小型企业承担着一半的经济重量，却只获得关于人工智能对话的一小部分关注
关于人工智能与商业的主流叙事存在一种结构性偏见，而这种偏见极少被明确点出：它几乎完全围绕着拥有500名以上员工的企业构建。这并非因为大型企业更有趣，而是因为对技术供应商而言，这些企业意味着更可预期的合同、相对更短的销售周期，以及能够证明销售与营销支出合理性的循环收入来源。从卖方经济学的角度看，这种逻辑无可厚非。问题在于，这种逻辑扭曲了人们对真实工作发生在哪里的判断。
根据美国小企业管理局援引《Fast Company》的数据，美国大约有3600万家小型企业在运营，雇用了私营部门46%的劳动者。在这一庞大群体中，大约88%的企业拥有不足20名员工。它们并非劳动力市场的附属品，而是其脊梁所在。如果人工智能将要变革劳动生产率，这一进程就不可能只发生在财富500强企业的高管层中。
这种对话所在地与工作实际所在地之间的错位，正是理解中小企业人工智能实际采用情况的出发点——也是理解为何最新数据呈现出比两年前的共识更为复杂的图景的原因所在。
两项调查，两个细分市场，一道揭示真正问题所在的裂痕
2024年，学术界和咨询公司的共识相当一致：很少有小型企业以有意义的方式采用了人工智能。到2026年，这一共识开始分化——不是因为2024年的数据有误，而是因为两项近期研究指向了不同的研究群体，并揭示出一道值得仔细拆解的裂痕。
高盛对10,000家小型企业的研究发现，约四分之三已在使用人工智能，其中84%表示生产力和效率有所提升。与此同时，仅有14%的受访者表示已将人工智能整合到核心运营中。而全国独立企业联合会（NFIB）的样本则涵盖了规模极小的传统业态，例如水管工或餐饮服务，该机构发现其受访者中仅有25%表示在使用人工智能工具。
这两个数字并不矛盾：它们描述的是小型企业大类下的不同子市场。高盛的研究倾向于覆盖更具数字化导向的企业，如电商或专业服务；NFIB则反映的是更为传统、劳动密集型的企业织体。两个数字之间的距离，衡量的不是对人工智能的乐观或悲观程度，而是具备数字基础设施的企业与不具备数字基础设施的企业之间的结构性鸿沟。
从商业模式分析的角度来看，重要的不是哪个数字"正确"。真正重要的是，高盛研究中14%的核心运营整合率——即便是在最具接受意愿的群体中——揭示了当前采用的真实上限。四分之三的企业在使用某种人工智能工具，但只有极小比例的企业将其转变为能够改变业务运营方式的核心组件。其余企业处于一种边缘性实验区间，能带来边际改善，却不能改变工作的底层架构。
摩根大通研究院从另一个角度记录了这一动态。通过分析2019年至2025年间企业银行账户的交易数据，该机构记录了小型企业向人工智能服务支付的费用，从2019年月均约50美元下降至2025年的20至30美元，表明入门成本已降低到足以扩大获取渠道的程度。研究还发现，使用人工智能的企业往往随着时间推移会付费使用更多服务和更多类型的服务，这表明进入这一领域的企业倾向于深化使用，而非放弃。但有雇员的企业与无雇员的企业之间、知识密集型行业与体力劳动密集型行业之间的差距，并未因价格下降而弥合。
这印证了一件单凭采用率数据难以说明的事：障碍主要不在于成本，而在于整合能力。
面向小型企业的工具市场作为竞争定位的角力场
技术供应商对这一整合鸿沟的回应有其自身的定位逻辑，值得拆解分析，因为它揭示了谁在押什么赌注、每种选择又隐含着什么代价。
微软和谷歌走的是摩擦最小的路径：将人工智能能力直接整合进小型企业已在使用的产品中。Microsoft 365中的Copilot和Google Workspace中的Gemini，都是这样一种赌注：采用的最佳媒介不是说服一位企业主去采用一款新工具，而是让他每天已经打开的工具拥有更强的能力。这是一种降低用户获取成本、提升现有订阅感知价值的分发策略。其隐含的代价是深度：在所有业务功能中横向整合，使得针对不同类型企业特定需求的专业化变得更加困难。
Intuit、HubSpot和Zapier代表着另一种模式：这些平台多年来已在特定功能领域服务于小型企业（会计、CRM、工作流自动化），并正在其已深入理解的应用场景之上叠加人工智能层。这里的结构性优势在于对上下文的了解：一家已在处理数十万小型企业财务数据的会计软件公司，具备训练能够理解真实现金流模式或风险警报的智能体的优越地位。其代价是速度：在不打破现有客户使用习惯的前提下，将成熟平台以人工智能逻辑进行改造，是一个缓慢的过程。
Anthropic本周做出了一个定位更为明确的决策，推出了面向小型企业的Claude，这是一套专为该细分市场常见业务功能设计的工作流、技能与集成方案。这一举措的有趣之处不在于产品本身，而在于它揭示了Anthropic认为瓶颈所在。据Anthropic中小企业市场负责人Lina Ochman介绍，该细分市场中约有32%的员工不知道如何或何时使用人工智能，64%的员工希望超越基础聊天机器人、迈向能够管理完整工作流的智能体，但却没有清晰的路径抵达那里。
