过去几年，关于 AI 和工作的讨论，逐渐陷入了两种简单叙事。
一种是悲观叙事：AI 会取代大量白领工作，尤其是初级岗位。年轻人毕业之后会发现，自己还没来得及进入职场，入口已经被机器堵住了。
另一种是乐观叙事：AI 是工具，不是敌人。它会提高效率，释放生产力，让会使用 AI 的人获得更大机会。年轻人本来就更熟悉新技术，所以反而可能成为 AI 时代的受益者。
这两种说法都有道理，但也都不够准确。因为 AI 对职场的影响，并不是简单地“消灭岗位”，也不是简单地“赋能个人”。它更深层的影响，是改变了工作被拆分、分配、学习和评价的方式。换句话说，AI 真正改写的，不只是就业市场，而是职场里的能力形成机制。
AI 正在拿走职场的“新手村”。年轻人不是不努力，而是过去最适合他们练级的低风险任务，正在被机器接走。
所谓“新手村”，并不是某个具体岗位，而是一套隐形的职业训练系统。一个刚进入职场的人，通常不是一开始就能做战略判断、业务决策、客户管理、复杂项目推进的。他需要先做一些基础任务：整理资料，写会议纪要，做数据清洗，写报告初稿，改 PPT，跑基础模型，查竞品，准备客户材料，跟进项目进度，回复一些不那么复杂的邮件。
这些任务看起来低端、重复、琐碎，甚至经常被年轻人吐槽为“牛马活”。但从职业成长的角度看，它们并不只是劳动，它们也是训练。新人正是在这些看起来不高级的任务里，逐渐理解什么叫信息质量，什么叫业务上下文，什么叫老板真正关心的问题，什么叫客户表面需求和真实需求之间的差异，什么叫一个数字背后的风险含义，什么叫一段话在组织政治里的责任边界。
过去，职场培养新人并不主要靠培训课。培训课只能讲原则，真正让人成长的是一轮又一轮真实任务里的反馈。你写一版材料，被老板改掉一半；你做一个分析，发现图画得很漂亮但结论站不住；你写会议纪要，才知道有些话要写进去，有些话不能写进去；你做客户材料，才知道不是把信息堆满就叫专业，而是要帮对方降低理解成本和决策成本。这些东西很难通过课堂讲清楚。它们是职业判断力的肌肉，需要在真实场景里反复使用，才会长出来。
问题是，生成式 AI 最擅长接手的，恰恰就是这一层。它可以帮人总结文档，生成初稿，写邮件，改语气，做 PPT 大纲，生成代码框架，整理会议纪要，做基础调研，提炼要点。对于企业来说，这当然很诱人。过去需要一个 junior 花半天整理的东西，现在 AI 几分钟就能生成一版。过去需要新人先做大量低阶劳动，再由 senior 修改，现在 senior 可以直接用 AI 拿到一个初步产出。从短期效率看，这当然是进步。但从长期人才培养看，问题变得复杂了。因为公司省下来的，不只是 junior 的时间，也可能是未来 senior 的训练场。
一、这不是普通的“就业难”，而是入门岗位的任务结构变了
年轻人就业难不是一个新问题。经济周期、行业收缩、毕业生规模、企业招聘预算，这些因素长期都会影响毕业生就业。但 AI 带来的变化有一个特殊之处：它不是平均冲击所有岗位，而是先冲击某些可以被标准化、文本化、流程化的任务。而这些任务，在大量白领行业里，恰恰是新人进入职场的第一站。
IMF 曾经估计，AI 可能影响全球约 40% 的工作，在发达经济体中这一比例可能达到 60%。但 IMF 的重点并不是说这些工作都会消失，而是指出 AI 会同时带来两种结果：一部分工作会因为 AI 获得生产率提升，另一部分工作则可能因为关键任务被 AI 执行而面临劳动力需求下降、工资压力或岗位减少。这个判断很重要，因为它把问题从“岗位会不会消失”转向了“工作内部的任务会如何重新分配”。McKinsey Global Institute 近年的相关分析也强调，AI 更可能改变任务结构，而不是简单替代整个职业。相关报道援引 McKinsey 的任务级研究指出，美国超过一半的工作任务在现有技术下具有自动化潜力，但完整岗位被替代并不是主要情形；更可能发生的是，AI 承担重复性、信息处理型任务，人类转向判断、沟通、创造、协调和监督。
