Newsora
雷峯網11/19 11:17 · 2h ago

AI 已經進入企業,爲什麼組織還沒有進化?

十年前看人工智能,十年後看智能組織。 作者丨成妍菁 編輯丨胡 敏 最近與AI圈子的人聊,普遍談到一個點,人已經接受AI提效,但企業還沒準備好。(雷峯網雷峯網雷峯網)一邊是員工已經在用agent 幹活、甚至開始自己搭小系統;另一邊是公司的KPI、審批鏈、彙報節奏,還按着三年前的樣子在轉。Deloitte近期的調查顯示,近四分之三的美國企業高管預計,未來四年,約一半業務流程都將圍繞AI Agent重新設計;61%的人認爲,未來大多數Agent會具備高度自主性,人類只需要在一旁監督。看似被AI接管全部業務已經是大勢所趨,但被問到企業是否準備好迎接這種變化時,只有五分之一的領導給出肯定答案。在今天的百度世界2026上,百度創始人李彥宏也談到了這一矛盾。他給出的判斷是:AI不只是技術革命,更是組織革命,人工智能的下一幕是智能組織。接下來企業要改變的不能只是員工手裏的工具,還要包括組織自身的運轉方式。01AI進了公司,但又沒完全進要想重構組織運轉方式,首先要破除常規認知:公司裏的 AI 濃度高,並不意味着 AI 轉型已經發生。員工用 Agent 寫代碼、做研究、生成方案,業務部門跑通幾個試點,管理層再把智能體數量、Token 消耗量和使用率寫進彙報——看起來,一家公司的智能化正在全面推進。但個人效率,並不會自動提升組織生產力。打個比方,產品經理原本要兩天完成的需求分析,現在可能要半天;研發藉助 Agent 快速寫出代碼初稿,銷售也能在拜訪客戶前生成一份研究報告。但需求仍然要經過評審、審批和排期,跨部門協作依然依賴會議和層層同步,最終結果也要等原來的彙報週期才能被看見。兜兜轉轉一大圈,員工個人時間是減少了,但企業整體組織力並沒有明顯提升。這並非個別企業的問題。微軟《2026年工作趨勢指數年度報告》所呈現的,正是這種企業AI轉型悖論:員工已經開始藉助AI提升個人效率,團隊也在嘗試新工具,但業務流程、協作方式和評價機制仍然沿用過去的模式。波士頓諮詢(BCG) 給出的建議更加直接:爲 AI 重新設計公司,而不是讓 AI 適應原來的公司。其研究中提到的一家歐洲能源企業,曾部署大量 AI 試點,卻沒有獲得與之匹配的整體收益。直到企業將目光從單個工具和局部場景,轉向端到端客戶流程的重構,才取得實質性業務改善。這類案例說明,AI 試點成功與企業轉型成功之間,還隔着一層組織設計。如果企業只是在原有崗位上增加工具,在固定流程中插入幾個 Agent,那麼 AI 可以優化局部,卻很難改變整體。它甚至會讓原有瓶頸變得更加明顯:內容生產得越來越快,決策卻沒有同步提速;代碼生成得越來越多,需求確認和交付機制仍然照舊。當執行能力被迅速放大,組織如何分配任務、共享知識和作出決策,反而成了新的約束。過去幾年,AI 行業的主要競爭集中在技術供給側。模型參數、訓練算力、推理成本和榜單排名,決定了企業能夠獲得什麼樣的智能。業界曾流行 AI“五層蛋糕”,從能源、芯片、基礎設施一直延伸到模型和應用,強調的正是智能生產所需要的完整體系。沒有能源和算力,上層模型與應用都無從談起。模型供給的變化,也開始體現在交易端。詞元所上線一個月,入駐供應資源已超過100個,日均調用次數突破5000萬次,日均Token調用量超過7000億。比規模本身更值得關注的是,模型交易正從企業與廠商之間的私下對接,走向獨立的產業環節;隨着這一環節形成,規則提供者也逐漸呈現出公共品屬性。但站在企業一側:當這些智能已經可以購買、調用和部署,又是什麼決定它最終能產生多少價值?李彥宏把視線投向了下游。在2026百度世界大會上,李彥宏提出,“AI發展的下一幕,是智能組織”。他提出,AI 技術的上游是能源,下游是組織能力。前者決定智能如何被生產,後者決定智能如何進入真實業務、轉化爲經營結果。這兩種判斷並不矛盾,而是在回答 AI 產業鏈兩端的問題。對企業來說,即便上游提供的“電力”充足,如果內部仍是舊的生產系統,新增的智能也未必能變成新增的利潤。李彥宏將AI比作新的電機,將智能組織比作新的廠房。他判斷,AI 沒有產生預期的經濟效益,一個重要原因是企業只是更換了電機,卻還沒有重新設計工廠。模型、算力和 Agent 可以提供更強的執行能力,只有當任務分配、知識流動和決策流程隨之改變,這種能力纔可能從員工的個人桌面,走進企業的完整業務鏈條。AI 競爭的重心,也由此開始從技術供給進一步轉向價值兌現。企業需要回答的,不再只是“我用了什麼模型、部署了多少 Agent”,而是這些智能體,究竟有沒有改變公司?02打工人用AI效率提升,那麼公司呢?