
在百度世界 2026 上,李彦宏判断 AI 的下一幕是智能组织。他的理由是,企业换了电机,却没有重新设计工厂。这个命题有经济史依据:电气化的生产率红利用了约四十年才兑现,等的正是厂房重排。但演讲在每个维度都只讲了生成侧,没讲验收侧。补上这一侧,智能组织是四层三岗:Builder、Seller,再加上演讲没有命名的验收担责者 Steward。它还要配齐四个子系统:度量与激励、记忆、验收、权限。执行交给机器,验收和担责留给人。组织进化得多快,取决于验收的容量。
11 月 12 日,李彦宏在百度世界 2026 的主旨演讲中转述了企业一把手们共同的困惑:「为什么我的 Token 花费越来越多,但是我的收入和利润不见涨?」他用工业史作答:「AI 没有产生预期的经济效益,就是因为我们只是更换了电机,但是没有重新设计工厂。」他由此判断,人工智能的下一幕是智能组织。这是一套不同于科层制的 AI 原生组织体系:智能体要进入销售、客服、研发、运营这些核心业务,组织和工作流程也要围绕 AI 重新设计。
这个判断有扎实的经济学依据,相应的机制也已经在运转。但演讲给的是设计原则。智能组织到底长什么样、怎么运转,要从形态、协作方式、运作机制、组织架构四个维度拆开来看。拆开之后会发现一条贯穿全篇的线索:每个维度上,演讲都只讲了生成的一侧,验收的一侧没有讲。这一侧由谁来补、怎么补,决定了智能组织未来两三年的走向。本站七月发表的《面向未来:AI Native 组织会是什么样的?》讲的是为什么要变,本文讲的是变成什么样、怎么运转。
一 命题与依据:他说了什么
他的框架按上下游展开。上游是能源。按他的讲法,AI 技术栈是芯片、云基础设施、模型、智能体应用四层,业界有黄仁勋「五层蛋糕」的理论,在这个四层架构基础上加了能源层。下游是组织能力,模型和应用都只是中间环节。全场最好记的一句话是:「如果说人工智能是新的电力,那么智能组织就是 AI 时代新的厂房,是生产力真正发生的地方。」
方法论是他首次提出的组织进化三原则:
- 打破岗位边界。岗位是工业时代的单元,任务是智能时代的单元,未来的组织是一张任务网络。
- 沉淀隐性知识。把个人经验显性化到平台上,持续累积、随时调用。用他的话说,就是「抄不走、挖不动、买不来」。
- 设计流程闭环。先让流程可衡量,再用他所说的迭代闭环让它持续进化。
对个人,他预测岗位不会消失,但会收敛为两类:负责创造新事物的 Builder,和负责沟通、连接与信任的 Seller。对机会,他讲了三点:轻资产运营(一个人带一群智能体)、新护城河(隐性经验变成数字资产)、并发探索新市场(整个组织同时做实验)。
支撑这个判断的是百度内部数据,以下均为演讲自报口径。过去一年,内部日活智能体从 0.5 万增长到 3.7 万,智能体每周完成的有效任务从 8.4 万增长到 100 万以上。内部建了 4300 多个 Workspace,沉淀了 2 万多个公司级组织 Skill。试点是百度搭子团队:半年迭代 160 余次,90% 的代码和 50% 的对外物料由智能体生成。需要说明的是,「有效任务」的定义没有公开。
电机这个类比在学术上站得住。1990 年,经济史学家 Paul David 研究过同一个悖论:美国从 1880 年代初开始商用发电,制造业的生产率加速却要到 1920 年代才出现,前后约四十年。瓶颈在厂房。围绕蒸汽机设计的工厂,动力从中央机房出发,靠一整套传动轴和皮带分配到每台机器。电动机装进这样的厂房,只能迁就原有的传动结构。动力换了,布局没换,收益就出不来。直到工厂围绕电机重新设计,每台机器自带电机,按工序重新排布,电气化的生产率才真正兑现。这是通用目的技术的标准理论:组织的互补创新到位之后,技术红利才会兑现。李彦宏的电机比喻,说的就是眼下大多数企业的处境。
