麦肯锡引入
“AI面试”
过去几年，大公司面试的无一例外离不开一条规定：候选人不得借助任何外部工具，包括各类 AI 辅助系统与ChatGPT。
但现在，这条规则正在被麦肯锡亲手改写——据《Financial Times》报道，麦肯锡正在部分地区、部分岗位中试点将其内部AI工具Lilli引入招聘评估流程。
候选人被允许、甚至被要求，在Case Study分析过程中使用 麦肯锡内部AI工具辅助思考、整理分析并完善结论。
这并不是代替答题，也不是降低面试门槛，而是一次刻意为之的设计——麦肯锡希望通过这种方式，模拟真实咨询项目中的工作流。当 AI 已经成为顾问日常工作的一部分，面试如果还停留在“无工具”的状态，反而无法判断一个人是否真的适合这份工作。
需要强调的是，目前这一做法仍处于试点阶段，并未覆盖所有岗位或地区，也不会作为一票否决的硬性标准——但它已经清晰地传递出一个信号：咨询面试已从传统打法转变为AI+Consulting模式。
麦肯锡的“ChatGPT” Lilli
Lilli是麦肯锡内部部署的生成式 AI 助手，接入的是公司数十年来积累的项目经验、行业研究、方法论框架与内部知识库，其核心目标并不是代替顾问思考，而是极大压缩信息获取和初步分析的时间成本。
在真实项目中，顾问会用 Lilli 快速梳理行业背景、拆解市场结构、生成初步假设，甚至辅助整理汇报材料的逻辑结构，但所有对客户产生实质影响的判断，依然需要由人来完成。
正因为如此，麦肯锡才会考虑把Lilli放进面试流程中——当一个强大的工具摆在你面前，你是否知道该如何使用、如何质疑、以及什么时候不能依赖它：
是否能围绕业务问题向 AI 提出结构清晰、目标明确的提问；
是否具备质疑和纠偏的意识，能够识别隐含假设或不适用的前提；
是否能把 AI 输出的内容真正放回客户场景，形成可执行、可解释的商业判断。
这一变化，对所有目标咨询岗位的候选人来说，影响是非常现实的。过去被高度重视的能力，比如快速手算、完整背诵框架比重逐渐降低；而能够解决如何提出好问题、如何审视AI给出的答案、以及如何为最终结论承担责任的人才是最终赢家。
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？