# 帳號、委託、執行者與受益者：人類—AI 混合操作下的經濟歸因

## 從 9／16 功能關係矩陣到多角色事件證據鏈：帳號表象、代理授權、行為不可辨識、分層歸因與不重複經濟計量

**英文題名：** *Accounts, Delegation, Executors, and Beneficiaries: Economic Attribution of Human–AI Hybrid Operations through Typed Event Provenance and Partially Identified Agency*  
**研究系列：**《AI 時代的網路資訊價值、注意力收斂與經濟世界域耦合》（AIEC）  
**系列篇號：** 09 / 12  
**文件編號：** EML-AIEC-2026-09  
**原始研究命題、觀察及研究方向：** Neo.K  
**AI 協作論證、形式化、文獻核對與原稿整理：** GPT-6（Aletheia）  
**機構：** EveMissLab／一言諾科技有限公司  
**日期：** 2026-10-16（Asia/Taipei）  
**版本：** v0.1  
**文件性質：** AI 經濟活動歸因論文／身份與授權語義／混合執行觀測／多層事件帳本／可反駁研究模型  
**正本格式：** UTF-8 Markdown；數學原始碼僅允許 ` $...$ ` 與 `$$...$$`  
**直接前置：** AIEC-01～08，尤以 AIEC-07、AIEC-08 為直接接口；EWDT-01、02、04、05、06、07、12、13、16、18、21、22；人工行動者政治經濟與 MPD-12；W3C PROV 及 IETF OAuth／Token Exchange 標準  
**研究資料截至：** 2026-10-16；所有真實研究及協議均按可核對正式來源註明  
**研究狀態：** 候選形式框架、歸因識別條件、十項可反駁假說、四組假設性可重算案例及 2027–2028 年動態實證綱領。並非平台法定審計標準、世界 AI 經濟活動比例實測值或已驗證的普遍因果定理。  

**作者：** Neo.K  

---

## 摘要

人工智慧已能在獲准環境中透過瀏覽器或桌面的視覺、滑鼠、鍵盤與表單介面完成資訊檢索、資料整理、報名、採購及社交平台任務。經濟活動因此出現一種表面上非常普通、卻難以由傳統網站資料分類的結構：**帳號屬於人類，不意味每一個動作均由人類直接執行；動作由 AI 執行，不意味 AI 具有獨立購買意圖、法律權利、資金來源或最終受益地位。** 同一事件可能同時涉及帳號擁有者、意圖提出者、授權人、實際操作人或 Agent、平台服務者、交易合約當事人、付款者、風險承擔者及成果受益者。若把以上角色壓縮成單一 `user_id`、IP、API 呼叫或「AI／人類」二元標籤，不僅會造成 Agent 活動統計漏計，也可能錯配契約權限、成本與經濟收益。

本文承接 AIEC-07 的 B／C／A 九格及 AIEC-08 的 B／C／A／G 十六格，提出**經濟行動分層歸因框架**（Layered Economic Agency Attribution, LEAA），將功能事件、執行來源、授權鏈、資金／會計鏈、受益結果與責任／救濟鏈拆成具有共同事件主鍵、但不能互相取代的資料層。LEAA 不創設新的第十七類經濟主體，也不推翻 9／16 的方向定義；它補足的是「一個功能格位背後真正有誰參與、用何種權限、產生何種可歸因結果」的觀測條件。本文採取角色可多重、任務可混合、證據可缺漏、執行者可未知以及判定可版本化的原則，避免虛構 AI 獨立法律人格，也避免把所有 AI 中介活動隱藏在原有人類帳號內。

本文提出一個條件性**觀測等價命題**：若兩條不同的真實執行歷史，在研究者可見的所有欄位上有相同投影，則任何只使用這些欄位的分類方法，都無法對兩條歷史同時做出完全正確且具有確定性的主體標註。此命題不是宣稱 AI 永遠無法被識別；其意義在於強調：當資訊結構本身非單射時，增加模型複雜度無法憑空創造缺失的執行來源證據。外部可以藉簽章式 Agent 身分聲明、授權憑證、可信事件紀錄、合法的實驗量測、因果測試及多來源稽核來改善識別；但聲明可驗證不等於所有代理人皆會聲明，行為分類成功亦不等於它提供了法律責任歸屬。

本文進一步提出部分識別方法：當研究者只能確認部分任務由 AI 或人類執行、其餘未知時，應報告 AI 參與比例的界限，而不是直接把未知全部算成人類或機器；對混合任務可使用執行者集合、相對任務步驟、介入點及有證據支持的因果貢獻，而不必假設唯一作者。四組可重算案例分別檢視個人委託購物、多 Agent 企業採購、共同創作／社交內容發布，以及具救濟要求的公共 AI 服務。它們展示：同一筆人類終端需求可以產生大量 AI 功能事件，卻不自動生成等量的額外國民所得；同一份 AI 產出可以被人類提交，卻不能由發布帳號反推內容生成過程；同一個政府服務結果可以高度自動化，卻仍需要明確的公共權限與責任承擔。

本文以十項可反駁假說，規劃 2027–2028 年依任務、平台、產業及法域進行的動態研究，強制區分功能活動數、已驗證 AI 參與、機率分類、實際付款、增加值、最終福利與制度風險。本文不是教授逃避平台偵測的技術，也不以人機辨識困難正當化違反授權或網站使用規則。其研究貢獻是為 EWDT 的經濟投影失真、微觀代理、平台中觀路由與超宏觀文明耦合，加入一套**來源可追溯、未知可保留、角色不可任意混合**的最小觀測介面。

**關鍵詞：** AI Agent、帳號識別、OAuth、委託、Token Exchange、行動者、實際執行者、功能歸因、受益歸屬、付款者、數位來源證據、W3C PROV、Web Bot Auth、行為觀測等價、部分識別、隱藏 AI 參與、B2A、A2A、G2A、經濟事件帳本、EWDT

---

# 0. 定位與非主張：不是為所有帳號貼上「真人／機器」標籤

本文的核心問題為：**當同一個可辨認的帳號可由人類、AI 或兩者共同操作，經濟學與平台如何在證據不完備的情況下保留真實的功能性關係、支付及責任資訊？**

本文不主張：

1. 使用 GUI 的操作一定是 AI，也不主張 API 存取一定由 AI 發起；
2. 高擬真 AI 操作在所有平台上皆能避開所有偵測；
3. 行為指紋辨識一定失效，或所有 CAPTCHA、驗證措施必然可被突破；
4. OAuth 在原理上只能識別人類；
5. RFC 8693 在所有網站均已部署，或能自動記錄未向系統聲明的 GUI 操作；
6. 已簽章的 HTTP 請求可證明模型的主體性、意圖內容、獨立財產權及最終受益；
7. 一個人類帳號的每次操作都有唯一執行者；
8. AI 的每次輸出必然構成一筆獨立交易或新的市場需求；
9. AI 對事件具有因果貢獻即必然負擔法律責任；
10. 法律責任必須跟某一份單一技術日誌一一對應；
11. 文字具有「AI 味」即證明它由 AI 生成；
12. 高比例未知標籤能任意用機率模型填補後宣稱真實比例；
13. 9／16 經濟矩陣是完備的法律人格、國民所得或本體分類；
14. 可以無視個資保護、商業機密、資料主權與合法蒐證限制；
15. 研究者為了測量混合 AI 活動，可以未經同意收集私人帳號的詳細操作序列；
16. 完整行動紀錄即保證能識別所有反事實經濟貢獻；
17. 模型輸出增加、代理任務變多必然導致 GDP 等比例上升；
18. 2027～2028 年一定出現某一方向的 AI 經濟變化；
19. 本篇已證明 AI 在網路活動中具有固定、已知且可全域外推的占比；
20. 本篇建立了可以替代各國法規或財務審計準則的規範。

本文提出的是**任務相對識別與歸因**，而不是「非得知道每個動作究竟是誰做的」的全知承諾。

---

# 1. 從最初的網站數據到第九篇：研究路徑不應斷裂

本系列起於一個具體觀察：部分學術或專業網站出現高機器訪問量，卻沒有相應的大眾知名度與直接人類訪問。AIEC-01 因而區分機器可見性與人類識別度；AIEC-02 區分抓取、實際使用、引用、授權及付款；AIEC-03 將供給膨脹與人類注意力收斂分離；AIEC-04、05 處理 AI 商業入口與廣告主的防禦型博弈；AIEC-06 研究由資訊供給走向機器端付款的條件；AIEC-07、08 才把 B／C／A 及 B／C／A／G 形式化為九格、十六格。

本篇之所以必要，是因前八篇都暗含一個實證前提：**至少要知道何時 AI 真正參與了一項活動，或知道這件事何時不能被識別。**

如果網站的一次訪問看似來自個人的正常瀏覽器，實際卻由受委託的 Agent 完成，平台可能把它計成一般人類流量。反之，如果研究者看到快速、規律或某種文體特徵就誤認為 AI，則可能把真實人類行動排除。

這種問題不只影響網站爬蟲統計；它會接著影響 A2C 使用量、B2A 機器需求、A2B 企業生產力、A2A 代理協作、G2A 公部門 AI 授權以及後續支付與責任的研究。第九篇把這個前置條件正式化。

# 2. 9／16 矩陣保持不變：歸因研究是額外觀測層

AIEC-07 以 $\mathcal T_3=\{B,C,A\}$ 建立有向功能關係集合；AIEC-08 增加 $G$ 形成：

$$
\mathcal T_4=\{B,C,A,G\},\qquad
\mathcal P_4=\mathcal T_4\times\mathcal T_4,
\qquad |\mathcal P_4|=16.
$$

保留前置約定：第一端為功能性作用／供給發出端，第二端為功能接收／受作用端。這些端點的方向由事件在指定任務中的功能定義，不能再拿法律契約、付款流或最終收益自動覆寫。

本篇提出：

$$
\mathsf{AttributedEvent}(e)
=
\left(\mathsf{FunctionalPair}(e),\mathsf{RoleLedger}(e),\mathsf{Evidence}(e)\right).
$$

三者回答不同問題：第一個是「何種功能作用從哪類端點流向哪類端點」；第二個是「誰授權、誰操作、誰付款、誰受益、誰負責」；第三個是「我們根據什麼證據相信以上標註」。

若一項活動沒有使用 AI，但含有人類與企業雙方，依舊可以沿用 B2C、C2B 等格位；若同一活動由 AI Agent 中介，既要保留新增 A 功能格，也不能抹除原本的 C2B 合約。**新增執行層，不是替代原有經濟關係。**

