李彦宏谈AI效益落差：换电机不换厂房不行

（本文作者为 ToB深水区，钛媒体经授权发布）

AI芯片、大模型、AI应用，今年的百度世界大会一个不缺，李彦宏偏偏挑了个“不性感”的话题来讲——智能组织。

过去两年，企业几乎都在干同一件事：把AI塞到员工手里。写方案快了，出报表也快了，可翻开公司账本，增长迟迟不见影子。

员工越跑越快，公司还是老样子，这道落差摆在各国企业面前。

11月12日，百度世界大会2026在北京国家会议中心二期开幕。百度创始人李彦宏在演讲里把原因说得很直白：“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”。

跟模型、芯片、应用的发布比起来，这个话题朴素得有点过分。岗位怎么分工，知识如何共享，流程往哪里调，听着像在讲一堂管理学课。

可对百度以及所有AI企业来说，这个AI故事必须认认真真讲明白：砸进去的海量AI投入，最后换来的是企业未来云里雾里的“鬼故事”，还是确定赢在AI时代的好故事。

百度是个典型样本。芯片、云、模型、智能体，它一直在投，客户掏钱买到的不能只是新技术。AI进了公司之后，产品交付能不能更快、服务能不能更好、成本能不能降下来，这些才决定企业还愿意继续投多少。

智能组织，就是李彦宏给当下AI行业交出的答案：人工智能是新电能，智能组织是AI时代的新厂房，生产力真正在这里发生。

个人高效，组织低效

企业做AI转型，容易掉进一种误判：让员工把AI用起来，Token消耗一再刷新，就认为公司AI转型形势大好。可这些成果越是集中在个人和单个岗位上，越可能盖住流程没动过的事实。

真正难动的地方，是部门之间的权责和利益，靠员工自发很难推得动。局部试点成了，管理者如果就此收手，结局可能是每个人更忙、更快，公司却没看出什么变化。

这也就解释了AI组织转型里的那道落差：个人提效和组织增效，从来是两码事。

微软《2026年工作趋势指数年度报告》讲的是同一种现象，还给它起了个名字，叫企业AI转型悖论：员工已经拿AI提升个人效率，业务流程和评价机制却留在过去，组织没怎么变。

BCG那篇文章的标题也很直白，《为AI重新设计公司，而不是让AI适应公司》。研究里有一家欧洲能源企业，铺了大量AI试点却没拿到整体收益，后来转向重构端到端客户流程，才有了实质性改善。

落差的根子，藏在公司的出厂设置里。现代公司的组织形态，本来就是给纯人类员工队伍设计的。

世界上第一张组织结构图，出自一家铁路公司。1855年，纽约与伊利铁路公司画出一张外形像树的图，分支上标注各职能部门与人员分工。职责划分加分级管理，撑起了工业时代的规模，韦伯后来把这套体系总结为科层制理论。它管住了规模，代价是僵化。

到了互联网时代，贝佐斯提出两块披萨团队，规模小到两块披萨就能喂饱，决策权往下放，层级往扁了压。可不管层级怎么压，一百多年来组织的参与者始终只有一种：人。

AI把这个前提打破了。

头一遭，团队里出现了不占编制也能出力的人。那些按纯人类班底搭起来的流程和岗位设置，眼下就像新电机响起来时那间一直没腾动的老厂房。效率的提升在个人这头，是从旧流程的缝里挤出来的；缝里挤出来的效率，并不会自己累成整个组织的生产力。

百度选在这个时候谈智能组织，是把问题推到了这一层：员工已经拿到新的工作能力，公司打算怎么用？

百度的回答

AI芯片、大模型、智能体，花钱都能买，智能组织能力却得企业自己长出来。著名科幻作家威廉·吉布森有一句流传很广的名言，“未来已来，只是分布不均”，说的正是眼下。

同一个模型可以卖给同行业的不同公司，但进了企业之后，能调用哪些数据、按什么规则作判断、结果由谁负责，各家条件并不一样。企业多年攒下的经验能不能被AI用起来，比采购时选中哪款模型更需要长期经营。

讨论智能组织的意义，也就在这里。

2016年百度世界大会的主题是AI is the New Electricity。李彦宏当时说，AI是新的电力，移动互联网之后，下一幕就是人工智能。

十年过去，AI成了共识，企业却开始追问：投了那么多，增长为什么没来？李彦宏把下一幕落在组织上——AI的上游是能源，下游是组织能力。

2026百度世界大会上，李彦宏提出智能组织的三项原则：打破岗位边界，释放组织活力；沉淀隐性知识，构建组织智能；设计流程闭环，推动组织进化。说白了，这三条分别管的是活怎么分、经验怎么存、结果怎么改。

活怎么分？过去组织围着岗位转，AI时代要围着任务转，人员配置得按交付结果重新排。专业把关依然要有，但哪些活必须交给专门岗位、哪些能让业务人员借智能体干完，不必照搬老分工。

