百度李彦宏最新判断：“没有一家公司会因为用了几个AI工具，一夜之间就变得更有竞争力”，下一幕是智能组织,真正的智能组织如何建设？
文/田志刚 微信号：511956894
11月12日，李彦宏在 “百度世界 2026” 提出，AI 的下一幕是智能组织。
企业不能只把AI当成个人提效工具，还要让智能体进入真实业务，围绕AI 重新设计组织。
他提出三个原则：打破岗位边界、沉淀隐性知识、设计流程闭环。
这触及企业 AI 应用中一个重要问题：员工写方案更快了，查资料更方便了，上线的智能体更多了，企业为什么未必因此更强？
个人效率提高与企业能力提升之间，还有很长一段路。
智能体要进入业务，必须知道事情该怎么做、复杂情况怎么判断、做到什么程度算合格。这些内容，一部分写在制度和流程里，一部分分散在业务系统里，还有大量存在于专业人员头脑中。
于是真正的问题浮现出来：组织智能所需的知识从哪里来？怎样成为整个组织能用的能力？又如何持续更新？
一、企业难以复制的优势，存在于集体知识之中
苹果的优势，可以从产品定义、工业设计、软硬件协同、供应链与客户体验等领域知识的整合来理解；英伟达涉及芯片、系统、软件与开发者生态；Google 涉及搜索、计算基础设施、AI 研究与商业应用。
这些企业都需要不同专业人员共同工作，任何一个环节知识不足，或知识之间无法有效连接，都可能影响最终成果。
竞争对手可以购买类似的设备、采购相同的软件、招到优秀的人，却很难迅速复制一个组织长期形成的判断方法、技术诀窍和协同方式。
从知识管理角度看，这里有两个维度：
按掌握和使用的主体，可分为个人知识与集体知识；按独特性和可获得性，可分为公共知识与私有知识。
个人知识未必私有，集体知识也未必独有。具有较强竞争价值的，往往是企业在特定技术、产品、客户和业务环境中形成的私有集体知识。
这类知识既包括 “知道什么”，也包括在什么条件下怎么判断、怎么行动、不同专业之间怎么协同。
大模型降低了通用知识的获取门槛：
普通员工更容易了解陌生领域、分析资料、写程序、出方案。但当同行都能获得相近的模型能力时，企业自身能提供什么业务条件，就变得更重要。
以研发异常诊断为例，AI 能解释某种材料的性质，也能列出产品异常的常见原因。可面对企业某一次具体异常时，它还需要知道：涉及哪些批次？工艺条件发生过什么变化？历史上做过哪些试验？不同原因有哪些区别性特征？什么证据能排除某种解释？
这里面有业务系统里的数据、文档里的技术知识，也有专家长期实践形成的判断依据。
缺少这些关键内容，AI 即便能列出一份看似全面的原因清单，也可能难以有效缩小排查范围。
通用知识让 AI 能够参与讨论，企业特定的数据、信息与知识，则影响它能否深入真实任务。
二、专家解决新问题的过程，也是企业在生产新知识
企业的技术诀窍、客户认识和管理方法，通常来自专业人员长期解决问题的实践。这里的专家级员工，包括技术、研发、销售等专业人员，也包括在战略判断、经营决策、组织协调、人才培养上达到高水平的管理者。
专家级描述的是专业水平，并不等同于职称、学历或职位。
面对熟悉的问题，专家能有效调用已有知识；面对没有现成答案的新问题，他还要发现知识不足、获取外部信息、提出假设并通过实践验证。
比如研发专家处理一次异常时，已有理论会给出几个可能方向，却无法解释全部现象。
他需要比较批次、分析条件、设计试验，逐步排除错误解释，最后形成新认识。这个过程可能揭示一个此前没被注意到的关联，也可能明确某种方法的适用边界。
AI 也能参与其中，辅助发现关联、提出假设、设计验证方案。
但无论认识来自专家还是 AI，一个合理的解释都不等于可靠的业务知识，还要通过数据、试验和实际应用检验，并明确适用条件。
这类成果未必能写成论文，也未必适用于全行业，但对这家企业可能很关键。
专家解决复杂问题，可以同时产出两类成果：当前的业务结果，以及未来可复用的知识。
遗憾的是，很多企业主要关注前者。
设备恢复了、项目完成了、客户问题处理了，任务就结束。至于过程中形成了什么新认识、哪些条件改变了原有判断，却缺少后续分析。
结果是，问题解决了不少，组织依然反复依赖少数人；专家创造过的知识，没有充分变成企业能持续使用的资产。
三、从 “有人会做” 到 “组织会做”，不是经验萃取而是知识建模
企业有专家、有文档，不等于已经形成了相应的组织能力。
首先，会做的人未必说得清自己为什么这样做。
很多判断已经熟练到不再需要刻意思考，专家不一定意识到自己使用了哪些线索、排除了哪些可能。
其次，一个成功案例也不自动构成可复用的知识。
某次异常靠调整参数解决了，就记一句 “出现这种现象就调整参数”，可能非常危险：同样的现象可能来自不同原因，同样的措施在不同条件下，结果也不一样。
要让知识可复用，必须进一步追问：
有哪些候选原因？每一种需要什么证据？怎样区分？措施适用于哪些条件？出现什么情况必须重新判断？
知识建模，就是把这些信息需求、判断依据、关联和适用条件逐步分析清楚，形成能被理解、检验和更新的表达。
它可以表现为结构化条目、判断表、决策树或任务模型，不必一开始就建复杂的知识图谱。
