来源：HRflag

　　部分入门级岗位的候选人，将在正式面试中与AI扮演的客户交谈。 十分钟，真人在旁观察。

　　图1由 ChatGPT生成 选拔情境示意：AI扮演客户，真人在场观察候选人的表现。

　　入职之前，先接待一次客户。麦肯锡准备把这件事放进部分应届生的面试，客户由AI虚拟人物扮演。

　　按照《华尔街日报》10月14日披露的计划，2026年秋季，申请麦肯锡北美部分办公室商业分析师岗位的本科生，将在案例分析测试后增加一项任务：通过笔记本电脑，与一个虚拟客户完成约十分钟的对话。预计会有数百名候选人参与这一试点。

　　场景和客户都是模拟的，选拔是真实的。这段交流会在麦肯锡办公室内进行，合伙人或面试评估人员与候选人处于同一房间，观察他如何回应客户的追问、顾虑和新补充的信息。AI工具本身不为候选人评分，也不作评估。决定候选人能否继续走向这份工作的，仍然是?人?。? 1

　　麦肯锡给AI安排的角色很具体：它可以是希望把建议弄得更明白的客户，也可以带着自己的优先事项，要求候选人重新解释一项主张。它不必像传统面试官那样询问实习经历。候选人需要直接进入顾问的角色，回应客户即时带来的信息，让一段事先无法完整安排的工作对话继续下去。

　　这使十分钟的分量超过了一次表达练习。一个应聘者可能已经讲清楚自己做过什么，也在案例中展现了解题思路，现在还要让坐在旁边的面试官看到：当工作对象开口之后，自己会怎样做事。

　　案例做完 还要面对一个客户

　　麦肯锡此前的选拔已经包含多种考察。其现行官方面试说明列出了个人经历面试、案例面试，以及部分岗位的专业能力面试。前者围绕候选人的真实经历展开，后者通过典型客户业务情境，观察候选人分析复杂任务的方式。具体安排因岗位而异，由招聘人员提前告?知?。? 2

　　候选人需要完成的工作也因此不同。讲述经历时，要把过去的一件事还原给面试官，让对方理解自己承担了什么、为什么那样判断。面对案例时，则要处理现场给出的业务材料，在有限时间内组织分析，解释依据。两者都需要交流，面试官也会追问，并非只有候选人独自陈述。

　　新增的客户模拟，在这条流程上又向前走了一步。候选人不仅需要向负责考察自己的人解释思路，还要面向一个有自身关切的工作对象提出建议。房间里的真人观察者和电脑里的虚拟客户，承担了不同任务：一个看候选人如何工作，一个参与推动这段工作。

　　图2由ChatGPT生成 新增的客户模拟，让候选人在正式选拔中展示如何解释建议、参与交谈。

　　这种安排把一项常见的招聘要求变得具体。简历上写着沟通能力强，个人经历里能够举出说服他人的例子，仍然需要经过面试官理解和判断。与虚拟客户交谈，则让一部分表现直接发生在现场。候选人如何开场、怎样组织信息、面对追问时先处理什么，都成为别人能够亲眼看到的行动。

　　它也改变了候选人需要兼顾的对象。一个人在回答面试官时，容易同时琢磨对方想考察什么，自己的回答是否足够完整。进入客户角色的对话之后，还要把注意力留给对方此刻需要理解什么。向观察者证明自己很有能力，与让交谈对象明白一项建议，有时会需要不同的表达安排。

　　候选人可以把推导过程讲得十分全面，却没有先回答客户最在意的一点；也可以迅速给出结论，却让对方无法判断其中依据。这样的差别不能只靠检查答案末尾是否出现某个关键词来辨认。客户继续询问时，候选人才需要决定哪些内容值得展开，哪些可以暂时放下，哪些需要承认尚不确定。

　　麦肯锡此次选择的商业分析师岗位，本来就包含客户协作。其官方岗位说明写明，分析师将加入客户服务团队，承担项目中的一条工作线，把研究、数据分析、访谈和讨论结合起来，并直接与客户共同推进任务。任职要求还提出，口头和书面沟通需要适应不同立场、不同职级的对?象?。? 3

