长篇专访｜钟天炜：从信息化到智能体，企业正在迎来一次组织能力重构

前言

整理完这次长达3个小时的对话，我最先删掉的，是“传统IT人转型做AI”这个标签。它不能算错，却把事情说得太轻了。

钟天炜不是在大模型出现以后，才开始研究技术怎样进入业务。早在2001年，他接触的就是企业搜索、知识管理、竞争情报、文本挖掘和舆情分析。后来，他从程序开发走到项目管理、顾问咨询和公司经营，又从乙方进入大型金融企业总部，参与企业架构、数据中心和信息化战略规划。

今天，他把这些经历重新放到智能体时代，试图解决一个看起来简单、实际很难的问题：企业已经采购或者订阅了AI工具、员工也开始尝试，AI为什么仍然进不了真实工作？

他的答案并非从大模型开始。他更关心经营目标、业务流程和数据基础，关心AI要承担什么岗位、交付什么结果，哪些地方必须由人审核，出了问题由谁负责。

这也是钟天炜现在给自己的定位：企业AI落地与智能体应用顾问。他不替企业追逐每一个新工具，而是帮助管理层、业务部门和技术团队，把AI变成一套可执行、可协作、可验收的工作系统。

从文本挖掘开始：他的AI经历比大模型早了二十年

2001年，钟天炜进入拓尔思（SZ.300229），一家从中文全文检索技术和文本挖掘技术起家的软件企业。当时行业谈的不是大模型，而是信息检索、非结构化数据、企业搜索、知识管理、竞争情报和文本挖掘。今天企业希望AI读懂内部文档、调用业务知识、分析海量文本，这些需求和二十多年前的技术并非毫无关系，只是处理能力和使用方式发生了巨大变化。

“我不是从ChatGPT出现以后才开始理解AI应用。过去叫文本挖掘、数据挖掘、企业搜索，现在叫大模型、知识库、智能体。技术在变，但企业始终要回答同一个问题：信息怎样进入决策，系统怎样进入业务。”

在拓尔思的十一年里，他从程序开发、项目实施做起，后来历任项目经理、华南区顾问部经理、深圳分公司总经理、华南区市场总监。服务对象包括政府、媒体、大型企业和科研院校，涉及战略管理、竞争情报、舆情管理、企业搜索、知识管理等业务。涉及的“服务”并不只是把一套软件安装到客户现场。面对大型组织，顾问要先听懂客户真正的问题，再把模糊需求转成方案、项目路径和验收结果。

他的MBA论文也围绕企业舆情系统构建展开。舆情系统的本质，是把大量非结构化信息转成组织可以使用的判断依据。多年以后，当企业开始讨论RAG、知识库和智能助手时，他看到的是一条延续下来的技术线，而不是一批突然从天而降的新名词。

11年乙方、4年甲方：他真正积累的是组织视角

2012年，钟天炜进入人保财险总部信息技术部。身份变化以后，他对项目的判断也变了。乙方关注需求、方案、竞争和交付，甲方还要处理预算、决策、资源、风险和长期运营。一个方案在技术上成立，并不意味着它在组织里一定推得动。

在人保财险期间，他参与全国大集中、企业架构、数据中心顶层设计、双活中心规划和“十三五”信息化规划。这些工作让他看见大型组织内部更真实的一面：项目为什么启动，谁能推动，部门之间怎样协同，建设完成后由谁接管，后续投入从哪里来。

“很多项目不是方案不对，而是组织没有准备好。目标没有统一，责任没有落到人，部门之间没有协作接口，最后就会停在会上、停在PPT里。”这段甲方经历，后来直接影响了他对企业AI的判断。

一个AI助手能写出报告，不代表企业已经具备AI能力。真正进入业务以后，数据权限、判断依据、人工复核、异常处理、结果验收和持续维护都会出现。Demo证明一件事可能做得出来，组织要回答的是：这件事能不能长期用，出了问题谁来接。

大模型带来的，不只是一次工具升级

近几年，钟天炜参与新媒体运营、教育服务、智慧助老和企业AI应用，也把AI用于课程开发、知识库建设、项目申报、内容生产和多项目协作。看上去跨度很大，他却把它们视为同一类问题：知识怎样被组织，经验怎样被调用，复杂任务怎样从一个人的能力变成可重复的工作方式。这也是他理解大模型的起点。

