我在咨询公司的时候，最痛恨的工作不是高强度的项目分析，而是通宵改PPT。
不是改内容。是改格式。我记得有一次做一个金融客户的投标，合伙人凌晨三点在微信群里发一句"这页颜色还是不太对"，我改完丢回去，四点他又回一条"换回之前那版"。这种事情一个晚上能来回五六次。最终版跟下午六点那版比，信息量没有任何变化，改的只是配色、对齐、字号、图表样式。这些东西跟"商业洞察"没有半毛钱关系。
但当时没人觉得有什么不对。大家默认这就是初级顾问该干的活，你得熬过这个阶段。
现在回头看，这事儿本身就是个信号——如果一份工作的大量时间都花在跟核心价值无关的执行上，它迟早会被更便宜的方式接手。当年是更能熬夜的年轻人，现在是AI。BCG的Deckster和麦肯锡的Lilli这类内部工具，据公开报道已经能替掉初级分析师大约80%的研究和PPT工作。
---
在咨询公司待久了会发现一件不太好意思公开说的事实：大多数项目里，我们其实并不比甲方自己的人更懂他们的业务。
客户花几百万请我们进门，买的东西其实就那么几样。一个是用框架把模糊问题拆清楚的能力——甲方的团队天天陷在细节里，反而做不了这件事。一个是对外部的感知，比如客户的竞品怎么做、这个行业里的最佳实践长什么样，我们靠跨项目积累了一套外部视角。再加上最后那份PPT——把前面这些变成一份甲方老板下周能直接拿去开董事会的东西。
2023年之前，这些事情确实是有门槛的，一个刚毕业的人很难自己做到。但AI把这个门槛几乎抹平了。结构化拆问题，大模型做得不比一个三年经验的顾问差。行业信息采集，它几分钟扫完的信息量超过一个人类团队一个星期。PPT交付，已经有工具在接管了。
那问题就变成：当甲方自己用AI就能拿到外部信息、行业对标和结构化框架的时候，他们还需不需要花几百万请一个外部团队？
我没法说完全不需要。复杂的组织变革、涉及内部政治的战略落地、需要"外部权威"来推动决策的场景，咨询公司还是有存在价值的。但这部分价值跟"初级分析师通宵调PPT"没什么关系。
2023年，麦肯锡上线了内部AI工具Lilli。也是从那年开始，累计裁员超过5000人，员工总数从4.5万降到4万左右。同期英国四大的毕业生招聘也跟着断崖式下滑，KPMG英国2024年的毕业生项目比2023年少了29%（1399人降到942人）。
到了2026年，麦肯锡又宣布北美要扩招12%，初级岗位涨幅可能到15%–20%。但这不是传统意义上的"回补分析师"。麦肯锡北美主席Eric Kutcher原话的大意是：20岁的经济学毕业生比35岁的顾问更会用AI，所以年轻人的价值反而凸显了。裁掉的岗位和新招的岗位，做的不是同一件事。
---
后来我跳去头部互联网科技公司做商业分析和经营分析师，以为换了赛道。
其实坑的形状差不多。咨询公司大量时间花在调PPT，互联网公司大量时间花在写SQL取数。你以为取数是个技术活，其实更像排队活——数据平台卡，跑一个稍微复杂点的查询要等半小时，跑完一看条件写错了，再排一次。等你终于把数据拉出来，老板这周要问的问题已经变了。
这个角色的核心能力其实很单薄：比业务多一点结构化思考，比业务多一点数据查询能力。能把数据从系统里拉出来，能把散乱的发现组织成一个有逻辑的报告。
它的核心短板也很明显：对一手业务的感觉，远不如每天泡在那个场景里的运营和产品。
说白了这个角色就是个"中间翻译层"，把业务问题翻译成数据语言，再把数据结果翻译回业务语言。翻译层成立的前提是，业务方不能直接跟数据对话。
这个前提正在松动。Text-to-SQL已经能从自然语言直接生成SQL。像DeepSeek、Claude这类模型能直接读大数据集、跑描述性统计、生成可视化，把原来几个小时的取数+作图压缩到几分钟。一个业务负责人如果能直接用自然语言跟数据对话，中间翻译层的必要性就得重新掂量了。
我不是说这层就完全不需要了。AI生成的SQL会出错，业务方也未必能判断结论是否合理，复杂的归因和交叉验证还是吃专业能力。但"取数"本身的门槛被大幅压低是事实，而取数曾经占掉一个BA大量的工作时间。
---
现在我在一家AI创业公司做市场。
以前我是被AI冲击的那一方，现在我站到了供给侧，天天帮企业客户弄明白AI能做什么。
接触了很多甲方之后，我发现一件有点反常识的事：企业听完AI产品演示后，最焦虑的往往不是"这东西能不能替掉我的分析师"，而是两件事——"谁来告诉AI该分析什么"，以及"AI给出来的结果我敢不敢信"。
前一个是问题定义。有一次我在一个零售客户那里演示，他们数据负责人说了一句挺戳的话："你们这个agent很聪明，我问它什么都能回答。问题是我今天这个节点上根本不知道该问它什么。" AI执行分析很快，但它不知道当前阶段该关注哪个指标，哪个下降是真问题、哪个是正常波动，老板下周要听什么。这些判断要建立在对业务和组织的深度理解上。
后一个是验证。AI会幻觉，会编造听起来非常合理的洞察。BCG和哈佛商学院那个有名的"Jagged Frontier"实验其实已经说过这件事：在AI能力范围内的任务上，用GPT-4的顾问完成量多12%、速度快25%、质量高约40%；但在AI能力边界之外的复杂任务上，过度依赖AI的那组，正确率反而比不用AI的组低了约19个百分点。
也就是说，AI把分析师工作里的执行部分自动化掉了。判断部分没被替代，反而因为执行成本降下来，变得更值钱了。
PwC 2025年《Global AI Jobs Barometer》的数据是：有AI技能的岗位薪资比同类岗位高56%。哈佛2025年那篇基于6200万名员工简历的研究则发现：在积极采纳生成式AI的企业里，初级岗位就业规模在采纳后六个季度相对下降了7.7%，而且下降主要来自"不招人"，不是"裁人"。这两个数字讲的其实是同一件事。
---
我现在对这个行业的看法是：
AI对商业分析师的冲击，其实是在重新划那条"有价值"和"没价值"之间的线。
咨询公司通宵调的PPT格式、互联网公司花几个小时写的SQL，这些事情的价值从来就不高。只是以前没有更便宜的替代方案，默认就给人做了。AI只是把这件事摊开到桌面上，没法再装看不见。
真正值钱的反倒是AI做不了的那几件——读懂业务、提对问题、判断数据结论可不可信、在一个复杂的组织里把一件事推动下去。这些能力没有贬值，反而比以前更稀缺。
但这里有一个让我挺不舒服的推论：如果价值的核心落在业务判断和问题定义上，那BA过去一直引以为傲的那几样硬技能——SQL、统计建模、Excel——其实从来就不是护城河。它们只是一个特定技术条件下的入场券，而AI正在把这张入场券的价格压到接近免费。
所以这个职业的能力模型得重写一遍。什么在贬值、什么在升值、升值背后的逻辑是什么，下一篇说——当然，前提是我自己也能先想清楚。