# 3. 不能混用的九個角色

本文暫用九種角色作為研究性定義，而非九種新經濟主體：

| 角色 | 英文名稱 | 核心問題 | 易犯的歸因錯誤 |
|---|---|---|---|
| 帳號擁有者 | Account holder | 帳號在制度上登記或受管理於誰？ | 認為登入者一定親自操作 |
| 需求／意圖提出者 | Principal / initiator | 誰提出要完成什麼目的？ | 將 Agent 的中途選擇視為全新終端需求 |
| 委任／授權者 | Delegator / authorizer | 誰允許何人於何種範圍操作？ | 把持有憑證當成無限制許可 |
| 實際執行者 | Executor | 哪個人或軟體代理實際執行動作？ | GUI＝人類、API＝AI |
| 內容／能力供給者 | Provider | 誰供應內容、商品、基礎設施或服務？ | 將回答中沒有署名視為沒有上游供給 |
| 合約當事人 | Contracting party | 法律或制度上的契約對誰成立？ | AI 代下單就推定 AI 自己簽約 |
| 付款／成本承擔者 | Payer / cost bearer | 誰負擔金錢與資源成本？ | 將 Agent 的付款執行視為 Agent 自有資金 |
| 經濟受益者 | Beneficiary | 誰得到商品、知識、能力或福利改變？ | 最終受益者一律等於付款者 |
| 法定責任／救濟承擔者 | Responsible institution | 哪個主體應回應爭議、糾正或救濟？ | 將 AI 的因果角色視為完整法律責任 |

以上欄位允許一個個體佔多角色，也允許一個角色由多人或多 Agent 共同承擔。例如人類親自購物時，帳號擁有者、意圖者、執行者、付款者與受益者可以是同一人；企業委託 Agent 採購時，這些角色通常會分離。

## 3.1 角色相同是實證結果，不是分類前提

即使在同一事件中出現：

$$
\mathsf{AccountHolder}(e)=\mathsf{Principal}(e)
$$

也不能推出：

$$
\mathsf{Principal}(e)=\mathsf{Executor}(e).
$$

這不是聲稱二者永遠不相等，而是邏輯上**不由前提保證**。

## 3.2 「誰使用」必須先定義使用層次

使用可以表示取得內容、作為計算輸入、作出決策、簽署契約、發出付款命令或取得最終利益。沒有指明是哪一層，就不應從「Agent 使用了某服務」直接推論「AI 是新的獨立消費者」。

# 4. Account、Identity、Actor、Principal 與 Session 並不同型

平台認證通常聚焦某個帳號憑證是否有權存取某項資源；活動歸因卻聚焦誰在何種因果角色上參與行動。必須區分：

- `account_id`：平台可識別的帳號位置；
- `credential_id`：認證或授權材料的識別；
- `principal_id`：對活動負有特定委託或制度性角色的主體；
- `agent_instance_id`：持續或短暫的 AI／軟體代理實例；
- `session_id`：平台劃定的一段互動時間窗；
- `task_id`：具有終端目標及可完成條件的一項任務；
- `event_id`：一個可觀測操作或狀態改變；
- `transaction_id`：若真的發生市場或財政交易，對應的交易主鍵；
- `provenance_id`：一段可核驗來源／程序證據的識別。

同一 `session_id` 可以包含多個 `task_id`；同一 `task_id` 可以跨多個 `session_id`；同一 `task_id` 可以產生大量 `event_id`，而 `transaction_id` 可以為空。

若在資料庫中把以上識別子全塞進 `user_id`，將出現兩類不可逆損失：其一，將不同執行者混合；其二，將不同的經濟計數單位混合。

# 5. OAuth 的真正能力與限制

RFC 6749 定義 OAuth 2.0 授權框架中的資源擁有者、資源伺服器、客戶端與授權伺服器等角色，允許應用程式代表資源擁有者取得有限權限；它並非從技術定義上預設所有客戶端必須是人類，也不宣稱驗證每個動作的實際輸入來源［E1］。

因此下列三句不能混為一談：

1. **有效憑證**：某個可驗證的客戶端在指定期限內持有某種存取權。
2. **有效委託**：其活動落在授權者允許的目的、範圍及權限條件內。
3. **已識別執行者**：可由額外、足夠可信的證據判明究竟哪個人或代理系統完成指定動作。

第一件事不能自動推導第二件事；前兩件事也不能自動證明第三件事。OAuth 可能成為一部分的授權基礎，但不是通用的實際執行者鑑定器。

## 5.1 RFC 8693：委託不是規格之外的幻想

RFC 8693 的 Token Exchange 能以 `subject_token`、`actor_token` 等概念表示授權主體與代理行動者的關係，也以 JWT `act` claim 提供表示行動者與部分委託鏈的機制；它並且區分 delegation 與 impersonation［E2］。

但這只能說明現有協議可以**在適當部署下表達**部分委託語義。若 Agent 沒有在相關授權流程中留下這些資訊、平台沒採用該機制，或其活動只發生在已登入的 GUI 環境，則資料仍可能缺失。

因此，正確主張不是「OAuth 無法處理 AI」，而是：**帳號授權系統與活動歸因系統必須有明確連結，才能避免功能執行者在觀測中消失。**

# 6. 委託、代行、模擬登入與直接執行的語義差異

人類委託 AI 執行任務、企業內部工作流程呼叫 Agent、第三方服務使用經授權的 OAuth client，以及完全沒有聲明身分的瀏覽器自動化，在平台表面可能產生相似操作，但制度意義不同。

| 執行情境 | 主要授權界面 | 能否從帳號推回執行者 | 必須另保存的證據 |
|---|---|---|---|
| 人類直接操作 | 人類帳號登入及使用規則 | 不一定，除非有直接參與證據 | 手動控制、事件上下文 |
| OAuth 代理呼叫 | Token／scope／委託 | 可能辨識到 client，未必辨識實際 AI 模型 | 委託、client、actor、工具事件 |
| 已登入 GUI 中的 Agent | 人類或組織建立的會話，另受平台規則約束 | 通常不能僅靠 session ID | Agent runtime 記錄及獲允許的來源證明 |
| 人機共同編輯 | 共享文件及編輯權 | 不一定 | 編修差分、人機接受與提交紀錄 |
| 企業內部 Agent 呼叫另一 Agent | 企業身份與內部授權 | 可從內部系統辨識部分流程 | A2A 委託、接受準則、責任歸屬 |
| 未經授權自動化 | 可能不存在有效委任 | 不一定 | 違規證據與安全稽核；不得當成合法代理 |

重要的是，不應把「技術上可操作」與「在該平台有權操作」合併。有效權限、平台條款、交易法與適用法域需要各自判定。

# 7. 人類介面操作不再是人類執行的充分證明

截至本文日期，OpenAI 與 Anthropic 的公開開發文件都已說明 AI 可以藉由截圖、視覺狀態與鍵鼠動作，在獲准的瀏覽器／桌面環境完成任務［E5］［E6］。這使「該事件不是 API 呼叫」不足以作為人類直接執行的證據。

使用者提出的更強假設，是未來 Agent 可以透過大量人類操作紀錄、感知—動作學習、時間行為模型及混合訓練，使某些操作分布更加接近人類。這是一個可研究的技術可能性；但不能由此宣稱所有 AI 都已達成不可辨識，或所有安全系統都會失效。

反之，真人也可能使用腳本、輔助科技、自動填表、鍵盤巨集與同步工具；一個有規律的操作序列未必由 AI 執行。應分開記錄：

$$
\mathsf{AccessChannel}
\neq
\mathsf{ExecutorKind}
\neq
\mathsf{AuthorizationStatus}.
$$

本文僅分析分類與授權結構，不提供規避 CAPTCHA、隱藏代理指紋、偽造登入證據或逃避平台監控的實作方法。

# 8. 人類的「AI 味」與 AI 的「人類味」：風格不是來源憑證

語言結構、標點、格式、常用措辭與互動節奏可以形成統計特徵，但其主要研究價值是為特定分類任務提供**帶誤差的證據**，而不是自行決定作者身分。

人類可能大量閱讀 AI 回答後改變寫作風格；AI 也可能在合法、正當的創作協作中模仿某種敘述形式；一篇文章還可能是人類草擬、AI 修訂、人類再次重寫的混合結果。

因此：

$$
\mathsf{StylometricScore}(x)
\not\Rightarrow
\mathsf{TrueExecutor}(x)=A.
$$

其中 $\not\Rightarrow$ 表示沒有由風格分數到真實作者的邏輯保證，並非聲稱風格完全沒有統計資訊。

若要做經濟歸因，真正值得記錄的是哪些行動由誰提出、哪些草稿被誰變更、誰具有最後提交權、誰對成果承擔責任，以及對外發布是否造成交易或其他後果。風格分數不能替代這些事件證據。

# 9. 一個形式化起點：世界歷史、觀測映射與實際執行者

令 $h$ 表示完整但研究者未必可見的一段真實任務歷史，包含人類、代理程式、合法權限、事件順序、內部工具、付款與受益的狀態。令：

$$
\Pi_{\mathcal O}:\mathcal H\rightarrow\mathcal O
$$

表示依觀測權限與平台記錄，把任務歷史投影成可見觀測 $o$ ； $\mathcal H$ 是候選歷史空間， $\mathcal O$ 是合法可見的觀測資料空間。

在第九篇裡， $\Pi_{\mathcal O}$ 可能只保留 URL、登入帳號、時間戳、請求狀態及幾個互動量，因此它通常並非對完整執行史的單射。

設：

- $h_H$：該工作由真人直接執行的歷史；
- $h_A$：相同授權帳號下，由 AI Agent 在容許介面執行的歷史。

若研究者所見恰好為：

$$
\Pi_{\mathcal O}(h_H)
=
\Pi_{\mathcal O}(h_A)=o_0,
$$

但實際執行者不同，則觀測 $o_0$ 不能唯一辨認哪段歷史實際發生。這是資料結構的可識別性問題，不是預先宣稱任何真實平台已對所有行為完全失明。

# 10. 命題一：有限觀測下的執行者非唯一可識別性

**命題 1（條件性觀測等價）。** 設研究者所使用的所有分類資訊都可由 $\Pi_{\mathcal O}(h)$ 得到。若存在兩段符合研究模型的歷史 $h_1,h_2$，兩者觀測完全相同，但真實執行者標籤不同，則不存在一個僅以該觀測為輸入的確定性分類器，能同時正確分類這兩段歷史。