不过三原则还停留在方向层面。按这三条改造之后,组织具体长什么样、每天怎么运转,下面分四个维度来看。
二 形态:稳定与流动换位
在科层制组织里,人和汇报线是稳定的,金字塔常年不动;任务是流动的,在部门之间流转。智能组织把这个关系倒了过来。稳定的是能力平台,包括模型、智能体编队、Skill 库、Workspace 和组织记忆。流动的是任务网络,围绕目标组建,完成就解散。李彦宏说组织是任务的网络,推到底就是:组织的固定资产从人力资本变成能力平台,任务只是临时调用这些能力。
编制的含义也随之改变。组织规模不能再只用「多少人」来描述,还要看「多少常驻智能体、多少并发任务环」。任务环就是一个任务从委托、执行到验收的完整循环。百度内部的日活智能体已经到了五位数。
形态上最被低估的变化发生在中层。科层制中层的本质职能是信息中继,向上汇总,向下分解。智能体可以带着完整上下文跨层直达,中继职能被系统吸收之后,中层只剩两件事:判断和担责。这两件事既不能中继,也不能生成,只能集中。所以智能组织不会是一座更扁的金字塔,而是两头厚、中间薄的哑铃。一头是能力平台和治理层,人少但分量重;另一头是大量并发的任务环,数量庞大,执行者多数是智能体;中间的信息传递层被抽空了。
三 协作方式:任务承包制与工件流
个人提效场景里的「人机协作」是 copilot 模式:一人配一个助手,人始终在场,AI 是放大器。智能组织里的协作是另一种结构,可以画成一个三角形:
- 委托人:定义任务的目标、边界和验收标准;
- 智能体编队:负责执行;
- 验收人:判断产出能不能用。
人退出执行现场,站到了两端。
两个来源完全不同的样本呈现出同一个结构。一个是开源社区。SGLang 峰会披露,这个项目合并的 PR 多数已经由 AI 产出,技术决策权和代码接受权仍在人类维护者手里(详见《SGLang 峰会:推理引擎的技术路线与未来》)。另一个就是演讲自己给的例子:百度搭子团队 90% 的代码由智能体生成。可这 90% 能不能进入代码库,取决于剩下那 10% 的人类审查。审查的容量和成本,演讲没有讲。
协作的媒介也变了。人不再靠会议和邮件协作,而是靠工件协作:任务书、Skill、规格文档、验收清单,以及代码和稿件本身。协作的过程就是工件的生产、流转、评审和归档。两个原本互不相识的人,也能围绕同一个工件高效协作,因为他们审的是同一样东西,不用先花时间对齐彼此的理解。
并发是这种协作的直接结果。任务不再排队等某个人。同一件事可以同时开几个任务环做小实验,人来做裁判,效果差的直接关掉。李彦宏说的「轻资产运营」,落到实处就是这个:组织真正省下的是排队的时间。
四 运作机制:演讲没画完的四个子系统
完整的运作机制需要四个子系统。三原则里,「设计流程闭环」对应度量,「沉淀隐性知识」只讲了记忆中积累的那一半。验收和权限安全,演讲完全没有提。
度量与激励。可衡量加循环,这个方向是对的。但一个东西一旦被拿来度量,马上就会被优化,这就是古德哈特定律。到了智能体时代,这个问题只会更严重:如果「有效任务」的定义足够宽松,让智能体派生智能体就能把任务数刷上去。所以度量环必须自带反作弊:任务口径公开,数据来源可追溯(这个数是谁报的),并且有独立复核。本站自己的审校链就遇到过这种情况:六轮审校在正文里查出一处没有出处的断言,是某厂商在某个发布日的支持声明,翻遍档案都找不到依据。这道审校链做的,正是度量环里反作弊的工作。
