中小企業用 AI：十份報告，量的是不是同一件事？

今年讀到 OECD 一場座談的逐字稿，其中一位講者是佛羅倫斯兩間咖啡店的老闆，以前是廚師，疫情之後才轉為全職管理生意。主持人問他怎樣用 AI，他有點不好意思地說，自己的做法「全都用錯了」：拿 ChatGPT 和 Gemini 改菜單和內部流程、回覆網上評論，再做幾張還算像樣的菜單圖片。說完他算了一筆帳：小餐廳和小店的利潤率大約在 3% 到 11% 之間，而一套帶 AI 功能的 ERP 或 CRM 軟體，可能吃掉兩成到三成半的收益。對很多像他這樣的經營者來說，這類軟體既像奢侈品，也是一場冒險。

同一場會議發佈的 OECD 調查，會把他歸類為「AI 新手」，也就是四級分類裡的最底層，最上面是「AI 冠軍」。這個標籤暗示的是一個起點，他的算術卻顯示，這至少在目前可能是一個相當合理的停留位置。分類和算術之間的這個落差，讓我回頭去讀今年其他關於中小企業用 AI 的報告。材料很多，採用率卻由 16% 到 74% 都有。下面我把十份材料排在一起，整理它們在哪裡一致、在哪裡分歧，再從分歧裡看三個值得想下去的問題，包括外部顧問可以補上的位置，以及它的限制。

十份材料各自量的是什麼

後面很多分歧都可以追溯到「問誰、怎樣問、什麼算是用 AI」，所以先交代來源。

有三份來自官方統計或經濟研究。美國人口普查局的 Business Trends and Outlook Survey（BTOS）具全國代表性，問的是企業有沒有在某個業務功能裡使用 AI。歐盟統計局 Eurostat 的企業 ICT 調查只涵蓋十人以上的企業，微型企業因此不在統計之內。歐洲投資銀行（EIB）2026 年 1 月發表的一份工作論文，用一萬二千多間歐美企業的數據估算 AI 對生產力的實際影響，而不是詢問老闆的感受。

有五份是企業調查。OECD 的 2026 年 D4SME 調查透過 Amazon、Rakuten、Kakao、Sage、Wolt 等平台接觸了兩千多間中小企業，其中接近七成來自日本，作者也明言樣本不具代表性。德國數位產業協會 Bitkom 在今年 9 月發表了對約六百間二十人以上德國企業的電話調查。Goldman Sachs 在年初調查了一千二百多位「10,000 Small Businesses」計畫的參與者。排班與薪資軟體公司 Homebase 訪問了七百五十位美國小企業決策者。CPA Australia 的年度亞太小企業調查則涵蓋十一個市場裡二十人以下的企業，其中約三百間來自香港。

最後兩份性質不同：Chase 銀行用公司信用卡交易數據，追蹤小企業客戶實際付錢購買 AI 工具的比例；顧問 Jason Wade 則寫了一份給中小企業主的導入指南，主張先建工作流程，不要先堆工具。此外還有那場 OECD 座談的三位講者：佛羅倫斯的咖啡店老闆、丹麥兩間小酒店的銷售主管，以及在荷蘭替電商客戶做內容的自由工作者，提供的是數字之外的現場聲音。

共通點

用得廣，用得淺

最一致的發現是：試過 AI 的企業很多，把 AI 放進核心運作的很少。OECD 樣本中 61% 的企業有用 AI，但其中四分之三屬於「AI 新手」，只拿現成工具處理零散任務。Goldman Sachs 的受訪者有 93% 說 AI 帶來正面影響，已經把 AI 完全整合進核心營運的卻只有 14%。Bitkom 的數字更直接：在已經使用 AI 的德國企業之中，沒有一間認為自己充分發揮了 AI 的潛力，認為自己完全沒有發揮的有 59%。Wade 從實務角度得出相同診斷，認為工具早已不難取得，少見的是把工具轉成業務指標改善的運作紀律。

規模越小，差距越大

第二個共通點是規模梯度，不論怎樣切分都看得到。Eurostat 2025 年的數字是小企業 17%、中型企業 30%、大企業 55%。美國 BTOS 發現，2025 年 12 月到 2026 年 5 月之間，二十人以上企業的 AI 使用率持續上升，二十人以下的則沒有顯著變化。OECD 報告引用的官方統計顯示，即使小企業的採用率在兩年間增加了一倍有多，大小企業之間的差距仍由 2023 年的 23 個百分點擴大到 2025 年的約 35 個百分點。Homebase 改用營業額切分，年營業額 50 萬美元以下的企業採用率是 54%，500 萬美元以上的是 81%。這些調查方法各不相同，方向卻一致：小企業在追，大企業跑得更快。