**證明。** 假設存在這樣的分類器 $f:\mathcal O\to\{H,A\}$。由於：

$$
\Pi_{\mathcal O}(h_1)=\Pi_{\mathcal O}(h_2)=o_0,
$$

分類器必定對兩者輸出相同標籤 $f(o_0)$。但真實標籤不同，因此至少有一段歷史被誤判，與「同時正確」矛盾。證畢。

**限制。** 此命題只在指定觀測欄位完全相同或不可區分時成立，不能推出所有實際人類與 AI 行為均難以區分。若新增可信的委託憑證、執行環境證明或其他有效資料，使兩段歷史的投影不同，分類問題便可能重新變得可識別。

## 10.1 觀測等價不等於因果等價

兩段歷史可有相同 API／GUI 表面紀錄，卻因內部資料權限、行動者意圖或後續決策不同，產生完全不同的社會結果。經濟研究不能僅以表面等價當成完整世界等價。這與 EWDT-02 的投影失真問題相呼應。

## 10.2 研究上應保留等價類

對一個可見觀測 $o$，可定義所有相容歷史：

$$
\mathcal H(o)
=\{h\in\mathcal H:\Pi_{\mathcal O}(h)=o\}.
$$

若 $\mathcal H(o)$ 同時含有 AI、真人或混合執行史，就應記為來源未完全辨識，而不是為了填滿資料表強迫輸出確定標籤。

# 11. 機率性辨識：存在分類準確率，不等於知道真實事件

對採用行為或瀏覽器特徵的分類器，可以定義：

$$
\widehat z(e)=g(o_e),\qquad
z(e)\in\{H,A,M,U\},
$$

其中 $M$ 表示人機共同執行， $U$ 表示資料不足；如有必要另設 `scripted_non_ai`，避免把所有自動化都叫做 AI。

如果研究者強制退化為 H／A 二分類，可能把真實的混合任務、純腳本、授權企業系統全部當成某個二元標籤的訓練雜訊。近期瀏覽代理測量論文提出三類分類與多層指紋方法，指出二元人機分類器的類別空間可能不敷使用［R1］［R2］。這些研究的資料與受測系統範圍有限，不能直接推論全球平台偵測率。

## 11.1 基率會改變陽性預測值

若平台上 AI 的真實比例為 $p$，偵測器的靈敏度為 $s$，特異度為 $c$，則在簡化二分類及已校準條件下：

$$
\Pr(A\mid +)
=\frac{sp}{sp+(1-c)(1-p)}.
$$

即使偵測器對 AI 相當敏感，當 AI 的基率低且人類誤報較多時，所有被標為 AI 的事件中仍可能有大量真人行動。

## 11.2 為什麼不能只報 Accuracy

平台應分別報告各類的 precision、recall、false positive rate、false negative rate、分組表現、外部樣本漂移，以及未知／拒判率。若某偵測器可以把人類幾乎全部標為真人而取得很高總正確率，仍可能嚴重漏掉真正的 Agent 活動。

# 12. 命題二：歸因應優先部分識別，而非假裝全知

設在一組具明確計數單位的 $N$ 個獨立事件中，能高可信確認 AI 參與的事件數為 $n_A$ ；能高可信確認沒有 AI 參與、且由人類直接執行的事件數為 $n_H$ ；其餘 $n_U=N-n_A-n_H$ 尚未可辨識。

在已確認標註正確、互斥且覆蓋整體樣本的條件下，真正 AI 參與比例 $\theta_A$ 至少滿足：

$$
\frac{n_A}{N}\leq\theta_A\leq\frac{N-n_H}{N}.
$$

這是第一代無額外分布假設的**部分識別區間**，不是依靠神奇模型得出的點估計。若「已確認」類別也可能存在錯誤，界限需再擴大，或引入可檢驗的誤差假設。

## 12.1 寬界限不是統計失敗

若一組樣本記錄有 120 筆確認 AI、500 筆確認人類無 AI 介入、380 筆來源未知，研究者只能保證：

$$
0.12\leq\theta_A\leq0.50.
$$

這個結果不能說 AI 真實比例就是 12%，也不能說必然是 50%。它揭示了現有觀測制度的資訊缺口。若新增有同意的 Agent runtime 日誌和獨立稽核，區間可以收窄；若隨意把未知填為人類，報表看起來更整齊，對 EWDT 的真實經濟歸因反而更差。

# 13. 命題三：同一任務可有多個實際執行者

傳統平台可能將一次任務指派給一個帳號、一個 session 或一個 API client；但 AI 協作任務可能具有動態接力：人類發起、Agent A 搜集、Agent B 核實、真人批准、Agent A 提交。故單一任務的執行者應容許集合及時間分段：

$$
\mathcal X(q)=\{x_1,x_2,\ldots,x_m\}.
$$

每個 $x_j$ 的參與應和某些操作區間、事件及驗證證據相連結，不必假設每個人或 AI 都在所有階段同時參與。

令任務在時間上分成 $K$ 個可觀察片段：

$$
q=\{s_1,s_2,\ldots,s_K\},
$$

每個片段的執行者集合為 $\mathcal X(s_k)$。若一個人只負責最後審核，就不能把他視為全文直接生成者；但也不能因此抹除他具有的最終拒絕、批准及風險承擔角色。

# 14. 「最後由誰按下送出」不能代替整個工作流程歸因

一份文件可能經歷下列過程：

1. 人類提出研究問題及分析目標；
2. AI Agent 蒐集公開資料與編輯草稿；
3. 第二個 Agent 進行一致性與引文檢查；
4. 人類選擇保留與刪除哪些論點；
5. Agent 重新排版；
6. 人類以自己的帳號發布。

最後發布權與內容形成史是不同資訊。若平台只記錄 `published_by=human_account`，就只正確描述某個制度性提交端點，無法由此推論「沒有任何 AI 參與」；若平台偵測到某些 AI 風格，也不能由此認定「人類沒有任何原創貢獻」。

這同時涉及法律作者身份、公開署名、職務創作、合約責任等特定法域制度；本篇只提供研究歸因欄位，不宣稱由演算法自動決定著作權歸屬。

# 15. 人類介入必須區分形式與實質

當 AI 產生某個建議，人類只是按下「同意」按鈕，其實質決策影響力可能很低；反之，人類即使只在少數關鍵節點介入，也可能真正改變交易、公共服務或安全決策的結果。

因此可區分：

- `human_present`：流程中有人類痕跡；
- `human_approved`：有人類發出同意或接受事件；
- `human_reviewed`：有可核查的覆核行為；
- `human_could_override`：此人在制度與技術上有否決或修改能力；
- `human_materially_changed`：其行為對最終輸出或決策具有可證據支持的實質影響。

這些變數不能互相替代。英國 ICO 對自動化決策的說明也特別強調，僅有象徵性的人類蓋章，不必然構成有意義的人類介入［E10］。本文不將這一法域解讀直接普遍化為全世界共同法規；其方法論意義是：**是否有人類參與，與人類是否真正控制結果，必須分開量測。**

# 16. 從單一帳號記錄到多層事件帳本：LEAA 第一代結構

本文提出研究性框架 LEAA（Layered Economic Agency Attribution）。它不是新身份管理標準，不取代現有 IAM，也不要求所有網站立即部署同一資料格式。

對每一個經濟相關事件 $e$，定義：

$$
\mathcal L(e)
=\left\langle
F_e,X_e,D_e,A_e,P_e,B_e,R_e,E_e
\right\rangle.
$$

其中：

| 層 | 記號 | 內容及關鍵欄位 |
|---|---|---|
| 功能層 | $F_e$ | B／C／A／G 配對、事件類型、任務位置 |
| 執行層 | $X_e$ | 真人、Agent、腳本、混合或未知；分段與工具來源 |
| 委任層 | $D_e$ | Principal、delegator、scope、期限、可撤銷條件 |
| 授權層 | $A_e$ | 平台條款、權限來源、制度／法域守衛 |
| 金流層 | $P_e$ | payer、contract、invoice、settlement、refund |
| 受益層 | $B_e$ | beneficiary、交付、使用、下游影響 |
| 責任層 | $R_e$ | 企業／人類／政府的正式責任、審計及救濟 |
| 證據層 | $E_e$ | 憑證、日誌、來源、觀測範圍、信心水準及缺口 |

同一角色可以在多層出現，但**一層的存在不能當成其他層的證明**。例如：有效支付憑證證明某個付款流程被接受，不自動證明實際使用該服務的是某一名人類；相反，明確的 AI 工具呼叫可以支持 AI 參與，但不自動證明該 AI 有權代表公司承諾任何法律責任。

## 16.1 任務層和事件層需各自保存

LEAA 的事件主鍵最少需要：`task_id`、`event_id`、`timestamp`、`event_type`、`functional_pair`、`actor_role_assertions`、`evidence_references` 及 `classification_version`。若發生付款或正式契約，再以 `transaction_id`、`contract_id` 關聯，不得反向假定每個事件都有交易。

## 16.2 帳本不是更多監控的藉口

不是所有平台都需要儲存逐字鍵入內容、細緻滑鼠軌跡或真人生物識別資料。對許多研究任務，合格的匿名化任務完成紀錄、代理聲明和抽樣稽核已能識別主要效應。資料需求須與研究目的、必要性、比例性及最小保存時間對齊。

# 17. LEAA 與 W3C PROV：利用成熟來源語義，不重建世界

W3C PROV 已區分 Entity、Activity、Agent，並提供 `wasAssociatedWith`、`wasAttributedTo`、`actedOnBehalfOf` 等關係，讓研究者能表達誰與活動相關、內容如何產生及委託代理如何形成［E3］［E4］。

LEAA 可以把 PROV 作為來源關係交換的參考語義，但必須補上經濟研究所需的功能格位、金流、帳戶、公共制度、最終需求與觀測不確定性。來源模型即使說明 A 代表 B 執行，也不能單獨決定在指定法域誰應負擔侵權、稅負或合約損失。正式法律責任仍須由適用的法源、約定及具體事實決定。

## 17.1 來源語義與事實證明的差異

資料庫能表示「A 代表 B 執行」這句關係，不等於這個描述就有可信證據。規範性語義與證據可信度需要分離；否則任何人都能填入一條好看的委託鏈，讓不存在的授權看似已成立。

# 18. 簽章身分、驗證型 Bot 與來源證據

Cloudflare 的 Web Bot Auth 文件描述以 HTTP 訊息的密碼學簽章驗證自動化請求身分，作為已驗證 Bot 與 Agent 的一部分身分證據［E7］。其 Verified Bots 說明還區分誠實自我識別及非濫用行為，並指出可透過簽章、IP 清單與反向 DNS 等機制驗證部分自動化流量［E8］。

這類機制有實際價值，但其推論邊界必須精確：

- 簽章能支持「請求使用了某種受信任金鑰材料」的主張；
- 依憑證及註冊制度，可能支持「屬於某個已登記軟體行動者」的主張；
- 不能單憑簽章推出「每個步驟均由 AI 自主決定」；
- 無簽章不能單獨推出「該活動必為人類」；
- 有合法帳號或密碼學身分，不等於平台已允許所有自動化用途。

