李彦宏的考题，发给了所有CEO

AI芯片、大模型、AI应用，这届百度世界大会全都有，李彦宏却单单聊起了一个“不性感”的话题——智能组织。

过去两年，几乎所有企业都在做同一件事，把AI交到员工手里。方案写得快了，报表出得也快了，可再看公司报表，增长迟迟不见踪影。

员工越来越快，公司还是老样子，这个落差成了全球企业共同面对的题。

11月12日，百度世界大会2026在北京国家会议中心二期开幕。百度创始人李彦宏在演讲中给出的归因很直接，“AI没有产生预期的经济效益，是因为我们只是更换了电机，却还没有重新设计工厂”。

与模型、芯片和应用的发布相比，这个话题显得有些过于朴素，岗位如何分工，知识怎样共享，工作流程怎么调整，听起来像在上一堂管理学课程。

但是对百度以及所有的AI企业而言，这是一个需要极其认真讲清楚的AI故事，海量的AI投入，换来的究竟是一个企业未来虚无缥缈的“鬼故事”，还是企业确定赢在AI时代的好故事。

百度是一个典型代表，它持续投入芯片、云、模型和智能体，客户最终买到的不能只有新技术，AI进入公司之后，产品能否更快交付，服务能否做得更好，成本能否降下来，决定了企业愿意继续投入多少。

智能组织是李彦宏对当下AI行业的回答，人工智能是新电能，智能组织就是AI时代的新厂房，是生产力真正发生的地方。

个人高效，组织低效

企业的AI转型容易出现一种误判，企业让员工用好AI，Token消耗屡创新高，就算公司AI转型形势一片大好，但这些成果越集中在个人和单个岗位，越可能掩盖流程没有改变的事实。

真正困难的调整涉及部门之间的权责与利益，很难靠员工自发完成，局部试点的成功如果让管理者停下了改造，结果可能是每个人都更忙、更快，公司却没有明显变化。

这也解释了AI组织转型的一种落差，个人提效和组织增效，从来就不是一回事。

微软《2026年工作趋势指数年度报告》描述了同一种现象，并把它称作企业AI转型悖论，员工已经在用AI提升个人效率，业务流程和评价机制却停留在过去，组织没有发生太大变化。

同样地，BCG发表过一篇标题就很直白的文章，《为AI重新设计公司，而不是让AI适应公司》，其研究中的一家欧洲能源企业，在部署大量AI试点却未取得整体收益后，转向重构端到端客户流程，才拿到实质性改善。

落差的根源，藏在公司的出厂设置里，现代公司的组织形态，是为纯人类的员工队伍设计的。

世界上第一张组织结构图出自一家铁路公司，1855年，纽约与伊利铁路公司画出一张外形像树的图，分支标注各职能部门与人员分工，职责划分加分级管理，撑起了工业时代的规模，韦伯后来把这套体系总结成科层制理论。它管住了规模，代价是僵化。

互联网时代，贝佐斯提出两块披萨团队，规模小到两块披萨能喂饱，决策权下放，层级压缩，但无论公司层级怎么压缩，一百多年来组织的参与者始终只有一种：人。

AI把这个前提打破了。

组织里第一次出现了不需要编制也能干活的参与者，为纯人类队伍设计的流程和岗位设定，就成了新电机轰鸣声里那间没动过的旧厂房，个人效率的提升发生在旧流程的缝隙里，而缝隙里的效率，不会自动累积成组织生产力。

百度选择在此时讨论智能组织，正是把问题推进到了这一层，员工已经获得了新的工作能力，公司准备怎样使用这些能力？

百度的回答

AI芯片、大模型和智能体，都可以花钱买，但智能组织能力是企业自己长出来的。著名科幻作家威廉·吉布森有一句广泛流传的名言，“未来已来，只是分布不均”，正是当下的写照。

同一个模型可以卖给同行业的不同公司，但它进入企业后，能调用什么数据、依据什么规则作判断、结果由谁负责，各家的条件并不相同。企业多年积累的经验能否被AI用起来，比采购时选中了哪一款模型更需要长期经营。

这也是讨论智能组织的意义。

时间回到2016年的百度世界大会，那届主题是AI is the New Electricity，当时李彦宏就提出AI是新的电力，判断移动互联网之后的下一幕是人工智能。

十年后AI已成共识，企业又开始追问投入为何没换来增长，李彦宏把下一幕指向了组织：AI的上游是能源，下游是组织能力。

在2026百度世界大会上，李彦宏提出的智能组织包含三项原则：打破岗位边界，释放组织活力；沉淀隐性知识，构建组织智能；设计流程闭环，推动组织进化；三者分别涉及工作如何分配、经验如何保存，以及结果如何改进。

先看工作分配，传统的组织以岗位为中心，AI时代的组织将变成以任务为中心，意味着人员配置要围绕交付结果重新安排。专业人员仍然需要把关，但哪些工作必须交给专门岗位，哪些可以由业务人员借助智能体完成，不必完全沿用过去的划分。

再看知识，百度提出，真正的组织智能，是让知识显性化，沉淀到公司的平台上，可以持续累积、随时调用、人人可用。

“沉淀隐性知识”要处理的，很多是难以传递的经验，通过整理判断依据、处理过程和实际结果，让智能体能够调用，也让其他员工可以复用。企业由此积累的，应当包括做成一件事的方法，而不只是历次工作的文档。