　　因此，让应聘者提前接触客户式对话，与岗位任务有着直接联系。一个分析结论进入项目之后，常常还要经过解释、确认和修订，才能成为其他人愿意采用的行动依据。招聘中的十分钟只能截取其中很小的一段，但至少能够把“分析之后会发生什么”带进考场。

　　麦肯锡官网提供的练习案例，涉及美妆企业是否应培训门店顾问利用线上渠道服务客户，以及卡车企业是否应投资电动卡车等经营选择。候选人原本就需要进入具体业务情境。新增的客户模拟，又让一个有自身关切的角色参与任务，要求候选人在解释判断之后，继续面对对方带来的信?息?。? 2

　　这一安排并没有让原有的分析要求消失。解释一项建议，仍然需要建议本身站得住脚；回答追问，也需要知道自己判断的边界。只是候选人无法把“已经有了答案”当成交流结束的标志。电脑里的客户还会开口，而房间里的观察者会继续看下去。

　　一位AI市长 有她自己的关切

　　参与设计试点的麦肯锡达拉斯办公室合伙人萨利姆·扎法尔，向《华尔街日报》举了一个假设情境：一座城市请麦肯锡研究新体育场应该建在哪里。AI虚拟人物扮演市长，候选人需要向她解释建议，回答她的追问。

　　扎法尔说：“市长会有一些她非常看重的事情，也会想听听你的建议。”随着候选人展开说明，她还可能表达更多顾虑，或者补充其他层面的背景信息。这个例子没有设置一位无理取闹的客户。市长愿意听，也有自己的判断，她的参与会让谈话继续变化。

　　图3由ChatGPT生成 假设情境示意：AI扮演市长，就体育场选址建议继续追问。

　　体育场选址只是一个帮助理解设计思路的例子。它所呈现的任务结构更值得注意：建议有自己的分析逻辑，客户有自己的决策语境。两者需要在对话中相遇。候选人既要能够说明为何提出建议，也要弄清客户追问的内容是否会影响原有判断。

　　在这个假设中，市长并非等待候选人念完答案的听众。她掌握部分背景，对某些事情尤其在意，还会根据刚听到的内容继续提问。候选人说什么，可能影响下一轮谈话往哪里走。一次模拟由此具有了参与者之间的关联，无法简单缩成几道彼此独立的问答。

　　客户的追问会带来不同任务。有时需要补充依据，有时需要重新审视条件。单凭说得是否流畅，难以区分候选人完成了哪一项工作。坚持意见可以有充分理由，修正判断也可以体现严谨，前提都是说明自己的选择与眼前获得的信息有什么关系。

　　扎法尔特别在意候选人是否已经带着固定议程进入交流。他描述的一种表现是，忽略对方话里的重要信息，只想着把准备好的答案强推过去。那个人未必缺乏条理，也未必不够自信，甚至可能把每句话都讲得很漂亮。但客户已经改变了谈话所处的条件，他仍在完成自己的原定计划。

　　另一种值得区分的情况是，把每次追问都当成否定。客户希望多理解一点，并不自动意味着建议错误；客户有所顾虑，也不等于应该立即放弃判断。交流需要容纳解释、确认和必要的分歧。如果候选人只追求让对方尽快满意，可能同样错过真正需要处理的内容。

　　图4 由ChatGPT生成 视觉隐喻：客户带来新信息，预先准备的陈述需要回应现场变化。

　　工具可以扮演不同性格的客户。按麦肯锡合伙人的介绍，工具接受了不同客户特点的训练，其中包括希望更深入理解建议的“学究型”客户。这样的对象可能需要更细致的说明。候选人所面临的挑战，是辨认解释需要达到什么程度，以及对方究竟还缺哪一部分理解。

　　同一项建议，面向不同对象时可以采用不同的解释顺序。有的人先需要明确结论，再决定是否深入细节；有的人只有理解依据，才愿意继续讨论结论。这是对客户性格设定的一种业务含义：沟通方式需要服务于理解，而候选人也要为自己的时间安排作出选择。

