期、真實申領額、平均失業家庭財務狀況均無關。

• 每月必要支出：45,000 元。
• 衝擊後確認收入：30,000 元。
• 原每月缺口：45,000 − 30,000 = 15,000 元。
• 甲家庭：90,000 / 15,000 = 6 個月；若完整保障第 9 個月才到達，時間缺口 9 − 6 = 3 個月。
• 乙家庭：270,000 / 15,000 = 18 個月；第 9 個月到達，時間缺口為 0。
• 丙家庭：新增 AI 接案可實收淨收入 8,000 元，每月缺口 15,000 − 8,000 = 7,000 元；90,000 / 7,000 ≈ 12.86 個月；第 9 個月到達，時間缺口為 0。

模型未考慮不定期收入、通膨、稅收、資產變現損失、家庭成員生命事件、利息及福利資格變更；因此不得將它用作實際個人財務決策的通用工具。

附錄 C：既有 EveMissLab 橫向文獻（接口，不覆蓋原稿）

1. 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。
2. AIBT_10_開放人機委託市場_家庭智能資本與微型契約工作室_v0.1_2026-10-31.md。
3. AIBT_09_數位供給充裕_有效需求與購買力斷裂_v0.1_2026-10-31.md。
4. 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。
5. AICET_11_智能收益分配購買力與經濟需求循環_v0.1_2026-10-28.md。
6. AICET_06_家庭代理經濟與個體機構化_v0.1_2026-10-27.md。
7. EWDT-21_自動化社會閉合與廣泛世界域傳遞_v0.1_2026-10-06.md。
8. WIIW_08_賽博朋克不是科技終態_自由退出權與反權力失效_v0.1.md。
9. SGCR_S11_Subjects_Not_Fuel_for_Civilizational_Machinery_v0.1_2026-10-27_zh-TW.md。
10. SAS-01_Redefining_AI_Singularity_Positive_Regenerative_Loop_v1.0_2026-08-18.md。
11. EWDT-19_系統性AI奇點作為經濟世界域相變_v0.1_2026-10-03.md。
12. 02_動態股權協議_適用條件觸發機制與利益共享_v0.1.md（內部政策草案；不得誤標為現行法律）。
13. 全球基本收入制度（Global Basic Income, GBI）定義.docx（歷史 GBI 制度原稿）。
14. 《全球基本收入 2.0：AI 時代的基本權利分類額度系統》（另有理論庫公開版；本篇未重新核驗其逐條規格）。

參考文獻及 2026 年核對資料

• [S01] 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/
• [S02] Humlum, A., & Vestergaard, E. (2025; revised 2026-03). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. NBER Working Paper 33777. https://www.nber.org/papers/w33777
• [S03] ILO (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
• [S04] OECD (2026-07-24). Recent policy developments on AI in the labour market. OECD Artificial Intelligence Papers No. 63. https://www.oecd.org/en/publications/recent-policy-developments-on-ai-in-the-labour-market_c0ffced7-en.html
• [S05] ILO (2024-09-09). World Social Protection Report 2024–26: In figures. https://www.ilo.org/resource/article/world-social-protection-report-2024-26-figures
• [S06] OECD (2023). Social dialogue and collective bargaining in the age of artificial intelligence. OECD Employment Outlook 2023, Chapter 7. https://www.oecd.org/en/publications/2023/07/oecd-employment-outlook-2023_904bcef3/full-report/social-dialogue-and-collective-bargaining-in-the-age-of-artificial-intelligence_5828691a.html
• [S07] ILO (2026-04-21). ILO adopts first-ever conclusions on AI in manufacturing work. https://www.ilo.org/resource/news/ilo-adopts-first-ever-conclusions-ai-manufacturing-work
• [S08] ILO (2026-10-12). Making productivity growth work for people. ILO statement to the 2026 IMF / World Bank Annual Meetings. https://www.ilo.org/resource/statement/making-productivity-growth-work-people
• [S09] ILO (2026-05-06). The Aggregation Paradox of AI: Why do micro-economic productivity gains from AI disappear at scale. https://www.ilo.org/publications/aggregation-paradox-ai-why-do-micro-economic-productivity-gains-ai
• [S10] European Commission AI Act Service Desk (accessed 2026-10-31). When does enforcement start? https://ai-act-service-desk.ec.europa.eu/en/ai-act/faq/when-does-enforcement-start
• [S11] ILO (2026-07-08). Generative AI and labour markets in ASEAN: Significant exposure, limited disruption, uneven preparedness. https://www.ilo.org/publications/generative-ai-and-labour-markets-asean-significant-exposure-limited
• [S12] ILO (2026-01-14). Employment and Social Trends 2026. https://www.ilo.org/publications/flagship-reports/employment-and-social-trends-2026
• [S13] International Monetary Fund (retrieved 2026-10-31). Artificial Intelligence: Overview and Key Findings. https://www.imf.org/en/topics/artificial-intelligence
• [S14] World Economic Forum (2025-01-07). Future of Jobs Report 2025 (press summary). https://www.weforum.org/media/future-of-jobs-report-2025-78-million-new-job-opportunities-by-2030-but-urgent-upskilling-needed-to-prepare-workforces

資料使用紀律： 本篇直接用於核心實證敘述者以 [S01] 至 [S11] 為主；[S12] 至 [S14] 作延伸背景，不將職業暴露預測或問卷中的招聘計畫寫成未來已實現的失業數。年份與數據口徑均以截至 2026-10-31 可見的版本為準。對私人／內部前置原稿，參考附錄 C 的確切檔名，不以其概念性主張冒充外部實證。

作者與版本聲明

本稿於 2026 年 10 月 31 日依系列總綱撰寫為 AIBT 第十一篇，研究命題由 Neo.K 提出，由 GPT-6 進行資料交叉核對、研究設計、論證整理及原始稿製作。本篇保留與前置原稿的語義界線，未另行承諾 2027–2028 年事件必然發生。正式權威來源為本 UTF-8 Markdown 檔案；聊天顯示不作論文 source，也不代表同行評審、法規合規認證或市場因果驗證。