title: 智能勞動替代的因果歸責與收益占有分離
english_title: Separating Causal Attribution from Surplus Appropriation in AI-Mediated Labor Substitution
series_title: 人工智能文明主導權的非敵意轉移與人類權力反身性理論
series_english: Non-Adversarial Transfer of Civilizational Agency and Human Power Reflexivity in the Age of AI
series_code: NACT
paper: 07/12
document_id: EML-NACT-07-2026-v0.1
author_concept: Neo.K
research_collaboration: GPT-6（既有原稿核對、文獻查證、形式化、反例、合成計算與交付校驗）
affiliation: EveMissLab／一言諾科技有限公司
date: 2026-11-05
version: v0.1
status: 完整條件性概念研究原稿；含有限形式結果、合成案例及可反駁研究設計；不宣稱已證實全球勞動歸責定律
language: zh-TW
canonical_format: UTF-8 Markdown；LF；無 BOM；數學只以 $...$ 與 $$...$$ 為原始定界符
evidence_cutoff: 2026-11-05

NACT-07｜智能勞動替代的因果歸責與收益占有分離

Separating Causal Attribution from Surplus Appropriation in AI-Mediated Labor Substitution

原始問題、命題方向與研究構想： Neo.K
研究整理、文獻核對與形式化協作： GPT-6
研究機構： EveMissLab／一言諾科技有限公司
系列：《人工智能文明主導權的非敵意轉移與人類權力反身性理論》（NACT），第 07／12 篇
研究定位： AI 政治經濟學、勞動經濟學、因果推論、制度經濟學、責任哲學及可反駁的社會反身性模型。

中心問題： 當 AI 具備替代人類工作任務的能力，而雇主選擇如何導入、企業決定如何重構聘僱、制度決定誰可以取用增益時，受損者為什麼不必然把主要責任歸給 AI？反過來說，為什麼「是人類雇主決定裁員」也不能證明 AI 的技術因果作用等於零？在什麼條件下，反對 AI 收益集中與支持 AI 技術持續進步，可以成為同一個人的一致立場？

作者： Neo.K
日期： 2026-11-05
版本： v0.1
原稿狀態： 完整條件性概念研究原稿；含有限形式結果、合成案例及可反駁研究設計；不宣稱已證實全球勞動歸責定律

摘要

人工智能與勞動替代的常見敘事，把多個不同層次濃縮成一句「AI 搶走了工作」。這句話可能概括某些實際的技術性工作轉移，卻不足以回答：哪些任務已可被自動化、企業是否實際採用、何人決定裁員、哪些聘僱機會被停止創造、如何分配生產力增益、受損者應向誰要求補救，以及人們在政治上究竟責怪技術、部署者，還是收益控制制度。與此同時，若僅因裁員由雇主批准，便宣稱 AI 完全沒有造成勞動結果，也會犯對稱錯誤：人類決策是因果鏈上的中介，不能因此自動抹除技術的因果貢獻。

本文承接 NACT-01～03 對意識、社會態度及政治授權的分離，及 NACT-04～06 對非必然統治需求、非強制替代及仲裁中樞化的研究，提出「因果歸責—收益占有分離」框架（Causal Attribution–Surplus Appropriation Separation，CASAS）。本文將 AI 任務能力、實際導入、組織重構、聘僱結果、可分配增益、收益歸屬、規範責任與民眾感知歸責分成八種觀測層，建立包含企業決策節點與市場制度約束的結構因果模型。

在明示假設下，本文提出五項有限形式結果：技術可取得不必然使未採用企業直接裁員；同一技術能力可配合不同重組策略而產生不同就業結果；相同可分配總增益無法識別受益者分布；存在人類雇主決策中介不會自動使 AI 的間接因果作用歸零；相同可見裁員數可能由不同原因與不同收益路徑生成。本文並以六組完全合成情境、十二項可反駁假說與四種實證設計，將「誰造成什麼後果」與「誰應負責及如何補償」分開處理。

外部研究提供互相牽制的證據：ILO–NASK（2025）估計全球約四分之一職位有某種生成式 AI 曝險，但指出任務轉型比整個職位取代更可能；Brynjolfsson、Li 與 Raymond（2025）的客服研究觀察到平均生產力提高約 15%，不能據此直接推論裁員或薪資變動；Humlum 與 Vestergaard（2026 修訂版）在丹麥觀察到工作重組，但短期平均工時與薪酬無可辨識效果；Brynjolfsson、Chandar 與 Chen（2026 修訂版）發現部分美國高曝險職業中的年輕勞工有相對就業差距，卻未發現全面的全經濟替代。Ipsos／Groundwork（2026）調查中，51% 的美國受訪勞工預期 AI 主要使企業主與高階主管受益，6% 認為主要使勞工受益；這是對收益分配的主觀預期，不是已證實的財務分配，也不是「51% 的人責怪雇主」的直接證據。

本文的核心主張是有條件的：當工作損失被理解為可調整的企業重組與收益占有安排，受影響者可能同時反對某種 AI 部署方式、肯定 AI 能力，並要求重新安排 AI 帶來的公共收益。 但這既不蘊涵受損者一定不厭惡 AI，也不蘊涵他們一定願意交付政治治理權。本文建立後續 NACT-08 分配受益—治理授權張力的前置因果接口，而不提前宣稱未來的政治結果。

關鍵詞： AI 勞動替代、因果歸責、雇主採用、工作重組、收益占有、剩餘控制權、就業反事實、責任缺口、工作品質、分配正義、群體態度、AI 政治經濟學。

Abstract

Claims that “AI took workers' jobs” often conflate technological feasibility, employer adoption, organizational redesign, observed employment losses, productivity gains, surplus ownership, normative responsibility, and public blame. This paper proposes the Causal Attribution–Surplus Appropriation Separation (CASAS) framework. Technological contributions to displacement need not disappear merely because an employer mediates the decision; similarly, identifying a technological cause does not determine the distribution of moral, legal, or distributive responsibility. A typed structural causal model separates these claims and permits rival explanations, heterogeneous institutional constraints, and demand spillovers. Five limited formal results, six entirely synthetic cases, twelve falsifiable hypotheses, and four empirical research modules provide a framework for testing employer decisions, labor outcomes, surplus distribution, and attribution under controlled information conditions. Current evidence supports heterogeneity rather than universal displacement or universal employer blame. The primary thesis is conditional: opposition to an unequal distribution of AI-generated benefits may coexist with support for AI capabilities and alternative rules for allocating gains. Neither AI innocence nor inevitable public support for AI governance follows.

Keywords: AI labor substitution; causal attribution; adoption; organizational choice; surplus appropriation; bargaining; employment; responsibility; distributive conflict; political economy.

0. 研究契約：本篇新增什麼，不重複什麼？

0.1 問題來源與不可省略的修正

本研究來自 Neo.K 的一組連續問題：若 AI 大規模替代人類工作，失業者會不會把怨恨集中於 AI？倘若企業選擇 AI、既有收益控制者獨享好處，而勞工損失並未獲得補救，部分人會不會轉而主要反對分配制度？如果 AI 持續提高文明產能，為何反對既有 AI 勞動關係，就不能同時要求技術能力進一步普及？

需要精確修正其中一個日常語句：「不是 AI 搶走工作，是老闆選擇 AI。」它對決策節點的提醒重要，但不能在學術上被寫成完全排除 AI 的因果作用；反過來，說「AI 造成失業」，也不能免除企業是否有可行替代方案、是否濫用決策權與是否負有補救義務的討論。本文拒絕兩種互斥且過度簡化的歸罪模型。

0.2 既有研究的必要繼承

前置原稿	已處理問題	本篇新增部分
NACT-02	具身、勞動替代與智能超越的社會閾值並不同步	在特定替代事件中辨識技術、企業、制度及結果
NACT-03	意識承認、對待與授權不是同一量	因果責任、補償義務與主觀歸責同樣需要分離
NACT-04	工具性權力尋求不等於對人統治必要性	創造 AI 產能不等於必須讓收益受同一權力者占有
NACT-05	存在反抗並不使強制策略成為必然	在競爭與稀缺下仍研究可行的替代部署方案
NACT-06	AI 不索取統治權仍可能累積事實影響力	引入勞動與分配衝突如何改變社會信任之前置變量
SGCR-S07 [I1]	公共治理能力與合法授權分離	不把生產能力或受益感當成治理正當性
SGCR-EX01 [I2]	人類可主動要求更深 AI 治理	追問勞動與分配利益如何成為這類需求的中介
AICET-13 [I3]	智能資本、可達性、控制與受益分離	進入企業內的實際聘僱、任務、薪酬與剩餘配置
AIEC-09／12 [I4]	企業、個人、AI、公共角色的事件及收益分帳	新增替代事件與個人反事實結果之識別

