---
title: "AI 與階級流動：能力民主化、資源固化與雙相效應"
english_title: "AI and Class Mobility: Capability Democratization, Resource Entrenchment, and the Biphasic Effect"
series: "AI 原生決策治理與認知資本系列"
series_en: "AI-Native Decision Governance and Cognitive Capital Series"
paper: "07"
author: "Neo.K"
institution: "一言諾科技有限公司（EveMissLab）"
research_assistance: "AI-assisted theoretical development"
version: "v0.1"
date: "2026-09-07"
language: "zh-TW"
status: "Internal Working Paper / Canonical UTF-8 Source"
scope_note: "本文研究 AI 對階級流動、資源優勢、能力槓桿、組織規模壓縮與所有權轉換的可能影響；不主張 AI 必然使社會更平等或更不平等，也不把任何單一技術效果直接等同於階級結果。"
related_works:
  - "《能力義肢：AI 如何提高領導能力下限並遮蔽管理者缺陷》"
  - "《傲慢作為負認知資本：AI 時代的認識論僵固性與可修正性》"
  - "《外部智能治理：顧問、第三方 AI 與組織認知稽核》"
  - "《從意圖到決策：AI 原生決策編譯器與稀疏意圖治理》"
  - "領域耦合治理理論系列"
keywords:
  - "AI Class Mobility"
  - "Capability Democratization"
  - "Resource Entrenchment"
  - "Biphasic Effect"
  - "Upward Mobility"
  - "Downward Mobility"
  - "Ownership"
  - "Organizational Compression"
  - "AI Mobility Window"
  - "Cognitive Capital"
---

# AI 與階級流動：能力民主化、資源固化與雙相效應

## 摘要

本研究提出「AI 階級流動雙相效應」（AI-Class Mobility Biphasic Effect）框架，用以分析 AI 對社會與組織階級流動的一個可能反直覺結果：AI 既可能提高低資源、高能力者的向上流動機率，也可能降低高資源、低能力者的向下墜落機率。

傳統階級流動模型常隱含：

$$
\text{能力}
+
\text{資源}
\rightarrow
\text{成果}
\rightarrow
\text{階級位置}
$$

但 AI 改變了其中至少三個轉換函數。

第一，AI 壓縮知識、人力、組織與協調成本，使低資源者可以用更小的人類團隊完成過去需要較大組織才能完成的認知工作。本文將此稱為：

$$
\boxed{
\text{Capability Compression of Organizational Size}
}
$$

第二，AI 也可以作為高資源管理者的能力義肢，降低因管理失誤、資訊不足、跨領域理解困難與低級錯誤造成的資源耗散。這可能削弱傳統的：

$$
\text{Low Competence}
\rightarrow
\text{Bad Decisions}
\rightarrow
\text{Resource Loss}
$$

向下流動機制。

第三，AI 並不平均壓縮所有資源。知識、人力、語言、搜尋、基礎分析與部分協調資源容易被 AI 壓低，但土地、能源、工廠、GPU 叢集、牌照、法定權限、品牌、供應鏈、資本與制度位置等資源仍可能高度稀缺。

因此，AI 不必然導向「能力民主化 = 階級民主化」。

本文提出：

$$
\boxed{
\text{AI Capability Democratization}
\neq
\text{Ownership Democratization}
}
$$

真正的階級流動需要完成：

$$
\text{AI Leverage}
\rightarrow
\text{Productivity}
\rightarrow
\text{Income}
\rightarrow
\text{Capital}
\rightarrow
\text{Ownership}
\rightarrow
\text{Institutional Power}
$$

若這條鏈在中間被平台、雇主、資本所有權或制度門檻截斷，則能力提升不一定轉化為階級提升。

本文進一步提出「AI 流動窗口」（AI Mobility Window）：在 AI 能力已高度可取得、但大型既有組織尚未完全完成 AI-native 制度整合的過渡期，低資源高能力者可能取得異常高的相對槓桿；然而當資本、品牌、通路、制度權與 AI 能力重新整合後，既有優勢可能再度固化。

本研究最後提出一組可實證變數，包括：AI 組織壓縮率、AI 產出槓桿、所有權轉換率、向上流動率、向下流動率、AI 吸收程度、新穎接受度、認識論可修正性、資源保全率與 AI-native consolidation timing。本文的最終命題不是「AI 會讓階級更流動」或「AI 會讓階級更固化」，而是：

$$
\boxed{
\text{AI may increase mobility from below while increasing resilience from above.}
}
$$

