Economia della consulenza nell'era dell'AI: piramide, utilizzo e pricing

Ogni conto economico della consulenza classica si regge su una sola identità. I partner vendono e supervisionano. Un'ampia base di junior fattura tariffe premium per ricerche, modelli e prime bozze. Il profitto per partner è una funzione di tre leve: le tariffe che applichi, il rapporto di leva tra junior e partner, e l'utilizzo di ogni risorsa fatturabile nel mezzo. La fonte principale di margine del motore è lo scarto tra quanto costa un junior e quanto fattura un junior, moltiplicato su centinaia di analisti. La piramide, in altre parole, non è mai stata principalmente un organigramma. Era una macchina del margine che impilava manodopera a basso costo sotto cervelli costosi.[1]

• Tariffe: il prezzo premium che un brand può ottenere per ora, fissato in cima alla relazione e applicato a ogni livello sottostante.
• Leva: il numero di junior per partner. Più junior per partner significa che ogni ora senior di competenza venduta fattura molte ore junior alle sue spalle.
• Utilizzo: la quota del tempo di ciascun dipendente che si trasforma in ore fatturabili. Un utilizzo elevato converte lo stipendio fisso in fatturato fluido.

La piramide nascondeva anche un secondo sistema dentro il primo. I junior imparavano producendo: l'apprendistato che alla fine generava il giudizio senior era finanziato dalla fatturazione ai clienti, ora dopo ora. E poiché crescere significava aggiungere clienti, e i clienti significavano analisti, la crescita in termini di teste divenne il modello di crescita. Una società cresceva assumendo più persone alla base, non ottenendo di più dalla cima.

Quel motore dipendeva da due presupposti: che il lavoro strutturato dovesse essere svolto da esseri umani, e che i clienti avrebbero continuato a pagarlo a ore. Entrambi si stanno ora dissolvendo, e ogni leva del modello si sta muovendo contemporaneamente.

Gli agenti AI specializzati assorbono ormai il lavoro che riempiva settimane di un junior: raccolta strutturata di evidenze, riferimenti incrociati tra documenti, modellizzazione e la prima bozza del deliverable. Questo trasforma una leva basata sul lavoro in una leva basata sulla tecnologia. La base della piramide non scompare perché i junior falliscono; si comprime perché i compiti che la giustificavano non sono più scarsi.

La ristrutturazione più ampia è reale, ma va letta con sobrietà. PwC ha abbandonato un obiettivo di organico fissato prima del lancio dell'AI generativa mentre la crescita dei ricavi rallenta, e sono circolate notizie di ristrutturazioni nel business advisory di KPMG mentre la domanda si sposta tra le linee di servizio.[5][6] La storia economica non è un collasso. È un riprezzamento della base junior: i compiti in fondo alla piramide vengono riprezzati verso zero, e le società adeguano la base di conseguenza.

Man mano che il lavoro sintetico prende la base, la cima si apprezza. I dati di Revelio Labs mostrano che la domanda di consulenti senior è salita del 55% dal 2020, mentre le assunzioni di consulenti entry-level sono calate del 10% dopo il picco del 2023.[3] Le società non stanno comprando meno competenze. Ne stanno comprando un tipo diverso: supervisione, interpretazione e contestualizzazione di processi sempre più automatizzati.

È il lato del cliente a spiegarlo. Quando ricerca e prime bozze costano quasi zero, i clienti smettono di pagare per presentazioni e processi e iniziano a pagare per decisioni e risultati. È il premio del giudizio: la rendita di scarsità che va a chi sa inquadrare il problema, mettere alla prova la risposta e portarla attraverso la politica del cliente. L'analisi di questo cambiamento sostiene che l'AI rende commodity l'output analitico mentre ne fa salire il valore del giudizio umano.

1. Costruire prima una competenza settoriale profonda, spesso all'interno del settore stesso, perché quella profondità è ciò che i clienti non riescono più a sintetizzare da soli.
2. Entrare nella consulenza con il giudizio come biglietto d'ingresso, non come capacità produttiva.
3. Progredire ampliando il perimetro delle decisioni di cui si è responsabili, non la dimensione dei team gestiti.

Per l'economia delle società, l'implicazione è diretta: in un mercato dell'era AI, una società ricca di partner con una reale profondità settoriale può far pagare la scarsità, mentre una società ricca di teste è esposta ovunque il suo valore risieda ancora nella base.

Per gestire questo cambiamento in modo deliberato e non reattivo, aiuta dargli un nome. Il modello di leva dell'era AI descrive un incarico come sette gradini, ciascuno corrispondente a una decisione economica che un partner prende davvero. Dove il vecchio modello trattava la leva come un rapporto di leva basato sullo staffing, questo modello la tratta come una catena di scelte che va dal problema del cliente al risultato che viene misurato.

Il contrasto che conta è tra leva AI e leva basata sull'organico. La leva dell'organico scala linearmente con le assunzioni, si rompe ogni volta che l'utilizzo cala e si forma lentamente. La leva AI scala con la capacità degli agenti, si compone man mano che i flussi di lavoro vengono riutilizzati tra gli incarichi e costa importi marginali per essere estesa. I gradini rendono esplicita la profondità di competenza come premio umano: i gradini due e tre ti costringono a decidere cosa prendono gli agenti, e il gradino quattro ti costringe a nominare la competenza che giustifica il compenso una volta che l'hanno preso.

Usato come strumento diagnostico, il modello rivela dove un incarico tradizionale disperde valore: le firme che delegano al secondo gradino ma continuano a prezzare al sesto gradino in base alle ore stanno regalando i propri guadagni di efficienza al cliente, un ciclo di fatturazione alla volta.

