Goldman Sachs AI Institute 将培训纳入其 5 亿美元小企业扩张计划

Goldman Sachs 于 10 月 22 日推出了一所面向小企业的 AI institute，并将其纳入一项新的 5 亿美元承诺中，用于扩大商业教育和支持服务。Goldman Sachs AI Institute 汇集 Anthropic、Google、Meta 和 OpenAI，帮助创业者将人工智能应用于日常运营。其核心挑战在于实践层面：偶尔使用一次 AI 工具，与围绕它建立可靠的业务流程，并不是一回事。

资金的区别很重要。Goldman 的承诺覆盖其 10,000 Small Businesses 项目的下一阶段，包括教育、融资渠道，以及对另外 10,000 家企业的支持。该 institute 是这项扩张的一部分。该公告并未表明全部承诺资金均为专门的 institute 预算。

对企业主而言，关键区别在于能否获得技术，以及能否持续有效地使用它。Google 已提供面向小企业的 AI 教育，而 OpenAI 最近宣布通过 America’s Small Business Development Centers 开展培训。Goldman 的新增举措将多家供应商与现有创业项目及社区大学合作伙伴联系起来。这带来了扩大覆盖面的机会，不过其商业成效仍有待验证。

Goldman Sachs AI Institute 实际新增了什么

Goldman 正在其既有小企业支持项目中加入有组织的 AI 教育与研究工作。 根据 institute 启动详情，其职责还包括支持借助 AI 改善融资渠道。

这些活动所解决的问题彼此相关，但并不相同。教育关注企业主和员工能用现有工具做什么。研究关注企业实际如何使用这些工具。融资渠道关注企业能否获得发展所需资源。某一领域取得进展，并不自动意味着其他领域也取得了进展。

合作伙伴各自承担不同任务。Anthropic 将协助开发应用型 AI 学习材料、校友研讨会和研究合作项目。Google 将向近 20,000 名企业主和员工提供其 AI Professional Certificate，其中包括三个月免费使用 Google AI Pro。

OpenAI 将与社区大学合作伙伴在全国开展定制化研讨会。Meta 将通过 Muse for Small Business 提供工具和培训。这些安排描述的是共同计划下的独立贡献，而不是一款由各方联合开发的产品。

参与人数同样需要谨慎解读。更广泛的扩张计划面向另外 10,000 家企业，而 Google 的证书项目则面向企业主和员工。企业与个人学习者是不同统计单位。将这些数字相加，会夸大获得支持的不同组织数量。

该 institute 的名称不应掩盖其已公布的目标。披露的活动重点在于应用现有 AI 系统、培训商业用户和研究采用情况。它们并不意味着将开展训练基础 AI 模型的新工作；基础 AI 模型是聊天机器人等产品背后的通用系统。

这一重点使既有的社区大学网络尤为重要。本地研讨会可以将通用能力与企业主已经面临的决策连接起来。机会在于把技术转化为可识别的工作场景，而不是要求每位创业者独自研究相互竞争的系统。

不过，公告描述的是计划中的交付，而非已经完成的课程、运营改进或融资成果。随着该 institute 开始报告其活动，这些区别应当保持清晰。

因此，Goldman Sachs AI Institute 改变的是参与企业可获得的支持结构。这一结构能否带来持久的运营变化，取决于初步介绍之后实际发生的事情。其实际意义在于连接教育、后续支持和证据。

压力落在已经使用 AI 的企业主身上

该 institute 所针对的，是已经在尝试使用 AI 的企业中存在的整合问题。 Goldman 早前的研究提供了有用参照，但其样本不应被视为全体美国小企业的代表。

Goldman 在其 小企业 AI 调查中称，76% 的受访者使用过 AI。仅 14% 表示 AI 已完全嵌入核心运营。该调查涵盖其小企业项目中的 1,256 名参与者，回复收集时间为 2026 年 1 月 27 日至 2 月 4 日。

