「既然我都能做采访了，那我这样的数字人能当 CEO 吗？」百度世界大会的舞台上，数字人希加加取代真人主持，向李彦宏抛出这个颇为犀利的问题。台下一阵笑声过后，一个严肃的追问浮出水面：当 AI 已经能独立扛下越来越多的工作，它在这家公司里，究竟算什么？
这样的场景并不孤立。走进如今的写字楼，程序员让 Agent 写代码，运营靠大模型跑报表，连行政都在用大模型搭报销流程，AI 已经渗透进每一个工位。
但企业层面的账本并不好看。索洛悖论又一次应验——技术无处不在，生产力统计里却难觅踪影。有统计显示，2025 年全球企业在 AI 上的投入超过 2500 亿美元，真正跑出业务变革的公司只有 25%。个人的活儿变快了，Token 烧得更猛了，组织的整体效益却没能水涨船高。问题出在模型能力不够强，还是企业仍在用旧的组织方式硬塞新技术？
李彦宏在这次大会上给出的答案是后者。在他看来，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。他把判断凝练成一句话：AI 的下一幕，是智能组织。新生产力，只能从 AI 流水线里长出来，从智能组织里长出来；换一台 AI 新电机只是起点，重新设计新厂房才是分水岭。
类似的预判，他十年前也做过一次。2016 年的百度世界大会上，李彦宏站在台上提出「AI is the New Electricity」，把人工智能比作新电能，提前押中了随后十年的技术浪潮。当时几乎没有人想到，这句判断会以如此具体的方式落进日常办公。
电机与厂房的比喻有迹可循。第二次工业革命早期，工厂从蒸汽动力转向电力，生产率却整整三十年几乎纹丝不动。原因在于，蒸汽时代的机器位置受中央传动轴和皮带约束，即便换上电动机，机器布局、工人安排和生产流程依然照旧。直到每台机器装上独立电机，工厂拆掉笨重的传动轴、重新设计整个生产系统，电力才真正释放出重塑工业的力量。
厂房如此，公司同样如此。1855 年，美国纽约与伊利铁路公司画下一张形似大树的图表，不同分支分别对应管理层、职能部门与人员分工，这被广泛认作现代企业最早的组织结构图之一。它试图回答的是当时最棘手的问题：公司越来越大，到底该怎么管？工业革命让几千上万人聚进同一个生产体系，必须有人决策、有人执行、有人监督。
马克斯·韦伯随后把这套逻辑系统化为科层制理论：专业分工、明确权责、层级管理。到了互联网时代，贝佐斯提出「两块披萨团队」——一个团队应该小到两块披萨就能喂饱所有人，让小团队拥有更大自主权，减少层级与沟通成本。组织架构一路演变，但有一件事始终没变：完成复杂工作的主体，一直是人。
AI 开始打破这个前提。今年 5 月的 Create 大会上，李彦宏提出「超级个体」的构想：过去公司的最小生产力单元是团队，如今，一个人加上一支智能体编队，就可能成为新的生产力单元。工业时代解决如何组织更多人，互联网时代解决如何让人协作得更快，AI 时代的问题变成了——如果智能也能像人力一样被组织、调度和协作，公司是不是该重新设计？
同样的追问也在硅谷出现。今年 3 月，Block CEO Jack Dorsey 与红杉资本合伙人 Roelof Botha 合写长文《从层级制走向智能化》。Dorsey 把矛头指向延续两千年的指挥链：从古罗马军团「8 人小队、80 人百人队、5000 人军团」的嵌套结构，到 1806 年普鲁士军队在耶拿战役惨败后创设的总参谋部，现代企业「中层管理」的底子早就打好了。在他笔下，层级制本质上是一套建立在人类局限之上的「信息路由协议」——人脑带宽有限，一个主管能有效管理的人数只有 3 到 8 人，缩小管理幅度就得增加层级，层级越多，信息流动越慢。
过去几十年，Spotify 试过敏捷小队，Zappos 试过彻底取消管理头衔的合弄制，可公司规模一旦越过几百人的门槛，最终都退回层级制。Dorsey 的方案是建立一个持续更新的「世界模型」，让智能系统理解公司内部的工作状态、资源配置和客户需求，再由它协调任务，甚至把公司改造成一个类似「mini-AGI」的智能系统。这篇文章戳中的痛点在于：AI 已经越来越聪明，公司却不一定变得更聪明。
李彦宏给出的组织进化路径包含三条原则：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。