因此 LEAA 建議把 `identity_attestation`、`delegation_proof`、`execution_provenance`、`authorization_policy` 分開存放，並記錄憑證是否已撤銷、發證機構、有效期間與證據覆蓋的任務範圍。

# 19. 為什麼行為分類與來源簽章應互補而非互相取代

一種極端是認為「只要 Agent 未公開身分，平台一定沒有辦法辨識」；另一種極端是認為「只要裝了行為分類器，就永遠能知道哪些是真人」。兩者都超出現有證據。

2026 年的 FP-Agent 與多層代理指紋研究報告，在特定實驗站點和受測 Agent 組合下，專門模型能分辨部分 AI 瀏覽代理與真人；同時某些既有防護與二元分類機制存在漏判或類別不足的問題［R1］［R2］［R3］。這些結果支持研究「哪種特徵、模型及環境有效」，但不支持對所有流量下普遍不變的準確率作出宣稱。

LEAA 對證據路線的建議如下：

| 證據路線 | 能比較可靠支持什麼 | 通常不能單獨推出什麼 |
|---|---|---|
| 平台身份／帳號驗證 | 登入或權限主體 | 每一步操作由真人親自完成 |
| OAuth／委託 Token | 有限權限及被聲明的 actor | 未被聲明的 GUI 事件執行者 |
| 密碼學來源簽章 | 簽章訊息與已登記憑證關係 | 模型意圖、完整行動史及法律責任 |
| Agent runtime 任務日誌 | 實際工具與代理執行事件（在日誌可信時） | 日誌未涵蓋的站外行為 |
| 行為／瀏覽器分類 | 統計上可能的類別 | 沒有誤差的真實執行者證明 |
| 有同意的人工審核 | 指定任務內的人類控制與驗證 | 所有未抽樣任務的真實比例 |
| 交易與付款憑證 | 已結算付款或契約紀錄 | 上游每次資訊使用都形成獨立市場需求 |

LEAA 不要求使用特定廠商的模型，也不建立供外部來源偽裝身份的使用流程。

# 20. 公共部門的額外限制：可稽核的 AI 執行不等於可轉移的公權力

AIEC-08 已說明 G2A、A2G 可以代表政府授權 Agent 執行工作或 Agent 向政府提供分析、流程執行能力，但政府職務、稅收、資格審核、公共給付與行政責任不能只因 Agent 參與就移轉為 Agent 自己的法律責任。

對公共 AI 事件，至少應附上：

- `public_mandate_id`：何種法定職務或依法允許的行政任務；
- `decision_authority`：誰真正有權做成具效果的行政決定；
- `human_review_status`：有人類參與、批准，或真正覆核；
- `appeal_route`：受到影響的人如何提出救濟；
- `data_basis`：處理資料是否具有合法依據及目的限制；
- `auditability`：事後能否重建必要的決策過程與資訊來源。

NIST 2026 年 AI Agent 身分與授權研究概念文件將識別、授權、稽核、不可否認性及 Prompt Injection 列為重要研究問題［E9］。這說明現有制度正開始面對此需求，但並不代表已有一個可跨所有法域自動使用的完成式公共 Agent 身分解法。

# 21. 平台與經濟統計的觀測錯位

平台常以帳號、session、請求、頁面瀏覽、驗證風險或交易數來描述活動；經濟研究則可能關心最終需求、有效投入、增量成本、企業利潤、正式產出或福利。它們的計數單位本來不同。

假設個人提出一次商品採購任務，Agent 查詢十個網站、向另一 Agent 要求比較、讀取三份資料、最後付款一次。平台可能看見十幾次機器活動，真正新增的最終購買決策仍可能只有一次。若內容來自第三方付費來源，可能存在額外的中間服務交易；但是否構成新增最終需求，仍需獨立審核。

因此：

$$
N_{\mathrm{events}}
\neq N_{\mathrm{tasks}}
\neq N_{\mathrm{transactions}}
\neq \mathrm{ValueAdded}.
$$

符號上的 $\neq$ 表示概念和計數口徑不同，不保證任一特定樣本裡數值一定不等。2025 年版聯合國國民經濟核算體系（2025 SNA）繼續以整合式生產、分配與使用帳本來描述經濟，而不是把任何電子事件都當成產值［E11］。

# 22. 反向悖論：AI 參與增加，不一定讓「機器人比例」上升

如果平台只根據 API、標準 User-Agent、已登記機器憑證分類機器活動，新的 AI Agent 卻越來越常沿用已授權的人類瀏覽環境，則實際 Agent 參與比例可能上升，但平台被標記的 Bot 比例未必相應上升。

反過來，如果簽章及委託規範廣泛部署，原本存在而未被識別的 AI 活動可能突然在統計上增加，**即使其真實執行量沒有同等幅度的上升。**

兩種情況都只是有條件的候選機制，不能不經實測就當成既成的全球趨勢。

正因如此，LEAA 需要同時保存「實際活動推估」、「已確認代理活動」、「平台報表中的代理活動」及「偵測／報告機制版本」，否則分類制度更新可能被誤讀為經濟活動爆炸。

# 23. 歸因矩陣：在不破壞 9／16 的條件下擴充執行層

對每個事件 $e$，先記錄功能配對 $i(e),j(e)\in\mathcal T_4$。再為研究目的 $q$ 、事件種類 $\ell$ 、時間窗 $t$ 定義：

$$
M_{ij}^{(\ell,q,t)}
=\sum_{e\in\mathcal E_{q,t}}
\mathbf1\{i(e)=i,\,j(e)=j,\,\ell(e)=\ell\}.
$$

這只是事件數。為了研究已確認 Agent 執行，可以另外加一個經證據界定的標註指示器：

$$
M_{ij,A}^{(\ell,q,t)}
=\sum_{e\in\mathcal E_{q,t}}
\mathbf1\{i(e)=i,\,j(e)=j,\,\ell(e)=\ell\}
\mathbf1\{A\in\mathcal X_{\mathrm{verified}}(e)\}.
$$

若不是已確認，而是機率分類結果，應另以 $\widehat M_{ij,A}$ 表示，並明示模型、訓練資料、基率、閾值、誤差及未知比例，不可把兩者當成同一種證據。

## 23.1 同時報告「確定」與「可能」

對每格建議至少有三份統計：

1. 高可信、經來源證據確認的 AI 參與數；
2. 尚無充分證據但模型判為可能 AI 的數量及校準誤差；
3. 未辨識／混合／缺少必要證據的數量。

這不是為了讓分類器看起來不夠強，而是避免把資料不可識別性偽裝成精確的世界經濟統計。

---
# 24. 可重算案例一：一名消費者與一個購物 Agent

**［SIM-01｜純假設情境，非實際用戶交易］** 一名消費者擁有網購帳號，授權 AI 比較商品並在指定預算內下單。Agent 向商家取得資料，再請另一個 Agent 檢查規格，最後由原 Agent 提交訂單。商品交易金額為 100 美元，消費者另付 3 美元的代理服務費，商家則從該 100 美元收入中支付 5 美元的平台銷售服務費。為方便核對，假設未計稅費及退款。

| 事件 | 功能方向 | 執行者 | 授權及付款關係 | 此事件本身是否形成新增交易 |
|---|---|---|---|---|
| 消費者提出需求 | C2A | 消費者及 Agent 接收端 | 消費者為 principal | 否 |
| Agent 向商家取得產品資料 | A2B | Agent | 消費者限定任務 | 否 |
| 商家向 Agent 供給資料 | B2A | 商家網站 | 依網站授權與使用規則 | 不一定 |
| Agent 委託第二 Agent 驗證 | A2A | Agent 1、Agent 2 | 依前置授權及內部任務契約 | 不一定 |
| Agent 提出購買建議 | A2C | Agent | 人類為受益者 | 否 |
| 消費者確認可下單條件 | C2A | 人類 | 提供預算、品項及其他限制 | 否 |
| Agent 執行訂單輸入 | A2B | Agent | 代表消費者操作 | 不是另一筆獨立的商品交易 |
| 商家履約並交付商品 | B2C | 商家 | 消費者是買方、收貨受益者 | 是，100 美元 |
| AI 服務商收取代理費 | B2C，執行層含 A2C | 服務平台 | 消費者為付款者 | 是，另有 3 美元 |
| 商家向平台支付銷售服務費 | B2B | 商家及平台 | 商家為付款者 | 是，5 美元，屬商家的中間投入候選 |

三筆可見的貨幣支付邊加總為：

$$
100+3+5=108.
$$

但消費者面向最終用途的兩筆直接支出只有：

$$
100+3=103.
$$

5 美元平台費包含在商家的銷售成本與 100 美元商品流轉之內，不能再把三筆支付直接當成 108 美元新增最終需求，也不能直接算出這個案例的 GDP 增加值。商品可能包含其他中間投入，AI 服務的成本也未知。

**歸因結論：** AI 至少執行了資料查詢、委託驗證、建議與下單操作；然而商品需求由消費者提出、購物帳號與合約屬於消費者、商品由商家供應，AI 並不因替人執行付款而自動成為以自有財產購物的法律消費者。

**反事實問題：** 若沒有 AI，此人是否仍會買同一項商品？是否只是減少搜尋時間？是否改買競爭商品？缺乏設計良好的對照資料，便不能把 100 美元成交額全部歸因於 AI 創造的新需求。

# 25. 可重算案例二：企業採購、內部 Agent 與跨組織委託

**［SIM-02｜純假設情境］** 企業甲採購企業乙的一項設備，合約金額為 1,000 美元。企業甲使用內部 Agent A 擬定規格；A 委託專門驗證 Agent B 檢查供應商文件，再透過合法介面向乙提交採購單。企業甲另向第三方 AI 服務商支付 20 美元；乙從 1,000 美元銷售收入中支付 30 美元供應鏈平台費用。

在同一個 `task_id` 中，可以存在：

- B2A：企業甲的內部系統提供採購規則給 Agent A；
- A2A：Agent A 與 Agent B 的跨代理驗證；
- A2B：Agent A 向企業乙提交規格確認與採購輸入；
- B2B：企業甲和乙的設備買賣契約；
- B2B：企業甲向第三方服務商取得 20 美元代理能力；
- B2B：企業乙支付 30 美元平台中間服務費。

任務中的金錢支付總額為：

$$
1000+20+30=1050.
$$

但設備本身的採購價仍為 1,000 美元，不能說因為經過三種 AI 功能格位，設備採購就產生 3,000 美元市場需求。20 美元及 30 美元是另外的服務流，需依法定帳務、最終／中間用途及生產邊界分類；即使可確認企業甲的流程成本下降，也不能直接把省下的工時全部視為 GDP 增加。

