咨询行业数字化转型的“特斯拉时刻”

一项技术真正改变行业，通常发生在关键性能与成本共同跨过商业可行性阈值的那一刻。电动车早已有之，但“特斯拉时刻”来自电池能量密度、成本、寿命和电池管理系统等条件逐渐成熟：续航、安全性与全生命周期成本终于足以支撑大规模商品化。阈值一旦被跨过，电动车就从昂贵的技术设想变成能够正面参与市场竞争的产品，整条产业链随之围绕新的技术路线迅速重组。

咨询行业正在经历同样的转折。这里所说的咨询行业，不限于管理咨询，也包括工程设计、建筑设计、规划、法律、审计、财务顾问、研究、广告创意，以及一切以知识、判断、方案和文档为主要交付物的专业服务。过去几十年，这些行业把纸张变成电子文件，把铅笔变成 CAD，把审批搬到线上，把项目台账装进数据库，生产资料和管理流程由此完成了数字化，但核心生产方式却没有根本改变。人仍然需要理解甲方变幻莫测的需求，处理各类立场和利益冲突，询问似是而非的经验，制作不确定的中间成果，面临一次又一次的返工，手工处理大量细节（虽然是操作软件）；专业与生产环节间的接口充满了随意性，标准化程度并没有随着软件的使用而提升。虽然软件越来越多，企业依然围绕人力工时组织生产，本质上反而越来越像是劳动密集型产业。

AI正在改变这套延续了数十年的结构。这种变化已经越过“即将发生”的阶段，它“正在加速发生”。

一、时代的车轮已经开进现实

Coding率先完成了生产方式的反转

如果要为这一轮变化寻找一个体感上的分水岭，我认为是在2025年秋天。在那之前，AI coding主要表现为辅助编程：补全代码、解释报错、生成函数、提高程序员的局部效率。此后，它迅速变成对完整任务的委托。人给出目标和约束，Agent理解代码库、制定计划、修改文件、运行测试、处理失败、补充文档并提交结果。工作的基本单位从“一段代码”变成了“一项任务”，人的位置也从逐行实现转向定义问题、搭建环境、设置护栏和验收结果。

2026年6月，Claude Code负责人Boris Cherny在一场公开访谈中明确表示，自Claude Opus 4.5以来，他个人的代码100%由Claude Code编写；他随后描述的演进路径更值得注意：两年前人手写源代码，后来由Agent写代码，如今已经走到“Agent提示另一个Agent，再由后者写代码”的阶段。代码审查也沿着同一方向推进，从人手工检查、临时调用Agent检查，走向常驻循环中的Agent持续审查。

这并非个别工程师的夸张体验。Anthropic在2026年6月披露，截至当年5月，公司代码库中超过80%的合并代码由Claude生成；典型工程师每天合并的代码量已达到2024年的八倍。OpenAI也公开过一项内部产品实验：一个约有百万行代码、拥有真实用户的产品，从应用逻辑、测试、持续集成、文档、可观测性到内部工具，没有一行由人手工编写，全部由Codex生成，开发团队估计耗时只有传统方式的十分之一。OpenAI还披露，Codex已经审查内部绝大多数PR，通常会在人工审查开始前发现问题。

我们可以得出一个准确的判断：AI虽然尚未在所有公司消灭程序员，但在最领先的AI组织中，手工编码正在从默认动作退到例外位置。人仍然决定做什么、为什么做、做到什么程度，也仍然承担架构判断、风险控制和最终责任；代码生成、测试、修复和审查的执行层，已经大规模转移给Agent。软件工程的主语正在变化。

Coding最先完成这次反转，有其天然条件。代码完全数字化，任务容易拆分，结果能够运行，错误可以复现，测试可以自动执行，反馈周期极短。它为Agent提供了一条近乎理想的训练跑道。而且，AI在这条跑道上学会的不仅仅是写代码本身：理解上下文、操作工具、持续执行、检查结果、根据反馈反复修改。真正具有普遍意义的能力，正是在这些动作中形成的。

从Coding到一切数字化工作，这一步已经迈出

Agent走出IDE再自然不过了。文档、表格、PPT、邮件、合同、设计文件、视频剪辑、企业数据库和专业软件早已进入它的操作范围，它工作的范围也越过了单一动作，进入了能够持续推进、接受反馈并交付成品的完整工作流。

