企業 AI 採用梯度

資料來源#

• How Organizations Use AI: Evidence from ChatGPT

摘要#

How Organizations Use AI: Evidence from ChatGPT（Chatterji、Holtz、Rakholia、Tambe 與 Weeratunga，arXiv 2608.12236，2026-08-12，69 頁）是本資料庫中第一項以廠商自身的管理帳戶紀錄，而非職業暴露分數、付款資料或主管調查，來檢視公司層級 AI 採用情形的研究 — 並將這些紀錄連結至 Compustat 財務報表。研究關注的不是 AI 能做什麼，而是哪些公司購買、使用得多深入，以及公司內部哪些人在使用。

依照論文原本的順序，四項有紀錄佐證的事實如下：

1. 使用量的兩個邊際同時成長。 ChatGPT Enterprise 客戶的總輸出 token 數在 2025 年 6 月至 2026 年 3 月間約增至七倍；而在 2025 年 6 月前已採用的固定公司群體中，則約增至四倍 — 因此「這段期間 token 消耗量的增幅，約有一半發生在早已採用的公司內部。」2026 年初，各採用群體同步加速；作者認為，這較像產品或市場發生變化，而非一般的採用後成長。
2. 在美國上市公司中，採用者是分布中規模大、價值高、無形資產密集的一端 — 且此關聯會隨既有組織資本而增強。
3. 在採用企業內部，所有職務職能與資歷層級都有人使用，但使用強度有系統性差異，呈現負向資歷梯度。
4. 使用涵蓋廣泛的任務範圍，而非集中於單一工作流程 — 論文以此作為生成式 AI 是知識工作通用技術的證據。

作者對這些發現的綜合詮釋，也是本頁要傳達的核心句子：「採用只是部署的開始。」

證據註記。 標記為 empirical 是正確的 — 這些是實測的訊息、token 與活躍使用者數量，而非自我回報；這也是論文明確說明的研究動機（「自我回報的使用情況通常不夠詳細，也可能受回憶不精確或回報偏誤影響」）。以下每個數字都受三項限制約束。（1）利益衝突是全面性的，而非部分性的： 三位作者任職於 OpenAI，兩位學者 — Holtz（Columbia）與 Tambe（Wharton）—「以 OpenAI 付費承包商的身分參與本研究」。論文沒有獨立作者，也沒有外部複現。（2）樣本來自購買者，而非整體母體。 本文所有描述對象，都是購買集中管理式 ChatGPT Enterprise 工作區的組織；個人帳戶、API、其他訂閱層級及所有其他廠商的使用情況，依研究設計都不可見。（3）沒有任何因果結論。 論文對核心迴歸本身即如此聲明：估計值「描述條件關聯……不應解讀為因果關係」。研究未測量任何結果 — 無論產出、生產力、品質或組織變革皆然。

實際計算的是什麼#

分析單位很重要，因為本頁數字不能與 wiki 其他地方引用的調查式採用數據互換。所有數據來自 2024-01-01 至 2026-03-31 間採用工作區的組織週面板，並分成四種不同樣本：

樣本	規模	可支持的分析
整體使用面板	組織週；保留使用量為零的活躍週	成長分解（事實 1）
員工特徵樣本	1,764 個組織、17,446,551 則訊息	依職務角色分析組成與使用強度（事實 3）
任務分類子樣本	973 個組織、8,696,657 則已分類訊息	任務組合（事實 4）
連結 Compustat 的上市公司面板	521 個股票代碼年度／417 個股票代碼（訊息量為正者為 509／410），另有 11,784 個未採用者股票代碼	誰採用（事實 2）

使用量以三種方式衡量，彼此並非相同數量：送出的訊息數、每週活躍使用者（WAU）與生成的輸出 token 數 — 另有每名員工的變體：將每週使用量對應至 Compustat 財年，再除以 emp。職務分析固定在共同時間點：各組織採用日期後第 26 週（六個月）。

