AI Dark Output：消失在 GDP 中的產值
- —AI 產值正重演 1990 年代電腦革命初期的「索洛悖論」，即產出隨處可見但統計數據卻無法偵測。目前的宏觀數據體系尚未準備捕捉 AI 創造的隱形價值（Dark Output），導致市場可能誤判 AI 泡沫化。與 2013 年 GDP 修正納入 R&D 類似，AI 對生產力的影響可能遠超以往，特別是在長期存在測量困難的服務業領域。
替代與新增：Dark Output 的兩大類別
- —Dark Output 分為「替代型」與「新增型」。替代型如法律文件撰寫，成本從數百美元暴降至美分級別，導致交易在 GDP 中幾乎消失。新增型則是過去因昂貴而不存在的工作，如大規模郵件總結或文獻回顧，現在雖創造真實價值卻僅留下 Token 支出痕跡。這種產出與成本脫鉤，使得傳統以收據與薪資為主的服務業產出衡量方式徹底失效。
統計體系的瓦解：邊界轉移與部門錯配
- —AI 正在打破勞動力、產出與價格之間的數據連結。邊界轉移使原本的外包服務轉為內部 AI 工作流，導致產值從市場交易中消失。部門錯配則將 AI 創造的價值誤植於技術供應商而非應用端，使採用 AI 的行業看起來停滯不前。此外，服務業缺乏如「馬力」般的實體單位，Token 計數亦無法代表經濟價值，這加劇了通膨誤判與生產力低估的風險。
市場信號階梯與 1.5 兆美元暴露勞動力
- —傳統基準測試無法反映真實經濟影響，應優先關注企業在生產環境中的實際應用信號。目前處於 Tier 4 以上證據等級的暴露勞動力成本約為 1.5 兆美元，代表這些任務已具備被 AI 替代的經濟誘因。這並非預測大規模失業，而是顯示壓力區。隨著 Token 成本持續下降，若統計體系不調整，宏觀數據可能在 AI 繁榮期反而呈現衰退假象。