---

# 0. 問題起點：AI 究竟是在解放能力，還是在保護資源？

如果未來一個人可以透過 AI：

- 寫程式；
- 做研究；
- 做設計；
- 做市場分析；
- 做財務模型；
- 做簡報；
- 做法律初步分析；
- 管理專案；
- 產生內容；
- 自動化客服；
- 使用多個 Agent；

那麼很自然會產生一個樂觀推論：

> AI 會讓沒資源但有能力的人更容易翻身。

這個推論可能成立。

但另一個同樣合理的推論是：

> 有資源的人也會使用 AI，而且 AI 甚至能幫他們降低管理失誤，讓既有資源更難流失。

因此真正問題不是：

$$
\text{AI increases equality?}
$$

而是：

$$
\boxed{
\text{Which mobility channels does AI open, and which class positions does AI stabilize?}
}
$$

---

# 1. 階級流動不是單一變數

本文不將「階級」簡化為單一收入。

一個人的社會位置至少可能包含：

$$
\text{Income}
$$

$$
\text{Capital}
$$

$$
\text{Ownership}
$$

$$
\text{Institutional Access}
$$

$$
\text{Social Network}
$$

$$
\text{Decision Authority}
$$

$$
\text{Knowledge Access}
$$

所以階級位置可以表示為：

$$
S_i
=
(
Y_i,
K_i,
O_i,
I_i,
N_i,
A_i
)
$$

其中：

- $Y_i$：收入；
- $K_i$：資本；
- $O_i$：所有權；
- $I_i$：制度位置；
- $N_i$：網絡與社會資本；
- $A_i$：權限與決策能力。

---

# 2. AI 首先民主化的是認知能力，不是所有資源

AI 最容易壓低的是：

$$
R_{\text{knowledge}}
$$

$$
R_{\text{language}}
$$

$$
R_{\text{analysis}}
$$

$$
R_{\text{coordination}}
$$

$$
R_{\text{basic labor}}
$$

例如：

> 以前要 5 人才能完成的資訊整理、翻譯與程式任務，未來可能由 1 人配合 AI 完成。

所以：

$$
\boxed{
\text{Cognitive Resource Barrier}\downarrow
}
$$

但：

$$
\text{Physical Resource Barrier}
$$

$$
\text{Capital Barrier}
$$

$$
\text{Institutional Barrier}
$$

不會同速下降。

---

# 3. 資源必須重新拆分

令：

$$
R
=
R_K
+
R_L
+
R_C
+
R_M
+
R_D
+
R_P
+
R_I
+
R_S
$$

其中：

- $R_K$：Knowledge；
- $R_L$：Labor；
- $R_C$：Coordination；
- $R_M$：Money / Capital；
- $R_D$：Distribution；
- $R_P$：Physical Assets；
- $R_I$：Institutional Access；
- $R_S$：Social Capital。

AI 對不同資源的壓縮率不同。

定義：

$$
\lambda_j
=
\text{AI compression rate of resource }j
$$

則可能：

$$
\lambda_K\gg0
$$

$$
\lambda_L\gg0
$$

$$
\lambda_C\gg0
$$

但：

$$
\lambda_P\approx0
$$

$$
\lambda_I\approx0
$$

至少在早期如此。

---

# 4. 能力民主化不等於所有權民主化

若一個員工使用 AI：

$$
Productivity\uparrow
$$

但公司只是：

> 給他更多工作。

那麼：

$$
Y_i
$$

可能不變，

$$
O_i
$$

更不一定改變。

所以：

$$
\boxed{
\text{Productivity Gain}
\neq
\text{Class Mobility}
}
$$

真正的階級轉換需要：

$$
\boxed{
\text{Productivity}
\rightarrow
\text{Capture}
\rightarrow
\text{Ownership}
}
$$

---

# 5. 所有權轉換率

本文提出：

$$
\boxed{
OCR
=
\text{Ownership Conversion Rate}
}
$$

即：

> AI 所帶來的額外生產力，有多少最終轉化為個人或團隊可持有的資本與所有權？

可以粗略寫成：

$$
OCR
=
\frac{
\Delta Ownership
}{
\Delta AI\text{-enabled Productivity}
}
$$

如果：

$$
OCR\rightarrow0
$$

則：

> AI 很強，但階級位置不一定改變。

---

# 6. 低資源高能力者的新優勢：組織規模壓縮

前 AI 時代：

$$
\text{High Capability Individual}
$$

仍可能需要：

$$
\text{Team}
+
\text{Capital}
+
\text{Support Functions}
$$

才能產生可競爭成果。

AI 時代：

$$
1H
+
nAI
$$

可能替代部分：

$$
N_H
$$

的人類組織。

這形成：

$$
\boxed{
\text{Capability Compression of Organizational Size}
}
$$

---

# 7. 組織壓縮率

定義：

$$
\boxed{
OCR_g
=
\text{Organizational Compression Ratio}
}
$$

避免與 Ownership Conversion Rate 混淆，可另記為：

$$
\boxed{
OC_{\text{org}}
}
$$

例如：

$$
OC_{\text{org}}
=
\frac{
N_{\text{pre-AI human equivalents}}
}{
N_{\text{actual humans}}
}
$$