　　扎法尔强调，虚拟人物不会专门模仿情绪失控的客户，也不会靠“陷阱”提问刁难人。他希望覆盖的是顾问日常可能遇到的约80%的情境。这是试点设计者给出的目标：把普通工作里反复出现的沟通要求放进模拟，观察一个人怎样应?对?。? 1

　　日常情境并不等于容易。对话可以始终礼貌，却仍然要求参与者不断判断。真正消耗注意力的，可能是几项合理要求同时出现：建议要有依据，解释要让对方理解，新信息要得到处理，时间还在减少。候选人无法依靠一次强硬表态或者一段漂亮总结完成所有任务。

　　十分钟的长度又让取舍变得明显。候选人很难把所有分析从头讲一遍，只能选择先谈什么、追问什么、在哪一点停下来确认。模拟把这些选择集中在一个短窗口里。市长是否接受建议，未必是理解这段表现的角度；候选人怎样使下一步讨论成为可能，也会呈现在观察者面前。

　　客户在交谈 真人在看他怎样做事

　　这场新面试有一个容易被“AI面试”四个字掩盖的安排：合伙人或评估人员在同一房间里。候选人与虚拟客户交谈时，真人仍然持续参与选拔。AI承担互动中的一个角色，人的任务则是观察和判断。

　　同一房间让评估者能够看到交谈推进的过程。一项建议是怎样被提出的，哪句话之后候选人改变了解释顺序，一条新信息出现时发生了什么，这些都处于共同的现场。对于希望了解一个人工作方式的面试官而言，过程本身提供了比事后概括更细的材料。

　　扎法尔列出的关注点都很具体：对方说了重要内容，候选人有没有听到？听到之后有没有采取相应行动？是否直接略过，继续按照自己的思路往下说？他把这项考察概括为：“我们想看的是，你如何应对不断变化的现场信息？”

　　图5 由ChatGPT生成 真人评估者关注的，是候选人如何处理不断变化的现场信息。

　　这里所说的应变，需要落到实际内容上。一个人很快作出回应，只能说明回应速度快；是否理解信息，还要看他接下来处理了什么。一句承认听到了的礼貌表达，也未必等于真正考虑了它。新环节让观察者有机会沿着连续的对话，看看信息是否进入候选人的判断。

　　共同负责麦肯锡全球招聘的合伙人布莱尔·西西尔，则解释了另一项动机：候选人在面试中讲述的故事，有时已经反复演练。这些故事可能确实出色，却仍然让面试官很难充分了解讲述者。麦肯锡希望通过模拟，看到较少依赖预先排练的交往表?现?。? 1

　　这并不难理解。过去的一次经历，已经拥有起点、转折和结果。候选人可以回头筛选最重要的片段，把当时并不整齐的过程组织成一段清楚的叙述。这样的整理有助于沟通，但面试官听到的，终究是事情发生之后的说明。现场任务则要求一个人在结果尚未确定时作出下一步选择。

　　例如，一个人在复盘中能够清楚说明自己曾经怎样改变观点，到了实时对话里，是否仍然愿意承认依据不足，要在当下才能看到。反过来，有的人不擅长把经历包装成戏剧性很强的故事，却可能在具体工作中表现得稳妥、细致。新增模拟为这些差别提供了另一个观察窗口。

　　麦肯锡对适应变化的兴趣已有先例。2023年9月，西西尔与另一位全球人才吸引负责人玛丽·克里斯蒂娜·帕德贝格在官方文章中介绍，公司新增了“Courageous Change”面试环节，请候选人讲述自己经历重大变化或模糊情境时采取的适应行?动?。? 4

　　当时的方式，仍然是请人描述过去。此次虚拟客户试点则把一部分变化带进了面试现场：客户会补充信息，候选人需要继续行动。两种方式各自提供不同材料。一个人如何理解自己曾经经历过的变化，以及在眼前的变化中做出什么选择，都与未来工作有关。

　　这也说明，新增环节并非凭空创造出一种此前不被重视的能力。它尝试改变获得信息的方式。招聘者过去主要通过追问去接近那段经历，现在又可以安排一段共同见证的任务。候选人既要说明自己，也要在招聘者面前完成一次交互。