第一条关乎组织形态。传统组织是「固态」的，按部门和职位切分工作；智能组织则是「液态」的，公司变成一张围绕目标动态聚散的任务网络，从「以岗位为中心」转向「以任务为中心」。
第二条关乎知识。企业里最宝贵的，往往是那些没写进文档的隐性经验：资深销售为什么放弃某个看似优质的商机，老工程师为什么先排查某个故障点。这些经验若只由本人使用，换个人接手，一切还得从头摸索。李彦宏认为，真正的组织智能，必须让隐性知识显性化，通过 Skill、Workspace 等方式沉淀到公司平台上，持续累积、随时调用、人人可用。信息和能力由此挣脱部门边界，AI 也从个人工具走向组织资产。
知识沉淀只是开始。如果一家企业每次都能调用过去的经验，却无法根据新的业务结果调整工作方式，它仍然只是一套更先进的自动化系统。李彦宏把这种自我改进机制概括为「可衡量 + Looping = 持续进化」：AI 不仅要把任务做完，还要有明确的业务标尺检验结果，让每次执行产生的经验、偏差和反馈回流进下一轮循环。在他的设想中，人和 AI 围绕一个任务形成一个 Loop，公司由无数 Loops 组成，组织由此变成一个不断学习和进化的系统。
这套打法先在百度内部跑通。百度数字人创新业务部推动全员向 Builder 转型，打破产品、研发、设计、测试的岗位边界，让员工借助 AI 承担更完整的工作流程。今年第三季度，这个团队完成 564 次产研迭代，沉淀 130 个 Skills 和 729 篇组织资产，产研人均吞吐提升 125.3%，交付周期缩短 28.8%。
其中一名校招新人，借助 AI 仅用一天，就交付了一项过去需要五个角色、至少十天才能完成的需求。比效率数字更关键的地方在于，经验没有随任务结束而散场——过程中积累的 Skills、规则和方法，可以继续被其他成员调用，成为下一次任务的起点。智能组织并非往公司里塞进越多 Agent 越好，关键在于让每个任务的产出，都能喂养下一个任务。
大会上，承载这套理念的产品集中亮相。百度搭子完成升级，推出个人版和企业版，试图改变企业里各自为战用 AI 的状态。百度内部一位学物理出身的新人产品经理，借助百度搭子，已经能独立承担售前沟通、产品设计以及大部分研发工作——过去一项需求需要产品、设计、研发多个角色接力，如今他调动 AI 完成其中大部分环节，T+1 就能拿出可现场演示的功能 Demo。在百度搭子开发平台的内部实践中，一项典型需求从分析到可交付方案的时间，从 7 天缩短到 2 天。
库库企业版则围绕「懂组织、深能力、自进化」升级，背后连接着百度文库积累的 18 亿份专业内容、7.5 亿篇学术文献，以及超过 700 万个在线知识库。上线仅三个月，其能力已覆盖超过 60 万个组织，日均任务量增长至上线初期的 9 倍，月访问量增长至 14 倍。落到具体企业：南华期货的客户服务效率提升 60%，锡创投的业务交付速度提升 25%，国联人寿的投研团队人效提升 40%。
百度内部的数据同样在变化。近一年，日均活跃智能体数从 5000 个增长到 3.7 万个，涨幅超过 6 倍；智能体执行的有效任务完成数从每周平均 8.4 万个增长到一周超过 100 万个，涨幅达到 11 倍；目前已建成 4300 个 Workspace，组织 Skill 累计沉淀超过 2 万个。李彦宏称，这些好经验、好方法沉淀下来，可以让更多同学复用、让智能体调用，「让一个人的经验，成为整个组织的能力」。
智能体大批进入业务流程后，模型和算力的供给方式也在跟着变。企业不仅需要更强的模型，还要能根据不同任务灵活选择、调用合适的模型。为此，百度在这次大会上推出大模型交易平台「词元所」。李彦宏称其为大模型的交易所，希望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。试运营一个月，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。对智能组织而言，模型不再只是需要单独采购和部署的技术产品，而更像水电——可以按需获取、灵活调用的基础资源。
希加加的那个问题，目前还没有标准答案。可以确定的是，当 AI 能够承担任务、积累经验、持续进化，它在企业中已经不只是听从指令的工具，而是参与组织运转的新角色。至于数字人能不能坐进 CEO 办公室，眼下还没有哪家公司真正试过。