这些发现表明，该受访群体内部存在差距。但这并不能证明仅靠培训就能弥合这一差距。企业主可能了解某种工具，但仍缺少合适的信息、可用的员工时间，或明确的结果评估方式。

对同时负责销售、排班和行政工作的企业主而言，压力尤其具体。尝试新工具会与客户已经期待完成的工作相竞争。一次有用的演示，最终必须证明其值得持续维护所需的关注。

以一家编制客户报价的服务企业为例。AI 或许能协助起草说明或整理工作记录。但企业仍需要准确的服务描述、最新条款，以及负责核查最终报价的人。更快地起草并不能消除这些依赖条件。

这个例子并非已报道的 institute 成果。它说明了为何小企业采用 AI 所需的不只是熟悉聊天机器人。企业主必须决定应在哪些环节引入辅助、工具需要哪些信息，以及何时必须由人工介入。

员工面临着相关压力。企业主的一次成功尝试，只有在其他人也能复现后，才能成为共享流程。如果说明仍停留在某个人的聊天记录中，企业获得的只是个人便利，而非可靠的组织能力。

对于企业级买家而言，这一区别并不陌生。采购决策与运营部署是两个不同的里程碑。小企业也面临类似过程，只是通常可用于实施和排障的人手更少。

该 institute 也对其技术合作伙伴提出了期待。强调广泛商业实用性的供应商，如今拥有了一个可通过日常工作评估这种实用性的场景。培训创造了观察产品适用之处及企业主遇到摩擦点的机会。

这种观察也应包括 AI 并无必要的情况。一个利用现有表格或电子表格就能良好运作的流程，并不需要仅因培训引入另一种选择而被替换。良好的教育应帮助参与者作出这一判断。

因此，短期压力在于运营，而非要求采用每一项新能力。企业主需要有理由分配注意力。培训者需要将教学与重复性工作连接起来。供应商需要证明其产品在受监督的练习之外仍然有用。

Goldman Sachs AI 培训将供应商与本地教学连接起来

该 institute 的交付模式将供应商专长与已在服务创业者的机构结合起来。 这种安排之所以重要，是因为产品文档与商业教学服务于不同目的。

文档说明可用功能。商业教学则将这些功能与一项任务、一种约束和可接受的结果联系起来。评估客户沟通内容的企业主，需要的不只是关于文本生成的说明，还需要理解准确性、审核和责任。

Goldman Sachs AI 培训将与其他已在进行的工作同步开展。9 月 30 日，OpenAI 宣布与 America’s SBDC 开展另一项独立的小企业培训合作。其初步计划包括培训约 150 名顾问，并通过线下研讨会覆盖至少 1,000 家企业。

此前的公告为社区大学安排提供了背景。OpenAI 正通过中介组织，借助教学和本地指导触达商业用户。Goldman 的合作增加了另一条机构渠道，拥有自己的参与者和交付结构。

Google 则通过结构化课程采取互补方式。其证书项目提供明确的学习路径，而研讨会可回应参与者从自身企业带来的问题。两种形式都不会自动取代另一种。

Anthropic 已公布的工作包括应用学习和研究，Meta 的贡献则将工具与创业者培训连接起来。启动信息没有提供足够细节，无法按教学质量或预期商业影响对这些贡献进行排序。

因此，比较的重点在于交付方式。Google 提供证书形式。OpenAI 通过社区大学合作伙伴提供定制化研讨会。Anthropic 提供学习材料、研讨会和研究合作。这些差异为该 institute 提供了多种与参与者互动的方式。

共同的环境也带来了潜在的协调负担。企业主应当能够在不必理解重叠描述的情况下，明白哪项活动适合自身需求。庞大的合作伙伴阵容，只有在学习体验仍然易于理解时才有帮助。

例如，入门教学可以先建立共同概念，之后研讨会再处理特定业务任务。后续支持则可考察参与者是否持续采用该方法。这一顺序只是分析性示例，并非已披露的 institute 课程设置。

同样的区别也适用于知识管理。尝试使用 AI 的企业，会受益于让员工能获取可靠的说明和源材料。个人尝试与共享信息之间的差异，见 remio 的 AI 知识库指南。

这一联系并不意味着 remio 与该 institute 存在任何关系。它强调了一项实际依赖：AI 辅助在更广泛的信息环境中发挥作用。培训无法无限期地弥补相互矛盾的政策或缺失的记录。

