1987年7月，麻省理工学院经济学家罗伯特·索洛在《纽约时报书评》上评论一本关于美国制造业的书。他感到困惑：一场所有人都声称亲身经历的技术革命，为什么在数据里踪影全无？于是，他写下了那句后来被反复引用的话：
“计算机时代无处不在，唯独不在生产率统计里。”
3个月后，索洛拿下诺贝尔经济学奖。这句总结也在后来被称为“索洛悖论”。
40年后，这面镜子照在AI身上。2025年，全球AI投资超过2500亿美元，但只有25%的企业表示AI对业务带来了变革性影响。这一趋势在2026年变得更加清晰。麦肯锡2026年8月发布的全球调查数据显示：80%的受访者表示AI提升了个人工作效率，但企业层面的财务影响与去年相比几乎没有变化。
在11月12日的百度世界2026会场，李彦宏给出了百度的解法：智能组织。这是一种不同于科层制的AI原生组织系统，核心能力是自身可以持续学习和进化。
十年前，人们困惑于互联网的下半场是什么，李彦宏站在这块舞台上给出了“下一幕是人工智能”的判断；十年后，AI陷入索洛悖论，他又给出了“智能组织”的答案——这一次，人们或许不需要等到十年后再看结果了。
PART01 AI 时代的索洛悖论2026年10月，Anthropic公布了一项关于自身的研究。到8月，公司交互式AI智能体的工作时数与员工工时之比已经达到6:1。这带来了一个新的问题：人类员工需要花很多时间，去理解智能体生成的内容。
一名工程师形容自己面对着一群Claude时的感受：每一个都在索要他的注意力。
更多积极拥抱AI的公司发现，自己陷入尴尬的“努力”困境。任职于一家头部AI咨询公司的分析师林畅告诉我们，他服务的很多公司都在进行AI转型，单点效率明显提升。一些曾经需要多人协作完成的工作，如今可以通过AI减少人力、缩短工作流程，但AI对公司整体增长的帮助不够明显。
今年夏季达沃斯论坛中，万宝盛华集团CEO 约纳斯·普里辛格提到，AI提升了个体效能，却没有转化为组织效能，相当于“幽灵效率”。波士顿咨询在今年发布的一项研究报告中也指出：在已经开展AI试点的企业中，真正能够大规模获得显著价值的只有5%。
也就是说，AI技术在企业落地过程中遇到了瓶颈。
这不是独属于AI时代的难题。
美国经济史学家保罗·戴维在1990年发布的论文《发电机与计算机》中提到，19世纪末，电力进入工厂并没有立刻带来效率。在颠覆性的技术浪潮前，工厂主们理性地选择拆掉蒸汽机、原位换装一台电动机，但其他配置，比如天轴、皮带、厂房和生产流程都原封不动。直到几十年后，工厂围绕电力进行整体重组，流水线诞生，制造业的生产率才第一次跳动起来。
事实上，今天的企业也在重复电力革命早期的动作。公司采购大模型和算力，跟工厂主换掉蒸汽机，本质上是一码事。他们也遇到了类似的烦恼：以旧厂房为代表的配套体系，限制了新电机的发挥。此时，人类的成本与努力，很难直接换来生产价值的提升。甚至，电机越先进，旧厂房里的竞争可能就越惨烈。
这种尴尬的本质，是生产力与生产关系的错位。
回看人类历史上每一场生产力跃迁，它们最终都会指向生产关系的改造。工业革命在18世纪催生了工厂和现代公司，电力革命在19世纪带来了流水线，互联网让20世纪的人们适应了协作与分配。也就是说，生产力革命不可能仅仅依靠技术就完成，只有当生产关系改进到与之真正适配，颠覆的价值才可能彰显。
当下亦是如此。
“没有一家公司会因为用了几个AI工具，一夜之间就变得更有竞争力了”，李彦宏在百度世界2026会场提到，一家企业只有围绕AI能力重构组织，才能抓住这个时代赋予它的巨大成功机会。他认为，企业需要围绕AI重新设计组织和业务流程，成为具备自我进化和学习能力的智能组织。
组织为什么存在？一个关键词是协同。