## 25.1 功能端點不能替代企業合約當事人

若供應商確認的交易合約是甲和乙之間成立，Agent A 的技術性下單角色不意味企業乙應把買方改為「Agent A」。若其指令超出甲的授權範圍，則可能產生交易爭議，亦不能只用 A2B 功能方向決定責任。

## 25.2 多 Agent 數量與成果不一定單調

再增加 Agent C、D 不必然降低採購成本。若新代理引入驗證重複、上下文失真、授權延遲及錯誤回報，總成本可能上升。這是 AIEC-07 A2A 非單調經濟效益命題在歸因層的具體例子。

# 26. 可重算案例三：共同創作、真人帳號與可變動的作者角色

**［SIM-03｜純假設情境］** 一名研究者提出一份文章的大綱與核心論點，使用 Agent 補充閱讀材料、將粗稿改寫為正式中文、檢查引用，最後自己重寫主要結論並發布到個人社群帳號。

設研究過程有 10 個有證據的片段，其中：

- 人類直接撰寫或改寫：4 段；
- AI 直接撰寫或整理：4 段；
- 人與 AI 共同修改，無法按單一片段歸一方：2 段。

若以「有 AI 參與的片段數」為計數單位，則 AI 參與涵蓋 6／10；若以「完全由 AI 單獨產生的片段數」，則只有 4／10。這兩個數字不矛盾，因為量測定義不同：

$$
\mathrm{AIInvolvementRate}=\frac{6}{10}=0.6,
$$

$$
\mathrm{AIDirectOnlyRate}=\frac{4}{10}=0.4.
$$

但不能因而說 AI 對論文「貢獻了 60% 的智慧價值」；十個片段在重要性、因果性、稀缺度與創意貢獻上可能極不相同。若沒有合適的價值函數與反事實實驗，片段比例只是參與觀測，不是價值比例。

同時：

- 社群帳號的發布人確實是人類；
- AI 曾參與生成與修訂；
- 真人可能握有內容取捨與提交控制；
- 正式署名、著作權、職務著作與引用倫理要依具體制度判定；
- 讀者只看文章風格，通常不足以重建完整生成流程。

這個案例尤其說明：**真人發表、AI 協作、人類負責，三者完全可以同時成立。**

# 27. 可重算案例四：政府服務、AI 審查與權利救濟

**［SIM-04｜純假設情境］** 一個地方政府使用 Agent 協助整理某項公共補助的申請材料，內部預先設定：Agent 可摘要、分類與提示缺件，但不得自行形成具有法律效果的終局核准／拒絕。AI 標記資料缺失後，一名有職權的公務人員應進行真正審查；申請人應有明確的補件、申訴及救濟入口。

可同時存在：

- C2G：申請人提交資料及行政請求；
- G2A：機關委託 Agent 整理資料；
- A2G：Agent 向機關提供分析與流程協助；
- G2C：機關向申請人提供通知、決定或公共服務；
- A2A：若另有驗證 Agent，可能出現內部協作。

假設某季度有 500 件申請，AI 分析 500 件，公務人員實質複核 300 件，另外 200 件依風險規則轉往需要補證據的處理程序。這不意味 AI 自己依法決定了 500 件申請；也不意味政府完成 500 次 AI 工具呼叫就創造了 500 筆可直接貨幣化的公共產出。

如果政府僅以 `human_approved=true` 標註每案，卻沒有證據顯示具職權者能改變結果、確曾考量案情，就無法由該欄位推出具有實質人類審查。相關制度判定應依法域與案件事實進行；LEAA 只要求把決策權限與實際使用流程分開。

**歸因結論：** 服務結果、行政責任與申訴權仍需歸到適當公共機構，而不能因 A2G 事件大量增加就宣稱「AI 已經取代政府成為法定決策者」。

# 28. 一個可重算的分類器反例：標籤很多，不代表可信

**［SIM-05｜純假設情境，非任何平台的真實辨識成效］** 取 1,000 筆具有獨立真實標籤的測試事件，其中 100 筆有 AI 參與，900 筆沒有。某二元偵測器對 AI 的靈敏度為 70%，對沒有 AI 的特異度為 95%。則混淆矩陣為：

| 真實類別／分類結果 | 判為 AI | 判為非 AI | 合計 |
|---|---:|---:|---:|
| 真正有 AI | 70 | 30 | 100 |
| 真正無 AI | 45 | 855 | 900 |
| 合計 | 115 | 885 | 1,000 |

若只看被判為 AI 的 115 筆，實際真陽性比例為：

$$
\mathrm{Precision}_A=\frac{70}{115}\approx0.6087.
$$

所以「平台檢測到 115 筆 AI 活動」不等於真實存在 115 筆 AI 活動；其中 45 筆是假陽性，同時漏掉 30 筆真實 AI 活動。這裡真實 AI 參與數為 100，僅因假陽性、假陰性恰巧相互抵消一部分，並不能從平台陽性總數直接得到可信的真值。

若將以上數據部署到其他平台，仍需要先驗證新平台的基率、使用者構成與模型漂移。不能把這份教學案例當成 AI 經濟的實證比例。

# 29. 經濟歸因不是單一百分比分配

同一筆最終商品交易可以同時依賴個人需求、企業供給、平台分發、AI 比價及物流。對這些要素「各自貢獻多少」的問題，至少存在三種不同意義：

1. **流程參與比例**：誰完成多少次或多久的工作片段；
2. **因果增量貢獻**：若移除某要素，品質、成本、時間、交易是否改變；
3. **法律／經濟權利分配**：契約、薪酬、費用、授權及責任如何由制度決定。

它們不能用一個固定百分比取代。流程參與是描述性統計；因果增量需要對照、隨機化或可辯護的反事實模型；權利分配則還依賴契約與適用法律。

## 29.1 為什麼歸一化權重不能當成市場價格

研究者可基於明確目的定義某任務各操作的權重 $w_{i,q}$，並強制：

$$
\sum_i w_{i,q}=1.
$$

但這只代表一套自定義的分配規則，不證明每個 $w_{i,q}$ 就是真實因果貢獻率，更不等於法定薪酬或智慧財產比例。

## 29.2 反事實差分的最低要求

如果要評估引入 Agent 是否造成額外成交，至少要定義一個有意義的結果 $Y$ 與干預：

$$
\Delta Y_i=Y_i(\mathrm{AI}=1)-Y_i(\mathrm{AI}=0).
$$

同一個案的兩個潛在結果通常不能同時直接觀察，因此需依隨機試驗、自然實驗、差分中的差分、匹配或結構模型等方法，在各自假設下作出估計。單靠「過程記錄完整」不會神奇地消除因果識別問題。