若：

$$
OC_{\text{org}}\uparrow
$$

低資源團隊可以取得更大的組織等效能力。

---

# 8. AI bootstrap threshold

低資源者不需要一開始就擁有巨大資本。

他可能只需要跨過：

$$
\boxed{
B_{AI}
=
\text{Minimum AI Bootstrap Threshold}
}
$$

包括：

- 基本設備；
- AI 訂閱或 API；
- 最低 domain knowledge；
- 基本整合能力；
- 時間；
- 網路；
- 最低法務與營運能力。

當：

$$
R_i\geq B_{AI}
$$

就可能啟動：

$$
\text{AI Leverage Loop}
$$

---

# 9. AI 槓桿循環

低資源高能力者可能走：

$$
\boxed{
\text{Capability}
\rightarrow
\text{AI Leverage}
\rightarrow
\text{Output}
\rightarrow
\text{Visibility}
\rightarrow
\text{Collaboration}
\rightarrow
\text{Resources}
}
$$

這是 AI 時代新的向上流動路徑之一。

---

# 10. 合作是資源缺口的橋樑

本研究不假設：

> 沒資源的人要單獨打敗大公司。

更合理的是：

$$
\boxed{
\text{Capability-rich / Resource-poor}
+
\text{Resource-rich / Capability-seeking}
}
$$

形成合作。

因此：

$$
\text{Mobility}
$$

不一定來自：

$$
\text{solo competition}
$$

也可能來自：

$$
\text{complementary coalition}
$$

---

# 11. 未來真正稀缺的可能是「可被投資的能力」

低資源者若有 AI，

可以更快產生：

- demo；
- prototype；
- research；
- revenue；
- user evidence；
- public portfolio；
- GitHub；
- intellectual property；
- operational record。

所以：

$$
\boxed{
\text{Capability Visibility}\uparrow
}
$$

這降低：

$$
\text{Investor Uncertainty}
$$

與：

$$
\text{Collaboration Search Cost}
$$

---

# 12. AI 對高資源者的效應：能力義肢

第三篇已提出：

$$
\text{Competence Prosthesis}
$$

高資源但能力普通的管理者可以透過 AI 補：

- 專業知識；
- 風險分析；
- 執行追蹤；
- 跨域理解；
- 決策比較。

所以：

$$
\boxed{
\text{Resources}
+
\text{AI}
}
$$

可能比過去更難因低能力快速崩潰。

---

# 13. 傳統向下流動機制可能被削弱

傳統上：

$$
\text{High Resources}
+
\text{Low Competence}
\rightarrow
\text{Bad Allocation}
\rightarrow
\text{Resource Loss}
$$

AI 時代：

$$
\text{High Resources}
+
\text{Low Competence}
+
\text{Strong AI}
\rightarrow
\text{Acceptable Allocation}
$$