對照組在設計上就受到污染，這是本頁最重要的方法論事實。 為避免揭露企業業務的商業敏感資訊，OpenAI「從符合條件的 ChatGPT Enterprise 帳戶中，抽取一個隨機樣本，這些帳戶具有上市公司識別碼。」接著，凡是沒有股票代碼對照紀錄的上市公司，都被定義為未採用者。這帶來兩個論文未明說的後果：（a）真正採用、但未被抽入樣本的公司，會落入 11,784 家「未採用者」群組，因此以下所有採用者與未採用者的對比都會向零衰減，應視為下限；（b）無法根據這些數字計算採用率 — 417：11,784 的比例是抽樣造成的結果，不代表美國上市公司使用 ChatGPT Enterprise 的比例。論文另指出，另一種同方向的衰減來源：使用其他廠商企業 LLM 產品的公司也被歸類為未採用者。

事實 2：誰會採用 — 先看規模，再看無形資產#

未調整中位數，2024 年 Compustat 特徵（論文 §4.2 文字敘述；重用前請先參閱下方解析警告）：

中位數，2024 財年	採用者	未採用者
營收	$2,275.1M	$209.6M
總資產	$4,394.2M	$667.6M
員工數	2,934 人	424 人
淨 PP&E	$271.2M	$43.7M
市值	$4,997.2M	$316.4M
R&D 費用	$113.1M	$9.9M

每一列都相差一個數量級。作者自己的摘要是：「早期採用 ChatGPT Enterprise 的公司，並不代表一般上市公司。」

在控制其他因素後，梯度反映的是規模與營收生產力，而非實體資本。 落後一期的每名員工營收每增加一個對數點，採用機率便與 +0.4 至 +0.9 個百分點的增幅相關；落後一期的就業人數對數在所有規格中都呈正值且顯著；控制規模後，每名員工 PP&E 通常與採用呈負向關聯。排除資訊產業後，這個模式仍然成立，因此不是科技產業造成的假象。

採用者集中在規模分布最頂端。落後一期營收每增加一個對數點，採用機率增加 1.1 個百分點；位於營收最高四分位增加 6.9 個百分點，位於**最高 5%**增加 9.8 個百分點。在產業年度格內衡量（Autor 等人 2020 年的超級明星公司建構方式）時，梯度更加陡峭：最高四分位增加 7.2 個百分點，最高 5% 增加 11.3 個百分點。作者指出明顯的限制 — 整個面板都是美國上市公司，本來就比企業母體中的一般公司大得多，因此無法說明新創、中型市場或小型私人企業之間的採用差異。

互補資產存量排名#

論文最創新的做法，也是 Organizational Complements to AI 需要這份來源的原因：研究檢驗既有無形資本能否預測採用，使用的是2021 財年存量 — 比 2024–25 財年的採用期間早三至四年 — 因此該衡量值不可能是採用造成的結果。SG&A 費用按每年 20% 折舊累計，R&D 按 15% 累計，資本化軟體則直接取自 Compustat capsft；每項數值都按員工數標準化，並以 log(1 + stock/emp) 形式納入。

每名員工的 2021 財年互補資產存量	完整樣本	排除科技／高 R&D 產業
SG&A 存量	0.020*** (0.005), N=5,943	0.010 (0.007), N=3,247 — 不顯著
資本化軟體	0.008** (0.003), N=1,076	0.006 (0.006), N=477 — 不顯著
R&D 存量	0.004*** (0.001), N=7,117	0.003*** (0.001), N=4,029

（表 4，逐格對照 pdftotext -layout -f 37 後校正 — docling 對此表的解析結果欄位黏連錯位，不可直接引用。）

應將其視為排名，而非三個獨立結果。SG&A 存量 — 可用來代表累積組織資本的最粗略指標 — 是最強且最穩健的預測因子，係數是 R&D 的五倍。資本化軟體這項字面上代表「先前軟體投資」的衡量值，只在完整樣本中顯著。最關鍵之處，排序並不穩固：排除科技與高 R&D 產業後，只有 R&D 仍顯著；SG&A 與軟體在樣本數約減半後都不再顯著。因此，整體主張確有根據，但在科技以外的普遍性尚未確立。

反轉：大型公司採用更多、使用更少#

這是論文最鮮明的內在張力，也是最容易被誤讀的發現。廣延邊際與集約邊際對公司規模呈現相反方向。在採用者中（表 2，已與 pdftotext -layout -f 35 核對），落後一期的就業人數對數係數如下：

使用強度結果	落後一期就業人數對數係數
每名員工、每活躍週訊息數	−0.266*** (0.019)
每名員工每週活躍使用者	−0.032*** (0.003)
每名員工輸出 token 數	−0.667*** (0.048)
每位每週活躍使用者的訊息數	−0.002 (0.008) — 與零無法區分