2026年6月，OpenAI发布的知识工作报告已经把这件事说得很直接：Codex“不再只是编码工具”，非开发者约占其用户的20%，而且增速超过开发者的三倍。这些用户主要用它制作报告、表格、PPT、合同和其他工作成果，也用它研究、分析数据、协调不同工具中的信息并推动审批。7月10日，新的ChatGPT桌面应用又把Chat、ChatGPT Work与Codex汇入同一个入口：Chat负责对话，Work承担研究、分析和文档、表格、演示文稿等成品交付，Codex继续处理软件开发和技术工作。表面上这是一次产品整合，更深的意义在于，同一套Agent式工作方法正式对编码到普通类型工作实现了全覆盖。

Anthropic的Cowork、腾讯的WorkBuddy也在争夺同一入口。Zcode目前仍以开发工作为中心，但它对文件、工具链、长任务和多Agent协作的扩展，同样体现了这条外溢路线。国内外厂商的产品形态各不相同，方向却高度一致：普通用户已经开始把真实工作环境、文件和工具交给AI，让它完成任务并直接交付成果。

AI从“提供答案的系统”变成了“生产结果的系统”，人从软件的直接操作者，逐渐变成能够操作软件的Agent的组织者。旧有的组织结构、成本结构和商业模式，正是在这一变化面前承受压力。时代的车轮前一刻还在远处轰鸣，下一秒它已经开进了你我的办公室，也开进了专业工作的生产现场。

二、AI进入行业腹地：数据争夺与转型困局

从公共数据到海面下的“90%”

Agent一旦能够处理本地文件、连接企业应用、查询内部数据库并跨工具完成任务，AI与行业数据之间原有的边界就开始松动。此前的大模型主要从公开网页、图书、论文、代码、法律法规和其他可公开获得的材料中形成通用能力；Codex、Cowork、WorkBuddy这类工具，则把数据搜集和执行的触角直接伸进了企业与行业内部。每一次读取项目资料、分析业务表格、调用专业软件、整理客户信息和交付成果，都会让AI接触到公共互联网之外的真实生产资料。

如果把可公开访问的知识视为海面上的冰山，那么海面以下还沉着一个更庞大的世界：企业内部的项目数据、业务记录、客户资料、生产参数、专业模型、历史成果、过程文件和评价结果，以及散布在各个行业、受权限和商业边界保护的未公开数据。“海面下的90%”指的正是这部分公共途径难以访问的行业数据。这个数字是一种比喻，用来强调数据版图的巨大落差：通用模型已经吞下了海面上最容易获得的部分，下一轮竞争会越来越多地发生在海面以下。

这也解释了为什么从Coding向通用工作延伸如此关键。编码Agent的价值，起初体现为提高软件生产效率；当它获得文件系统、数据库、企业应用和专业软件的操作能力后，它同时成为行业数据进入AI体系的入口。模型公司希望借助真实工作积累训练数据增强模型能力，企业则希望借助AI把内部数据转化为生产力，这是一场速度惊人的双向奔赴。

新的价值分配问题随之而来：谁拥有工作过程产生的数据，谁定义评价标准，谁保留组织在长期使用中形成的能力，谁就更可能掌握下一阶段的主动权。

工具已经进来，转型路径仍然模糊

全球企业都在尝试标准化、自动化和AI化。产品端希望做出一套面向工作场景的AI原生产品，赋能端希望把AI嵌入企业自己的生产线；两边都投入巨大，迄今仍少有可以普遍复制的路径。大量项目停留在旧流程上增加一个AI入口：部署聊天机器人，购买模型账号，建设知识库，开展培训，再挑选几个容易展示的场景试点。这些动作能够产生局部价值，却很难单独改变生产方式。

《置身钉内》记录的钉钉ONE实践，展示了产品端的第一重困境。工作场景中的AI既被期待主动过滤信息、安排任务、替人减负，又被要求保留原有组织中事无巨细的可见性和掌控权。两种要求叠加后，产品很容易重新滑回旧流程：AI接管了点击和搬运，层级、审批、汇报和控制机制原封不动，复杂度反而继续上升。AI原生产品需要做减法，需要允许一部分过程由结果验证替代逐项知情——这不是技术问题，而是牵涉到组织权力和责任边界，难度远高于增加几个功能。

