Автор: Чэн Яньцзин

Редактор 丨 Ху Мин

Недавно, когда я разговаривал с людьми из круга ИИ, вообще упоминался один момент. Люди приняли ИИ для повышения эффективности, но компании еще не готовы. (Leifeng.com Leifeng.com (публичный аккаунт: Leifeng.com) Leifeng.com)

С одной стороны, сотрудники уже используют агенты для работы и даже начали создавать собственные небольшие системы; с другой стороны, ключевые показатели эффективности компании, цепочки согласований и ритмы отчетности все еще меняются, как и три года назад.

Недавний опрос, проведенный Deloitte, показывает, что почти три четверти руководителей предприятий в США ожидают, что около половины бизнес-процессов будут перепроектированы с использованием агентов ИИ в ближайшие четыре года; 61% полагают, что большинство агентов в будущем будут полностью автономными, а людям потребуется только присмотр.

Кажется, что ИИ возьмет на себя весь бизнес, но на вопрос, готовы ли их компании принять это изменение, только пятая часть руководителей дала положительный ответ.

На сегодняшней выставке Baidu World 2026 основатель Baidu Робин Ли также говорил об этом противоречии. Его суждение таково: ИИ — это не только технологическая революция, но и организационная революция. Следующий шаг искусственного интеллекта — интеллектуальная организация.

Далее компаниям необходимо изменить не только инструменты в руках сотрудников, но и способ работы самой организации.

01

ИИ вошел в компанию, но не полностью

Чтобы реконструировать способ работы организации, мы должны сначала сломать традиционное познание:

Высокая концентрация ИИ в компании не означает, что ИИ-трансформация уже произошла.

Сотрудники используют Agent для написания кода, проведения исследований и разработки решений. Бизнес-отдел запускает несколько пилотных проектов, а руководство записывает в отчет количество агентов, потребление токенов и уровень использования. Кажется, что разведка компании продвигается всесторонне.

Однако индивидуальная эффективность не увеличивает автоматически производительность организации.

Например, анализ спроса менеджером по продукту, который первоначально занимал два дня, теперь может занять полдня; Отдел исследований и разработок использует Agent для быстрого написания первого черновика кода, а отдел продаж также может создать отчет об исследовании перед посещением клиентов.

Однако требования по-прежнему должны проходить проверку, утверждение и планирование, сотрудничество между отделами по-прежнему основано на собраниях и послойной синхронизации, а окончательные результаты нельзя увидеть до первоначального цикла отчетности. Ходя по кругу, личное время сотрудников сократилось, но общая организационная сила компании существенно не улучшилась.

Для отдельных компаний это не проблема.

В «Ежегодном отчете Microsoft Work Trend Index за 2026 год» представлен парадокс трансформации корпоративного ИИ: сотрудники начали использовать ИИ для повышения личной эффективности, а команды также пробуют новые инструменты, но бизнес-процессы, методы совместной работы и механизмы оценки по-прежнему используют прошлую модель.

Совет Boston Consulting Group (BCG) более прост: перепроектируйте компании для ИИ, а не адаптируйте ИИ к исходной компании.

Одна европейская энергетическая компания, упомянутая в ее исследовании, запустила большое количество пилотных проектов ИИ, но не добилась соответствующих общих преимуществ. Лишь после того, как предприятие переключило свое внимание с отдельных инструментов и частичных сценариев на реконструкцию сквозных процессов работы с клиентами, удалось добиться существенных улучшений в бизнесе.

Такие случаи показывают, что между успехом пилотных проектов ИИ и успехом трансформации предприятия существует определенный уровень организационного проектирования.

Если компания лишь добавит инструменты на исходные позиции и вставит в фиксированный процесс несколько агентов, то ИИ сможет оптимизировать части, но изменить целое будет сложно.

Это даже сделает первоначальные узкие места более очевидными: контент создается все быстрее и быстрее, но принятие решений при этом не ускоряется; генерируется все больше и больше кода, но механизм подтверждения и доставки требований остается прежним.

Когда возможности исполнения быстро расширяются, то, как организации распределяют задачи, делятся знаниями и принимают решения, становится новым ограничением.

В последние несколько лет основная конкуренция в индустрии искусственного интеллекта сосредоточилась на поставках технологий.