　　但十分钟不可能容纳一名顾问的全部工作。客户关系需要时间，判断需要业务知识，项目还涉及团队协作和后续执行。这项模拟更适合被理解为选拔中的一块材料。它能够把某些行动带到现场，人的整体表现仍需放在其他考察和真实经历中一起理解。

　　麦肯锡当前官方招聘页面同样强调，申请材料由招聘团队审阅，是否进入下一阶段由招聘人员和面试官决定，AI不自主作出录用或面试筛选决定。虚拟客户加入之后，这项人与工具的分工依然清楚：候选人接受正式考察，工具提供互动，真人承担判断责?任?。? 5

　　这种分工也让面试官的任务更集中。他们不必同时维持客户角色、组织追问，再从角色里抽身评价表现，可以把更多注意力放在候选人的行动上。这是这一设计可能带来的便利，实际能改善多少观察质量，还需要试点中的使用来检验。

　　广告

　　换成AI之后 客户也要经得起考验

　　让应聘者在录用前完成一段接近实际工作的任务，早于这轮生成式AI热潮。美国人事管理局对工作样本和模拟测评的介绍中，就包括应聘者与受过训练的演员互动，由评估人员观察行为。角色扮演早已能够把一部分工作带进选拔，真人可以分别担任互动对象与观察?者?。? 6

　　麦肯锡这次替换的是客户的扮演者。屏幕里的AI需要掌握角色设定，围绕候选人的回答继续交流；房间里的真人则保持观察。这种配置的吸引力在于，客户可以带着预先安排的性格和背景进入谈话，同时根据候选人实际说出的内容作出回应。

　　真人扮演客户时，也会有自己的习惯。面对同一种回答，有的人喜欢追问细节，有的人倾向于尽快推进；连续进行多场面试，精力和耐心也可能变化。麦肯锡合伙人提出，使用虚拟客户的一项目的，就是减少真人角色扮演时严厉程度不一的影响，提高公平性。

　　这是一项需要在实际使用中兑现的期待。客户角色相对稳定，能够帮助候选人面对接近的任务起点；对话又必须保持一定变化，才能体现互动价值。候选人的回答如果不同，后续交流完全相同，也很难称为自然的客户对话。新工具要同时容纳这两项要求。

　　图6 由ChatGPT生成 视觉隐喻：虚拟客户既要回应对话，也要保持角色与情境连贯。

　　可以把这种张力放回应聘者的位置理解。一个人希望自己面对的是足以展现能力的真实情境，也希望别人不会碰巧得到明显更容易的客户。追问的深浅可以随交流推进而变化，但变化更好与任务和角色有关。一次选拔的说服力，部分取决于候选人是否相信自己与他人接受了可比较的考察。

　　AI能够担任客户，已经有其他场景的实践。一项2025年公布的需求工程教学研究，让120名学生通过两种方式获取业务需求：一组与大语言模型扮演的客户互动，另一组阅读访谈记录，随后完成软件设计。两种方式都能支持学生形成技术上可行的设计，用时相近，多数参与者更偏好互动形?式?。? 7

　　这项研究捕捉到的差别，与客户模拟的价值有关。阅读记录时，提问和回答已经发生，使用者从现成材料中提取内容；亲自访谈时，使用者必须决定先问什么、还缺什么，再根据回答继续探索。信息如何到达自己手中，本身就成为任务的一部分。

　　研究也记录了模型偶尔提供不准确、前后矛盾的信息，甚至增加原设定没有的需求。在教学任务中，学生仍然能够依据这些互动完成设计；进入正式选拔，角色偶然偏离设定还会影响不同候选人面对的任务。这使虚拟客户的稳定性变得更为重?要?。? 7

　　真实客户当然也可能改变想法。可是面试中的一次变化，还会影响候选人获得了什么信息、需要花多少时间解释，以及能否继续完成任务。如果变化来自有意设计的角色反应，它可以成为考察的一部分；如果只是模型偶然偏离设定，就可能让应聘者承担额外的不确定性。