微軟CEO之前常說: AI不是一項技術,而是企業的未來形態。理解了這句話,其實就能理解李彥宏提出的“智能組織。”坦白說,如果只看字面,它很容易被理解成一種由人和 Agent 組成的新型公司,或者被當作“AI 原生企業”的另一種說法。但李彥宏想討論的,不是給每個崗位配上一個AI助手,而是重新設計企業的工作方式:任務由誰完成,經驗如何沉澱,流程又如何根據結果持續調整。可以從三個層面來解讀。首先是打破崗位邊界。傳統企業依靠專業分工運轉,一個完整任務往往需要產品、設計、研發、運營等多個崗位接力完成。AI時代,智能體開始承擔其中的具體執行工作,人負責設定目標、調度資源和關鍵決策。組織不再完全圍繞固定崗位分配工作,而是可以根據任務需要,靈活組合人與智能體。百度搭子團隊的實踐提供了一個例子。一位原本具有量子計算研究背景的成員,加入百度後幾乎從零進入產品和企業場景,藉助百度搭子,同時承擔起產品、研發和項目管理等工作。從分析問題、形成方案,到推進執行、驗證結果,他不再被某一個固定崗位所限定。產品新人依託搭子可快速跑通從需求到原型的全流程,團隊半年迭代160餘次,90%代碼、超50%傳播物料由搭子完成。這個案例中,真正被打破的不是“誰應該做什麼”的規定,還有知識和經驗流動的限制。百度數字人團隊推動產品、研發、設計和測試等角色向 Builder 轉型,也是同一邏輯的延伸。重點不是讓每個人無條件承擔更多工作,而是減少任務在不同角色之間的反覆交接,讓能夠定義目標的人,也有機會藉助 AI 走到最終結果。但如果只有任務執行方式的變化,智能組織只能算完成了一半,另一半還得看組織如何做。其次是沉澱隱性知識。企業真正有價值的知識,是員工的實踐經驗:比如老員工處理故障的判斷方法,銷售識別客戶需求的經驗,設計師對審美和規範的把握。這些知識難以標準化寫進文檔,也容易隨着人員流動而丟失。但AI提供了一種新的沉澱方式:將專家經驗、業務規則和操作方法轉化爲知識庫、Skill以及智能體能夠調用的能力。百度與南方電網的合作,便涉及這一過程。面對配電網故障研判,傳統人工分析單次耗時超過60分鐘,而且高度依賴專家經驗。百度搭子落地南方總調後,通過學習上萬條歷史故障處理數據,將資深專家的經驗沉澱爲可複用的專業知識,再把故障記錄、開關信號和線路拓撲串聯起來,形成完整的證據鏈。目前其故障分析準確率達到70%以上。百度MEG設計團隊則展示了另一種知識沉澱方式。團隊將資深設計師的審美經驗和設計規範轉化爲可複用的AI Skill,讓AI不只是按照指令生成圖片,還能夠調用團隊積累的設計方法,參與內容生產。目前,AI工具已經承接了超過50%的內容供給,團隊效能提升100%—200%。從電力故障到設計內容生產,兩個場景背後的邏輯很相似:把原本依賴個人經驗的工作方法,變成組織可以反覆調用的能力。當然,隨着業務環境會變化,經驗也可能過時。所以就需要讓任務結果重新回到流程中。也就是最後提到的設計流程閉環。傳統流程通常由人預先設計,執行中出現問題,再由人復盤和修正。每次任務完成後,系統能夠根據預設目標衡量結果,識別執行中的問題,再將反饋用於調整下一輪任務。這樣,流程就不再是一套固定不變的操作規範,而是能夠隨着業務運行不斷修正的系統。李彥宏將其概括爲“可衡量 + Lopping= 持續進化”。其中“可衡量”,意味着任務結果需要有明確的評價標準,Lopping則意味着執行、反饋和優化要形成持續循環。當越來越多任務都能夠完成這樣的閉環,組織便不再只是依靠管理者推動,而是能夠在日常運行中不斷積累經驗、修正流程。要支撐這樣的閉環,僅靠一個模型 API 顯然不夠。智能體需要理解企業的業務目標,調用不同系統中的數據、知識和工具,還要能夠在長鏈路任務中持續執行、接受評估並根據反饋調整。這對底層基礎設施提出新的要求。這也是沈抖在2026百度世界大會上強調的AI雲和Agent Infra的意義所在。按照百度的思路:底層百舸 AI Infra 提供算力支撐,上層千帆 Agent Infra 則提供長上下文管理、持久記憶、工具調用、子智能體調度、評估反饋和運行環境,讓大規模、長週期任務能夠真正跑完閉環。放在“芯—雲—模—體”的全棧結構中,這種支撐關係會更清楚:芯片提供算力基礎,雲提供智能體運行和調度的基礎設施,模型提供理解、推理與生成能力,智能體則進入具體任務和業務場景。從崗位到任務,從個人經驗到組織智能,再到流程的持續迭代,智能組織改變的不是某個崗位的工作效率,而是企業生產和協作的底層邏輯。