卡住的地方是知識和時間

第三個共通點在於障礙的性質。OECD 受訪者最常提到的是維護成本和沒有時間培訓，兩者都接近四成。還沒有使用 AI 的德國企業之中，85% 告訴 Bitkom 他們缺乏導入所需的知識。Goldman Sachs 的受訪者有 73% 認為更多培訓和資源會有幫助。OECD 另一組數字也值得一提：沒有受惠於政府數位化計畫的企業之中，有三分之二根本不知道這些計畫存在。缺的未必是錢或工具，更多時候是知道該怎麼做，以及有時間去弄清楚。

分歧點

到底有多少中小企業在用 AI？

採用率分成兩群。低的一端，BTOS 是 17% 到 20%，Eurostat 的小企業是 17%，Chase 的交易數據顯示，2026 年 7 月約有 16% 的小企業客戶用公司卡付費購買 AI 工具。高的一端，Homebase 是 74%，OECD 的平台樣本是 61%，Bitkom 是 57%。

這些數字其實在回答不同的問題。人口普查局問的是有沒有在業務功能裡使用 AI；Chase 量的是有沒有付錢，用免費版 ChatGPT 的咖啡店老闆不會出現在數據裡；Homebase 和 OECD 接觸的是本來就在使用軟體平台的企業；Bitkom 和 Eurostat 都排除了最小的企業。一位偶爾請免費聊天機器人寫一則促銷文案的店主，在某些調查裡算是採用者，在另一些調查裡則不算。Wade 也把「使用 AI」拆成四層：員工自行使用、老闆自報有用、AI 嵌入某個明確流程、跨職能全面整合並有管治。引用任何一個採用率之前，先弄清楚它描述的是哪一層，會省下很多誤解。

誰從 AI 得到更多？

第二個分歧更耐人尋味。OECD 的日本樣本顯示，企業越小，越可能說 AI 帶來顯著或轉型級的影響：自僱者有三分之一這樣說，中型企業只有兩成多。EIB 的論文卻指向相反方向：AI 平均把勞動生產力提高約 4%，效益集中在中型和大型企業，而且要配合軟體、數據和員工培訓的互補投資才看得到。

兩者可以同時成立，因為量的是不同東西。OECD 量的是老闆的感受，EIB 量的是從企業財務數據估算出來的生產力。一個沒有員工的自僱者突然多了一個能起草、翻譯、整理文件的助手，主觀上的解脫感可能非常強烈；但要把這種解脫轉成可以量度的生產力，往往需要整理數據、重新設計流程，而這些固定成本在規模較大的企業身上比較容易攤分。我之前寫過的〈兩份研究，兩個相反的答案〉也碰到類似情況：結論方向相反的研究，拆開各自用的量尺和任務性質，常常可以調和。

「有正面影響」和「發揮了潛力」之間

Goldman Sachs 和 Homebase 都發現，約九成使用 AI 的老闆說 AI 帶來正面影響。Bitkom 問的卻是另一個問題：企業有沒有發揮 AI 的潛力，結果幾乎沒有企業說有。「有正面影響」的門檻很低，快了一點寫完一封電子郵件就算；「發揮潛力」則要求受訪者先想像潛力有多大。前一個數字高、後一個數字低，說明大部分經營者心裡其實知道自己只碰到了表面。

下一步應該往哪裡走？

建議方向的分歧最大。OECD 的分類法以使用範圍和工具複雜度劃分企業，隱含的方向是往上爬，配套的政策建議是更多財務支援和更容易取得的培訓。Wade 的建議幾乎相反：挑一個沉悶、高頻、可以量度的流程做起，在任何涉及金錢或法律責任的環節之前安排一位具名的人負責審批，第一個流程未有記錄到指標改善之前不要擴展；他也認為大部分中小企業應該購買現成工具、在流程層面做調整，而不是自建系統。那位佛羅倫斯老闆則提出了兩個框架都沒有充分處理的第三種看法：各種支援方案往往預設企業想要成長，但家庭餐廳、街坊小店未必需要成長，它們需要的是讓自身的特色能夠持續經營下去的方法。

三個值得想下去的問題

把共通點和分歧放在一起看，我認為有三個問題比「多少企業在用 AI」更值得想。

量尺量的是工具，還是紀律？

OECD 的分類法只有兩個軸：AI 用在多少地方，用的工具有多複雜。Wade 的框架多了一個 OECD 沒有量度的維度：這個流程有沒有負責人、有沒有可信的資料來源、有沒有人覆核、有沒有追蹤指標。依前一把尺，一間用 ChatGPT 起草評論回覆、每則回覆都有人檢查、並且追蹤回覆時間的咖啡店，仍然是「新手」；依後一把尺，它已經在實施了。反過來，一間買了好幾套客製化工具、卻沒有人負責也沒有指標的公司，在前一把尺上分數更高，在後一把尺上卻是典型的失敗案例。

