
作者丨成妍菁
编辑丨胡 敏
最近与AI圈子的人聊,普遍谈到一个点,人已经接受AI提效,但企业还没准备好。(雷峰网雷峰网雷峰网)
一边是员工已经在用agent 干活、甚至开始自己搭小系统;另一边是公司的KPI、审批链、汇报节奏,还按着三年前的样子在转。
Deloitte近期的调查显示,近四分之三的美国企业高管预计,未来四年,约一半业务流程都将围绕AI Agent重新设计;61%的人认为,未来大多数Agent会具备高度自主性,人类只需要在一旁监督。
看似被AI接管全部业务已经是大势所趋,但被问到企业是否准备好迎接这种变化时,只有五分之一的领导给出肯定答案。
在今天的百度世界2026上,百度创始人李彦宏也谈到了这一矛盾。他给出的判断是:AI不只是技术革命,更是组织革命,人工智能的下一幕是智能组织。

接下来企业要改变的不能只是员工手里的工具,还要包括组织自身的运转方式。

01
AI进了公司,但又没完全进
要想重构组织运转方式,首先要破除常规认知:
公司里的 AI 浓度高,并不意味着 AI 转型已经发生。
员工用 Agent 写代码、做研究、生成方案,业务部门跑通几个试点,管理层再把智能体数量、Token 消耗量和使用率写进汇报——看起来,一家公司的智能化正在全面推进。
但个人效率,并不会自动提升组织生产力。
打个比方,产品经理原本要两天完成的需求分析,现在可能要半天;研发借助 Agent 快速写出代码初稿,销售也能在拜访客户前生成一份研究报告。
但需求仍然要经过评审、审批和排期,跨部门协作依然依赖会议和层层同步,最终结果也要等原来的汇报周期才能被看见。兜兜转转一大圈,员工个人时间是减少了,但企业整体组织力并没有明显提升。
这并非个别企业的问题。

微软《2026年工作趋势指数年度报告》所呈现的,正是这种企业AI转型悖论:员工已经开始借助AI提升个人效率,团队也在尝试新工具,但业务流程、协作方式和评价机制仍然沿用过去的模式。
波士顿咨询(BCG) 给出的建议更加直接:为 AI 重新设计公司,而不是让 AI 适应原来的公司。
其研究中提到的一家欧洲能源企业,曾部署大量 AI 试点,却没有获得与之匹配的整体收益。直到企业将目光从单个工具和局部场景,转向端到端客户流程的重构,才取得实质性业务改善。
这类案例说明,AI 试点成功与企业转型成功之间,还隔着一层组织设计。
如果企业只是在原有岗位上增加工具,在固定流程中插入几个 Agent,那么 AI 可以优化局部,却很难改变整体。
它甚至会让原有瓶颈变得更加明显:内容生产得越来越快,决策却没有同步提速;代码生成得越来越多,需求确认和交付机制仍然照旧。
当执行能力被迅速放大,组织如何分配任务、共享知识和作出决策,反而成了新的约束。
过去几年,AI 行业的主要竞争集中在技术供给侧。
模型参数、训练算力、推理成本和榜单排名,决定了企业能够获得什么样的智能。
业界曾流行 AI“五层蛋糕”,从能源、芯片、基础设施一直延伸到模型和应用,强调的正是智能生产所需要的完整体系。没有能源和算力,上层模型与应用都无从谈起。
模型供给的变化,也开始体现在交易端。词元所上线一个月,入驻供应资源已超过100个,日均调用次数突破5000万次,日均Token调用量超过7000亿。
比规模本身更值得关注的是,模型交易正从企业与厂商之间的私下对接,走向独立的产业环节;随着这一环节形成,规则提供者也逐渐呈现出公共品属性。
但站在企业一侧:当这些智能已经可以购买、调用和部署,又是什么决定它最终能产生多少价值?
李彦宏把视线投向了下游。在2026百度世界大会上,李彦宏提出,“AI发展的下一幕,是智能组织”。

他提出,AI 技术的上游是能源,下游是组织能力。前者决定智能如何被生产,后者决定智能如何进入真实业务、转化为经营结果。
这两种判断并不矛盾,而是在回答 AI 产业链两端的问题。对企业来说,即便上游提供的“电力”充足,如果内部仍是旧的生产系统,新增的智能也未必能变成新增的利润。
李彦宏将AI比作新的电机,将智能组织比作新的厂房。

他判断,AI 没有产生预期的经济效益,一个重要原因是企业只是更换了电机,却还没有重新设计工厂。
模型、算力和 Agent 可以提供更强的执行能力,只有当任务分配、知识流动和决策流程随之改变,这种能力才可能从员工的个人桌面,走进企业的完整业务链条。
AI 竞争的重心,也由此开始从技术供给进一步转向价值兑现。
企业需要回答的,不再只是“我用了什么模型、部署了多少 Agent”,而是这些智能体,究竟有没有改变公司?