“互联网主要改变了企业连接信息和连接人的方式。AI再往前走了一步，它开始参与理解、判断和执行。它影响的就不只是效率，而是企业怎样分配工作、怎样使用知识、怎样形成决策。”

在他看来，如果AI只活在少数员工的聊天窗口里，它仍然是一种个人能力。只有当它接入业务流程，能够使用组织的知识，接受明确的责任约束，并且有人对结果负责，AI才开始成为企业能力。这句话也解释了他为什么很少用“学会几个工具”来衡量一家企业的AI水平。

“会使用AI的人越来越多，真正稀缺的是能把AI放进组织里的人。前者提高个人效率，后者改变企业的工作方式。”

最重要的能力，是让三种语言彼此听懂

许多企业的AI项目，最初都来自管理层一句方向正确、但还无法执行的话：“我们也要把AI用起来。”

业务部门知道哪里费时、哪里容易出错，却不一定能把经验说成系统需求；技术团队能够判断模型、数据和接口，却未必理解一个业务结果为什么可用或不可用；外部供应商善于展示能力，企业内部还需要有人判断，这些能力究竟应该进入哪一段流程。钟天炜把这称为企业AI落地中的“翻译断层”。

“我做的事情，是把老板的一句话，转成企业可以推进的问题；把业务人员脑子里的经验，转成可以描述和验证的规则；再把技术能够实现的东西，转成管理层看得懂、业务部门愿意用的结果。”

这项能力很难从一张技术证书里获得。它来自他二十余年职业经历的叠加：做过乙方，知道方案怎样设计和交付；做过甲方，理解预算、决策和部门协同；做过开发和技术规划，能够与技术团队讨论实现边界；管理过公司和项目，知道结果最终要由组织承担；长期从事顾问工作，习惯在模糊问题中寻找可以行动的抓手。

他曾将这些经历概括为五种视角：甲方、乙方、技术、管理和顾问。但与其把它看作一个能力清单，不如把它理解为一种工作方式：面对同一个AI项目，他会同时追问价值、可行性、协作成本、落地阻力和长期运营，而不是只判断“能不能做”。

AI不会替企业消灭混乱，它往往先把混乱放大

谈到企业AI，钟天炜有一个并不讨巧的判断：很多所谓的技术问题，最后会暴露为管理问题。

企业原来可以依靠熟练员工、口头交代和长期默契维持工作。换成智能体以后，目标是否清楚、资料放在哪里、判断标准是什么、谁能授权、出了例外找谁，这些过去被隐藏的问题都会浮上来。

“AI不会自动让一个混乱的流程变得先进。流程说不清、责任分不清、数据找不到，AI只会更快地复制这种混乱。”所以，他并不把智能体看成一位凭空出现的“超级员工”。AI的能力可以来自通用模型，但企业需要的判断，往往来自内部积累的客户信息、产品知识、业务规则、历史案例和管理经验。

“通用模型给企业的是公共智力，企业自己的数据、规则和经验，才会形成差异。模型决定AI能做多快，组织积累决定它能走多远。”

这也是他不断强调知识库和数据资产的原因。真正有价值的企业AI项目，不只是生成一份看起来不错的答案，还应该把散落在个人电脑、微信群和老员工脑中的经验逐步沉淀下来。AI在使用这些经验，企业也在重新认识自己拥有什么。

不能站在岸上谈AI

钟天炜对智能体的认识，很大一部分来自自己下场使用。在他自己组织的智能体项目建设中，他没有直接让AI写代码，而是先让一个智能体承担“项目经理”角色，围绕用户、业务模式、系统边界和优先级连续提出问题，形成整套文档体系、记忆体系、项目管理体系后，其他智能体随后才按不同角色进入项目。

这些案例的价值不在于用了多少模型，也不在于是否实现了无人开发。它验证了一个很重要的判断：当智能体开始处理复杂任务，人的价值不会消失，但会向更上游移动。

“过去我们亲自完成很多任务。以后，人更重要的工作是定义目标、组织协作、判断质量和承担责任。AI接走的是一部分执行，人必须补上的是管理。”他也清楚AI的边界。涉及事实、数字、政策、合同和重要决策，生成结果必须回到来源和人工判断。让AI参与得更深，不等于把责任交给AI。