产品端还有第二重困境：数据权限与平台边界。手机厂商即使开发出系统级AI，通常也无权直接读取微信等第三方应用中的完整聊天与业务数据；应用平台也有充分理由保护用户隐私和自己的数据资产。每一家都死守着自己的那座“数据金矿”，但孤立的矿山拼不出一名真正理解用户全部工作的Agent。只有在隐私、授权、责任和利益分配均可控制的前提下，让不同平台的数据得到安全、协同的利用，系统级AI才可能释放完整价值。问题由此从产品设计延伸到生态合作：大家都知道共同开发金矿的价值，却都不愿率先交出矿权。

赋能端的困难更深。企业希望把AI接入真实生产，却往往没有思考数据边界、流程记录、评价体系和持续反馈机制。底层模型更新很快，企业内部的知识仍分散在系统之间，安全、合规、责任和投入产出又同时施加约束。更棘手的障碍来自组织本身：任何生产方式的变革都会重新分配权力、资源和岗位，既得利益者有天然的消极倾向，一线人员也可能因为担心经验被抽取、工作被替代乃至岗位消失而抵触转型。于是，人人都知道AI重要，真正动手时却既不知道从哪里切入，也很难形成推动变革的内部合力。赋能端需要的远不止成立项目组和几个工具的开发部署，它要求最高决策者具备足够的视野，愿意承担过渡期成本，并以持续而明确的决心推动组织重构。

2026年3月，Brett Hemenway Falk和Gerry Tsoukalas在arXiv发布了理论经济学论文《The AI Layoff Trap》，并在同年6月作了修订。论文建立了一个处于AI转型期的竞争性任务模型：企业能够独享自动化节省的全部成本，却只承担自动化造成的社会需求损失中的一小部分，其余损失由竞争对手和整个市场共同承受。于是，即使所有企业都知道过度自动化会伤害就业、消费需求乃至企业所有者的长期利益，单个企业仍会选择继续自动化；竞争越激烈、AI能力越强，自动化超出集体最优水平的程度反而越高。这就是论文所谓的“AI裁员陷阱”。

论文讨论的核心是就业与需求，并非企业数据；本文借用的是它揭示的博弈结构。只要一家企业借助AI降低成本、缩短周期、提高产能，竞争对手就很难长期观望。每家企业都清楚仓促转型可能付出组织和社会代价，却又担心自己成为唯一停在原地的人。转型路径尚不清晰，自动化军备竞赛已经开始，这正是当前企业面对的囚徒困境。

2026年6月14日，微软董事长兼首席执行官Satya Nadella发表了《A frontier without an ecosystem is not stable》。他关心的并非某个模型或产品，而是AI时代的企业如何继续学习、形成知识产权并保持差异化。为此，他把企业资本分为两类：由人的知识、判断、关系、创造力和模式识别构成的“Human Capital”，以及企业自己建立并拥有的AI能力，也就是“Token Capital”。两者并非此消彼长。人的目标、判断和反馈推动token capital增长，更强的AI又把人的能力放大并带回下一轮工作。

这层意思首先关乎战略地位。企业过去把人力资源视为需要长期经营的核心资本，今后也必须以同样的高度经营AI数据资产和Token Capital：谁来负责、投入多少、如何衡量、怎样让人的成长与AI能力的积累彼此促进，都需要进入企业最高层的长期议程。它无法被缩减为信息部门的一次采购或若干零散试点。

纳德拉的第二层意思是方法论。底层通用模型可以采购、替换和升级，企业的工作流、领域知识、评价标准、反馈数据和组织记忆必须留在自己能够控制的学习循环中。一家企业应当能够更换“通才模型”，却不丢失系统里已经沉淀的“老员工经验”；它要用私有评价衡量结果，用真实业务轨迹修正系统，让每次工作为下一次工作提供训练信号。这样既不需要拒绝外部模型，也不会把核心知识拱手交给模型公司。供应商提供发动机，企业保留道路经验、评价体系和驾驶记录；海面以下的数据由此成为企业持续生长的智能资本，循环本身则成为新的知识产权。

