美国小企业管理局（SBA）的几乎全部人工智能工作已经冻结了一年多——而在国会首次要求进行披露的六年后，它至今仍未向公众说明自己在使用哪些AI系统。这可不是藏在脚注里的小矛盾，而是美国政府问责局（GAO）最新报告的核心发现。如果你正在投标联邦合同，或者正在申请SBIR或STTR资助，这份报告值得你花五分钟读一读。
GAO究竟发现了什么
GAO-26-107828号报告《人工智能：小企业承包与创新研究中的用途与风险》于2026年5月4日发布，审视了SBA及其监管的联邦机构网络是如何处理AI的。调查结果分为两条主线。
暂停。 2025年3月，SBA冻结了几乎所有AI相关活动，以便审查其是否符合联邦行政命令并重新调整优先事项。截至GAO在2026年4月的实地调查，这一冻结在很大程度上仍然有效——只有一个例外：七个试点项目被允许继续运行，用于在更大范围推广恢复之前测试安全性、性能和价值。
透明度缺口。 另外，自2020年起，联邦法律就要求各机构公开报告其具体的AI用例——系统的功能、构建方式、采购方式。而SBA直到2026年3月才发布了首份此类清单。GAO将这六年的延误归因于内部文档流程薄弱，以及负责报告工作的人员频繁变动。GAO给出的建议范围很窄、也很程序化：建立一项正式政策，明确规定今后由谁负责汇编和发布该清单。SBA已表示同意。截至报告发布时，GAO仍将该建议标记为"待完成（Open）"，意味着它尚未核实SBA是否真正落实。
在这两项发现之下，GAO还召集了专家小组，梳理出AI可能真正派上用场的领域。这份清单很有参考价值，因为它预示了暂停解除后即将出现的变化：判断哪些小企业有能力承接特定合同的市场调研、更快的提案审查、针对机构收到的大量申请材料的欺诈检测、对各机构提交给SBA的报告进行数据分析，以及起草SBA自身必须提交的年度报告。而与这些用途相伴出现的风险——才是真正应该改变你本周做法的部分：输出结果不准确、数据隐私与安全存在隐患、结果存在偏见，以及专家小组认为，联邦技术人力过于薄弱，难以在部署前对这些系统进行充分审查。
往后退一步看，SBA的这次冻结显得颇为反常。自2023年以来，联邦机构整体的生成式AI使用量已增长了约九倍。当政府其他大多数部门都在加速时，SBA却按下了暂停键——这意味着，即便SBA自己的工具仍被搁置，其他机构用来评估你的合同投标或资助申请的系统，如今可能已经在依赖AI了。
如果你在投标联邦合同，这为什么重要
GAO列出的用例中，有两项——市场调研和欺诈防范——在你提交任何文字材料之前就已经和你产生了关联。
如果某个机构正在用AI识别哪些小企业有资格承接某个特定机会，那么这套系统的好坏，完全取决于它所依据的数据质量。它读取的记录，就是你的SAM.gov注册信息和动态小企业搜索（DSBS）档案。一个过时的NAICS代码、一份陈旧的能力描述，或者一项过期后从未续签的资质认证——这些如今已经不只是在人类合同官眼中显得不够严谨了，它还可能意味着算法从一开始就根本不会把你匹配出来。GAO的报告本身也指出，基于不完整数据做出的市场调研，有可能把真正有能力的企业排除在外。实际做法是：至少每年检查并更新一次你的SAM.gov和DSBS信息，并且只要你的资质认证、过往业绩或核心能力发生变化，就立刻更新——而不是等你恰好想起来的时候才做。
第二点，是关于当情况看起来不对劲时你该如何应对。无论部署在哪里，AI辅助筛查都会像任何分类器一样，产生误判——包括假阳性和假阴性。如果一份提案被拒，或者中标结果与你在类似项目上的过往业绩明显不符，不要想当然地认为整个流程纯粹由人工完成、因而不会出错，也不要想当然地认为自动标记就一定正确。直接向合同官询问AI工具是否参与了本次评估，并要求对方说明所使用的评判标准。这个问题在今天就值得问，而随着SBA被暂停的工具陆续恢复上线，它只会变得更加重要。
如果你在争取SBIR或STTR资助，这意味着什么
这一时间点恰好与一场更大的结构性变化重叠：2026年4月13日签署的《2026年小企业创新与经济安全法案》，在经历六个月的授权中断后，将SBIR和STTR项目的授权延长至2031年9月30日。各机构现在被要求在联邦采购数据中更精确地追踪奖励类型——标记直接进入二期（Phase II）的奖励、战略突破奖励，以及三期（Phase III）后续合同，并且在记录后续合同时，注明其所对应的原始SBIR/STTR合同编号。这意味着，流经这些系统的结构化数据会更多——而GAO表示，这些系统日后有可能被加装AI层，用于分析和欺诈防范。
由此会带来两点影响。
第一，在申请环节：如果AI辅助的提案筛查成为你的一期或二期申请材料被初筛的一环，请把它当作任何自动化初筛来对待——假定最终仍需要有人看到完整的全貌，也不要指望靠排版技巧或堆砌关键词去糊弄一个系统，何况你所申请的机构说不定根本还没部署这套系统。要为技术评审人写作，而不是为筛选器写作。
第二点，也更具体：SBIR/STTR的合规本来就依赖文档记录，这与AI无关。获奖者需要维护同步记录的计时表，展示每位员工的工时如何对应到受资助的研究工作；需要让分包商发票和协议与奖励条款保持一致；还需要遵循《联邦采购条例》（FAR）下的成本会计准则。这些都不是新要求。真正在发生变化的，是整体走向：机构生态系统正变得越来越擅长交叉核对奖励数据、把欺诈检测工具纳入路线图，并把后续合同追溯到其原始的SBIR/STTR编号。整洁、一致的记录，不再只是审计准备工作中的最佳实践，而是能让你的档案在一个专门用来发现异常的系统里，不会因为错误的原因而被挑出来的关键所在。
现在就可以采取的实际行动
- 更新SAM.gov和你的DSBS档案，至少每年一次，并且在资质认证、NAICS代码或过往业绩发生任何变化后立即更新——把它当作算法实时读取的动态数据，而不是一份填过一次就不再理会的表格。
- 为每一笔奖励单独设立账簿或成本中心。 无论审计是否有AI参与，跨合同的费用混同都是联邦奖励审计中最常见的问题。
- 保持同步记录的工时表，适用于任何向成本补偿型或工时物料型合同计费的人员——事后补录的记录是审计中反复出现的危险信号。
- 每月核对分包商发票与奖励条款，而不是等到报告截止前一周才做。无论是人工评审还是自动化评审，长期保持一致的记录，与临时拼凑出来的一堆发票，给人的印象截然不同。
- 直接提问。 只要投标、提案或资助的结果与你的以往业绩明显不符，就问一句：这次评估是否有AI参与，评判标准又是什么？
让你的联邦合同记录始终经得起审计
无论AI最终是否会筛查你的下一份提案，其背后所要求的纪律都和联邦奖励合规一直以来的要求相同：记录必须完整、一致，并且能够轻松追溯到源头。Beancount.io提供纯文本、版本控制的记账方式，让每一笔分录——以及对它的每一次修改——都拥有永久、可审计的历史记录，而不是隐藏在黑箱之中。免费开始使用，让你的账本像你的提案一样经得起推敲。