单个AI再强也难胜团队协作，李彦宏指出AI下半场竞争核心是智能组织

一个AI能高效翻译几十页技术文档，却在处理几百页书籍时出现术语前后不一致——前半本译作“智能体”，后半本悄然改回“代理”。这不是能力退化，而是受限于有限的上下文窗口与工作记忆。类似问题在软件工程、长文本生成等场景反复出现：单个AI擅长完成原子化任务，但面对跨模块、长周期、高一致性要求的复杂工作，其表现迅速下降。

这种局限并非源于算力或算法缺陷，而根植于架构本质。可将单个AI的工作空间想象为一张小书桌：每新增一步推理，就摊开一叠纸；任务越复杂，桌面越拥挤，最终连已定规则都可能被遗忘或误记。它能写好一个函数，却难以独立完成整本书的统稿，或协调修改十几个相互依赖的代码文件。

真正突破来自“组织”——当多个AI被赋予分工、讨论与反馈机制时，效果呈指数级提升。一项实验中，45个AI在共享讨论区协同查找软件漏洞，共发现266个问题；而同等数量的AI各自独立作业，仅找到21个。差距不在个体能力，而在是否形成有效协作网络。

值得注意的是，并非简单堆叠AI就能奏效。若仅让多个AI重复审阅同一段内容，或彼此争论已有结论，信息未增加，效果与单个AI无异。关键在于引入单个AI无法自行获取的新信息源：例如调用工具执行测试、渲染结果截图并反哺分析、查询外部知识库。一项对比实验显示，仅让AI自我修正答案，准确率反而下降；而将其生成的网页渲染为截图，再将截图与描述一同输入，任务通过率从26%跃升至52%——真实反馈带来了认知闭环。

时间投入亦非万能解药。给AI更多推理步数，并不自动导向更好结果。如同学生考两小时未必比半小时得分高，许多AI在冗余步骤中陷入浅层搜索，很快停滞。有效迭代需配合“时间管理”策略：前期广度探索，后期聚焦收敛。这对团队协作同样适用——带队者须按任务难度动态分配资源，而非机械摊派。

成本是另一现实约束。多AI协同显著推高算力与调度开销，唯有收益足够大时才具经济性。实践中需权衡两组核心设计：其一，是否共用“笔记本”（即共享记忆/上下文）？共用可避免信息丢失，但易致信息过载；分立则轻便灵活，依赖显式通信机制。其二，如何设定角色结构？可采用平级互检（如一人起草、一人校验）、组长统筹（拆解-监控-汇总），或完全去中心化协商。不同任务类型适配不同队形，尚无普适最优解。

上述技术逻辑正映射至企业级AI落地困境。微软《2026年工作趋势指数》指出“企业AI转型悖论”：80%员工感知个人效率提升，仅37%企业确认利润增长正向影响；麦肯锡调研亦显示，66家企业中7000余名知识工作者的关键任务质量与数量未见改善。局部提效未能转化为组织级产出，症结正在于“组织未重设”。

2026年11月12日，百度世界大会上，李彦宏提出关键判断：AI没有产生预期经济效益，是因为我们“只是更换了电机，却还没有重新设计工厂”。他将AI比作新能源，而“智能组织”才是AI时代的“新厂房”——生产力真正发生的地方。

所谓智能组织，并非单纯增加AI工具或调整岗位编制，而是一套可运行、可度量、可迭代的系统：

• 从岗位中心转向任务中心：OpenAI研究发现超40%工作场景中AI任务跨越传统专业边界，未来组织将以任务闭环为基本单元，临时组合人与智能体；
• 从个人智能转向组织智能：推动隐性知识显性化、沉淀至平台，实现经验复用与集体调用；
• 从固定流程转向持续进化Loop：任务执行→反馈→优化形成闭环，使组织具备自主学习能力。

百度已落地多个案例：数字人团队人均吞吐提升125.3%，交付周期缩短28.8%；南方电网故障分析效率提升12倍。这些成效印证了“组织重构”比“工具叠加”更具杠杆效应。

这一趋势亦呼应硬件层变革。补充素材提及，AI算力瓶颈正从芯片本身转向互联带宽——铜缆在高速信号下衰减严重，国产GPU因单卡算力不足需堆叠数百张卡，更迫切依赖光互联构建“超节点”。可见，从底层数据通路到顶层协作逻辑，整个技术栈都在向“协同优先”演进。

在大会现场，一段由百度一镜生成的数字人采访视频引发关注：数字人问“我能不能当CEO？”，李彦宏答：“不能。”他解释，AI要做的事很多，但组织决策、价值判断与责任归属仍需人类主导。“先不要想着取代CEO，我们各自发展自己的就好了。”

这并非保守立场，而是对技术边界的清醒认知：AI的强项在于执行、分析与生成，而组织的韧性、目标校准与文化凝聚，仍是人的专属领域。真正的竞争力，不在于拥有最强单点AI，而在于能否构建人机协同、持续进化的智能组织。

当企业开始追问“我的AI团队如何协作”，而非“我该买哪个大模型”时，AI生产力革命才算真正进入深水区。