这就解释了为什么很多年轻人的体感会很矛盾。一方面，他们看到公司仍然在招聘分析师、产品经理、咨询顾问、工程师、运营、法务助理、研究员；另一方面，他们又发现这些岗位里的基础任务正在减少，或者被 AI 重新包装。岗位名还在，但岗位里的“练手机会”变了。过去，一个 junior analyst 的价值，可能是愿意花时间做资料整理、搭建模型、跑数据、写初稿。今天，公司可能仍然招 analyst，但它期待这个人不仅会使用 AI 做基础工作，还要能在 AI 输出之上提供判断。这本身并不荒谬。技术进步之后，人当然应该向更高价值任务移动。
真正的问题在于：判断力不是凭空长出来的。一个新人要能判断 AI 输出是否可靠，前提是他知道什么叫可靠。一个新人要能判断材料的重点，前提是他见过足够多不合格的材料，也被改过足够多次。一个新人要能识别业务风险，前提是他经历过足够多上下文，而不是只看过 AI 总结后的漂亮结论。AI 提高了入门工作的最低产出质量，但它没有自动解决新人判断力形成的问题。甚至在某些场景下，它可能把这个问题掩盖得更深。
因为过去新人做得差，差得很明显。老板一看就知道：这个人没抓住重点，逻辑不清楚，事实没核实，语气不职业。于是这些错误可以成为带教入口。现在 AI 可以生成一版表面上很完整的材料。它语言顺、结构齐、标题像样，甚至还能加几个看起来高级的框架。老板看到的第一眼，可能觉得“还行”。但问题是，这个新人到底懂不懂？他是否理解材料背后的假设？是否知道数据来源的限制？是否能解释为什么这个结论成立？是否知道哪些内容只是 AI 合理化出来的表达，而不是经过验证的事实？
AI 把很多初级错误变得不那么显眼，但它也可能让真正的能力空洞变得更难被发现。这就是“新手村消失”的第一个层面：不是岗位完全没有了，而是过去通过低阶任务暴露问题、获得反馈、建立判断力的过程，被压缩、遮蔽，甚至跳过了。
二、AI 拿走的不是“杂活”，而是低风险犯错空间
很多人会反驳说，难道让新人做那些重复劳动就是合理的吗？难道资料整理、会议纪要、PPT 初稿、代码脚手架这些东西，不应该被技术解放吗？当然应该。没有人怀念低效本身。也没有必要把重复劳动浪漫化。很多旧式职场所谓的“培养新人”，确实掺杂了大量低质量消耗：无意义加班、格式洁癖、为了改而改、信息不透明、上级不愿解释，只让新人靠猜。这些东西被 AI 替代，并不可惜。
但我们需要区分两件事：低价值劳动和高价值训练。
同样是写会议纪要，如果只是机械记录发言，那它确实可以被 AI 取代。但如果新人通过写纪要理解谁对这个项目有决策权，谁只是表达意见，哪些话背后意味着资源承诺，哪些话背后意味着责任转移，那么这就不只是记录，而是组织理解力训练。
同样是写报告初稿，如果只是把资料拼接成文，那 AI 做得更快。但如果新人通过写初稿学习如何搭建论证链条、如何选择证据、如何安排叙事顺序、如何把复杂问题说清楚，那么这就不只是写作，而是结构化思考训练。
同样是跑数据，如果只是执行代码，那 AI 或自动化工具可以接手。但如果新人通过跑数据理解样本、变量、假设、异常值、业务解释之间的关系，那么这就不只是技术执行，而是分析判断训练。
也就是说，过去很多“杂活”的真正价值，不在于它们的产出，而在于它们提供了低风险犯错空间。新人需要犯错。不是因为犯错本身有价值，而是因为没有错误暴露，就没有能力校准。一个人不知道自己哪里想错了，就很难建立判断标准。一个人没有经历过低风险错误，就更容易在高风险场景里犯大错。
AI 时代的危险在于，公司可能用效率逻辑一刀切地拿走这些任务，却没有重新设计对应的训练机制。最后的结果是，低价值劳动确实减少了，但高价值训练也一起消失了。这也是为什么 AI 对初级岗位的影响，需要从“就业数量”进一步推进到“培养质量”。如果一个公司减少了 30% 的入门岗位，但剩下的人能接受更好的训练，进入更高质量的工作流，那么这未必是坏事。相反，如果公司表面上没有减少岗位，但新人只是被要求用 AI 产出更多内容，却没有反馈、没有复盘、没有判断标准，那么这个岗位名义上还在，实际上已经失去了培养功能。
三、AI 对年轻人的挑战，不是“不会用工具”，而是“还没建立判断标准”
今天很多讨论把年轻人的机会总结为一句话：要学会使用 AI。这句话没有错，但它太浅。
