
百度正在按照创始人李彦宏所说的去推进「新厂房」的设计。
作者|李威(北京)
百度的Q3财报发布后,我们再看百度创始人李彦宏在2026百度世界大会上提出的「下一幕·智能组织」的判断,会发现这一判断已经获得了一定的验证。
李彦宏指出,企业仅仅增加模型调用和Token消耗,并不必然带来收入和利润增长。AI要真正创造经济价值,需要进入研发、生产、销售和运营等核心业务流程,并让每次执行产生的经验持续沉淀和复用。

体现在百度Q3财报中,可以被归纳为两个方向上的变化:
向内,百度的智能组织建设正在推进。
百度世界大会披露,百度内部日活智能体数已经从0.5万增长到3.7万,智能体每周有效任务完成数从8.4万个增长到超过100万个;公司内部已建设4300个Workspace,累计沉淀超过2万个组织Skill。
这意味着,AI使用开始在百度内部从个人工具进入组织流程,参与的任务越来越多,任务中形成的知识和经验,也正在成为可以被组织反复调用的资产。
向外,企业AI需求的增长,正在让百度对全栈AI的长期投入形成规模化收入。
2026年Q3,百度AI业务收入达到132亿元,占一般性业务收入的53%,已连续三个季度占比过半。其中AI云基础设施收入同比增长94%,较上一季度50%的同比增速显著加快。

此外,百度世界大会上,百度还发布了大模型交易平台词元所。当模型开始进入长期运行的业务流程,企业需要解决的不再只是模型调用问题,还包括模型是否真实、服务是否稳定,以及供应商能否持续交付。
词元所对应的正是AI从个人工具进入组织流程之后产生的新需求,要帮助企业将模型服务的简单调用,变成能够持续、稳定采购的「大宗商品」。
由此可见,这两个方向的变化背后,是「智能组织」判断连接起来的内部组织实践、外部企业需求增长与「芯云模体」全栈布局对需求的承接。这也是观察百度AI转型的一条清晰主线。

下一幕为什么是「智能组织」
过去几年,企业采用AI的主要方式,是为员工增加一个对话工具,或者在原有系统中接入一项模型能力。这类应用能够提高个人效率,却很难自然转化为企业经营结果。
问题出在技术进入企业之后的「最后一公里」。一项任务可能跨越产品、研发、销售和交付等多个岗位,员工掌握的经验通常留在个人文档和工作习惯中,任务完成之后,结果也很少持续反馈给下一次执行。即便模型能力不断提高,原有组织仍可能按照过去的方式分工、协作和考核。
李彦宏将其描述为,只更换了「AI新电机」,却没有重新设计与之匹配的「新厂房」。在他看来,智能组织需要完成三项变化:
首先,组织协作的基本单元由固定岗位进一步转向具体任务。岗位不会消失,但人与Agent可以围绕目标重新组合,由人负责目标设定、判断和监督,智能体承担更多执行和协调工作。

其次,企业需要把员工的隐性知识转化为组织资产。资深员工对客户、流程和风险的判断,如果始终停留在个人经验中,就很难复制和扩大;将这些经验沉淀为Skill、规则和工作流之后,一次任务的积累才可能进入下一次执行。
最后,任务需要形成可以衡量和反馈的闭环。李彦宏把这一过程称为「Looping」,即人和AI围绕任务反复执行、评价和修正,使组织从一次性交付转向持续学习。
在百度内部,数字人团队已经把过去由产品、研发、设计和测试等多个角色接力完成需求的模式,变成了由更小的团队协同智能体实现端到端交付。百度世界大会上公布的数据显示,该团队Q3完成了564次产研迭代,沉淀130个Skill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%。
这意味着,一名校招新人借助AI,可以用一天完成过去需要五个角色、至少十天完成的需求。但这样的效率提升只是最显性的变化。更关键的是,新的组织形态和工作方法在实践中得到验证,进一步推动了AI在组织中参与任务分配和协作。
百度的财务内审团队则利用AI实现了专家经验向组织资产的转化。AI被引入审计计划、风险排查和问题核查流程中,参考业务资料和历史案例辅助判断应该检查什么、如何检查,再通过人工审核和专家反馈沉淀判断规则。这一套连招下来,百度内部审计流程的AI自动执审率达到了40%。

智能组织带来了新需求与新机遇
从百度内部的变化可以看到,只有当岗位协作、知识沉淀和反馈机制同时变化,AI带来的效率才有可能从个体扩展到整个组织。而企业一旦像百度一样开启了向智能组织的进化,其对AI的需求也会随之产生变化。
因为智能体需要连续执行任务、调用模型和工具、访问企业数据,并接受权限管理和结果评估。所以一次模型调用解决不了这些问题。企业需要稳定的算力、长期记忆、工具连接、任务调度、安全治理和运行监测。
公司管理层在Q3财报电话会上表示,企业已经不再满足于小范围试验AI,而是开始将AI嵌入核心业务,算力由此成为持续性需求。随着智能体能力增强和部署门槛降低,更多企业会把智能体投入日常运营。
这种变化推动云服务从提供算力和模型接口,进一步升级为服务于智能体长期运行的基础设施。围绕这一需求,百度面向智能组织的全栈AI云架构呈现出清晰的协同布局:
底层是百度百舸AI Infra,负责异构算力调度、模型训练与推理、强化学习和大规模集群;中间是百度千帆Agent Infra,为智能体提供模型服务、记忆、工具调用、子智能体调度、评估反馈和运行环境;上层则是通用、专业和定制智能体组成的智能体矩阵,通过百度搭子、伐谋、一见和库库等产品进入具体业务。

