从20世纪60年代的管理信息系统（MIS）的推广，到90年代客户关系管理（CRM）和供应链管理（SCM）的引入，再到21世纪初的大数据与数据挖掘的应用，咨询一直是促使科技创新与业务相结合的先行者。但祸福相依，每一次技术的飞跃一方面提升了企业的运营能力、赋予了咨询服务新的内涵，另一方面也在不断威胁旧咨询业务的发展。具体而言存在两方面威胁：

咨询业面临的两种威胁——高价值咨询的衰退和低成本咨询被替代

从复杂度上讲，咨询服务可分为两种：高价值咨询和低成本咨询。高价值咨询服务是指客户把一切都交给咨询顾问，因为可能客户本身也不清楚问题的原因，然后咨询顾问从问题诊断开始，一步步解密得出详细的解决方案和实施计划。这需要高水平的沟通、思维和创造力。相对的，低成本咨询定位于问题更为明确、解决方案更为直接的服务范畴，咨询顾问只需对症下药即可，通常这类业务场景明确、单一。

在技术多次迭代后的现在，这两类业务均面临着不同程度的挑战。一方面，高价值咨询在不断衰退，例如，战略咨询曾占据市场主导地位，但其份额从三十年前的70%下滑至今仅存20%左右。另一方面，随着智能技术的进步，大数据分析、自动化流程等技术的应用在不断替代低成本业务。例如，像Motista这样的营销情报公司通过预测模型和工具，提供高性价比的消费者分析服务，挑战了传统精英咨询模式，以较低成本侵蚀了市场份额。

如今，随着大模型（LLM）的崛起，咨询业正面临着新的机遇与挑战，他们站在了又一个分水岭上。大模型时代，咨询业向何处去？我们认为，想要化危为机，咨询业必须从以下四个方面转型：

一、从智力向智能转型

以往咨询企业主要依靠人力为客户提供智力支持，这不光对从业人员要求极高，还受限于人力难以广泛开展业务。但在大模型智能时代，咨询机构可以利用大模型的应用来解决上述问题。针对咨询的业务场景来说，必须学会利用大模型的“机器人”和“图书馆”这两种属性。

大模型的“机器人”属性是指其在自动执行任务方面的特性。它可以接手简单且重复性的工作，比如数据清洗、信息分类和会议纪要等，在简化和提高这些基础性任务处理效率的同时，为人类工作者节省时间和精力，让他们可以专注于更加复杂和有创造性的工作。

“图书馆”属性指大模型具有极其广泛的知识面和信息处理能力。它能够接触、学习、整合比任何一个单个人类更多的知识和数据，从而为解决问题和决策提供更全面的视角。因其有能力在短时间内通过大数据分析和模式识别来识别见解和关联，这能极大提高决策的质量和解决问题的深度。

二、从经验向模型转型

咨询机构长期以来依赖其积累的丰富经验为客户提供智力，但这些经验转化为项目成果时需要投入大量的人力成本。在大模型时代，可以把经验转成模型，自动化的完成多项不复杂的重复性工作，比如消费者分析、信用评级、流程管理等。这样一来，能够帮助客户减轻因重复性任务产生的人力成本，转而将人力资源投入到更需要创造性思考的业务环节。

这就要求咨询机构针对业务需求和自身特点，建立属于自己的大模型应用。这并非是要求咨询机构像OpenAI一样研发自己的ChatGPT，而是要学会基于能力强大的基础大模型做业务层面的工具化，或者学会利用基于大模型的各种工具，并教会客户如何使用这些工具，从而完成低成本业务的智能化。GPT的工具化也是目前大模型领域蓬勃发展的方向。

三、从驻场向后台转型

渡人先渡己，要能够引领客户实现大模型的升级，咨询机构必须完成对自己的升级改造。传统咨询模式依赖人员长期驻场完成，成本极高。大模型时代，智能工具和模型的大量使用，会使得后台的重要性越来越突出。众多传统的以业务场景区分的部门会因为工具化的实施而面临改革。例如建立以大模型应用技术驱动为核心的中后台团队，这些团队可以提供跨业务场景的支持。

