# Token 消耗症候群：到期額度如何反向塑造人的認知行為 ## Token Consumption Syndrome: How Expiring AI Allowances Reshape User Cognition and Demand **Series:** AI 算力經濟：從訂閱額度到自適應容量市場 **Extra 1 / 2 — Series Paper 9 / 10** **Author:** Neo.K **Affiliation:** EveMissLab **Version:** v1.0 **Date:** 2026-09-07 --- ## 摘要 生成式 AI 訂閱制度正在創造一種具有明顯行為經濟特徵的新型消費情境：使用者先支付固定費用，之後在五小時、每週、每月或其他重置窗口內取得一組會到期、重置或失效的使用權。當這些額度接近重置時，部分高頻使用者可能產生一種熟悉的心理壓力： > 「不用掉，好像很虧。」 本文將這種現象分析性地稱為 **Token Consumption Syndrome（Token 消耗症候群）**。此名稱不是醫學、精神醫學或臨床診斷，而是一個描述產品制度如何透過心理帳戶、預付消費、到期損失、使用權顯著化與 perceived marginal cost 改變使用者行為的概念工具。 行為經濟學長期指出，消費者並不總是依完全可替代的貨幣與理性邊際效用做決策。Mental Accounting 研究顯示，人們會將支出分入不同心理帳戶，並受帳戶結算週期影響。2026 年針對數位服務的研究更直接指出，較高的預付費用會形成較大的 mental-account deficit，進而促使消費者增加使用，以「把已付的錢用回來」。另一方面，大規模預付消費研究也發現，預付餘額存在大量 breakage，即相當比例的已付價值最終並未被消耗。AI 訂閱將這兩種力量同時放大：有些使用者根本用不完，另一些高峰使用者則會因額度可見、重置時間清楚與推理邊際成本近似零，而在重置前加速使用。 本文提出 Expiration Pressure、Artificial Demand、Consumption Acceleration、Quota Salience、Perceived Marginal Cost、Breakage Ratio 與 Reset-Induced Demand 等概念，並建立： $$ \boxed{ \text{Prepayment} + \text{Expiring Entitlement} + \text{Quota Salience} \rightarrow \text{Consumption Pressure} } $$ 的行為模型。 本文同時指出，這種現象對供應商並非純粹有利。額度失效可以產生 breakage、提高方案毛利並降低長期負債，但若大量使用者在重置前為了避免「浪費」而製造低價值 inference，供應商可能得到更多計算消耗，卻沒有得到相同比例的產品價值，甚至增加尖峰負載。這使「到期制度」同時具有： $$ \text{revenue protection} $$ 與： $$ \text{artificial demand creation} $$ 兩種相反效果。 本文因此提出 Rollover、Surrender、Off-Peak Conversion、Usage Forecast、Value-Based Nudging 與 Auto-Schedule 等替代設計，並主張 AI 產品不應以「讓使用者想辦法把額度燒完」作為留存或價值感的來源。成熟制度應追求： $$ \boxed{ \text{task-driven AI consumption} > \text{expiration-driven AI consumption} } $$ 亦即讓 AI 使用重新由真實任務價值驅動，而不是由重置時鐘驅動。 **關鍵詞：** Token 消耗症候群、Mental Accounting、Expiration Effect、Prepaid Consumption、Breakage、AI 訂閱、Quota Reset、Behavioral Economics、Artificial Demand、AI 使用行為 --- ## 1. 一個玩笑為什麼值得正式研究 AI 高頻使用者之間很容易出現一種半開玩笑的語言： > 額度要重置了。 > 還有很多沒用。 > 不用掉好像很虧。 > 趕快找個東西讓 AI 算。 這聽起來只是： $$ \text{heavy-user joke} $$ 。 但如果把這種行為抽象化，就會發現它非常接近預付消費與心理帳戶研究長期觀察到的現象。 使用者先支付： $$ P_{\mathrm{sub}} $$ 之後獲得： $$ E_t $$ 的使用權。 若： $$ E_t $$ 不能退款、不能轉讓、不能完整 rollover， 並在： $$ T_{\mathrm{reset}} $$ 失效， 則： $$ E_t \rightarrow0 $$ 。 這會改變使用者在重置前的決策。 --- ## 2. 本文的「症候群」不是醫學診斷 本文使用： $$ \boxed{ \text{Token Consumption Syndrome} } $$ 只是分析性名稱。 它不代表： - 精神疾病； - 成癮診斷； - 強迫症； - 臨床症候群； - 個體人格缺陷。 更準確地說，它描述： $$ \boxed{ \text{a product-induced behavioral pattern} } $$ 。 亦即： > 某種產品權利設計，使本來不一定需要發生的消費變得更有心理吸引力。 --- ## 3. AI 訂閱是一種特殊的預付消費 訂閱的基本結構為： $$ \text{Pay First} \rightarrow \text{Consume Later} $$ 。 這和單次 API： $$ \text{Consume} \rightarrow \text{Pay per Use} $$ 不同。 使用者在付款時已經承擔： $$ P_{\mathrm{sub}} $$ 。 之後每多用一次， 心理上的即時邊際價格可能近似： $$ PMC \approx0 $$ 其中 $PMC$ 是 Perceived Marginal Cost。 --- ## 4. 但真正的邊際成本並不是零 對供應商而言： $$ MC_{\mathrm{provider}}>0 $$ 因為還有： - GPU； - CPU； - memory； - network； - power； - cooling； - tool execution。 因此產生： $$ \boxed{ PMC_{\mathrm{user}} \neq MC_{\mathrm{provider}} } $$ 。 固定訂閱正是利用這個差異提供價格抽象。 --- ## 5. 預付會創造 Mental Account Thaler 的 Mental Accounting 理論指出，人們會將不同支出分入不同心理帳戶，而帳戶的分類與結算方式會改變消費決策。 