2026年5月11日到14日，四天之内发生了三件事。
5月11日，OpenAI 宣布成立 The Deployment Company——一家独立子公司，从19家投资机构拿到超过40亿美元，收购了一家150人的 AI 咨询公司，计划把工程师直接派驻到客户公司内部，帮它们把 AI 嵌入运营。5月12日，Anthropic 发布了12个法律业务领域的 Claude 插件，同时宣布与 Thomson Reuters、Harvey 等20多家法律科技公司完成集成。5月13日，Anthropic 发布 Claude for Small Business——15个预置工作流，直接连接 QuickBooks、PayPal、HubSpot 等小企业日常使用的工具，不额外收费，同时启动美国10个城市的免费培训巡讲。
这三件事各自看都不算意外——AI 公司做企业市场、出行业方案，听起来像正常的商业扩展。但把它们放在一起，再配上 Anthropic 过去两三年的产品演化路径，一个更大的模式就浮现出来了：AI 产品正在系统性地改变自己卖的东西。不再卖”能写代码的模型”，开始卖”懂你这个行业怎么运转的 AI”。
换句话说，复用的单位在迁移。
软件行业的历史，几乎就是一段复用单位不断变大的历史。最早的程序员直接写机器码，复用为零。后来有了汇编、高级语言、函数库、框架、API，每一步都在把更大的一团功能打包成一个单位，给上一层的人直接用。到了 SaaS 时代，AWS 把服务器运维打包成 API 调用，Shopify 把开网店的整套流程打包成订阅服务——复用单位是完整的业务能力，底层技术细节完全消失。
AI 行业正在经历类似的转移，只是这一次打包的不是服务器，是认知劳动。
Anthropic 在2023年刚推出 Claude 的时候，卖的东西和当时所有模型公司一样：token。你买的是”智能”，怎么用是你的事。2025年5月发布的 Claude Code 是第一个转折——它不再只是一个等着被调用的模型，而是一个能主动读代码库、执行命令、管理 git 的 agent。复用的单位从”理解一段文本”变成了”完成一个编程任务”。到2025年底，Claude Code 的年化收入已经超过25亿美元，占 Anthropic 总收入的20%。
但 Claude Code 的成功暴露出一个更根本的问题：agent 循环确实有用，但只有开发者能用。2026年1月，Anthropic 发布了 Cowork——同一个 agent 架构，但把接口从终端换成了桌面应用，把操作对象从代码文件换成了 Office 文档、浏览器、本地应用。发布时的定位是：“Claude Code for general computing”。
再往下走，就有了今年5月这密集的三连发。
Claude for Financial Services（2025年7月首发，2026年5月大幅扩展）提供了10个预构建的金融 agent 模板——从投标书撰写、财报分析到月末对账、KYC 筛查，每个模板打包了三个东西：完成该任务需要的领域指令（skills）、连接行业数据的管道（connectors）、以及负责分解任务的子 agent。金融数据源连接覆盖了 FactSet、S&P Capital IQ、Moody’s、LSEG 等行业标准。
Claude for Legal 做了同样的事，但针对的是律师。12个实践领域插件——商业法律顾问、诉讼律师、隐私顾问、法律学生——每个都连入了该领域使用的专业工具：Thomson Reuters 的 Westlaw、iManage、NetDocuments、Harvey。
Claude for Small Business 做了第三次同样的操作，但对象变成了15人暖通空调公司或30人园林绿化公司的老板。工作流覆盖工资单、月结对账、发票催收、销售活动——每一样都是一个 SMB 业主人生的实际组成部分。连接的工具不是 FactSet 和 Westlaw，而是 QuickBooks、PayPal、HubSpot。
三个产品在不同行业、不同规模、不同复杂度上，用了完全相同的架构。这不是三个孤立的发布，而是一个产品策略在三个方向上的展开。
如果你把这三次发布横向摊开来看，会发现三个共同的假设。
第一，同一个 agent 循环可以在不同领域复用。 Claude Code 在编程上验证了一个模式：给 agent 一个目标、一套工具、一个执行循环，它能完成多步任务。这个模式不依赖编程本身——它依赖的是”多步推理 + 工具调用”这个通用能力。把它放在金融数据源和合规框架里，它就变成了金融 agent；放在法律数据库和文档系统里，它就变成了法律 agent。
第二，行业 know-how 可以被编码成可复用的包装。 Skills 和插件体系在做的事情，本质上就是把一个行业的操作方式写成机器能执行的指令。这个动作在软件历史上发生过很多次——Salesforce 把销售管理流程标准化成 SaaS，QuickBooks 把记账流程标准化成软件。区别在于，以前的标准化是对人操作的规整，现在的标准化是对 AI 行为的定义。但逻辑是同一个：把隐性知识变成显式配置。
第三，分发成本必须趋近于零才有意义。 Claude for Small Business 不额外收费，包含在现有订阅里。如果 Anthropic 需要为每一个暖通空调公司派驻一个工程师，那它就和 OpenAI 的 DeployCo 没有本质区别了——都是人力密集的咨询模式。Anthropic 的赌注是：15个预置工作流 + 标准化的工具连接器，足以覆盖大多数 SMB 的需求，不需要人工介入。这个赌注能不能成立，取决于两个变量：SMB 的数据环境是否足够标准化，以及 SMB 业主是否愿意自己完成初始配置。