这一判断定义了产品方向：如果问题不在于价格或可获取性，而在于将操作需求转化为人工智能工具的指令或工作流的能力，那么解决方案就是缩短应用场景与实施之间的距离。预设的工作流起到集成模板的作用，而非代码。Anthropic的赌注是：最有价值的细分群体不是那些已经知道如何构建智能体的小型企业，而是那些希望这样做却不知从何开始的企业。
这一赌注所隐含的代价是清晰的：预设工作流对最通用的应用场景效果良好，但在特定场景中会失去精准度。一家需要自动化管理海运费用争议的企业——如原文中记录的Rebel Cheese案例——无法用通用套件解决这一问题。它需要定制化构建，即便拥有现成的技术能力，这一过程也花费了数月时间。Anthropic选择优先服务的细分群体，是那些需要"80分解决方案"的企业，而非需要"100分解决方案"的企业。
真正的整合消耗的是时间而非金钱，这改变了可行性分析的逻辑
《Fast Company》原文中提及的德克萨斯州奥斯汀纯素奶酪企业Rebel Cheese，为我们提供了一个精确的参照点，说明对于小型企业而言，将人工智能整合到核心运营中意味着什么。该公司联合创始人发现，公司每月向运输商支付大约5万美元的超额费用。她使用Claude来诊断问题并设计了一套自动化争议处理系统，借助一款名为Manus的智能体编排工具实施。这一过程历时数月，经历了多次迭代，并耗费了她大量时间用于测试与调整。
潜在的回报是实质性的：每月追回5万美元，对任何小型企业的财务结构而言都是重大改变。但实现这一目标的成本并不只是Claude订阅费用，而是一位创始人投入的时间——而这位创始人很可能同时肩负着数十项其他职责——以及在迭代过程中承受中间失败的能力，以及足够的技术素养来理解她正在构建的是什么。
这正是总体采用数据难以准确捕捉的要点。当高盛调查中14%的小型企业表示已将人工智能整合到核心运营中时，这个数字所涵盖的正是做了Rebel Cheese所做之事的企业，而它们很可能具有相似的特征：创始人拥有技术背景，或者拥有时间和意愿投入迭代。其余那75%表示"在使用人工智能"的企业，大多数停留在内容生成、摘要提炼或邮件助手等应用层面——这些应用确实有价值，但并不改变业务的底层机制。
这两种使用方式之间的距离，无法仅靠更易获取的工具来弥合。弥合它需要时间、需要将运营问题转化为自动化结构的能力，以及对中间失败的容忍度。而这三者在3600万家小型企业的宇宙中分布极不均匀。规模较大的细分群体企业，拥有更多员工和更多资源，三者皆较为充裕。不足5人的微型企业则三者皆匮乏。
这对如何评估定位于该细分市场的产品具有重要意义。面向小型企业的Claude预设工作流，可以为那些已知自己需要什么的人消除技术门槛。但它无法解决那些尚无法将自身需求以人工智能工具可执行的方式表达出来的企业所面临的问题。而根据Anthropic自身的数据，正是这第二道门槛阻碍着该细分市场中32%的员工。
小型市场作为设计问题而非规模问题
从这幅图景中浮现出来的，不是一个随着价格下降和工具改善便会自然解决的滞后采用故事。它是一个关于一个细分市场内部结构性异质性的故事——而各类分析往往将这个细分市场视为铁板一块。
小型企业的宇宙并不遵循单一的采用曲线，而是存在多条平行曲线，分别对应着能力、激励机制和摩擦程度截然不同的子市场。一家拥有五名员工、完全数字化运营的电商企业，与一家中型技术公司的共同点，远多于与一家两人经营的本地木工坊。将同样的采用分析或同款产品套用于二者，缺乏结构性依据。
在这一细分市场中占据优势的供应商，正是那些对自己的目标客户定义得足够精准、从而能够设计出恰当价值主张的企业。微软和谷歌向那些已在其基础设施内的客户销售。Intuit向那些已使用其平台的客户销售。Anthropic推出面向小型企业的Claude，押注的是一个特定细分群体：数字化程度足以拥有可识别工作流、却又没有时间或技术人员从头构建自动化系统的企业。
这种隐含的取舍——不试图覆盖3600万家企业构成的100%市场，而是聚焦于一个由吸收能力和清晰应用场景所定义的细分群体——恰恰是赋予产品主心骨的关键所在。一个面向所有小型企业的通用套件，要么必须简单到无法解决复杂问题，要么必须灵活到需要与从头构建相当的专业能力。
目前尚无显而易见解决方案的节点，是最小规模的传统型细分群体：那些不足5人、处于劳动密集型行业、没有成熟数字基础设施的企业——NFIB那25%的采用率，在这一群体中很可能高估了实际的运营使用程度。对于这一细分群体而言，障碍既不是技术层面的，也不是通常意义上的经济层面的。它是一个注意力密度的问题：同时身兼五职的企业主没有认知空间去尝试新系统，哪怕入门成本只是每月25美元。
目前，主要供应商中没有任何一家对这一细分群体提出了结构性上令人信服的答案。这一问题是否值得解决，取决于产品经济学能否支撑所需的获取和支持成本。就目前而言，发展最为迅速的市场——即规模较小但数字化成熟度较高的企业——已有足够的体量来证明当前竞争的合理性。而更为传统的细分群体，在一段难以精确估计的时间内，将继续是一个公共政策问题，而非商业产品问题。