完成知识建模也还不算结束。
知识要进入业务流程，让员工和 AI 在关键节点能够调用；应用中出现的错误、例外和条件变化，还要能反馈回来。从个人能力到组织能力，需要开展分析、表达、验证、应用和更新等相互衔接、反复迭代的工作，单靠收集文档无法替代。
建模也要考虑投入与收益：优先选择影响业务结果、反复依赖专家判断、有复用价值的任务；对于高度开放的问题，先理清需要什么信息、要检验哪些假设，不必追求固定而完备的决策模型。
具体可以选取一项影响质量、效率或客户价值的业务，先界定 “什么表现算做好”，再分析支撑这种表现的知识要求。
这就是知识管理中心KTAF知识任务分析的基本思路：从表现目标出发，分析关键任务、判断与行动，识别所需的数据、信息和知识，再对照现状找出缺口。
仍以异常诊断为例，除了 “AI 能不能回答技术问题”，还需要研究它能否区分不同异常、找到需要补充的证据、缩小原因范围，以及判断什么时候必须交给专家。
这样分析后，缺口可能分散在不同地方：有些数据还没采集，有些系统还没打通，有些知识还没被表达出来，有些判断甚至还没有可靠答案，需要继续研究。不同缺口要用不同办法解决，不能一律变成 “再往知识库上传一些资料”。
知识需求明确了，才好设计人与 AI 的分工：哪些信息自动获取，哪些分析由 AI 辅助，哪些判断需人工确认，谁对结果负责，怎么评价效果。
知识建模与流程重构也要配合：前者说清完成任务需要知道什么，后者让这些知识真正进入行动。
四、还有一个长期问题：下一代专家从哪里来
AI 能帮专家检索资料、比较假设、分析数据、探索方案。
经过建模和验证的知识，又能被更多员工和 AI 系统使用。专家的价值因此可以在两个层次上放大：个人研究和创造知识的效率，以及知识在整个组织中的应用范围。
但企业不能只靠现有专家：资深员工会退休或离开，业务环境会变化，新问题会不断出现。与此同时，AI 接手更多基础工作后，新人获得实践、反馈和判断训练的机会也需要重新安排。
过去的培训主要帮员工达到岗位胜任水平。至于怎么从胜任走向专家，常见建议是多学习、多实践、多思考、多复盘。
这些建议没错，却没有回答一个更具体的问题：达到高水平究竟要掌握什么？现在还缺什么？
一位企业总工曾向我讲述，新员工问他：“我该怎么努力，才能成为你这样的总工？” 他回答要多干活、多思考、多学习。后来他觉得这话没真正帮到年轻人：一起工作的人也很努力，最终成为高手的并不多。
工作中的成长，需要自己发现知识目标，而企业要系统培养专家，就得帮员工把这个目标具体化。关于相关方法论的具体内容，可以联系我们的微信号：511956894 交流。
分析高水平任务表现背后的知识体系，员工才能更清楚地识别缺口，再做针对性的学习、实践和验证。
它代替不了长期历练，也不能保证人人成为专家，但能让成长少一些盲目摸索。
五、让专家培养、知识生产与 AI 应用形成持续循环
这几件事可以围绕真实业务一起推进：让资深专家和经验较少的员工共同研究一个关键任务：新人作为知识需求方，提出不理解、不会判断的问题；专家提供专业认识与实践经验；建模人员帮助分析其中的信息需求、知识关联和情境条件。
目标在于共同构建完成任务所需的知识体系。新人提问的价值，恰恰在于暴露那些原本没被说清楚的地方。
过程中还要请其他专家交叉讨论，与外部知识和证据比对，再用真实任务验证。专家经验也有局限，不能未经检验就固化成组织标准。
验证过的知识，既可以用于员工学习和实践，也可以接入 AI 与业务流程。新的应用结果又会暴露新问题，推动知识继续更新。
这样，企业可能同时获得三类成果：业务表现改善、员工专业水平提升、组织知识积累。
要让这个循环长期运转，还需要组织安排。知识共建要纳入正式工作，给专家时间和方法支持，认可知识复用、业务改善和新人独立能力提升等贡献。
应用结果不符合预期时，还要分清是数据有误、知识使用不当、适用条件变化，还是原有认识本身需要修正：
谁组织复核、谁批准更新，重要知识的依据、适用范围与版本如何留存，都要明确，让旧认识可以被质疑，让修订有据可查。
从知识管理角度看，流程闭环还应连接知识更新与专家成长：业务暴露问题，推动知识修正；参与研究和验证的人，也在这个过程中形成更高水平的判断能力。
结语
AI 可以参与知识创造、扩大知识的应用范围，但企业仍然离不开知识需求分析、专业判断和实践验证。
企业今天掌握的知识会过时，现有优势会被追赶。组织需要持续发现新问题、形成新认识，再把它们转化为产品、服务、流程和管理能力。
所以，建设智能组织要同时做好三件事：
持续培养能处理复杂问题的专家，持续创造、验证和更新组织知识，让人与 AI 在真实业务中有效运用这些知识。
真正值得长期投资的，是这套机制：持续培养专家、生产知识，并把知识转化为组织能力。
让个人的专业判断成为整个组织能运用的能力，让一次问题的解决成为下一次进步的起点，智能组织才能持续成长。（本文作者为知名知识管理专家田志刚，您可以通过微信号511956894联系他，本文摘自《专家级知识体系》。）