Параметры модели, вычислительная мощность обучения, затраты на логические выводы и рейтинг в списках определяют, какой тип интеллекта может получить предприятие.

«Пятислойный пирог» искусственного интеллекта когда-то был популярен в отрасли: от энергии, чипов и инфраструктуры до моделей и приложений, подчеркивая целостную систему, необходимую для интеллектуального производства. Без энергии и вычислительной мощности невозможно говорить о моделях и приложениях верхнего уровня.

Изменения в предложении моделей также начали отражаться на торговой стороне. Через месяц после запуска Института Циюань было урегулировано более 100 ресурсов снабжения, среднее количество ежедневных вызовов превысило 50 миллионов, а среднее количество ежедневных вызовов токенов превысило 700 миллиардов.

Большего внимания, чем сам масштаб, заслуживает то, что модельные сделки переходят от частной стыковки между предприятиями и производителями к независимой производственной связи; по мере формирования этой связи поставщики правил постепенно приобретают атрибуты общественных благ.

Но что касается предприятия: когда этот интеллект уже можно приобрести, использовать и внедрить, что определяет, какую ценность он может в конечном итоге создать?

Робин Ли направил взгляд вниз по течению. На Всемирной конференции Baidu 2026 года Робин Ли предположил, что «следующим шагом в развитии ИИ станет интеллектуальная организация».

Он предположил, что первоначальным этапом технологии искусственного интеллекта является энергетика, а нижестоящим — организационные возможности. Первый определяет, как создается информация, а второй определяет, как информация попадает в реальный бизнес и преобразуется в бизнес-результаты.

Эти два суждения не противоречат друг другу, а отвечают на вопросы на обоих концах отраслевой цепочки ИИ. Для предприятий, даже если «силы», обеспечиваемой восходящим потоком, достаточно, если внутренняя производственная система остается прежней, новый интеллект, возможно, не сможет превратиться в новую прибыль.

Робин Ли сравнил ИИ с новым двигателем, а интеллектуальную организацию — с новым зданием завода.

Он пришел к выводу, что ИИ не принес ожидаемых экономических выгод. Важная причина заключалась в том, что компания только заменила двигатель, но не перепроектировала завод.

Модели, вычислительная мощность и агенты могут обеспечить более широкие возможности выполнения. Только когда распределение задач, поток знаний и процессы принятия решений изменятся соответствующим образом, эта возможность сможет перейти с личных рабочих столов сотрудников на всю бизнес-цепочку предприятия.

Таким образом, фокус конкуренции в области ИИ начал смещаться от поставок технологий к реализации ценностей.

Предприятиям больше не нужно просто отвечать на вопрос: «Какую модель я использовал и сколько агентов было развернуто?» но изменили ли эти агенты компанию?

02

Если работники используют ИИ для повышения своей эффективности, что насчет компаний?

Генеральный директор Microsoft раньше часто говорил: ИИ — это не технология, а будущая форма предприятия.

Если вы поймете это предложение, вы действительно сможете понять «разумную организацию», предложенную Робином Ли.

Честно говоря, если вы просто прочитаете эти слова, то это можно легко понять как новый тип компании, состоящей из людей и агентов, или как другой способ сказать «предприятие, основанное на искусственном интеллекте».

Но то, что хочет обсудить Робин Ли, — это не назначение ИИ-помощника на каждую должность, а перепроектирование способа работы компании: кто выполняет задачи, как накапливается опыт и как процесс постоянно корректируется в зависимости от результатов.

Его можно интерпретировать на трех уровнях.

Первый – это нарушение границ позиций.

Традиционные предприятия полагаются на профессиональное разделение труда. Полная задача часто требует последовательного выполнения нескольких должностей в области продукта, дизайна, исследований и разработок, операций и т. д.

В эпоху искусственного интеллекта интеллектуальные агенты начинают брать на себя конкретную исполнительную работу, а люди несут ответственность за постановку целей, планирование ресурсов и принятие ключевых решений.

Организации больше не распределяют работу полностью вокруг фиксированных должностей, а могут гибко комбинировать людей и агентов в соответствии с потребностями задач.