三、咨询业的特斯拉时刻：从模糊生产到经验飞轮

制造业已经走得很远，咨询业仍困在手工作坊

谈行业数字化，首先需要把制造业单独拎出来。人类在制造业上的标准化与自动化已经达到令人惊叹的高度：从芯片到智能手机，从航空发动机到现代汽车，极其复杂的产品能够被拆解为零部件、工序、参数和质量控制点，并通过供应链稳定交付。制造业的数字化从来不轻松，也经历过巨额投入、系统割裂和组织阻力；但它的生产对象相对明确，输入输出可以测量，质量能够检测，工序能够拆分，因果链也能在长期实践中逐渐厘清。它已经拥有成熟而清晰的自动化主线，因此不是本文要重点讨论的对象。

咨询业面对的是另一种世界。方案、设计、判断、合同和研究报告的质量，常常无法在交付时立即验证。一个方案没有落地，可能源于方案本身，也可能源于客户组织、市场环境和执行条件；一次设计返工，可能来自设计错误，也可能来自需求变化和前期资料缺失。变量多、反馈慢、因果链长，责任边界还会随着项目推进不断移动。行业拥有大量规范、模板和流程，却很难把真实生产压缩成一条稳定流水线。

工程设计尤其具有代表性。设计单位普遍使用AutoCAD、专业计算软件、协同平台和项目管理系统，内部信息系统可能多达数十套。这些系统解决了立项、合同、人员、进度、工时、审批和归档等管理问题，生产一线仍主要依靠工程师在不同资料、规范、软件和项目条件之间穿梭。数字化覆盖了生产的外围，最核心的理解、判断与协调依然附着在人身上，人的天然不确定性，始终或多或少地体现在各种中间或最终交付物上。

BIM曾经被视为设计行业的未来形态，“3D正向设计”曾经是交通部明确要求的行业目标，至今仍在很多设计项目招标文件中看到正向设计的要求。然而“3D正向设计”最终还是在实践中被确认为一种暂时行不通的路径。与复杂地铁站或大型单体建筑相比，绝大部分公路工程的设计对象更分散、生产方式更粗放，三维建模本身能够带来的新增收益有限；而公路项目线路长、地形地质变化大、构造物类型和地方条件各异，标准化程度又天然低于单体建筑，建模、协同和维护数据主线的成本反而更高。所谓BIM正向设计，要求设计人员先承担一笔巨大的标准化和建模成本，再期待后续环节兑现收益，但收益常常抵消不了成本，也没有明确主体愿意为全生命周期价值先行买单。结果是这条路径在交通设计行业难以持续，BIM最终大多退化为成果阶段的三维效果展示工具，既没有成为真实生产的主线，也没有释放它本应具有的数据与协同价值。

BIM在交通设计领域的经历，是一次经典的提前验证。

传统IT算不过来的账，AI开始算得过来

传统IT方式面对咨询业的模糊性，会遇到一笔很难算平的经济账，这与 BIM 的遭遇有很大的共通之处。确定性软件要求业务人员先把工作环节的输入、方法与规则、输出解释清楚，IT人员再把它翻译成需求、数据结构、程序逻辑和用户界面。然而现实情况是，咨询工作中的大量判断无法被完整说清。业务人员知道自己在特定情形下如何取舍，却常常不能系统性地把多年经验整理成无遗漏的规则；IT人员会开发系统，也很难在数月内理解一个专业领域的全部上下文。需求经过业务人员、需求分析师、产品经理、架构师和程序员层层传递，每多一层都会增加成本和信息损失。

咨询业还有大量低频、长尾和项目特有的任务。某个工具也许只能服务一个项目，某项自动化一年只能节省几十个小时。传统开发要经历需求、立项、开发、测试、部署和维护，这些固定成本足以吞掉全部收益。过去许多数字化项目没有走下去，未必源于技术失败，也不宜简单归咎于管理者短视；在当时的成本结构下，把程序做到生产一线，成本确实可能远高于收益。BIM正向设计的退场，本质上也属于这笔账长期无法算平。

AI coding从根本上改变了这一关键成本因素。最懂问题的一线专业人员可以直接描述目标、提供样例、指出错误、要求修改，让Agent读取现有文件、调用工具、编写脚本、运行验证并快速迭代。专业知识无需先被完整翻译成传统需求文档，再排队等待另一个行业的人实现。自然语言成为专业经验与计算执行之间的新接口，跨行业理解的鸿沟因此显著缩短。