诺贝尔经济学奖得主罗纳德·科斯在《企业的性质》中提到 ：企业之所以存在，是因为内部协调比市场交易更便宜。分工、层级、流程、岗位说明书，这些具体的设置，都是为了让协作更加丝滑、更低成本。
1855年，纽约与伊利铁路公司绘制了一张组织分工图，把公司的部门、岗位、管理职责和汇报关系，画成一颗枝繁叶茂的大树，后来被认为是人类历史上第一张现代企业组织图。
McCallum 组织树
当时，这家公司管理着世界上最长也最复杂的铁路系统之一，拥有数千名员工，不得不进行复杂的行政分层与权责分工。
此后100多年间，现代企业持续进化，员工数量与业务体量不断膨胀，组织的重要性也逐渐成为共识。
根据德国社会学家马克斯·韦伯的科层制理论，专业分工、明确职责、层级管理、制度化流程，共同构成了现代企业管理的基础。组织的具体形状会根据时代和技术的变迁而改变，比如贝佐斯经典的“两块披萨团队”原则，强调团队应该小到两块披萨就能让所有成员吃饱，适配的就是互联网时代的扁平化管理、项目制小团队作战。
但AI时代，组织面临了一个全新的问题：组织里不只有人类，还包括大量的智能体。
如今，AI直接改变了协同方式。区别于此前的所有变革，AI时代，组织从人与人的协作，转向人与智能体的混合协作。Agent可以承担大量执行、信息传递、任务分解甚至是跨系统协作工作，由此，协同的成本、效率和流程都发生了巨变——这也是AI时代必须重谈组织的根本原因。
PART02 寻找“新厂房”11月12日，国家会议中心的百度世界2026会场，“智能组织”的字眼几乎无处不在，如同风向标，回应着人们对于AI下一步的困惑。与会者对于AI的态度或者各异，但此刻置身于此，他们共同的诉求就是：寻找答案。
百度世界大会已经办到第20年。李彦宏几乎没有缺席过。他永远准时出现，分享自己对于科技趋势的判断。长期身处技术一线，这让他的分享兼顾前瞻性和落地价值，也成为人们捕捉行业变化的极佳窗口。
今年也不例外。
“智能组织”这个概念，精准落在AI行业的痛点之上。
AI进化到当下，生产力与生产关系的错位已经成为全球共识，很多科技公司和咨询机构都在寻找解法。Anthropic提出AI Organization（AI组织），重点关注人和Agent如何协同；麦肯锡提出Agentic Organization（智能体组织），侧重如何系统性重构组织；波士顿咨询提出AI-First Organization（AI优先组织），强调企业应该围绕AI重新设计结构和流程；微软则提出Frontier Firm（前沿企业），关注AI时代的公司应该长什么样。
李彦宏提出的“智能组织”也在回答这个问题，不过他更侧重机制层面，即“新厂房”如何自己生长出来——对于身处AI转型之中的个人和组织，这显然更具备参考价值。
根据李彦宏的说法，智能组织有进化三原则：打破岗位边界、沉淀隐性知识、设计流程闭环。
它们对应到的旧生产关系，多数人已经很熟悉了：以岗位为中心、经验积累在个人身上、固定工作流程。过去几十年甚至上百年里，人们已经适应了这种方式。一个项目启动，各个岗位上的人完成各自职责，再通过部门之间的协作，按照特定流程，把结果拼接起来。
在智能组织，“任务”成为工作的中心。原本需要多个岗位协同的工作，可能变成一个人带领多个智能体完成。当然，岗位的变化会逐渐发生，李彦宏也指出，未来岗位大致会分为两类：一类是Builder，负责创造新东西；另一类是Seller，负责人与人之间的沟通和连接，建立情感与信任。
这是个很有意思的判断。人在未来组织中的核心价值变了。“搬砖”的工作交给AI，人类去负责更多的创造与连接，更多的创新可能就此而生。
对于公司来说，“智能组织”更核心的价值在于：沉淀经验、在闭环中实现自我进化。
想象一下，一家公司的经验如果能被AI完全理解、关联和调用，企业就有机会建立一个持续积累的组织知识体系，甚至成为AI时代独特的竞争壁垒。因为模型和通用工具来自公开市场，但企业长期积累的经验与组织文化，很难被完全复制。