三種每名員工的衡量值都隨公司規模大幅下降；每位活躍使用者的訊息數則完全沒有變化。 因此，分解結果很清楚：大型採用者每名員工使用量較低，完全是因為使用廣度不足 — 活躍員工占整體員工的比例較小 — 而非實際活躍者使用強度較低。大型公司購買工作區，但較少員工真正使用；使用的人則和其他公司的使用者表現相同。這是以算術關係表達的互補資產論點，也是「採用只是部署的開始」背後的機制。

每名員工營收在集約邊際上的方向相反，但關聯偏弱：每活躍週每名員工訊息數與每名員工 WAU 的點估計皆為正，且與員工間更廣泛的擴散相符，但兩者都未達統計顯著，論文也未據此下結論。從描述性結果來看（圖 4），以每名員工每週輸出 token 中位數分組的高使用強度採用者，在每名員工營收與市值上，都比低使用強度採用者及未採用者更靠右；按產業與規模類別調整後，右移仍然存在，尤其在市值上最明顯。

事實 3：公司內部廣泛使用，且資歷梯度明顯#

採用六個月後，以公司層級平均值計算（每個組織權重相同）：

• **依職能分類：**工程與技術從業人員約占每週活躍使用者的 11%；主管、創辦人與合夥人約占 9%；財務／會計以及行銷／傳播人員各約占 5%；銷售與客戶管理人員約占 4%。使用者不限於技術人員。
• **依資歷分類：**經理與總監約占 24%；IC 與專業人員約占 15%；資深 IC 與首席人員約占 14%；主管約占 10%；職涯初期工作者與實習人員約占 7%。

文字說明從未提及，但圖 5 明確顯示的限制是：兩個面板中占比最大的類別都是「其他／未知」。 依圖表格線判讀，無法分類的職稱約占職稱面板每週活躍使用者的 37.5%（按母體加權約 43%），在資歷面板則約占 30%（按母體加權約 34%）。以上每個百分比的分母中，最大區塊都是分類器無法歸類的員工。論文 §4.3 對相關問題的限制說明相當坦率 — 這些數字是已觀察到的活躍使用者占比，而不是各職務角色的採用率，因為各角色的全體員工數這個分母無從得知 — 但未分類群體有多大，只有圖表看得出來。

使用強度與組成占比呈反向關係。 活躍使用者占比最高的群體，不是使用最頻繁的群體。分析師與行銷／傳播人員每週送出的訊息，比同公司活躍使用者的平均值還多，儘管他們在使用者群體中占比不高；主管、創辦人與合夥人則送出較少訊息。資歷梯度則單調且為負：論文指出，職涯初期工作者與實習人員送出的訊息，「比同公司活躍使用者平均值每週多出約八至九則」；經理、總監與主管則較少。（圖 6 的 B 面板點估計，依格線判讀較接近母體中心化的 +6.5，以及公司固定效果下的 +7.4；請參閱解析註記。方向與排名沒有疑問，確切幅度則有。）

這項結果直接對應早期職涯勞動市場研究：那些入門職位前景被「煤礦中的金絲雀」研究關注的工作者，在限定為活躍使用者後，反而是這項工具的最高強度使用者。論文指出這項並置結果，同時補上適當的保留：「訊息量應解讀為使用強度的衡量值，而非經濟重要性的完整衡量方式。」

事實 4：觸及面廣，使用量集中#

自 2025-10-30 起，訊息由分類器指派至 60 種任務類別。兩種衡量方式 — 活躍使用者每週至少使用一次某任務的比例，以及某任務占訊息總量的比例 — 清楚呈現差異，這正是研究發現。

任務（圖 7）	每週至少使用一次的 WAU 比例	每週訊息比例
文件與技術寫作	56.3%	18.3%
技術、數位與電子工作	49.6%	12.7%
人際訊息	41.1%	11.9%
主題概覽	38.9%	4.4%
其他事實與數字	28.7%	—
非技術性專業或學術工作	27.0%	3.3%
商業與市場研究	21.4%	3.0%
銷售與行銷	19.4%	5.0%
規劃、設計與創作	18.7%	2.9%
法律與法規	17.2%	2.7%
資料分析	15.5%	—
財務與稅務	14.9%	2.5%
偵錯與修復	—	3.3%
翻譯	—	2.6%
所有其他任務分類	—	27.3%

