DoNews 2小时前
智能组织,为何是AI时代企业的“新厂房”?
index_new5.html
../../../zaker_core/zaker_tpl_static/wap/tpl_keji1.html

 

AI 时代最需要重新设计的,可能是组织本身。

1855 年,纽约与伊利铁路公司画出了世界上第一张组织结构图。整个企业被绘制成树形,岗位职能、人员与权责共同构成组织的枝叶。

背后是工业时代的管理逻辑,企业从作坊发展到工厂,业务跨越地区,管理者需要精细的职责分工与责任归属。这套岗位明确、层级管理的架构,奠定了此后一百多年的企业骨架。

进入 AI 时代,组织命题变化。过去研究如何组织人,今天研究如何同时组织人和智能体。

旧架构本质上是一个信息系统,适用于信息处理效率低下、跨部门任务分配困难的工业时代,不同层级作为信息传递中枢承担了上传下达任务。

互联网时代,企业开始压缩这套结构。亚马逊的两块披萨团队提出,将不同职能放进一个团队内,减少部门间交接,让组织趋于扁平,以项目为核心。

进入 AI 时代,上下级信息不对称被极大压缩,多层级产生的信息税不必再维持。当 AI 能以更低成本、更高一致性完成流程性工作,旧有 SOP 的效率就跟不上了。

组织思维随之变化,如微软提出 Frontier Firm,关注人和智能体混合工作的组织形态;麦肯锡提出 Agentic Organization,讨论如何重构组织和流程。

在 11 月 12 日举行的百度世界 2026 上,百度创始人李彦宏提出智能组织概念,将讨论推向 AI 时代企业如何持续进化,怎样把个人提效转化为组织增效。

会上一个核心判断是,AI 没有产生预期的经济效益,很多时候是因为企业只是更换了电机,却还没有重新设计工厂。而智能组织是 AI 时代的新厂房,是生产力真正发生的地方。

AI 时代,为何需要重新设计组织

从工业社会到 AI 时代,企业组织的对象意义变了。

手工业时代,生产跟着人走,依靠师徒关系和个人经验;工业化时代,工厂把生产拆解成标准化任务,装进部门和层级里;互联网时代,决策离项目更近,组织从部门转向项目协作,围绕市场需求快速迭代。

过去企业研究的是如何管理人,今天则要研究人 + 数据资产的多重管理;过去单人对应一个岗位,现在 AI 担任能力底座。智能体不隶属固定部门,但可以在多个流程中被调用,人与智能体协作的边际成本趋近于零,对应的工作流程也必须改变。

企业要用 AI,先要获得模型能力,但一个现实难题是不少中转站并不对模型的效果负责,甚至连模型真实性都存疑。李彦宏的说法是,同一款模型,有的贵有的便宜,来源五花八门,质量参差不齐。选来选去,就是不放心、不敢用。

百度的选择是,用大模型交易平台词元所替代现有的模型中转站,通过持续监测和定期抽检,筛选可信的模型供用户调用。

试运营一个月以来,入驻供应资源已经超过 100 个,日均调用次数突破 5000 万,日均调用 Token 超过了 7000 亿。

同时,智能体和数字人正在重构企业的业务流程。

本届大会上,李彦宏接受了一场数字人希加加专访。而这场全球首个由数字人专访的视频就是百度一镜生成的。

大会上,数字人智能体百度一镜还推出 " 短漫剧 Studio",覆盖创意、剧本、分镜到成片的一站式创作链路。创作者可以在百度一镜上,将已被验证的作品,一键完成剧情、人物和场景的本土化适配,助力短漫剧出海。

在 AI 时代,岗位仍然承担专业决策的责任,变化发生在岗位之间的交接方式:企业需要先明确业务目标,再拆解任务,判断人与智能体的分工。

类似的案例也发生在百度内部。

一位原本从事量子计算研究的成员加入百度后,借助百度搭子一个人同时做产品、研发和项目管理,用几乎零经验的背景在半年时间完成了海量任务。

放在传统组织里,该成员首先会被岗位边界困住。他需要轮岗才能获得跨岗位知识,而每一次任务的经验,也很难完整继承到下一次任务。该研究员的表述是:" 很多时候,所谓岗位边界,并不完全是能力本身的边界,而是知识和经验流动的边界。"

这能解释为何传统组织不适配 AI 时代。当 AI 能够跨流程被调用,任务需要的能力不再完全对应一个固定岗位时,组织若仍按部门分配,按岗位交接,AI 仍然是个人工具,无法进入真正的业务流程。

智能组织意味着什么?