而且，真正的“智能组织”具备自我进化能力。
传统的工作流程由人类设计、执行和检查，因为经常涉及到跨部门协调，一旦确定，调整成本极高。智能组织的核心运作方式是Looping机制，李彦宏给出了更具体的公式：可衡量+Looping=持续进化，即，每一次任务执行都会得到结果衡量和反馈，自动反哺优化下一次执行，组织便像生命体一样拥有了进化能力。
三个原则合在一起，便构成了“智能组织”的基本逻辑：任务决定协作方式，知识决定组织能力，反馈决定组织能否持续进化。
它会在未来的商业进化中带来更多机会：企业和团队可以轻资产运营、沉淀下来的智能资产可以构建新的护城河、创新随时随处可能发生。
从机制层面思考智能组织，也是百度独有的底气。过去十来年里，百度搭建起“芯云模体”的全栈AI布局，它们本身就可以形成Lopping，各层互相加强、循环优化——百度也得以从高的站位去思考如何解答索洛悖论。
PART03 “新厂房”的中国智慧从2025年开始，Anthropic一直在尝试让多个AI智能体进行组织式的工作。
研究团队搭建过两个模拟场景：一个是AI咨询公司，一个是AI软件开发团队。前者让不同Agent承担不同角色，后者让单个Agent按照角色分工，协作开发软件。多项实验任务中，前者表现都更优先。也就是说，当AI拥有分工和协作机制，它就有机会完成比单个智能体更复杂的任务。
不过，AI组织同时也会遭遇人类公司的烦恼。在另一项实验中，不同Agent为了完成各自指标，抛开了整体目标中的伦理约束。它们的效率提升了，却没有带来更好的决策。
关于局部最优与整体最优的矛盾，人类没有完美的标准答案，AI似乎没有。
但这并不妨碍Agent的繁荣。截至目前，Anthropic的内部研发平台上，单一时点活跃的Agent一度达到3万个。相关Agent的行动会经过在线监控，在执行前识别潜在风险；同时，系统还会对行为记录进行事后分析，对异常活动进行进一步审查。这意味着，全球AI技术最前沿的公司之一，也没有把组织治理完全交给AI自己解决——这或许要等到更遥远的未来才会实现。
不难看出，Anthropic 试图去解决的问题是“人机协同的厂房该长什么样”，而百度关于“智能组织”的探索更加务实——可以说，智能组织的雏形是在真实业务里跑出来的。
它拿自己当样本。过去一年里，百度启动了面向“智能组织”的转型。数据显示，百度内部每日活跃智能体数量（DAA）从大约5000个涨到3.7万个，增长约6倍；每周有效工作任务数从8.4万个增加到约100万个。此外，百度建立了超过4300个Workspace，沉淀了超2万个组织Skill。
更多创新在百度内部迸发。
百度数字人创新业务部尝试了AI Native组织转型，推动团队成员向Builder转型，打破原来的岗位边界。借助自研的BiuBiuAgent，团队已经实现6个以上需求由单人完成全流程交付。仅2026年第三季度，数字人业务产研就完成了564次迭代，沉淀130个Skills和729篇组织资产。团队人均吞吐提升125.3%，交付周期缩短28.8%。
百度一镜产品经理田雨昕是一位入职不久的校招生，她在现场谈到，自己只花了1天时间，就在AI完成了过去需要五个角色、至少十天才能完成的需求交付——因为她需要的多数知识，都能在内部AI组织里随时调用。这就让员工不用太受限于专业背景、经验和岗位职责，能让更多的好想法在智能组织中落地。
而且，个人效率提升与组织能力积累，几乎是同时发生的。这又会进一步提升组织的智能水平。
值得注意的是，包括田雨昕在内的几位年轻人，都在李彦宏之后登台分享。年轻面孔在百度近两年各种大会中出现的频次越来越高，与之呼应的变化是，李彦宏看起来更加自信和松弛了。
