文章核心观点 - AI在持续变强且头部企业收入高速增长，但企业并未因此自动变成更优组织，消费者对低质AI生成内容不信任，企业采购token后是否转化为产品竞争力和效益尚未得到广泛验证，AI最终输出到社会的价值增量有限，需要一次更深刻的演进 [2] - 李彦宏将分享重点放在「智能组织」，用比喻指出AI是新时代的电机，智能组织是新的厂房，只有重构整个流水线系统才能释放新技术生产力 [2] - 公司需要被重新发明一次，这可能是AI时代序幕拉开后最重要的问题 [4] - AI进入了公司，但组织还没有跟上 [5] - 历史上每一次生产力跃迁背后都是对工作分配、资源调度的重构，是组织和管理方法的演进升级，到AI时代组织本身的演进变得更加重要 [7] - AI时代公司不会消失，但价值将不再由规模衡量，不在于员工数量多或少，组织变革最终要回答如何把当下最先进的技术转化为先进、真实的生产力 [29] 组织演进的历史脉络 - 19世纪铁路网络和大型制造业发展使企业需要处理越来越复杂的调度和协作，由此逐渐形成专业分工、明确职责的「科层制」管理模式，管理层制定目标方向、执行层拆分任务层层落实分工，成为现代企业雏形 [6] - 福特流水线将生产流程进一步标准化，让工人、机器和工序围绕统一生产节奏协作，流水线是可复制可扩张的流程，生产效率不再依赖工人个人经验，让企业走向规模化扩张之路，缔造了20世纪后半叶的工业奇迹 [6] - 21世纪互联网时代企业面对更快变化的市场需要快速迭代交付产品，传统层级组织开始拖效率后腿，以亚马逊、Facebook为代表的企业提倡「两块披萨团队」、敏捷开发，通过控制团队规模保持紧密沟通，组织竞争力从规模化能力转向快速响应、灵活协作，「扁平」成为2010年代先进团队最重要特质 [6] AI进入公司但组织未跟上的现状 - 过去四年大模型能力涌现、算力模型不断迭代，但组织经验并没有明显演进 [8] - 美国《经济学季刊》2025年研究追踪5000名客服人员，发现经过AI助手辅助后客服解决问题效率提升15%且改善回答质量 [8] - 该研究调查66家企业、7000多名知识型工作者，发现获得AI工具后处理邮件等日常事务时间减少，但完成的「关键工作任务」数量、质量并没有明显变化 [8] - 当AI面对超出能力边界的复杂任务时，使用AI的员工完成任务效率、质量反而会降低，若企业只关注效率产量而未同步建立质量验证和错误反馈机制，AI反而会拖慢效率 [8] - 研究结论为：获得AI工具的员工工作方式普遍有所转变，但没有证据表明员工个人层面变化推动了工作内容和企业运作方式改变 [8] - 世界经济论坛报告显示2025年仅25%的受访企业认为AI已在内部产生变革性影响，大部分企业仍处于「在既有流程上叠加AI工具」阶段，并未围绕智能重新设计业务运作方式 [9] 公司需要重新发明自己 - 目前AI工具难以进入组织协作深处，因为企业活动不是一系列互不相关的个人任务，一项工作背后往往是多个团队参与的长链条 [11] - 产品经理用AI辅助生成需求文档，设计师却无法理解其中业务逻辑，不同员工编写提示词、创建Agent方式不同，传递交接时需花更多精力解释对齐，这种「内部应力」反馈到整个工作链条会抵消AI带来的效率提升 [11] - OpenAI在2026年用户研究中分析近百万条工作场景ChatGPT消息，剔除通用任务后发现超过40%的AI任务是「跨专业」的，OpenAI将这一现象称为「任务跨界」（Task Crossover），意味着传统「岗位」或将不再是企业基本组织单位 [11] - 李彦宏认为岗位是工业时代的单元，任务是智能时代的单元，未来组织就是一个任务的网络，AI让每个人能力极大扩展，一个人可同时扮演多个角色、承担多个岗位任务 [12] - 李彦宏曾将这一趋势概括为「一个人加一支智能体编队」：过去公司最小生产力单元是一支小团队，现在一个人可通过调用多个智能体获得接近一支团队的能力 [14] - 百度数字人团队实现由单人完成6个以上需求的全流程交付，随着Loops持续运转，数字人产研人均吞吐提升125.3%，交付周期缩短28.8% [14] - 