此表支持三種解讀。觸及面與使用深度是不同的邊際：主題概覽觸及 38.9% 的活躍使用者，卻只占訊息的 4.4%；法律、財務與研究任務相當普遍，但訊息量相對不多。沒有單一應用占主導地位 — 最大類別只占訊息的 18.3%。而且長尾是最大的單一區塊：「所有其他任務分類」合計占訊息的 27.3%；作者正確地將此視為一項證據，說明企業使用分布於不符合主要分類的各種活動。

任務組合會因產業、職務角色與資歷而異，但差異主要出現在廣延邊際：財務與稅務任務在金融與保險業更常見；相較於製造業，銷售與行銷任務在藝術／娛樂、資訊與零售業更常見 — 但依訊息加權的分布在各產業間相似，都集中於文件、技術工作與溝通等核心任務。職務角色也呈現相同型態：工程師較常從事技術工作與除錯，財務人員較常處理財務與稅務，銷售與行銷人員較常從事銷售與行銷；各角色特有的任務「並未壓過所有角色都會執行的少數核心任務」。依資歷分類時，主管在主題概覽、事實與數字、法律及財務任務中的相對占比更高，也就是消費綜整資訊；職涯初期工作者與 IC 則集中在以產出為導向的類別。

這是對話式使用，而非代理式使用。 token 序列合併 ChatGPT 與 Codex，但附錄圖 A1 顯示，在樣本期間，成長「幾乎完全來自 ChatGPT 及相關的非代理式 AI 工具」。應將其視為 ChatGPT 端的基準，再與 Conversation-to-Delegation Shift 衡量 Codex 端的變化對照。

在資料庫的採用衡量工具中，本研究的位置#

wiki 現在有五類衡量工具都用來回答「企業使用多少 AI」，但它們對水準的估計相差四倍（Telemetry vs. Survey Measurement、AI and Market Power）。本文是第六種，結構上也不同：衡量的根本不是比率，而是購買者內部的使用深度。

• 與 Firm AI-Spend Intensity and Headcount Growth 的 Ramp × Revelio 面板相比，兩者觀察的是同一對象 — 公司顯示出的付費採用情形 — 但本文使用廠商帳本，而非客戶信用卡帳單。Ramp 觀察 21,559 家公司在任何 AI 廠商上的支出，因而能計算採用率；OpenAI 只觀察自家公開上市公司客戶的隨機樣本，因此如上所述，無法計算採用率。兩者都發現，採用不只取決於公司規模（Ramp 的 PEPM 強度三分位；本文的 2021 財年互補資產存量），這是兩者最實質的共識。
• 與 AI and Market Power 的葡萄牙公司層級證據相比，表面上有一項矛盾，值得保留並列。OECD 發現 GenAI 暴露度最高的公司規模小（員工中位數 6 人）、成立時間短，且不是市場領導者；本文則發現 ChatGPT Enterprise 的採用者是大型上市在位公司。兩者可以調和，而調和方式也很有啟發性：暴露度是職業組成的代理指標，不考慮採購；企業採用則是採購事件，只有規模夠大的組織才會進行 — 而本文的美國上市公司範圍，在結構上排除了 OECD 暴露度達到高峰的小公司。兩者真正交會於上文的集約邊際；在此兩者一致：每名員工使用量隨員工數增加而下降，因此在採用者母體內，較小公司的使用強度更高。
• 與 Anthropic Economic Index 相比，這是資料庫中最接近的同類衡量，兩者的差異也正是重點。兩者都是由前沿實驗室以第一方分類器分析的遙測資料；AEI 的單位是對話，從消費者、Cowork、Claude Code 與 API 介面取樣，並對應 O*NET 任務；本文的單位則是付費管理工作區內的組織週，對應 NAICS 產業、職稱類別與專有的 60 類任務分類。AEI 能說明經濟體用 AI 從事哪類工作；但無法將對話連結至公司的資產負債表。本文可以 — 代價是只看到企業買家與單一產品。兩者的樣本幾乎互不重疊，因此絕不應合併或取平均。
• 與 Task Saturation: Broad but Shallow AI Diffusion 對擴散「廣而淺」的解讀相比，圖 7 是同一型態在企業內部的版本：廣延邊際的觸及面廣，集約邊際的使用量則集中。