可將 AI 訂閱心理帳戶表示為： $$ A_{\mathrm{AI}} = P_{\mathrm{sub}} - V_{\mathrm{experienced}} $$ 。 付款後： $$ P_{\mathrm{sub}}>0 $$ 但尚未感受到足夠使用價值時， 使用者可能覺得： $$ A_{\mathrm{AI}}>0 $$ 仍然「沒有回本」。 --- ## 6. Mental-Account Deficit 2026 年 Bhaskaran、Erat 與 Mukherjee 對數位服務的研究直接提出： 較高 upfront fee 會形成更大的 mental account deficit， 並促使使用者增加消費， 因為他們希望： > get their money's worth。 可以簡化成： $$ MAD = P_{\mathrm{prepaid}} - V_{\mathrm{consumed}} $$ 。 當： $$ MAD\uparrow $$ 消費動機可能： $$ M_{\mathrm{consume}}\uparrow $$ 。 這與 AI 訂閱的高頻使用者行為高度相容。 --- ## 7. 「我已經付錢了」如何改變任務門檻 假設一次 AI 任務的真實價值為： $$ V_i $$ 人類時間成本為： $$ C_{H,i} $$ 若使用者按 API 付費， 還有： $$ P_i $$ 。 因此只有： $$ V_i > C_{H,i} + P_i $$ 才比較值得執行。 但固定訂閱下： $$ P_i^{\mathrm{perceived}} \approx0 $$ 條件變成： $$ V_i > C_{H,i} $$ 。 因此更多低價值任務會被執行。 --- ## 8. 到期額度會再把門檻往下推 如果額度即將失效， 不使用會被心理上編碼成： $$ L_{\mathrm{expire}}>0 $$ 。 此時使用條件可能變成： $$ V_i + L_{\mathrm{avoided\ expiration}} > C_{H,i} $$ 。 換句話說， 即使： $$ V_i 不用白不用。 對 purchased credits： > 每用一次都是真金白銀。 因此可能： $$ PMC_{\mathrm{included}} < PMC_{\mathrm{purchased}} $$ 即使底層計算成本相同。 --- ## 17. 同一個模型因此可能被兩種心理價格消費 例如： $$ J $$ 需要 20 CU。 若從方案內含額度扣： $$ PMC_J\approx0 $$ 。 若從額外購買 credits 扣： $$ PMC_J>0 $$ 。 因此使用者策略可能在跨過 quota boundary 的瞬間改變。 --- ## 18. Quota Cliff 本文將這種不連續稱為： $$ \boxed{ \text{Quota Cliff} } $$ 。 當： $$ Q_{\mathrm{included}}>0 $$ 時， 大量使用。 當： $$ Q_{\mathrm{included}}=0 $$ 並轉為 PAYG， 使用量突然下降： $$ D_{\mathrm{user}}\downarrow $$ 。 這是一種價格制度造成的非線性需求。 --- ## 19. Expiration Cliff 另一個 cliff 出現在： $$ \tau\rightarrow0 $$ 。 若剩餘 entitlement 即將消失， 使用者可能加速： $$ \frac{dQ_{\mathrm{consume}}}{dt}\uparrow $$ 。 本文稱之為： $$ \boxed{ \text{Expiration Cliff} } $$ 。 --- ## 20. Consumption Acceleration Index 定義： $$ CAI = \frac{ Q_{\mathrm{last\ window}}/T_{\mathrm{last\ window}} }{ Q_{\mathrm{baseline}}/T_{\mathrm{baseline}} } $$ 。 若： $$ CAI>1 $$ 代表接近重置時的消耗速率高於平常。 若： $$ CAI\gg1 $$ 可能存在明顯 expiration-driven acceleration。 --- ## 21. Artificial Demand 真正重要的不是消耗增加， 而是其中有多少來自： $$ \text{valuable task demand} $$ 多少來自： $$ \text{expiration avoidance} $$ 。 定義： $$ D_{\mathrm{observed}} = D_{\mathrm{task}} + D_{\mathrm{artificial}} $$ 。 其中： $$ D_{\mathrm{artificial}} $$ 是若額度可完整保存時不會發生的需求。 --- ## 22. Counterfactual Definition 更嚴格地定義： $$ D_{\mathrm{artificial}} = D_{\mathrm{expire}} - D_{\mathrm{rollover}} $$ 其中： - $D_{\mathrm{expire}}$：會失效制度下的使用； - $D_{\mathrm{rollover}}$：完全可保留制度下的反事實使用。 這需要 A/B test 才能估計。 --- ## 23. AI 特別容易放大 Artificial Demand 一般健身房會員想「把月費用回來」， 仍然需要： $$ \text{physical effort} $$ 。 AI 不同。 多做一次推理的使用者成本可能非常低。 甚至 Agent 可以： $$ \text{autonomously generate more work} $$ 。 因此： $$ C_{\mathrm{human,marginal}}\downarrow $$ 時： $$ D_{\mathrm{artificial}}\uparrow $$ 的潛力很大。 --- ## 24. Agent 可以把「不用白不用」自動化 假設使用者設定： > 如果本週還剩很多額度，就多跑幾輪驗證。 Agent 可以： $$ N_{\mathrm{verify}} = f( Q_{\mathrm{remaining}}, \tau ) $$ 。 當： $$ Q_{\mathrm{remaining}}\uparrow $$ 且： $$ \tau\downarrow $$ 自動增加： $$ N_{\mathrm{verify}}\uparrow $$ 。 這將 Token 消耗症候群從心理現象轉成軟體策略。 --- ## 25. 這不一定是「浪費」 額外驗證有時真的會提高品質。 例如： $$ Q_{\mathrm{quality}} \uparrow $$ 。 因此不能把所有 expiration-driven usage 都視為無價值。 需要區分： $$ \boxed{ \text{opportunistic value creation} } $$ 與： $$ \boxed{ \text{pure burn} } $$ 。 --- ## 26. Opportunistic Consumption 如果額度快失效， 使用者可能想： > 那就拿來做原本不值得付費，但仍有小價值的事情。 例如： - 多跑一次 code review； - 多做一組翻譯； - 多生成幾個設計備選； - 多驗證一個假說。 這些： $$ V_i>0 $$ 只是： $$ V_iV_B $$ 。 因此： $$ \boxed{ \text{reset frequency is part of price} } $$ 。 --- ## 37. Choice Bracketing Mental Accounting 研究指出，人們如何「框住」決策時間範圍會改變選擇。 若 AI 額度以： $$ 5\text{ h} $$ 框住， 使用者可能以五小時為思考週期。 若以： $$ 1\text{ month} $$ 框住， 則更可能進行長期配置。 因此產品實際在提供： $$ \boxed{ \text{cognitive bracketing} } $$ 。 --- ## 38. 這正好回到 Paper 1 的四時鐘 Paper 1 提出： $$ T_{\mathrm{billing}} \neq T_{\mathrm{entitlement}} \neq T_{\mathrm{compute}} \neq T_{\mathrm{work}} $$ 。 Token 消耗症候群正是： $$ T_{\mathrm{entitlement}} $$ 反過來侵入： $$ T_{\mathrm{work}} $$ 的結果。 --- ## 39. Reset Clock 變成 Cognition Clock 理想情況： $$ T_{\mathrm{work}} = f( \text{task} ) $$ 。 但 quota-driven 狀況： $$ T_{\mathrm{work}} = f( \text{task}, T_{\mathrm{reset}} ) $$ 。 當： $$ \frac{\partial T_{\mathrm{work}}}{\partial T_{\mathrm{reset}}} $$ 太大， 就表示產品制度正在強烈塑造工作節奏。 --- ## 40. 高峰使用者特別敏感 Light user： $$ Q_{\mathrm{used}} \ll Q_{\mathrm{limit}} $$ 通常不會注意 reset。 Heavy user： $$ Q_{\mathrm{used}} \approx Q_{\mathrm{limit}} $$ 則會持續關注： $$ Q_{\mathrm{remaining}} $$ 與： $$ T_{\mathrm{reset}} $$ 。 因此 Token 消耗症候群更可能出現在： $$ \boxed{ \text{high-engagement users} } $$ 。 --- ## 41. 這也可能出現在企業部門 企業年度預算常有： > 不用完明年會被砍。 AI credits 也可能出現： > 這個部門剩很多，趕快用。 形成： $$ \boxed{ \text{organizational token burn} } $$ 而不只是個人心理。 --- ## 42. Departmental Artificial Demand 若部門知道： $$ Q_{\mathrm{budget}} $$ 月底歸零， 可能啟動： - 低優先級 evaluation； - 重複 benchmark； - 不必要批次生成； 以證明： $$ Q_{\mathrm{budget}} $$ 確實有需要。 這與政府或企業的「use-it-or-lose-it budget」非常相似。 --- ## 43. 產品設計可能不小心強化這個現象 例如： > 你還剩 82%！ 加上一個紅色倒數： > 6 小時後歸零！ 這會提高： $$ QS\uparrow $$ 與： $$ EP\uparrow $$ 。 即使產品只是想「透明」， 也可能產生： $$ \text{consumption nudge} $$ 。 --- ## 44. 透明度不是永遠中性的 Paper 6 主張 Capacity Transparency。 但對個人 quota： $$ \boxed{ \text{transparency} \rightarrow \text{behavior} } $$ 。 因此應區分： - decision-useful transparency； - consumption-pressure transparency。 --- ## 45. 好的 Usage Dashboard 應該回答什麼 不只是： > 剩多少？ 還應該回答： > 依你目前使用速度，是否真的需要擔心？ 例如： > 你本週還有 60%，依目前速度預計用不完。未使用額度可 rollover 30%。 這比單純倒數更能減少焦慮。 --- ## 46. Usage Forecast 可以估計： $$ \hat Q_{\mathrm{end}} = Q_{\mathrm{remaining}} - \hat D_{\mathrm{future}} $$ 。 若： $$ \hat Q_{\mathrm{end}}>0 $$ 系統可提供： > 預計剩餘 120 CU。 再給： - rollover； - surrender； - off-peak bonus。 使用者不需要自己想辦法燒掉。 --- ## 47. Value-Based Nudge 平台甚至可以說： > 你不需要為了用完額度額外執行任務。 這看似會降低 usage， 但可能提高： $$ \text{trust} $$ 與： $$ \text{long-term retention} $$ 。 --- ## 48. 不把 Usage 當唯一 Engagement KPI 如果產品團隊只最大化： $$ Q_{\mathrm{consumed}} $$ 就可能誤把 Token Burn 當成功。 更合理的是： $$ \boxed{ \text{Useful Task Completion} } $$ 。 --- ## 49. Useful Compute Ratio 定義： $$ UCR = \frac{ Q_{\mathrm{task\ valuable}} }{ Q_{\mathrm{total}} } $$ 。 理想制度希望： $$ UCR\uparrow $$ 而不是只希望： $$ Q_{\mathrm{total}}\uparrow $$ 。 --- ## 50. Task-Driven Consumption Ratio 可再定義： $$ TDR = \frac{ D_{\mathrm{task}} }{ D_{\mathrm{observed}} } $$ 。 若： $$ TDR\approx1 $$ 大部分使用都由真實需求驅動。 若： $$ TDR\downarrow $$ 可能存在更多 quota-driven usage。 --- ## 51. 