從20世紀60年代的管理信息系統（MIS）的推廣，到90年代客戶關系管理（CRM）和供應鏈管理（SCM）的引入，再到21世紀初的大數據與數據挖掘的應用，咨詢一直是促使科技創新與業務相結合的先行者。但禍福相依，每一次技術的飛躍一方面提升了企業的運營能力、賦予了咨詢服務新的內涵，另一方面也在不斷威脅舊咨詢業務的發展。具體而言存在兩方面威脅：

咨詢業面臨的兩種威脅——高價值咨詢的衰退和低成本咨詢被替代

從復雜度上講，咨詢服務可分為兩種：高價值咨詢和低成本咨詢。高價值咨詢服務是指客戶把一切都交給咨詢顧問，因為可能客戶本身也不清楚問題的原因，然后咨詢顧問從問題診斷開始，一步步解密得出詳細的解決方案和實施計劃。這需要高水平的溝通、思維和創造力。相對的，低成本咨詢定位于問題更為明確、解決方案更為直接的服務范疇，咨詢顧問只需對癥下藥即可，通常這類業務場景明確、單一。

在技術多次迭代后的現在，這兩類業務均面臨著不同程度的挑戰。一方面，高價值咨詢在不斷衰退，例如，戰略咨詢曾占據市場主導地位，但其份額從三十年前的70%下滑至今僅存20%左右。另一方面，隨著智能技術的進步，大數據分析、自動化流程等技術的應用在不斷替代低成本業務。例如，像Motista這樣的營銷情報公司通過預測模型和工具，提供高性價比的消費者分析服務，挑戰了傳統精英咨詢模式，以較低成本侵蝕了市場份額。

如今，隨著大模型（LLM）的崛起，咨詢業正面臨著新的機遇與挑戰，他們站在了又一個分水嶺上。大模型時代，咨詢業向何處去？我們認為，想要化危為機，咨詢業必須從以下四個方面轉型：

一、從智力向智能轉型

以往咨詢企業主要依靠人力為客戶提供智力支持，這不光對從業人員要求極高，還受限于人力難以廣泛開展業務。但在大模型智能時代，咨詢機構可以利用大模型的應用來解決上述問題。針對咨詢的業務場景來說，必須學會利用大模型的“機器人”和“圖書館”這兩種屬性。

大模型的“機器人”屬性是指其在自動執行任務方面的特性。它可以接手簡單且重復性的工作，比如數據清洗、信息分類和會議紀要等，在簡化和提高這些基礎性任務處理效率的同時，為人類工作者節省時間和精力，讓他們可以專注于更加復雜和有創造性的工作。

“圖書館”屬性指大模型具有極其廣泛的知識面和信息處理能力。它能夠接觸、學習、整合比任何一個單個人類更多的知識和數據，從而為解決問題和決策提供更全面的視角。因其有能力在短時間內通過大數據分析和模式識別來識別見解和關聯，這能極大提高決策的質量和解決問題的深度。

二、從經驗向模型轉型

咨詢機構長期以來依賴其積累的豐富經驗為客戶提供智力，但這些經驗轉化為項目成果時需要投入大量的人力成本。在大模型時代，可以把經驗轉成模型，自動化的完成多項不復雜的重復性工作，比如消費者分析、信用評級、流程管理等。這樣一來，能夠幫助客戶減輕因重復性任務產生的人力成本，轉而將人力資源投入到更需要創造性思考的業務環節。

這就要求咨詢機構針對業務需求和自身特點，建立屬于自己的大模型應用。這并非是要求咨詢機構像OpenAI一樣研發自己的ChatGPT，而是要學會基于能力強大的基礎大模型做業務層面的工具化，或者學會利用基于大模型的各種工具，并教會客戶如何使用這些工具，從而完成低成本業務的智能化。GPT的工具化也是目前大模型領域蓬勃發展的方向。