微软2025年「工作趋势报告」基于超过30000名员工调查数据提出「前沿企业」概念，提出未来公司可能从按职能划分的传统组织架构转向以目标和结果为中心的「工作表」模式，当每项工作需要不同能力时企业可临时组合人类员工和智能体，完成后团队解散或重组 [15] - 这种变化的终极目标不是缩减人员，更不是让一个人完成所有工作，而是打破过去由人力资源部门设计的权责边界、汇报线条，让每个员工充分调用AI知识和能力，围绕任务目标展开协作，优化最终结果，实现效率和质量共同提升 [16] 通往「组织智能」之路 - 李彦宏提出「智能组织」三原则：打破岗位边界、沉淀隐性知识、设计流程闭环，打破岗位边界要解除过去层级结构约束，沉淀隐性知识、设计流程闭环则目指未来进化方向 [18] - 当下AI应用最大难题之一是「如何确保每次任务的结果不会随任务结束而消失」，传统企业最有价值的知识往往沉淀在人力系统里，是技术骨干、执行层的经验和判断 [20] - AI具有强大的、超越任何个体的通用智能，如何将这种智能与具体业务经验结合、复制到更多场景，成为企业运用AI提效提质的关键，AI需要萃取分散在企业内的知识、经验 [20] - 百度财务内审团队已将Looping引入审计流程，把原本依赖专家经验的审计计划、风险排查和问题核查交给AI，目前内部审计流程的AI自动直审率已达40% [22] - 数字人平台「一镜」聚焦生成质量提升和全生产链路融合，通过引入AI大脑与多智能体，让AI自主规划剧本与分镜、参与整条内容生产链路，数字人Agent每一次任务和互动都会沉淀新经验，反哺下一次创作、服务与决策 [22] - 百度搭子与南方电网合作中，广西电网2025年发生8215次永久性故障，传统人工研判单次耗时超过60分钟且高度依赖专家经验，双方开发的「天璇伙伴」通过学习上万条历史故障数据，将资深专家经验沉淀为可复用的专业知识，并把故障记录、开关信号和线路拓扑串联成证据链辅助故障分析 [22] - 「天璇伙伴」故障分析准确率达到70%以上，分析效率提升12倍，目前已在广西14个地市、112个县推广 [22] - 这些案例展示了一条可行路径：AI不只能替员工完成单次任务，还可以把经验和方法沉淀下来，并对工作成效进行循环优化，从组织中萃取出更高密度的智能 [23] - 百度相信通往「组织智能」这条路可能不是当下最快的路，但会是最具长期价值的路 [24] - 组织智能进化不意味着AI可不受约束地做任何事，也不意味着人类退出决策过程，权限控制、流程追溯、人工审核和验证依然必要，AI参与的结果必须可衡量、有可靠反馈 [24] 词元所与全栈能力 - 百度「词元所」核心发布针对企业对AI服务质量持续评估、追踪、对比的需求，设计两层新机制：首先确保模型资源可信、核验供应商资质，其次持续追踪服务质量，定期抽检已上架模型服务质量并实时监测用户实际调用指标，将相关数据沉淀为公开可查的信用档案 [26] - 词元所机制迭代和智能组织建设是同一件事的两体两面：企业反复问「token越花越多，业绩为什么没跟上」，本质是缺少能衡量AI投入产出的外部基准，百度此次建立的是从外部计量模型和履约质量的体系，让AI效果能够跨企业可比，进而实现组织层面的「可衡量」 [27] - 百度将「芯云模体」全栈能力与智能组织联系：芯片和AI基础设施提供计算能力，云平台承载企业资源与运行环境，模型提供智能，智能体负责理解任务、调用工具和执行流程，企业需把数据、知识、工作流、权限和反馈机制连接起来，才能让智能体在真实业务中持续工作 [27] 行业趋势与公司价值 - 纵观工业历史变化最激烈的就是组织，早期现代企业出现是为把团队做大、把任务拆散靠分工提高效率，互联网时代追求把团队做小、做扁平降低协调成本，企业组织方式没有标准答案，只会随基础科学和技术进步不断演变出更适配形态 [29] - AI智能初现时人们首先想到「超级个体」，一个人借助大模型就能完成过去一个团队的工作，但随着智能体开始承担更长链条任务，企业面临的问题也变了，一个人或许可以建立一支Agent队伍，但这仍不是一家「公司」 [29] - 公司的价值是专业知识、业务经验、执行流程、结果评判、风险控制，这都是组织的价值，AI无法凭空生成出来 [29]