朴谷分享 | 当Agent进场：麦肯锡的AI平台化与人才重构，服务＋AI＋软件的一体化交付

AI 正在重塑咨询公司！

在AI 时代，咨询行业的关键变化，并不止于PPT里多几张“模型架构图”，收费方式也不会再简单停留在传统的“人天计费”。真正的变革在于：交付方式的产品化与平台化，以及对“可验证结果”负责的交付逻辑。换言之，咨询不再只是“提供建议”，而是以可复用的技术与工具，承担更清晰的业务成果目标。

麦肯锡已经给出一个具象的“参考答案”：把自己重构为一台 AI 驱动的咨询“工厂”，既卖服务，也卖 AI 与软件能力，让咨询变成“可复制的生产”。

当下市场大致存在三类AI咨询机构：其一是传统咨询公司向AI加速转型；其二是AI原生的咨询公司；其三是软件公司用咨询放大落地与收入。本文聚焦第一类，并以麦肯锡为例展开。

一、从卖人力到卖“服务 + AI 平台”

麦肯锡搭建了 QuantumBlack Horizon 这一整套 AI 开发与交付平台，统一数据接入、模型开发、部署、监控与运维，相当于面向企业级 AI 的“生产底座”。在这个底座上，叠加供应链优化、实时运营分析、理赔分流等具体业务应用，让不同客户可以复用同一技术栈，显著降低单项目的边际成本，提高交付的可预测性与一致性。

在Horizon 之上，麦肯锡推出了 Frontline AI、Value Maximizer 等垂直场景工具：前者面向一线运营和服务效率，后者聚焦供应链与运营优化，通过标准化产品服务多家客户，形成了“平台 + 工具 + 方法论”的组合拳。

• Frontline AI：用于理赔分流与欺诈识别，承诺降低平均处理时间与人力成本，费用与节省成本、准确率等结果挂钩，而不是只收顾问费。这意味着更清晰的价值对齐与风险共担。

• Value Maximizer：用于库存与产能优化，帮助制造与零售客户减少缺货与库存占用，采用“长期合作 + 部分按绩效（例如节省的营运资本）收费”的模式，实质是“咨询 + 软件 + 托管服务”的组合。

商业模式的冲击十分直接：收费逻辑从“人天 + 项目费”向“按结果收费”演进，让服务更像与客户“共同投资一个商业方案”。当交付被平台与工具所放大，边际成本下降，一个被验证的 AI 方案可以跨行业、跨客户复制，在同样的顾问人力之上叠加出近似“软件公司”的规模效应。简单说：传统咨询卖的是“聪明人的时间”，新一代咨询卖的是“聪明人 + 一整套 AI 工厂”的综合产能。

Horizon、Frontline 等工具如何重构业务形态 如果拆开看，Horizon 及其工具家族，实际上把咨询交付拆解为若干可复制的“模块”：

• Horizon：承担“AI 基础设施”，覆盖数据接入、特征工程、模型训练与评估、MLOps、监控与治理，帮助客户搭建可持续运行的 AI 能力，而不是一次性的模型 Demo。其价值在于“可运维、可升级、可合规”的全生命周期体系。

• Frontline AI：聚焦“服务运营与一线员工”，通过实时自动化、智能排班、决策提示与AI教练等，让呼叫中心、门店、客服等场景实现更高效率与一致性体验。

对咨询公司而言，这意味着交付方式从“每次从 0 到 1 重新搭模型”，转向“基于现有产品快速定制与集成”。项目节奏更快、实施风险更可控、交付质量更稳定，议价权也随之增强。同时，项目收尾后，客户往往会续用这套平台与工具，形成“项目 + 订阅/托管”的长期关系，开始享受类SaaS的持续性收入与更高客户黏性。Horizon + 行业工具，成为从“单次咨询”迈向“长期运营伙伴”的关键抓手。

二、内部人才与运营：人不变强，AI 也只是玩具

外部呈现的是平台与产品，内部真正发生巨变的是组织与人才。AI 新时代，咨询公司的招聘标准、组织架构与管理方法都在重塑。

目前麦肯锡正在重点培养与招募的岗位包括：

• 数据管理官（Data Steward）：建立并守护数据标准、质量、权限与合规，确保 Lilli、Horizon、Frontline 等系统入口数据可靠、安全、可追溯，堪称 AI 工厂的“水电管理员”，决定了系统是否可规模化运行。

• AI 领导者与产品负责人：在业务线上承担“把 AI 落地成业务价值”的责任，既要懂模型，也要懂场景，负责用例选择、流程设计、推动一线团队采用，并对最终成效负责。核心能力是“问题到价值”的全链路闭环。

组织层面，麦肯锡把“会与 AI 协作”写入顾问的基础要求，将大量重复性研读、检索、初稿撰写工作交给 Agent，人类顾问更多聚焦问题拆解、客户沟通与关键判断。管理者也需要同时对“人”和“Agent”负责，学会编排人机协同流程，对 AI 输出进行治理与质检，而不是仅“分派任务 + 审批PPT”。未来的人才画像，不再是“高智商 + Excel + PPT”，而是“高智商 + 懂业务 + 会调度 AI 工具栈”，最好是“全栈型人才”，能在问题定义、数据到价值、技术到业务之间自如切换。