该交付模式最具参考价值的地方，将在于它展示本地讲师如何处理这些条件。课程可以介绍一种能力，而值得信赖的顾问可以帮助企业主判断是否值得应用它。

免费使用降低一项门槛，但实施工作仍然存在

临时使用权限让尝试变得更容易，但并不能解决后续所需的运营工作。 在评估公告中 Google 部分时，这一区别至关重要。

Google 的 AI 培训项目将教育与工具使用权相结合。其公开材料还说明了更广泛小企业项目的申请要求和资格条件。企业主应核实适用的报名渠道，而不应假定每一项推广安排的条款都完全相同。

在该学院内，已公布的三个月 Google AI Pro 权益为参与者提供了一段明确的探索期。这可以减少尝试陌生功能时的犹豫。但这并不意味着每位参与者都能找到适合长期使用的方式。

临时权益也创造了一个评估窗口。在此期间，企业可以观察某项拟议流程在计入审核成本后是否节省精力。相关比较应包括准备、纠错和维护，而不只是生成初步答案所需的时间。

一份营销文案草稿说明了这种差异。若草稿能够准确反映企业情况，快速生成文字便很有价值。若有人必须反复修正服务细节或删除缺乏依据的说法，表面上的节省就更难评估。

日程安排示例则带来了另一组问题。协助整理请求不同于拥有确认预约的权限。企业需要确定由谁批准变更，以及员工如何在错误影响客户前识别出来。

这些是示例性的商业情境，并非来自学院参与者的已验证结果。它们说明了为何从培训练习过渡到日常运营值得关注。关键在于评估整项任务。

同样的逻辑也适用于信息访问。员工需要知道哪些材料可以使用，哪些材料需要额外谨慎处理。便利的界面本身并不意味着企业可获准上传其持有的每一份文件。

因此，培训质量也包括对边界的判断。参与者应了解何时需要核实答案、何时任务需要由人完成，以及何时现有流程已足够。这些判断有助于实现有效采用，而不会把每项活动都视为自动化候选项。

融资部分值得单独审视。支持由 AI 赋能的融资渠道是已公布的机构目标。这并不意味着完成课程即可保证获得融资，也不意味着 AI 系统会批准贷款，或资格标准已经改变。

已披露的发布信息并未说明这一目标将在实践中如何落实。读者不应以关于贷款产品或自动化信贷决策的假设来填补这一空白。教育和融资同属更广泛的项目，但其结果需要不同的证据。

对企业主而言，眼下的意义在于有更多机会在接受指导的同时评估工具。长期意义则取决于这种评估是否能形成可管理的流程。免费使用权可以开启调查，但无法替你得出结论。

采用研究必须区分活动与商业成果

参与、持续使用和绩效改善是不同的成功衡量指标。 如果 Goldman Sachs AI Institute 的研究能够将这些类别明确区分，就能产出更有价值的证据。

报名人数反映的是覆盖范围。完成课程表明学习者完成了既定活动。持续使用则说明相关内容在工作中找到了位置。这些指标中没有任何一项本身能够证明服务改善、收入增加或行政负担减轻。

这一区分并非贬低培训。在可量化的业务变化出现之前，教育也可能具有价值。但这意味着公开表述应与各阶段可获得的证据相匹配。

调查设计同样影响解读。创业项目的参与者已经主动选择寻求支持。他们的经历可以说明该群体的情况，却不能描述网络之外的每一家企业。报告应解释哪些人作出了回应，以及参与者是如何被选中的。

问题的重要性不亚于样本量。询问某人是否使用过 AI，所涵盖的活动范围比询问某项重复流程是否依赖 AI 更广。只要表述保持清晰，两种问题都可能有用。

历史比较也需要同样谨慎。如果调查改变了定义、参与者构成或收集方法，更高的采用率报告就需要背景说明。读者不应假定每一项差异都反映了行为变化。

学院的合作关系引入了另一项考量。供应商有正当理由支持教育并扩大人们对其产品的熟悉程度。这些利益并不会使研究失效，但会使透明的方法尤为有用。

Google 在 2 月推出其 AI Professional Certificate时，将劳动力技能视为实际应用的障碍。这是清晰的合作伙伴视角。学院的研究可以考察培训在哪些方面有帮助，以及其他障碍仍存在哪些地方。

