同一份报告里，AI采用率既是88%也是28.3%
斯坦福 2026 年 AI 指数报告的十条要点里，第一条写着组织采用率达到 88%，第七条写着美国在生成式 AI 人口采用率上排第 24 位、28.3%。
源
两个数相差近六十个百分点，出自同一份报告、同一个摘要页。它们都没错，因为一个数的是组织，一个数的是人。这件事对准备把 AI 引进自己小生意的人，比任何一个具体百分比都有用：看到一个采用率之前，先问它在数谁。
88% 也不是凭空长出来的，它是一条曲线的最新点
上一版 AI 指数报告的说法是：2024 年有 78% 的组织报告使用 AI，高于前一年的 55%。源
把三个点连起来看：55%、78%、88%。第一年跳了 23 个百分点，第二年跳了 10 个。增量在减半。
这条曲线的形状比它的绝对值更有信息量。采用率从五成升到近九成，剩下的空间已经不多了——接下来能拉开差距的不再是「用没用 AI」，而是用得深不深、有没有落到流程里。如果你现在的判断还停留在「大家都在用，我得赶紧上」，那你参考的是 2023 年那一段曲线。
要注意的是，两版摘要页都没有写各自的抽样框，所以 55、78、88 只能当同一系列的走向读，不能当成同一口径下的精确增量。这个提醒本身就是本文的主题。
那个 28.3% 也需要同样的追问
第七条的原话是：生成式 AI 在三年内达到 53% 的人口采用率，比个人电脑或互联网都快，但各国节奏差异很大且与人均 GDP 强相关；新加坡 61%、阿联酋 64% 高于预期，而美国排第 24 位，28.3%。源
同一段里的 53% 和 28.3% 自己就对不上：一个是全球性的采用速度描述，一个是国别排名里的美国值，摘要页没有说明这两个数各自的分母和统计方式。本文不替它调和——这一处对不上正好说明，摘要页上的数字不能直接拿来做算术。
对小生意主来说，这三个数的用法是：88% 说的是你的同行、供应商、客户所在的组织大概率已经在用；28.3% 说的是你店里、办公室里那些具体的人未必在用。培训需求就藏在这个差里。
OECD 那份是唯一一个分母跟你一样的
要找口径最接近小生意的数据，得看经合组织 2025 年 11 月 5 日发布的那份中小企业调查。它在 2024 年底调查了奥地利、加拿大、德国、爱尔兰、日本、韩国和英国的五千多家中小企业，受访人是每家企业里对所用技术最了解的那个人，通常是业主或管理者。源
结果是 31% 的中小企业在用生成式 AI，从日本的 24% 到德国的 39%。服务业最多，但每个行业都有用例。源
加拿大在这七国名单里。而这个 24% 到 39% 的国别区间，比拿 31% 去和斯坦福的 88% 相减有意义得多——它们是同一份调查、同一套问法、同一个分母，差异是真实的国别差异，不是口径差异。
这份调查里最该被注意的数字是 14%
大多数转述停在「83% 的企业说生成式 AI 对总用工需求没有影响，6% 增加，9% 减少」。源 这句话被反复用来说明 AI 没有造成裁员。
但同一份摘要里还有一句：14% 的中小企业表示生成式 AI 降低了他们对外部承包商的依赖，报告给的解释是它让这些企业能自己做以前会外包出去的事。源
把两句放在一起，画面就不一样了。员工岗位基本没动，但外包在往回收。也就是说，在这批 2024 年底的中小企业样本里，第一个被生成式 AI 挤压的不是雇员，是自由职业者、外部承包商和小型服务商。
对我们不少读者来说，这一句比前面所有百分比都更贴身——如果你的收入来自给中小企业做设计、翻译、文案、记账、网站维护，那 14% 说的就是你的客户。你需要看的不是「AI 会不会取代我」，而是「我的客户去年少发了多少单出来，那部分工作现在谁在做」。
提效、减负、不减人，可以同时成立