Примером может служить практика команды Tazi компании Baidu. Участник, который изначально имел опыт исследований в области квантовых вычислений, после прихода в Baidu практически вошел в продуктовую и корпоративную сферу с нуля. С помощью партнера Baidu он также взял на себя работу по управлению продуктами, исследованиями и разработками, а также проектами. От анализа проблем и формирования планов до содействия реализации и проверки результатов — он больше не ограничивается фиксированной позицией.

Разработчики новых продуктов могут рассчитывать на то, что Taozi быстро проведет весь процесс — от требований до прототипов. Команда выполнила более 160 итераций за полгода, и 90% кода и более 50% коммуникационных материалов были написаны Таози.

Что действительно нарушается в данном случае, так это не правила «кто что должен делать», но и ограничения на поток знаний и опыта.

Команда цифровых специалистов Baidu продвигает преобразование ролей продуктов, исследований и разработок, дизайна и тестирования в разработчиков, что также является продолжением той же логики.

Речь идет не о том, чтобы всем безоговорочно брать на себя больше работы, а о том, чтобы сократить повторную передачу задач между разными ролями, чтобы люди, умеющие определять цели, также имели возможность использовать ИИ для достижения конечного результата.

Но если происходят только изменения в способах выполнения задач, интеллектуальные организации можно считать завершенными лишь наполовину. Другая половина зависит от того, как организация это делает.

Во-вторых, это накопление неявных знаний.

По-настоящему ценные знания предприятия — это практический опыт его сотрудников: например, опыт сотрудников-ветеранов в способах реагирования на неудачи, опыт продаж в выявлении потребностей клиентов и понимание дизайнерами эстетики и норм.

Эти знания сложно записать в стандартизированные документы, и они легко теряются с потоком кадров.

Но ИИ обеспечивает новый способ осаждения: преобразование экспертного опыта, бизнес-правил и методов работы в базу знаний, навыки и возможности, которые могут использовать интеллектуальные агенты.

Сотрудничество между Baidu и China Southern Power Grid предполагает этот процесс. Что касается анализа и принятия решений в распределительной сети, традиционный ручной анализ занимает более 60 минут за раз и во многом зависит от опыта экспертов.

После того, как Baidu Tazi приземлился в Южной генеральной комиссии, он изучил десятки тысяч исторических данных по устранению неисправностей, аккумулировал опыт старших экспертов в профессиональные знания многократного использования, а затем последовательно соединил записи неисправностей, сигналы переключения и топологию линий, чтобы сформировать полную цепочку доказательств. В настоящее время точность анализа неисправностей достигает более 70%.

Команда дизайнеров Baidu MEG продемонстрировала еще один способ накопления знаний.

Команда преобразовала эстетический опыт и дизайнерские спецификации старших дизайнеров в многоразовые навыки ИИ, чтобы ИИ мог не только генерировать изображения в соответствии с инструкциями, но и использовать методы дизайна, накопленные командой, для участия в производстве контента. В настоящее время инструменты искусственного интеллекта захватили более 50% поставок контента, а эффективность команды выросла на 100–200%.

Логика этих двух сценариев, от сбоя питания до проектирования производства контента, очень схожа: превращение методов работы, изначально основанных на личном опыте, в возможности, к которым организация может обращаться неоднократно.

Конечно, по мере изменения деловых обстоятельств опыт может устареть. Поэтому вам необходимо вернуть результаты задачи в процесс.

Это последний упомянутый замкнутый цикл процесса проектирования.

Традиционные процессы обычно заранее разрабатываются людьми, и когда во время выполнения возникают проблемы, они проверяются и исправляются.

После выполнения каждой задачи система может измерять результаты в соответствии с заданными целями, выявлять проблемы при выполнении, а затем использовать обратную связь для корректировки следующего раунда задач. Таким образом, процесс больше не представляет собой набор фиксированных операционных спецификаций, а представляет собой систему, которую можно постоянно модифицировать по мере ведения бизнеса.

Робин Ли резюмировал это как «Измеримое + сокращение = непрерывная эволюция».

«Измеримый» означает, что результаты задачи должны иметь четкие критерии оценки, а «Lopping» означает, что выполнение, обратная связь и оптимизация должны образовывать непрерывный цикл.

Когда все больше и больше задач смогут завершить такой замкнутый цикл, организация больше не будет полагаться только на менеджеров для его продвижения, но сможет постоянно накапливать опыт и изменять процессы в повседневной деятельности.