三、從駐場向后臺轉型

渡人先渡己，要能夠引領客戶實現大模型的升級，咨詢機構必須完成對自己的升級改造。傳統咨詢模式依賴人員長期駐場完成，成本極高。大模型時代，智能工具和模型的大量使用，會使得后臺的重要性越來越突出。眾多傳統的以業務場景區分的部門會因為工具化的實施而面臨改革。例如建立以大模型應用技術驅動為核心的中后臺團隊，這些團隊可以提供跨業務場景的支持。

同時，以多元業務理解能力和問題解決能力為特色的咨詢顧問，將替代傳統某一單一領域專業能力突出的咨詢顧問，構成這一新型團隊的重要組成部分，使機構整體更具靈活性和效率。如此一來，咨詢機構的新型組織結構將更加適應當下快速發展的市場環境，并大幅節約人力成本。

四、從傳統向新的數據觀轉型

智能化、模型化和后臺化之后，咨詢機構比拼的底層能力將是數據，這需要咨詢機構打破對數據的傳統認識。傳統的數據觀念的主要問題在于沒有考慮到不確定性對數據的影響，尤其是在預測未來時，同時，傳統上也沒有考慮人與數據復雜關系導致的偏差。為了解決這些問題，誕生了以不確定性為依據的數據重構理論，該理論指出了以下四個最新發現：

第一，偶然性數據是預測的最大障礙。偶然性數據是指具有隨機性、不可重復的數據，反之則是必然性數據。例如面對截面數據的處理，樣本之間的差異性往往阻礙了結果的可重復性。這種差異可能源于偶然產生的異常值、客戶群體的差異、或抽樣方法的不完善導致的偶然性。為了增強數據的可靠性和研究的有效性，必須先盡可能的剔除偶然性數據，例如對異常值進行識別和處理、確保抽樣的代表性、并深入研究客群特征以避免樣本偏差。

第二，歷史數據不是越長越好。在處理時間序列數據時，歷史數據存在不可重復的部分。隨著時間推移，由于歷史環境和條件的變化，數據的可重復性可能會降低。對較為久遠的歷史數據，這種問題尤為明顯。因此，可以采取一些策略，如歷史數據加權處理等方法，以期減少這些數據的時間敏感性和不確定性，從而提升其在模型中的預測價值。

第三，指標間的關系存在不確定性。在指標分析層面，指標間的相關性常常充滿不確定性，表面的統計相關性可能并不代表真正的因果關系。即使存在相關性，它也可能會隨著時間的變遷而變化。因此，需要分辨這些關系的本質，在這方面目前已經存在很多手段，例如可以采用工具變量（IV）方法處理內生性問題等。但值得特別關注的是，區分自然數據指標與人類行為數據指標的關聯性問題，這對于揭示真實的影響因素至關重要。

第四，人與數據之間復雜關系會導致偏差。在數據采集和反應的過程中，存在難以避免的偏差，特別是對于衍生數據。由于衍生數據通常經過多次加工，這種數據的偏差問題往往更加嚴重。在分析這樣的數據時，我們需要高度警惕，并采用適當的方法來識別和糾正這些偏差，以確保分析結果的客觀性和準確性。

大模型時代，咨詢機構應該從智力轉向智能、從經驗轉向模型、從駐場轉向后臺、從傳統轉向新的數據觀。惟有如此，才能打造具有自身特色的大模型應用和解決方案，推動低成本業務的自動化和高價值業務的升級，更好的幫助客戶實現降本增效。

本文作者：

朱小黃，蒙格斯智庫學術委員會主席；中國行為法學會金融法律行為研究會會長；中山大學經濟學博士，國務院特殊津貼獲得者

曹勁，畢馬威中國金融風險管理主管合伙人

邵帥，蒙格斯智庫副總經理、首席分析師

|畢馬威最新咨詢報告（下載）|行業最新研究報告（下載）|最新熱點報告（下載）|