02
打工人用AI效率提升,那么公司呢?
微软CEO之前常说: AI不是一项技术,而是企业的未来形态。
理解了这句话,其实就能理解李彦宏提出的“智能组织。”
坦白说,如果只看字面,它很容易被理解成一种由人和 Agent 组成的新型公司,或者被当作“AI 原生企业”的另一种说法。
但李彦宏想讨论的,不是给每个岗位配上一个AI助手,而是重新设计企业的工作方式:任务由谁完成,经验如何沉淀,流程又如何根据结果持续调整。

可以从三个层面来解读。
首先是打破岗位边界。
传统企业依靠专业分工运转,一个完整任务往往需要产品、设计、研发、运营等多个岗位接力完成。
AI时代,智能体开始承担其中的具体执行工作,人负责设定目标、调度资源和关键决策。
组织不再完全围绕固定岗位分配工作,而是可以根据任务需要,灵活组合人与智能体。
百度搭子团队的实践提供了一个例子。一位原本具有量子计算研究背景的成员,加入百度后几乎从零进入产品和企业场景,借助百度搭子,同时承担起产品、研发和项目管理等工作。从分析问题、形成方案,到推进执行、验证结果,他不再被某一个固定岗位所限定。
产品新人依托搭子可快速跑通从需求到原型的全流程,团队半年迭代160余次,90%代码、超50%传播物料由搭子完成。
这个案例中,真正被打破的不是“谁应该做什么”的规定,还有知识和经验流动的限制。
百度数字人团队推动产品、研发、设计和测试等角色向 Builder 转型,也是同一逻辑的延伸。
重点不是让每个人无条件承担更多工作,而是减少任务在不同角色之间的反复交接,让能够定义目标的人,也有机会借助 AI 走到最终结果。
但如果只有任务执行方式的变化,智能组织只能算完成了一半,另一半还得看组织如何做。

其次是沉淀隐性知识。
企业真正有价值的知识,是员工的实践经验:比如老员工处理故障的判断方法,销售识别客户需求的经验,设计师对审美和规范的把握。
这些知识难以标准化写进文档,也容易随着人员流动而丢失。
但AI提供了一种新的沉淀方式:将专家经验、业务规则和操作方法转化为知识库、Skill以及智能体能够调用的能力。
百度与南方电网的合作,便涉及这一过程。面对配电网故障研判,传统人工分析单次耗时超过60分钟,而且高度依赖专家经验。
百度搭子落地南方总调后,通过学习上万条历史故障处理数据,将资深专家的经验沉淀为可复用的专业知识,再把故障记录、开关信号和线路拓扑串联起来,形成完整的证据链。目前其故障分析准确率达到70%以上。

百度MEG设计团队则展示了另一种知识沉淀方式。
团队将资深设计师的审美经验和设计规范转化为可复用的AI Skill,让AI不只是按照指令生成图片,还能够调用团队积累的设计方法,参与内容生产。目前,AI工具已经承接了超过50%的内容供给,团队效能提升100%—200%。
从电力故障到设计内容生产,两个场景背后的逻辑很相似:把原本依赖个人经验的工作方法,变成组织可以反复调用的能力。
当然,随着业务环境会变化,经验也可能过时。所以就需要让任务结果重新回到流程中。
也就是最后提到的设计流程闭环。
传统流程通常由人预先设计,执行中出现问题,再由人复盘和修正。
每次任务完成后,系统能够根据预设目标衡量结果,识别执行中的问题,再将反馈用于调整下一轮任务。这样,流程就不再是一套固定不变的操作规范,而是能够随着业务运行不断修正的系统。
李彦宏将其概括为“可衡量 + Lopping= 持续进化”。
其中“可衡量”,意味着任务结果需要有明确的评价标准,Lopping则意味着执行、反馈和优化要形成持续循环。
当越来越多任务都能够完成这样的闭环,组织便不再只是依靠管理者推动,而是能够在日常运行中不断积累经验、修正流程。
要支撑这样的闭环,仅靠一个模型 API 显然不够。

智能体需要理解企业的业务目标,调用不同系统中的数据、知识和工具,还要能够在长链路任务中持续执行、接受评估并根据反馈调整。这对底层基础设施提出新的要求。
这也是沈抖在2026百度世界大会上强调的AI云和Agent Infra的意义所在。
按照百度的思路:底层百舸 AI Infra 提供算力支撑,上层千帆 Agent Infra 则提供长上下文管理、持久记忆、工具调用、子智能体调度、评估反馈和运行环境,让大规模、长周期任务能够真正跑完闭环。
放在“芯—云—模—体”的全栈结构中,这种支撑关系会更清楚:芯片提供算力基础,云提供智能体运行和调度的基础设施,模型提供理解、推理与生成能力,智能体则进入具体任务和业务场景。
Source:https://www.leiphone.com/category/industrynews/98sAVeAaYPhJQvgY.html