本研究無法說明的事#

集中列出，因為上文幾乎每一項主張都受其中至少一項限制：

• 沒有因果關係。 採用迴歸分析的是落後特徵與採用的條件關聯，論文明確如此表述。
• 沒有結果指標。 產出、生產力、品質、節省時間、組織變革：一項都未觀察。論文結尾呼籲未來研究將企業遙測資料連結至產出指標。
• 沒有代表整體母體。 樣本僅含 ChatGPT Enterprise 購買者；其他廠商、API、Business 層級與個人帳戶皆不可見；上市公司部分僅限美國，且以隨機方式抽樣。
• 沒有職務角色的分母。 組成占比描述已觀察到的活躍使用者，並非各職務角色的採用比例。
• 全程依賴分類器。 職稱經自動正規化與分類；任務由分類器指派，該分類器「依據一項內部基準進行評估，基準使用人工與模型標記的 ChatGPT 對話」，但其準確率未公開 — 這是 Usage-Telemetry Classifier Validation 在此類研究中持續追蹤、卻未量化的誤差範圍。
• 職稱只在單一時間點擷取一次，而且涵蓋不完整；無法分類的使用者仍保留在分母中。

關聯文章#

• Organizational Complements to AI — 本來源首次提供該論點的事先定年、公司層級衡量：2021 財年建立的互補資產存量可預測 2024–25 財年的採用，其中 SG&A（組織資本）的係數是 R&D 的五倍。結論幾乎逐字重述本頁的電氣化論點：「通用技術很少立即帶來遍及整個經濟體的收益；其影響會透過較慢的共同發明過程逐步展開」
• Conversation-to-Delegation Shift — 該頁提出的前沿預覽問題，關注企業層級的外部曲線；本文以 token 而非調查階段衡量：九個月內整體成長 7 倍、群體內成長 4 倍，且所有群體同時加速。本文也是其基準 — 同一廠商 token 序列中的 ChatGPT（非代理式）端
• Task Crossover — 該頁的方法明確無法觸及的母體：交叉使用是以 Business 帳戶使用者的個別訊息衡量，且不能推廣至 Enterprise。本文研究 Enterprise，呈現依職務角色分類的任務組成 — 各角色的專門任務建立在共同核心之上 — 但沒有 O*NET 對應，因此無法計算交叉比例
• Firm AI-Spend Intensity and Headcount Growth — 從購買者一側觀察同一對象的付款資料工具；補上其採用率帳本，也提供它無法連結的資料來源
• AI and Market Power — 小型高暴露公司與大型採用公司之間看似矛盾的規模差異及其調和方式；也說明該頁對差異擴大的擔憂背後的機制，亦即「擴散初期可能加深既有公司異質性」
• Pilot-to-Production Gap — 「採用只是部署的開始」是該頁的論點，如今有 token 序列作為佐證；大型公司的使用廣度不足，則由係數衡量，而非僅憑顧問實務提出主張
• Telemetry vs. Survey Measurement — 論文自身為其衡量工具提出的框架論點，也是衡量工具範圍帳本的新成員：廠商管理紀錄能以調查無法達到的精確度，觀察購買者內部的使用深度，卻完全無法看到未採用者、其他廠商或影子使用
• Task Saturation: Broad but Shallow AI Diffusion — 同樣呈現觸及面廣、使用量集中的分布，不同之處在於本文衡量的是付費企業內部，而非各種職業之間
• Usage-Telemetry Classifier Validation — 這裡的兩層分類器都面臨準確率未公開的問題：職稱分類器與 60 類任務分類器
• OpenAI — 這些管理紀錄所屬的廠商，也是五位作者的雇主或付費方
• Anthropic Economic Index — 另一套衡量計畫，以幾乎互不重疊的樣本及不同分析單位衡量相同現象
• Codex — 出現在 token 序列中，但刻意淡化；研究期間代理式使用占比小到作者將它留待配套的 Codex 論文再談
• Erik Brynjolfsson — 本文互補資產存量設計將無形資產互補文獻（Brynjolfsson、Rock 與 Syverson，2021）付諸實際衡量；而資歷梯度則與其職涯初期就業研究相互對照
• AI Adoption in Scientific Work — 本管理紀錄研究依設計排除的母體；該研究則反向排除此處母體：Google 的 ATLAS 遙測排除企業合約與付費 API，ChatGPT Enterprise 紀錄只看到付費組織 — 兩種衡量工具分別涵蓋採用者母體的不同部分，彼此並不重疊