因此：

$$
\boxed{
P(\text{Downward Mobility})
\downarrow
}
$$

---

# 14. AI 的雙相階級效應

所以本文提出：

$$
\boxed{
\text{AI-Class Mobility Biphasic Effect}
}
$$

即：

$$
\boxed{
\text{Upward Mobility}\uparrow
}
$$

同時：

$$
\boxed{
\text{Downward Mobility}\downarrow
}
$$

這不是邏輯矛盾。

它表示階級系統可能：

> 底部更容易有人上來，頂部更不容易有人掉下去。

---

# 15. 上層膨脹而非簡單替換

如果：

$$
U\uparrow
$$

表示向上流動增加，

而：

$$
D\downarrow
$$

表示向下流動減少，

則高資源／高所有權群體可能：

$$
\text{Population Share}\uparrow
$$

至少在某些中高階層。

所以 AI 不一定造成：

> 新人取代老人。

也可能造成：

$$
\boxed{
\text{Upper-Tier Expansion}
}
$$

---

# 16. 但資源仍然有限

如果：

$$
\text{Capital}
$$

$$
\text{Land}
$$

$$
\text{Energy}
$$

$$
\text{Institutional Seats}
$$

高度稀缺，

那麼上層不能無限膨脹。

最終可能出現：

$$
\text{competition for non-compressible resources}
$$

加劇。

這是 AI 能力民主化後的新瓶頸。

---

# 17. 不可壓縮資源

本文提出：

$$
\boxed{
R_{\text{hard}}
}
$$

表示 AI 難以短期壓縮的資源，包括：

- 土地；
- 能源；
- 大型運算基礎設施；
- 法定牌照；
- 稀缺自然資源；
- 物流樞紐；
- 供應鏈控制；
- 公共權力；
- 稀缺品牌信任。

相對地：

$$
R_{\text{soft}}
$$

包括：

- 知識；
- 文案；
- 翻譯；
- 基礎設計；
- 程式；
- 分析；
- 一部分協調。

AI 主要先壓：

$$
R_{\text{soft}}
$$

---

# 18. 階級競爭可能從「誰有能力」轉向「誰控制不可壓縮資源」

當：

$$
Capability\rightarrow Commodity
$$

則：

$$
\boxed{
\text{Scarcity Premium}
}
$$

可能轉移到：

$$
R_{\text{hard}}
$$

因此 AI 可能同時：

> 民主化能力，

又：

> 提高實體與制度資源的相對價值。

---

# 19. AI Mobility Window

本文提出：

$$
\boxed{
\Delta T_M
=
\text{AI Mobility Window}
}
$$

其時間結構是：

$$
T_{\text{capability democratization}}
<
T_{\text{resource reconsolidation}}
$$

在兩者之間：

$$
\Delta T_M
=
T_{\text{resource reconsolidation}}
-
T_{\text{capability democratization}}
$$

低資源高能力者可能具有異常高的相對機會。

---

# 20. 為什麼會存在窗口？

因為 AI 技術擴散速度：

$$
V_{AI}
$$

可能快於大型組織制度更新速度：

$$
V_{institution}
$$

所以：

$$
V_{AI}
>
V_{institution}
$$

時，

小型、靈活、高接受度個體能先利用新能力。

---

# 21. 大型組織的 AI 吸收延遲

大型企業雖然有：

$$
R\gg0
$$

但也有：

$$
\text{Legacy Systems}
$$

$$
\text{Compliance}
$$

$$
\text{Internal Politics}
$$

$$
\text{Procurement}
$$

$$
\text{Risk Aversion}
$$

$$
\text{Organizational Inertia}
$$

所以：

$$
AI_{\text{available}}
\neq
AI_{\text{absorbed}}
$$

這是低資源者早期窗口的來源。

---

# 22. 新穎接受度

本文定義：

$$
\boxed{
N_A
=
\text{Novelty Acceptance}
}
$$

即：

> 一個人或組織願意在證據足夠時接受新工具、新工作流與新認知結構的程度。

在早期 AI 時代：

$$
N_A
$$

可能具有高回報。

---

# 23. 新穎接受度不是盲目追新

必須區分：

$$
\text{Novelty Acceptance}
$$

與：

$$
\text{Novelty Worship}
$$

成熟狀態是：

$$
\boxed{
\text{Open to Novelty}
+
\text{Evidence-Calibrated Adoption}
}
$$

而不是：

> 永遠用最新模型。

---

# 24. 認識論可修正性是階級流動中介

第五篇提出：

$$
ECI
=
\text{Epistemic Correctability Index}
$$

AI 時代：

$$
AILeverage
$$

能不能轉成成果，

可能受：

$$
ECI
$$

顯著調節。

所以：

$$
\boxed{
Mobility
=
f(
Capability,
Resources,
AI,
NoveltyAcceptance,
Correctability
)
}
$$

---

# 25. 有資源但不接受 AI 的管理者可能失去優勢

高資源者：

$$
R_H\gg R_L
$$

但若：

$$
A_{AI,H}\rightarrow0
$$

而低資源者：

$$
A_{AI,L}\rightarrow1
$$

則有效能力差距可能縮小。

因此：

$$
\boxed{
\text{Resource Advantage}
\neq
\text{Guaranteed AI-era Advantage}
}
$$

