麦肯锡引入
“AI面试”
最新消息！在一次安全测试中，麦肯锡内部AI系统Lilli被一个AI agent在不到2小时内成功拿到系统权限——整个攻击链几乎是自动完成的，没有内部账号、没有人工操作，全靠AI自己完成。
根据安全研究披露，这次漏洞理论上可以访问约4650万条内部聊天记录、超过70万份文档，以及数万员工账户信息。但这些数字背后对应的，不是普通数据，而是客户项目讨论、行业分析、交易逻辑、内部方法论，甚至一些还没对外披露的商业判断。
事件曝光后，麦肯锡很快给出回应，表示漏洞已经在数小时内完成修复，目前没有证据显示客户数据被实际访问或泄露。但真正值得关注的，其实不是“有没有泄露”，而是AI系统一旦成为企业内部核心工具，它本身就变成了最大的风险入口。
像Lilli这样的系统，已经不仅是知识检索工具，而是直接参与分析、总结甚至辅助决策的“智能中枢”。它本质上是麦肯锡的内部AI“大脑”，接入公司多年来沉淀的项目经验、行业研究和方法论体系，能够帮助顾问快速调用案例、拆解问题、生成分析框架，甚至参与报告初稿的搭建。
在很多项目流程中，它已经不只是辅助工具，而是直接嵌入工作流的一部分。在这次测试中，攻击甚至可能触及系统的prompt，也就是AI生成内容的底层逻辑。
但这其实已经不只是麦肯锡的问题。随着越来越多投行、咨询公司、科技企业把AI接入内部系统，类似Lilli这样的工具正在快速成为“标配”。
AI Case
“纸笔”时代的终结
但需要强调的是：AI 并没有改变Case面试的本质——它改变的不是题目类型，而是解题过程中专业能力的展示方式。因此，与其泛泛而谈“AI 如何影响咨询面试”，不如回到最真实、最经典的场景中去理解这一变化。
星巴克中国地区 市场规模估算
这是一个极其典型、也极其“麦肯锡”的市场规模测算题。
一家全球连锁咖啡品牌，在中国市场的增长是否已经见顶。过去，候选人通常会从人口结构、城市分布、消费频率等角度拆解市场规模，用一套逻辑推导出一个大致结论。
在 AI 介入后，你可以通过 Prompt 让 Lilli 在短时间内给出多种测算路径，例如按一线/新一线城市渗透率切分，或按人均咖啡消费频次与客单价推算整体市场容量。但真正的考察点，并不在于 AI 算出来的数字是否“漂亮”，而在于你是否会立刻意识到这些假设是否站得住脚。
在这一类 Case 中，面试官往往更关注你是否能主动指出AI 容易忽略的关键现实因素，例如：
中国消费者对价格的高度敏感性
本土咖啡品牌在性价比与场景上的竞争压力
增量需求是否更多来自三四线城市、外卖场景或产品结构变化，而非简单的门店扩张
瑞安航空 利润下滑分析
航空公司盈利性分析，是麦肯锡最经典、也最容易“翻车”的 Case 类型之一。表面看，这是一个标准的利润拆解问题，但真正的难点在于，信息往往是高度噪音化的。AI 在这一环节的优势非常明显——它可以迅速生成一整套可能原因清单，从燃油成本、机场费用到票价竞争、辅助收入变化，逻辑完整且覆盖全面。
但面试官真正关注的，从来不是你列出了多少点，而是你能否在这些“正确但嘈杂”的信息中，迅速识别最有解释力的主因。在实际面试中，你需要做的不是继续堆因素，而是开始做减法，例如：
当AI同时提到“客户满意度下降”和“燃油成本上升”时，哪一个更可能解释短期利润变化？
哪些因素是外生冲击，哪些是公司自身商业模式的脆弱点？
如果这是一个真实项目，下一步最值得优先验证的数据是哪一组？
这种能力，本质上不是分析能力，而是优先级判断能力。AI 可以帮你把可能性全部列出，但只有你能决定，哪些值得继续深挖哪些需要放弃。
特斯拉 是否应该进入印度市场？
新市场进入决策，是另一类高频出现的麦肯锡 Case。以特斯拉进入印度市场为例，AI 非常擅长快速铺开情景分析，构建乐观、中性、保守三种路径，并从市场规模、政策环境、基础设施建设等角度逐一展开。这一阶段，AI 的作用是高效的，也是必要的。
例如，在特斯拉进入印度市场的 Case 中，乐观情景通常假设政策环境相对友好，进口关税与本地生产限制逐步放松，同时充电基础设施建设节奏快于预期，市场需求能够在较短时间内释放；中性情景则建立在现有政策与基础设施推进节奏不发生显著变化的前提下，需求增长相对温和，投资回收周期被拉长；而保守情景往往假设政策不确定性持续存在，基础设施建设滞后，导致高端电动车需求释放受限，前期投入难以快速转化为有效销量。
但真正拉开差距的，从来不是谁列出了更多情景，而是谁能在这些情景中做出明确取舍。当 AI 给出三套“逻辑自洽、看起来都合理”的分析时，面试官更想听到的是你的判断边界，例如：
在当前充电基础设施尚不成熟的情况下，直接进入是否意味着高昂的前期投入？
政策与关税不确定性，是否会显著拉长投资回收周期？
相比全面进入，本地合作或小规模试点是否是更理性的验证方式？
Netflix “流媒体+体育版权”
内容战略与商业模式，是近几年咨询面试中越来越高频的一类Case，而“流媒体+体育版权”几乎是一个典型考点。过去，候选人通常会从用户增长、订阅收入、内容成本等维度拆解，判断体育内容是否能带来新增用户以及留存提升。
在AI介入后，这类问题会变得“容易展开”。你可以很快通过Prompt，让AI列出进入体育直播的潜在收益：例如提升用户粘性、拓展男性用户群体、增强平台差异化，同时也能迅速补充成本端压力，比如高昂的版权费用、竞价不确定性、以及内容投入回收周期较长等问题。甚至AI还能帮你对标ESPN、Amazon Prime、Apple TV等平台的策略路径，形成一整套“看起来非常完整”的分析框架。
但真正的分水岭则是你是否能快速识别关键矛盾。例如，在这类Case中，面试官更希望看到的，不是你继续罗列优缺点，而是你能主动聚焦几个决定性问题：
- 体育版权的本质是“高成本+强周期”，Netflix当前以内容效率和ROI为核心的商业模式，是否能够承受这种结构性变化？
- 体育直播带来的用户增长，是否真的具备可持续性，还是更多是短期流量冲击？
- 与其重金购买顶级赛事版权，是否可以通过联合转播、区域性赛事或纪录片内容，构建“更轻量”的切入路径？
问题的关键在于当AI列举出所有可能性后能否明确告诉面试官哪一个选项是最值得投入的。