# 30. 十項可反駁假說：讓歸因框架有被淘汰的可能

下列假說均是**事先可檢驗的候選預測**，不是已經成立的普遍規律。研究者必須逐項提供資料、辨識策略、競爭假說、效應大小及足以推翻命題的觀測條件。

## H1｜人類帳號下的 AI 參與漏記假說

**假說：** 在具有合法且實際使用的受委託 Agent 的樣本中，若分類系統只使用已知 API／機器請求識別，則相對於經同意、完整的 Agent 端及平台端對照紀錄，會系統性低估 AI 參與的部分 GUI 任務。

**主要觀測：** 對照 Agent runtime event、account session、授權憑證、平台 Bot 標籤及真人直接操作樣本。

**競爭解釋：** 所有 Agent 已使用可驗證聲明、平台已透過其他訊號補足缺口、樣本主要是一般腳本而非 AI。

**反證條件：** 對具代表性的跨平台樣本，僅靠指定 API／機器標籤就能在預定誤差界內完整反映實際 Agent 參與，而且對 GUI 子群沒有系統性漏計。

## H2｜角色分離能降低歸因錯誤假說

**假說：** 相對於只用 `user_id` 的模型，加入 principal、executor、authorizer、payer 與 beneficiary 的 LEAA 資料結構，可在已核驗任務中降低付款歸屬或執行者判定錯誤。

**主要觀測：** 盲審事件資料、預先界定的角色分類準確率與誤判成本。

**競爭解釋：** 改善只來自增加標註人力，而非層次結構本身；對簡單任務其實沒有差異。

**反證條件：** 在相同資料預算、相同評估人力與盲審標準下，分層模型無法穩定優於單一帳號基線。

## H3｜二元分類在混合任務存在結構性殘差假說

**假說：** 在混合真人／Agent 操作與傳統腳本均占非零比例的樣本中，明確允許 `human_ai_joint`、`scripted_non_ai` 及 `unknown` 的模型，對任務級經濟歸因更容易達到可接受的校準與損失界限。

**主要觀測：** 三／多類標註、分類器 Brier score、expected calibration error、成本敏感誤分類率及拒判率。

**競爭解釋：** 二元分類加事後規則已足夠；增加類別導致標註歧義過高。

**反證條件：** 多類模型在預先指定的效用與誤差標準下沒有改善，或反而持續惡化關鍵群體的判定品質。

## H4｜形式人類批准與實質控制分離假說

**假說：** 在部分 AI 決策支持流程中，`human_approved` 的出現率會高於有證據支持的有效覆核與否決能力比例。

**主要觀測：** 人類實際修改決策比例、可撤回率、挑戰紀錄、覆核後錯誤修正及界面設計。

**競爭解釋：** 大多數自動建議品質本就很高，因此低推翻率反映高品質而非橡皮圖章。

**反證條件：** 在對建議品質與案件難度配對後，所有有批准紀錄的流程都具有實質且經證明可用的人工覆核，且未出現系統性程序空洞。

## H5｜可信聲明改善「已確認代理」指標的條件假說

**假說：** 在平台與 Agent 雙方實際部署可驗證的身份聲明及任務範圍委託後，「已確認代理活動」的來源歸因準確率相對於僅靠被動行為分類可能提高。

**主要觀測：** 憑證覆蓋率、真實聲明率、撤銷率、經稽核偽報率，以及平台仍未聲明的 Agent 比例。

**競爭解釋：** 部署方只涵蓋原本容易辨識的 Bot，故改進屬選擇偏誤。

**反證條件：** 在可比較的任務集合中，簽章／委託資料無法有效提高來源確認，或由偽造、過度授權、撤銷失效等問題抵消預期收益。

## H6｜功能事件增長與獨立交易增長脫鉤假說

**假說：** 在部分已導入多 Agent 的產業，經核驗 A2A、B2A 與 A2B 功能事件數量增長率，可能高於獨立最終交易數量或增加值的增長率。

**主要觀測：** 按 `task_id` 合併的有向事件、交易流水、增加值與中間投入。

**競爭解釋：** 真實的新需求同步增加；平台只是拆分更多 API 呼叫而非新增功能價值。

**反證條件：** 多產業一致顯示新增跨格事件都有對應的獨立最終需求，或事件與交易增量不存在任何系統性分離。

## H7｜偵測制度變更可造成表觀 AI 滲透突變假說

**假說：** 平台改採 Agent 身分簽章或新分類器時，即使受控任務的真實 AI 參與量變化不大，官方報表中的可見代理活動量也可能在版本切換點顯著改變。

**主要觀測：** 偵測模型更新日、代理註冊覆蓋率、重複樣本的同日舊／新分類、外部獨立操作紀錄。

**競爭解釋：** 當天確實有新 Agent 進場、季節需求、平台導流或政策變化。

**反證條件：** 排除真正活動量與需求變化後，分類制度版本切換對可見 AI 指標並無可識別的影響。

## H8｜AI 風格標籤對人類協作者產生非零誤報假說

**假說：** 某些風格式文本判定方法，會將已核驗的人類直接撰寫內容或深度人機協作內容錯判為純 AI 內容。

**主要觀測：** 授權取得的原稿、版本歷史、過程證據與跨語言寫作樣本。

**競爭解釋：** 所謂人類原稿其實仍被未記錄的 AI 大幅介入。

**反證條件：** 在可信的人類直接寫作與人機混合樣本中，特定工具於預定低錯誤界下能穩定完成正確分類，且沒有顯著群體或風格偏差。

## H9｜分層權限與責任紀錄改善爭議處理假說

**假說：** 在相似風險的經濟任務中，事前建立可信委託、執行及救濟鏈的平台，可能縮短因代理行為造成的錯誤訂單、重複付款與公共服務爭議的平均處理時間。

**主要觀測：** 申訴時間、改判時間、重複損失、錯誤復發率、稽核成本及參與者可申訴能力。

**競爭解釋：** 具備完善資料鏈的平台本來就有更高治理品質，存在組織選擇偏誤。

**反證條件：** 在可比較的導入前後研究中，增加可信事件歸因對爭議解決未見穩健收益，或產生更高的隱私及程序成本。

## H10｜AI 經濟歸因缺口具有產業與法域異質性假說

**假說：** 消費者電商、企業採購、創作者內容、公共服務等任務在帳號—執行者分離程度、授權有效性與可追溯成本上具有顯著差異，不能由單一全球漏計比例代表。

**主要觀測：** 跨國分層樣本、用戶授權制度、公共政策、平台技術、任務風險及資料可得性。

**競爭解釋：** 差異主要是觀測方法不一致，標準化後會消失。

**反證條件：** 在共同任務定義、樣本抽樣與錯誤校準後，類型／法域差異持續接近零，且全球共同模型沒有明顯系統性偏差。

---
# 31. 2027–2028 年觀測研究：任務、事件與制度版本三條時間序列

## 31.1 研究目的不是預測某一個必然的轉折年

本篇將 2027 年至 2028 年作為持續追蹤窗口，而非宣稱這兩年必然出現 AI 經濟奇點、搜尋崩潰或人類大規模失業。研究問題更有限且可被核對：**在實際採用 Agent 的產業中，帳號可見的活動能多大程度代表執行來源？引入額外來源證據後，九／十六格的真實經濟功能圖會產生什麼可測量的修正？**

第一輪建議每季更新、每年固定一次回溯重標；統計報表保留整體樣本及共同樣本群，避免因新企業加入或退出而把樣本更替誤當技術變化。

## 31.2 四個優先研究領域

| 領域 | 建議任務單位 | 可用證據 | 不宜直接推論 |
|---|---|---|---|
| 消費電商 | 單次購買意圖到履約完成 | 經同意的委任記錄、訂單、退款、Agent 日誌 | AI 事件數等於銷售額 |
| 企業採購及 SaaS | 企業內核准的一個採購任務 | 內部權限、供應商交付、服務費及付款 | Agent 代下單即擁有獨立企業身份 |
| 創作者與研究平台 | 一項可交付作品及其編修史 | 同意分享的草稿差分、來源、署名責任 | 發布帳號等於全部作者歷史 |
| 公共數位服務 | 一次合法的申請／服務完成程序 | 機關流程、AI 介入點、覆核、救濟 | API／AI 呼叫數代表福利成長 |

研究宜包括人類直接操作、傳統非 AI 腳本、單 Agent、自主程度不同的多 Agent、人機共同任務、未宣稱身份但在合規試驗環境中被實際記錄的代理執行等類型，以避免把某一種 Bot 研究結果外推為所有 AI 經濟活動。

## 31.3 三組統計序列

同一季度至少保留：

1. **真實來源基準序列**：在參與者知情並合法授權、可供稽核的實驗或管理系統裡，記錄能核驗的實際人機操作；
2. **平台公開或既有分類序列**：平台現有 Bot／Human／API／Agent 標籤及版本；
3. **經濟結果序列**：任務完成、付款、收入、成本、退貨、爭議、申訴、福利或生產能力變化。

這三種資料必須以合格的匿名化任務主鍵而非公開個人身份相連結；若因法律或技術限制不可連接，研究者應說明因果及歸因的可識別性缺口。

# 32. 最低可識別性與樣本選擇設計

## 32.1 稽核樣本不一定代表整體世界

願意提供 Agent runtime 日誌的用戶、服務商或企業，可能比一般使用者更有技術能力、更重視合法聲明，或比較少使用特定不受平台支持的介面。若將這些自願者直接當成全網代表，便可能低估未聲明代理活動，亦可能高估企業治理能力。

因此需要分開報告：

- 真實來源可核驗樣本的抽樣機率與拒訪率；
- 與總體可觀測母體相比的使用型態、平台、產業及地區分布；
- 加權前與加權後的結果；
- 對無法觀察人群設定的敏感性範圍；
- 分類器對新模型、新介面與新語言的外部效度。

## 32.2 面板計量的候選形式

若研究某企業或任務類型在導入分層代理證據前後的歸因錯誤率，可考慮：

$$
Y_{it}
=\alpha_i+\gamma_t+\beta D_{it}+\boldsymbol\delta^{\top}Z_{it}+\varepsilon_{it},
$$

其中 $Y_{it}$ 是特定可驗證的錯誤率或爭議處理結果， $D_{it}$ 表示某種可信歸因制度的導入， $\alpha_i$ 是單位固定效果、 $\gamma_t$ 是共同時間衝擊、 $Z_{it}$ 是預先指定的控制項。

上式本身僅是估計接口。若導入歸因制度的企業本來就有更高治理能力，或同時更新其他技術，則 $\beta$ 不能被直接宣稱為無偏因果效應。需要符合設計的平行趨勢、外生政策時點、事件研究、隨機化或其他可信識別策略。

## 32.3 時間延遲與觀測機制相變

平台某季度公布新增 100 萬「可識別 Agent 工作」可能是：真實 AI 工作增加；驗證簽章普及；分類器突然支援一個新 Agent 類型；商家改變機器訪問政策；或者研究樣本變動。應同時追蹤 `detection_version` 與真實任務量，避免制度更新造成的斷點被當成經濟因果結果。

# 33. 資料字典：可與 AIEC-07／08 合併的最低欄位

本文提出下列**研究性**資料字典，供後續版本一致性檢查；並不宣稱已是國際標準。

| 資料表 | 主要欄位 | 最低語義及限制 |
|---|---|---|
| `task` | `task_id`, `task_goal_type`, `time_start`, `time_end`, `outcome_status` | 同一目的的事件歸屬，避免以 session 代替 task |
| `event` | `event_id`, `task_id`, `event_type`, `functional_source_type`, `functional_target_type` | 使用既有 B/C/A/G 的作用方向 |
| `actor_role` | `event_id`, `role`, `actor_pseudonym`, `actor_kind`, `mode`, `valid_interval` | 同一事件可多人、多代理、多角色 |
| `delegation` | `delegation_id`, `principal_ref`, `delegate_ref`, `scope_ref`, `expires_at`, `revoked_at` | 記錄是否真的存在且仍有效的委託 |
| `authorization` | `event_id`, `platform_permission_ref`, `jurisdiction`, `purpose_scope`, `policy_version` | 操作技術可行不代表合法可行 |
| `executor_span` | `span_id`, `event_id`, `executor_ref`, `channel`, `start`, `end` | GUI、API、內部工具只是操作通道 |
| `evidence` | `evidence_id`, `event_id`, `evidence_kind`, `integrity_status`, `coverage`, `confidence_class` | 允許缺失、來源互斥與不同信心水準 |
| `payment` | `payment_id`, `task_id`, `payer_ref`, `payee_ref`, `amount`, `currency`, `accounting_class` | 不因 Agent 呼叫就自動建立付款資料 |
| `benefit` | `benefit_id`, `task_id`, `recipient_ref`, `outcome_measure`, `counterfactual_status` | 將受益與已付費拆開 |
| `responsibility` | `case_id`, `task_id`, `responsible_institution`, `dispute_route`, `status` | 依法域、契約與制度處理，不由 AI 自行決定 |
| `audit` | `audit_id`, `classification_version`, `reviewer_role`, `amendment_reason`, `audit_date` | 保留誤判修正與版本歷史 |

## 33.1 執行者分類第一代選項

`executor_mode` 至少容許：`human_direct`、`ai_direct`、`human_ai_joint`、`scripted_non_ai`、`unknown`。若其他類別更適合研究任務，應版本化擴充，不硬把未知分配到現有五類。

## 33.2 證據狀態與可信程度

建議至少使用：`verified_provenance`、`attested_claim`、`behavioral_inference`、`unverified_report`、`unavailable` 五種來源狀態；並另存 `coverage` 與是否有相反證據。聲明、簽章、行為分類不具有可直接比較的自然可信等級，必須按具體 threat model、發證制度和資料品質分別核實。

## 33.3 隱私保護

研究帳本原則上只保存研究所需的偽名主鍵與最小資訊。不保存帳密、Token、私人訊息內容或不必要的精細行為追蹤。允許研究者以匿名化／保密運算／受控制的抽樣稽核檢查分類品質，而不在公共資料集公開可識別的個人操作史。

# 34. 來源鏈完整性：何時不能提交已確認結論

針對每個 `task_id`，至少確認以下問題：

- 功能方向是否和 AIEC-07／08 一致？
- `principal` 是否來自可信的明示委任，或只是被推定？
- `executor_mode` 是「確認」還是「行為推測」？
- `account_holder` 有無被誤當成每個事件的唯一執行者？
- 代理執行是否超過 scope、期限、使用規則或公共權限？
- 付款與退款是否對應真實結算憑證？
- 中間投入、稅與移轉是否被錯加到最終支出？
- `beneficiary` 是否從實際交付或後續結果得到支持？
- 有無對未知、混合及失敗流程做版本化保留？
- 若結果對人類權利有重大影響，有沒有有意義的人類覆核及救濟證據？