---

# 26. 有能力但低資源者也不是自動勝出

低資源者仍然可能缺：

- 現金流；
- 信用；
- 法律支援；
- 通路；
- 品牌；
- 人脈；
- 時間；
- 健康；
- 穩定環境；
- 物理設備。

所以：

$$
\boxed{
\text{AI Leverage}
\neq
\text{Resource Elimination}
}
$$

---

# 27. AI 可以降低最低啟動門檻，但不能消除門檻

令：

$$
R_{\min}^{pre-AI}
$$

為傳統創業最低資源。

AI 時代：

$$
R_{\min}^{AI}
<
R_{\min}^{pre-AI}
$$

但：

$$
R_{\min}^{AI}>0
$$

這就是：

$$
\boxed{
\text{Barrier Reduction}
\neq
\text{Barrier Removal}
}
$$

---

# 28. 階級流動的真正轉換鏈

本文提出：

$$
\boxed{
\text{AI Access}
\rightarrow
\text{Capability Gain}
\rightarrow
\text{Output}
\rightarrow
\text{Market Recognition}
\rightarrow
\text{Income}
\rightarrow
\text{Capital}
\rightarrow
\text{Ownership}
\rightarrow
\text{Institutional Access}
}
$$

任何一層中斷，

都會降低最終階級流動。

---

# 29. 平台截取問題

假設 AI 讓勞動者：

$$
Productivity\times5
$$

但平台或雇主取得大部分剩餘價值：

$$
Capture_{platform}\uparrow
$$

則個人：

$$
OCR\downarrow
$$

所以：

$$
\boxed{
\text{AI Productivity Revolution}
\not\Rightarrow
\text{Worker Ownership Revolution}
}
$$

---

# 30. AI 時代的隱形剩餘

員工可能：

$$
AI\rightarrow
\text{finish task faster}
$$

但不告訴公司。

因為：

> 告訴公司只會得到更多工作。

這形成：

$$
\boxed{
\text{Hidden Productivity Surplus}
}
$$

若隱形剩餘無法轉成：

$$
Ownership
$$

則階級位置仍有限。

---

# 31. 創業可能成為生產力轉所有權的主要橋樑之一

對高能力低資源者：

$$
\text{Employment}
$$

可能只能提高收入。

而：

$$
\text{Entrepreneurship}
$$

可以提高：

$$
O_i
$$

所以：

$$
\boxed{
\text{AI-enabled entrepreneurship}
}
$$

可能是能力民主化轉成階級流動的重要機制。

但風險與失敗率仍存在。

---

# 32. 合夥與資本合作同樣重要

不是所有人都適合創業。

另一條路徑是：

$$
\boxed{
\text{Capability}
+
\text{Resource Partner}
\rightarrow
\text{Shared Ownership}
}
$$