既有 SGCR-EX01 已討論「人類可能主動委託 AI 更多治理」，本篇不能重新宣稱該命題為新發現。本文獨立的研究工作是建立從 AI 生產能力、企業決策到勞動歸責的中介鏈。

0.3 十二項明示的非主張

不主張 AI 不可能造成失業；也不主張所有失業都因 AI 而生。
不主張所有雇主都擁有不裁員的可行選項；也不主張競爭壓力能免除一切責任。
不主張 AI 曝險率等於失業率，任務自動化等於完整職位消失。
不主張企業生產力上升必然產生相同幅度之利潤或工資上升。
不主張企業利潤必然不正當，也不主張收益集中必然可持續。
不主張經濟總增益增加，所有人的實質處境就一定改善。
不主張失業者必然先責怪雇主、必然喜歡 AI、必然支持 AI 治理。
不主張具有自主性的未來 AI 必然沒有決策責任或規範地位。
不主張現在的模型可被歸入完整自主的雇主或法律人格。
不主張社會認知中的歸責比例等於法律上的賠償責任比例。
不主張合成案例、有限模型或民調可以證成未來必然發生內戰。
不主張任一國家、企業或人口群體具永久固定的利益立場。

證據分級： [E] 可靠可核對外部來源；[I] 系列與雲端前置；[D] 本文定義；[F] 在明示假設下的形式結果；[SIM] 合成情境；[H] 可反駁而尚未證實的假說；[U] 未識別資料。資料採用、推論與規範判斷不可跨級直接互換。

1. 2026 年勞動市場研究顯示的異質性

1.1 AI 曝險不等於已失業

ILO–NASK 2025 年生成式 AI 職業曝險研究，以任務資訊、專家與模型評估建立全球指標，估計全球約四分之一工作具有某種生成式 AI 曝險；最高曝險等級約占全球就業的 3.3%。研究指出，工作內容改造可能比整個職位消失更常見。[E1] IMF 2024 年對較廣義 AI 的評估則估計全球約 40% 就業受到某種曝險，在先進經濟體約 60%；其定義與 ILO 不同，不能相加，也不能直接讀成失業預測。[E2]

觀察職業曝險只是第一步。要出現具體失業，還需要特定部署、產能與成本條件、競爭或企業重組，以及實際聘僱決策。某些 AI 可以提高員工生產力，但雇主未必會裁員；也可能先凍結聘僱、提高工作密度、調降價格，或創造新的任務。

1.2 AI 可能是增補工具，而不是減員工具

Brynjolfsson、Li 與 Raymond（2025）在 Quarterly Journal of Economics 對 5,172 名客服人員的研究中，觀察到 AI 助理使平均每小時解決的問題增加約 15%，初級勞工受益尤其明顯。[E4] 此研究不能推論「該企業因此裁員 15%」，也不能假設所有產業都會有相同效果；它顯示企業具有不同組織路徑的可能性。

Humlum 與 Vestergaard（2025 年首發、2026 年 3 月修訂）的丹麥行政紀錄及調查研究，發現 AI 聊天機器人導入及任務重組增加，但研究期間平均薪資及工時未出現可辨識的變化，並可排除超過約 2% 的平均效果。[E5] 這只是在特定研究範圍與觀測窗的估計，不代表所有個別員工都沒有變化，更不代表未來也必然如此。

1.3 某些群體的替代風險可能較高

Brynjolfsson、Chandar 與 Chen（2026 年 8 月修訂版）以美國高頻行政薪資紀錄研究，沒有觀察到普遍、全經濟的工作替代；但在 AI 高曝險職業，22～25 歲年輕勞工的就業水平，相對於若與低曝險同儕維持同樣變動的比較軌跡低約 19%。[E6] 這不是「全美青年 19% 被 AI 裁員」，也沒有提供對每一雇主具體裁員動機的獨立判決。

OECD《Employment Outlook 2023》提醒，AI 的早期效果常先反映於工作品質、任務組合、監督、工作強度與自主性，而非工作總數。[E11] 不同規模企業與不同職業可能出現不同方向的結果。

1.4 對收益分配的預期，不能當成雇主歸責民調

Ipsos／Groundwork Collaborative 於 2026 年 6 月 11～16 日調查 1,533 名美國就業或邊際勞動參與者。其公開報告顯示 51% 認為職場 AI 的利益主要流向企業主與高階主管，6% 認為主要流向勞工，約三分之二預期工作情境因裁員及生產壓力變差。[E7] 這是受訪者的預期利益歸屬，不是經稽核的企業財務分配，也沒有直接測得「51% 最想責怪雇主」。後面必須另以隨機資訊實驗測量「因果歸屬」「憤怒對象」「補償義務」與「治理偏好」。

Gallup 2026 年美國勞工研究中，工作時曾使用 AI 的受訪者有 63% 自述工作更快，31% 自述雇主要求承擔更多責任，且 AI 使用及利益分布受到教育與職位影響。[E8] 這亦不是企業實際利潤的會計帳。Pew Research Center（2025）調查則有約 52% 的美國就業者對未來職場 AI 使用感到擔憂。[E9] 由此不能推論「勞工全部支持」或「勞工全部反對」，而應研究他們對不同部署及分配方案的選擇。

1.5 實證小結

截至本稿證據截止日，可以合理說明：任務曝險、導入、生產力、聘僱、工作品質、收益與社會評價是不同資料層次；已觀察結果呈現高度異質性。尚無足夠證據支持「多數失業者必然主要責怪 AI／雇主」的跨國定律。

2. CASAS 的八層概念剖面

2.1 八層不可直接互推的事件

層級	記號	可觀測問題	最常見錯誤推論
技術能力	$C$	AI 在何種品質、可靠性及成本下可做什麼？	可做即已做
採用決策	$D$	何人於何時選擇何種 AI 系統或流程？	企業已用即已裁員
組織重構	$R$	企業增補、替代、外包、縮時或擴產？	自動化即全面縮編
勞動結果	$Y$	個人就業、工時、薪資、工作品質及機會	單看人數即可知福利
可分配增益	$G$	成本節省、產值增量、淨利益及其計量基準	生產力增量等於利潤
收益歸屬	$B$	勞工、資本持有人、客戶、供應商、政府如何分帳？	總收益增加即可惠及所有人
規範責任	$N$	合法性、預見性、控制程度、義務及補償	因果參與即為道德過失
感知歸責	$A$	民眾認為誰造成損失、應補償、值得信任？	民眾責怪誰即代表誰客觀有罪

這些層次彼此可能發生因果關聯，但不可藉由共享一個「AI 影響」名稱便認為它們可以直接代換。[D1]

2.2 任務替代不等於職位替代

一個職位是多個任務及組織關係的組合；其中若干任務自動化，可能促使職位被刪除，也可能讓人員移轉至新任務、提高服務量或縮短工時。要把「技術完成某任務」推成「勞工遭解雇」，至少還需要雇主組織設計與需求條件。相同模型可以在醫療協助場景保留更多人類監督，也可以在大量標準化文件場景取代若干操作，且不同品質標準可能改變淨需求。

2.3 職位存量與招聘機會：一個基本恆等式

令 $L_t$ 為某職業於 $t$ 時點的在職人數， $H_t$ 為期間新聘， $S_t$ 為離職、解雇及其他離開的總和：

L_{t+1}=L_t+H_t-S_t.