只要關鍵證據尚缺，研究者可以提交**有條件的觀測結論、部分識別區間或未確認分類**，但不應提交假裝已證明的執行者真值。

# 35. 對典型反對論點的回答

## 35.1 「現有 Bot 偵測已經很強，何必增加來源帳本？」

行為分類可以很有用，但它的可辨識性依賴所用特徵、訓練樣本與實際活動的分布。即使分類器準確識別 AI，也不會自動知道誰授權、誰付款、誰負責。故其輸出與法律／經濟角色帳本是互補，不是互斥。

## 35.2 「只要強制所有 AI 使用 API 不就解決了？」

專用 API 與正式授權是有價值的制度選擇，但不會使所有已存在的人類 GUI 環境消失。AI 已能在某些合法場景使用一般桌面介面。即便平台要求使用專用 API，研究仍必須衡量未登記訪問與辨識誤差，而不能預設要求本身等於所有人遵守。

## 35.3 「AI 都由公司或人類擁有，所以只要記 B／C 就好」

若研究問題只涉及法定付款或合約，也許 B/C/G 足夠；但如果研究 Agent 實際活動、供應鏈流程、智能資本和工作自動化，略去 A 會遺失與任務直接相關的執行資訊。A 是功能分析型別，不是法律人格宣言。

## 35.4 「辨識 AI 就等於辨識它的經濟價值」

AI 參與是投入或執行資訊，其淨經濟價值仍需考量替代基線、成果品質、下游轉換、額外算力和驗證成本、外部性與分配。LEAA 的資料更完整，不能替代完整的經濟成效研究。

## 35.5 「若無法完全辨識，就沒有研究價值」

不成立。大量統計學與社會科學研究均處理潛在變數、測量誤差、未觀測混雜、抽樣偏誤與部分識別。真正的研究倫理是用證據支持的界限回答問題，而不是把未知說成已知。

## 35.6 「既然真人也會模仿 AI，文字來源全然無法研究」

也不成立。可以透過合法的編輯記錄、來源資料、版本差分與受控實驗研究不同生產模式。反對的是僅依文體把來源斷言為事實，而不是否定所有來源研究。

# 36. 與既有經濟學、資訊安全及 AI 研究的關係

本篇不宣稱重新發現委託代理理論、Principal–Agent 問題、身份管理、國民帳或來源證據。其貢獻是為 9／16 功能格位提供一個跨這些既有領域的共同事件接口。

**經濟學方面，** Principal–Agent 與契約理論研究授權、激勵、資訊不對稱與風險；國民帳研究生產、分配及最終用途。LEAA 不替代它們，只讓 AI 參與事件在兩套分析中能更一致地追溯。

**資訊安全方面，** OAuth／Token Exchange 管理部分授權委任，可信 Agent 身份與政策控制是持續發展的研究領域；這些制度可支持真正可稽核的執行，但不能取代經濟因果分析。

**來源與數位證據方面，** W3C PROV 允許表示 Agent、活動、實體及委託關係。LEAA 額外需要付款、受益及制度守衛的分析語義。

**人工智能研究方面，** Computer Use、Agent delegation、瀏覽器行為分類與多模態操作使可辨識性問題更具實際重要性；同時，模型能力、平台政策與使用者行為都在快速改變，跨年份研究必須保留實驗條件與版本。

# 37. 對《經濟世界域轉化論》（EWDT）的正式接口

## 37.1 母理論名稱與原稿保真

本文沿用雲端既有原稿系列縮寫 **EWDT — Economic World-Domain Transformation Theory**。本對話曾有 EWOT 的口述縮寫，這裡不擅自修改既有系列的 canonical 名稱，也不宣稱另行創造第二套「世界經濟域」母理論。地球文明的經濟活動及其轉化，是既有 EWDT 定義層的一個文明尺度展開。

## 37.2 EWDT-01／02：世界狀態與觀測投影

EWDT-01 將經濟世界表示為包含對象、關係、型別、合法性、歷史、可行集合、意圖與觀測量的結構；EWDT-02 指出低維觀測可能形成非單射投影。LEAA 直接沿用此觀點：帳號或會話記錄只是完整世界歷史的一種任務相對投影。若兩種不同執行者歷史被投到同一帳號資料，研究者必須明示資訊損失，而不是聲稱世界無差異［I1］［I2］。

## 37.3 EWDT-04／05／06：型別、關係及歷史

EWDT-04 要求經濟轉化具有型別與合法性守衛；EWDT-05 強調耦合、依賴與互依不能混為一談；EWDT-06 則將有結構作用的歷史視為狀態變量。LEAA 的權限期限、責任鏈、平台依賴、任務歷史及授權撤銷，正是上述語義的特定 AI 經濟觀測化［I3］［I4］［I5］。

## 37.4 EWDT-07／12：有效需求與有限可行集合

一項 Agent 的功能需求不等於有購買能力的有效市場需求；AI 能力不代表正式授權。這對應 EWDT-07 的需求／供給型別，以及 EWDT-12 對 Agent 權限與微觀可行集合的區分。LEAA 因而拒絕把 `ai_executed=true` 直接轉成 `ai_independent_buyer=true`［I6］［I7］。

## 37.5 EWDT-13／16：中觀平台與超宏觀文明

平台控制身份入口、排序、授權、流量分類及支付介面，可能在中觀層重新分配「哪些 AI 活動可見」。當不同國家、平台、企業採用不同分類方式，同一真實 AI 參與活動便可能在全球統計中被異質投影。LEAA 是讓這些觀測差異被研究、而非假定已自動解決的最低前提［I8］［I9］。

## 37.6 EWDT-18／21／22：候選能力、社會閉合與有效智能資本

Agent 能完成更多操作，不代表世界已沉積更多可持續經濟能力；企業用 AI 降成本也不自動等於社會福利提高。同時，即使許多人使用相同模型，工具權限、記憶、自治能力與組織整合可能相差很大。LEAA 能保存這些差異的代理執行與結果證據，提供後續 EWDT-18、21、22 研究必要的資料連結［I10］［I11］［I12］。

## 37.7 AIEC-10～12 的未完成工作

本篇刻意不主張已知道未來時間耦合的方向，也不從個別 Agent 操作推導文明總結果。AIEC-10 專注時間延遲與觀測投影，AIEC-11 專注 AI 建模、決策與市場反身性，AIEC-12 才負責將已取得的局部證據以動態研究綱領整合至地球文明尺度的 EWDT 展開。

# 38. 研究限制、實證倫理與可能的逆向結果

第一，沒有共同定義就沒有可比較的 AI 參與率。不同研究把「一次 AI API 呼叫」「有 AI 協助的一個任務」「由 AI 直接提交的一項行動」「真人授權 AI 實施的一次經濟交易」當成不同分母，可能造成數量級差異。

第二，可信代理紀錄的部署具有成本，而且不是所有網站、國家、企業、用戶都願意或可以導入同一機制。研究不能把願意加入計畫的技術先進組織直接當成全球常態。

第三，技術上可以偵測某些代理，不代表應當為了辨識而不受限制地收集真人完整行為史。有效歸因與隱私、資訊自主、服務可及性可能形成新的張力，需以合法、最小化與任務相對的方式處理。

第四，AI 的判定標準可能隨模型能力、傳統自動化技術及 Agent 產品形態更新；標註集與分析版本不能永遠固定。非 AI 腳本與 AI 系統的界線亦可能因技術嵌入而改變，應公開研究定義及其時間適用性。

第五，委託鏈可能中斷；實際簽名人可能不是需求發起人；受益者可能無法由交付端觀測；法律責任可能由雙方契約、消費者保護或公共法另外決定。證據鏈雖必要，卻不是法律裁決機器。

第六，研究可能得到反向結果。例如部分平台已完整支援可信 Agent 身份，AI 活動沒有明顯漏計；或合規聲明普及後，平台可見 AI 活動與實際 Agent 參與高度一致；或某些真人社群更反對代理操作，導致人類直接操作比例反而上升。這些結果不應被視為理論「失敗而不可接受」，而應據以縮小 LEAA 的適用範圍或直接淘汰相關假說。

# 39. 結論：九／十六矩陣需要一套誠實描述未知的歸因介面

本篇最重要的結論不是 AI 已能完美偽裝人類，也不是平台永遠無法辨認機器。更準確地說：**當人類與 AI 在同一個帳號、同一個任務與同一個制度環境裡共同活動，傳統只記錄帳號或存取介面的觀測方式可能不足以辨認真實執行、授權、付款、受益與責任結構。**

第七、八篇建立的 9／16 基本格位仍有用；它們是研究經濟行動方向的第一層分類，不需要因歸因困難而被推翻。本篇補上的，是將事件本身放進多角色、可追溯、可版本化、可拒判及可與正式經濟帳本對接的研究框架。

最值得保留的五個區分如下：

1. 帳號身份不等於實際執行來源；
2. 實際執行不等於委託及合法授權；
3. AI 功能需求不等於獨立的法律購買主體；
4. 行動參與比例不等於因果貢獻及貨幣增加值；
5. 平台可見的 AI 滲透率，不必然等於真實 AI 參與的全部範圍。

在地球文明尺度研究裡，重要的不只是「AI 參與了多少」，還有「我們採用什麼觀測制度才得以知道它參與了多少」。當 AI 自身能改變交易活動，也能促使平台修改分類系統，觀測者與經濟世界之間又多了一重反身性。這將在後續 AIEC-10、11、12 接續討論。

本文不以全知模型作為學術門檻；真正的最低要求，是讓**可觀測、已確認、推測、未知與無法識別**在同一研究系統中彼此有清楚邊界。

---

# 參考文獻、正式技術標準與研究來源

以下參考資料分為外部技術規範／公共制度、2026 年實證研究，以及 EveMissLab 內部正式原稿。對外部來源的敘述僅限實際核對之內容；模擬案例與本文新定義不是外部來源的研究結論。檢索核對日期：2026-10-16。

