AI 已经进入企业，为什么组织还没有进化？

“十年前看人工智能，十年后看智能组织。”

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。

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。

从岗位到任务，从个人经验到组织智能，再到流程的持续迭代，智能组织改变的不是某个岗位的工作效率，而是企业生产和协作的底层逻辑。

接下来要看的，正是这些原则如何变成实践：真正参与业务流程、解决实际问题？

03

智能组织怎么在企业内部生长？

判断一家企业是否进入AI Native组织，要看AI是不是真的在改变内部整个的运作。

以百度数字人创新业务部来看。

团队打破产品、研发、设计、测试之间的岗位边界，推动全员向Builder转型，并基于自研BiuBiuAgent，让部分需求由单人完成全流程交付。

仅在第三季度，团队就完成了564次产研迭代，沉淀130个Skills和729篇组织资产。

随着Loops持续运转，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，仅用一天就完成了过去需要5个角色、至少10天才能交付的需求。

高速增长的数字背后，是AI真正在企业组织间“转”起来。

这样一来，员工就可以把更多精力放在目标判断和流程组织上，那些团队在执行中形成的Skills和组织资产能够被反复调用，单个人的经验不再随着任务结束而消失。

另一个例子是dodo。这个由百度内部十余人团队打造的AI助手，上线七个月后覆盖了99%的正式员工，并推动300多个企业平台完成AI友好化改造。

这也揭示了组织智能化容易被忽略的一面：企业不能只要求员工学会使用AI，还需要让原有系统、数据和流程能够与AI协同。

否则，智能体即使能完成某个环节的任务，也很难真正打通业务链条。

过去一年，百度内部日均活跃智能体从约5000个增长至3.7万个，每周有效完成任务数也从8.4万提升至100万以上。

规模扩张之外，知识沉淀也在同步发生：百度已累计搭建超过4300个工作空间，沉淀超过2万个公司级通用技能，让原本分散在个人和团队中的经验，逐渐转化为可复用的组织能力。

如果说百度的实践，展示了组织协作方式的变化，那么以下这些案例，则检验了AI能否进入真实业务。

在南方电网，百度搭子落地南方总调，形成面向配电网故障研判的“天璇伙伴”。

广西电网2025年发生永久性故障8215次，传统人工研判单次耗时超过60分钟，而且高度依赖专家经验。

天璇伙伴学习上万条历史故障处理数据，将资深专家的判断经验沉淀为可复用知识，再把故障记录、开关信号和线路拓扑串联成证据链，辅助完成故障分析。

根据客户反馈，故障分析效率提升12倍，分析准确率达80%以上，实现专家经验复用，目前已在广西14个地市、112个县推广。

这类应用的价值，不只是让故障分析更快，而是把原本掌握在少数专家手中的经验转化为系统可以持续调用的专业能力。

海高激光的实践，则把AI带到了制造现场更复杂的决策环节。

在生产线上，多台六轴机械臂需要协同完成同一工件的切割加工。过去，工艺人员主要依靠经验分配轨迹块、确定执行顺序；但当机械臂数量、加工任务和工艺约束增加，局部安排很容易影响整体效率。

百度伐谋围绕运动耗时预测、多机防碰撞和任务分配排程持续优化算法，在满足机械臂可达性、工艺依赖和无碰撞等约束的前提下，将工件编程耗时从8小时压缩至10分钟，解决行业卡脖子问题。

从电网故障研判到机械臂协同排程，两个案例指向了同一个变化：AI进入产业，是要理解行业知识、适应业务约束，并在实际任务中接受结果检验。

当然，智能组织并不意味着组织里的人会不重要。

在大会现场，数字人希加加与Robin的一段对话，恰好触及了这个问题。

当希加加问自己能否成为CEO时，Robin给出的回答是否定的。

在他看来，CEO需要理解公司的使命和愿景，AI可以成为CEO的thinking partner，帮助其提升效率、提供灵感，却不必急于取代CEO。

当话题进一步转向“如果AI渗透到组织的每个角落，组织最核心的部分还是什么”时，Robin给出的答案是：人。

我们常说AI无法取代人类，但在实际应用中仍然会有担心被替代，这段对话反而区分了AI的执行力和组织方向。

AI可以继续承担具体工作，参与分析、提供建议，但企业的存在价值，以及未来的走向，最终的决策还是在“人”这里。

这倒是有点像苹果公司早期提出的“DRI（Directly Responsible Individual，直接责任人）”概念。

在苹果公司，对于谁应该负什么责任从来都很清晰。简单来说，AI可以帮你决策，但最终结果和价值判断必须有人负责。

换句话说，智能组织不是把人从流程中拿掉，而是重新分配人与智能体承担的职责。

未来，企业之间真正的差距，在于谁能把AI嵌入业务流，把经验沉淀为组织资产，形成一套能够持续运转和进化的组织系统。