如何估計 Artificial Demand 不能直接問： > 你這次是不是在浪費 Token？ 更好的實驗是： ### Group A 正常 expiration。 ### Group B 允許 rollover。 ### Group C 允許 surrender。 ### Group D 完全不顯示 reset countdown。 比較： $$ Q_{\mathrm{last\ window}} $$ 與： $$ Q_{\mathrm{total}} $$ 。 --- ## 52. 如果 Rollover 顯著降低重置前使用 則可以推論： $$ D_{\mathrm{artificial}}>0 $$ 。 若： $$ Q_{\mathrm{rollover}} \approx Q_{\mathrm{expiration}} $$ 則 Token Burn 可能很低。 這是可直接驗證的產品假說。 --- ## 53. Rollover 是最直接的治療機制 假設： $$ Q_{\mathrm{unused}} $$ 可部分移至未來： $$ Q_{t+1} = Q_{\mathrm{base}} + \alpha Q_{\mathrm{unused},t} $$ 。 則 expiration loss： $$ L_{\mathrm{expire}}\downarrow $$ 進而： $$ EP\downarrow $$ 。 --- ## 54. 但完全 Rollover 會增加企業負債 如果： $$ \alpha=1 $$ 且： $$ Q $$ 永不失效， 平台可能累積： $$ LDL = \text{Latent Demand Liability} $$ 。 因此 rollover 可以： - capped； - time-limited； - discounted。 --- ## 55. Surrender 比 Rollover 更有企業價值 Paper 4 提出： $$ E \rightarrow P \rightarrow R $$ 。 使用者不需要燒額度。 供應商也不需要把全部 unused entitlement 推到未來。 因此： $$ \boxed{ \text{Surrender} } $$ 可能同時降低： $$ \text{Token Burn} $$ 與： $$ \text{Latent Demand Liability} $$ 。 --- ## 56. Off-Peak Conversion 使用者也可以： $$ 100\ \mathrm{Peak\ CU} \rightarrow 140\ \mathrm{OffPeak\ CU} $$ 。 這會把： > 不用掉很浪費。 轉成： > 先保存價值，晚點在更適合時段用。 因此： $$ D_{\mathrm{peak}}\downarrow $$ 。 --- ## 57. Borrow 的反方向心理 Borrow 讓使用者： $$ Q_t > Q_{\mathrm{base},t} $$ 。 但如果沒有清楚介面， 也可能產生： > 下個月欠了額度。 形成： $$ \text{Compute Debt Anxiety} $$ 。 因此所有跨期制度都需要心理帳戶設計。 --- ## 58. Compute Wallet 可以降低碎片化心理 如果 Chat、Code、Research 的額度完全分開， 使用者可能看到： > Research 還剩很多，Code 不夠。 形成： $$ \text{category-specific burn} $$ 。 Compute Wallet 讓： $$ Q_A+Q_B+Q_C $$ 部分共池， 可以降低： $$ \text{mental account fragmentation} $$ 。 --- ## 59. 但 Wallet 也可能讓成本太抽象 如果所有東西都只顯示： > CU。 使用者可能不知道： > 這個任務為什麼這麼貴？ 因此需要： $$ \boxed{ \text{Price Abstraction} + \text{Cost Explainability} } $$ 。 --- ## 60. 產品應顯示「價值替代」而不是「快燒完」 例如： > 你還有 200 CU 即將於月底失效。 可以提供： - rollover 100； - surrender 80 換 50 future CU； - 安排 3 個已排隊的低優先任務。 而不是： > 快來多用！ --- ## 61. Provider Incentive 也需要重新設計 若收入已經收取： $$ P_{\mathrm{sub}} $$ 短期內供應商最便宜的使用者是： $$ Q=0 $$ 。 但長期若： $$ Q=0 $$ 使用者會退訂。 因此供應商要最大化： $$ \boxed{ \text{perceived value} } $$ 而不是： $$ \text{minimum compute} $$ 或： $$ \text{maximum compute} $$ 。 --- ## 62. Optimal Consumption Zone 可能存在： $$ Q^* $$ 使： $$ \text{Retention}(Q) - \text{Cost}(Q) $$ 最大。 太低： $$ \text{Retention}\downarrow $$ 。 太高： $$ \text{Cost}\uparrow $$ 。 因此企業真正希望的是： $$ \boxed{ \text{high-value efficient consumption} } $$ 。 --- ## 63. Expiration Policy 也是 Demand Engineering Paper 5 將 Demand Engineering 定義為： $$ \text{design when demand occurs} $$ 。 Expiration 其實也是一種 demand engineering。 只是它往往是： $$ \boxed{ \text{unintentional demand engineering} } $$ 。 --- ## 64. 好制度與壞制度的差別 好的： $$ \text{Off-Peak Discount} \rightarrow \text{move valuable demand} $$ 。 壞的： $$ \text{Hard Expiration} \rightarrow \text{manufacture low-value demand} $$ 。 兩者都會改變： $$ D(t) $$ 。 --- ## 65. Reset Boundary 可能形成需求尖峰 若大量使用者具有同一 reset time： $$ T_R $$ 並且存在 expiration acceleration， 則可能： $$ D(T_R-\epsilon)\uparrow $$ 。 但現實中許多 AI 服務的 reset 時間可能依帳戶分散，因此 aggregate peak 是否明顯，需要實證測量。 