11月12日，百度创始人李彦宏提出一个全新的论断——人工智能的下一幕，是智能组织。

在讨论「智能组织」这个全新概念之前，可以先回顾下历史。

1855年，纽约与伊利铁路公司有了一张特别的组织图。总负责人、各个部门和不同岗位，被画成了一棵枝叶繁密的大树。

今时今日，这张图看上去甚至有点像一件艺术品，但实际上却是在说明一家庞大的铁路公司里，谁负责什么，又该怎样协同工作。

而从铁路到互联网、云计算和人工智能，一个多世纪后，组织图依然是我们理解一家公司的常用方式。部门、岗位、上下级，决定着任务被交给谁，也影响着一件事究竟要经过多少次交接。

但如果参与工作的，不只是人呢？从聊天机器人（Chatbot）到能够调用工具、执行任务的智能体（Agent），AI在技术上的演进还在持续加速，但要让AI能力真正进入一家公司的日常运转，还有另一段路要走。

十年前的百度世界大会上，李彦宏提出「互联网的下一幕是人工智能」；十年后的2026年，他再把判断向前推了一步。这次他的演讲，让所有人的目光都投向了——智能组织。显然，AI开始干活，公司也得跟着变：人与智能体围绕任务协作，员工解决问题的方法能够留在公司里，让其他人接着用、接着改。

这样一来，AI带来的改变才有机会从一个人的效率提升，走向整个组织的能力积累。

一言以蔽之，我们需要「超级个体」，但更需要「智能组织」。

从树状组织到智能组织，AI时代需要新「厂房」

工业时代的科层制，首先解决的是规模问题。企业雇用更多员工、经营更多业务，明确分工、划分职责、建立管理层级，才得以让大量原本不相识的人协同完成复杂工作。

但分工也会带来新的协作成本。一个需求从业务部门传到产品，再从产品传到研发、测试，每次交接都需要重新解释背景、对齐目标。专业能力被组织起来的同时，信息也可能停留在部门之间。

互联网时代，亚马逊创始人贝索斯提出了「两个披萨原则」，即一个团队应该小到两个披萨就能喂饱，通常是5-10人。其关键在于，让小团队围绕一项产品或服务，拥有更高自主权，并持续承担全生命周期的责任。

究其根本，技术让产品可以更快迭代，企业也需要让最接近问题的人更快作出决定，否则工具再快，事情还是会卡在等待和交接上。

但到了AI时代，这个问题又往前走了一步。

李彦宏在百度世界2026大会上，就打了一个比方，如果说AI是「新电机」，只是更换电机，却没有重新设计与之相匹配的工厂，AI就很难产生预期的经济效益。

具体而言，给员工装上AI工具，只是企业转型的一部分。更深的变化，是让任务围绕新的能力重新安排，让做事的方法能够留下来，再让下一次工作从这些积累上继续出发。

而智能组织，则是AI时代的「新厂房」。

这个逻辑不难理解。企业过去主要考虑怎样把不同专业的人组织在一起，但现在智能体也开始参与资料搜集、编程、数据分析等工作，一个员工能够直接完成的任务范围随之扩大。原先需要交给另一个岗位的部分工作，已有机会在同一个人和智能体的协作中完成。

OpenAI围绕ChatGPT用户80多万条消息的一项研究显示，排除写作、总结等通用活动后，43.5%的职业相关消息，涉及用户自身职业之外的任务。比如，销售人员分析客户数据、市场人员处理网站问题，AI正在改变「谁来做什么」。

微软在《2026年工作趋势指数》中提出了一个「转型悖论」，简言之，员工准备改变工作方式，但企业的指标、激励和惯例，仍在强化旧的做法。于是今年，微软干脆成立了企业级AI业务公司Microsoft Frontier，通过FDE实践帮助企业设计业务流程。

麦肯锡则提出「智能体组织」，讨论怎样围绕业务结果，把人、虚拟智能体和物理智能体重新组织起来，连同治理、人才、技术和数据一起调整。

这些探索都触及一件事：企业要重新考虑工作怎样被分配、执行和评价，才能把AI能力真正用起来。

所以，真正适合组织的人机协作到底会是什么运行方式？在思考AI的下一幕时，李彦宏给出的答案是「智能组织」。

而「智能组织」的核心是让智能从个人能力，变成组织自身可以积累、调用和持续进化的能力。员工借助AI解决了一个问题，解决问题的方法也应该成为公司下一次可以调用的能力。只有这种积累能够持续发生，新的「电能」才算在新的「厂房」里转化成了组织的生产力。

