夜雨聆风
这张表并不复杂，表面上只有三列：
我们让两位同事借助同一个AI完成初稿。结果很有意思：张三和李四拿到的任务相近、使用的工具相同，最后交出来的东西却完全不一样。
一个版本看起来很完整，术语很多，却经不起追问；另一个版本层级清晰，能够对应岗位场景，也能落到可观察、可评价的成果。
这件小事让我重新想了一个问题：
AI来了，为什么人的结果仍然不同？咨询师的专业价值，又会转移到哪些环节？
过去，咨询工作中大量时间花在资料整理、内容撰写和表达呈现上。
这些工作的完成方式，正在被AI明显改变。
当这些工作越来越容易获得工具协助，咨询师也更值得把精力投入到五件事上：
能不能定义一个真正值得解决的问题；
能不能给AI足够准确的业务背景和约束；
能不能对最终结论承担专业责任。
所以，张三和李四的差异，表面上是“提示词不同”，本质上却是两个人对岗位、业务和标准的理解深度不同。
AI可以帮助生成内容，但问题的方向、标准和取舍，仍然需要专业判断。
一项由学术研究团队与咨询机构共同开展的现场实验，纳入了758名咨询师，任务覆盖创意、分析、写作和说服等典型咨询工作。
在该研究设定下，当任务处在模型相对擅长的“能力边界”之内，使用AI辅助的咨询师与未使用AI的对照组相比，平均表现为：
完成速度提高约25%；
研究评分中的成果质量提高40%以上；
完成的任务数量增加约12%。
但在同一研究的一项边界外管理任务中，使用AI组的正确率比对照组低约19个百分点。
图1 AI对不同任务的影响并不相同
这组数据提示，AI对不同任务的影响并不一致：在部分任务上，它可能明显提速；面对另一些复杂任务，则需要更谨慎地使用。研究者把这种差异称为“锯齿状技术边界”。
这说明AI能够快速传播优秀人员的部分经验，显著抬高“基本动作”的下限；但它并不会自动赋予一个人真正的专业判断。
AI能够帮助更多人完成基础动作，但专业判断仍然需要在业务情境中逐步建立。
我们常说“会不会用AI”，其实过于粗糙。更准确的问题应该是：一个人把AI放在工作的哪一层？
图2 从“问答案”到“沉淀系统”的AI协作层级
层级 | 典型用法 | 咨询师的角色 | 常见结果 |
L1 问答案 | 把AI当搜索框，问完即用 | 信息接收者 | 快，但容易泛化和失真 |
L2 写内容 | 让AI生成表格、方案、课程 | 内容编辑者 | 形式完整，业务贴合度不稳定 |
L3 做任务 | 拆解步骤、补充背景、反复迭代 | 任务设计者 | 可用性明显提升 |
L4 共创方案 | 先建框架，再让AI分析、挑战、校验 | 专业判断者 | 有逻辑、有证据、能落地 |
L5 沉淀系统 | 连接知识库、案例库、评价标准与流程 | 组织能力建设者 | 输出可复制，经验可积累 |
张三和李四之所以结果不同，往往不是因为谁“更会写一句神奇提示词”，而是因为他们把AI放进了不同的工作环节。
简单的使用方式，是把AI当作答案工具；更成熟的使用方式，是把AI放进由专业框架、业务证据和质量标准组成的工作系统里。
1. 从“制作内容”转向“设计问题”
过去大量时间花在搜集、整理、改写和排版上。AI把这些工作的成本大幅压低，让咨询师有机会把时间重新投入到访谈、洞察、取舍和方案设计中。
2. 快速获得第二视角
AI可以在短时间内扮演客户、员工、管理者、财务负责人或反方评审，帮助咨询师发现盲点。它未必天然正确，但非常适合用来扩展假设、挑战逻辑和寻找遗漏。
3. 把个人经验转化为组织资产
优秀咨询师脑中的框架、案例和判断规则，过去很难完整传递。借助知识库、模板和评审标准，这些经验可以被结构化、复用和持续更新。
关注点 | 具体表现 | 对咨询项目的后果 | 防范动作 |
表达先于判断 | 语言专业、结构完整，但事实或因果仍需核验 | 方案看起来完整，实际依据不足 | 关键结论注明依据并人工复核 |
方案趋同 | 大家使用相似资料和套路 | 方案“都对，但不一定足够贴近客户” | 加入一手访谈和业务数据 |
学习被跳过 | 直接接受答案，减少了独立思考 | 会做材料，却还需要加强诊断能力 | 先形成判断，再调用AI挑战 |
数据与责任边界 | 将敏感数据输入不合适的工具 | 客户信息与责任边界需要更清晰 | 数据分级、脱敏、授权和留痕 |
值得关注的地方在于：AI的表达往往很流畅，因此更需要在关键节点保留人的复核、解释与责任确认。
以一张常见的岗位分层表为例，普通使用者通常会直接说：
请帮我梳理销售经理在三个发展阶段的工作标准。 |
AI当然能给出一张表，但它不知道企业处于什么发展阶段，不知道这个岗位到底管人还是管业务，也不知道每个层级的边界应该如何被观察和验证。
专业咨询师会先完成五个动作：
1. 定边界：明确岗位使命、管理范围、关键场景和业务目标；
2. 给证据：输入岗位说明书、访谈纪要、流程制度、历史案例和绩效数据；
3. 建尺度：约定每个层级应体现复杂度、独立性、影响范围和结果责任的递进；
4. 做校准：横向比较不同岗位，纵向比较不同职级，消除层级重叠和表述虚高；
5. 请业务验证：让真正承担岗位责任的人判断“是否像我们、能否评价、能否执行”。
图3 咨询师与AI的协同闭环
在这个过程中，AI可以做得很快：提取信息、归纳模式、生成初稿、寻找冲突、补充表达。
但三个关键判断仍然属于咨询师：
这是不是客户真正的问题？ 这个标准能不能区分不同层级？ 这个结果能不能被业务验证并承担后果？
我越来越相信，未来咨询师的价值不只是“比AI知道得多”，也不只是“比别人更会写提示词”。
更重要的是三种能力的结合：
咨询师新胜任力 = 专业判断 × AI协作 × 证据责任 |
专业判断为方案确定方向，AI协作拓展速度与广度，证据责任守住真实性和可信度。任何一项明显不足，成果价值都可能受到影响。
所以，AI来了之后，咨询师的工作方式会逐步分化，也会出现更多新的协作模式。
它会让普通答案更容易获得，也会让真正稀缺的能力更加清晰：理解业务、定义问题、建立标准、作出取舍，并对结论负责。
AI不只是一个工具，也是一种新的工作伙伴。它帮助咨询师提高速度与广度，同时也提醒我们重新审视专业判断、证据和责任。
数据来源
Dell'Acqua et al. Navigating the Jagged Technological Frontier. HBS Working Paper 24-013（2023）.
Brynjolfsson, Li & Raymond. Generative AI at Work. NBER Working Paper 31161（2023）.
说明：本文所引数据来自特定研究样本与任务，仅用于方法讨论，不构成对任何咨询项目效果的承诺。文章观点及发布内容均经作者人工审核；AI用于资料整理、文字润色和示意图制作。文中涉及的工作场景均为概括性表达，不对应具体企业或项目。