今年百度世界大会上有个场景被反复传播：一个数字人采访李彦宏，问“我能不能做CEO”，李彦宏回答“不能”。这个回答很聪明，也很安全——它同时安抚了两种情绪：担心被取代的普通员工，和不愿意交出决策权的管理者。

同场演讲里，李彦宏给了一个更有信息量的比喻：AI是新电机，智能组织是新厂房。电机换了，厂房没重新设计，再先进的机器也释放不出生产力。

这个比喻成立。但它也遮住了一个问题：厂房是谁盖的？盖厂房的钱、时间，以及改造期间的停产损失，算谁的？

先把事实摆上桌。麦肯锡今年8月的全球AI调查显示：80%的受访者表示AI提高了个人生产率，但只有37%表示AI对企业息税前利润产生了正面影响。微软在《2026年工作趋势指数》里的数据更冷：只有19%的受访者同时具备较高的个人AI能力和组织支持水平，另有10%的人个人能力很强、但所在组织没给支持。

这就是当下企业AI转型的真实剖面：员工先跑起来了，公司还在原地。企业花钱买工具，可能先培养出一批“超级员工”，但并没有因此拥有一家“超级公司”。

这个判断我完全认同。但接下来，我想说几句厂商叙事里不太愿意讲的话。

第一，“智能组织”的案例，目前基本来自AI原生团队或厂商自己。

百度公布的内部实践是：数字人创新业务部在2026年第三季度完成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%；一名校招新人用一天完成了过去五个角色、至少十天才能交付的需求。

这些数字很漂亮，但要看清它的前提：这是一个产品、研发、设计、测试边界本就模糊的小团队，业务是数字人，交付物是软件。换成一个有两千名工人、三条产线、两套质量体系的制造企业，或者一个受强监管的金融机构，“打破岗位边界”第一件撞上的不是技术，是安全责任与合规审计。

第二，“沉淀组织资产”这件事，卡在考核上，不在工具上。

文中提到南方电网与百度合作，把原本依赖资深专家判断的电力故障分析，转化为可调用、可验证的专业分析能力。这个方向是对的。但一个更普遍的现实是：一个销售用AI做出的客户分析，为什么愿意交出来变成团队资产？如果考核仍按个人业绩排名，他最优的策略就是把方法留在自己的对话框里。

所以“知识沉淀”从来不是技术问题，而是激励问题。企业不改变“谁贡献知识、谁获益”的分配机制，再好的知识库也会变成一片数字废墟。

第三，模型交易平台的“公共品”说法，需要打个问号。

百度此次推出词元所，做模型服务验真与质量监测，试运营一个月入驻供应资源超100个，日均调用突破5000万次、日均调用Token超7000亿。文章评价说，“规则提供者从这个环节里获得了公共品的属性”。

这句话要谨慎。当一个平台既制定验真规则、又参与模型供给，它更接近“带裁判身份的运动员”，而不是中立的基础设施。真正的公共品需要第三方标准、可审计的评测与可迁移的接口，这三样目前都还在早期。

那么，智能组织到底能不能做成？我的判断是：能，但它不是“采购”出来的，是“改”出来的，而且改革成本主要落在中层身上。

原因很简单。AI把执行层的效率拉高之后，被暴露出来的不是员工的手速，而是流程里的审批、对齐、汇报与等待。而这些环节，恰恰是中层管理者存在的理由。让一个中层主动拆掉自己的审批权，靠的不是一场大会，而是考核指标的重写——从“管了多少人、审了多少单”，改成“流程周期缩短了多少、复用率提高了多少”。

这件事很难，也很不体面：它会带来岗位调整、职责重叠、甚至一批人的离开。任何把“智能组织”描述成“装上一批Agent就自动进化”的说法，都是在回避这一段。

但也正因为难，它才可能成为分水岭。模型能力越来越容易获得，技术本身很难持续拉开差距；难复制的是组织里那些“不依赖某个员工个人发挥、也能不断积累和改进”的机制。这一点，麦肯锡的37%、微软的19%，其实已经替所有企业把卷子发下来了。

最后回到那句“我不能做CEO”。这句话真正的含义不是AI能力不够，而是责任无法转移。AI可以写方案、做分析、跑流程，但它不能为一个决策的后果负责，也不能替一家公司承担失败。只要这一条不变，新厂房的设计图就只能由人来画——画得好不好，决定了电机到底能发多少电。

本文根据百度世界大会公开信息、麦肯锡与微软公开报告及公开报道整理，观点仅代表作者本人。