从一百多年前的第一张组织结构图到李彦宏说的“新厂房”，组织形态每次重画，都对应一次生产力跃迁。 现代商业的每一次进步，背后往往都有一次组织形态的变化。 1855年，美国铁路公司出现了第一张现代组织结构图。 它把公司内部的汇报关系画成一棵树：谁负责什么，谁向谁汇报，上下级之间如何管理，都变得清楚起来。 因为当年铁路越修越长，业务越来越复杂，管理者不可能再靠面对面沟通掌握所有情况。于是，企业需要一套新的管理方式，把分散的人组织起来，让庞大的业务能够运转。 后来，这种层层分工、逐级汇报的管理方式逐渐发展为“科层制”。福特流水线又把它推向成熟：每个人负责一个岗位，每个岗位完成一道工序，所有人按照既定流程协作，最终实现大规模生产。 从铁路到汽车，再到今天的大型企业，这套组织方式支撑了现代商业一百多年。 但问题也随之而来：当人工智能开始进入企业，原来那套围绕岗位、部门和层级建立的组织，还能不能适应新的生产方式？ 过去两年，很多企业都在尝试把AI引入工作流程。员工用AI写文案、做表格、整理资料，研发人员用AI辅助编程，客服部门用AI回答问题。技术确实提高了不少人的工作效率，但企业整体的生产效率，并没有因此出现同等幅度的变化。 AI越来越聪明，企业却未必因此变得更高效。 在百度世界2026上，李彦宏给出了一个值得关注的解释：AI是新电机，智能组织是新厂房。如果只是给旧工厂换上新电机，却不重新设计厂房和生产流程，新技术的价值就很难充分释放。 这句话指向的，可能是AI时代企业需要回答的一个更大问题：当AI开始参与工作，企业究竟应该如何重新组织人和AI？ 01 AI是新电机，智能组织是新厂房 2016年，李彦宏提出“互联网的下一幕，是人工智能”；2026年，李彦宏提出“AI的下一幕，是智能组织”。要理解李彦宏为什么提出这个判断，得先回到一百多年前的工厂。 19世纪末，电动机开始进入工厂。最初，一些工厂只是把原来的蒸汽动力换成电动机，机器的位置、生产线的布局、工人的工作方式都没有发生太大变化。 工厂虽然用上了新技术，生产效率却没有马上出现明显提升。原因并不复杂：过去的工厂是围绕蒸汽动力设计的。动力通过天轴和皮带传递到不同机器，机器必须按照动力传输的方式排列。即使动力来源换成了电，整个工厂仍然沿用旧的布局。 所以工厂开始拆掉贯穿车间的天轴，让每台机器拥有独立动力，再根据生产工序和物料流动重新安排设备，电力的优势这才逐渐发挥出来。 这个过程给今天的企业提供了一个很直观的参照。 现在，很多企业引入AI，做的其实还是“原位换电机”：员工原来怎么工作，现在还是怎么工作，只是多了一个AI工具；原来需要人工整理的材料，现在让AI整理；原来需要人写的报告，现在让AI先生成一版，主要发生在个人工作环节，并没有触及组织本身。 举个例子，一名员工用AI把一份报告从两天缩短到两小时，效率提升了很多。但如果这份报告仍然需要经过原来的层层审批，相关部门仍然要反复开会确认，其他员工也无法调用这名员工积累的经验，那么这次提效就很难转化成整个公司的效率提升。 个人变快了，组织未必变快。如果组织仍然只按照原来的岗位划分工作，AI就只能成为每个人手边的辅助工具。它很难真正参与跨部门协作，更难推动整个业务流程发生变化。 就像李彦宏说的，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。所以他提出的“智能组织”，正是希望改变这一点。 不是简单地给每个员工配一个AI助手，而是重新设计工作如何分配、经验如何保存，以及业务流程如何持续改进。企业不只是要让员工学会使用AI，还要让组织本身具备使用AI、调动AI和不断进化的能力。 02 李彦宏如何验证“新厂房”？ 一个新概念能不能成立，最终还是要看它能否落到真实业务中。 李彦宏提出智能组织，并没有只停留在管理理念层面。 百度本身就是一个观察样本：一家拥有复杂业务和大量研发任务的科技公司，如何把智能体真正引入日常工作？ 首先，是让智能体从零散工具变成组织中的实际参与者。 过去，企业谈AI应用，常常关注员工使用了多少次AI、消耗了多少Token，一个员工每天问AI几十个问题，不代表AI已经承担了实际工作；Token 消耗量也不能直接说明产出是否可靠。 Token至今仍只是计费单位，价低不等于可用，量大不等于可信。当一个Token的质量可以被抽检、被追踪、被公开比对，模型采购的依据才能从“厂商的宣传材料”转向“可验证的指标和可追溯的历史”。这是模型供给从“有没有”进入“值不值”阶段的前提。 而在企业内部，评估AI是否真正创造价值，也需要从调用次数转向它有没有参与实际工作。 因此，李彦宏此前提出了DAA，也就是日活智能体这一衡量方式，它关注的不是AI被调用了多少次，而是有多少智能体真正参与了工作。 在百度的探索中，智能体正在从个人使用