當 $L_{t+1}=L_t$ ，只表示 $H_t=S_t$ ，並不表示技術對招聘需求、流動率、薪資或工作內容沒有影響。若某企業期初有 100 名員工，期間離職 10 名、只補聘 10 名，期末仍為 100；但若無 AI 時原本會新聘 25 人，觀察到的員工總數便可能隱藏了較低的反事實招聘路徑。必須另外估計未導入時的聘僱情境，不能把假設的 25 人直接當作已失去工作的 15 個真實個案。

2.4 就業損失與福利損失也不相同

勞工可能在公司裁員後找到更好的工作；亦可能未被裁員但遭受降薪、績效壓力、隱私侵害、工作尊嚴損失或培訓機會減少。故本篇將就業向量定義為：

Y_j=(e_j,w_j,h_j,q_j,m_j,v_j),

其中 $e$ 為受雇狀態， $w$ 為薪資及報酬， $h$ 為工時， $q$ 為工作品質， $m$ 為轉職與移動機會， $v$ 為申訴與發聲能力。這些座標不能無條件相加；任何綜合評分皆須明定權重來源及敏感度。工作者對何種結果最在意，也不能直接以雇主績效代替。

2.5 企業剩餘控制權與收益占有的關係

Grossman 與 Hart（1986）指出，當契約不可能完整列出每種未來用途時，資產所有權所包含的剩餘控制權會影響行為誘因及利益分配。[E10] 在 AI 經濟中，控制權可能包含模型訂閱與部署資格、工作流程變更、資料存取、員工評鑑、產品定價及剩餘利潤用途。然而「有控制權」不等於「擁有每一元新增價值的道德權利」；實際的合法權益、勞資契約、競爭條件與公共政策均需另外辨識。

應分開記錄至少四種不同的受益者：提供算力與模型的供應商、持有部署決定權的企業、實際工作的勞工，以及因價格或服務改善而受益的消費者。當 AI 可以自行參與經濟交易時，還需紀錄它是執行端點、受託代理、獨立契約主體，還是其他尚未確定的法定類別；不能提前假設所有未來 AI 都只能是無權工具，也不能把技術服務付款自動記成 AI 本身的收益。[I4]

3. 結構因果模型：誰造成，誰決定，誰分配？

3.1 單位與變數

令 $i$ 表企業、 $j$ 表勞工、 $t$ 表時間。 $C_t$ 為 AI 可取得能力及成本； $M_{it}$ 為需求、競爭、融資與企業特有衝擊； $P_{it}$ 為制度與政策； $D_{it}$ 為企業導入； $R_{it}$ 為人機分工與重組； $Y_{ijt}$ 為個人勞動結果； $G_{it}$ 為相對基線的可分配增益； $B_{it}$ 為收益及控制剖面； $Q_{jt}$ 為個體獲得之證據與敘事； $A_{jt}$ 為主觀歸責。 $U$ 表示未觀察到的因素。

提出下列待驗證結構：

D_{it}=f_D(C_t,M_{it},P_{it},U^D_{it}),

R_{it}=f_R(D_{it},C_t,M_{it},P_{it},U^R_{it}),

Y_{ijt}=f_Y(D_{it},R_{it},M_{it},P_{it},X_{ijt},U^Y_{ijt}),

(G_{it},B_{it})=f_B(D_{it},R_{it},C_t,M_{it},P_{it},U^B_{it}),

A_{jt}=f_A(Y_{ijt},G_{it},B_{it},Q_{jt},Z_j,U^A_{jt}).

其中 $X$ 是個人勞動條件， $Z$ 是教育、職業、經驗及價值觀等測量項；模型未明示的箭頭不代表現實中完全不存在。尤其市場變數 $M$ 可能因其他企業採用 AI 而改變，跨企業研究不能在沒有證據時假定各企業處置互不干擾。[D2]

3.2 因果貢獻與規範責任的非同一性

研究至少回答四個不同的問題：

技術因果： 沒有此時點可用的 AI 能力，雇主是否仍會裁減同一批職位？
行動選擇： 在既定需求、競爭、財務與權利限制下，誰能選擇不導入、改採增補、轉訓、縮時或共同分配增益？
權利與義務： 誰有合法資源控制權，誰負有告知、協商、安全、補償及申訴義務？
認知歸責： 當事人認為 AI、企業、平台、政府或市場在事件中各扮演什麼角色？

存在多個因果必要因素時，並不一定能把「100% 責任」依因果箭頭機械分割成各比例。法律過失、契約責任、政治問責與道德可責性在不同制度中適用不同判準。尤其高自主系統可能帶來傳統責任歸屬的困難，Matthias（2004）已探討學習型自動機的 responsibility gap。[E12] 此問題值得制度回應，但不能把模型不易預測直接等同於「所有部署者都不負責」。

3.3 反事實政策效果與識別要求

令 $Y_j(d,r;c,m,p)$ 為在技術、需求與制度條件明確時，員工於部署 $d$ 及重構 $r$ 下的潛在結果。企業替代方案與增補方案的對比為：

\Delta_j^{sub-aug}=Y_j(1,r_{sub};c,m,p)-Y_j(1,r_{aug};c,m,p).

當 $Y_j$ 是在職指標時，負值可表現替代方案相對增補方案的較低在職可能；若 $Y_j$ 改為福利向量，必須逐一報告座標，不能預設能相加。以上僅為反事實量的定義，不是已透過觀測資料完成估計的數字。

若要識別雇主導入的因果效果，需處理：選擇性導入、企業前期裁員趨勢、共同宏觀需求衝擊、同期其他數位化政策、工作者流動、同行競爭、時間滯後與未觀測管理品質。實務可採具適切前期趨勢檢查的差異中之差異、分期導入研究、隨機化資訊呈現實驗、可信工具變數或可解釋的部分識別界限。沒有識別前提，不應把相關性稱為「AI 導致」的證明。

3.4 直接裁員之外：間接及延後效果

某企業即使沒有採用 AI，也可能因競爭對手採用而面臨定價壓力，因而裁員；導入企業可能在第一年沒有解雇員工，卻停止補缺、新增需求轉向別處或減少初階職缺。因此單一企業採用指標不足以總結整個勞動市場的 AI 效果。

需將影響至少拆為：公司內部直接工作重構、競爭者帶來的價格與需求間接作用、供應鏈及地域外溢、總體需求的動態回饋，以及勞工轉職與新任務再創造。Acemoglu 與 Restrepo（2019）的任務框架正是重要基礎：自動化可能排擠舊任務中的勞動需求，新任務創造則可能恢復或增加人類勞動需求；方向須以具體資料辨識。[E3]

4. 五項有限形式結果與反模型

F1｜技術存在不必然導致單一企業直接裁員

假設： 固定單一企業、固定短時間窗；企業沒有導入 AI，技術能力 $C$ 沒有直接進入就業結果方程；不存在同業、價格、供應鏈或需求溢出；其他條件不變。

則由第 3 節之結構，在 $D=0$ 、 $R=r_0$ 下：

Y_j(0,r_0;c_1,m,p)=Y_j(0,r_0;c_0,m,p).

推導： 就業結果函數的所有實際輸入相同，故結果相同。[F1] 這只是明示「沒有其他路徑」的條件命題，不是對現實所有未採用企業的普遍預測；若競爭者導入而改變 $m$ ，命題不再適用。

F2｜同一技術、不同企業策略可產生不同就業量

構造性反例： 假定兩家企業具有相同 AI 技術條件、相同初始 100 個職位，但允許不同人機分工策略。企業甲選擇讓 AI 協助既有員工、擴大客戶服務，維持 100 個職位；企業乙在可行的需求與成本條件下，選擇整併任務，只保留 70 個職位。

Y^{emp}(c,1,r_{augment})=100, \qquad Y^{emp}(c,1,r_{substitute})=70.

技術能力 $c$ 完全相同，但職位存量不同，因此反駁「同一 AI 能力唯一決定雇用結果」的全稱命題。[F2] 這不證明任何真實企業都可以零成本保留全體員工；只是證明組織決策與勞動結果不是技術能力的同一量。

F3｜總可分配增益相同，不唯一識別收益占有

假設某個純合成專案已扣除所有共同費用，有 100 單位同一貨幣帳的可分配資金。允許以下兩個均可行的配置，四欄分別為資本持有人、工作者報酬／轉職支持、消費者回饋基金、公共基金：

B^{(a)}=(70,10,10,10), \qquad B^{(b)}=(35,35,15,15).

\sum_k B_k^{(a)}=\sum_k B_k^{(b)}=100.

