## 01 触发事件 2026 年 5 月，Bloomberg 报道 Alvarez & Marsal 计划到 2028 年让 50% 营收来自 AI 相关业务，对应规模最高可到 35 亿美元。 这不是一家小型顾问公司的 PR 口径。 A&M 是做重组、绩效改善、交易咨询出身的公司，它把一个极具体的数字摆出来：35 亿美元，而且是营收结构里的 50%。 这意味着至少在它看到的客户需求里，AI 已经不是“试点项目”或“创新预算”里的边角料，而是足够支撑一个大型专业服务组织重配销售、交付和招聘资源的主航道。 我没看到 Bloomberg 全文里更细的拆分，所以我不能确认这 35 亿美元里有多少是 strategy，有多少是 implementation，又有多少会被包装成运营改造费而不是纯 AI 收入。这个口径可能比技术圈理解的“AI software revenue”宽得多。 Bloomberg：Alvarez & Marsal wants to generate 50% of its revenue from artificial intelligence work by 2028, which would represent as much as $3.5 billion in earnings. 但即便按最保守理解，这仍然是个供给侧和需求侧同时转向的信号。 供给侧上，咨询公司开始把 AI 当作核心收入引擎，而不是附属 practice。 需求侧上，企业客户愿意为“把 AI 接进组织流程”付费，而且金额大到足以让传统服务商改写自己的 P&L 叙事。 ## 02 这事的真正含义 这事表面上是在说：一家咨询公司押注 AI。 这事真正说的是：企业 AI 市场的稀缺资源，不再只是 model intelligence，而是 distribution、组织落地能力、采购通道和责任承接能力。 模型 API 已经越来越像 commodity。 OpenAI、Anthropic、Google、xAI、Mistral、DeepSeek、Qwen 在供给侧把智能密度持续抬高；token 单价、batch 折扣、prompt caching、长 context、model routing 都在压缩“单纯卖模型调用”这条链路的超额利润。 但大企业采购不是这么运作的。 CIO、COO、财务负责人、法务团队不会因为某个模型 benchmark 提高 7% 就大规模放量。他们真正买的是一种被包装后的可执行变革：流程重写、风险边界、系统接入、审计责任、供应商兜底、KPI 改造。 A&M 想吃的不是 token margin，而是企业把 AI 从 demo 推进到预算科目时产生的那层高毛利服务收入。 这才是 A&M 在说的事。 问题不在“AI 会不会替代咨询”，而在“谁先把 AI 变成可采购的组织工程”。 对 AI builder 来说，这里有个不太舒服的事实：很多技术团队以为自己的竞争对手是别的 SaaS 或别的 agent 产品，但在 enterprise 账户里，真正截流预算的可能是咨询公司、系统集成商、BPO、四大，甚至法律和审计链条里的服务商。 我没在内部跑过大型 enterprise procurement，所以这点我可能误判部分行业节奏；但从过去两年企业 AI 项目的签约方式看，很多预算并不直接流向模型平台，而是先流向“能担责的中间层”。 这会改变价值分配。 基础模型拿一部分。 云厂商拿一部分。 而最被低估的一部分，可能流向那些能把“AI 能力”翻译成“可交付结果”的服务组织。 ## 03 历史类比 / 结构对照 更像的历史类比，不是 2022 年 ChatGPT 爆发。 而是 2014 年前后的 AWS 生态扩张。 当年很多人以为云计算的赢家只会是基础设施提供商。后来真正放大的，是一整层围绕云迁移、架构重构、安全、成本治理、数据管道的新服务经济。基础设施是引擎，但企业花大钱买的是“迁移确定性”。 今天企业买 AI，也在买同样的东西：不是某个模型本身，而是把不确定性外包出去。 还有一个更老的类比，是 ERP 和数字化咨询时代。不是软件不重要，而是组织改造总会催生一层高价中介，把复杂度打包卖给客户。AI 只是在重复这个模式，只不过底层变量从数据库和工作流，变成了 inference、agent orchestration、MCP、权限边界和人机协同流程。 这也是为什么“应用层 moat 很薄”这句话只说对了一半。 如果你卖的是一个人人都能调 API 拼出来的前端，moat 的确薄。 但如果你能嵌进客户流程、控制 deployment、掌握 usage 数据、接住合规责任，并成为持续优化的默认接口，那么 moat 不来自模型本身，而来自 distribution 和 switching cost。 