　　因此，虚拟人物的外观是否逼真，只是体验的一层。更影响这十分钟能否成立的，是它说出的内容是否符合角色、前后的背景能否衔接，以及追问能否回应候选人刚才真正说过的话。形象让客户出现在屏幕上，连贯的任务和对话才让这个角色进入选拔。

　　真人在场同样有实际意义。面对一次停顿，观察者还需要了解，它来自候选人的思考，还是交流本身出现了障碍；一段解释没有继续，是因为对方已经理解，还是话题意外偏离。新增技术并不会自动抹平这些区别，反而要求面试官更清楚地理解自己正在观看什么。

　　按披露的计划，麦肯锡预计先让北美部分办公室的数百名候选人参与试点，有限范围也为调整保留了空间。试点要面对的既有工具的表现，也有人的使用方式。候选人是否理解任务，面试官是否得到有用的观察，角色是否稳定，都影响这十分钟能否成为值得继续保留的一关。

　　准备可以借助AI 现场需要自己接话

　　对候选人而言，AI在招聘中的位置并不只有一种。它可以在面试前陪练，也可以在面试中扮演客户；在另一种经过特别安排的考察里，还可能成为完成业务任务的工作工具。都发生在人与AI之间，任务、规则和被考察的能力却有差别。

　　麦肯锡目前公开的规则，允许候选人使用AI润色简历、练习面试、理解概念和框架；禁止借它虚构或夸大个人成绩，也禁止在面试中让AI实时生成答案。正式测评期间能否使用AI，以是否获得明确许可为界。这些规定把辅助准备与替人作答区分开?来?。? 2

　　这种区分对客户模拟尤其直接。AI已经是被明确安排进任务的一方，候选人需要亲自与它交流。选拔者希望看到的是应聘者如何理解和处理客户带来的内容。如果回答又由另一个工具在现场生成，观察到的行动就很难对应到应聘者本人。

　　与此同时，麦肯锡也在向受邀面试的候选人提供AI准备工具，用于练习案例面试中的数量分析部分。官方招聘页面称，公司正在试点少量AI支持的面试体验，参与者会提前获知，不需要为此进行额外准?备?。? 5

　　图7 由ChatGPT生成 麦肯锡允许借助AI练习，禁止在面试中让AI实时生成答案。

　　“不需要额外准备”能够降低对一种全新技术形式的猜测，却不意味着一般准备失去价值。理解业务、回顾真实经历、把一项判断讲清楚，这些积累仍然与面试有关。准备的内容也不必是一段事先编排好的客户对话，而可以是让自己更熟悉如何展开一次有依据的讨论。

　　一个候选人可以借助AI检查，自己是否能清楚说明结论从何而来；也可以在练习中请它从不同角度追问，寻找解释中尚未讲透的地方。这类使用的作用，是帮助练习者发现理解上的空缺。真正进入正式面试之后，具体的追问仍需要由本人判断和回应。

　　这也使“提前知道题目”与“提前练过能力”之间产生差别。前者依赖场景和台词尽可能不变，后者则希望自己面对新的内容也能行动。如果客户在交流中补充背景，逐句记忆一段示范对话很难覆盖接下来的所有变化；理解一套判断如何成立，才有机会迁移到另一个情境。

　　当然，互动形式也会被人熟悉。求职者能够逐渐了解如何与虚拟人物交谈，培训机构也可能围绕新的选拔环节开发课程。麦肯锡希望减少对事先排练的依赖，并不意味着任何准备都无法产生影响。新环节的意义，更适合放在它能增加什么现场材料上衡量。

　　准备资源由谁提供，同样会影响这段体验。候选人能否在面试之前弄清任务形式和工具用途，关系到他进入房间后有多少注意力可以留给任务。规则清楚时，第一次见到虚拟客户的人，也更容易把精力集中在交谈内容，而非猜测软件在后台做什么。

　　今年1月，《金融时报》曾援引知情人士报道，麦肯锡在另一项试点中，让商学院毕业生候选人使用内部AI工具Lilli，辅助处理案例分析并改进结论。那项安排把AI作为工作工具交到候选人手中，观察人怎样使用它完成业务任?务?。? 8