故即使兩方案的總額 $G$ 相同，也不能唯一識別誰取得收益。[F3] 這裡的「消費者回饋」是專案帳中明確撥出的可轉移預算，不是把一般均衡的消費者剩餘、GDP、稅收與企業利潤無條件相加。 何種配置合理仍涉及原始財產權、契約、效率、公平與政治正當性，不能單憑等式決定。

F4｜人類決策中介，不會使 AI 的間接因果作用自動歸零

設完全合成的環境 $C\in\{0,1\}$ ，雇主採用規則為 $D=C$ ，在導入時採替代方案，職位函數定為：

Y^{emp}=100-30D.

當 $C=0$ ，企業未採用，員工為 100；當 $C=1$ ，企業採用，員工為 70。若介入強制固定 $D=0$ ，即使 $C=1$ ，工作仍為 100。這顯示 AI 能力變化的作用可經由雇主採用選擇傳導，故「有雇主作決策」並不推出 AI 總間接效果為零。[F4]

這不自動證成企業存在過失，也不代表 AI 是主觀行動者；它只區分技術因果、中介決策與規範責任。實際世界中雇主可能無法自由固定 $D$ ，這是需要估計的制度與市場限制。

F5｜同一個觀測裁員數，可能隱藏兩種不同世界

構造兩個有 100 名初始員工、期末皆剩 80 名的世界：

$W_A$ ：需求不變，AI 導入及任務整併，使企業減少 20 名員工，另產生特定成本節省。
$W_B$ ：企業沒有導入 AI，但傳統訂單需求下降，減少 20 名員工，沒有 AI 成本節省。

雖然：

Y^{emp}(W_A)=Y^{emp}(W_B)=80,

但原因及收益配置不同：

(C,D,R,M,G,B)_{W_A}\neq(C,D,R,M,G,B)_{W_B}.

若觀察者只有期初期末的人數，觀測映射在兩個世界之間不是單射。因此裁員數、企業公告或社會歸責不能獨立識別技術效果或收益占有；必須增加實際部署、任務、需求及財務資料。[F5]

5. 六組完全合成的研究情境：同一能力，不同結果

本節全部數據均標為 [SIM]，僅供檢查定義與可能性，不代表對任何真實企業、政府或群體的推測。第 3 與第 4 組中的金額單位都是同一個事先定義的「可分配專案基金」，不同於企業會計利潤、GDP 或社會總剩餘。

SIM-01｜AI 技術已可用，企業沒有導入

條件： 企業初期 100 人；AI 模型已達可替代部分工作任務之品質；企業不導入，不調整工作流；其他企業採用、需求及宏觀衝擊在此短期模型被固定為零。

構造結果： 企業仍聘用 100 人，並沒有因「技術存在」而直接裁員。這個案例只滿足 F1 的封閉條件；若競爭者開始提供更便宜產品或供應商提高價格，則需重新測量間接效應。

可推導： 技術的可取得性不是該企業直接裁員的充分條件。

不可推導： 所有沒有導入 AI 的企業都不會受到 AI 經濟影響。

SIM-02｜增補型導入：產量成長但人數不變

條件： 企業初始 100 名員工；每期完成服務 1,000 件。導入輔助型 AI 後，每期完成 1,150 件服務；人數仍為 100，工作內容包括新的檢查、客戶回應及修正任務。此處把品質與成本假設為已通過獨立檢驗，沒有以實測研究係數直接套用。

構造結果： 產量增加 150 件，即 $150/1000=15\%$ ；員工人數沒有改變，故本期職位存量的觀察變化是零。

可推導： 增補與取代不是必然一致；產量增加可以與工作職位數不變並存。

不可推導： 員工薪資必然提高 15%，或者工作者沒有額外壓力。薪資、品質、工作強度及勞動份額要另測。

SIM-03｜替代型導入：職位縮減，收益主要由資本端取得

條件： 企業同樣期初 100 人，改採合規的任務整併流程，期末 70 人。另假設扣除模型、能源、管理、折舊等共同成本及事先定義的過渡費用後，本期形成 100 單位可分配專案基金。

構造配置： 70 單位給資本持有人、10 單位給員工報酬／轉職支持、10 單位給消費者回饋、10 單位給公共用途。此情境沒有宣稱任何現實企業都這樣分配。

可推導： 可以同時出現就業損失與可分配增益；受害者的損失不會因企業有盈餘而自動消失。

不可推導： 企業主必然非法、資本利得全部不正當，或社會淨福利必然下降；這些仍需完整成本、法規與分配評價。

SIM-04｜同樣增益，轉訓與受益安排不同

條件： 技術及初始人數與 SIM-03 相同。企業先依相近的替代方案減少 30 個原職務，但透過不同的再配置與培訓安排，為 15 人形成新的職務，最後保留 85 名工作者。同一時點可分配專案基金仍假設為 100 單位，培訓與新聘成本已在基金生成前處理。

構造配置： 35 單位給資本持有人、35 單位給員工報酬／轉職支持、15 單位給消費者回饋、15 單位給公共用途。相較 SIM-03，最終人數高出 15 人，員工端基金高出 25 單位，資本持有人配置降低 35 單位。

可推導： 技術產能相同、可分配基金同額的假設下，制度與企業安排仍可產生不同分配；社會反應可能因此不同。

不可推導： 所有情況都能用這種方案維持 85 人，也不表示這個配置在所有正義理論下都是唯一最優。

SIM-05｜沒有裁員，卻存在反事實聘僱機會損失

條件： 公司年初 100 人，實際年末仍 100 人，新聞稿也沒有公布裁員。然而具可信可檢驗之對照條件下，若沒有此項 AI 導入，企業年末應有 115 名員工。將其餘需求與成本衝擊納入控制後，候選反事實聘僱差額為 15。

觀測結構： 實際人數變化是 0；相對反事實之聘僱差額為 $100-115=-15$ 。這 15 是估計的未出現職缺，不是已經發生的 15 名現職員工遭到解雇。識別依賴可信的反事實設計，不能只由內部招聘計畫口述得出。

可推導： 零裁員公告與工作機會收縮可以共存。

不可推導： 對照公司的 115 一定是真實未來；仍須估計需求與企業可能的其他策略。

SIM-06｜同一工作損失，歸責資訊改變民眾評價

設計： 假設完全同一個失去 20 個職位的個案，隨機提供兩種資訊處理： $q_1$ 只描述「企業採用 AI 後縮編」； $q_2$ 進一步公開「董事會批准的成本節省方案、已比較過的轉訓替代、利潤及補償安排」。受訪者被要求將 100 點「對事件發生的主觀因果權重」分配給技術、雇主與市場／制度。這是主觀測量工具，不能用來裁判真正法律責任。

純合成測試值：

情境	技術權重	雇主權重	市場／制度權重	合計
$q_1$ 僅有表層公告	60	20	20	100
$q_2$ 加入可追溯決策資訊	20	55	25	100

在這個假設性結果中，雇主主觀歸責增加 35 個百分點，技術權重減少 40 個百分點。但真實受試者是否會如此轉變仍是待測假說。有人可能因資訊透明而更信任雇主，也有人可能同時責怪雇主與 AI，或拒絕在兩者間做加總分配。

研究提醒： 若量表強迫總和為 100，可能人為製造「責怪一方就少責怪另一方」的零和效果；正式研究應同時使用各角色獨立 0～10 分評估、因果反事實題與自由文字題，檢查測量設計對結果的影響。

5.7 六組案例給出的最小共通結論

案例並未證明 AI 替代對社會一定有利或不利，而是表明：技術能力、導入方式、企業雇用策略、收益占有及民眾歸責之間不存在普遍的一一映射。 每一層都必須有自己的資料來源、可識別條件及明確的未決區域。對不同的公共政策選項，這種分離能防止把「提高科技創新」與「接受當前分配規則」綁成不可分割的政治選擇。

6. 歸責不是零和：因果、情緒、補償、制裁與制度改革

6.1 五種歸責指標應分開詢問

一名被裁員者可能同時認為：AI 技術提供了有效替代能力（因果）；雇主選擇了某種不公平的重組方式（道德責怪）；企業與政府應提供轉職保障（補償）；模型服務商應提供安全的審計工具（技術責任）；未來應制定透明的勞工 AI 導入程序（制度改革）。若問卷只容許他在「AI」與「老闆」二選一，研究者就會人為壓縮複雜信念。