斯坦福大学经济史学家保罗 · 戴维 1990 年发表论文《发电机与计算机》描述了这样一个现象:

19 世纪 80 年代的美国工厂拆掉蒸汽机,换上电动机,期待生产效率提升却无法实现。原因并不在于工具,在于厂房还是按照蒸汽时代的逻辑建的,机器围着动力轴排布,电动机的灵活性优势发挥不出来。

微软《2026 年工作趋势指数年度报告》记录了类似的现象。不少企业员工已经用 AI 提升效率,但组织流程还停在过去,没有太多变化。

李彦宏在今年的世界大会上给出的判断是,企业要充分释放 AI 时代的效率潜力,就不能停在旧厂房阶段,需要重新设计生产流程和组织方式。

智能组织要怎么建设?有三条原则。

第一条原则是打破岗位边界,围绕任务重新编队。

传统组织按照岗位分工,智能组织按照业务目标拆解任务,人负责设计目标及做出关键决策,AI 负责调用和执行。

百度 Apollo 开源团队的实践是,用 3 人 + 智能体的模式编队,完成了 Apollo 11.0 版本迭代和 RT45 车型适配。结果是,Apollo-Agenteam 部署效率提升 60%,开发效率提升 50%,产品原型周期从一个月缩短到 15 天。

在此过程中,任务被精确拆解,原本需要不同岗位轮流完成的工作,被重新组织成一条任务链。

Aether 自动驾驶感知数据团队也采用了类似方式。团队由两名成员和 AI 小队组成,用一个月完成传统 10 人团队约 3 个月的工作。最终实现平台开发效率提升约 8 倍,平台数据管理人效提升约 10 倍,问题发现时间从两小时以上缩短至数分钟。

效率提升的原因是,AI 数字员工承担了 7 × 24 小时巡检和交付工作,团队成员就可以专注判断和处置。

第二条原则是沉淀隐性知识,构建组织智能。

一个企业中最难复制的经验,往往无法书面化。这些知识依赖个人经验,人离开经验就流失了。

智能组织要做的,是把这些经验变成可以被调用的知识、规则和 Skill。

工商银行北京市分行与百度搭子的合作跑通了完整链条。客户经理走访企业,访前百度搭子整理行业信息,形成带有来源依据的客户研究和拜访提纲;访中客户经理可以随时查询,沟通内容被整理成会议纪要,客户诉求同步转成待办事项;访后系统形成方案初稿,再由同事复核。

团队进一步把成熟做法沉淀为 Skill,供成员在授权范围内复用。不仅保留客户经理对业务的判断,也把整理工作交给 AI,个人经验由此变成团队共享的能力。

第三条原则是设计流程闭环,推动组织进化。

流程自动运行,代表执行环节提速了,但组织要实现自我进化,需要经验回到系统,让下一轮任务拥有更好的资料。

远元集团拥有近万家门店,多个环节的服务标准需要巡检。百度一见帮助集团从人工服务转向 AI 巡检,覆盖 80 多个场景,巡查覆盖率提升约 30 倍。

关键是,AI 能将检查结果沿着管理链条传递,问题能快速送到对应负责人手中,再推进整改,这就把单次识别变成了持续管理。反馈有效记录后,下一轮巡检就能更准确。

在百度看来,智能组织的公式可以概括为 " 可衡量+Looping=持续进化 "。

可衡量意味着任务流程标准化,能够被记录,Looping 意味着经验能回到下一次任务。未来,企业将变成由无数 Loops 组成的高度自动化运营组织,成为真正有生命力的系统。