　　图8 由ChatGPT生成 在另一项试点中，候选人使用Lilli辅助分析，AI承担工作工具的角色。

　　秋季披露的虚拟客户模拟，给AI安排了另一种位置。候选人无需向它索取一份自己可以直接采用的分析，而要把建议说给它听，并处理它带来的回应。前一种任务涉及如何调用和判断工具的输出，后一种任务则涉及如何面向工作对象推进交流。两者不宜被当成同一项考试。

　　这个差别也解释了，为何“与AI交谈”不足以说明一场面试究竟在考什么。同样是在屏幕前输入或说出一句话，可能是在请求帮助，也可能是在提出建议；可能希望获得完整答案，也可能需要了解对方尚未表达清楚的顾虑。工具的技术形态接近，人的责任却由具体任务决定。

　　麦肯锡在招聘后台还采用了其他AI用途。公司9月公布的候选人体验文章介绍，一个智能体为常规询问草拟回复，招聘人员审阅后再发送。它与出现在选拔现场的虚拟客户分处不同位置：后台工具辅助招聘者处理日常事务，客户角色则直接参与候选人的任?务?。? 9

　　因此，应聘者可能在同一段求职旅程中，以几种方式接触AI。招聘者需要交代清楚的，也随之增加：什么时候允许借助工具，什么时候考察本人，什么时候屏幕中的角色就是任务对象。流程越复杂，这些安排越需要让参加选拔的人提前理解。

　　十分钟之后 是真实的客户和工作

　　这项模拟出现在麦肯锡，也与咨询工作正在接纳AI的背景相遇。AI已经可以辅助资料检索、知识整理和内容生成，顾问如何把分析带进客户的实际决策，仍然需要通过工作完成。工具改变了一部分任务的做法，也让任务之间怎样衔接更值得关注。

　　麦肯锡自己的Lilli平台于2023年7月在全公司推出。公司在此后公布的一份案例中称，使用者报告，在搜索和综合知识上最多可节省30%的时间。这项自述针对特定工作环节，所呈现的是资料进入顾问手中的方式发生了变?化?。? 1?0

　　获取信息更快之后，顾问仍要决定哪些信息与眼前的客户有关。一个能够迅速调取的结论，需要放回具体业务条件里，解释适用范围，再与客户掌握的情况核对。否则，材料可能更丰富，交谈却仍然无法推动一项决策。虚拟客户模拟截取的，恰好是信息走向使用者时的一段过程。

　　2024年11月，负责Lilli开发的麦肯锡高级合伙人埃里克·罗斯在官方播客中?谈?到? 1?1 ，他希望未来顾问把更多时间用于让洞见发挥作用，减少为产生洞见而进行的分析工作。他也认为，这将影响公司招聘什么人、需要哪些技能与经历，并提到未来顾问可能需要更强的共情能力。

　　罗斯当时谈的是对未来工作的设想。它与此次招聘试点之间，可以看到能力取向的呼应：分析始终重要，分析与人的决策怎样发生联系，也需要有人负责。客户模拟把这一联系放进了入职之前的选拔，让候选人在得到正式岗位之前，先做一次面向客户的尝试。

　　对商业分析师这样的入门级岗位，尝试的尺度也需要符合其所处阶段。麦肯锡的岗位说明在提出任务要求的同时，还承诺日常指导、学徒式学习，以及清楚、可执行的发展反馈。被招进来的人将继续接受培养，岗位并不假定一名应届生已经拥有成熟合伙人的全部经?验?。? 3

　　入门岗位的选拔与录用后的培养，需要放在同一条职业路径上理解。十分钟呈现的是应聘者此刻怎样参与客户交流；进入团队以后，他还将通过项目、指导和反馈积累业务经验。岗位说明中的学徒式学习，给这场提前发生的顾问式交谈提供了后续。

　　图9 由ChatGPT生成 一般工作场景示意：顾问与客户讨论建议，在交流中澄清和补充信息。

　　而对候选人来说，这段模拟也提供了一次有限的职业体验。真正进入咨询项目之后，工作对象可能继续追问，交付物可能需要解释，自己的判断也会受到新的背景约束。面试提前展示其中的一小段，能够让岗位要求从招聘介绍中的文字，变成一次亲自参与的任务。