這種互補聯盟可能比單打獨鬥更有效率。

---

# 33. 階級流動速度

定義：

$$
\boxed{
V_M
=
\text{Mobility Velocity}
}
$$

即：

> 一個個體從低資源位置進入更高資源／所有權位置所需時間。

AI 若降低：

$$
T_{\text{proof of capability}}
$$

則：

$$
V_M\uparrow
$$

---

# 34. 向上流動率

定義：

$$
\boxed{
U_t
=
P(
S_{t+1}>S_t
)
}
$$

---

# 35. 向下流動率

定義：

$$
\boxed{
D_t
=
P(
S_{t+1}<S_t
)
}
$$

AI 雙相效應即：

$$
\boxed{
\frac{\partial U_t}{\partial AI}>0
}
$$

且：

$$
\boxed{
\frac{\partial D_t}{\partial AI}<0
}
$$

至少在某些時期與階層成立。

---

# 36. 階級轉移矩陣

可以用：

$$
\boxed{
P_{ij}(t)
}
$$

表示從階級狀態 $i$ 到 $j$ 的轉移機率。

AI 時代真正應研究：

$$
\Delta P_{ij}
$$

而不是只看：

$$
\text{income inequality}
$$

因為一個社會可能：

> 貧富差距高，

但：

> 流動率也高。

或反之。

---

# 37. AI 可能改變的是轉移結構，而不是單一差距

所以：

$$
\boxed{
\text{Inequality}
\neq
\text{Mobility}
}
$$

AI 研究若只看：

$$
Gini
$$

可能漏掉：

$$
\text{transition dynamics}
$$

---

# 38. 向上與向下流動的非對稱性

如果：

$$
U\uparrow
$$

而：

$$
D\downarrow
$$

則社會可能產生：

$$
\text{sticky upper class}
$$

同時：

$$
\text{more entrants}
$$

這是非常不同於傳統零和想像的結構。

---

# 39. 但長期仍可能重新零和化

當：

$$
R_{\text{hard}}
$$

非常稀缺，

上層位置競爭仍可能：

$$
ZeroSum\uparrow
$$

例如：

- 政治席位；
- 核心城市土地；
- 頻譜；
- 稀缺能源；
- 關鍵供應鏈節點。

所以 AI 可以先擴張：

$$
\text{cognitive abundance}
$$

但最後仍遇到：

$$
\text{physical scarcity}
$$

---

# 40. AI 的階級效果可能分三階段

本文提出一個暫定三階段模型。

## Phase I：Capability Release

$$
\text{AI Capability}\uparrow
$$

低資源者獲得大量新槓桿。

---

## Phase II：Mobility Window

$$
\text{Small / Agile Actors}
$$

利用吸收速度優勢快速成長。

---

## Phase III：Resource Reconsolidation

大型企業、資本與制度：

$$
AI\ Native
$$

後，

$$
\text{Resource Multiplier}\uparrow
$$

既有優勢重新增強。

---

# 41. 第三階段不代表窗口完全關閉

因為技術仍可能持續：

$$
\text{new wave}
$$

每一次新能力：

$$
AI_{n+1}
$$

都可能重新打開：

$$
\Delta T_M^{(n+1)}
$$

所以：

$$
\boxed{
\text{Mobility Windows may recur}
}
$$

---

# 42. 持續技術變革可能造成階級位置週期性重排

如果：

$$
AI\ Capability Waves
$$

持續，

則：

$$
\text{Class Stability}
$$

可能降低。

但若資本吸收速度也提升：

$$
T_{\text{reconsolidation}}\downarrow
$$

每次窗口也可能變短。

---

# 43. AI 會讓「接受 AI」本身變成階級變數

早期：

$$
A_{AI}
$$

可能只是個人偏好。

未來：

$$
A_{AI}
$$

可能影響：

$$
Income
$$

$$
Productivity
$$

$$
CapitalFormation
$$

$$
Ownership
$$

因此：

$$
\boxed{
\text{AI Absorption}
}
$$

可能成為新的階級中介變數。

---

# 44. 傲慢可能成為負階級資源

第五篇提出：

$$
\text{Epistemic Arrogance}
=
\text{Negative Cognitive Capital}
$$

在階級模型中：

$$
A_E\uparrow
\Rightarrow
AILeverage\downarrow
$$

所以：

$$
\boxed{
\text{Arrogance may reduce mobility from below and resilience from above.}
}
$$

這使人格／治理特質開始具有經濟結構效果。

---

# 45. 高資源者真正的優勢是「可以買很多次失敗」

低資源者即使有 AI，

仍可能：

$$
Runway\downarrow
$$

一次錯誤就耗盡資源。

高資源者：

$$
Runway\gg0
$$

可以承受：

- 多次產品失敗；
- 多次模型選錯；
- 多次投資錯誤；
- 長期研發。

所以：

$$
\boxed{
\text{Error Tolerance}
}
$$

仍是重大階級資源。

---

# 46. AI 可能降低錯誤成本，但不等於消除風險承受差距

如果：

$$
Cost_{\text{error}}\downarrow
$$

低資源者更容易嘗試。

但高資源者：

$$
\text{Number of affordable attempts}
$$

仍可能遠高。

所以：

$$
\boxed{
\text{AI democratizes attempts partially, not perfectly.}
}
$$

---

# 47. 財務資本與認知資本的新交互作用

可以寫：

$$
Y
=
f(
K_F,
K_C,
A_{AI},
O,
I
)
$$

其中：

- $K_F$：Financial Capital；
- $K_C$：Cognitive Capital；
- $A_{AI}$：AI Absorption；
- $O$：Ownership；
- $I$：Institutional Access。

AI 主要先提升：

$$
K_C
$$

但最終：

$$
K_C
$$

能否轉成：

$$
K_F
$$

與：

$$
O
$$

才決定階級流動。

---

# 48. AI 與「資源多但能力普通」管理者

這一類人未來可能是：

$$
\text{Big Winner}
$$

如果：

$$
A_{AI}\uparrow
$$

因為 AI 補掉：

$$
C_H
$$

部分不足。

但如果：

$$
A_{AI}\downarrow
$$

則可能成為：

$$
\text{resource-rich laggard}
$$

所以資源優勢是否能延續，

取決於：

$$
\boxed{
\text{AI Acceptance}
+
\text{Correctability}
}
$$

---

# 49. AI 與「能力高但資源少」管理者

這一類人未來的關鍵是：

$$
\boxed{
B_{AI}
+
A_{AI}
+
\kappa
+
Collaboration
}
$$

只要能跨過最低啟動門檻，

他就可能用成果交換資源。

---

# 50. 因此真正競爭不是「有錢 vs 聰明」

而是：

$$
\boxed{
\text{Resources}
\times
\text{Capability}
\times
\text{AI Absorption}
\times
\text{Correctability}
\times
\text{Ownership Conversion}
}
$$

