理論基礎：AI平台經濟學框架
操作化Brousseau & Penard框架用於AI平台和六維權衡空間
重新審視Brousseau和Penard (2007)：平台策略的永恆視角
框架基礎： 本研究的理論基石是Brousseau和Penard (2007)開發的數位商業模式基礎框架，其核心原則已成為理解現代AI平台經濟學的重要基礎。
雖然構想於Web 2.0時代，但Brousseau & Penard框架的核心原則不僅相關，而且已成為解構現代生成式AI平台複雜經濟邏輯的重要基礎。該框架認為，數位平台透過執行三個基本的、相互關聯的經濟功能來創造價值，每個功能都與不同的理論基礎和策略權衡相關（Brousseau & Penard, 2007）。
三個核心平台功能
1. 配對功能
經濟基礎： 交易成本經濟學和網路外部性
此功能解決交易成本的降低和網路外部性的管理，將平台定位為促進供需之間交換的市場製造者。它借鑑了中介經濟學和雙邊市場理論，突出了平台在解決搜尋、協調和信任問題中的作用（Rochet & Tirole, 2003; Armstrong, 2006）。
關鍵權衡：
- 市場結構：壟斷 vs. 競爭中介
- 服務捆綁：整合協調服務 vs. 分拆配對
2. 組裝功能
經濟基礎： 模組化經濟學和範圍經濟
此功能涉及透過將模組化組件捆綁和整合為連貫且客製化的使用者套件來創造價值。它植根於模組化、差異化和範圍經濟的經濟學。平台充當組裝者，承擔確保技術互操作性和創造有價值使用者體驗的成本（Baldwin & Clark, 2000; Gawer & Cusumano, 2014）。
關鍵權衡：
- 套件範圍：狹窄/專業化 vs. 廣泛/通用產品
- 貨幣化方法：基於費用的品質 vs. 免費廣告支援模式
3. 知識管理功能
經濟基礎： 公共財經濟學和智慧財產權理論
此功能專注於組織平台生態系統內的資訊和知識流動，特別是利用使用者生成的資訊來促進創新和品質改進。它借鑑了公共財、創新和智慧財產權的經濟學。平台成為集體智慧的協調者（von Hippel, 2005; Chesbrough, 2003）。
關鍵權衡：
- 知識分布：階層/控制 vs. 自發/去中心化創造
- 權利配置：封閉/專有 vs. 開放/科學知識制度
AI平台作為元平台
理論創新： 生成式AI系統可以被理解為以前所未有的力量和範圍實例化三個Brousseau & Penard功能的**「元平台」**。
現代AI平台代表了傳統數位平台的進化，在更高的抽象層次上運作：
AI平台將使用者配對到潛在資訊和能力的廣闊宇宙，充當人類需求和數位資源之間的複雜中介。與傳統搜尋引擎將查詢配對到文件不同，AI平台將意圖配對到生成的解決方案。
AI平台從不同的資料模態和知識領域組裝新穎輸出，透過以傳統平台無法透過簡單捆綁實現的方式組合文字、程式碼、分析和推理來創建連貫的回應。
AI平台透過持久記憶、人類回饋強化學習(RLHF)和持續模型更新等複雜機制管理知識，創建透過使用而進化的動態知識系統。
因此，Brousseau和Penard框架為解剖任何AI平台的策略架構提供了強大且理論基礎的詞彙，同時考慮了它們作為元平台的獨特能力。
AI平台框架的操作化
研究創新： 本研究的核心貢獻是在可測試的實驗設計內直接和嚴格地操作化Brousseau和Penard (2007)框架。
原始Brousseau & Penard分析中確定的六個核心權衡被系統地映射到我們2^6階乘實驗的六個二元因子。這種映射形成了整個研究的概念藍圖，確保我們的實驗操作不是任意的，而是對平台策略基本維度的直接測試。
AI平台策略映射
Prop
Type
| 核心功能 | 策略權衡 | 因子 | AI平台實現 | 水準1 (-) | 水準2 (+) |
|---|---|---|---|---|---|
| 配對 | 中介市場結構 | A | 市場結構 | 競爭：聚合器平台 | 壟斷：單一專有LLM |
| 配對 | 協調服務捆綁 | B | 服務捆綁 | 非中介：僅文字 | 整合：與MCP工具捆綁 |
| 組裝 | 套件範圍 | C | 套件範圍 | 狹窄：專業化任務模型 | 廣泛：通用模型 |