剩下的问题是，智能要怎样从个人手里的工具，变成组织自身可以积累、调用和持续改善的能力？

迈向「智能组织」，下一代公司的三个原则

回看李彦宏过去一年的表述，他对这个问题的思考其实一直在深入。

去年百度世界大会上，他就强调了企业需要「内化AI能力」，让AI与每一项任务有机结合。今年5月的百度Create大会，他进一步谈到企业组织的自我进化，认为将从人与人的分工协作，走向人与智能体的混合编队。到了这次百度世界2026大会，他又给出了走向智能组织的三个原则，把企业究竟该怎么变，说得更具体了。

首先，是打破岗位边界，释放组织活力。李彦宏将这种变化概括为，从以岗位为中心转向以任务为中心。

百度数字人团队已经开始了这样的尝试。数字人创新业务部正在打通产品、研发、设计、测试之间的岗位边界，推动员工向Builder转型。简单来说，就是让一个人有能力把需求从想法推进到实际交付。

借助自研的BiuBiuAgent，团队已经有6个以上需求由单人完成全流程交付，其中一名校招新人用1天就完成了原本需要5个角色、至少10天的需求。

这意味着一个员工提出需求之后，不必总是等其他岗位依次接力，而是可以借助智能体，把方案做出来、把代码写出来，再继续验证和修改。原先被拆分到不同岗位的工作，有了在一个人和智能体的协作中完成的可能。

所以，从岗位到任务，改变的是组织安排工作的出发点。过去，一件事往往要先拆成不同岗位的职责，再通过交接推进，但智能组织应该先关注要完成什么任务，再决定由谁负责、需要哪些专业人员和智能体一起参与。

这并不意味着专业分工失去了价值。一个员工能够借助AI写代码，未必就有资深工程师的判断力。需求有没有找对，方案是否合理，结果能不能交付，仍然需要人的专业判断。更可能出现的变化，是人负责目标、关键判断和结果把关，智能体承担更多执行和验证的具体工作。

从这个意义上说，所谓「任务的网络」，其实就可以理解为人和智能体围绕一项项任务协作，员工可以调用的能力，不再完全由岗位名称来决定。

不过，如果每个人都只是在自己的对话框里积累经验，企业依然面对另一种割裂。一个人很会用AI，同事却要重新摸索；一个项目好不容易跑通，换一批人，又得从头开始。

这就需要第二个原则：沉淀隐性知识，构建组织智能。

所谓隐性知识，就是那些未必写进文档，却实实在在影响判断的经验。面对同一组故障信号，为什么老师傅往往更快找到症结？面对不同客户，资深销售又为什么更清楚该先问什么、重点跟进什么？这些方法大多是在长期实践中一点点摸索出来的，很难靠一本操作手册讲清楚。

南方电网的例子就很直观。南方总调与百度基于百度搭子合作推出了「天璇伙伴」，用于辅助配电网故障分析。以前人工研判高度依赖专家经验，单次分析耗时超过60分钟。天璇伙伴通过学习上万条历史故障处理数据，将故障记录、开关信号和线路拓扑串联起来，把专家经验转化为能够重复调用的专业知识。

单是这个应用就让配电网故障分析效率提升了12倍，目前已在广西14个地市、112个县推广。

效率提升的背后，还有一个更长远的变化。原先需要找到某位老师傅才能解决的问题，现在可以借助系统中的经验辅助分析。一个优秀员工的工作方法，有机会在他没有亲自参与的任务里继续发挥作用，甚至在人员更替之后，依然留在组织里。

这也是知识与经验从「隐性」走向「显性」的价值。这样，其他人遇到类似问题，才知道哪些经验可以接着用，哪些地方需要重新判断。

百度搭子这次升级的企业协作空间，也在解决类似的问题。项目背景、业务规则和关键决策成为团队与智能体共享的信息，交付物则沉淀为团队资产。后来接手的人和新加入的智能体，能够从这些积累出发，减少一遍遍解释背景、从头整理资料的工作。