這個乘積可能比單一變數更重要。

---

# 51. 可實證指標一：AI 組織壓縮率

$$
OC_{\text{org}}
=
\frac{
\text{Human-equivalent workload}
}{
\text{Actual human headcount}
}
$$

---

# 52. 可實證指標二：AI 生產力槓桿

$$
APL
=
\frac{
\text{Output with AI}
}{
\text{Estimated output without AI}
}
$$

---

# 53. 可實證指標三：所有權轉換率

$$
OCR
=
\frac{
\Delta Ownership
}{
\Delta AI\text{-enabled Output}
}
$$

---

# 54. 可實證指標四：資源保全率

高資源者使用 AI 後：

$$
RPR
=
\frac{
R_{t+1}
}{
R_t
}
$$

控制市場條件後，

可研究 AI 是否提高：

$$
RPR
$$

---

# 55. 可實證指標五：AI 吸收—階級交互作用

例如：

$$
MobilityOutcome
=
\alpha
+
\beta_1 Resource
+
\beta_2 Capability
+
\beta_3 AIAbsorption
+
\beta_4 Resource\times AIAbsorption
+
\beta_5 Capability\times AIAbsorption
+
\epsilon
$$

---

# 56. 可實證命題

## H1：AI 會降低低資源高能力者的最低有效組織規模

$$
AI\uparrow
\Rightarrow
N_{\min}\downarrow
$$

---

## H2：AI 吸收會提高低資源高能力者的向上流動率

$$
C_H\uparrow
\land
R\downarrow
\land
A_{AI}\uparrow
\Rightarrow
U\uparrow
$$

---

## H3：AI 吸收會降低高資源低能力者的向下流動率

$$
R\uparrow
\land
C_H\downarrow
\land
A_{AI}\uparrow
\Rightarrow
D\downarrow
$$

---

## H4：能力民主化的階級效果受所有權轉換率調節

$$
AILeverage\uparrow
\land
OCR\downarrow
\nRightarrow
ClassMobility\uparrow
$$

---

## H5：AI Mobility Window 在大型組織完成 AI-native consolidation 後縮小

$$
T_{\text{consolidation}}\downarrow
\Rightarrow
\Delta T_M\downarrow
$$

---

## H6：高新穎接受度與高可修正性共同提高早期 AI 流動收益

$$
N_A\uparrow
\land
ECI\uparrow
\Rightarrow
MobilityGain\uparrow
$$

---

# 57. 研究設計：不能只看五百大

五百大企業適合研究：

$$
\boxed{
\text{How resource-rich actors preserve or amplify advantage with AI}
}
$$

但若要研究：

$$
\text{Upward Mobility}
$$

必須同時觀察：

- startup；
- SME；
- small team；
- independent creator；
- AI-native micro-company；
- high-skill individual。

所以至少需要：

$$
\boxed{
\text{Large-Firm Panel}
+
\text{Low-Resource High-Capability Cohort}
}
$$

---

# 58. 雙樣本研究

可以建立：

$$
G_1
=
\text{Fortune / Global 500}
$$

$$
G_2
=
\text{SME / Startup / Small Team}
$$

比較：

$$
AIAbsorption
$$

$$
Growth
$$

$$
Ownership
$$

$$
Headcount
$$

$$
Survival
$$

$$
Mobility
$$

---

# 59. 實證最大的困難：能力很難觀察

一個高資源公司成功，

可能因為：

$$
Brand
$$

而不是：

$$
AI
$$

一個小團隊成功，

可能因為：

$$
MarketTiming
$$

而不是：

$$
Capability
$$

所以不能：

$$
\text{Correlation}
\rightarrow
\text{Causality}
$$

必須控制大量混淆因素。

---

# 60. 實證另一個困難：階級位置是長時序變數

2026 年：

$$
AIAdoption
$$

可能到：

$$
2029
$$

才反映在：

$$
Ownership
$$

所以：

$$
\boxed{
\text{Longitudinal Data}
}
$$

非常重要。

這也是為什麼現在建立 baseline 有價值。

---

# 61. 研究邊界

本文不主張：

1. AI 必然提高階級流動。
2. AI 必然固化既有階級。
3. 有能力者一定能取得資源。
4. 有資源者一定能學會 AI。
5. AI 能消除物理資源與制度資源稀缺。
6. 創業是所有人的最佳階級流動方式。
7. 所有權是唯一有意義的階級指標。
8. 所有大型企業都比小團隊吸收 AI 慢。
9. 所有階級流動都是正向社會結果。
10. 雙相效應會在所有國家、產業與制度中同樣成立。

