1882年,爱迪生在纽约珍珠街点亮了世界第一座商业发电站。
有意思的是,此后将近四十年,电力并没有带来人们预期的生产率跃升。
经济史学家保罗·大卫(Paul David)研究这段“电力空转期”后指出:瓶颈不在发电机。工厂主争先恐后把蒸汽机换成电机,可厂房还是那座厂房,机器依旧沿中央传动轴一字排开,车间按传动轴而不是按工艺流程布局,电机只是替换了蒸汽机的位置,没有改变工厂的结构。
转机出现在“单元驱动”(unit drive)普及之后:每台机器自带小电机,车间终于能按工序先后重新排列,厂房被拆成流动的生产线,岗位与班制随之重排。
电力真正兑现为经济增长,已是动力革命发生四十多年以后的事,新电机要等一座新厂房。
技术革命的节奏常常如此,动力换了,旧厂房拖住了红利。
今天,AI面对的是同一道题。
衡量时代变迁,有一把不太常用的标尺:最小生产力单元。工业时代是一套科层制的岗位分工,互联网时代是贝佐斯用“两块披萨”就能喂饱的小团队;如今,AI正在成为新的生产力变量,一个人加上一支Agent编队,正在成为新的生产力单元。
可现实是,新的生产力单元已经出现,企业的运行方式却没有跟着变:AI十分钟写好的市场分析,仍要像过去一样经过层层审批,工具跑到了前面,组织还在原地排队,整体增长没有同步加速。企业究竟需要怎样的组织,才能接住这场生产力革命?
11月12日,百度世界2026在北京开幕。百度创始人李彦宏在开幕演讲中,把这个矛盾推到了台前。他提出,人工智能是新电能,智能组织就是AI时代的新厂房,是生产力真正发生的地方;AI没有产生预期的经济效益,一个重要原因在于企业只更换了电机,却没有重新设计工厂。
这句话背后是一个判断:AI竞争正在进入下半场,决定企业能否获得持续增长的关键变量,正在从技术能力延伸到组织能力。

01 AI已经进了办公室,为什么企业的增长还没跟上?
过去两年,从办公助手、智能客服到代码生成、生产排程,AI开始渗透企业的日常工作。
但值得警惕的是,AI应用越来越普及,真正实现组织级生产力跃迁的企业仍然有限。
世界经济论坛联合科尔尼发布的《AI优先运营系统》报告,基于50多家领先组织的实践指出:尽管2025年全球AI投资超过2500亿美元,但只有25%的企业表示AI产生了变革性影响。
德勤的一项调查也呈现类似落差:74%的受访管理者预计未来四年企业近一半业务流程将围绕AI Agent重新设计或构建,但目前实现跨职能多智能体编排规模化应用的组织只有15%。
微软《2026年工作趋势指数》把这种落差称为“企业AI转型悖论”:员工用AI提升个人效率,业务流程、协作方式和评价机制却仍停留在过去。IBM的另一项调研指向同一处梗阻,2000多名高管中,82%认为部门之间的壁垒正在阻碍价值创造。
这种落差落到真实的企业运转里,往往是非常具体的错位,报告生成得再快,审批若还要等三天,任务周期就不会变短。企业已经开始使用AI,企业的运行方式却未必发生了变化。
除了流程机制的滞后,更深层的错位发生在组织单元层面,而AI正在模糊过去牢固的岗位边界。
OpenAI经济研究团队分析80多万条ChatGPT消息后提出“任务跨界”概念:43.5%的职业特定AI使用涉及原本属于其他职业的任务。
一个人借助智能体已能横跨研究、分析、设计、开发多个环节,组织却仍按旧方式分配任务、管理知识、评价绩效。AI越强,这种落差可能越明显。
在我看来,企业AI转型最容易陷入的误区,是把工具部署数量当成转型成果,把Token消耗量当成生产力指标。这两件事在公司内部最好量化,所以最容易被做成KPI,也最容易掩盖真问题。该问的是三件事:AI有没有进入业务核心流程,任务分配方式有没有随之改变,个人经验能不能沉淀为组织可复用的能力。
如果没有答案,企业很可能只是给旧生产体系装上了更先进的设备,而这恰恰是李彦宏所说的“只换电机,不换厂房”。
02 从Token到利润,AI产业链的下一站为什么是组织?
过去几年,全球AI竞争的核心维度高度收敛,谁拥有更强的芯片、更大的算力集群、更先进的模型,谁就能占据有利位置。
业界的AI“五层蛋糕”从能源、芯片、基础设施、模型到应用,解决的是智能从哪里来、如何规模化生产。
但当企业开始大规模使用AI,另一问题随之而来,生产出来的智能,如何真正进入企业、转化为经营成果?
李彦宏的判断,正好接在这条链的末端:AI的上游是能源,下游是组织能力。算力和模型提供智能供给,企业组织决定智能如何进入任务、参与协作、创造价值。前者决定智能能力的上限,后者影响智能价值的兑现效率。
而随着模型越来越多,企业面临的问题也从“有没有模型可用”,变成“如何找到可信、稳定、性价比合适的模型”。
百度世界2026上,百度正式推出大模型交易平台“词元所”,试图把Token进一步变成可比较、可交易、可治理的生产要素。平台通过模型指纹比对、能力测试、性能与可用性测试完成“验真”,并通过持续拨测和全链路监测为供应商建立信用评级。按大会披露口径,词元所试运营一个月已接入超过100个供应资源,日均调用次数突破5000万,日均调用Token超过7000亿。