Для поддержки такого замкнутого цикла одного API модели явно недостаточно.

Агентам необходимо понимать бизнес-цели предприятия, использовать данные, знания и инструменты из разных систем, а также иметь возможность непрерывно выполнять, оценивать и корректировать на основе обратной связи задачи с длинной цепочкой. Это предъявляет новые требования к базовой инфраструктуре.

Это также значение AI Cloud и Agent Infra, которое Шен Доу подчеркнул на Всемирной конференции Baidu 2026 года.

Согласно идее Baidu: нижний уровень Baige AI Infra обеспечивает поддержку вычислительной мощности, а верхний уровень Qianfan Agent Infra обеспечивает длительное управление контекстом, постоянную память, вызов инструментов, планирование субагентов, обратную связь по оценке и операционную среду, так что крупномасштабные долгосрочные задачи могут действительно завершить замкнутый цикл.

В полнофункциональной структуре «ядро-облако-модуль-тело» эти отношения поддержки будут более ясными: чип обеспечивает основу вычислительной мощности, облако обеспечивает инфраструктуру для работы и планирования агента, модель обеспечивает возможности понимания, рассуждения и генерации, а агент вводит конкретные задачи и бизнес-сценарии.

От должностей до задач, от личного опыта до организационного интеллекта и непрерывной итерации процессов — разумные организации меняют не эффективность работы определенной должности, а основную логику корпоративного производства и сотрудничества.

Далее нам нужно обратить внимание на то, как эти принципы воплощаются в жизнь: по-настоящему участвовать в бизнес-процессах и решать реальные проблемы?

03

Как развивается интеллектуальная организация внутри предприятия?

Судить о том, вошла ли компания в организацию AI Native, можно по тому, действительно ли ИИ меняет всю внутреннюю работу.

Возьмем, к примеру, бизнес-отдел цифровых человеческих инноваций Baidu.

Команда разрушает границы между работой над продуктом, исследованиями и разработками, проектированием и тестированием, способствует превращению всех сотрудников в разработчиков, а благодаря самостоятельно разработанному BiuBiuAgent некоторые требования могут выполняться одним человеком на протяжении всего процесса.

Только за третий квартал команда выполнила 564 производственных и исследовательских итерации, накопила 130 навыков и 729 организационных активов.

Поскольку Loops продолжает работать, объем производства и исследований на душу населения увеличился на 125,3%, а цикл поставок сократился на 28,8%. Новобранец из школы использовал искусственный интеллект, чтобы выполнить требование, которое раньше требовало пяти ролей и не менее 10 дней, чтобы выполнить всего за один день.

За быстро растущими цифрами стоит реальная «трансформация» ИИ среди корпоративных организаций.

Таким образом, сотрудники могут больше сосредоточиться на определении целей и организации процессов. Навыки и организационные активы, сформированные командой в ходе выполнения, могут быть использованы повторно, а опыт отдельного человека больше не исчезает после завершения задачи.

Другой пример – додо. Этот помощник по искусственному интеллекту, созданный командой из более чем десяти человек в Baidu, охватил 99% постоянных сотрудников через семь месяцев после его запуска и способствовал завершению дружественной к искусственному интеллекту трансформации более 300 корпоративных платформ.

Это также раскрывает аспект организационного интеллекта, который легко упустить из виду: предприятия не могут просто требовать от сотрудников, чтобы они научились использовать ИИ, но также должны обеспечить возможность взаимодействия существующих систем, данных и процессов с ИИ.

В противном случае, даже если агент сможет выполнить задачу определенного звена, по-настоящему раскрыть бизнес-цепочку будет сложно.

За последний год число ежедневных активных агентов в Baidu выросло примерно с 5 000 до 37 000, а количество эффективно выполняемых задач в неделю также выросло с 84 000 до более чем 1 миллиона.

Помимо расширения масштабов, одновременно происходит и накопление знаний: Baidu создала более 4300 рабочих мест и накопила более 20 000 общих навыков на уровне компании, постепенно преобразуя опыт, который изначально был разбросан между отдельными людьми и командами, в организационные возможности многократного использования.

Если практика Baidu демонстрирует изменения в методах организационного сотрудничества, то следующие случаи проверяют, сможет ли ИИ войти в реальный бизнес.