三、未来战略咨询：卖服务、卖AI，还是卖软件？

以麦肯锡为参照，战略咨询的未来大概率将呈现多形态并存、相互融合的格局：

• 卖服务：传统模式仍将存在，尤其在高度定制、强关系与敏感决策领域，“人和判断”始终是核心。AI 更像“内功”，不是单独报价的一行条款。

• 卖“服务 + AI”：交付过程中，以平台、Agent、行业工具为“标配”，用更少的人力、更可追踪的指标，提供更快、更稳、更可量化的结果。

• 卖“服务 + AI + 软件”：部分公司将演进为“咨询驱动的SaaS/平台公司”，用咨询保障落地，用软件沉淀长期关系与可复用资产，成为“战略顾问 + 行业软件商”的混合体。

我们在探索AI 原生咨询的同时，也在辅导一些成长型咨询公司更好地使用 AI 工具、沉淀行业知识、搭建可持续交付体系。如果你对这方面内容感兴趣，欢迎邮件联系：contact-growth@proton.me。

如果把AI 时代咨询公司的盈利模式拆解，会发现服务各阶段可能对应不同收费方式：

• 前期：战略诊断与设计，收一次性的高附加值服务费。

• 中期：基于 Horizon 类平台落地解决方案，收项目费 + 实施费。

• 后期：持续运营优化，按订阅/托管服务 + 部分绩效分成收费。

这三段往往需要不同能力组合：前期更偏战略与转型设计，中期更偏技术方案与AI工程能力，后期强调持续运营与变革管理。传统咨询在“落地执行”上的短板，在 AI 时代必须补齐。因为当你还只卖“人力服务”，而同行已经在卖“人力 + AI 工厂 + 软件”，客户的对比迟早会发生，且差距会被放大。

开放问题：要不要向客户说明“用了 AI”？我们认为：这是未来的卖点 一个看似细节却很关键的问题：未来的咨询交付中，是否要向客户明确说明本次项目中，有多少工作由 AI 完成或辅助？

首先是信任与透明。咨询本质上是强信任合作，透明更有助于建立信心。

其次，当 AI 真正带来效率与质量优势，“会用 AI”本身就应成为核心卖点，而不是讳莫如深的“内部秘技”。它类似过往的“全球最佳实践数据库”，可以成为吸引客户的重要资产。

再者，如果收费开始部分与结果挂钩，客户自然会关心效率与准确率的来源。清晰说明 AI 的角色，有助于解释“为什么值这个价格”，而不是仅靠“品牌溢价”。

能把AI 用好的咨询公司，会把“AI 原生的交付能力”打造为核心竞争力与对外卖点，而不是避而不谈的“内功”。留给行业的问题是：当你下一次以咨询公司的身份站在客户面前，你会如何介绍团队与 AI 的关系？是“我们也在用一些 AI 工具”，还是“我们的交付流程本身就是为 AI 重构的”？

朴谷观点

• 从“人力密集”到“资产驱动”：咨询公司需要系统性建设“可复用的交付资产”，包括行业数据标准、场景化算法模板、可插拔的Agent与评测治理框架，把“个别顾问的经验”沉淀为“组织级能力”。

• 明确“结果导向”的商业与治理：在按结果收费的合同中，建议与客户共建目标树与指标口径（如效率提升、错误率下降、营运资本改善等），配套基线测量、AB对照与责任边界，避免“绩效争议”影响合作。

• 强化数据与合规底座：Data Steward 体系应前置到售前阶段，统一数据血缘、权限、留存策略与审计追踪，确保跨项目复用时的安全与合规；同时建立“模型与Agent”的上线评审、漂移监测与复盘闭环。

• 人机协同的组织再设计：将“与AI协作能力”纳入岗位任职资格与绩效考核；管理者需具备“编排人—Agent工作流”的能力，形成标准化的任务分解、质检与风控机制，降低依赖个人英雄主义。

• 商业化路径组合：根据客户成熟度与场景复杂度，提供“咨询（发现问题）—实施（技术落地）—运营（持续优化）”的产品化套餐；对可复用场景优先采用订阅/托管，逐步构建可持续的经常性收入。

• 选择与聚焦：并非所有问题都值得产品化。建议聚焦“高频、可量化、跨行业可迁移”的痛点，优先打造拳头工具，形成“少而精、可扩展”的产品矩阵，再以项目制拓展边界。

• 对外透明即品牌资产：在合规与保密范围内，透明展示AI在交付中的角色、方法与质控机制，有助于建立“可验证的专业形象”，把“善用AI”转化为显性价值承诺与差异化优势。

在我们看来，AI 不会替代真正懂行业、懂业务的咨询，但会快速淘汰“只卖时间、不重资产”的咨询。谁先把“AI 工厂”变成面向客户的稳定产能，谁就能在新一轮行业洗牌中占据上风。

Disclaimer: The information provided in this article is for general informational purposes only and does not constitute financial advice.