## A. 外部公開技術標準與政府／國際機構資料

- **［E1］** IETF. (2012). *RFC 6749: The OAuth 2.0 Authorization Framework*. https://www.rfc-editor.org/rfc/rfc6749.html 。涉及資源擁有者、客戶端、授權伺服器及伺服器角色的定義；不代表 OAuth 能推知每次 GUI 執行者。
- **［E2］** Jones et al. (2020). *RFC 8693: OAuth 2.0 Token Exchange*. IETF. https://www.rfc-editor.org/rfc/rfc8693.html 。用於委託、代行、`act` 與授權 Token 交換語義。
- **［E3］** W3C. (2013). *PROV-O: The PROV Ontology*. https://www.w3.org/TR/prov-o/ 。涉及 Agent、Activity、Entity 及 PROV 關係語義。
- **［E4］** W3C. (2013). *PROV-DM: The PROV Data Model*. https://www.w3.org/TR/2013/REC-prov-dm-20130430/ 。涉及來源結構與 delegation 的正式資料模型。
- **［E5］** OpenAI. *Computer use — API documentation*. https://developers.openai.com/api/docs/guides/tools-computer-use 。官方支持以受控環境的畫面與鍵鼠等方法操作瀏覽器或桌面。
- **［E6］** Anthropic. *Computer use tool — Claude Platform Docs*. https://platform.claude.com/docs/en/agents-and-tools/tool-use/computer-use-tool 。官方說明截圖、滑鼠鍵盤與工具執行環境的關係。
- **［E7］** Cloudflare. *Web Bot Auth*. https://developers.cloudflare.com/bots/reference/bot-verification/web-bot-auth/ 。利用 HTTP 密碼學簽章支援自我聲明 Bot／Agent 的身份驗證，與行為來源推論不同。
- **［E8］** Cloudflare. *Verified bots*. https://developers.cloudflare.com/bots/concepts/bot/verified-bots/ 。驗證型 Bot 及簽章或其他身份證據的要求。
- **［E9］** NIST National Cybersecurity Center of Excellence. (2026-02-05). *New Concept Paper on Identity and Authority of Software Agents*. https://www.nist.gov/news-events/news/2026/02/new-concept-paper-identity-and-authority-software-agents 。屬概念研究與徵詢，並非表示已完成全球 AI Agent 身份標準。
- **［E10］** UK Information Commissioner's Office. *Rights related to automated decision making including profiling*，以及 *How do we ensure individual rights in our AI systems?*. https://ico.org.uk/for-organisations/uk-gdpr-guidance-and-resources/individual-rights/individual-rights/rights-related-to-automated-decision-making-including-profiling/ ; https://ico.org.uk/for-organisations/uk-gdpr-guidance-and-resources/artificial-intelligence/guidance-on-ai-and-data-protection/how-do-we-ensure-individual-rights-in-our-ai-systems/ 。限 UK 法域及可能更新的指南內容；用於區分實質與形式人類介入。
- **［E11］** United Nations Statistics Division. *System of National Accounts 2025*. https://unstats.un.org/unsd/econstats/national-accounts/sna2025 。用於正式國民帳原則與數位化經濟處理的背景。
- **［E12］** NIST. (2026-08-27). *Back to the Future: Why Agentic AI Needs a Strong Identity Foundation*. https://www.nist.gov/blogs/cybersecurity-insights/back-future-why-agentic-ai-needs-strong-identity-foundation 。機構對代理身份與安全治理的研究觀察。
- **［E13］** ISO. (2023). *ISO/IEC 42001:2023 — Artificial intelligence management system*. https://www.iso.org/standard/81230.html 。組織層 AI 治理背景；不取代 LEAA 任務歸因或各國具體法律責任。

## B. AI 瀏覽代理辨識研究（限定受測環境）

- **［R1］** Choudhary, V. et al. (2026-07-29). *What Does It Take to Detect an AI Agent? Minimal Feature Sets for Behavioral Detection under Browser Automation*. arXiv:2607.26935. https://arxiv.org/abs/2607.26935 。指出二元 Bot 分類與三類識別的結構差別；具實驗範圍及外推限制。
- **［R2］** Wang, E., Shafiq, Z., & Vekaria, Y. (2026-05-02). *FP-Agent: Fingerprinting AI Browsing Agents*. arXiv:2605.01247. https://arxiv.org/abs/2605.01247 。受控環境中的多種 AI 瀏覽代理與人類特徵比較。
- **［R3］** Fayolle, I. et al. (2026-06-29). *On the Internet, Nobody Knows You're an LLM Bot: Unmasking Web Agents with Multi-Layer Fingerprinting*. arXiv:2606.30119. https://arxiv.org/abs/2606.30119 。多層來源及行為指紋的控制實驗；不可由此推出全網普遍成效。

## C. EveMissLab／Neo.K 直接理論前置

- **［I1］** EWDT-01《經濟世界域轉化論：總論》，2026-09-23。https://unboundedaxiom.org/p/lm-004439/
- **［I2］** EWDT-02《經濟投影失真論》，2026-09-23。https://unboundedaxiom.org/p/lm-004440/
- **［I3］** EWDT-04《經濟轉化語法：類型、範疇、合法性與不可約殘餘》，2026-09-23。https://unboundedaxiom.org/p/lm-004442/
- **［I4］** EWDT-05《經濟耦合論：可分、不可分與關係本體》，2026-09-23。https://unboundedaxiom.org/p/lm-004441/
- **［I5］** EWDT-06《歷史耦合與路徑依賴》，2026-09-23。https://unboundedaxiom.org/p/lm-004432/
- **［I6］** EWDT-07《供需的重新定義》，2026-09-23。https://unboundedaxiom.org/p/lm-004422/
- **［I7］** EWDT-12《微觀世界域》，2026-09-23。https://unboundedaxiom.org/p/lm-004429/
- **［I8］** EWDT-13《中觀耦合域》，2026-09-23。https://unboundedaxiom.org/p/lm-004420/
- **［I9］** EWDT-16《超宏觀經濟世界域》，2026-09-23。https://unboundedaxiom.org/p/lm-004447/
- **［I10］** EWDT-18《AI 泡沫與經濟世界域擴張》，2026-09-23。https://unboundedaxiom.org/p/lm-004409/
- **［I11］** EWDT-21《自動化社會閉合與廣泛世界域傳遞》，2026-10-06。https://unboundedaxiom.org/p/lm-004966/
- **［I12］** EWDT-22《智能資本、有效 AI 可達性與世界域分岔》，2026-10-07。https://unboundedaxiom.org/p/lm-004967/
- **［I13］**《人工行動者政治經濟總論：投資、制度棧、HDUS 與多主體經濟的形成》。https://unboundedaxiom.org/p/lm-004580/
- **［I14］**《AI–AI 生產關係：委託、分工、驗證與機器間協作》（MPD-12）。

## D. 本研究系列直接前置

- AIEC-01《機器可見，而人類未必認識》；
- AIEC-02《從爬取到付費：AI 資訊需求的層級與 AIO／GEO 邊界》；
- AIEC-03《供給膨脹、注意力收斂與新入口生成》；
- AIEC-04《生成式搜尋改造商業入口》；
- AIEC-05《平台繁榮、廣告主壓縮》；
- AIEC-06《AI 作為機器端需求入口》；
- **AIEC-07**《從四到九：B／C／A 功能性經濟關係矩陣》；
- **AIEC-08**《從九到十六：公共部門、制度與 AI 經濟傳導》。

前置原稿的既有數學定義與事件方向為本篇有效輸入；本文不在缺少證據時覆寫上游原稿的正式結論。

---

# 附錄 A. 四種模擬案例的核對表

| 案例 | 最終任務 | 機器參與 | 付款關係 | 不能直接推論 |
|---|---|---|---|---|
| SIM-01 | 消費者購買商品 | 查詢、驗證、下單 | 商品 100、AI 費 3、商家平台費 5 | 108 不是新增最終消費，更非直接 GDP |
| SIM-02 | 企業採購設備 | 採購準備、A2A 驗證、下單 | 設備 1000、AI 費 20、平台費 30 | 1050 不是直接增加值，Agent 不自動成為買方 |
| SIM-03 | 人機共同撰寫並發布 | 10 片段中 6 片段有 AI 參與 | 未假設付款 | 60% 片段參與不等於 60% 智慧價值 |
| SIM-04 | 政府補助資料處理 | 500 件 AI 分析，部分實質人審 | 未假設市場付款 | 500 次 AI 流程不等於 500 筆新增 GDP |
| SIM-05 | 分類器教學案例 | 100 真 AI，115 判 AI | 不涉及付款 | 陽性偵測數不是真值 |

---

# 附錄 B. 最小事件紀錄樣例（純示意、非真實帳號）

下列 JSON 為一個授權 AI 協助商品檢索的**虛構事件**，用來說明角色欄位如何共存；它不是可直接執行的網站自動化程式，也不包含 Token、密碼或實際私人身份資料。

```json
{
  "schema_version": "AIEC-09-v0.1",
  "task_id": "sim01-task",
  "event_id": "sim01-event-002",
  "event_type": "product_information_request",
  "functional_pair": "A2B",
  "account_holder_kind": "C",
  "principal_kind": "C",
  "executor_mode": "ai_direct",
  "executor_kind": "A",
  "channel": "authorized_browser_or_api",
  "authorization_status": "scope_verified_in_scenario",
  "payer_kind": null,
  "beneficiary_kind": "C",
  "transaction_id": null,
  "evidence_status": "simulation_assumption",
  "observation_limitations": [
    "not_external_ground_truth",
    "not_a_payment_event",
    "not_a_legal_identity_assertion"
  ]
}
```

此物件可以出現 `account_holder_kind=C` 且 `executor_kind=A`，而沒有邏輯矛盾；若該事件日後形成實際購買，需另以真實 `transaction_id` 關聯，並保存合約、付款與退款紀錄。

# 附錄 C. 不變量與品質閘門

1. **類型不變量：** 功能性 B/C/A/G 格位維持第七、八篇方向，不由付款人反向改寫。
2. **主鍵不變量：** `task_id`、`event_id`、`transaction_id` 等不同單位必須分離。
3. **授權不變量：** 具備技術能力不表示具備有效授權。
4. **實際來源不變量：** 帳號、IP、User-Agent、API 或 GUI 通道不獨立證明最終執行者。
5. **證據不變量：** 可信聲明、統計推測及未知不得合併成「已確認」。
6. **混合任務不變量：** 人類、AI、傳統腳本及未知需允許不同分類與多角色。
7. **經濟不重複不變量：** 事件、任務、付款、交易與增加值各有分母，不任意相加。
8. **責任不變量：** 功能性 AI 執行不自動生成法定代理人格、公權力或賠償義務。
9. **隱私不變量：** 不要求保存不必要的私人軌跡、憑證或原始私人資料。
10. **時間不變量：** 研究結果附分類器、授權制度、資料樣本與法規版本。
11. **可反駁不變量：** 每項候選假說均有資料支持及可淘汰條件。
12. **母論文保真：** 本文為 EWDT 的觀測與歸因接口，不擅自覆寫既有 canonical 理論或改變 EWDT 系列編號。

---

**本篇原稿結束。** 文字與公式以本 UTF-8 Markdown 檔案為唯一正式 source；聊天視圖僅作導覽。所有原創分類及演算為候選模型，全部 SIM 為假設資料。未來修訂必須保留資料與文獻版本、反證歷史及證據不確定性，不得以事後敘事取代測量。