第十四章 咨询顾问的终局

引子：金字塔的裂缝

咨询行业有一个金字塔结构，运行了半个世纪，一直运转良好。

塔底是初级顾问——做数据收集、基础分析、PPT制作。塔中是项目经理——协调团队、管理客户关系、控制项目进度。塔顶是合伙人——做战略判断、客户开发、知识沉淀。金字塔的逻辑是：初级顾问通过做基础工作学习行业知识，逐步成长为项目经理，再成长为合伙人。每一层都是上一层的人才储备。

正如上一章所述，AI正在系统性地拆掉初级岗位这座"学用转换桥梁"——Gartner调查显示22%的企业因AI停止了初级岗位招聘，PwC计划到FY2028将初级关联人削减32%（审计部门更高达39%），Resume.org的数据显示21%的企业已冻结初级招聘且预计2027年将达到47%，Fortune和GMAC的调查发现三分之一的雇主正在用AI替代初级岗位。这些数据的完整出处详见上一章。

金字塔的底座正在被AI挖空。底座没了，中层和顶层从哪里来？金字塔从来都是从下往上塌的——从上往下塌的叫爆破，不叫塌方。

第一节：金字塔模式的结构性崩塌

金字塔的隐性功能

金字塔是一套人才培养机制，而非单纯的人力资源结构。

初级顾问做数据收集和基础分析，看起来是"打杂"，实际上在练两件事：一是熟悉行业数据和信息的来源（积累D和R的素材），二是在真实项目中观察高级顾问怎么做因果推理（隐性学习L）。

项目经理协调团队和管理客户，看起来是"管事"，实际上在练因果推理的中间能力——从"看到问题"到"设计方案"的转化。

合伙人做战略判断和知识沉淀，看起来是"拍板"，实际上在用积累的L做因果推理——"这个方案为什么有效""这个客户的真正问题在哪里"。

金字塔的每一层都在为上一层培养L能力。初级层积累D和R素材，项目经理层练习L推理，合伙人层运用L判断。三层层层递进，形成完整的L成长路径。底座塌了，这条路径就断了。

AI如何挖空底座

AI正在系统性地替代初级顾问的工作——而且做得更好、更快、更便宜。

数据收集？AI可以自动从数据库、API、网页抓取数据，几秒钟完成初级顾问几天的工作。基础分析？AI可以做统计分析、趋势识别、对标比较，输出比初级顾问更全面。PPT制作？AI可以根据分析结果自动生成演示文稿，格式比初级顾问更规范。

但AI替代的远不止"初级顾问的工作"——它替代的是初级顾问的学习机会。做数据收集时，初级顾问在熟悉行业数据的结构和质量——这是D和R素材的积累。做基础分析时，初级顾问在理解数据背后的业务含义——这是L的初步感知。做PPT时，初级顾问在学习如何把分析结果结构化呈现——这是因果链的表达练习。

AI把这些工作接管了，初级顾问的L成长路径也被切断了。这与其说是"少招几个初级顾问"的问题，不如说是"从初级到高级的成长阶梯消失了"的问题。好比拆掉了大学的实验室——楼还在，课还在上，但学生没地方做实验了。

上一章我们讲了"学用桥梁断裂"——咨询行业的金字塔底座就是那座桥。桥断了，新的高级顾问从哪里来？

塌方传导

底座塌方会向上传导。

初级顾问少了→项目经理的后备人才少了→几年后项目经理短缺→合伙人的后备人才少了→再过几年合伙人短缺。金字塔的塌方是一个缓慢塌陷的过程，从底座开始，逐层向上。

但塌方传导有一个加速因素：AI并非静态的。AI的能力每年都在提升——今天AI能做初级顾问的工作，明天AI就能做项目经理的工作。当AI能做项目协调、进度管理、客户沟通时，项目经理层也会被挖空。当AI能做战略分析、方案设计、因果推理时（这一步需要因果模型——AI原生咨询公司正在构建），合伙人层也会被冲击。

金字塔的塌方源于AI从底座开始逐层向上侵蚀，每一层的侵蚀都加速了上一层的到来。

第二节：AI原生咨询公司的降维打击

从"提效"到"重写"

传统咨询公司用AI做什么？提效。用AI帮初级顾问做数据收集，用AI帮项目经理做分析，用AI帮合伙人做报告。金字塔结构不变，只是每层效率提升了。

AI原生咨询公司做什么？重写。它从第一天起就不建金字塔——它用AI+因果模型直接构建扁平的解决问题的组织。

AI原生咨询公司的架构：少量因果建模顾问（人）+ 大规模AI能力（系统）+ 因果模型库（数据）。因果建模顾问构建和验证L，AI调用L做规模化的D和R处理，因果模型库积累和进化L。