　　一段模拟当然无法替代真实项目。它没有长期关系，也不承担现实决策的全部后果。但在正式选择一份工作之前，知道自己将以怎样的方式与人协作，仍然有价值。候选人接受评价的同时，也会形成对这家公司的理解：它看重什么，怎样对待应聘者，又如何解释自己的要求。

　　麦肯锡在9月的官方文章中称，每年有超过100万人申请公司。自2023年起，它把全球候选人体验调查嵌入招聘流程，无论最终是否录用，都邀请候选人提供反馈；面试官也会收到关于应聘者如何体验这段交流的意见。选拔中的观察因此能够向两个方向流?动?。? 9

　　这使新环节的成败不只表现为工具能否顺畅完成对话。被观察的人是否理解自己在做什么，是否有机会展现能力，是否相信现场安排与岗位相关，都会影响他对雇主的判断。一个虚拟客户进入房间之后，招聘流程与候选人的关系依然真实存在。

　　对负责招聘的人而言，新增一关还意味着对时间的重新分配。十分钟需要候选人投入，也需要合伙人或评估人员在场。它的价值最终要落在能否补充原有面试尚未充分看见的表现上。如果只是让应聘者多完成一段漂亮陈述，技术带来的新鲜感很快就会消耗完。

　　按照麦肯锡合伙人披露的计划，如果秋季试点成功，公司预计在2027年把工具用于其他岗位。眼下，这仍是面向北美部分办公室、本科商业分析师候选人的有限尝试。数百人的经历，将帮助公司判断一段AI客户对话是否值得进入更多人的正式选?拔?。? 1

　　但对于参加试点的候选人，变化已经足够具体。争取这份工作的过程中，他们需要面对一个会回应自己的虚拟客户，向它解释建议，处理它继续带来的信息。旁边坐着的人，将据此多看到一段他们工作的样子。

　　麦肯锡想把未来客户面前才会发生的一部分事，提前放进入职之前。候选人还没有成为顾问，已经要先完成一次顾问式的交谈。

　　资料来源

　　1. 《华尔街日报》，2026年10月14日，麦肯锡AI虚拟客户招聘试点 https://www.wsj.com/lifestyle/careers/mckinsey-interview-process-ai-7d08a69e

　　2. 麦肯锡官方：面试流程、练习案例与AI使用规则 https://www.mckinsey.com/careers/interviewing

　　3. 麦肯锡官方：商业分析师岗位说明，编号15136 https://www.mckinsey.com/careers/search-jobs/jobs/businessanalyst-15136

　　4. 麦肯锡官方，2023年9月27日：Exceptional can come from anywhere https://www.mckinsey.com/featured-insights/people-in-progress/exceptional-can-come-from-anywhere

　　5. 麦肯锡官方：AI在工作与招聘中的角色 https://www.mckinsey.com/careers/ai-at-mckinsey

　　6. 美国人事管理局：Work Samples and Simulations https://www.opm.gov/policy-data-oversight/assessment-and-selection/other-assessment-methods/work-samples-and-simulations/

　　7. Lojo等，2025年：Using Large Language Models to Develop Requirements Elicitation Skills https://arxiv.org/html/2503.07800v2

　　8. 《金融时报》，2026年1月14日：McKinsey challenges graduates to use AI chatbot in recruitment overhaul https://www.ft.com/content/de7855f0-f586-4708-a8ed-f0458eb25586

　　9. 麦肯锡官方，2026年9月1日：What we learned about candidate experience https://www.mckinsey.com/featured-insights/people-in-progress/what-we-learned-about-candidate-experience

　　10. 麦肯锡官方：Rewiring the way McKinsey works with Lilli https://www.mckinsey.com/capabilities/tech-and-ai/how-we-help-clients/rewiring-the-way-mckinsey-works-with-lilli

　　11. 麦肯锡官方，2024年11月25日：What McKinsey learned while creating its generative AI platform https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/what-mckinsey-learned-while-creating-its-generative-ai-platform

　　原文链接：https://mp.weixin.qq.com/s/hDYFpH6dQu8n5dIxk1rvhg