同一份调查还给了几组数，放在一起才完整。用生成式 AI 的中小企业里，65% 报告员工绩效提升；相比之下，说它帮自己扩大规模的占 35%，说它让自己能和大公司竞争的占 29%，说它增加了收入的占 26%。三分之一的企业说它降低了员工工作量，如果是一人企业，降的就是业主自己的工作量。源
在遇到技能缺口的使用者里，39% 说生成式 AI 帮他们弥补了这个缺口；在那些同时报告绩效提升的企业里，这个比例升到 46%。源
这些数没有互相矛盾。一个流程少花两小时，不等于企业就少需要一个人。省下来的时间可以拿去接更多客户、缩短交付、补做以前没空做的销售和售后，也可以只是让业主少加两小时班。调查告诉我们多数使用者感觉绩效改善、部分工作量下降、绝大多数企业总用工需求没变；它没有证明省下来的时间最常去了哪里。
会用 AI 之后，对技能的要求是升不是降
这一条最反直觉。说生成式 AI 提高了技能需求——也就是更需要高技能而非低技能劳动者——的企业占 20%，说降低了的占 9%，前者是后者的两倍。被认为因生成式 AI 而重要性上升最多的两项能力是数据分析与解读，以及创造力与创新。源
原因不难想。模型会生成，但判断什么该交给它、怎么检查输出、哪些资料不能输进去、最后谁对结果负责，这几件事一件都没被自动化掉，反而因为产出变多而变重了。
障碍和缺口在同一份数据里
不采用的企业给的理由，前四位是：不适合本企业的业务（57%）、担心版权与法律监管问题（54%）、担心输入模型的信息会怎么处理（52%）、员工缺乏相关技能（50%）。而 86% 的中小企业对生成式 AI 持中立或正面态度，只有 2% 禁止使用——态度并不是主要障碍。源
真正的缺口在最后这句：在已经使用生成式 AI 的中小企业里，采取措施培训员工、制定内部使用指引、或研究版权与法律监管问题的，各自只有三分之一或更少。源
工具已经在用，规矩还没定。这是这份调查里最容易被自己改掉的一项，而且不花钱。
那么现在做什么
挑一个高频、重复、结果容易人工复核的流程先试。跑之前记一条基线：这项工作原来要多久、返工几次、错在哪。没有基线，「感觉快了」变不成经营判断。
同一周把内部指引写出来，哪怕只有半页纸。写清楚三件事就够：哪些资料不能输进任何 AI；谁负责在对外之前复核；出了错谁承担。做这件事的中小企业不到三分之一，成本却近乎为零。
不必因为 88% 就一次买齐多套服务，也不必因为 65% 报告绩效提升就先改编制——同一份调查里 83% 的企业总用工需求没变。真正值得盯的是那 14%：如果你有稳定的外包支出，先弄清楚这笔钱去年是不是在减少，以及减少的那部分工作现在是谁在做。
顺着去读：把这些企业侧数据和劳动者侧的官方数据放在一起、按国家拆开的完整版，写在AI会不会让我失业：加美中官方数据 vs 传言；生意上要不要把客户资料输进 AI，边界写在哪些文件不能上传给AI:证件、病历、税表怎么划界（2026现行政策）和AI 隐私对照总表：主流六款的训练开关与数据保留期。
这篇哪里可能过时或不适用
88% 与 28.3% 出自斯坦福 AI 指数 2026 版的十条要点摘要页，78% 与 55% 出自 2025 版摘要页。两页都没有公布各自的抽样框和调查方法，本文因此只把 55、78、88 当作同一系列的走向，没有做减法当增量用。要精确口径，需要回到各版报告的经济与就业章节，本文没有做这一步。
OECD 那份是 2024 年底、七个国家、五千多家中小企业的横截面。它不代表所有国家，也不代表 2026 年的实时采用率。企业规模、行业构成和「生成式 AI」的定义都会影响这些百分比。
14% 那一条只说了「降低对外部承包商的依赖」，没有量化减少幅度，也没有说这些工作最终由谁承担。本文把它读成对自由职业者的挤压，是一个推断，不是调查结论。
「省下来的时间会被拿去做更多业务」同样是可能的解释，不是调查直接证明的时间去向。
本文谈的是采用率与用工的关系，不涉及任何具体产品的选择、定价或效果。你自己流程里的真实收益，只有你自己的基线数据能回答。