传统软件依赖规模经济：同一流程必须重复足够多次，开发一套系统才划算。AI释放的是范围经济：任务即使高度个性化，工具即使只服务一个项目，临时生成程序和Agent流程由于成本极低，也可能具有正收益。那些过去不值得编程的工作开始值得编程，长期处在软件射程之外的长尾流程也有机会被覆盖。咨询业终于有条件让一线技术人员从真实任务出发，在使用中暴露错误、积累评价、修正流程，再把稳定的方法沉淀为可复用能力。标准化由此进入了一个正向循环：它同时是自动化的条件，也成为了持续自动化的结果。

这里还有更深的一层。在所谓“海面下”未公开行业数据的更深处，还有大量尚未成为数据的经验。它们存在于工程师的判断、项目会议、批注、返工、客户反馈和一次次临时取舍中。过去，这些经验很难进入信息系统，项目结束后便随人员和记忆流失。Agent进入生产现场后，任务输入、执行轨迹、失败原因、人工修正和最终结果第一次有机会被连续记录，一个精心设计的循环更新机制可以对它们进行持续的筛选、解释和沉淀，从而形成“人的经验—业务执行—结果评价—AI更新”的迭代飞轮。

这个飞轮不会削弱真正的专业经验，反而会抬高它的价值。重复执行会迅速贬值，定义问题、识别关键变量、判断结果、理解客户和承担责任的能力会成为训练企业智能资本的稀缺投入。未来最强的咨询公司未必拥有最多的人，但却能让最优秀的人的一次判断被反复调用，让每一个项目都提高下一个项目的起点。竞争对手可以买到同样的基础模型，却买不到多年积累的私有评价体系、项目记忆、工作流和专业反馈。企业的知识产权由此得到了保护，企业自有品牌价值将在这种积累中焕发新生。

这就是咨询行业的“特斯拉时刻”。AI击穿的核心成本，是把模糊知识工作转化为可执行、可评价、可迭代生产流程的成本。信息系统和自动化第一次有可能真正下沉到咨询生产一线，过去成本高于收益的信息化、数字化尝试终于跨过盈亏平衡点。率先建立飞轮的企业会得到更快的交付、更低的成本和更多的项目，更多项目又带来更多高质量反馈，差距由效率差逐步变成增长斜率之差。

初步想来，这种变革如果发生，“快乐”可能是短暂的，超级内卷将接踵而来：生产率提升会迅速变成更低报价、更短周期和更多交付内容，客户也会按照新的成本水平重新定价。但若进一步细想，掌握新生产方式的企业至少拥有更多主动降价或扩大产能的选择，停留在旧方式中的企业则同时承受旧成本与新价格。分水岭一旦出现，差距将不断拉大：一边的生产线仍在依赖难以沉淀经验的人力工时，另一边却已经拥有一套每运行一次都会变强的自我迭代系统。面对必然发生的变革，与其被动等待，显然不如主动出击。

咨询行业的生产线过去没有真正建立起来，因为它最重要的原料和工序长期藏在人脑与项目现场。如今，Agent已经进入现场，行业数据开始汇入，人的经验也有了沉淀为组织能力的接口。电动车的“特斯拉时刻”，发生在关键性能和成本跨过商业可行性阈值之后；咨询行业的这一时刻，则发生在一线生产的标准化、流程化和自动化成本降到收益可以覆盖的水平之后。阈值一旦被跨过，改变的就不再是某个工具的效率，而是知识、判断和方案被生产出来的整个方式。

现实中，“特斯拉时刻”并没有把汽车行业推向特斯拉一家独大。特斯拉仍然保有技术体系、品牌和生产效率等独特优势，中国市场却已形成多家企业竞相创新、各有路径的格局。竞争把电池、软件、供应链和产品体验不断向前推进，电动车由一项颠覆性技术演变为整个汽车工业的新增长曲线，也给这个成熟行业带来了第二春。咨询行业同样未必走向一家独大：先行者的价值在于率先证明新的生产方式成立，并凭借自己的数据与经验飞轮保持优势；更多企业随后会在不同专业、客户和场景中形成各自的核心能力。这样的变革即使伴随激烈竞争，长期结果仍可能是行业重新焕发生机，专业服务质量提高、成本下降，最终让企业、客户与社会共同受益。