待解決的問題#

• 2021 財年的互補資產存量能預測採用；但本文沒有顯示它們能否預測價值。採用時較高的 SG&A 或資本化軟體存量，能否預測兩年後部署更深入（每名員工 WAU、任務廣度）或公司結果更好 — 還是只能預測哪些公司會簽約？將相同的 Compustat 連結方式套用至 2024 年採用群體並向前追蹤，就能回答這個問題。
• 大型採用者每名員工使用量較低，完全是使用廣度造成的（WAU/emp −0.032***）；每位活躍使用者的強度持平（−0.002，不顯著）。這是隨著席位部署追上員工數便會消失的 rollout 速度問題，還是集中管理工作區能觸及大型企業員工比例的持久上限？可在第 52 週與第 104 週重新衡量相同群體，並與第 26 週比較，以檢驗此說法。
• 「其他／未知」是每週活躍使用者中最大的單一類別（公司層級職稱面板約占 37.5%）。無法分類職稱的使用者，是員工中的隨機切片，還是系統性地來自承包商、第一線員工、非英語職稱等不同群體，因而使職能與資歷組成估計產生偏誤？附錄 C 的分類器驗證列出各類別中的常見職稱，卻從未描述剩餘群體。

資料來源#

• How Organizations Use AI: Evidence from ChatGPT — Aaron Chatterji、David Holtz、Neel Rakholia、Prasanna Tambe 與 Gawesha Weeratunga，How Organizations Use AI: Evidence from ChatGPT，arXiv 2608.12236（2026-08-12，69 頁，empirical）。§3.1–3.3（四種樣本、Compustat 連結、隨機抽樣與未採用者定義 — 註腳 9–12）；§4.1（成長分解）；§4.2–4.2.4（採用者特徵，表 1–4）；§4.3–4.3.2（依職務角色與資歷分析組成及使用強度，圖 5–6）；§4.4–4.4.3（任務組成，圖 7–10）；§5 結論（共同發明、「採用只是部署的開始」、範圍限制）。利益衝突：沒有獨立作者 — Chatterji、Rakholia 與 Weeratunga 任職於 OpenAI；Holtz 與 Tambe 則「以 OpenAI 付費承包商的身分參與本研究」。解析與核對註記：原始內容由 docling 解析而成，附有 table-collapse／table-split-row／table-weld 警告，且沒有修復區塊 — 其中每張表都尚未核對。表 2 與表 4 是本頁引用的唯二表格，已逐格對照 pdftotext -layout（第 35 與 37 頁）核對；以上數值來自 PDF；docling 對兩表的呈現都發生錯位（表 2 把第 2 欄的 Year-FE Yes 黏到產業固定效果儲存格，並將一個 Obs. 值遺落在獨立一列；表 4 則把 Complement measure 與 Observations 列橫向錯移）。表 A5 的任務分類架構發生合併與錯位 — 健康與保健的第二層數值落在「how to and procedural guidance」之下；本文沒有引用。兩處來源內文與圖表不一致之處，均已標出而未試圖解決：（1）圖 2 的中位數圖表讀值與 §4.2 文字敘述不同，且只在未採用者項目出現系統性差異 — 圖表標示為營收 $167M／354 名員工／資產 $549M／市值 $251M／PP&E $34M／R&D $8.4M；文字敘述則為 $209.6M／424／$667.6M／$316.4M／$43.7M／$9.9M，各列比例約為 1.18–1.29，採用者數值則彼此相差幾個百分點以內。本文引用的是文字敘述數字（已確認 PDF 中確實存在，因此不是解析錯誤）；文件無法解釋兩者差異，其中一組可能已過時。（2）§4.3.2 指出職涯初期工作者每週送出的訊息「比平均值多八至九則」，但依格線計算圖 6 B 面板點估計約為母體中心化 +6.5、公司固定效果 +7.4。文中引用文字敘述數字，並同時註明圖表讀值。本文所有圖表數值（圖 5、6、7）均為兩輪影像檢視後的圖表讀值，在作為關鍵證據時均標明其性質。