这才是适当的审慎视角。问题并不在于教育原则上是否有价值，而在于这种由指导、使用权和支持构成的特定组合，是否能带来参与者能够识别并持续维持的成果。

当参与者停止使用某项工具时，存在若干合理解释。任务可能并不适合，流程可能需要过多审核，或者员工可能没有时间。若将每次停止使用都视为抵触情绪，就会掩盖有用的信息。

成功案例也需要相当的严谨性。一则有说服力的案例应说明改变了什么、员工仍需做什么，以及企业如何评估结果。缺少这些背景，展示听起来可能比实际情况更具结论性。

有记录的失败实验同样可以帮助其他企业主。它可以说明某项任务为何仍保持人工处理，或企业为何改变了方法。发布这些经历，会使研究比仅收集正面轶事更具信息价值。

最有力的证据应将学院的活动与随时间推移、描述清晰的变化联系起来，同时承认其他可能的解释。这一标准要求很高，但对于一项连接教育、研究和企业增长的计划而言是恰当的。

学院开始交付后应关注什么

接下来值得关注的信号涉及项目交付、持续应用和透明报告。 在未来数月中，这些信号将揭示的不只是又一则关于参与组织数量的公告。

首先，关注具体的报名信息和本地工作坊日程。明确的举办地点、清晰的参与者要求以及易于理解的申请渠道，将增强该合作正在变得可及的可信度。若缺少这些内容，企业主将难以对这次发布采取行动。

已宣布的机会与实际可参加的名额之间的区别很重要。企业若不知道工作坊何时举办或服务于谁，就无法据此规划。运营细节能将全国性承诺转化为参与者可以评估的具体事项。

其次，关注培训结束后持续应用的证据。相关叙述应说明重复性任务、人工审核以及员工发生了哪些变化。证书完成情况仍然有用，但它回答的是一个更狭窄的问题。

持续使用将增强这样的论点：Goldman Sachs AI 培训满足了某项运营需求。若报告仅限于出勤情况，这一论点仍无法得到解决。在参与者有时间应用所学之前，任何一种结果都不应被夸大。

第三，关注研究方法，以及对资本获取工作更清晰的说明。公布定义、参与者特征和后续跟进程序，将提升人们对采用主张的信心。具体的融资机制将使学院更广泛的职责更易评估。

模糊的总结会削弱区分教育成果与推广覆盖范围的能力。透明报告将帮助企业主、讲师和外部观察者了解项目中哪些部分值得扩大或修订。

对合作伙伴的比较应继续聚焦于实用性。证书、本地工作坊和应用学习系列服务于不同需求。相关问题在于，参与者能否在不丢失自身业务背景的情况下，从指导过渡到实施。

对于开发小企业产品的开发者而言，该学院也提供了有关分发的另一种信号。除了产品能力，培训和可信赖的中介同样重要。即使底层技术表现良好，一项需要大量解释的功能仍会为讲师和企业主带来工作量。

对于知识工作者而言，同样的发展强调了可重复的信息实践。当同事能够识别其来源、说明和审核责任时，一项有用的 AI 实验就更容易共享。周边工作决定了其效益能否超越最初用户而延续。

Goldman 围绕一个实际商业问题聚集了知名合作伙伴。其更广泛的承诺确立了机构支持，而学院则提供了教育和研究的结构。两者都不能替代参与者的证据，但都创造了收集证据的机会。

关注 Goldman Sachs AI Institute 的企业主应先了解适用于自身情况的交付细节。核实谁可以参与、培训涵盖什么，以及是否提供后续支持。然后，将拟议活动与团队已经理解的一项重复性任务进行比较。除任何表面上的时间节省外，还应记录准备、审核和纠错情况。将这些观察结果分享给交付该项目的人员，包括工具未能发挥帮助作用的案例。这些反馈将使该计划更易评估，也更有助于其他企业。随着学院发布结果，请寻找同样的具体性：哪些工作发生了变化、谁仍承担责任，以及改进是否持久。