接下來要看的,正是這些原則如何變成實踐:真正參與業務流程、解決實際問題?03智能組織怎麼在企業內部生長?判斷一家企業是否進入AI Native組織,要看AI是不是真的在改變內部整個的運作。以百度數字人創新業務部來看。團隊打破產品、研發、設計、測試之間的崗位邊界,推動全員向Builder轉型,並基於自研BiuBiuAgent,讓部分需求由單人完成全流程交付。僅在第三季度,團隊就完成了564次產研迭代,沉澱130個Skills和729篇組織資產。隨着Loops持續運轉,產研人均吞吐提升125.3%,交付週期縮短28.8%。一名校招新人藉助AI,僅用一天就完成了過去需要5個角色、至少10天才能交付的需求。高速增長的數字背後,是AI真正在企業組織間“轉”起來。這樣一來,員工就可以把更多精力放在目標判斷和流程組織上,那些團隊在執行中形成的Skills和組織資產能夠被反覆調用,單個人的經驗不再隨着任務結束而消失。另一個例子是dodo。這個由百度內部十餘人團隊打造的AI助手,上線七個月後覆蓋了99%的正式員工,並推動300多個企業平臺完成AI友好化改造。這也揭示了組織智能化容易被忽略的一面:企業不能只要求員工學會使用AI,還需要讓原有系統、數據和流程能夠與AI協同。否則,智能體即使能完成某個環節的任務,也很難真正打通業務鏈條。過去一年,百度內部日均活躍智能體從約 5000 個增長至 3.7 萬個,每週有效完成任務數也從 8.4 萬提升至 100 萬以上。規模擴張之外,知識沉澱也在同步發生:百度已累計搭建超過 4300 個工作空間,沉澱超過 2 萬個公司級通用技能,讓原本分散在個人和團隊中的經驗,逐漸轉化爲可複用的組織能力。如果說百度的實踐,展示了組織協作方式的變化,那麼以下這些案例,則檢驗了AI能否進入真實業務。在南方電網,百度搭子落地南方總調,形成面向配電網故障研判的“天璇夥伴”。廣西電網2025年發生永久性故障8215次,傳統人工研判單次耗時超過60分鐘,而且高度依賴專家經驗。天璇夥伴學習上萬條歷史故障處理數據,將資深專家的判斷經驗沉澱爲可複用知識,再把故障記錄、開關信號和線路拓撲串聯成證據鏈,輔助完成故障分析。根據客戶反饋,故障分析效率提升12倍,分析準確率達80%以上,實現專家經驗複用,目前已在廣西14個地市、112個縣推廣。這類應用的價值,不只是讓故障分析更快,而是把原本掌握在少數專家手中的經驗轉化爲系統可以持續調用的專業能力。海高激光的實踐,則把AI帶到了製造現場更復雜的決策環節。在生產線上,多臺六軸機械臂需要協同完成同一工件的切割加工。過去,工藝人員主要依靠經驗分配軌跡塊、確定執行順序;但當機械臂數量、加工任務和工藝約束增加,局部安排很容易影響整體效率。百度伐謀圍繞運動耗時預測、多機防碰撞和任務分配排程持續優化算法,在滿足機械臂可達性、工藝依賴和無碰撞等約束的前提下,將工件編程耗時從8小時壓縮至10分鐘,解決行業卡脖子問題。從電網故障研判到機械臂協同排程,兩個案例指向了同一個變化:AI進入產業,是要理解行業知識、適應業務約束,並在實際任務中接受結果檢驗。當然,智能組織並不意味着組織里的人會不重要。在大會現場,數字人希加加與Robin的一段對話,恰好觸及了這個問題。當希加加問自己能否成爲CEO時,Robin給出的回答是否定的。在他看來,CEO需要理解公司的使命和願景,AI可以成爲CEO的thinking partner,幫助其提升效率、提供靈感,卻不必急於取代CEO。當話題進一步轉向“如果AI滲透到組織的每個角落,組織最核心的部分還是什麼”時,Robin給出的答案是:人。我們常說AI無法取代人類,但在實際應用中仍然會有擔心被替代,這段對話反而區分了AI的執行力和組織方向。AI可以繼續承擔具體工作,參與分析、提供建議,但企業的存在價值,以及未來的走向,最終的決策還是在“人”這裏。這倒是有點像 蘋果公司早期提出的“DRI(Directly Responsible Individual,直接責任人)”概念。在蘋果公司,對於誰應該負什麼責任從來都很清晰。簡單來說,AI可以幫你決策,但最終結果和價值判斷必須有人負責。換句話說,智能組織不是把人從流程中拿掉,而是重新分配人與智能體承擔的職責。未來,企業之間真正的差距,在於誰能把AI嵌入業務流,把經驗沉澱爲組織資產,形成一套能夠持續運轉和進化的組織系統。

Aggregator site: only the publisher's summary is shown here. Read the full story at the source.
Read full story →