过去两年，企业界最不缺的就是AI工具：写代码有Copilot，做PPT有AI助手，查资料、写周报、做会议纪要，几乎每个环节都能找到对应的AI产品。员工个人的效率确实提高了，但很多企业管理者仍然面对一个尴尬现实：局部效率在上升，组织级生产力却没有同步释放；AI投入在增加，利润和增长却没有明显变化。
微软《2026 年工作趋势指数年度报告》把这类现象称作「企业 AI 转型悖论」：员工开始使用 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依然停留在过去，组织却没有发生太大变化。行业里甚至有了一句更直白的说法：看得见 Token，看不见利润增长。
于是问题变成：为什么 AI 能力越来越强、局部试点频频成功，组织级生产力却没有同步释放？
在 11 月 12 日于举办的百度世界 2026 上，李彦宏给出了一个新判断：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」。人工智能是新能源，智能组织就是AI时代的“新厂房”，是生产力真正发生的地方。
这句话看似是比喻，实则指向一个被行业普遍低估的变量：当AI从工具变成组织参与者，企业竞争的重心正在从「有没有AI」转向「组织能不能为AI重新设计」。
为什么技术变了，组织必须重画？
而要回答这个问题，不妨把时间轴拉长。过去一百多年，每一次技术革命真正落地，其实都是一次组织方式的变更。
工业时代，1855 年，纽约与伊利铁路公司制作了一张特别的组织图：它试图把庞大的公司变成一个职责划分、分级管理的系统，回答的是工业时代最现实的问题，当公司规模变大，怎样有序运转。
后来马克斯·韦伯系统阐述了科层制，通过专业分工、层级管理让大规模组织的稳定运转成为可能。分工换来了规模化，但也把协作成本固化进了结构。
到了互联网时代，亚马逊贝佐斯提出“两块披萨团队”，追求扁平化、敏捷化，试图减少层级与协作成本。
而到了AI时代，组织参与者第一次不只有人，还有Agent。过去百年，企业不断探索如何更高效地组织人；AI时代的新命题变成了：如何同时组织人、智能体，让组织创造更大价值。正如李彦宏此前所说，未来的超级组织是人与智能体的混合编队，要“更多任务，更少分工”。
工业时代靠分工实现规模化，互联网时代靠连接提高敏捷性，AI时代则要靠持续自主进化打开增长空间。也就是说，技术革命的真正落地，不是把新工具塞进旧组织，而是要重画组织图。AI时代也不例外。
智能组织到底是什么？
既然组织图必须重画，那么重画成什么样？百度给出的答案，是“智能组织”。
根据百度官方的定义，智能组织不是硬件采购，不是模型参数，不是算力规模；不是HR语境下的组织结构图调整；它真正指向的是：把Agent、知识库、工作流、评估反馈机制组合成一套可运行、可度量、可迭代的“组织级系统。
百度世界2026大会现场，百度也给出了几组清晰的对照：
从以岗位为中心，转向以任务为中心： 未来组织是一个任务的网络，岗位边界让位于任务闭环。
从个人智能，转向组织智能： 真正的组织智能，是让隐性知识显性化，沉淀到平台上，随时调用、人人可用。
从固定流程，转向“可衡量+Looping”的持续进化： 任务执行、反馈、优化形成闭环，组织变成持续学习进化的系统。
李彦宏把这一过程概括为智能组织三原则：
1、打破岗位边界，释放组织活力： 传统组织以岗位为中心，AI时代的组织将变成以任务为中心，Agent让跨岗位任务被重新编排。
2、沉淀隐性知识，构建组织智能： 把专家经验、上下文、判断规则沉淀为可复用的Skill、知识库和工作流，让一个人的经验穿越整个组织。
3、设计流程闭环，推动组织进化： 公式是“可衡量＋Looping＝持续进化”。未来一个公司，会变成无数Loops组成的高度自动化运营组织。
从技术视角看，智能组织不是管理口号，而是需要Agent Infra、知识库、工作流、权限治理、评估体系共同支撑的组织级系统。
AI竞争正在从“上游”打到“下游”
要理解智能组织，不能只把它当成组织管理话题。放到 AI 产业链里看，它其实是 AI 价值兑现的下游。
如果把产业链拉长，竞争正在分成两端：上游是智能如何被生产，下游是智能如何进入组织、转化为生产力。海外有观点提出AI“五层蛋糕”，强调能源等基础资源对智能供给的重要性；李彦宏则在芯云模体全栈基础上，进一步提出AI下游的“组织层”。
过去几年，行业竞争集中在芯片、算力、模型、Token。模型供给端的变化也在加速。李彦宏在百度世界2026上提到，今年前9个月几乎每天都有不止一款新模型发布，模型调用需求迎来大爆发；但一批词元中转站并不对模型效果、服务稳定性、响应速度负责，甚至模型真实性也无从考证。
为此，百度推出大模型交易平台词元所，定位“大模型的交易所”，主打“验真”与“征信”：通过模型指纹比对、能力测试、性能与可用性测试核验资源，并以定期抽检拨测、全链路实时监测为模型提供商建立信用评级，让企业乃至个人便捷找到、购买和使用可信的模型Token。上线一个月，词元所入驻供应资源已超100个，日均调用次数突破5000万，日均调用Token超7000亿。这解决的是上游模型供给的可信流通问题。
但当模型能力逐渐普及，企业真正稀缺的不再是有没有智能，而是智能能不能进入业务流、形成任务闭环、转化为经营结果。