度量还连着激励,因为度量什么,最后就会按什么结算。任务环里的人怎么计酬,Builder 的收入跟什么挂钩,组织内部要不要引入价格信号,这些演讲一字未提,行业也普遍没有答案。历史上有先例可循。Paul David 记录的 1920 年代电气化红利兑现,除了厂房重排,还伴随着工人培训和雇佣合约的重构。组织内部价格信号也有过一次完整实践:稻盛和夫在京瓷推行的阿米巴经营,把公司切成独立核算的小单元,单元之间按内部定价交易。教训也很清楚,内部定价会引发反复的讨价还价,京瓷要靠「哲学共有」这类软约束来对冲局部利益。智能组织补激励这一课时,大概也会出现类似的核算机制。不同之处在于,核算对象要从人工工时换成通过验收的产出,对冲局部利益的手段也要从经营哲学换成可审计的事件流。重写激励,本来就是组织互补创新的一部分。
记忆。沉淀隐性知识是三原则里最有洞察力的一条,但真正难的是遗忘。两万多个组织 Skill 如果没有使用权重、衰减和淘汰机制,护城河反而会拖累组织。对智能体来说,检索 Skill 时的信噪比比 Skill 的总数重要得多。个人经验之所以值钱,一半是因为知道什么事不该再做。组织记忆如果只会累积、不会淘汰,就丢了这一半价值。沉淀很便宜,策展才贵。
验收。验收决定整个组织的运转节奏,也是演讲留白最大的地方。能运转起来的验收是一座三层金字塔:
- 底层是机器检查:机械检查、一致性核对,便宜、确定、可重复;
- 中层是 AI 互审:独立会话、对照信源、互相挑错;
- 顶层是人工终审:负责判断和担责。
瓶颈必然落在顶层。还是 SGLang 的例子:它在峰会上公开征集安全合作方,原因就是安全审查跟不上产出的节奏。图 1 画出了这座金字塔,卡住速度的是最顶上那一层。

验收和信任的概念其实在李彦宏的思路里,只是没有进入他的组织叙事。他的平台产品词元所做的正是组织间的信任基础设施:模型验真和供应商征信。
权限与安全。智能体的每一个动作都要控制影响范围。它能写哪些文件、能调用哪些系统、能花多少预算,这些边界要事先写进任务书。删除数据、对外付款、发布内容这类不可逆操作,必须保留人工审批。每一次操作都要全程留痕,出了问题能回放、能追责。这个子系统和前三个方向相反:组织越是自动运转,这一层越需要人来写。这些规则没法从数据里学出来,只能一条一条设计。
四个子系统里,演讲只讲了一个半。缺的部分都在验收那一侧。
五 组织架构:四层三岗
把前面几节的内容拼起来,智能组织的架构大致分四层:
- 能力资产层:模型、智能体编队、Skill 库和组织记忆,是智能组织的固定资产。
- 任务网络层:任务环围绕目标动态组建,完成就解散,价值在这一层产生。
- 治理层:验收、审计、权限和口径纪律集中在这里,也是人集中担责的地方。
- 关系层:客户、伙伴和监管从这一层接入,是组织对外输出信任的接口。
图 2 把四层三岗画在了一起。治理层是哑铃重的那一头,中间被抽空的是信息中继。

岗位收敛为三类,比演讲的两类多一类:
- Builder:创造新事物,负责定义任务、设计任务环、写验收标准。
- Seller:负责人与人之间的连接和信任。李彦宏和现场对话嘉宾杨元庆都认为这一类不可替代。杨元庆说,AI 并不了解客户,人与人之间的情感连接仍然非常重要。
- Steward:演讲没有提到的一类,即验收者和担责者。审代码的维护者、审稿的编辑、签字的安全官、拿职业声誉担保敢说「不」的人,都属于这一类。机器负责做事,这类人为机器做的事负责。组织的质量取决于他们的容量。
这套架构里还有两个更深的变化。
第一,汇报线被事件流取代。信息不再逐级上报,每个任务的发起、产出、验收和回滚都记在可审计的账本上。组织的信息流从「开会加汇报」变成了事件流。
第二,管理幅度被改写。按经典管理学的经验,一个管理者直接管五到十个人。而一个 Steward 能验收的智能体产出,远远超过一个人能直接带的下属。管理幅度因此从「几个人」变成「几十个任务环」。这个数字只是示意,但趋势很清楚:治理层天然是薄的。