这个架构没有金字塔——没有"初级层做杂活、中层做管理、顶层做判断"的层级。它只有两个角色：人做L（因果推理），AI做D和R（规模执行）。人的数量不需要多——因为D和R的规模工作AI做了。但每个人必须是因果建模者——因为L是唯一不能被AI替代的。传统金字塔像一支军队——兵多将广，层层指挥。AI原生咨询公司像一个狙击手——人少，但每一枪都有因果模型瞄准。

降维打击的机制

AI原生咨询公司对传统咨询公司的降维打击，核心在于因果逻辑不同。

传统咨询公司的因果逻辑：经验丰富的人（隐性L）→ 做分析、做判断、做方案 → 交付客户。L在人脑中，不可复制、不可检验、不可积累。

AI原生咨询公司的因果逻辑：因果模型库（显性L）→ AI调用L做规模分析 → 因果建模顾问验证和修正L → 交付客户。L在模型库里，可复制、可检验、可积累。

两个因果逻辑的差距会随时间放大。传统公司的隐性L不能积累——合伙人退休了，L跟着走了。AI原生公司的显性L可以积累——每个项目的L都存在模型库里，越做越丰富。一年后，传统公司的L和去年差不多（合伙人还是那些人）；AI原生公司的L比去年丰富了一倍（模型库积累了一年）。

三年后，差距不可逆转。五年后，传统公司不存在了。这并非危言耸听——指数增长的力量在前期看起来温和，在后期突然碾压。

传统咨询公司的转型困境

传统咨询公司并非不知道AI的威胁——它们在积极"转型"。但转型方向错了。

大多数传统咨询公司的"转型"是：买AI工具、建AI团队、做AI服务。但它们的底层逻辑没变——还是金字塔结构，还是经验驱动的决策方式。AI只是工具，不是核心能力。

真正的转型是建因果模型库。把合伙人的隐性L用DLR提取出来，变成显性L存入模型库，让AI调用L做因果推理。这与其说是买工具的事，不如说是能力重构的事。

但这个转型会遇到巨大阻力——来自合伙人。合伙人的话语权来自他们的隐性L——"我二十年的行业经验"。把隐性L显性化，等于把合伙人的核心竞争力"交出来"——交给模型库、交给AI、交给组织。没有合伙人愿意主动这样做——因为显性化后，合伙人就不再是"不可替代的"了。

这就是传统咨询公司转型的死结：转型需要合伙人把隐性L显性化，但合伙人没有动力这样做。不转型，等AI原生公司来替代；转型，合伙人自己先被"去神秘化"。两头都是死路。

第三节：传统顾问的唯一出路——因果建模

经验型顾问的终结

传统顾问的核心能力是什么？经验。"我在这个行业做了二十年""我服务过50个客户""我见过各种问题"。经验是传统顾问的护城河——客户请你做咨询，并非因为你能做AI做不了的分析（AI分析比你快），而是因为你的经验能提供"AI给不了的判断"。

但经验有两个致命弱点，在AI时代变成了致命伤。

经验是隐性的。你有二十年经验，但你说不清楚"为什么这个方案有效"——你的L藏在直觉里，不可提取、不可检验、不可传递。客户越来越不满足于"凭经验判断"——他们要你给出"为什么"的因果逻辑。你给不出L，客户就觉得你的经验只是"资历"而非"能力"。好比一个老中医把脉很准，但说不清楚为什么准——病人越来越想要化验单，不想只听"我行医四十年"。

经验不能规模化。你一个人能服务多少客户？你的经验锁在你脑中，不能被复制。传统咨询公司靠"招更多顾问"来规模化——但每个顾问的经验是独立的，不能叠加。AI原生咨询公司靠"因果模型库"来规模化——每个项目的L都存入模型库，所有顾问可以调用。前者是线性增长，后者是指数增长。线性增长和指数增长的差距，前期看不大出来，后期是碾压性的。

经验型顾问的终结，并非"经验没用了"——经验依然有价值，经验里藏着高质量L。终结的是"经验作为唯一竞争力"的模式——当AI原生公司用显性L竞争时，隐性L没有规模化能力。

因果建模顾问的诞生

传统顾问的唯一出路是转型为因果建模顾问。

因果建模顾问和经验型顾问的区别，在于L的显性化能力，而非"更懂AI"。

经验型顾问：有隐性L，但取不出来。能做判断，但说不清楚"为什么这样判断"。能解决问题，但不能把解决方案的因果逻辑传递给别人。

因果建模顾问：有显性L，能提取、能检验、能传递。做判断时能说清楚"D通过L导致R"的完整因果链。解决问题时能把方案背后的因果逻辑显性化，让客户和团队理解"为什么这样做有效"。

转型路径：用DLR方法做逆向工程——把自己二十年经验里的隐性L提取出来。与其"总结经验"（那只得到D和R），不如"提取因果逻辑"（得到L）。每做一个项目，都用DLR拆解：这个项目的D是什么？R是什么？为什么D导致R的L是什么？L成立吗？怎么验证？

