AI时代的公司应该长什么样？

过去一年，几乎每一个企业CEO都被同一个问题困住：AI的钱花出去了，增长在哪？

今年6月，世界经济论坛（WEF）与科尔尼（Kearney）联合发布的白皮书显示，2025年全球AI投资突破2500亿美元，但仅25%的企业认为AI产生了变革性影响。

模型更强了，企业的钱也越花越多，财务报表上却看不到相应的增长。11月12日，百度创始人李彦宏在百度世界2026上给出了他的诊断：AI没有产生预期的经济效益，是因为我们只是更换了电机，但是没有重新设计工厂。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。

这也让百度世界2026的讨论超出了技术发布本身。当天，百度集中展示了芯、云、模、体全栈AI成果，但李彦宏试图回答的，是一个更接近企业经营的问题：当AI已经具备越来越强的能力，企业应该如何重新组织人、机器与业务流程，才能让技术投入产生实际回报。

他给出的答案是智能组织。只有当企业重新设计生产线、调整流程和组织分工，新的技术才能真正转化为生产力。

把智能组织放进一百多年的公司史里看，这个判断的分量会更为清晰。

公司的组织模式，正在被重新讨论

AI正在让一个看似古老的问题重新变得重要：一家公司究竟应该如何组织起来？

过去一百多年，企业组织形态经历过多次变化。从工业时代的层级管理，到互联网时代的小团队和扁平化组织，每一次生产力工具的跃迁，都会改变企业内部的分工方式。如今，随着AI Agent开始承担越来越多的工作，公司的组织边界、岗位分工乃至最小生产力单元，都面临重新定义。

1855年，纽约与伊利铁路公司画出了一张树形图。树根是管理层，枝干是各职能部门，细枝上标注着人员分工。这张图被认为是世界上第一张组织结构图。它试图解决一个朴素的问题：当公司规模扩大到任何一个人都无法独立管理时，怎样让几千人有序运转？

后来，马克斯·韦伯将这种管理逻辑系统化。专业分工、明确权责、层级管理和制度化流程，构成了现代科层制的基础。但科层制也有自己的代价：分工越细，部门之间的协作成本越高。层级越多，一线信息传递到决策层的速度越慢。

互联网时代，企业开始寻找另一种组织方式。贝佐斯提出的“两张披萨团队”就是典型代表：通过控制团队规模、下放决策权和减少管理层级，企业试图让组织变得更加灵活，缩短从决策到执行的距离。

而AI带来的变化，比此前几次组织调整都更进一步。

李彦宏今年5月在Create 2026上表示，过去一个公司的最小生产力单元是一个团队，而今天正在变成一个超级个体，即一个人加上一支智能体编队。

这意味着，企业管理面对的对象发生了变化。在AI时代，企业需要决定人与Agent如何分工以及不同Agent之间如何协同。李彦宏将这种变化概括为三个层次：智能体的自我进化、个体向超级个体转变，以及组织从人与人的分工协作走向人与智能体的混合编队。

这并不只是百度一家企业的判断，全球科技和咨询机构也在重新讨论公司的组织形态。

其中，麦肯锡提出Agentic Organization，主张围绕业务目标重新配置人类员工与AI Agent；BCG的则更加强调AI转型首先是组织问题，而非单纯的技术升级。

企业对于智能体组织的想象已经走在前面，但真正的组织变革却还没有大规模发生。更难的问题是：企业究竟要从哪里开始改变，才能让AI不只是一个提高个人效率的工具，而成为推动整个组织运转的新生产力。

智能组织，要改变组织原本的运作方式

AI时代组织模式应该如何改变？

李彦宏的基本判断是：换一台新的AI电机，只是起点；重新设计新厂房，才是分水岭。

百度将智能组织定义为一种不同于现在通行的科层制的AI原生组织体系。它不再完全围绕部门和岗位建立，而是围绕任务组织资源，让人和智能体共同参与工作。李彦宏将这种变化归纳为三条原则：