但经验沉淀下来之后，还有一个问题是：业务和环境一直在变，过去有效的方法，怎样才能在今天继续有效？

李彦宏给出的则是第三个原则：设计流程闭环，推动组织进化。

他提出「可衡量＋Looping＝持续进化」这一公式，来概括这套方法。

先说「可衡量」。一家企业如果只统计AI生成了多少份报告、执行了多少次任务，很容易知道AI有多忙，却未必知道业务有没有变好。报告能不能用、返工有没有减少、故障分析是否更准确，这些才更接近企业真正想得到的结果。

所谓Looping，则可以理解为让工作形成一轮轮有反馈的循环。说得直白一点，就是做完一件事之后，要知道做得怎么样，哪里需要改，并让下一次工作用上这些反馈。只有结果能反过来改变后续的做法，AI工作才真正形成了闭环。

百度财务内审团队已经在尝试这样的方式。AI参考业务资料和历史案例，辅助制定审计计划、排查风险和核查问题，再由人工审核、专家反馈，把判断规则和标准逐步沉淀下来。

举个例子，如果一次审计发现某类风险容易被遗漏，就应该把相应的检查方法补进规则；专家纠正了一处判断，后续任务就应该参考修正后的标准。审计做完之后，留下的不只有一份结果，还有下一次可以继续使用、改进的工作方法。

没有反馈，智能体即使每天都在忙，也可能每天都在重复同样的错误。

把这三个原则连起来看，一个员工借助AI完成任务，只是变化的开始。他解决问题的方法留在组织里，其他人和智能体可以继续使用。而新的任务又带来新的反馈，推动这些方法继续改进。一次工作的结束，也就成为下一次工作的起点。

从这个角度看，智能组织的价值就在于，让企业在完成任务的同时，逐渐积累起解决问题的能力。个人的经验得以共享，组织也能够在持续工作中学习和改善。

而要让这样的协作长期运转，还需要相应的技术支撑。模型负责理解和推理，智能体连接工具、执行任务，云与开发平台则提供运行环境，让智能体能够接入企业的数据和业务系统。随着模型迭代加速、调用需求爆发，模型供给还需要一层可信、透明的流通机制。

百度世界2026发布的词元所，正是面向这一环：作为大模型交易平台，它通过模型指纹比对、能力与性能测试、可用性核验，以及定期抽检拨测、全链路实时监测等方式做「验真」和「征信」，汇聚好的模型和模型提供商，让企业乃至个人都能便捷地找到、购买和使用可信的模型Token。

上线一个月，词元所入驻供应资源已超100个，日均调用次数突破5000万，日均调用Token超7000亿。百度围绕「芯—云—模—体」推进的产品与基础设施，也由此有了共同的落点：

支撑人与智能体在真实业务里持续协作，让AI时代新的「厂房」真正运转起来。

AI时代，企业真正得到了什么？

再看回170多年前的树状组织图。当时的铁路公司，需要把越来越多的人、越来越复杂的职责安排清楚。今天，当AI也能参与实际工作，企业必然要重新考虑，怎样把人和智能体组织起来，让新的能力真正用进业务里。

李彦宏提出的「智能组织」，就为这个问题提供了一种回答。百度数字人团队、南方电网的实践，也让我们看到了具体的变化：员工借助AI可以承担更多工作，专家的经验能够被更多人使用，任务中的反馈又能推动工作方法继续改进。

对一家企业来说，AI的价值当然包括节省时间、提高交付效率。但更长远的收益，是这些工作能给公司留下什么。

模型和工具会不断升级，也可以被不同企业使用，但一家企业对客户和业务的理解，以及在实际工作中摸索出的经验，需要长期积累。谁能把这些经验留下来，让人与智能体在后续工作中用得上、改得好，谁就更有机会形成自己的竞争优势。

从树状组织到「两个披萨原则」，企业的组织方式一直在随着技术和生产方式改变。AI带来了新的生产力，企业的生产方式自然也要重新改变，这是必然的历史趋势。

但究竟要怎么让人与智能体一起把工作做好，又让解决问题的方法留在组织里，在下一次工作中继续发挥作用，会越来越成为一家公司的基本功。这也是从「超级个体」走向「智能组织」，企业真正需要完成的变化。