落到形状上,就是前面说的哑铃。治理层是重的那一头,任务网络是大的那一头,中间靠工件流和事件流连接。
六 实践与展望:谁先成为智能组织
组织层面的实践已经铺开,新老企业的差距也开始显现。
代码产能走得最快。谷歌披露的数据是:2024 年秋,CEO 皮查伊说新代码中 AI 生成占比超过四分之一;2025 年秋,这个比例过半;2026 年 4 月的 Cloud Next 大会上,皮查伊给出 75%。三个数字连成一条陡峭的上升曲线。但口径比数字本身更值得注意:75% 指的是「AI 生成、工程师批准」,不包括 AI 自主提交。也就是说,谷歌把生成整个交给了机器,提交的决定权仍在工程师手里。这正是前面说的三角形协作在一家大公司里的样子。微软的口径要保守得多。纳德拉在 2025 年说,微软代码库里大约 20% 到 30% 的代码可能已经由软件写成,他也承认自己说不准。两家差距这么大,一半是真实差距,一半是因为「AI 写的代码」没有行业统一定义:算不算生成的草稿、还是只算批准入库的代码,比例能差出一倍。读这类数字时要先看口径,再看趋势,不要直接比较绝对值。
组织规则的改动更直接,因为它们改变了组织的默认前提。Shopify 2025 年的一份内部备忘录把举证责任倒了过来:团队想加人,得先证明这件事 AI 做不了;AI 的使用情况也写进了绩效评估。这个改动比看上去分量更重。过去加人是不需要理由的默认动作,现在人力反而成了需要论证的例外,默认资源从人换成了 AI。Duolingo 走得更急。它宣布合同工到期后,相关工作由 AI 接手,同时把 AI 使用情况纳入绩效和招聘考量。它从合同工下手有道理:外包岗位本来就是为弹性产能设的,替换起来阻力最小。这也预示了一条普遍路径:AI 化会从组织的边缘和弹性部分开始,逐步推向核心。
最有说服力的是 Klarna,它把「只换电机、不换工厂」这条路完整走了一遍。本站七月的文章复盘过它的前半段,当时根据公开报道写成「用 AI 替换 700 名客服」。这里按更准确的口径更正:700 是外包坐席的工作当量,公司并没有裁掉 700 名员工。2024 年初,Klarna 宣布基于 OpenAI 的客服助手完成了相当于 700 个全职坐席的工作量,一个月处理 230 万次对话,平均处理时长从 11 分钟降到 2 分钟以内,一度是「AI 客服」的标杆。十几个月后,同一位 CEO 公开承认走得太远了:决策时成本压倒了一切,服务质量随之下滑。公司重新招人做客服,还让工程师和市场人员轮流接线。
复盘这次反转,问题不在 AI 本身。客服业务高频、结构化、容错空间大,本来就是最适合 AI 的业务之一。问题在于组织一点没动:客服流程还是原来的流程,计价和考核还是原来的体系,AI 只是作为更便宜的劳动力被塞进旧岗位。成本马上省了下来,质量上的欠账后来一并找上门。李彦宏那句「只是更换了电机,但是没有重新设计工厂」没有点名任何公司,Klarna 用自己的经历印证了它。
传统企业转型难,难在三个具体环节。
- 存量流程。大公司的每个流程都有责任人,每个岗位都连着编制、绩效和预算。动流程就是动权力和利益预期,阻力是结构性的。
- 度量体系。旧的 KPI 是为人力执行设计的,坐席数、工时、人效,量的都是人。AI 进来后,这些指标先是失真,然后失效,而验收容量、任务环质量这类新指标还没建立起来。在这段空窗期,管理层只能用失真的旧指标考核 AI。Klarna 被成本主导,就是这么来的。
- 责任接口。这是最深的一层。把一个部门的执行整体交给智能体,出了事谁负责?传统组织的岗位说明书里没有哪个角色接得住这份责任,编制里根本没有 Steward。
所以对存量企业来说,转向智能组织不是一次工具升级,而是要把流程、度量和责任接口整体重建。