首先，组织从以岗位为中心转向以任务为中心。

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，未来的组织就是一个任务的网络。

在传统企业里，一项工作往往需要经过多个岗位和部门，按照既定的职责分工逐级流转。但当一个员工可以调度多个Agent，完成过去需要不同岗位协作的任务时，岗位边界就不再是唯一的资源分配方式。企业可以根据具体任务，临时组合人和智能体，完成从信息收集、分析判断到执行交付的全过程。

这也意味着，组织不再只是按照固定部门划分资源，而是可以围绕任务动态调度能力。百度将其概括为组织从相对固态的结构，转向更加灵活的任务网络。

其次，组织要从个人智能走向组织智能。

AI提高了员工个人的工作效率，但这并不意味着企业整体能力也会同步提升。一个员工借助AI积累的经验和方法，如果仍然只留在个人账号、聊天记录和工作文档里，就很难转化为组织可以反复使用的能力。

真正的组织智能，是让知识显性化，沉淀到公司的平台上，做到持续累积、随时调用、人人可用。

这实际上是在改变企业知识的归属和流动方式。过去，很多业务经验依附于具体员工，员工离职或岗位变动，经验也可能随之流失；在智能组织中，企业需要把员工与Agent在工作中形成的知识、经验和流程沉淀下来，再通过平台提供给其他员工和智能体调用。这样，AI带来的就不只是单点效率提升，而是组织能力的持续积累。

第三，组织从固定流程转向持续反馈和自主进化。

传统企业的流程通常由管理者提前设计，再通过制度和系统要求员工执行。即使业务环境发生变化，流程调整也往往需要经过人工判断和层层审批。

李彦宏提出，智能组织应该成为一个自主进化的智能系统。他用一个公式概括这一机制：可衡量+ Looping =持续进化。

简单来说，组织需要先建立对任务执行过程和结果的衡量体系，再通过反馈不断调整任务分配、执行方式和资源配置，形成持续运转的闭环。

其中，可衡量尤其重要。在今年5月的Create 2026上，李彦宏就提出用DAA（日活智能体数）衡量AI价值，强调企业不应该只关注Token消耗，而应该关注智能体实际执行了多少任务、产生了什么结果。到了智能组织的框架里，衡量同样是反馈机制的前提：如果无法判断Agent是否完成任务、完成质量如何，组织就无法根据结果持续优化。

这三条原则放在一起，构成了百度对AI时代组织变革的理解：工作从岗位分工转向任务协作，能力从个人积累转向组织共享，流程从预先设计转向反馈驱动。工业时代依靠专业分工实现规模化，互联网时代依靠连接提升协作效率，AI时代则试图让组织具备持续调整和自我进化的能力。

百度认为，这种变化还可能带来三方面的经营机会：企业可以用更少的人力调度更多智能体，实现轻资产运营；通过沉淀自身独有的知识、上下文和文化，建立新的竞争壁垒；还可以让创新不再局限于少数专门部门，而是在整个组织中并行发生。

不过，组织理念要真正落地，还需要相应的技术基础设施支撑。毕竟，让员工使用一个Agent，与让数百个Agent跨部门、跨系统协同完成一项长期任务，是完全不同的难度。

百度集团执行副总裁沈抖对此给出了基础设施层面的解释。他认为，新的AI云将穿透企业的底层资源系统、IT系统，甚至经营系统，不再只是服务于某个部门或某个员工，而是服务于由这些单元共同构成的一个个任务。

这也是百度芯、云、模、体全栈布局与智能组织之间的联系：底层百舸AI Infra提供算力，上层千帆Agent Infra支撑智能体的开发、部署和规模化运行。在李彦宏看来，百度的芯、云、模、体四层架构是一个典型的Looping。