不過 Wade 的方法也有自己的預設。盤點三五十份文件、替每個流程指派負責人、建立指標儀表板，對一個用那位佛羅倫斯老闆的話來說，連哪塊海綿洗哪樣東西都要自己記住的經營者，本身就是一個專案。所以我傾向於再加上第三把尺：在經營者有限的注意力之下，有多少判斷能夠可靠地交給流程或工具。這把尺比工具複雜度難量，但它更貼近那位咖啡店老闆的處境，也為另一個可能性留了位置：對某些企業來說，停留在「新手」階段是合理的選擇。

AI 補上了缺席的組織，代價由誰承擔？

自僱者自評的 AI 效益最高，但同一份 OECD 調查也發現，自僱者最常表示因為數位工具而感到壓力和倦怠。CPA Australia 的香港調查有一個呼應：數位化和自動化被形容為紓緩了人手緊張。我的解讀是，對越小的企業，AI 越像是補上了一群原本不存在的同事和部門。起草的工作交給了機器，但哪份草稿可以發出去、哪個建議適合自己，仍然落在同一個人身上，因此工作量下降的同時，判斷的密度反而可能上升。這還只是一個假設，需要更細的數據去驗證；但它提醒我們，只用省下的時數衡量 AI 的價值並不完整。Wade 也提出了相近的看法：省下來的時間，除非被重新投放到其他工作上，否則不算回報。

誰來教中小企業用 AI？

OECD 數據顯示，中小企業補數位技能主要靠上網搜尋、外部顧問和親友，大約五分之一直接問生成式 AI；政府資助的數位培訓，在希臘、日本、韓國的覆蓋率都低於 5%。Bitkom 的調查中，三分之二的德國企業認為員工的 AI 能力偏低。當學習 AI 的主要途徑變成 AI 本身，學到的多半是操作，較難學到的是判斷：這個工具適不適合眼前的情況，輸出出錯時我能不能察覺。這和我在學徒制那篇文章裡關心的是同一個問題：隱性知識過去靠資深者和新手之間的日常接觸傳遞，現在這條管道正被其他東西取代，而取代它的管道未必傳得了判斷。

外部協助可以補上哪些位置

反過來讀，這些數據也勾勒出外部協助（顧問、行業協會、會計師，甚至一位懂行的朋友）可以補上的位置，以及它到哪裡就不夠用。

第一個位置是分流。丹麥那位酒店主管把「不確定」列為最大障礙之一：不知道從哪裡開始、該信任哪些工具、到底有沒有價值。熟悉各種工具和公共支援計畫的人，可以替企業做第一輪篩選；更早一步，還可以幫忙決定這間企業應該用哪一把尺衡量自己，是成長、紓緩人手壓力，還是只想少花一點時間在文書上。

第二個位置是攤分固定成本。EIB 指出生產力效益取決於數據、軟體和培訓的互補投資，對小企業來說，這其實主要是一個關於固定成本無法攤分的發現。一個同時服務多間同類企業的顧問，可以重複使用流程範本、知識庫結構和審批規則，在某程度上替客戶分擔這部分成本。

第三個位置是傳遞判斷，而不只是操作。Wade 認為提示詞速查表和一次性工作坊價值有限，我大致同意，因為這類內容現在用 AI 本身就能學到。較難獨自學會的，是在具體情境裡判斷何時可以相信輸出、哪裡需要有人覆核，以及哪些環節根本不應該交給 AI。

第四個位置是資安的底線檢查。OECD 樣本中接近一半的企業只有極少或完全沒有資安措施；那兩間丹麥小酒店五年前捲入一宗波及歐洲約六百間酒店的入侵事件，系統停擺了三個星期。對很多小企業來說，自己的資安實際上就等於供應商的資安，有人幫忙檢查供應商安排和權限設定，比自己從零學起實際得多。

限制也同樣重要。外部協助本身要花錢，而那位咖啡店老闆的利潤率就是一道硬限制。顧問也有自己的誘因，容易把客戶往更複雜、更需要服務的方向推；Wade 那份指南的後半段，就是在介紹他自己公司的服務。檢驗顧問的一個合理方法，是看他在評估過一間企業之後，是否願意說出「你現在的做法已經夠用」。

走到這裡

十份材料排在一起，最確定的結論反而是一個問題：我們用來衡量中小企業 AI 成熟度的，到底是工具、範圍、自評感受，還是在經營者有限的注意力之下能夠可靠交出去的判斷？不同的尺會給同一間咖啡店完全不同的分數，也會推出完全不同的建議。我目前傾向最後那一把，雖然它還沒有好的量度方法。如果你正在經營或輔導一間小企業，也許可以從眼前的例子開始想：哪些判斷已經可以放心交出去，哪些仍然只能留在自己手上。

參考資料