这也是为什么局部成功≠组织增效会成为企业AI转型的隐藏陷阱。企业把工具部署、试点成果当成绩单，但业务流程、协作方式、评价机制没变，AI就很难从个人效率工具变成组织生产力。BCG在《为AI重新设计公司，而不是让AI适应公司》中提出，AI转型首先是组织问题而非技术问题；微软也强调，Frontier Firm与普通企业最大的区别，是管理者更愿意推动工作重构。
而在全球范围内，组织必须为AI重设计也正在形成共识：微软在讨论组织应该长成什么样；麦肯锡在讨论怎么设计组织；BCG则在强调重构业务流程；Anthropic关注人机如何组队；BM的调查显示，82%的受访高管认为职能部门之间的壁垒阻碍价值创造，55%的组织正在开发或部署智能体AI运营模式。
在这个坐标系里，百度的差异化在于：别人更多讲形态、方法、路径，百度想讲的是机制，即组织怎么自己长出来。事实上，这背后是百度芯、云、模、体全栈自研的能力结构：从芯片到模型到应用全链路自跑，因此能讲Looping、讲组织级闭环、讲可衡量。别人的组织方案可能需要采购第三方工具，百度则试图用全栈能力支撑组织级系统的持续迭代。
智能组织怎么“自己长出来”
那么，百度的这套智能组织怎么长出来？
百度的判断是它首先需要在真实业务中跑通任务-知识-流程-指标的闭环。因此，百度内部先拿自己做了试验。
根据大会现场披露，百度内部DAA（日活智能体数）、有效任务完成数、Workspace和Skills沉淀等指标均呈现增长。
在百度数字人创新业务部，团队探索AI Native组织转型，打破产品、研发、设计、测试等岗位边界，推动全员向Builder转型。基于自研Agent，团队已实现6个以上需求由单人完成全流程交付；仅在Q3，数字人业务产研实现564次迭代，沉淀130个Skills和729篇组织资产。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%。一名校招新人借助AI，仅用1天完成原本需要5个角色、至少10天的需求交付。
类似的实践在百度内部还有多个样本，且组织机制层面的FDE（前沿部署工程师）这一新角色正从业务一线长出来，把“懂行业、能落地、会推产品”打通，目前已在金融、能源、制造等多个行业交付落地100+业务场景。
产业侧的变化同样值得关注。 百度内部案例说明“新厂房”可以在任务闭环里长出来，但智能组织不能只在百度内部成立，它还要进入产业真实业务流。
南方电网下属南方总调与百度基于百度搭子合作落地“天璇伙伴”，面对南方五省四亿多人用电保障的重任，配电网故障分析长期依赖专家经验。仅广西电网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，且极易误判。天璇伙伴通过学习上万条历史故障处理数据，将资深专家经验沉淀为可复用的专业知识，把故障记录、开关信号、线路拓扑串联成完整证据链，实现“故障—分析”的闭环研究，分析准确率达70%以上。据客户反馈，该应用使配电网故障分析效率提升12倍，目前已在广西14个地市、112个县全面推广。更关键的是，它能“自主成长”，让老师傅的实战经验得以传承。
工商银行北京市分行则在客户经理走访企业的工作中引入百度搭子，覆盖访前、访中、访后三个环节：访前收集公开行业信息、政策和财报，调用专业套件形成有来源依据的客户研究；访中政策和产品要点随问随查并标明出处，沟通要点整理成会议纪要，客户诉求同步转为待办清单；访后当天把需求整理成方案初稿，由同事复核把关。该行把这套做法沉淀为Skill，在授权范围内供团队复用，个人经验由此变成团队共享的能力，并计划嵌入行内系统，同步落实数据安全和授权管理。
这些案例的共同点是，从高价值任务闭环中，逐步长出任务网络、知识资产和进化机制。
AI转型的最后一公里在组织
回头看，百度对AI价值的思考并不是一次跳跃，而是一条连续递进的链路。
2025年百度世界提出“内化AI能力”，回答的是AI如何从外部工具变成企业原生能力；2026年Create大会提出“自我进化”“超级组织”“人与智能体混合编队”，并用DAA（日活智能体数）衡量AI价值，回答的是组织如何从个人提效走向人机协同、从Token消耗走向任务结果；到2026年百度世界聚焦“智能组织”，问题进一步被推到组织层，即AI的上游是能源、算力、模型，下游是组织能力。只换电机不换厂房，产能不会自动释放。
这条链路背后，是一个越来越清晰的行业判断：AI转型的最后一公里，不在模型里，而在组织里。
百度已经拿自己数万人规模的组织做了试验场，数字人团队全员Builder、FDE从业务一线长出来，以及dodo、百度一见、Aether（以太）自动驾驶感知数据、Apollo开源团队等内部案例，说明新厂房不是画出来的，而是在一个个任务闭环里长出来的；南方电网、工商银行、销售易等产业案例则说明，智能组织已经开始进入真实业务流。但百度样本只是起点。智能组织能否成为行业公共词条，最终不由概念决定，而由更多企业的实践继续验证。
更直接的说，AI转型的下一程，不是再接一个模型、再买一个Agent，而是高价值任务有没有形成闭环？隐性知识有没有沉淀为可复用的Skill、知识库和工作流？组织有没有可衡量、可反馈、可迭代的Looping机制？ 如果答案是否定的，AI投入大概率仍停留在“个人提效”，很难变成“组织增效”。