---

# 62. 結論：AI 可能同時打開上升梯，也加固上層地板

本文最核心的命題可以簡化為：

$$
\boxed{
\text{AI opens ladders from below}
}
$$

同時：

$$
\boxed{
\text{AI reinforces floors from above}
}
$$

對低資源高能力者，

AI 可以壓低：

$$
\text{Knowledge Cost}
+
\text{Labor Cost}
+
\text{Coordination Cost}
$$

讓：

$$
\text{Capability}
$$

更快變成：

$$
\text{Visible Output}
$$

再透過：

$$
\text{Collaboration}
+
\text{Investment}
+
\text{Entrepreneurship}
$$

進一步轉成：

$$
\text{Resources}
$$

與：

$$
\text{Ownership}
$$

但對高資源者，

AI 也可以降低：

$$
\text{Bad Management Loss}
$$

$$
\text{Information Failure}
$$

$$
\text{Planning Failure}
$$

因此原本：

$$
\text{Low Competence}
\rightarrow
\text{Resource Dissipation}
$$

的向下流動通道可能變弱。

這就是：

$$
\boxed{
\text{AI-Class Mobility Biphasic Effect}
}
$$

真正決定長期階級結果的，

可能不是：

> 誰先拿到最強模型？

而是：

$$
\boxed{
\text{Who can turn AI capability into owned resources?}
}
$$

以及：

$$
\boxed{
\text{Who can combine existing resources with AI without being blocked by rigidity?}
}
$$

因此，AI 時代的階級競爭可能從：

$$
\text{Who knows more?}
$$

逐步轉向：

$$
\boxed{
\text{Who absorbs intelligence better, converts it into assets faster, and retains ownership of the resulting value?}
}
$$

而在 2026 年這個 AI 能力快速普及、制度整合尚未完全收斂的過渡期，

最值得觀察的可能正是：

$$
\boxed{
\Delta T_M
=
\text{AI Mobility Window}
}
$$

它究竟有多長，

以及誰能在窗口關閉前，

把認知槓桿真正轉化成資本、所有權與制度位置。

---

# Appendix A — Class Mobility Research Schema

```yaml
actor:
  actor_id:
  actor_type: individual | startup | SME | large_firm
  country:
  industry:
  period:

resources:
  financial_capital:
  physical_assets:
  institutional_access:
  distribution:
  social_capital:
  brand:
  compute_access:

capability:
  domain_capability:
  management_capability:
  ai_integration_capability:
  correctability:
  novelty_acceptance:

ai:
  access:
  model_quality:
  agent_use:
  automation_depth:
  organizational_compression:
  productivity_leverage:

ownership:
  equity_owned:
  retained_earnings:
  intellectual_property:
  revenue_share:
  platform_dependency:

mobility:
  income_change:
  capital_change:
  ownership_change:
  authority_change:
  institutional_access_change:
  upward_transition:
  downward_transition:

conversion:
  productivity_gain:
  ownership_conversion_rate:
  resource_preservation_rate:
  collaboration_gain:
```

---

# Appendix B — 雙相效應最小模型

```text
Phase I:
AI capability becomes broadly accessible
        ↓
knowledge / labor / coordination barriers fall
        ↓
low-resource high-capability actors gain leverage

Phase II:
agile actors convert leverage into output and visibility
        ↓
mobility window opens
        ↓
collaboration / capital / ownership opportunities increase

Phase III:
resource-rich actors complete AI-native integration
        ↓
AI becomes a resource multiplier
        ↓
downward mobility falls
        ↓
resource advantages reconsolidate
```

---

# Appendix C — 系列位置

前篇：

1. 《從意圖到決策：AI 原生決策編譯器與稀疏意圖治理》
2. 《說人話也是治理能力：適應性認知轉譯層與跨領域決策可達性》
3. 《能力義肢：AI 如何提高領導能力下限並遮蔽管理者缺陷》
4. 《形式權力與實際決策因果：人機複合決策系統的權力重新分布》
5. 《傲慢作為負認知資本：AI 時代的認識論僵固性與可修正性》
6. 《外部智能治理：顧問、第三方 AI 與組織認知稽核》

本篇：

7. 《AI 與階級流動：能力民主化、資源固化與雙相效應》

後續：

8. 《誰能真正吸收 AI：資源、能力、接受度與組織吸收函數》
9. 《從假說到實證：全球五百大企業的 AI 決策治理縱向研究設計》