本文不假定所有平台都必然出現全局 reset spike。 --- ## 66. Staggered Reset 是一種容量工具 若供應商把： $$ T_{R,i} $$ 分散， 則： $$ \mathrm{Var}[ \sum_i D_i(t) ] \downarrow $$ 可能成立。 因此 individualized reset 具有： $$ \boxed{ \text{load smoothing} } $$ 價值。 --- ## 67. 但 Staggering 不解決個體 Expiration Pressure 即使： $$ T_{R,A}\neq T_{R,B} $$ 每個使用者仍可能在自己的： $$ T_{R,i} $$ 前加速。 因此： $$ \text{aggregate smoothing} $$ 不等於： $$ \text{behavioral distortion removal} $$ 。 --- ## 68. Token 消耗症候群與 FOMO 不完全相同 FOMO： $$ \text{fear of missing opportunity} $$ 。 Token Consumption： $$ \text{fear of wasting prepaid entitlement} $$ 。 兩者都涉及 loss aversion， 但 reference point 不同。 --- ## 69. Reference Point 使用者可能把： $$ Q_{\mathrm{entitled}} $$ 心理上視為： > 我已經擁有的東西。 因此失效： $$ Q_{\mathrm{unused}}\rightarrow0 $$ 被感知成： $$ \text{loss} $$ 而不是： $$ \text{non-consumption} $$ 。 這就是權利 framing 的重要性。 --- ## 70. 契約上不是財產，心理上卻可能像財產 Paper 4 已指出： $$ \text{entitlement} \neq \text{property} $$ 。 但在使用者心理上： $$ E_i $$ 可以被編碼成： $$ \boxed{ \text{mine} } $$ 。 所以： > 它要消失了。 會產生 loss aversion。 --- ## 71. Endowment-Like Effect 一旦使用者看到： > 你本週有 100%。 這個： $$ 100\% $$ 就可能形成 reference endowment。 消耗後： > 還剩 30%。 如果剩餘 30% 直接歸零， 心理上可能像失去： $$ 30\% $$ 而不是單純沒有使用。 --- ## 72. 這解釋了為什麼「明確顯示總額度」有雙面性 Paper 6 主張透明。 但本文提醒： $$ \boxed{ \text{Quota Transparency} } $$ 同時提高： - planning ability； - loss salience。 所以透明介面需要： $$ \text{neutral framing} $$ 。 --- ## 73. Neutral Framing 比較： > 還有 70% 沒用！3 小時後失效！ 與： > 本週使用 30%。下一週將自動重置。可 rollover 20%。 後者比較不像： $$ \text{urgent consumption nudge} $$ 。 --- ## 74. 不要用 Gamification 鼓勵燃燒 例如： > 恭喜你用了 100% 額度！ 可能讓： $$ Q=100\% $$ 變成遊戲目標。 除非： $$ 100\% $$ 真的代表高價值工作完成， 否則這種 KPI 可能錯誤。 --- ## 75. Better Progress Metric 可以顯示： $$ \text{Tasks Completed} $$ $$ \text{Projects Advanced} $$ $$ \text{Useful Agent Jobs} $$ 而不是只顯示： $$ \text{Tokens Consumed} $$ 。 --- ## 76. 從 Consumption Metric 到 Outcome Metric 真正理想： $$ \boxed{ \text{engagement} \rightarrow \text{outcome} } $$ 。 例如： > 本月完成 12 個程式任務。 比： > 本月用了 95% 額度。 更符合 AI 生產力產品。 --- ## 77. 用戶有權選擇「不工作」 如果使用者今天： > 想休息、玩遊戲、度假。 AI 產品不應透過： $$ \text{expiring quota} $$ 製造： > 我是不是該趕快找工作做？ 這不是道德問題。 而是產品是否把： $$ \text{subscription clock} $$ 不必要地變成： $$ \text{behavioral obligation} $$ 。 --- ## 78. Permission to Idle 成熟產品可以默認： $$ \boxed{ \text{idle is a valid user state} } $$ 。 「今天不用 AI」不應自動被產品設計成損失。 --- ## 79. 這與 AI 的生產力悖論有關 AI 原本應該： $$ T_{\mathrm{work}}\downarrow $$ 。 但如果節省下來的時間又因： > 額度還沒用完。 被填回更多低價值工作， 可能形成： $$ \boxed{ \text{productivity rebound} } $$ 。 --- ## 80. AI 可以讓工作更快，也可以讓人永遠有更多工作可做 因為任務空間： $$ \mathcal T $$ 幾乎無限。 如果： $$ C_{\mathrm{marginal}}\downarrow $$ 人會發現： > 還可以再驗證一次。 > 還可以再改一版。 > 還可以再研究一題。 因此 AI 的： $$ \boxed{ \text{latent task demand} } $$ 可能非常巨大。 --- ## 81. Expiring Quota 會激活 Latent Task Demand 令： $$ \mathcal T_{\mathrm{latent}} = \{ J_i: V_i>0,\text{ but normally not executed} \} $$ 。 當： $$ EP\uparrow $$ 更多： $$ J_i $$ 跨過執行門檻。 這解釋高頻使用者為什麼永遠「找得到東西算」。 --- ## 82. 這可能造成認知過度擴張 人類真正稀缺的不只 GPU。 還有： $$ \boxed{ \text{attention} + \text{verification capacity} + \text{rest} } $$ 。 如果 AI 生成： $$ N_{\mathrm{outputs}}\uparrow $$ 但人類驗證能力： $$ H_{\mathrm{verify}} $$ 固定， 可能： $$ \frac{ N_{\mathrm{outputs}} }{ H_{\mathrm{verify}} } \uparrow $$ 。 --- ## 83. Token Burn 可能轉化成人類 Review Debt 例如為了用完額度生成： $$ 100 $$ 份分析。 之後還需要人類： $$ R_{\mathrm{human}} $$ 驗證。 於是： $$ \boxed{ \text{Compute Surplus} \rightarrow \text{Human Review Debt} } $$ 。 這甚至可能降低總生產力。 --- ## 84. 所以 Useful Compute 需要人機共同衡量 不是： $$ Q_{\mathrm{AI}} $$ 越大越好。 而是： $$ \boxed{ \eta = \frac{ V_{\mathrm{completed}} }{ Q_{\mathrm{AI}} + H_{\mathrm{human}} } } $$ 。 Expiration-driven consumption 可能讓 denominator 上升， 但 numerator 幾乎不變。 --- ## 85. 可測試假說 ### H1：接近 reset 時，部分高頻使用者的 Consumption Acceleration 會上升 $$ \tau\downarrow \Rightarrow CAI\uparrow $$ 。 ### H2：顯示剩餘額度與明確倒數會提高 quota salience $$ QS_{\mathrm{visible}} > QS_{\mathrm{hidden}} $$ 。 ### H3：Rollover 會降低 reset 前使用加速 $$ \alpha_{\mathrm{rollover}}\uparrow \Rightarrow CAI\downarrow $$ 。 ### H4：Surrender 會降低 Token Burn 且不必增加 latent liability 比純 rollover 更可能同時改善供需。 ### H5：Purchased Credits 的使用彈性低於 Included Usage 因： $$ PMC_{\mathrm{purchased}} > PMC_{\mathrm{included}} $$ 。 ### H6：Agentic workload 比手動聊天更容易把 expiration-driven usage 自動放大 因： $$ C_{\mathrm{human,marginal}} $$ 更低。 ### H7：過高 breakage 會降低續訂 當使用者長期： $$ BR_i\uparrow $$ 可能認為方案不值得。 --- ## 86. 實驗設計 可以進行六組 A/B test。 ### Group A：Hard Expiry + Visible Countdown 傳統高 salience。 ### Group B：Hard Expiry + Neutral UI 不強調剩餘。 ### Group C：30% Rollover $$ \alpha=0.3 $$ 。 ### Group D：Surrender 提供 future CU。 ### Group E：Off-Peak Conversion 剩餘額度轉成低峰額度。 ### Group F：Outcome-Oriented Dashboard 顯示任務成果而不是 quota completion。 --- ## 87. 需要測量的指標 包括： $$ CAI $$ $$ BR $$ $$ UCR $$ $$ TDR $$ $$ \text{Retention} $$ $$ \text{Peak Demand} $$ $$ \text{Review Debt} $$ $$ \text{User Satisfaction} $$ 。 只有這樣才能知道： > 更多使用到底是不是更好的產品。 --- ## 88. 供應商的最佳制度可能是混合式 例如： $$ 30\% $$ 可 rollover， $$ 20\% $$ 可 surrender， 其餘： $$ 50\% $$ 照常到期。 這讓： $$ BR $$ 仍然存在， 又降低極端 expiration pressure。 --- ## 89. 用戶也可以自己選方案 例如： ### Stable Plan 較高月費： $$ F_T\uparrow $$ 更多 rollover。 ### Discount Plan 較低月費： $$ F_T\downarrow $$ 額度較容易過期。 讓： $$ \text{expiration risk} $$ 本身成為可選價格維度。 --- ## 90. Expiration Risk Pricing 如果使用者願意承擔： $$ R_{\mathrm{expiry}} $$ 可以取得： $$ P_{\mathrm{discount}} $$ 。 這比把 expiration 隱藏在方案條款裡更透明。 --- ## 91. 高透明度不代表高壓迫 關鍵是： $$ \boxed{ \text{Transparency} + \text{Choice} } $$ 。 例如： > 你的額度將失效。 旁邊同時提供： - rollover； - surrender； - convert。 使用者就不需要 burn。 --- ## 92. Token Consumption Syndrome 的完整模型 可表示為： $$ TCS_i = f( P_i, E_i, \tau_i, QS_i, PMC_i, F_i, A_i ) $$ 其中： - $P_i$：預付成本； - $E_i$：剩餘 entitlement； - $\tau_i$：距離失效時間； - $QS_i$：quota salience； - $PMC_i$：perceived marginal cost； - $F_i$：fungibility； - $A_i$：automation capacity。 --- ## 93. 預期方向 一般而言： $$ \frac{\partial TCS}{\partial P}>0 $$ $$ \frac{\partial TCS}{\partial E}>0 $$ $$ \frac{\partial TCS}{\partial QS}>0 $$ $$ \frac{\partial TCS}{\partial A}>0 $$ 。 而： $$ \frac{\partial TCS}{\partial \tau}<0 $$ 在接近到期時表示壓力增加。 --- ## 94. Fungibility 會降低症候群 若： $$ F_i\uparrow $$ 例如： - rollover； - transfer； - surrender； - conversion； 則未使用價值不會立刻歸零。 因此預期： $$ \frac{\partial TCS}{\partial F}<0 $$ 。 這將本篇直接接回整個系列。 --- ## 95. 這不是使用者「不理性」這麼簡單 如果制度明確說： > 你已經付了錢。 > 不用就消失。 那麼增加使用某種程度上是合理反應。 因此： $$ \boxed{ \text{behavioral bias} + \text{rational response to contract} } $$ 會混在一起。 --- ## 96. 不能把所有責任丟給使用者 平台不能一方面： $$ \text{make entitlement expire} $$ 另一方面又說： > 使用者為什麼一直想用完？ 行為部分正是制度內生產物。 --- ## 97. 也不能把所有責任丟給企業 到期具有： - capacity planning； - anti-hoarding； - revenue predictability； - liability reduction； 等合理功能。 因此： $$ \boxed{ \text{expiration is not inherently bad} } $$ 。 問題是： > 到期的成本是否過度由使用者承擔？ --- ## 98. 成熟制度的目標不是消除所有到期 而是： $$ \boxed{ \text{minimize low-value expiration-driven consumption} } $$ 同時維持： $$ \text{manageable provider liability} $$ 。 這是一個市場設計問題。 --- ## 99. 從 Token Burn 回到 Adaptive AI Compute Economy 整個系列提出： $$ \text{Temporal Fungibility} $$ $$ \text{Compute Wallet} $$ $$ \text{Surrender} $$ $$ \text{Demand Engineering} $$ 。 這些機制都可以被重新理解為： $$ \boxed{ \text{anti-burn mechanisms} } $$ 。 --- ## 100. 更好的制度把「不用」變成一個合法選項 現在： $$ \text{Use} \quad\text{or}\quad \text{Lose} $$ 。 更成熟： $$ \boxed{ \text{Use} ,\quad \text{Save} ,\quad \text{Convert} ,\quad \text{Return} } $$ 。 只要這四個選項存在， 使用者不需要製造任務。 --- ## 101. AI 產品應該容許休息 如果 AI 真正是： $$ \text{productivity tool} $$ 那麼它的成功不應該要求： $$ \text{continuous consumption} $$ 。 真正成功可能是： > 五天完成工作。 > 接著二十五天不用。 --- ## 102. 這反而是生產力提高的證據 如果同樣成果： $$ W $$ 原本需要： $$ 30\text{ days} $$ 現在： $$ 5\text{ days} $$ 則： $$ \eta_{\mathrm{productivity}}\uparrow $$ 。 產品不應因為剩下 25 天低使用，就把使用者視為 engagement 下降。 --- ## 103. 從 Engagement Economy 轉向 Completion Economy 社群平台希望： $$ T_{\mathrm{screen}}\uparrow $$ 。 AI 生產力產品若照抄： $$ T_{\mathrm{AI}}\uparrow $$ 可能方向錯誤。 更合理： $$ \boxed{ \text{Task Completion} + \text{User Value} } $$ 。 --- ## 104. 這是 AI 產品經濟的一個重要分水嶺 如果 AI 企業仍然用： $$ \text{time spent} $$ 或： $$ \text{tokens consumed} $$ 作為唯一成功指標， 就可能： $$ \boxed{ \text{optimize consumption instead of intelligence value} } $$ 。 --- ## 105. 基本原則 本文提出十五項原則。 ### 原則一：Token 消耗症候群不是臨床診斷 它是制度誘發的行為分析概念。 ### 原則二：預付與到期共同創造使用壓力 $$ \text{Prepayment} + \text{Expiration} \rightarrow \text{Consumption Pressure} $$ ### 原則三：剩餘額度與剩餘時間必須一起研究 $$ EP = f(E,\tau) $$ ### 原則四：Quota Salience 會改變行為 透明介面不是中性。 ### 原則五：Included 與 Purchased Usage 具有不同心理價格 $$ PMC_{\mathrm{included}} < PMC_{\mathrm{purchased}} $$ 可能成立。 ### 原則六：Artificial Demand 不等於全部無價值 需要區分 opportunistic value 與 pure burn。 ### 原則七：Breakage 與 Burn 是到期制度的兩個反方向結果 ### 原則八：Reset Frequency 本身就是價格與權利設計 ### 原則九：Rollover 可以降低 Expiration Pressure ### 原則十：Surrender 可以同時降低 Burn 與 Latent Liability ### 原則十一：Usage Dashboard 應避免鼓勵 quota completion ### 原則十二：Agent 會放大 expiration-driven behavior ### 原則十三：企業應追蹤 Useful Compute，而非只有 Total Compute ### 原則十四：AI 生產力產品應允許低使用甚至完全不用 ### 原則十五：產品目標應從 Consumption 走向 Completion --- ## 106. 限制 第一，本文的「Token Consumption Syndrome」是新提出的分析框架，不是現有臨床或心理學標準術語。 第二，目前尚缺乏大規模公開資料直接測量 AI 使用者在 reset 前是否普遍增加 consumption。 第三，不同平台 reset 時間可能錯開，因此個體級加速不必然形成整體系統峰值。 第四，額外使用可能提高品質，因此不能只以更多 inference 判定為浪費。 第五，使用者對額度的主觀價值高度異質。 第六，企業有合理的 anti-hoarding 與容量管理需求，因此本文不主張所有額度永久不失效。 --- ## 107. 結論 「Token 消耗症候群」最初可以只是一句玩笑： > 額度要重置了，不用好像很虧。 