这组数据也提供了另一个观察AI产业的视角:Token规模持续膨胀,只说明智能供给正在快速商品化,并不天然等于企业价值同步增加。模型市场解决的是“智能从哪里买、怎么买得更可靠”,而智能组织要解决的,则是买来的智能最终进入什么任务、形成什么结果。前者更接近生产资料市场,后者才决定生产资料如何转化为利润。
沿着这套从智能供给到组织价值的逻辑往回看,把他过去十年的判断摆在同一张时间轴上,脉络相当清楚。

2016年百度世界以“AI is the New Electricity”为主题,李彦宏提出移动互联网之后的下一幕是人工智能,此后几乎每个节点,他都早一步提出下一个问题:2018年发布中国第一款云端全功能AI芯片,2022年用文心大模型补全《富春山居图》并预测AIGC,2024年让五个智能体几分钟做出一套报名系统并判断智能体是AI应用最主流的形态。
这些判断大多被后来发生的事实验证,而支撑它们的投入往往以十年计。今天他谈“新厂房”,前提恰恰是把“新电机”造了十年。
而聚焦到组织变革这条主线上,他近三年的思考递进同样轨迹分明。
2025年百度世界大会,李彦宏提出企业需要将AI内化为原生能力;2026年5月的Create大会,他谈到组织自我进化,提出人与智能体混合编队的超级组织构想,并用DAA(日活智能体数)这把新尺子取代Token消耗,主张衡量智能体实际执行了多少任务、创造了多少结果。
同一时期,Meta、亚马逊陆续撤下Token排行榜,Anthropic披露其内部日活研发DAA已达约3万个。
而在本届大会上,百度第一次给出了这把尺子在自身组织内部跑了一年的结果:日均DAA从0.5万增长到3.7万,涨了6倍多;智能体完成的有效任务数则从每周平均8.4万个增长到一周超过100万个,涨了11倍。与此同时,百度内部已经建设4300个Workspace,累计沉淀超过2万个组织Skill。

这几个数字比单独看DAA更有意思。
3.7万个活跃智能体回答的是“AI有没有真正被用起来”,每周超过100万个有效任务回答的是“这些Agent到底有没有干活”,4300个Workspace和2万多个Skill,则开始回答另一层问题:一次任务结束之后,方法和经验有没有留在组织里。也就是说,衡量企业AI转型的尺子正在从“消耗了多少智能”,转向“执行了多少任务、沉淀了多少能力”。