A&M 的表态，本质上是专业服务行业在承认：AI 不是一个软件功能升级，而是一轮新的企业重组机会。 这很像 Grove 说的 strategic inflection point：旧流程还能运行，但新流程的经济性已经开始逼近，而且一旦跨过阈值，预算和权力结构会重新分配。 我没法确认 2028 年这个目标一定可实现，咨询公司常常会高估新 practice 的增长速度。但它愿意现在就把这个目标公开化，说明内部已经把 AI 视为必须押上的生存性赌注，而不是可有可无的增长叙事。 ## 04 对 AI builder 意味着什么 这周、这个月，真正该调整的不是对模型能力的看法，而是 go-to-market 假设。 第一，如果你卖 API-native 产品，不要只算 token 成本和模型效果，要开始算“谁拿到客户预算入口”。 能签 enterprise 单的，未必是技术最强的人，而是最先进入采购流程的人。 第二，重视与咨询、SI、行业服务商的渠道关系。 很多 founder 本能上看不起这条路，觉得 partner 会吃掉毛利、拖慢产品节奏。但如果企业 AI 预算正在通过服务商释放，那么拒绝这些渠道，等于把 distribution 主动让出去。 第三，产品包装要从“模型很强”切到“业务结果可审计”。 你要能回答：人工审核在哪一层？失败 fallback 是什么？权限如何隔离？日志怎么留存？MCP 接哪些系统？哪些步骤可以 deterministic，哪些必须 human-in-the-loop？ 第四，pricing 要准备双轨。 一轨是 usage-based，适合开发者和中小客户。 另一轨是 project + platform 的混合收费，尤其是面向 enterprise 时。因为客户很多时候不是在买调用量，而是在买迁移风险的转移。 第五，如果你是 model gateway 或 routing 层玩家，这类新闻反而是利好。 原因很简单：当更多咨询公司和交付团队进入 AI 项目，它们不会为每个客户都只绑定一个模型。它们更需要多模型 access、可替换性、成本控制、审计和 fallback routing。这会推高对中立接入层的需求。 我没看到 A&M 是否会深度绑定某一两家模型供应商，所以这里我可能高估了中立网关的机会。但从 enterprise 实操看，单模型锁定通常只在早期出现，规模化后都会回到 portfolio 策略。 第六，不要把“企业愿意花钱”误读为“纯软件厂商一定受益”。 真正会被定价的是交付确定性。 如果你的产品不能缩短部署周期、不能减少组织摩擦、不能把模型波动吸收掉，那么即便智能很强，也可能只是咨询公司方案里的一个白牌组件。 ## 05 反方观点 / 风险 我前面的判断，最大风险是把一家咨询公司的收入目标，过度解读成整个行业的真实需求拐点。 这完全可能只是 narrative inflation。 咨询行业天然擅长追逐预算热点。几年前是 cloud、cyber、ESG、data modernization，今天换成 AI，不代表客户会持续放量到 2028 年，更不代表这些项目最后能形成高复购的软件收入。 第二个反方是，AI 服务收入可能大，但不一定健康。 服务生意的问题一直没变：人头扩张、交付依赖、边际利润受限、规模化弱。如果 A&M 的 35 亿美元大部分来自高接触项目制服务，那它证明的是“AI 带来咨询需求”，不是“AI 产品化市场已经成熟”。 第三个风险是，企业 AI 预算可能被宏观环境或 ROI 现实压回去。 如果 2026 到 2027 年，大量 agent 项目没有兑现 headcount leverage、流程吞吐提升或 error rate 改善，CFO 很可能收紧实验性支出。那时咨询公司最先承压，因为它们卖的是希望，而不是底层算力。 第四，我也可能低估了软件厂商直接拿预算的速度。 如果 OpenAI、Microsoft、Google、Salesforce、ServiceNow 把 AI agent 深度嵌进现有 seat-based 分发体系，很多原本属于咨询公司的改造价值，可能会被平台直接内生化。届时 enterprise 采购会更像 buying features，而不是 buying transformation。 最后，一个更尖锐的反方是：也许这根本不是 AI 行业的利好，而是模型层 commoditize 的副产物。 当底层模型差距缩小时，价值自然上移到“谁能卖方案、谁能管流程、谁能担责任”。这对 builder 不是好消息，而是警告：如果你不控制分发，不控制 workflow，不控制预算入口，你最终只会沦为别人项目里的成本项。 我可能错在节奏上，但方向上很难忽视这个信号。 A&M 不是在宣告 AI 技术突破。 它是在告诉市场：企业已经准备为“把 AI 组织化”付大钱了。