如果这三个假设同时成立，Anthropic 就在建立一个”认知劳动的 SaaS 层”——底层是同一个模型和 agent 架构，上层是针对不同行业的预制工作流。边际成本趋近于零，切换成本随着使用加深而上升。这是一个高毛利的商业模式，和 OpenAI 的人力嵌入模式在根本上是两条路。
OpenAI 的 DeployCo 走的是完全相反的方向。它的核心假设是：AI 落地到企业的瓶颈不是模型能力，而是部署能力。解法：买下一家已有150个工程师的 AI 咨询公司（Tomoro），拿到40亿美元继续收购更多，把工程师直接派到客户公司内部。目标客户是谁？联合体里19家投资机构的投资组合公司——TPG、Bain Capital、Brookfield 等 PE 巨头旗下加起来超过2000家企业。
这是一个用资本结构做分销的逻辑：不需要一家一家说服企业用 AI，只要让 PE 投资人在自己的被投企业里推行标准化部署就行。代价是17.5%的年化担保回报——据 TNW 和 Yahoo Finance 报道，这与传统的风险投资结构完全不同，更像是一个高收益信贷工具披上了科技公司的外衣。如果部署周期拉长，OpenAI 需要自己补足回报缺口。
Google 的策略更接近”躺赢”路线。它不需要建咨询公司或派驻工程师，因为它的产品已经覆盖了绝大多数 SMB 的日常工具——Gmail、Docs、Sheets、Meet、Merchant Center。它在做的事是把 Gemini 的能力注入这些产品，让用户在不改变工具习惯的前提下获得 AI 功能。同时通过免费培训（SMB Learning Path、AI Boost Bootcamp、与 SBA 合作的全国小企业周 AI 工作坊）降低采用门槛。
这三条路径的差异指向同一个核心判断：AI 商业化的下一阶段不是模型能力的竞争，而是分发模式的竞争。 模型本身正在变成一种可替代的基础设施，就像一个所有人都能接入的电网。真正的问题是谁能把电送到每家每户、每家工厂，并让它们用上。
Anthropic 的答案是标准化产品——低边际成本，但要求客户有一定自学能力。OpenAI 的答案是重人力服务——深度绑定，但难以规模化。Google 的答案是生态内增强——覆盖最广，但不够深入。
“复用单位从代码迁移到行业 know-how”作为分析框架有用，但作为预测有盲区。
最根本的问题：如果模型能力继续以当前速度提升，预打包的行业工作流还有多大价值？一个足够聪明的通用模型，能不能直接从”帮我处理一下这个月的账”这句话里自动理解 QuickBooks 的数据结构、会计准则和公司内部惯例，而不需要 Anthropic 预先写好 workflow？如果答案是能，那这些行业方案的价值会在模型能力的提升中逐渐稀释。
目前看，这个风险比看起来要小一些。不是因为模型不够聪明，而是因为真实商业环境里的壁垒不只是”知不知道怎么做”，还包括：权限体系（谁能碰什么数据）、合规框架（什么操作需要审计记录）、数据管道（怎么从 QuickBooks 里准确地读到特定科目）。这些是物理世界和制度世界的约束，不是智力问题。模型越聪明，它越需要一个”已授权的操作环境”——而这个环境本身就是行业方案在构建的东西。
另一个风险是 SMB 市场本身。历史上几乎所有想”教育小企业用新技术”的公司都碰过壁。SMB 业主遵循的不是”最佳技术”决策逻辑，而是”最不坏”的决策逻辑——他们时间太少、容错空间太小、被软件厂商的承诺伤过太多次。Anthropic 10城市巡讲的规模（每站100人，总共1000人）相对于美国3300万 SMB 来说，更像市场测试而非规模化获客。
最大的不确定性在于：SMB 业主是在”让 AI 省我3小时”和”让 AI 看我银行账户”之间做心理价位核算，而这两个价值的定价逻辑完全不同，它们碰不到一起。
Anthropic 在2026年5月这四天里的密集发布，与其说是一个产品发布的节点，不如说是一个产品策略的显影——过去三年的积累在同一时间点上成像了。从 Claude API 到 Claude Code 到 Cowork 到三个垂直方案，每一步都在同一个逻辑上叠加：找到能被 agent 执行的认知任务，把它打包成不需要用户理解底层模型就能用的产品。
如果这个判断成立，下一步可能的方向包括：更多垂直行业（医疗已经在做了）、更细颗粒度的职能插件（不只是”法律”而是”并购律师”、“数据隐私律师”）、以及把行业方案从”预置工作流”推向”能自我适应的行业 agent”。
对于观察 AI 行业的读者来说，与其盯着哪个模型在哪个基准上赢了几分，不如看这个：谁在把 AI 从”你能用它做什么”变成”它会主动帮你做什么”，而且这个”什么”不是代码，是你这个行业里明天就要交的那份月结报告。 如果这个判断成立，那衡量 Anthropic 的不是模型排行榜，而是有多少个老周——暖通公司老板——在这个月的最后一天，晚上7点就回了家。
本文调研覆盖了 Anthropic 官方公告、Axios/The Decoder/Law.com 等媒体报道、Goldman Sachs 10KSB 调查、美国商会 SMB 数据、Reddit 社区讨论，以及 OpenAI 与 Google 的同期发布。关键事实均通过原始来源交叉验证。