这个转型不需要换行业——你还在你的专业领域。但你的工作方式变了：从"凭经验做判断"变成"用因果模型做判断"。你的产出也变了：从"一份方案"变成"一份方案+一个因果模型"。方案解决一个具体问题，因果模型可以解决一类问题。

因果建模顾问的不可替代性

因果建模顾问在AI时代不可替代，因为他们做的是L——AI做不了的事。AI可以做D（方案执行）和R（结果测量），但不能做L（因果推理）。因果建模顾问构建L、验证L、进化L——这是AI的盲区。

更关键的是：因果建模顾问的L可以被AI调用——存入因果模型库后，AI用L做规模化的因果推理。因果建模顾问并非在和AI竞争——他们是在为AI提供L燃料。没有因果建模顾问构建的L，AI只能做模式匹配，不能做因果推理。

因果建模顾问的价值 = 构建L的能力 × AI调用L的规模。你的L越好，AI调用的效果越好。你的L越多，AI能解决的问题越多。你一个人的L可以被AI放大到服务无数客户——这就是"超级个体"的雏形（第十七章详述）。

第四节：FDE升级为FDE+

FDE的局限

FDE（Find-Define-Execute）是传统咨询的核心方法论：Find（发现问题）→ Define（定义方案）→ Execute（执行方案）。三步走，清晰简洁。

但FDE有一个根本局限：它有D没L。

Find做什么？找问题——识别R（成果差距）。Define做什么？定方案——设计D（做法）。Execute做什么？执行方案——实施D。

L在哪里？Find和Define之间应该有L——"为什么这个是问题"的因果分析。Define和Execute之间应该有L——"为什么这个方案能解决这个问题"的因果逻辑。但FDE不显性化L——它假设顾问的隐性经验会自动填补L。

这在经验丰富的顾问手中勉强可行——他的隐性L能支撑Find和Define之间的因果推理。但问题出在：隐性L不可检验、不可传递、不可积累。FDE的方案好不好，取决于顾问个人经验——没有标准、没有验证、没有进化。一个顾问做了一百个项目，L还是锁在他自己脑子里——既没存下来，也没传下去。

FDE+：因果驱动的FDE

FDE+在FDE的三步中注入L：

Find+：找因果，而非只找问题。传统Find识别"成果差距"（R不达标）。Find+追溯"行为差距"（什么D没做导致R不达标）和"因果断裂"（L在哪里断了）。Find+的产出是"因果诊断"——问题域的D-L-R结构分析，而非问题清单。

Define+：验因果，而非只定方案。传统Define设计方案（D）。Define+先验证L——"为什么这个D能导致期望的R"的因果逻辑成立吗？L是假设，需要检验。Define+的产出是"因果方案"——带有显性L和验证计划的方案，而非方案文档。

Execute+：进化因果，而非只执行。传统Execute实施方案并监测结果。Execute+在执行中验证L——做了D，R达成了？L成立。R没达成？L有问题，修正L。Execute+的产出是"进化后的因果模型"——L被实践检验和修正后的更新版本，而非执行报告。

FDE+的产出差异

维度	FDE	FDE+
Find	问题清单	因果诊断（D-L-R结构分析）
Define	方案文档	因果方案（带L和验证计划）
Execute	执行报告	进化后的因果模型
L处理	隐性（靠顾问经验）	显性（可检验、可传递、可积累）
积累	每个项目独立	L存入模型库，跨项目复用
AI协同	AI做辅助分析	AI调用L做因果推理

FDE和FDE+的本质差异：FDE产出的是"一个方案"，方案用完就没了。FDE+产出的是"一个方案+一个因果模型"，方案解决一个具体问题，因果模型解决一类问题。每做一个FDE+项目，因果模型库就厚一层——咨询公司的核心竞争力随项目积累而指数级增长。

结语：金字塔倒下后

金字塔倒了。这已经是进行时，而非"会不会"的疑问。

初级顾问被AI替代（底座塌方），项目经理后备不足（中层空洞），合伙人经验被因果模型库替代（顶层去神秘化）。三层同时被侵蚀，金字塔与其说是倒塌，不如说是溶解——慢慢消失在AI的溶液里。

但金字塔倒下后，咨询行业不会消失——它会以新的形态重建。新形态是因果模型驱动的扁平组织。少量因果建模顾问构建L，AI调用L做规模执行，因果模型库积累和进化L。没有金字塔层级，只有人机分工。

传统顾问面对这个终局，只有一条路：从经验型顾问转型为因果建模顾问。与其说是"学AI工具"，不如说是"把隐性L显性化"。你的二十年经验里藏着高质量L——但L不提取出来，就跟着你一起被AI替代。提取出来，你变成AI时代最稀缺的人——能构建L的人。

FDE升级为FDE+，是给方法论注入灵魂。灵魂就是L。没有L的FDE是流程——有L的FDE+是因果推理引擎。流程可以被AI替代，因果推理不能。

金字塔倒了。但能建因果模型的人，站在比金字塔更高的地方。