構念	對應問題	是否可多方同時為高
因果參與	哪些因素使結果在反事實上不同？	可以
可避免性	哪一方當時有能力採取較低損害方案？	可以
主觀責怪	你對哪一方最不滿？	可以
救濟義務	哪些主體應負擔補償及申訴程序？	可以
未來制度偏好	應限制 AI、改變收益分配、增加公共 AI，還是其他？	可以多選且不互斥

「AI 是技術原因」與「雇主應承擔一定比例的救濟義務」沒有邏輯矛盾；「雇主是裁員簽核者」與「社會安全網應分擔部分轉職成本」也不矛盾。

6.2 雇主選擇並非全部無約束，企業決策也不必然全無選擇

若一家企業面臨資金枯竭、顧客流失及無法避開的劇烈需求萎縮，即使 AI 沒有出現，員工也可能失去工作。雇主的合法且合理裁員，與為追求額外利潤而選擇替代，規範上可能需要不同評價。反之，若企業具有可負擔的轉訓、縮時、增補、內部轉調及分享收益方案，而完全不比較，即可能引發更強烈的可避免性與程序正義問題。

要驗證何種選項可行，不能僅按事後結果推斷。需至少取得當時需求預測、資金約束、模型部署成本、品質風險、勞工技能、合同義務與市場競爭資料。此處不把雇主預設為惡意的受益者，也不把其聲稱「市場逼我」預設為完全可靠。

6.3 AI 供應商、企業與現存 AI 系統是不同角色

對現有部署架構，AI 模型提供者可能負責某些模型性能、合約說明、產品承諾與合規事項；雇主負責其有權決定的部署、聘僱及工作規則；勞工負有其工作義務，但不因使用 AI 就自動承擔整個系統的責任。政府與保險制度也可能對最低保障負有義務。各角色的法定責任須由具體法域認定，不能僅從技術功能推導。

對未來自主 AI，假如它具有持續資源控制、可自行選擇分配方案或有效支配工作流程的能力，則其實際決策參與不應被原則性排除於因果分析；但它是否具備道德代理資格、法律人格或賠償財產，仍需另設證據與制度判準。把現在的模型及假設性的未來人工主體視為完全同型，是一種時間錯置。

6.4 收益控制與責任歸屬並不必然重合

企業主可能擁有所有權，卻由經理人制定具體裁員方案；平台企業可能收取模型費用，卻沒有參與人事決策；勞工可能貢獻了讓模型能運作的業務資料與技術知識，卻在合同中未取得對應的增益分配。這些關係可能形成契約、所有權及貢獻之間的張力。

一個可以研究的分配問題是：如果增益有部分來自歷史員工經驗、企業資料、公共教育、社會基礎設施和模型研發，應否以單一資本所有權決定全部未來收益？這是可公開辯論的規範問題，不能在缺少法規與分配倫理的情況下從「貢獻」直接推出特定法律份額。CASAS 只要求把各種貢獻與控制路徑顯式記帳，以免在討論公平之前就失去辨識能力。

6.5 心理歸責的跨階段變化

某人可能在失業當下先把負面情緒投向最可見的 AI 工具，之後因發現公司收益增加且未提供補償，轉而主要不滿雇主；也可能反過來，在遭到反覆 AI 生成錯誤、工作監控或個人資料風險後增加對 AI 的負面評價。這些都只是候選路徑，不可當作普遍心理定律。

因此要追蹤同一個人對 AI 技術能力、AI 使用條件、企業制度、公共再分配與 AI 政治角色的分開態度。整體上「支持 AI」或「反對 AI」的單題投票，不足以識別這些動態機制。

7. 從「責怪誰」到「想要什麼制度」：政治經濟中介機制

7.1 四個可能同時存在的偏好

在同一個社會或同一個個體身上，可能同時出現：肯定 AI 所提升的醫療、教育、公共服務及生產能力；反對某企業將技術收益集中於少數人的決策；要求勞工保障與重新分配；拒絕給予 AI 無限制、不可撤回的治理權。這四種偏好並非互斥。[D3]

如果研究者以「是否支持 AI」當唯一指標，可能把這種複合偏好錯誤歸類為搖擺、矛盾或口是心非。真正需要識別的是支援何種技術、在何種分配規則下、由誰控制、是否保留退出與申訴權。

7.2 能力增益、分配評價與治理授權之間的非自動鏈

提出一條僅在特定條件下可能出現的中介序列：

AI 能力改善 → 生產及服務增益可驗證 → 個人發現分配與既有制度不一致 → 要求收益規則改革 → 比較不同公共決策機制 → 可能支持或反對更多 AI 治理。

這條路徑可能中途斷裂。工作者可能認為政府比 AI 更有資格分配，也可能偏好勞資共同決策、合作社、公共算力、工會協商或其他制度；因此不應從對既得利益者的不滿直接推出支持 AI 統治。這種委託需求的真正成立條件須由 NACT-08 接續研究。

7.3 兩條競爭性的社會反應路徑

技術拒斥路徑： 若損失高度可見、AI 系統不可靠或無法申訴，民眾可能將技術作為主要風險來源，要求限制部署。此路徑可能具有充分合理性，不應預先稱為反科技偏見。

分配改革路徑： 若 AI 服務能力確實可觀、替代制度存在且受益不均，民眾可能將爭點移往企業治理、福利、稅制、勞動保障、公共智能可達性或其他制度設計。這並不要求民眾喜歡模型、承認模型有意識或願意交出政治主權。

兩條路徑可在同一人身上共存，亦可能因時期、職業、家庭風險與公共討論而改變相對強度。

7.4 必須防止的兩種權力歸責移位

第一種是雇主以 AI 名義免責：把企業有權選擇的裁員、薪酬、監控與救濟決策說成「演算法要求」，使實際決策人消失。第二種是技術提供者以雇主部署免責：把模型已知的品質、安全或誤導風險完全推給使用企業。兩者都可能產生不合理的責任空隙，但須依合同、可預見性、證據及司法管轄區判定，不能預先宣告所有個案均成立。

當高能力 AI 系統在未來取得更大獨立決策能力，還可能出現第三種反向問題：因為始終把 AI 當成「工具」，社會在 AI 真正控制特定資源時反而無法明確安排其相應責任。 本篇將它列為未來制度風險，不把今日模型的責任結構與假設的後人類時代硬性畫等號。

8. 十二項可反駁假說：不可只挑支持敘事的證據

以下十二項均屬 [H]。每一項須在正式研究前凍結主要指標、處置比較、樣本納入規則與反證條件；此表不是已獲實證支持之研究結果。為避免單向驗證偏誤，均提供競爭解釋及不支持假說時的判讀。

