“地图全开”的麦肯锡Agent

“探图”

很多人认为管理咨询不过是企业高管雇来的“一杆枪”。但无论是出于何种目的（例如，“支撑不受欢迎的决定”、“将内部矛盾外化”、“甚至是为未来可能的失败脱罪”），麦肯锡顾问（下称：顾问）最终的叙事都必须由一个定性定量的强逻辑体系支撑。

正如Li Feifei将代表、模拟和诠释3D世界运转的体系称为Large World Models；我们也可以将这个代表特定商业领域的强逻辑体系称为World Model。

理想中的World Model是事实及其支撑逻辑的合集。但在现实中，World Model往往为隐性，并呈碎片化 - 事实散布于各类数据、分析和专家的脑袋中；而顾问的工作便是“探图”，即从碎片化的事实中用逻辑确认正确路径。例如，假设我们将下述问题抛给顾问：

“如何扭转某大型连锁超市的利润下降？”

在项目起始之时，顾问所面对的是一家零售连锁企业跨业务单元、跨营收/成本条线的成百上千种业务指标（图1）：

图1: 复杂、碎片化的业务指标

受限于项目成本、资源和复杂度等因素，顾问往往无法等待所有指标明晰后再统一求解。反之，他们采用的是“探图”式策略（图2）：

• 首先凭借先验知识勾勒出一个由Hypothesis构成的路线图；
• 随后以“利润率”目标为起点，基于事实运用逻辑对路线图进行实时剪裁：逐步剥离无关Hypothesis（证伪）、拓展可行Hypothesis（支撑）、并不断量化Hypothesis的Impact（ROI），直到锁定最优路径。

图2: 顾问裁剪路线图

“探图”成功后，不仅仅利润提升的最优路径被找到，一个包含必要事实以及其支撑逻辑的World Model亦已在顾问的脑中确立。虽然该World Model可能只是全部事实和逻辑的一个“切片”，但即使顾问在最终汇报时还需要考虑收益周期、实施难度、以及办公室政治等诸多主/客观因素，该“切片”定性定量的本质已足以支撑顾问的最终叙事（图3）：

图3: 顾问的World Model副本

所以，我们应该如何复刻顾问的“探图”能力？

“悖论”

当下最形似顾问的莫过于各类大厂Deep Research（DR）。例如，Gemini Deep Research可以表演一个似模似样的迭代过程：其能够为议题设置明确迭代轨迹，会有意识地在迭代轨迹中保持议题主线，并在每次迭代中实现Hypothesis的分解和细化（图4）：

图4：Gemini产生的迭代框架，来源于我的实验

1. DR（Generator）：利用其先验知识生成Hypothesis；

2. World Model（Verifier）：基于事实支撑、证伪或量化Hypothesis。

但是，悖论也由此产生：World Model之所以能够充当Verifier的原因是其必然已经明确了标准答案（最优路径）；而如果我们可以从World Model中直接得到最优路径，“探图”又有何必要呢？此时的World Model可谓是已经“地图全开”，复刻顾问的探图能力不再必要。

所以，如果再有人问我如何打造麦肯锡Agent？我仔细考量后会回答：

“构建一个地图全开的World Model。”

“地图全开”

在可能实现“地图全开”的技术路线中，Causal AI（因果分析）是个选项。

很多情况下，顾问不得不利用相关性（Correlation）来支持叙事，但相关性并非强逻辑；例如，虽然在夏天吃冰淇淋和游泳的人数同时上升（相关性），但温度，而非吃冰淇凌，才是游泳人数上升的驱动因素。只有因果关系才能拨开相关性的障眼法，找到并量化事件的真因（图7）：

图7：相关性 vs 因果关系

同样，像最大化 Log-likelihood 或强化学习这类基于统计拟合的方法，并不善于表达“收入不变、成本上升必然导致利润下降”这类确定性逻辑。

 

因此，虽然Causal AI一直活在深度学习和强化学习的阴影之中，但在一众Correlation、Log-likelihood和Similarity中，定性定量的Causal AI是代表强逻辑体系的不二之选。

此外，业界已然开发了一整套基于因果分析构建World Model的工具链，例如，对于利润率问题，人类专家可以基于先验知识、私有数据、Causal-learn和DoWhy等工具构建一个具有统计学意义的“利润率World Model”（图8）：

图8：“利润率World Model”

而归因分析和ROI预测的组合可以直接在该World Model中定位最优路径：

首先，归因分析：Causal AI的Attributions机制可以“量化多因素对目标变化的贡献度”，从而直接筛选出问题的“病根”。例如，“特色商品部门（熟食/烘焙）过于复杂的协作流程”贡献了35%的利润率下滑，排名第一（图9）：

图9：利润率问题的归因分析

其次，ROI预测：Causal AI的Intervention机制可以回答问题：“If we change X, How will Y change? ”，从而量化解决“病根”带来的价值。例如，其可以产生如下预测：

“如果我们每季度对滞销品（后20%的低周转SKU）进行优化清理，可降低库存持有成10–15%，同时对毛利率产生2–3%的积极提升。”

Causal Reasoning and Large Language Models》展示了大模型在“点对点”和“整图”级别的因果关系识别都超越了传统算法（图10）：

图10: 使用大模型，Causal Discovery的准确率显著提升

第二，最优路径的验证。虽然管理咨询可以“对结果不负责”，但那是建立在乙方顾问与甲方高管长期合作所形成的“羁绊”之上。而不具备此种羁绊的Agent，恐怕并没有“管杀不管埋”的特权。

所以，相较于“拍拍屁股走人”的顾问，麦肯锡Agent最好能通过自我演进/纠错的闭环验证其所选出的最佳路径。而在整个闭环中，有两项能力尤为关键（图11）：

图11：“麦肯锡Agent”的自我演进/纠偏闭环

其一，能够启动实验以验证最优路径：这些实验基于Randomized Controlled Trial或A/B Testing理论构建，由人类专家或其他Agent完成；

其二，能够利用实验结果优化World Model对问题的理解，并持续迭代。