| 組裝 | 行銷方法 | D | 貨幣化 | 免費且污染：有限存取 | 基於費用且品質：進階存取 |
| 知識管理 | 知識分布（權利） | E | 知識分布 | 開源模型 | 閉源模型 |
| 知識管理 | 資訊提取和使用 | F | 知識提取和使用 | 顯式且短暫：無使用者資料記憶 | 隱式且持久：從使用者資料學習 |
詳細因子操作化
因子A：市場結構（配對功能）
理論基礎： 中介經濟學和市場集中度
- A-（競爭/聚合器）： 平台聚合多個AI模型，允許使用者在不同提供商之間選擇（例如，Perplexity的多模型方法）
- A+（壟斷/專有）： 平台僅提供對其專有模型的存取（例如，OpenAI的ChatGPT與GPT-4）
經濟邏輯： 測試壟斷控制是否能實現卓越的協調和品質，或競爭選擇是否透過多樣性和價格競爭創造更高的使用者價值。
因子B：服務捆綁（配對功能）
理論基礎： 透過服務整合降低交易成本
- B-（僅文字/分拆）： 平台僅提供文字生成能力，要求使用者在外部處理其他任務
- B+（工具整合/捆綁）： 平台在介面內整合程式碼執行、網路搜尋、文件分析和其他工具
經濟邏輯： 測試透過整合服務交付減少交易成本創造的價值與保持簡單性和使用者控制的對比。
因子C：套件範圍（組裝功能）
理論基礎： 範圍經濟 vs. 專業化優勢
- C-（狹窄/專業化）： 針對特定任務領域最佳化的平台（例如，程式碼生成、創意寫作、資料分析）
- C+（廣泛/通用）： 設計用於處理廣泛任務和領域範圍的統一介面平台
經濟邏輯： 測試AI平台設計中專業化收益和範圍經濟之間的基本權衡。
因子D：貨幣化（組裝功能）
理論基礎： 透過定價和廣告效應進行品質訊號傳遞
- D-（免費/廣告支援）： 免費存取，但有廣告、速率限制或可能降低使用者體驗的功能限制
- D+（進階/品質導向）： 基於訂閱的存取，具有進階功能、無限使用和無廣告體驗
經濟邏輯： 測試基於費用的模式是否透過品質訊號傳遞和減少廣告認知污染創造更高的感知價值。
因子E：知識分布（知識管理功能）
理論基礎： 智慧財產權制度和開放創新
- E-（開源）： 模型權重、訓練資料和系統架構公開可用（例如，Meta的Llama、Mistral模型）
- E+（閉源）： 模型架構、權重和訓練過程是專有和受保護的（例如，GPT-4、Claude）
經濟邏輯： 測試AI平台開發中開放創新收益和智慧財產權佔有之間的權衡。
因子F：知識提取（知識管理功能）
理論基礎： 從使用者互動學習和資料網路效應
- F-（短暫/無記憶）： 平台不保留或從使用者互動中學習；每個會話都是獨立的
- F+（持久/學習）： 平台維護對話歷史，學習使用者偏好，並根據互動模式調整回應
經濟邏輯： 測試持久學習是否創造鎖定效應和網路外部性，隨時間增加平台價值。
假設發展
基於理論框架及其操作化，我們制定了一套全面的先驗假設，組織成主效應和交互效應，以測試核心理論預測。
主效應假設
這些假設涉及每個策略因子對我們結果變數的獨立貢獻：任務品質(Q)和支付意願(WTP)。
H1（市場結構）： 壟斷平台結構(A+)將由於模型一致性和最佳化而產生更高的Q，但聚合器結構(A-)可能由於重視選擇和避免鎖定的使用者而引發更高的WTP。
H2（服務捆綁）： 與僅文字互動(B-)相比，整合工具使用(B+)將透過減少交易成本和實現更複雜的任務完成而顯著增加Q和WTP。
H3（套件範圍）： 專業化的狹窄範圍模型(C-)將透過專注最佳化在特定領域任務上產生更高的Q，而通用模型(C+)可能透過多功能性價值產生更高的WTP。
H4（貨幣化）： 與透過認知污染增加採用但降低感知價值的免費廣告支援平台(D-)相比，基於費用的品質導向平台(D+)將產生更高的Q並引發更高的陳述WTP。
H5（知識分布）： 由於專有優勢和更大的開發資源，閉源模型(E+)將產生更高的初始Q，而開源模型(E-)可能因透明性和缺乏供應商鎖定而被重視。
H6（知識提取）： 具有持久隱式記憶的平台(F+)將透過個人化隨時間產生更高的Q，並創造更強的使用者依戀，與短暫平台(F-)相比增加WTP。
關鍵交互假設
這些假設測試關於策略選擇如何交互的核心理論論點，測試互補性（選擇相互加強）和替代性（選擇衝突）。
