AI生产力革命，为什么需要一座「新厂房」？

当企业把大模型、智能体、Copilot一批批接入办公流，一个尴尬的落差正在出现：个人看起来更快了，组织账本却没有同步变厚。麦肯锡今年对97个国家1719名受访者的调查显示，80%的受访者报告个人生产率因AI改善，但只有37%报告AI对所在组织的息税前利润产生正向贡献，这一比例与2025年基本持平。问题并不在于AI不够强，而在于许多企业只完成了“换电机”，还没有重新设计“工厂”。

麦肯锡的37%：超级个体为何带不动组织账本

年初至今，不止一款AI工具聚焦生产力效率提升。现实场景却是，员工在不同工具间反复搬运任务，进展散落各处。个人成了AI赋能下的“超级个体”，企业面对的却是无法归拢的AI权限、难以系统性追溯的结果审计，以及难量化的业务价值转化。

一位业内人士提到，AI走进办公流后，工具部署了多少、试点节省了多少工时，是容易展示的成绩；难算的是，省下来的工时去了哪里。一条业务链由多个环节串起来，如果上下游还是按原来的节奏交接，审批权限、协作方式和考核指标也照旧，一个环节的提速就很难转化为整条链路的产出。试点越容易交出漂亮数字，这道差距反而越容易被忽略。

世界经济论坛报告《AI优先操作系统：运营与商业模式创新蓝图》发现，2025年全球在人工智能领域的投资已超过2500亿美元，但仅有25%的企业认为AI对其产生了颠覆性的变革影响。报告把问题归结为，多数组织把AI“嫁接”到既有流程之上，而没有围绕“智能”去重新构筑整个运营模式。

这并非AI时代才出现的矛盾。早在1987年，诺贝尔经济学奖得主索洛就撰文称，“你能在任何地方看到计算机时代，唯独在生产率统计数据里看不到。”这句被概括为“索洛悖论”的话，今天仍然适用：技术进入组织，并不自动等于生产力进入报表。

李彦宏把目光投向“组织层”

在李彦宏看来，人工智能是新电能，智能组织就是AI时代的新厂房，是生产力真正发生的地方。AI没有产生预期的经济效益，是因为现阶段“我们只是更换了电机，却还没有重新设计工厂”。他指出，AI技术的上游是能源，下游是组织能力；智能组织将给企业建立新护城河、创造新市场的机会。

李彦宏说，大模型产业正在沿两条路径发展：一是向上突破，推高智能上限；二是向实扎根，释放产业价值。“在大模型这两个发展方向上，我们都在向前推进。一方面，我们会持续投入，研发下一代更前沿的基础大模型。另一方面，我们会坚持‘模体并行、协同进化’理念，让大模型为应用而优化。”

在百度已有“芯云模体”的全栈布局基础上，他把目光投向“组织层”：智能体接入企业之后，可以承担哪些任务，能调用哪些数据，交付结果由谁验收，失败后又由谁接手？这组问题看似琐碎，却决定了智能体是停留在演示页面，还是进入真实生产流程。

他首次提出“组织进化三原则”：一是打破岗位边界、沉淀隐性知识、设计流程闭环，释放组织活力；二是沉淀隐性知识，构建组织智能；三是设计流程闭环，推动组织进化。李彦宏认为，传统组织以岗位为中心，AI时代的组织会变成以任务为中心，岗位边界将被打破，组织活力也会进一步得到释放。

电力革命早写过同一道题

工作场所重组是AI适应的重要要求。经济史研究将AI与电力在制造业中的应用类比：只有当工厂围绕电力而非仅仅替换蒸汽机来重组整体运营时，生产力才获得提升。同样，组织必须从根本上重新思考工作流程和程序，以有效整合人工智能，而不仅仅是将AI工具添加到现有程序中。

这也解释了为什么“工具清单”越来越长，组织产出却没有同比例增长。电力真正改变制造业，不只因为电机被发明，还因为工厂布局、工人培训、生产节拍和管理结构围绕电力重新安排。AI作为“认知引擎”，要发挥的也不是单点自动化，而是对人类认知能力的增强，以及围绕这种增强重新设计任务分配、协作界面和验收机制。

政策框架同样需要更新，以应对认知自动化的独特挑战，包括知识产权、人工智能辅助决策中的责任，以及确保公平获取AI增强生产力工具。研究提醒，如果没有深思熟虑的政策干预，人工智能的利益可能集中在已经拥有优势的人群中，从而加剧不平等。

自动化只是一次性收益

当前大量AI应用主要通过自动化人类已完成的任务来提高效率，而非创造新的任务和产品。自动化可以带来短期生产力提升，但它往往只是一次性收益。达龙·阿西莫格鲁估计，在人工智能不促进科学发现或新产品创造的情况下，采用最先进人工智能的自动化可能使美国生产力在未来十年内每年仅提高0.07%。埃里克·布林约尔松等人则更为乐观，认为人工智能有潜力通过增强与创新提升劳动生产力。

两者的分歧指向同一个关键：AI对生产力的贡献，不只取决于模型能力，还取决于组织是否把AI用于增强人、重组流程、催生新任务。如果税收和激励政策过度偏向用资本替代劳动力，自动化可能由成本动机驱动，而非效率提升驱动。研究建议，谨慎重新平衡折旧抵免、税收抵免等激励组合，让企业更多利用AI进行增强而非简单替代。

扩散速度同样重要。蒸汽船在英国问世后用了131年才抵达印度尼西亚，个人电脑在美国发明后仅11年便抵达越南。但新技术初次采用之后向人口中扩散的程度，随时间推移有所下降。基础性AI准备至关重要，需要对数字基础设施、数字数据和技能进行投资，尤其是在新兴市场和发展中经济体。技能再培训本身也可以借助AI提供更好的培训选项，前提是基础设施到位。

新厂房要把任务、流程与验收一起重装

历史经验表明，生产力冲击最终会通过价格、购买力和新行业扩张被吸收。自1820年以来，美国人均实际GDP增长约8到10倍；农业曾雇佣约40%的美国劳动力，今天这一比例不足2%，但软件、数字广告、云基础设施等全新行业不断出现。取代是现实，崩溃则不是。真正的挑战是转型速度，以及组织能否接住技术供给。

所谓“新厂房”，不是再买一套AI软件，而是把智能体接入后的任务、数据、权限、验收和失败处理重新编排。哪些任务交给智能体，哪些数据可以调用，交付结果由谁验收，失败后由谁接手，这些组织层问题需要像工厂设计产线一样被明确。

具体而言，企业需要把以岗位为中心的组织方式，转向以任务为中心的组织方式：

• 打破岗位边界，让任务围绕客户价值和业务结果重新组合；
• 沉淀隐性知识，把老师傅的判断、专家的经验变成组织可调用的智能；
• 设计流程闭环，让AI参与的每个环节都有输入标准、权限边界、验收责任和回溯机制；
• 重设考核指标，不只看节省多少工时，更看整条业务链的产出、质量和周期是否改善。

AI是新的电能，但电能不会自动让旧厂房变成新工厂。只有当组织围绕智能重新设计流程、岗位、权限与验收，AI才会从“超级个体”的效率工具，变成企业层面的生产力系统。这座“新厂房”建得越早，越可能把技术供给转成自己的生产力。