顾问的价值，不是替企业制造另一个依赖

钟天炜并不把自己定位成生产级代码交付工程师，也不愿把工作缩减为一次工具培训。前者容易把企业AI变成单纯的技术建设，后者往往在课堂结束后就失去后续。两者都可能有价值，但企业在真正启动AI项目之前，还需要有人帮助管理层看清方向：哪些问题值得优先解决，现有数据能支撑到什么程度，业务部门与技术团队怎样形成共识，项目完成后由谁使用和维护。这正是他希望承担的位置。

“顾问不是替企业做完所有事情，也不是让客户长期依赖自己。顾问的价值，是帮助企业少走弯路，把模糊的愿望变成可判断的选择，再把一次项目变成组织以后还能继续使用的能力。”

因此，他参与合作时，往往更重视前期诊断、场景选择和组织共识，也愿意在试点阶段连接老板、业务人员、技术团队和外部供应商。必要时，他可以讲清技术；但他的主要任务，是保证所有人讨论的是同一个业务问题，并且最终有结果可以验收。

什么样的企业，最需要这样的角色

采访接近尾声时，我问钟天炜：什么情况下，企业最适合引入类似你这样的角色？

“当老板已经意识到AI重要，却不知道应该从哪里进入；当员工各自使用工具，却无法形成共同流程；当业务部门和技术团队反复沟通，仍然说不清需求和验收标准；或者企业做过几个演示，最后没有人真正使用，这些时候，我们的经验可能最有价值。”

这类合作可以从管理层的一次AI落地诊断开始，也可以围绕一个具体业务场景，完成智能体应用设计和试点陪跑。对于需要建立内部共识的企业，他也会通过管理层培训和业务工作坊，让团队先形成同一种语言，再决定技术怎么进入。

他的应用经验还延伸到AI与教育、智慧助老、新媒体运营和知识型工作的结合。这些方向并不是对企业顾问定位的稀释。相反，它们让他持续面对真实用户、真实流程和真实交付，也让他能够与不同领域的合作伙伴共同设计新的服务和产品。

从“组织翻译者”到FDE：AI落地需要新的复合角色

大模型解决了许多技术问题，却没有自动解决技术怎样进入组织的问题。随着模型能力逐渐普及，AI竞争正在从工具能力的竞争，转向企业落地能力的竞争。

企业真正缺少的，是一批站在管理、业务与技术之间的“组织翻译者”：把管理层的目标转化为可以推进的业务问题，把业务人员的经验转化为数据、规则和流程，再把模型与智能体能力转化为能够使用、管理和验收的工作系统。

在AI to B领域，FDE为这种角色提供了一种更具体的参照。FDE是Forward Deployed Engineer的缩写，通常译为前线部署工程师或前置部署工程师。严格意义上的FDE具有很强的工程属性，但它的核心价值不只是写代码，而是深入客户现场，连接客户、产品与研发，推动AI从需求发现走向生产应用。

FDE也不应退化为换了名称的传统咨询或定制交付。它一方面解决现场问题，另一方面把经过验证的共性需求沉淀为可复用的工具、组件和产品能力，让客户实践反过来推动产品演进。

对于OPC或小型企业，这种复合能力可能最初集中在创始人或一名负责人身上；企业规模扩大以后，则需要由业务、产品、技术和交付人员共同形成FDE式协作机制。外部团队可以帮助启动，但企业最终要在内部形成理解场景、组织技术、判断效果并持续迭代的能力。因此，未来的AI人才结构不能只有模型研发人员和工具使用者，还需要大量能够连接战略、场景、产品与技术的复合型人才。AI时代的基础设施，也不只有算力、模型和数据，还包括让技术真正进入组织的FDE式人才与协作机制。

AI的未来，不只取决于模型能够走多远，更取决于有多少人能够把技术带进真实的组织、产业与生活。当这种连接能力成为企业和社会的共同基础，人工智能才会从少数人的技术突破，转化为多数人的生产力。