В южной энергосистеме Китая система Baidu Tiezi была внедрена в южную энергосистему, став «партнером Тяньсюань» для анализа и диагностики неисправностей распределительной сети.

В 2025 году в электросети Гуанси произойдет 8215 постоянных неисправностей. Традиционные ручные исследования и оценки каждый раз занимают более 60 минут и во многом зависят от опыта экспертов.

Партнеры Tianxuan изучили десятки тысяч исторических данных по устранению неисправностей, аккумулировали опыт старших экспертов в знания, которые можно использовать повторно, а затем соединили записи неисправностей, сигналы переключателей и топологию линий в цепочку доказательств, чтобы помочь в завершении анализа неисправностей.

По отзывам клиентов, эффективность анализа неисправностей выросла в 12 раз, точность анализа достигла более 80%, а опыт экспертов использован повторно. Его продвигали в 14 городах и 112 округах Гуанси.

Ценность этого типа приложений заключается не только в том, чтобы ускорить анализ неисправностей, но и в том, чтобы превратить опыт, первоначально находившийся в руках нескольких экспертов, в профессиональные возможности, которые могут постоянно использоваться системой.

Практика Higo Laser позволила использовать искусственный интеллект в более сложных процессах принятия решений на производственной площадке.

На производственной линии несколько шестиосных роботизированных манипуляторов должны работать вместе, чтобы завершить резку и обработку одной и той же заготовки. Раньше при выделении блоков траектории и определении последовательности выполнения мастера полагались главным образом на опыт; но когда количество роботизированных манипуляторов, задач обработки и ограничений процесса увеличивается, местные меры могут легко повлиять на общую эффективность.

Baidu Valou постоянно оптимизирует алгоритмы прогнозирования движения, требующего много времени, предотвращения столкновений нескольких машин и планирования распределения задач. Учитывая ограничения, такие как доступность роботизированной руки, зависимость от процесса и отсутствие столкновений, оно может сократить время программирования детали с 8 часов до 10 минут, решая проблему узких мест в отрасли.

От анализа неисправностей энергосистемы до совместного планирования роботизированных манипуляторов — эти два случая указывают на одно и то же изменение: вход ИИ в отрасль требует понимания отраслевых знаний, адаптации к бизнес-ограничениям и принятия результатов тестирования в реальных задачах.

Конечно, разумная организация не означает, что люди в ней неважны.

На конференции разговор между цифровым человеком Си Цзяцзя и Робином затронул эту тему.

Когда Сиджацзя спросил, может ли он стать генеральным директором, Робин ответил отрицательно.

По его мнению, генеральный директор должен понимать миссию и видение компании. ИИ может стать мыслительным партнером генерального директора, помогая ему повышать эффективность и вдохновляя, но не нужно спешить с заменой генерального директора.

Когда тема далее перешла на «Если ИИ проникнет во все уголки организации, что будет основной частью организации?» Ответ Робина был: люди.

Мы часто говорим, что ИИ не может заменить людей, но в практических приложениях все еще существуют опасения, что его заменят. Этот разговор позволил дифференцировать возможности исполнения и организационное направление ИИ.

ИИ может продолжать выполнять конкретные задачи, участвовать в анализе и вносить предложения, но окончательное решение о ценности существования предприятия и его будущем направлении по-прежнему остается за «людьми».

Это немного похоже на концепцию «DRI (Directly Responsible Person)», предложенную Apple на заре ее существования.

В Apple никогда не было ясно, кто за что отвечает. Проще говоря, ИИ может помочь вам принимать решения, но кто-то должен нести ответственность за конечные результаты и оценочные суждения.

Другими словами, интеллектуальные организации не отстраняют людей от процессов, а перераспределяют обязанности людей и агентов.

В будущем реальный разрыв между предприятиями будет заключаться в том, кто сможет внедрить ИИ в бизнес-потоки, накопить опыт в организационных активах и сформировать организационную систему, которая сможет продолжать работать и развиваться.

Оригинальные статьи с сайта Leifeng.com, несанкционированное воспроизведение запрещено. Подробности см. в инструкциях по перепечатке.

редактировать

Повторно отправить электронное письмо Изменить электронное письмо