H7（組裝權衡：範圍×貨幣化）： 套件範圍和貨幣化之間將存在顯著的負交互(C × D)。對於通用平台(C+)，廣告支援貨幣化(D-)對Q和WTP的負面影響將比專業化平台(C-)更嚴重，因為認知污染加劇了複雜性。
H8（知識管理權衡：分布×提取）： 知識分布和知識提取之間將存在顯著的正交互(E × F)。與開源模型(E-)相比，閉源模型(E+)的持久記憶(F+)價值將顯著更高，因為開源模型的學習收益可能洩露給競爭對手。
H9（配對-組裝互補性：結構×捆綁）： 市場結構和服務捆綁之間將存在顯著的正交互(A × B)。與工具標準化可能較低的競爭聚合器環境(A-)相比，整合工具(B+)的價值在保證無縫整合的壟斷環境(A+)中將更大。
H10（組裝-知識互補性：範圍×提取）： 套件範圍和知識提取之間將存在顯著的正交互(C × F)。與學習機會較窄的專業化模型(C-)相比，持久記憶(F+)的效能收益對於能夠跨不同任務領域利用使用者歷史的通用模型(C+)將更大。
動態網路效應假設
H11（資料網路效應）： 與無記憶平台(F-)相比，具有持久記憶的平台(F+)將表現出更強的資料網路效應，操作化為任務品質(Q)隨模擬時間的更陡峭正斜率。
H12（鎖定和路徑依賴）： 持久記憶的存在(F+)將顯著增加路徑依賴，透過動態面板模型中滯後支付意願(WTPt-1)上更大的自迴歸係數(ρ)來衡量，表明過去評估對未來評估的更強影響。
理論模型架構
我們的結構方程模型將透過三個潛在構念操作化Brousseau & Penard框架：
配對效能(ηM)： 代表平台透過將使用者與相關資訊、工具和能力連接來有效降低使用者搜尋和交易成本的潛在能力的潛在變數。
指標： 市場結構(A)，服務捆綁(B)
組裝一致性(ηA)： 代表平台整合、捆綁和客製化模組化組件為滿足使用者需求的高品質、無縫且有價值套件的能力的潛在變數。
指標： 套件範圍(C)，貨幣化(D)
知識動態性(ηK)： 代表平台組織和利用資訊流以促進知識創造、積累和應用，推動創新和品質改進的能力的潛在變數。
指標： 知識分布(E)，知識提取(F)
這種理論架構使我們不僅能夠測試策略選擇的個別效應，還能測試Brousseau & Penard框架提出的高階關係，從描述性類型學轉向預測性因果模型。
參考文獻
Armstrong, M. (2006). Competition in two-sided markets. RAND Journal of Economics, 37(3), 668-691.
Baldwin, C. Y., & Clark, K. B. (2000). Design rules: The power of modularity. MIT Press.
Brousseau, E., & Pénard, T. (2007). The economics of digital business models: A framework for analyzing the economics of platforms. Review of Network Economics, 6(2), 81-110.
Chesbrough, H. W. (2003). Open innovation: The new imperative for creating and profiting from technology. Harvard Business Press.
Gawer, A., & Cusumano, M. A. (2014). Industry platforms and ecosystem innovation. Journal of Product Innovation Management, 31(3), 417-433.
von Hippel, E. (2005). Democratizing innovation. MIT Press.
Rochet, J. C., & Tirole, J. (2003). Platform competition in two‐sided markets. Journal of the European Economic Association, 1(4), 990-1029.