H01｜能力—裁員非同一性

預測： 控制實際部署、需求及競爭溢出後，單純 AI 技術可取得度不一定對某一雇主當期裁員率呈穩定正效應。

競爭解釋： 可取得度可能透過無法完全觀測的計畫、投資與對手價格迅速改變雇用需求。

削弱條件： 若跨企業、高可信度識別下，僅有技術可用便穩定引發大規模裁員，且所有已測中介均無法解釋，則須修訂 F1 類條件假設的經驗適用範圍。

H02｜部署策略中介

預測： 相近職業曝險及企業起點下，增補部署的勞動結果與替代部署可顯著不同。

競爭解釋： 部署類型可能只是預先存在之需求、資金及管理品質的標籤。

削弱條件： 經可信準實驗識別與前期趨勢檢查後，部署方式變化對就業、薪資、工時及工作品質均無可辨差異。

H03｜招聘滯後效應

預測： 部分採用 AI 的企業會先降低初階職缺與補聘速度，裁員公告與員工存量的明顯變化較晚出現。

競爭解釋： 招聘減速由景氣、資金成本、公司規模或前期過度擴張所致。

削弱條件： 經員工流動、部門需求及聘僱季節性校正後，AI 導入與招聘路徑沒有差異，或長期呈反向增加。

H04｜收益分配異質性

預測： 在可信估計的 AI 導入增益相近時，不同工會制度、議價能力、契約安排與市場結構，會對員工薪資增量及企業獲利配置造成可辨差異。

競爭解釋： 觀察到的份額差異由產業技術差異、風險承擔、資本投入及產品需求造成。

削弱條件： 在完整可比資料下，這些制度差異不再解釋受益分配。

H05｜透明決策資訊改變歸責對象

預測： 相同失業結果下，提供經核實的雇主重組決策、可行替代及收益配置資料，會使部分受訪者提高對雇主決策責任的評分。

競爭解釋： 受訪者可能將透明度視為雇主善意或必要壓力，從而降低責怪；亦可能只受到題目框架影響。

削弱條件： 預註冊處置效果接近零、方向相反，或只在提示性／引導性題型出現而在獨立量表消失。

H06｜因果歸屬與補償歸屬非同一

預測： 即使受試者將 AI 視為較主要的技術性原因，仍可能更傾向要求雇主、公共保障或保險制度提供補償。

競爭解釋： 在特定文化／契約環境中，人們可能要求技術提供者直接負擔主要補償。

削弱條件： 橫跨題型、樣本與制度的資料均顯示因果權重與補償責任呈穩定一一對應。

H07｜「反 AI 部署方式」與「支持 AI 技術」可共存

預測： 特定受益不均情境下，同一受訪者可同時支持 AI 研發與公共可達，卻反對不透明裁員或集中分配的導入方式。

競爭解釋： 部分群體也可能因失業創傷拒斥所有 AI 用途。

削弱條件： 多次追蹤及測量不變性檢驗後，支持 AI 能力與反對特定部署方式幾乎不可能同時出現。

H08｜受益預期影響改革支持，但不直接等於信任 AI 治理

預測： 覺得 AI 收益集中者可能更支持某些分配改革；但對直接授予 AI 政治權限的支持，仍受程序與授權安全影響。

競爭解釋： 收益集中認知可能同時降低對 AI 技術及 AI 治理的全部信任。

削弱條件： 在資訊與安全條件固定後，分配評價對任何相關制度偏好均無增量解釋力，或信任完全由單一 AI 喜好構念支配。

H09｜可避免性資訊比純粹技術標籤更能解釋雇主責怪

預測： 當受訪者得知雇主具有成本可負擔、且可驗證的低損害替代方案時，對雇主之道德責怪增加，強度可能高於僅提示「AI 已導入」。

競爭解釋： 受訪者可能相信企業必須維持競爭力，或認為替代方案對其他員工不公平。

削弱條件： 操弄檢核成功後，可避免性資訊未對責怪與救濟期待產生影響。

H10｜受影響群體非同質

預測： 是否在職、職位型態、轉職成本、家庭保障、實際 AI 使用、年資與替代技能可調節上述效果。

競爭解釋： 表面異質性可能來自不同題目理解、樣本選擇或無效權重。

削弱條件： 在足夠效能與測量等值檢驗下，各群體條件效果無法區分，且外部驗證不支持特定差異。

H11｜收益與傷害的資訊公開不必然導致一致的政治聯盟

預測： 即使數據揭露不均分配，不同群體仍可能因權利、風險、國家信任與 AI 安全觀點而選擇不同改革方案。

競爭解釋： 若各方偏好高度一致，透明資料可能促成單一公共政策聯盟。

削弱條件： 大規模跨國預註冊實驗持續顯示，一旦知道真實分配，受試者在不同行政與意識形態背景下均穩定轉向同一種單一 AI 治理方案。

H12｜高自主 AI 的擴張可能改變責任型別，但不自動取消人類制度責任

預測： 在安全模擬中，當 AI 可自行選擇部分調度與勞動配置，人們的因果歸責可能部分轉向 AI；但能控制部署、審計與補救的人類組織仍可能被要求承擔制度責任。

競爭解釋： 受試者可能仍只責怪人類，或完全把責任推給 AI，形成責任真空。

削弱條件： 自主決策幅度經有效操弄後，歸責與補救期待完全不變，或受試者始終無法區分 AI 與部署機構的角色。

9. 四種實證研究模組與最小證據要求

9.1 模組一：企業—勞工配對縱貫資料

目標： 識別企業 AI 導入及其組織設計，與工作者就業、薪酬及工作品質的關係。

最小資料： 企業匿名識別碼、產業、規模、財務及需求代理指標、AI 部署日期、使用任務類型、增補／替代分類、職缺發布及補聘、員工匿名歷程、薪酬及工時、離職原因、轉訓與內轉、同期其他改革。需記錄模型變更、部署中斷及資料觀測期間。

識別策略： 以分期導入及可比較未導入企業組成對照；預先檢查平行趨勢，處理異質處置時點與動態效應，不能沿用有偏的簡單雙向固定效果作為唯一估計；檢查同業競爭、地域溢出及職位編碼變更。若無可信對照，回報部分識別界限，不強稱因果。

核心結果： 雇用存量、招聘流量、非自願離職、工時、薪資、升遷、重訓、工作強度及異議通道；禁止只報導單一平均總人數，以免遮蔽年輕勞工或低資源群體的非對稱效果。

9.2 模組二：收益分配的多帳本審計

目標： 避免將「成本節省」「營收提高」「新增利潤」「社會福利」混成單一收益。

建議按季度建立六個獨立帳本：

生產帳： 產量、品質、實質增加值、模型成本、能源、其他設備。
雇主帳： 人事成本、營收、營業利潤、投資、固定成本與股東配置。
勞工帳： 薪資、獎金、員工福利、工時、失業成本及培訓資源。
消費者帳： 價格、品質、可取得性；消費者剩餘須另行估計，不直接與企業會計帳加總。
公共帳： 稅、補貼、保險給付、公共訓練與救濟成本。
權限帳： 誰能修改模型用途、決定員工去留、調整資料存取、否決分配及責任制度。

審計要求： 每筆數據具有單位、幣值、價值是否調整通膨、時間範圍、受益角色、支付角色、來源與可信程度；不得因未能取得企業私有資料而把推測寫成已發現的利潤占有。跨部門計算需做供應鏈中間投入去重，避免同一 AI 服務費在上下游被重複記為社會新增價值。

9.3 模組三：因果歸責與制度偏好的隨機資訊實驗

目標： 直接檢驗「技術性失業」與「企業決策及收益分配」的敘述，是否導致不同歸責及政策偏好。

採 $2\times2\times2$ 設計，三個因子為：

$F_1$ ：是否提供經核對的企業可避免性／替代方案資訊。
$F_2$ ：是否提供可核對的企業收益、勞工補償及分配資訊。
$F_3$ ：是否提供雇主遇到競爭及資金壓力的資訊。

共八個情境條件。所有條件使用相同裁員與服務品質數字，只改變被揭示的合法資訊，避免同時混入事件嚴重度。加入完全中性描述組，並確保提供資訊本身不是誤導性斷言。抽樣需包含實際失業者、在職者、企業決策者與一般公民，分層記錄受訪者 AI 使用及經驗；不以某一群體的答題直接代表全社會。

核心量表： 對每個角色分別評估因果參與、可避免性、道德責怪、補償義務、對 AI 技術支持、特定企業部署接受度、收益分享支持、公共 AI 使用支持、有限治理委託支持、對不可撤回權力之警戒。

問卷效度： 不僅使用總和 100 的歸責點數，也使用各角色獨立評分與開放題；設置操弄檢查、理解題及注意力檢查；不能把未理解題目或拒絕問題前提的回答者簡單排除，應將其列入透明報告與敏感度分析。

統計原則： 事前指定 H05、H06、H07 為三個主檢驗並採多重比較校正；其餘探索性分析獨立標記。重點報告效果量與信賴區間，不以 $p<0.05$ 作為因果機制成立的唯一依據。對實際失業者不可用虛構情境取代其生活經驗，也不能在招募時誘導創傷或剝奪其拒答權。

9.4 模組四：跨國制度對照與動態追蹤

問題： 在類似 AI 能力與部署深度下，不同勞動保障、職業再訓練、收入安全、企業治理、競爭結構及公共智能可達性，會否改變實際損失與歸責方向？

可設美國、台灣、韓國、日本、德國及北歐部分經濟體作候選比較群，不是宣稱這些地方的勞動政策、AI 採用率或歸責態度已被本篇比較證實。應先釐清每個地區的行政數據、工時口徑、非典型就業、工會涵蓋率、社會保障、企業 AI 採用定義及抽樣制度，確認可比較性後再選樣；沒有可比資料就不應硬做排行。

追蹤窗： 以企業或個人部署前一年作前期觀測，部署後按季度追蹤；必要時延伸至多年度，以區分短期成本與長期新任務形成。資料缺口可能導致過度選擇，在分析前預先指定缺失機制、停用條件及測量中止規則。