Il calcolo dell'utilizzo costruito sulle ore fatturabili dei junior si rompe nel momento in cui gli agenti consegnano in ore ciò che richiedeva settimane a un junior. Se una prima bozza richiede un pomeriggio invece di due settimane, un obiettivo di ore per FTE o punisce l'efficienza o costringe la firma a fingere che le ore ci siano state. La metrica deve passare da ore per FTE a throughput per esperto: il valore degli incarichi consegnati per senior, con la capacità degli agenti conteggiata come leva e non come lavoro.

• Organizzare gli incarichi in piccoli pod con forte presenza senior, in genere da tre a cinque persone, dimensionati in base alla decisione da prendere piuttosto che alle ore da riempire.
• Designare in ogni pod un facilitatore AI il cui compito è progettare e supervisionare i flussi di lavoro degli agenti, non produrre la presentazione.
• Ricalcolare il rapporto di leva come valore consegnato per senior, con la capacità degli agenti come moltiplicatore, e abbandonare il rapporto junior-per-partner come metrica di gestione.
• Preservare deliberatamente un sottile strato di apprendistato, perché il ceto medio del diamante non può crescere se nessuno inizia mai dalla base.

L'economia dei prezzi segue direttamente. Quando il costo di servizio scende più velocemente del prezzo, il margine si allarga. Ma quell'allargamento è un arbitraggio temporaneo, non un dono permanente: i clienti vedono l'efficienza, e gli uffici acquisti chiedono già alle firme di spiegare come stanno applicando l'AI.[1] Prima o poi i clienti ne rivendicano una quota, e le firme che si muovono per prime hanno la possibilità di stabilire le condizioni con cui condividerla.

Fai i conti su un incarico tipico e il paradosso è evidente. Un progetto di dieci settimane consegnato in sei riduce la base dei costi di consegna di circa il 30-40%, mentre un compenso ancorato al tempo o resta invariato, regalando alla firma un guadagno inatteso che il cliente si riprenderà al rinnovo, o scende, restituendo immediatamente il beneficio. In entrambi i casi, le ore smettono di essere una base difendibile per il compenso. È ciò che rende il pricing legato ai risultati e al valore economicamente razionale anziché idealistico: prezza la decisione, non il documento.

Il mercato si sta già muovendo. L'amministratore delegato di BCG afferma che tre quarti dei più grandi progetti AI della firma oggi vengono eseguiti con accordi a compenso variabile legati agli obiettivi del cliente, come costi più bassi o crescita dei ricavi più elevata.[7] Per la maggior parte delle firme, la struttura praticabile non è la pura condivisione dei guadagni, ma un compenso base che riflette il rischio di esecuzione ridotto, con metriche di risultato aggiunte sopra: una combinazione analizzata nella guida al pricing legato ai risultati.

• Definire un compenso base su ambito e complessità, riflettendo il fatto che gli agenti hanno eliminato la maggior parte del rischio di esecuzione, non sulle ore stimate.
• Collegare da una a tre metriche di risultato tratte dal primo gradino dell'AI-Era Leverage Model, con la misurazione concordata prima dell'avvio dei lavori.
• Includere nell'offerta l'uso dell'AI e la tracciabilità delle fonti, perché i clienti oggi considerano un processo spiegabile una credenziale.
• Riservare un upside ai risultati verificati, così che la firma conservi una quota dell'efficienza che ha creato invece di regalarla.

La vittima silenziosa della piramide compressa è la pipeline che l'ha costruita. L'apprendistato che produceva il giudizio senior passava attraverso la produzione dei junior: i junior imparavano a giudicare facendo il lavoro che oggi fanno gli agenti. Se la progressione viene lasciata in pilota automatico, la firma potenziata scoprirà tra un decennio di avere partner e nessun modo di crearne altri. La progressione va ricostruita attorno alla facilitazione AI e al giudizio applicato dal primo giorno: una ristrutturazione dell'apprendistato nella consulenza, non un'aggiunta a esso.

• Facilitatore AI: gestisce e migliora i flussi di lavoro degli agenti, imparando a valutare la qualità dell'output anziché produrre volume.
• Architetto di incarico: inquadra i problemi, progetta la divisione del lavoro tra agenti e esseri umani, è responsabile della consegna.
• Client leader: è responsabile della relazione, del premio del giudizio e del risultato, prezzato al sesto gradino del modello.

Le implicazioni sul margine tagliano in entrambe le direzioni. I team con una maggiore presenza di senior comportano un costo più alto per esperto, quindi il margine della società potenziata sopravvive solo se il throughput per esperto aumenta di conseguenza e il pricing segue il risultato anziché le ore. Le società che mantengono un pricing a tempo e materiali mentre la loro base di costi collassa vedranno i clienti catturare l'intero guadagno.

Questo è il flusso di lavoro attorno al quale Decisity è costruita: una piattaforma di strategia AI-native che i partner usano per strutturare gli incarichi dei clienti dall'inizio alla fine, dall'ingestione dei documenti fino a deliverable strutturati in modo MECE e completamente tracciabili, così che il pod potenziato lavori a partire dalle evidenze anziché improvvisando. La domanda più profonda che sta sotto - se l'AI sostituisca il consulent[8]e o riprezzzi la società - è analizzata in un confronto dedicato su AI vs management consultants, e le società che consigliano clienti su più mercati possono vedere come la piattaforma supporta le società di consulenza con portata internazionale. Le società che vinceranno il prossimo decennio non saranno quelle con più agenti. Saranno quelle che hanno riprogettato per prime leva, staffing e prezzo attorno ad essi.

Per una prospettiva complementare su come queste scelte rimodellano l'organizzazione più ampia della società, vedere il pezzo separato sul ripensamento del modello operativo della consulenza, che copre le questioni strutturali che questo articolo lascia deliberatamente da parte.

Related: IA vs consulenti di management.