最后，智能组织应当是一个自主进化的智能系统，如何实现自主进化？李彦宏给了一个公式——可衡量+Looping=持续进化。

任务执行之后，需要检验结果，根据反馈修正方法，再用于下一次工作。这里最难的一步，往往是确定怎样才算完成得好。

未来一个公司，会变成无数Loops组成的高度自动化运营组织，最终，一个组织就变成一个不断学习和进化的系统。

从这三项原则看，百度试图把企业对AI的使用推进到日常管理之中。与之配套的，是其芯片、云、模型和智能体布局，模型承担理解与推理，云平台支持任务运行，智能体接入工具和业务系统，组织则提供具体目标、知识和权限。

百度的芯云模体四层全部自研。自己的芯片跑自己的云，云上跑自己的模型，模型长出自己的智能体应用。这几层相互加强，循环优化，整个架构本身就是一个Looping。

第一批智能组织的探索

智能组织目前最完整的样本之一，是百度自己，并且已同时呈现使用规模与深度。

百度在会上披露，过去一年，内部日活智能体数从0.5万增至3.7万；每周有效任务完成数从8.4万增至超过100万；组织Skill累计沉淀超过2万个，建设了4300个Workspace。

举一个具体例子，dodo是百度内部一个十来人的小团队打造的AI助手，上线7个月覆盖99%的正式员工，推动300多个企业平台完成AI友好化改造，今年拿了百度最高奖、百万美金奖励。

再看百度数字人创新业务部，产品、研发、设计、测试之间的固定分工被整体打破，全员向Builder转型，仅Q3就完成564次产研迭代，沉淀130个Skills和729篇组织资产，人均吞吐提升125.3%，交付周期缩短28.8%。

为什么百度内部最先发生这种变化？除了认知之外，芯片、云、模型和智能体的全栈布局是重要原因。

百度集团执行副总裁、百度智能云事业群沈抖就提到，新的AI云会前所未有地穿透企业的底层资源系统、IT系统，甚至是经营系统。因为这套基础设施，不再只服务于人、工具、流程中的任何一个对象，而是服务于由这些单元共同构成的一个个任务。

与此同时，智能体内化企业任务，推动智能组织进化，AI不再只是作为可选的工具独立存在，而是重构到业务流、任务的loop中，真正提升企业经营效率。AI云基础设施，面向智能体支持大规模智能体负载，需要新的基础设施。底层百舸AI Infra提供更强大、更具性价比的算力服务；上层千帆Agent Infra提供支撑智能体规模化运行的环境和极致的模型服务。这两层，让大规模、长周期的任务，真正跑完一个闭环。

“智能组织的未来，不会由哪一家企业独自完成。我们希望把基础设施建设好，让千行百业的智能组织，都能在云上生根、成长。”沈抖说。

此外，百度推出大模型交易平台词元所，也是一个很有意思的动作。

词元所要解决的不是“哪里能买到模型”，而是“买到的模型是不是它自称的那个模型”。当模型供给以每天数款的速度增加，选择成本就被转嫁给了采购方——企业真正缺的是可复用的准入规则和持续监测机制，而不是又一个模型目录。

这与智能组织的关系在于，AI一旦进入日常业务，企业就需要持续判断服务质量，而不能只凭采购时的一次测试。模型身份、响应速度和可用性有据可查，任务出了问题，才更容易找到原因。词元所提供的是模型供应端的判断依据；这些投入最终产生多少收益，还要回到企业自身的业务结果中核算。

该平台主打“验真”与“征信”两大能力，通过模型指纹比对、能力测试、性能与可用性测试等相关技术进行资源核验，同时采取定期抽检拨测、全链路实时监测调用等方式，为模型提供商建立信用评级。向客户提供中立可信、公开透明的模型交易服务。词元所试运营一个月以来，入驻供应资源已超100个，日均调用次数突破5000万，日均调用Token超7000亿。

借由芯片、云、模型和智能体这套完整的技术栈，智能组织的形态也在走出百度。南方电网是一个足够硬的样本，百度搭子落地南方电网总调，成为天璇伙伴，服务南方五省两亿多人的用电保障。

以配电网故障研判为例，广西电网2025年就发生永久性故障8215次，传统人工研判单次耗时超60分钟，高度依赖专家经验，极易误判。

南方总调与百度公司基于百度搭子的合作搭建了天璇伙伴，其学习了上万条历史故障处理数据，把资深专家经验沉淀为可复用知识，并将故障记录、开关信号、线路拓扑串成完整证据链，实现故障到分析的闭环研判，分析准确率达70%以上，故障分析效率提升12倍，已在广西14个地市和112个县全面推广。

百度搭子的生态合作伙伴超过160家，接入生态能力1800多项，覆盖30多个专业领域，对更多企业来说，接进智能组织的门槛，比自建一套能力低得多。

组织形态的更替从来是慢变量，科层制从韦伯的理论变成全球公司的默认设置，用了半个世纪，智能组织会以多快的速度改造企业形态，或许就是AI兑现价值时间线的标准答案。（本文首发于钛媒体APP）