10. 反對意見與真正會推翻本篇延伸判斷的情境

10.1 「既然雇主有權裁員，難道任何技術都無責？」

不是。技術是某些結果的實際因果條件；供應商是否有設計、揭露、安全與其他義務，仍須依已知風險、預見可能性、法律與使用方式判斷。此論文拒絕的，是把因果效應與完整規範責任作成一對一映射。

10.2 「企業若不採用 AI 就被競爭者淘汰，還談什麼選擇？」

市場壓力可能使企業的可行選項極少；這是需要經驗驗證而不是語言上否認的條件。倘若企業不能以可負擔成本避免裁員，規範上的可責性可能下降，但過渡傷害、公共再保險與集體談判問題仍然存在。反過來，若企業明明有其他方案卻不加比較，也不能只援引抽象競爭壓力而取得全面免責。

10.3 「AI 本來就是老板使用的工具，沒必要討論 AI 的原因」

此說法過度縮減技術與經濟競爭效果。若沒有足夠可靠的 AI，原有任務可能不會以相同成本被替代；如果使用者以其他方案取得效果，反事實也可能不同。雇主作決策與技術改變選擇集合是兩種可以並存的因果事實。

10.4 「就算收益被少數人取得，為何能說不公平？」

確實不能單憑集中便宣布不正義。可能涉及前期研發、風險投資、所有權、契約、資本報酬與創新激勵。相對地，也需要評估歷史員工知識、公共資源、外部成本與轉型保障。本文只主張將分配事實與公平論證的條件明確化，不把一個總收益指標當成規範裁決。

10.5 「失業者可能就是厭惡 AI 本身」

這完全可能，而且是本篇必須允許的競爭結果。個人對 AI 的不滿可能來自失業、監控、倫理、文化、審美、權力集中、使用經驗或模型錯誤，不必有單一來源。若跨國研究顯示工作替代越強，民眾不論分配條件如何都一致要求停止 AI 研發，那麼 H07 將受到重大挑戰；研究不得以「大眾還不理解」自動免疫反證。

10.6 「受益集中者也可能就是一般人的雇主與退休基金」

正確。企業利潤可能流向多種股東、養老資產、稅收及再投資；勞工也可能同時是消費者或股東。CASAS 不把人類群體預設為純粹兩大階級，必須追蹤實際經濟受益、承擔風險與有效控制權。不能因為某人持有基金份額，便推論其足以抵銷失業帶來的生活成本。

10.7 「如果 AI 真正完全自主，老闆不一定有最後決定權」

未來可能如此。因此模型需動態追蹤實質決策權，而非依名稱固定歸屬。在某些假設性架構中，AI 可以有分配與人事調度能力；在另一些架構中，它只是建議器。這會改變責任研究，但不令因果歸責與收益歸屬的分離失效。不能以當代 ChatGPT 的互動結構作所有未來 AI 的本體模板。

10.8 「人類連真正收益帳都看不到，怎麼可能公平歸責？」

這是研究的重要識別限制，而不是可忽略的問題。研究必須保留資料取得、企業稽核、商業保密、審計能力及公開摘要各自的權限界線。若資料無法識別，應報告可行上下界、替代解釋及未知，不能用模型自信推理填補會計與就業證據。

10.9 「勞動替代造成的反 AI 情緒會不會加速社會衝突？」

有可能，但暴力衝突不是失業或不平等的直接邏輯推論。政治動員、制度信任、申訴可及、社會保障、利益分化、組織資源、競爭敘事及其他結構條件都會介入。本篇僅處理歸責與收益配置的候選張力，不把它當作對內戰的已證實因果機制；NACT-11 才專門比較不同社會衝突路徑。

11. 治理接口、測量資料字典與研究倫理

11.1 事件層級資料字典（候選）

欄位	單位／值型別	最小證據來源	常見誤用
`unit_key`	企業×部門×期間之匿名 ID	管理或行政資料	將單次 AI 回合當作一個職位
`task_exposure_score`	0～1 或有序等級，附方法版號	ILO 型任務分類及研究驗證	直接解讀為失業機率
`adoption_start`	完整日期／不確定區間	合約、部署記錄	把公告日當實際採用日
`deployment_mode`	增補／替代／混合／未知	流程稽核、員工與企業對照	只按行銷標籤分類
`headcount`	人數，期初／期末	工資或行政記錄	忽略聘僱、離職及工作時間
`hiring_flow`	期間新聘人數	人力資源記錄	以零裁員宣告零替代
`separation_flow`	期間離職及解雇、原因另列	人力資源記錄	混淆退休、轉職與非自願裁員
`wage_hours_quality`	異質向量、不可直接加總	員工配對、職場調查	以企業產能代替人類福利
`adoption_costs`	幣值／期間，標註明細	財務帳	忽略算力、電力與品質回修成本
`distribution_ledger`	受益者×金額×時間	可稽核會計及政策帳	利潤、價格節省與 GDP 重複計數
`control_rights`	實際能修改／否決的角色集合	合同、公司治理及記錄	以股東名稱替代實際控制
`decision_log`	決策者／方案／日期／比較	合法授權紀錄、文件	只依新聞稿推論內部動機
`blame_profile`	對各主體獨立量表及文字	匿名問卷	將感知歸責當成裁判定罪
`remedy_profile`	對各主體補償與改革期待	匿名問卷	與因果責怪混成同一分數
`source_quality`	事前定義證據等級	審計記錄	多個模型重複同一來源當獨立證據

11.2 用於資料品質的五項守衛

分類守衛： 每個數值必須標示曝險、部署、結果、收益、感知或制度權限之一；未知者不強制填為零。
時間守衛： 模型發表、企業買入、實際部署、員工調整與統計發布可能相隔數月或數年，應分別記錄。
因果守衛： 沒有對照與識別方案的相關性不得描述成已證實因果。
分配守衛： 企業會計帳、家庭購買力、消費者剩餘與公共財政各有單位，未對帳前不可直接加總。
責任守衛： 社會輿論、法定義務、道德判斷、經濟受益與個體身分互不自動等同。

11.3 研究倫理與部署邊界

勞動市場研究涉及就業歷程、薪資、績效評價與社會弱勢者，必須遵守適用的資料保護、研究倫理及參與者知情同意規範。不得把可識別的個人失業記錄、薪資或公司機密用於未授權的模型訓練與公開展示。匿名資料仍可能透過企業、小樣本部門與地理位置重新辨識；因此需採取差分隱私或其他適當保護、統計揭露限制、最小化存取與稽核。是否採用特定隱私技術須衡量其對因果識別與少數群體資料的影響。

研究者應公開預註冊分析計畫、變數字典、合成資料與可公開程式碼；真實個資及未公開決策紀錄依法律與授權管理，不應為了可重現性而任意公布。若能取得多模型協助，應保留來源譜系，以免「三個 AI 都同意」實際只代表同一份新聞稿被重述三次。

12. 本篇的理論整合與 NACT-08 的接續條件

12.1 本篇真正建立的三個分離

因果分離： AI 提供自動化能力、企業決定如何使用、制度塑造成本與競爭，三者可同時對某些就業結果產生作用。不存在一個普世的「只選一人負責」簡單分類器。

收益分離： 由 AI 取得的生產及效率增益，並不自動決定勞工、股東、供應商、消費者與公共部門的最終收益配置；分配型態既受生產結構影響，也受合同、議價與制度權限影響。

政治評價分離： 民眾是否喜歡 AI 技術、是否反對某種裁員方式、是否願意支持更普遍的 AI 使用、是否要求 AI 參與治理，是四個可能關聯但不能互推的問題。

12.2 對後續系列的最小接口

NACT-08 研究「弱勢收益張力與人工智能治理授權的社會需求」，前提是本篇把受益改善幅度、分配感、可行替代與有效救濟變成可觀測量。NACT-08 不可將本篇的合成案例當作真實弱勢群體已經全面支持 AI 治理的證據，也不應把「普遍可達 AI」等同於「弱勢人口已獲得公平分配」。