经验怎么存？百度的说法是，真正的组织智能，是把知识摆到明面上，沉到公司平台上，能一直攒、随时取、谁都能用。

“沉淀隐性知识”要对付的，大多是那些不好传的经验。把判断依据、处理过程、实际结果整理出来，智能体能调用，别的员工也能复用。企业攒下来的该是做成事的方法，不只是历次工作的文档。

最后一条，智能组织得是个能自己进化的智能系统。怎么进化？李彦宏给了个公式——可衡量+Looping=持续进化。

任务干完要验结果，按反馈改方法，再拿去干下一次活。最难的一步，常常是怎么算干得好。

将来一家公司，会变成无数Loops拼起来的高度自动化运营组织。到头来，组织本身就成了一个不停学习、不停进化的系统。

三项原则看下来，百度是想把企业对AI的用法推进到日常管理里。配套的是芯片、云、模型和智能体这套布局：模型管理解和推理，云平台撑着任务跑，智能体接工具和业务系统，组织给出目标、知识和权限。

芯云模体四层，百度全部自研。自己的芯片跑自己的云，云上跑自己的模型，模型再长出智能体应用。几层互相加强、循环优化，这套架构本身就是一个Looping。

第一批智能组织的探索

智能组织眼下最完整的样本之一就是百度自己，使用规模和深度已经同时摆了出来。

会上的数字：过去一年，百度内部日活智能体从0.5万涨到3.7万；每周有效任务完成数从8.4万涨到超过100万；组织Skill累计沉淀超过2万个，Workspace建了4300个。

dodo是个具体的例子。百度内部一个十来人的小团队做出这个AI助手，上线7个月覆盖99%的正式员工，推着300多个企业平台完成AI友好化改造，今年拿下百度最高奖、百万美金奖励。

百度数字人创新业务部又是另一种打法：产品、研发、设计、测试之间的固定分工整体打破，全员转Builder，仅Q3就完成564次产研迭代，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%。

为什么这种变化先在百度内部冒出来？认知之外，芯片、云、模型和智能体的全栈布局是重要原因。

百度集团执行副总裁、百度智能云事业群沈抖提到，新的AI云会前所未有地穿透企业的底层资源系统、IT系统，甚至经营系统。原因是这套基础设施不再只服务人、工具、流程里的某一个，而是服务由这些单元共同构成的一个个任务。

另一边，智能体把企业任务装进去，推着智能组织往前走，AI不再是单独搁着的可选工具，而是被重构进业务流和任务的loop里，企业经营效率才真正提得起来。AI云基础设施面向智能体、要扛大规模智能体负载，就得有新底子：底层百舸AI Infra给算力，更强也更划算；上层千帆Agent Infra给环境和模型服务，支撑智能体规模化运行。两层合起来，大规模、长周期的任务才能真跑完一个闭环。

沈抖表示，智能组织的未来要靠各方合力，并非某家企业能单独做成；百度想先把基础设施搭扎实，让各个行业的智能组织都能在云上落地、发展。

另外，百度还推出了大模型交易平台词元所，这个动作挺有意思。

词元所解决的不是“哪里能买到模型”，而是“买到的模型是不是它自称的那个模型”。模型供给一天好几款地往上加，选择成本就甩给了采购方——企业缺的是能复用的准入规则和持续监测机制，不是再一个模型目录。

这跟智能组织的关系在哪？AI一旦进了日常业务，服务质量就得持续判断，不能只靠采购时测一次。模型身份、响应速度、可用性都有据可查，任务出了岔子才容易找到原因。词元所给的是模型供应端的判断依据；这些投入最后能换回多少收益，还得回到企业自己的业务结果里算。

平台主打“验真”与“征信”两项能力，靠模型指纹比对、能力测试、性能与可用性测试等技术做资源核验，同时用定期抽检拨测、全链路实时监测调用等办法，给模型提供商建信用评级，向客户提供中立可信、公开透明的模型交易服务。词元所试运营一个月，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。

芯片、云、模型、智能体，这套技术栈凑齐之后，智能组织的打法也开始从百度向外延伸。南方电网算得上一个够硬的样本：百度搭子在南方电网总调落地，成为天璇伙伴，承担起南方五省两亿多人的用电保障。

拿配电网故障研判来说，广西电网2025年永久性故障就有8215次。过去靠人工研判，单次耗时超过60分钟，而且高度依赖专家经验，很容易误判。

南方总调与百度公司以百度搭子为基础合作搭建了天璇伙伴。它学习了上万条历史故障处理数据，把资深专家的经验沉淀成可复用的知识，再将故障记录、开关信号、线路拓扑串成一条完整证据链，从故障到分析实现闭环研判，分析准确率达到70%以上，故障分析效率提升12倍，目前已在广西14个地市和112个县全面推广。

百度搭子的生态合作伙伴已超过160家，接入生态能力1800多项，覆盖30多个专业领域。对更多企业而言，接入智能组织的门槛，比自己从头建一套能力低得多。

组织形态的更替向来是慢变量。科层制从韦伯的理论变成全球公司的默认设置，花了半个世纪。智能组织改造企业形态的速度会有多快，或许就是AI兑现价值时间线的标准答案。