这三层需要围绕企业用AI的具体任务实现连续运行。
海高激光的生产线上,需要多台机械臂协同完成同一工件的切割。过去,工艺人员会依靠经验分配任务、确定顺序并避免机械臂碰撞。设计一套四机械臂切割方案通常会花费4至8小时。在百度伐谋的支持下,方案的设计时间被缩短到10分钟左右。
从这类生产任务所需的能力看,百度伐谋的持续优化需要算力、运行环境和现场交付共同配合。一方面,百度全栈AI云可以把原本分散的能力放进同一套技术和交付体系,减少了中间的适配成本;另一方面,百度的FDE团队连接了行业知识、客户交付和产品迭代,可以帮助企业更快把工艺专家的经验转化为模型可以处理的规则。
同时,随着智能组织建设的深入推进,模型的选择和供给就不只是小规模购买,而是要综合考虑成本、性能的日常生产资料采购。现在的部分模型中转服务只能提供调用接口,却不对模型真实性、响应速度和运行稳定性负责,服务中断、版本变化或能力虚标都可能影响企业生产的正常进行。
百度也由此推出了词元所,作为智能组织基础设施的新一环。平台通过模型指纹比对、能力测试、性能及可用性测试完成「验真」,并通过定期抽测、全链路监测和信用评级建立「征信」。这样,就可以满足企业将模型服务纳入日常采购与供应商管理的需求。

据百度披露,词元所发布首日,新增申请入驻的供应商超过100家,新增接入客户超过1000家;在试运行期间,日均调用次数超过5000万次,日均调用Token超过7000亿。

「芯云模体」全栈AI能力在持续释放价值
最终,企业拥抱智能组织,带来的是一组贯穿模型供给、智能体运行、业务交付和持续治理的新需求。这些新需求也在为百度过去分布在昆仑芯、智能云、文心大模型和智能体上的投入,提供了实现协同优化,转化为规模化收入的确定路径。
以文心闪电深度思考模型为例,这款模型最初针对AI搜索的复杂意图理解、推理和工具调用需求开发。通过与昆仑芯协同优化,模型ROI较同类芯片提升50%,推理引擎成本降低30%以上。千帆Agent Infra则通过记忆、工具调用、子智能体调度和评估反馈等能力,让任务成功率可达95%,Token消耗节省23%。
技术优化最终影响的是企业使用AI的单位成本和交付经济性。同样的算力能够处理更多Token,智能体完成任务所需的调用量下降,企业的使用成本降低,会更容易把智能体从试点扩展到日常业务。百度也可以用现有基础设施承接更多客户。
技术协同在扩大需求的同时,也改善了云业务的资源利用率和利润空间。在百度的Q3财报中,这种全栈AI能力已经呈现出了相应的商业结果。百度对全栈AI的投入在形成更稳定的收入、更高的资产利用效率和更可预测的现金回流。
百度的132亿元AI业务收入可以拆成三个部分:AI云基础设施收入82亿元,AI应用收入26亿元,AI原生营销服务收入24亿元。其中,云基础设施构成了百度当前最大的收入基本盘,智能体和AI应用开始形成独立收入,AI搜索和营销服务则在改造百度原有商业化业务。
财报电话会上,公司管理层披露,GPU云、昆仑相关产品和MaaS合计已占AI云基础设施收入的一半以上。企业扩大AI负载之后,采购范围也从GPU算力延伸到存储、网络、模型服务和更多云产品。百度的GPU云收入同比增长191%、环比增长43%,千帆MaaS外部客户Token调用收入同比增长1159%。

全栈投入开始收获回报,也体现在增长质量上。Q3百度AI云基础设施的利润和利润率同比、环比均有所提升。
百度管理层将改善归因于:GPU云、昆仑产品和MaaS等较高毛利业务占比增加;客户负载更加多元后,算力可以跨任务调度,提高存量资源利用率;芯片、云、模型和应用的端到端优化降低了单位成本,以及智能体等高附加值产品贡献增加。
与此同时,百度此前储备的算力和存量资源利用率也在提升。越来越多GPU云客户选择提前付款并签署更长期的合约,部分大客户的续约期限达到原始合约的数倍。百度管理层称,今年新签合约中的预付款占比快速上升,云基础设施投资的回本周期正在缩短。
百度正在按照李彦宏所说的去推进「新厂房」的重新设计。Q3财报中,这个「新厂房」已经露出了全貌,开始集中释放价值。接下来,我们可以观察随着更多企业能否把AI从单点工具变成长期运行的组织能力,百度的财报还会出现哪些新亮点。