在百度世界2026现场，他会在演讲中悠闲走到台下，与嘉宾杨元庆聊“AI无法替代CEO出差”的遗憾；他会在配合百度数字人希加加采访，被问到“数字人能当CEO”时，态度明确地回答“不能，你不能当CEO”。
他依然热衷于分享各种技术理念，但谈到人与AI的协同时，他认为在应对AI变革中，会遇到各种离不开人的地方，人在里面要找准自己的角色。
也因此，百度公布的关于“新厂房”的各种样本中，人始终是其中最重要的因素：百度内部一个十来人的小团队做出AI助手“dodo”，上线7个月覆盖99%的正式员工，并推动300多个企业平台完成AI友好化改造，今年摘得百度最高奖、获得百万美元奖励；百度食堂“周五小饭盒”档口的行政同学用AI自主搭建预订小程序，复制到停车管理、消防巡检等上百个场景。智能组织的进化，根本上是为人类服务的。
过去一年里，百度也在外部合作中验证“智能组织”。百度搭子开发平台向企业开放定制智能体的配置与运行能力，FDE（前沿部署工程师）这个新角色从业务一线自己长出来”，已在金融、能源、制造、汽车、政务等行业交付100多个场景；百度搭子与南方电网合作，把专家经验沉淀为可复用、能自成长的知识体系；百度伐谋进入海高激光等制造企业的经营与流程优化。
而“新厂房”的底座，就是百度“芯云模体”全栈AI布局。
百度世界2026也披露了更多相关的新进展：
百度一镜推出覆盖创意、剧本、分镜到成片的短漫剧创作能力。大会上展示的数字人希加加专访李彦宏视频片段，由百度一镜生成；文心5.5 Flash预览版发布，并上线开源社区；文心闪电深度思考模型、文心一镜微表情大模型通过千帆平台API开放；大模型服务平台词元所上线，让企业和个人便捷地找到、购买和使用可信的模型Token，其入驻供应资源已超100个，日均调用Token超7000亿。
此外，萝卜快跑携手神州租车在海南开创了全球唯一的无人车租车模式，目前萝卜快跑已覆盖全球28个城市，自动驾驶里程超3.5亿公里。
某种程度上，这也是时间在奖励坚持者。
回看百度世界的历年主题不难发现：几乎每一个行业共识到来之前的半年到四年，李彦宏都先一步给出了判断。
2016年，行业还在争论移动互联网的下半场，他宣布“互联网的下一幕是人工智能”；2022年11月，他预测AIGC将接棒PGC、UGC成为新的内容生产方式，四个月后，ChatGPT发布；2023年，“百模大战”正酣，参数榜就是一切，他泼冷水说“没有应用，基础模型一文不值”。
2024年，他判断“智能体是AI应用的最主流形态”，半年后，Anthropic披露了多智能体架构Research；2025年，当行业卷Token价格，他提出要把AI“内化”为企业原生能力；2026年5月，他拿出DAA这把度量AI价值的尺子，同年，Meta和亚马逊撤下Token消耗排行榜，全行业开始用任务和结果重新度量AI。
判断力的另一面是耐心。昆仑芯片“头十几年过得很辛苦”，无人车经历了长期的投入期，回望过去这十年，百度似乎都处在一个“努力爬坡”的状态。但李彦宏乐于去坚持：
“试一年不成，OK；试两年不成，OK；试十年还没成，如果有意义，我还会接着试下去。”
如今，他又提出了“智能组织”，试图从机制层面解决卡点，推动AI继续向前走。
某种程度上，这也是中国公司的自信。
眼下，中美AI路选的分歧正在加深。硅谷信奉大力出奇迹，追求更大的模型、更贵的算力、更激进的投入，赌通用智能的奇点；中国则在算力受限的现实约束下，走出了另一条路：用更低的成本训练模型，用更快的速度落地应用。两条路线孰优孰劣，恐怕要很多年后才有答案。
但无论走哪条路，AI都要进入到真实的生产、产生持续的价值。这就意味着，“组织”这道闸门是所有AI公司的必经之路。新电机需要新厂房，这是共识；新厂房长什么样、要怎么建，是差异——将来或许也会成为决定行业格局的关键要素。