经济史在这里又提供了一个参照。Paul David 的数据显示,电气化的生产率红利最先在围绕电机新建的工厂里兑现,改造的旧厂落在后面。原因很简单:新厂没有传动轴要拆,可以直接按单元布局设计。AI 时代很可能会重演这个顺序。
新企业的优势就在于没有存量流程要改。组织可以从第一天起就按三角形协作和工件流来设计,招人时直接招 Builder 和 Steward,不用先招一批执行者再考虑转型。最完整的样本来自开源社区。SGLang 项目合并的 PR 多数已经由 AI 产出,代码生产流程本身就是委托、执行、验收的三角形,而且从一开始就这样运转,没有科层制要拆。公司层面的尝试也在出现。本站七月的文章整理过两类:一类是小组制,三到八个人各带一支智能体编队,对完整结果负责;另一类是工厂制,两到五个人监督五十到一百个智能体,运行高度结构化的流程。还有比这更小的形态,这是本文的延伸推断:一个人带一支智能体编队,同时担任 Builder 和 Steward,代价是组织的进化速度被这一个人的验收能力封顶。这些形态指向同一个结论:组织规模不再由人数决定,而由验收容量决定。
往前看,会出现三种新模式。
第一,组织本身成为产品。Workspace、Skill 库、验收链、事件流这些组织资产一旦被结构化保存,一家公司打磨出来的组织形态就可以复制,可以像开源项目一样被整体拿走,甚至被交易。今天公司间竞争的前提是人才和流程难以复制。流程变成显性资产之后,真正无法复制的就只剩判断力和信任。组织设计的好坏会像软件架构一样可以直接比较,这会逼着所有公司重写自己的组织,就像当年开源软件逼着所有软件公司改变一样。
第二,组织之间的信任层兴起。词元所在做模型交易的验真和征信,同样的机制会扩展到智能体服务市场。当一家组织的智能体要和另一家的智能体协作,谁来担保对方的输出经过了验收、出了问题能追责?答案是平台级的信任基础设施。组织之间的协作将由平台担保和记录,而不是靠熟人背书。这一层现在还不存在,谁先建起来,谁就掌握了组织间协作的入口。
第三,Steward 走向职业化。验收容量成为组织的瓶颈之后,会验收的人就成了新的稀缺资源。这类人既要懂业务标准,又要了解智能体会在哪里出错,敢签字,也敢说不。这种复合能力今天还没有名字,没有培养体系,也没有职级序列,但它很可能成为智能组织时代增长最快的岗位。就像电气化时代,电工好找,能在验收单上签字的电气工程师却很难找。
组织确实是 AI 的下一幕,这一点演讲讲对了,经济学依据和实际运转的样本都有。但演讲讲的那一侧并不决定成败。生成已经不稀缺,代码、文案、物料,机器都能产出。稀缺的是另一侧:谁来验收,哪些知识该留下、哪些该淘汰,任务环里的钱怎么算。这三件事演讲没讲,行业也还没有现成答案,而组织进化的速度就卡在这里。执行交给机器,责任留在人身上。机器产出得再快,过不了验收就不能用。
「智能组织」这个词很可能会被记住。最先成为智能组织的,多半是新企业,因为它们从第一天起就按这套方式搭建,没有旧流程和旧汇报线要拆。传统大公司得先把现有的流程、考核和汇报关系拆掉重排,会慢一步。
声明: 本文基于李彦宏 2026 年 11 月 12 日百度世界 2026 主旨演讲(搜狐演讲全稿)、Paul David 《The Dynamo and the Computer》(1990,AER P&P)、谷歌 CEO 皮查伊公开表态(2024 年 Q3 电话会、2026 年 4 月 Cloud Next)、Klarna 与 OpenAI 官方公告(2024 年 2 月)、Bloomberg 与 CX Dive 对 Klarna 的报道(2025 年 5 月)等多源交叉验证后撰写。不构成投资建议。文中数据截至 2026 年 11 月 20 日。