验证智能组织,百度拿自己做实验

智能组织能否成立,要看这套机制能否进入企业日常工作。

百度选择先在内部做实验。

一年前,李彦宏在百度世界提出内化 AI 能力,要让一个人的经验,成为整个组织的能力。

看一年后的成绩单,百度内部日活智能体数(DAA)从日均 0.5 万增长到 3.7 万,涨了 6 倍多;智能体执行的有效任务完成数,从每周平均 8.4 万个增长到一周超过 100 万个;百度已建设 4300 个 Workspace,组织 Skill 累计沉淀超过 2 万个。

在百度数字人创新业务部,团队正在打破产品、研发这类岗位边界,让全员向 Builder 转型。借助自研 Agent,部门已经实现单人完成 6 个以上需求的全流程交付。一个季度的时间里,数字人业务就实现了 564 次迭代,沉淀了 130 个 Skills。

背后是一条完整的组织变化链。需求被拆成任务,由个人和智能体共同完成,任务经验沉淀为 Skill 和组织资产,供下一轮需求继续调用。

随着改造深入,传统职能定位已经发生变化。

百度财务内审团队把 Looping 引入审计流程,AI 参考业务资料和历史案例辅助判断审计应该怎么查,再通过人工审核和专家反馈持续沉淀判断规则,已经实现 40% 的 AI 自动执审率。

审计是典型的经验密集型职能,引入 Looping 后,审计判断本身被拆成一个可循环的工程系统,把一个依靠个人能力的业务,变成人工与 AI 的复合协作链。当审计业务也能向智能组织靠拢,说明这套机制具备对外迁移的基础。

此后百度再用陪跑的方式,把验证过的逻辑不断迁移到各个产业场景里。

海高激光的工件生产过去依赖工程师经验,需要完成时间预测、防碰撞验证和任务排程。百度伐谋通过算法优化,把单个工件的多个环节放进同一套流程中,把原本锁在少数资深工程师头脑里的工件生产经验,转化为可以被 AI 持续验证进化的算法系统。

南方电网的电力故障分析依赖资深专家经验。但天璇伙伴通过学习历史故障处理数据,把故障信息整理成证据链,辅助工程师完成故障分析,新的故障结果,又会成为后续判断的参考。数据显示,天璇伙伴的故障分析准确率达到 70% 以上,分析效率提升了 12 倍。

这些能力能跑通,需要一套可以被智能体原生调用的基础设施,从算力到模型能力、运行环境缺一不可。

这也是百度强调 " 芯—云—模—体 " 全栈能力的原因,自研芯片负责解除算力成本与算力自主性的约束,云解除智能体运行环境的约束,模型提供判断力来源,智能体提供执行单元,各环节相互支撑也倒逼升级,才有智能组织的诞生基础。

本次大会,百度发布了文心 5.5 Flash 预览版,总参数量 2800 亿,每个 Token 激活 140 亿参数,最长支持 100 万 Token 的上下文。两款应用模型也在会场发布,文心闪电深度思考模型负责复杂任务深度推理,文心一镜微表情大模型负责数字人表达,均已上线千帆平台开放 API。

对企业来说,智能组织没有能照抄的标准答案,但可以参照百度的经验,把工作梳理成可衡量的任务,让经验沉淀并进入下一轮任务。

百度的探索仍在继续,但李彦宏的思考已经指向更远的未来。

回看过去十年,从 2016 年提出「AI 是新电能」,到 2024 年强调「AI 不要卷模型,要卷应用」,再到 2026 年提出「智能组织」,李彦宏关注的始终不只是技术本身,而是技术突破之后,如何真正转化为生产力。沿着这条脉络,他这次提出的智能组织,也不只是企业 AI 应用的一种新形态,而是对 AI 下一阶段产业变革方向的一次前瞻判断。

当 AI 开始改变企业的生产和协作方式,企业的增长逻辑也可能随之改变。未来,真正拉开差距的,或许不只是企业拥有多强的 AI 技术,而是能否借助 AI 打开新的价值创造空间。这或许才是智能组织值得企业重新审视的深层原因。

智客推

智客推

ZAKER 智客推 GEO | AI 时代的品牌认知解决方案

一起剪

一起剪

ZAKER旗下免费视频剪辑工具

相关标签

ai时代 ai 百度 李彦宏 互联网
相关文章