但這句話背後其實連接到非常成熟的行為經濟學問題： $$ \text{Mental Accounting} $$ $$ \text{Prepayment} $$ $$ \text{Sunk Cost} $$ $$ \text{Breakage} $$ $$ \text{Choice Bracketing} $$ 以及： $$ \text{Expiration Pressure} $$ 。 AI 把這些問題放大，是因為 inference 的使用邊際摩擦極低，而可以執行的潛在任務幾乎沒有上限。 因此： $$ \text{unused quota} $$ 不只是： > 沒有使用。 它可能被心理編碼成： $$ \text{value about to be lost} $$ 。 一旦： $$ E_{\mathrm{remaining}}\uparrow $$ 且： $$ \tau_{\mathrm{reset}}\downarrow $$ 使用者就可能從： $$ \text{I have a task, so I use AI} $$ 轉變為： $$ \boxed{ \text{I have AI allowance, so I search for a task.} } $$ 這就是本文真正要捕捉的反轉。 它將： $$ \text{Task} \rightarrow \text{Compute} $$ 改成： $$ \text{Compute Entitlement} \rightarrow \text{Task Creation} $$ 。 這種反轉不是必然有害。 它有時可以釋放低成本創造、額外驗證與探索。 但當： $$ V_{\mathrm{task}} $$ 低於： $$ C_{\mathrm{human}} + C_{\mathrm{system}} $$ 它就變成： $$ \boxed{ \text{Token Burn} } $$ 。 因此成熟 AI 產品真正應追求的，不是： $$ \text{100\% quota consumption} $$ 而是： $$ \boxed{ \text{high-value task completion} } $$ 。 Rollover、Compute Wallet、Surrender、Off-Peak Conversion 與 Temporal Fungibility 的價值，也因此不只是「讓使用者比較爽」。 它們還在做另一件事： $$ \boxed{ \text{restore task-driven consumption} } $$ 。 也就是讓使用者重新因為： > 我真的需要完成這件事。 才使用 AI， 而不是因為： > 星期天晚上額度又要歸零了。 這使本篇最終命題可以寫成： $$ \boxed{ \text{An AI subscription should create permission to compute, not an obligation to consume.} } $$ 中文即： **AI 訂閱應該提供「可以使用智能」的權利，而不應逐漸變成「必須把智能額度消耗完」的義務。** 下一篇，也是整個系列最後一篇，將把我們一路大量使用的研究方法本身正式化： **跨產業制度移植——AI 產業其實不用每件事重新發明。** --- ## 參考資料 1. Bhaskaran, S., Erat, S., & Mukherjee, R. *Pay more, use more: Consumer bias and demand management for digital services.* Journal of Service Research, 2026. 2. Thaler, R. H. *Mental Accounting and Consumer Choice.* Marketing Science, 4(3), 199–214, 1985. DOI: 10.1287/mksc.4.3.199. 3. Thaler, R. H. *Mental Accounting Matters.* Journal of Behavioral Decision Making, 12(3), 183–206, 1999. 4. Soman, D. *The mental accounting of sunk time costs: why time is not like money.* Journal of Behavioral Decision Making, 14(3), 169–185, 2001. DOI: 10.1002/bdm.370. 5. Liu, Y., Zhang, H., & Zou, E. *Pay Now, Buy Never: The Economics of Consumer Prepayment Schemes.* NBER Working Paper No. 34918, 2026. 6. OpenAI Help Center. *Using Credits for Flexible Usage in ChatGPT (Personal plans).* Accessed 2026-09-07. 7. OpenAI Help Center. *Paid weekly Work and Codex rate limit resets.* Accessed 2026-09-07. 8. OpenAI Help Center. *How banked Codex resets work.* Accessed 2026-09-07. 9. Anthropic Help Center. *How do usage and length limits work?* Published 2026-07-13; accessed 2026-09-07. 10. Anthropic Help Center. *What is the Max plan?* Accessed 2026-09-07. 11. Anthropic Help Center. *Usage limit best practices.* Accessed 2026-09-07. --- ## Series Navigation **Paper 1** AI 訂閱制的制度錯位：當曆法時間不再等於智能消耗 **Paper 2** 額度的時間可替代性：月算力、Burst 與集中式工作 **Paper 3** 訂閱、API 與 Compute Wallet：AI 混合計價制度 **Paper 4** 閒置額度、轉讓與供應商回購：AI 使用權的可逆性 **Paper 5** 從 Rate Limiting 到 Demand Engineering：離峰折扣與 AI 需求響應 **Paper 6** 算力透明度作為控制介面：從黑箱限流到容量可觀測市場 **Paper 7** 算力透明度作為投資工具：AI 企業的新基本面 **Paper 8** AI 市場的制度演化：從商品化到容量市場 **Extra 1 — 本篇 / Series Paper 9** Token 消耗症候群：到期額度如何反向塑造人的認知行為 **Extra 2 — Next / Series Paper 10** 跨產業制度移植：AI 產業其實不用每件事重新發明