从组织理念到任务调度，再到基础设施，百度试图回答的是同一个问题：如何让AI不再只是员工手中的效率工具，而是成为能够参与企业日常运营、并根据执行结果持续进化的组织成员。

但提出一套组织原则和技术架构，并不等于企业已经拥有了智能组织。真正的考验在于，这套机制能否进入真实业务，跑通从任务分配、智能体执行到结果反馈的完整闭环。

从时代命题到企业样本，智能组织的答案正在被验证

百度提出了智能组织的系统框架，也开始以自身为试验场，探索组织如何真正改变。

最直观的变化发生在岗位上。本届百度世界大会主论坛的一位演讲嘉宾，半年前还在物理实验室从事量子计算研究，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产品、研发和项目管理工作。他在现场说，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。

这句话在百度内部已经有了更具体的实践。百度数字人创新业务部开始打破产品、研发、设计、测试之间的传统分工，推动全员向Builder转型，部分需求已经可以由一个人完成从头到尾的交付。仅2026年第三季度，该团队产研完成564次迭代，沉淀130个Skills和729篇组织资产，人均吞吐提升125.3%，交付周期缩短28.8%。

岗位边界被打破之后，新的问题随之出现：过去依赖个人经验完成的工作，如何不再随着人员流动而流失？

百度搭子开发平台团队的实践，提供了一个样本。过去，一个典型需求需要产品、设计、研发多个角色接力，从需求分析到形成可交付方案，通常需要7天。现在，三个角色基于同一份经过真实代码校验的上下文开展协作，流程被压缩至2天。更重要的是，这套协作方法被进一步沉淀为需求闭环工作流Skill，其他团队只需配置相应信息，就能复用这套流程。

岗位和知识之外，组织的流程也在发生变化。百度财务内审团队将Looping机制引入审计工作：AI参考业务资料和历史案例辅助判断审计重点，再通过人工审核、专家反馈不断修正和沉淀判断规则。目前，其内部审计流程AI自动执审率达到40%。

李彦宏指出，今年前9个月，几乎每天都有新模型发布，有时候一天都能发布多个模型。但词元中转站并不对模型效果和服务稳定性负责，模型越多，选择越困难，“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。”为此，百度正式推出大模型交易平台词元所。

上线一个月，词元所已入驻供应资源超过100个，日均调用次数突破5000万次，日均调用Token超过7000亿。这组数字更值得关注的不是规模本身，而是它说明模型交易正在从"企业私下对接"变成一个独立的产业环节——而规则提供者，从这个环节里获得了公共品的属性。

从这些内部实践来看，智能组织并不是简单地给每个员工配备一个AI助手，而是重新安排任务由谁完成、知识由谁掌握，以及工作如何在反馈中持续改进。

但一家科技公司的内部实践，并不足以证明这种组织方式具有普遍性。真正的考验，是它能否进入业务规则复杂、专业经验密集的传统行业。

比如，南方电网与百度合作的“天璇伙伴”，学习上万条历史故障数据，将专家经验沉淀为可复用的专业知识。天璇伙伴的研判准确率达到70%以上，客户反馈故障分析效率提升12倍，目前已在广西14个地市、112个县推广。它的价值不只是让故障分析更快，而是尝试把过去掌握在少数专家手中的判断经验，变成能够被更多基层业务人员调用、并在使用中持续积累的组织能力。

这些变化的背后都是：AI开始进入具体任务，专业知识被转化为可调用的能力，业务人员也因此获得了重新组织工作的空间。

“智能组织的未来，不会由哪一家企业独自完成。”百度集团执行副总裁沈抖表示，百度希望把基础设施建设好，让千行百业的智能组织，都能在云上生根、成长。

从1855年那张画成树的组织图，到未来组织的任务网络，公司这种形态经历了一百七十多年，正在被重新描述。

电机换了，厂房要不要重建？

这个问题已经被摆到了台面上。它的答案不在发布会的概念里，而在企业真实的业务流程和经营结果中。