同时，以多元业务理解能力和问题解决能力为特色的咨询顾问，将替代传统某一单一领域专业能力突出的咨询顾问，构成这一新型团队的重要组成部分，使机构整体更具灵活性和效率。如此一来，咨询机构的新型组织结构将更加适应当下快速发展的市场环境，并大幅节约人力成本。

四、从传统向新的数据观转型

智能化、模型化和后台化之后，咨询机构比拼的底层能力将是数据，这需要咨询机构打破对数据的传统认识。传统的数据观念的主要问题在于没有考虑到不确定性对数据的影响，尤其是在预测未来时，同时，传统上也没有考虑人与数据复杂关系导致的偏差。为了解决这些问题，诞生了以不确定性为依据的数据重构理论，该理论指出了以下四个最新发现：

第一，偶然性数据是预测的最大障碍。偶然性数据是指具有随机性、不可重复的数据，反之则是必然性数据。例如面对截面数据的处理，样本之间的差异性往往阻碍了结果的可重复性。这种差异可能源于偶然产生的异常值、客户群体的差异、或抽样方法的不完善导致的偶然性。为了增强数据的可靠性和研究的有效性，必须先尽可能的剔除偶然性数据，例如对异常值进行识别和处理、确保抽样的代表性、并深入研究客群特征以避免样本偏差。

第二，历史数据不是越长越好。在处理时间序列数据时，历史数据存在不可重复的部分。随着时间推移，由于历史环境和条件的变化，数据的可重复性可能会降低。对较为久远的历史数据，这种问题尤为明显。因此，可以采取一些策略，如历史数据加权处理等方法，以期减少这些数据的时间敏感性和不确定性，从而提升其在模型中的预测价值。

第三，指标间的关系存在不确定性。在指标分析层面，指标间的相关性常常充满不确定性，表面的统计相关性可能并不代表真正的因果关系。即使存在相关性，它也可能会随着时间的变迁而变化。因此，需要分辨这些关系的本质，在这方面目前已经存在很多手段，例如可以采用工具变量（IV）方法处理内生性问题等。但值得特别关注的是，区分自然数据指标与人类行为数据指标的关联性问题，这对于揭示真实的影响因素至关重要。

第四，人与数据之间复杂关系会导致偏差。在数据采集和反应的过程中，存在难以避免的偏差，特别是对于衍生数据。由于衍生数据通常经过多次加工，这种数据的偏差问题往往更加严重。在分析这样的数据时，我们需要高度警惕，并采用适当的方法来识别和纠正这些偏差，以确保分析结果的客观性和准确性。

大模型时代，咨询机构应该从智力转向智能、从经验转向模型、从驻场转向后台、从传统转向新的数据观。惟有如此，才能打造具有自身特色的大模型应用和解决方案，推动低成本业务的自动化和高价值业务的升级，更好的帮助客户实现降本增效。

本文作者：

朱小黄，蒙格斯智库学术委员会主席；中国行为法学会金融法律行为研究会会长；中山大学经济学博士，国务院特殊津贴获得者

曹劲，毕马威中国金融风险管理主管合伙人

邵帅，蒙格斯智库副总经理、首席分析师

ChatGPT 颠覆了整个咨询行业！不会用的公司和咨询师必然淘汰！

马上体验学习ChatGPT及其它大模型：点击体验（需输入会员密码）

注册会员无需翻墙即可使用 ChatGPT特惠：

（1）包月使用：299   包年使用2999  | 微信：18121118831联系；

（2）送一个月以上的咨询报告库VIP会员，可以浏览下载上万篇咨询和行业报告

马上自助购买体验

|毕马威最新咨询报告（下载）|行业最新研究报告（下载）|最新热点报告（下载）|