百度世界2026,讨论进一步落到组织本身,当AI已具备执行复杂任务的能力,企业的基本运行机制是否也应该随之改变?
这也解释了为什么智能组织正成为全球科技产业共同关注的议题:BCG提出AI-First Organization,麦肯锡研究Agentic Organization,微软提出Frontier Firm 并投入25亿美元组建约6000人的前沿部署团队嵌入客户企业,Anthropic则研究多智能体如何分担角色。

表达不同,指向同一个趋势,AI正在改变公司的基本运行方式。
百度的差异化在于进一步追问组织如何实现自我进化:微软讨论组织应该长成什么样,麦肯锡讨论如何设计组织,百度想回答组织如何通过技术和业务反馈机制持续生长,竞争焦点于是从组织形态推向组织运行机制。
机制之所以重要,是因为能被写进PPT的组织形态谁都能画,画不走的只有企业在一个个任务里攒下的判断、经验和协作习惯。它们长期留在具体员工的脑子里,能不能变成组织随时可调用的资产,取决于组织怎么运行,这正是三条原则要回答的问题。
03 给AI换上新厂房:企业究竟应该改变什么?
李彦宏提出的答案是三条原则:打破岗位边界、沉淀隐性知识、设计流程闭环。它们看似是组织管理问题,背后对应着企业生产方式的三次变化。

第一,把岗位变成任务,让人与智能体围绕目标重新组合。
传统企业习惯按岗位安排工作,项目由产品经理、设计师、研发、测试各管一个环节,靠流程衔接交付。
当智能体能承担需求分析、原型生成、代码编写和测试,岗位边界就有了重新划分的空间,百度内部的实践提供了具体样本。
百度搭子团队的产品、设计与研发基于同一份经过真实代码校验的上下文工作:产品经理判断方向,智能体完成需求闭环分析并生成高保真原型与实现方案,设计师调整体验交互,研发拿到完整原型直接开发。
过去一个典型需求从分析到可交付方案需要7天,如今缩短至2天。
这套流程后来被做成可复用的“需求闭环工作流”Skill,别的团队配好产品信息、代码库和需求来源就能用。一次协作的经验,变成了组织随时能调的生产资料。
这一步真正难的不在技术。打破岗位边界,意味着有人要交出审批权,有人要从“管五个人”变成“管五个Agent”,KPI、职级、编制全得重写。中国企业科层更厚、人情更重,这一关比模型难得多。
第二,把个人经验变成组织资产,让知识真正流动起来。
企业里最昂贵的知识,往往藏在最有经验的员工脑子里,比如老师傅知道哪种设备异常意味着什么。这类经验很难写进手册,一旦人员流动就可能随之流失。
南方电网的案例很有代表性。
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过60分钟且高度依赖专家经验,单靠增加几个AI问答工具,解决不了这种复杂场景。

百度搭子与南方总调合作推出的天璇伙伴,通过学习上万条历史故障处理数据,把老师傅脑海中的判断过程沉淀为可复用的知识,并将故障记录、开关信号和线路拓扑串联成完整证据链。据客户反馈,其故障分析准确率达70%以上,配电网故障分析效率提升12倍,已在广西14个地市、112个县推广。
第三,把固定流程变成反馈闭环,让组织拥有自我进化能力。
传统流程由人制定,出问题再靠管理者调整制度,依赖人工反馈、周期较长。
李彦宏把智能组织的机制概括为:可衡量+Looping=持续进化。他甚至给出更远的图景:未来一个公司会变成由无数Loops组成的高度自动化运营组织,组织本身成为不断学习和进化的系统。
在百度伐谋与海高激光的合作中,这种机制已进入制造业,多台六轴机械臂需协同切割同一工件,过去由工艺人员凭经验分配轨迹块与执行顺序,还要兼顾耗时、防碰撞与工艺依赖。
伐谋围绕这些约束持续优化算法,目前单个工件已完成从时间预测、防碰撞验证到任务排程的全流程验证。同一套逻辑也被用于中广核核岛安装智能排程。

