计费工时已死？咨询业如何被生成式AI重塑

两位来自 AlixPartners 的 AI 负责人，用两年内部实践讲清一个残酷现实：生成式 AI 正在系统性压缩专业服务的工时，但真正被颠覆的不是“计费”，而是价值创造方式。

从创业者到咨询公司：他们为什么比别人更焦虑

这场演讲一开始就给出了一个重要背景。Mo Bhasin 并非传统咨询出身，他曾是异常检测创业公司的联合创始人，更早之前是 Google 的数据科学家；如今他是 AlixPartners 的 AI 产品负责人。与 Kevin Madura 一起，他们在公司内部共同主导了一个生成式 AI 平台的建设。

这个平台并不是概念验证，而是持续两年的工程化投入：20 名工程师、50 个部署实例、数百名真实用户。这段经历决定了他们看待 AI 的方式非常“现实主义”。Kevin 直言，他们今天要讲的不是“AI 能做什么”，而是“什么真的行不通，以及事情正在往哪里走”。

正是这种背景，让他们对专业服务行业产生了一种近乎本能的危机感。咨询、审计、法律等行业，长期依赖“计费工时”作为核心商业模型，而生成式 AI 的本质，恰恰是在不断压缩完成同样工作的时间成本。Mo 在台上反复强调：如果你真的在企业内部落地 AI，而不是做演示，这个冲击是无法忽视的。

计费工时模型为何正在失效

Kevin 在演讲中引用了一张来自 Meter 的经典图表，用来说明专业服务的两种核心模式：一类是高度依赖人工时间的线性模式，另一类是通过知识沉淀和复制实现杠杆化的模式。过去几十年，大多数咨询公司都停留在前者。

生成式 AI 带来的变化在于，它第一次让“知识复制”这件事变得极其廉价。Kevin 的一句话点破了核心：“take the knowledge and start to replicate that out”，而 AI 正是那个可以把杠杆无限向下延伸的工具。

他们观察到，AI 正在“significantly compressing”典型项目中的工作周期。不只是更快，而是结构性压缩：原本需要多人、多周完成的分析，现在可以在更短时间内完成，而且输出质量更高。Kevin 强调，这并不意味着专业判断不重要，而是意味着计费方式如果仍然绑定工时，价值和价格之间的关系将被彻底打乱。

第一个真实案例：分类工作如何被重写

为了避免抽象讨论，Mo 很快切入了第一个具体用例：大规模分类任务。过去，这类工作往往依赖人工规则、外包团队，或者脆弱的脚本流程，成本高、维护难、效果不稳定。

“Enter the new way， structured outputs。”Mo 描述了他们的转变：利用大语言模型的结构化输出能力，直接让模型生成可被系统消费的标准结果，而不是自由文本。这种方式不仅减少了后处理工作，也显著提高了一致性。

更重要的是结果。Mo 在台上给出了清晰的结论：“Punch line here —— order of magnitude less cost。”成本下降一个数量级，同时输出质量反而更好。这并不是实验室里的结果，而是已经在公司内部真实运行的系统。这类案例让他们意识到，AI 并不是在‘辅助’咨询师，而是在重塑哪些工作还值得用人来做。

企业级 RAG 与“把结构做出来”

第二个核心用例围绕检索增强生成（RAG）。Mo 解释说，在 AlixPartners，他们并不是做单点 RAG，而是已经构建了“enterprise scale RAG”。核心思路很明确：把企业内部的文档、知识和上下文，稳定地接入模型。

Kevin 接过话题，强调一个常被忽略的点：真正的价值不在于生成文本，而在于“create structure from that”。也就是说，把原本分散在文档、Excel、报告里的隐性知识，转化为结构化、可组合的资产。

在用户层面，他们看到的变化同样明显。AI 不只是回答问题，而是成为分析流程的一部分，能够组合多个文档、补充背景、生成中间结果。这也是为什么他们在结尾特别提到“Excel powered LLMs”——因为真正的企业生产力，往往发生在这些看似普通的工具里。

总结

这场演讲最重要的启示，并不是“计费工时会不会消失”，而是专业服务的价值正在从时间投入，转向可复制的认知能力。Mo 和 Kevin 的实践表明，生成式 AI 已经在真实企业中压缩周期、降低成本、提高质量。对从业者而言，关键问题不再是要不要用 AI，而是：你的价值，是否还能只靠工时来衡量。

关键词： 生成式AI， 大语言模型， 专业服务， 检索增强生成， 企业AI

事实核查备注： Mo Bhasin：AlixPartners AI 产品负责人，前 Google 数据科学家、异常检测创业公司联合创始人；Kevin Madura：研究 AI 与监管的专家。内部 GenAI 平台：开发两年，约 20 名工程师，50 个部署，数百用户。关键术语：structured outputs、RAG（检索增强生成）、enterprise scale RAG。引用原话包括“significantly compressing”“order of magnitude less cost”。