NACT-09 研究治理聲望與制度權力分離，本篇可提供比較經濟與公共服務成果的績效及受益歸因資料；但治理正當性仍需獨立處理。NACT-10 將研究 AI 風險敘事是否可能兼具真正安全目的與工具性利益防衛；本篇不預先判斷任何具體政策制定者的真實動機。NACT-11 將比較人類內部分化與衝突機制，本篇不認定社會衝突必然升級成暴力。NACT-12 將整合多種文明演化路徑，必須同時容納技術拒斥、合作共治、AI 治理受益、企業權力集中及高能力 AI 真正產生工具性衝突的反例。

12.3 證據與理論的完成邊界

本篇完成了概念分層、有限數學反例、合成計算及可檢驗研究契約；尚未以新的原始個案資料估計任何國家的勞動替代淨因果效應，亦未完成全球雇主收益帳的獨立審計。形式命題 F1～F5 在所列假設下可直接檢查，但 H01～H12 是開放的經驗問題。任何後續實驗若出現反向證據，應優先修正相應命題，而不是把所有失敗都解釋成「社會尚未跨過閾值」。

13. 結論：技術可能改變工作，但分配結果仍是一個制度問題

AI 具備替代某些人類工作的能力，是技術條件；企業選擇何時、如何導入，是組織行動；社會最終發生多少失業、薪資壓力或新職務形成，是需要反事實辨識的結果；新增利益由誰取得，以及損失由誰補救，涉及合同、所有權、競爭、公共制度及分配倫理。這些層次可以相互影響，卻不是同一件事。

當勞工失去工作時，他可能責怪 AI，也可能責怪雇主、政府、平台或一整套無法保護生活保障的制度。當 AI 讓企業取得更多能力時，勞工可能希望停止某種部署，也可能要求取得更多 AI 使用機會；當 AI 改善生產能力卻未能普遍改善生活時，爭論的焦點可能由要不要技術轉移到誰有權控制技術成果。這些都不是必然結局，而是需要觀測、比較和反駁的社會路徑。

因此本篇的核心命題可簡述如下：

技術提供因果可能，部署決策塑造實際結果，制度安排決定利益與補救的可達性；三者可以耦合，卻不能互相取代。反對一種 AI 的收益分配方式，不必然等於反對 AI 能力本身。

最後，回到 NACT 系列的主問題：當 AI 能持續創造新能力時，未來的關鍵權力競爭未必首先發生在人與 AI 之間；也可能在人類既有的受益、授權與救濟制度之間展開。但從此推到任何特定治理制度的正當性，仍須跨過新的、不可省略的證據與授權門檻。

「一個文明可以因技術進步而變得更富有，卻仍因分配規則而讓更多人覺得自己被剝奪；因此，被人們反對的未必是創造財富的能力，而可能是決定誰有資格受益的權力。」

14. 參考文獻與可核對來源

以下以外部研究 [E] 與既有研究 [I] 分列。網頁連結為研究原始來源或官方出版資訊。存在 DOI 時優先列 DOI；所引數字僅採用經核對之文章摘要或公開研究說明，不擅自推算未核實的次級數值。所有既有原稿屬研究脈絡，不能代替獨立實證文獻。

14.1 外部文獻 [E]

[E1] International Labour Organization & NASK (2025-05-20). Generative AI and Jobs: A Refined Global Index of Occupational Exposure, ILO Working Paper 140. https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure
[E2] Cazzaniga, M., et al. (2024). Gen-AI: Artificial Intelligence and the Future of Work, IMF Staff Discussion Note SDN/2024/001. https://www.elibrary.imf.org/view/journals/006/2024/001/article-A001-en.xml
[E3] Acemoglu, D., & Restrepo, P. (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives, 33(2), 3–30. https://doi.org/10.1257/jep.33.2.3
[E4] Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
[E5] 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
[E6] 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 working paper. https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-effects-of-artificial-intelligence/
[E7] Ipsos & Groundwork Collaborative (2026-08-03; fieldwork 2026-06-11 to 2026-06-16). American Workers Assess AI Impact. https://www.ipsos.com/en-us/american-workers-assess-ai-impact ; public topline summary: https://groundworkcollaborative.org/news/new-groundwork-polling-shows-workers-not-sold-on-ai-in-the-workplace/
[E8] Gallup (2026). AI Benefits at Work Unevenly Distributed. https://news.gallup.com/poll/714602/benefits-work-unevenly-distributed.aspx
[E9] Pew Research Center (2025-02-25). U.S. Workers Are More Worried Than Hopeful About Future AI Use in the Workplace. https://www.pewresearch.org/social-trends/2025/02/25/workers-views-of-ai-use-in-the-workplace/
[E10] Grossman, S. J., & Hart, O. D. (1986). The Costs and Benefits of Ownership: A Theory of Vertical and Lateral Integration. Journal of Political Economy, 94(4), 691–719. https://doi.org/10.1086/261404
[E11] OECD (2023). OECD Employment Outlook 2023: Artificial Intelligence and the Labour Market, especially Executive Summary and Chapter 4, Artificial intelligence, job quality and inclusiveness. https://www.oecd.org/en/publications/oecd-employment-outlook-2023_08785bba-en/full-report/artificial-intelligence-job-quality-and-inclusiveness_a713d0ad.html
[E12] Matthias, A. (2004). The Responsibility Gap: Ascribing Responsibility for the Actions of Learning Automata. Ethics and Information Technology, 6, 175–183. https://doi.org/10.1007/s10676-004-3422-1
[E13] Federal Reserve Bank of Boston (2026). Workers' Perspectives on Artificial Intelligence: Productivity Gains and Job-loss Fears. https://www.bostonfed.org/publications/current-policy-perspectives/2026/workers-perspectives-on-ai.aspx
[E14] OECD (2023). OECD Employment Outlook 2023: Executive Summary. https://www.oecd.org/en/publications/oecd-employment-outlook-2023_08785bba-en/full-report/executive-summary_92f8509e.html

14.2 EveMissLab 前置原稿 [I]

[I1] Neo.K／EveMissLab（2026-10-26），《AI 治理的認知必要性與授權邊界：不是哲人王，也不是只用 AI 寫報告》，SGCR-S07。https://unboundedaxiom.org/p/lm-005136/
[I2] Neo.K／EveMissLab（2026-10-27），《自願交付主權：AI 崇拜、脆弱處境與能力權威的政治正當性悖論》，SGCR-EX01。https://unboundedaxiom.org/p/lm-005189/
[I3] Neo.K／EveMissLab（2026-10-28），《智能資本集中、公共可達性與社會反作用》，AICET-13。https://unboundedaxiom.org/p/lm-005130/
[I4] Neo.K／EveMissLab（2026-10-16～17），《帳號、委託、執行者與受益者：人類—AI 混合操作下的經濟歸因》（AIEC-09）及《地球文明的 AI 經濟耦合觀測》（AIEC-12）。https://unboundedaxiom.org/p/lm-005119/ ; https://unboundedaxiom.org/p/lm-005115/
[I5] NACT-01～NACT-06，《人工智能文明主導權的非敵意轉移與人類權力反身性理論》本系列先行原稿；以各篇獨立 UTF-8 Markdown 正本為準，本文僅繼承其明示的前提與局部結論，不重新宣告已完成未來社會的實證。

15. 交付前研究自檢與版本紀錄

明確區分技術能力、採用、組織重構、聘僱、增益、分配、規範責任、主觀歸責。
不把技術的因果貢獻與雇主的決策責任寫成互斥。
不把 ILO 或 IMF 職業曝險率誤認為已發生失業。
不把 2026 年 Ipsos「誰受益」問題誤認為「誰被責怪」問題。
不把 Stanford 2026 年相對青年就業差距誤寫成全經濟裁員比例。
五項有限形式結果均附假設、反例或推導及適用邊界。
六組合成情境均標示非實證及不可推導事項。
十二項研究假說均具競爭解釋與削弱條件。
保留未來 AI 自主性、當前企業責任及不同法域的開放性。
研究結論不直接推出 AI 治理合法性或社會衝突必然升級。
正本以 UTF-8 Markdown 保存，數學使用單一 canonical delimiter 規則。

版本： v0.1（2026-11-05）
研究成熟度： E0／條件性概念論文；已有可核對外部證據、有限形式檢查及可執行研究設計；未宣稱完成跨國原始調查或實地因果估計。
下一篇研究接口： NACT-08〈弱勢收益張力與人工智能治理授權的社會需求〉。