真正的变化在这里,少数工艺专家掌握的排程经验,正转化为生产团队可重复使用的算法能力。
百度自身也在这样探索。其数字人创新业务部打破产品、研发、设计、测试的岗位边界,推动全员向Builder转型,仅2026年第三季度就完成564次产研迭代、沉淀130个Skills与729篇组织资产,产研人均吞吐提升约125%、交付周期缩短28%;一名校招新人借助AI仅用1天就完成了过去需要5个角色、至少10天的需求交付。
类似样本还在增加,一支十来人的小团队做出AI助手dodo,上线7个月覆盖99%的正式员工,推动300多个内部平台完成AI友好化改造;百度一见团队首个试点3人协同智能体,2周推出初版、1个月完成交付;财务内审流程的AI自动执审率已达40%。
当然,智能组织的形成还需要可靠的技术基础设施托底。
李彦宏把“芯—云—模—体”本身也看成一个Looping,自有芯片、云、模型与智能体层层反馈、循环优化,真正的竞争优势不在拥有这些能力,而在它们能否协同。

据百度世界2026大会披露,千帆Agent Infra已提供150多个SOTA模型服务,任务成功率可达95%、Token消耗节省23%;天池超节点2.0吞吐性能提升25%,主流模型推理效率提升50%。
对企业而言,四层架构里感知最直接的是最末端的智能体层,芯片和模型决定智能的能力上限,智能体则决定智能能在多少具体任务里真正落地。
作为企业沉淀定制智能体的入口,百度搭子自上线以来完成160多次产品迭代、交付物超2000万,多端月活977万(2026年9月,QuestMobile),并联合160多家生态伙伴接入1800多项生态能力。
从底层的算力与模型,到智能体的运行时调度,再到一个个真实任务里的执行与反馈,百度试图打通的,是一条能自主运转的组织级生产力闭环:技术供给、任务执行、知识沉淀三段彼此咬合,每循环一次,企业就多积累一分难以被复制的组织资产。
这套东西要跑起来,前提是企业自己的底子够。前面这几个案例有个共同点:都是大公司,有多年AI积累,数据相对干净,流程本身规范。多数中国企业尚不具备这样的条件,人力成本相对低,AI替代人工的投入产出账短期内难以跑通;数据散在十几个系统里,流程大量非标,Agent落地往往卡在“数据不通”而不是“模型不行”。所以更现实的顺序,可能是先把流程和数据理顺,再谈智能体编队。
04 写在最后:
回到珍珠街那座发电站。
这一次,组织里多了一个新角色,企业第一次拥有了能参与任务执行、调用知识、持续反馈的智能体。参与者变了,组织的基本单元、协作方式和能力来源,也会跟着变。
李彦宏在这次演讲中提出,智能组织将为企业带来轻资产运营、构建新护城河、创造和发现新市场三大机会:当少数人带着一群智能体就能完成各种任务,人力不再是扩张的瓶颈;在通用能力之上叠加独有的知识、上下文与文化理念,会形成难以复制的壁垒;创新也从依赖少数创新部门转向全组织并发探索。
当然,智能组织不会因为部署了几个Agent就自动形成。哪些任务适合交给智能体?哪些决策必须保留人工判断?如何保证知识沉淀准确且持续更新?这些答案决定组织进化能否真正发生。
一把手需要重新审视AI转型的目标:采购了多少模型、消耗了多少Token都只是过程指标,真正重要的是AI有没有改变业务结果,有没有让组织积累新的能力,有没有形成可持续运转的反馈闭环。
电力从发明到兑现为生产率走了四十多年,缺的不是发电机,而是那间愿意重排的厂房。未来十年,企业之间或许会出现一条新的分界线:一边是拥有AI工具、仍按旧流程运行的企业;另一边是让人与智能体围绕任务协作,把知识沉淀为组织资产、通过反馈持续优化自身的企业。前者获得效率改善,后者有机会获得组织能力的复利。
当智能成为新的基础设施,真正决定企业能走多远的,或许正是它能否建成一座能够不断学习、持续生长的厂房。