因为很快，“会用 AI”就会像会用搜索引擎、会用 Office、会开线上会议一样，变成基本技能，而不是竞争优势。真正拉开差距的，不是会不会向 AI 提问，而是能不能定义问题、验证结果、理解场景，并把 AI 放进一个可靠的工作流程。
BCG 与哈佛商学院关于生成式 AI 的实验提出过一个很有启发性的概念：AI 的能力边界是“锯齿状前沿”。在某些任务上，AI 能显著提高人的表现；但在另一些看起来相似、实际上超出 AI 能力边界的任务上，使用 AI 反而可能让人更自信地犯错。相关研究说明，AI 并不是一个稳定、均匀提升所有任务的工具，它对人的帮助高度依赖任务类型和使用者判断。
这个发现对年轻人尤其重要。资深员工使用 AI 时，通常知道哪里可以偷懒，哪里不能偷懒。他知道哪些输出看起来顺但其实空，哪些建议适合一般场景但不适合当前组织，哪些数据必须回到源头核实，哪些表达在政治和合规上有风险。新人不一定知道。新人最缺的，不是生成答案的工具，而是判断答案质量的标准。而这个标准过去是在“做基础任务—被修改—再做—再被反馈”的循环中形成的。如果这个循环被 AI 压缩掉，新人就会陷入一个悖论：他手里有了更强的工具，却没有足够的经验判断工具产出的边界。
这也是为什么一些研究开始从“自动化”转向“增强”和“人类参与程度”的讨论。关于 AI agent 与未来工作的研究指出，不同职业和任务对 AI 的期望并不一样，有些任务适合自动化，有些任务更适合增强人类能力，还有些任务需要保留较高程度的人类判断和参与。研究者试图用“人类代理程度”来衡量哪些任务应该由 AI 做，哪些任务应该由人控制。这说明，未来的核心能力不是简单地“让 AI 干活”，而是知道什么该交给 AI，什么不能交给 AI，什么可以让 AI 先做一版但必须由人复核，什么必须由人来定义和承担责任。
对于年轻人来说，这个变化既是挑战，也是机会。挑战在于，过去你可以靠勤奋、细致、肯吃苦，在基础任务里慢慢积累信用。现在这些基础任务的市场价值下降了，你不能只证明自己“能做事”，还要证明自己“能判断”。机会在于，AI 确实降低了接触复杂工作的门槛。如果你能用 AI 快速完成资料搜集、初步分析、框架搭建，你就有更多时间去理解业务问题、比较不同方案、提出更好的问题。过去需要两年才能接触到的工作，你可能半年就能参与。前提是，你不是用 AI 替代自己的思考，而是用 AI 加速自己的训练。
四、机会并不消失，但机会的形态变了
如果只讨论挑战，这个话题就会变成一篇 AI 焦虑文。但现实更复杂。AI 确实在压缩一部分传统入门任务，同时也在创造新的机会，只是这些机会并不总是长得像过去的“好工作”。
PwC 的 AI Jobs Barometer 曾指出，AI 技能正在带来明显的薪酬溢价，AI 相关技能不仅出现在技术岗位，也逐渐进入专业服务、金融、教育、管理等传统岗位。相关研究也显示，AI 相关岗位不仅有工资溢价，还更可能提供远程办公、培训、健康福利、育儿假等非工资福利，说明雇主正在竞争稀缺的 AI 相关人才。但这里的“AI 人才”不应该被狭义理解为大模型科学家或算法工程师。未来更大规模的机会，可能在三类人身上。
第一类是构建者。也就是做模型、数据、工程、系统、产品、MLOps、AI 基础设施的人。这类岗位技术门槛高，供给相对有限，也最接近传统意义上的 AI 核心岗位。
第二类是翻译者。也就是能够把 AI 能力翻译成业务流程的人。他们未必训练大模型，但知道在金融、制造、医疗、教育、法律、咨询、零售、客服、人力资源等场景里，哪些任务可以用 AI 提效，哪些任务必须保留人工判断，哪些流程可以重构，哪些风险需要控制。
第三类是验证者。AI 越普及，越需要有人回答：这个输出可靠吗？数据来源是什么？是否存在偏见？是否符合监管要求？是否可以审计？如果错了，责任如何划分？在金融、医疗、法律、公共服务、教育等高风险行业，这类能力会变得越来越重要。
这三类机会共同指向一个趋势：AI 时代的机会，不只是“会用工具”，而是懂业务、懂技术边界、懂风险控制、懂流程重构的人。
这也是国内外咨询报告里比较一致的方向。WEF《Future of Jobs Report 2025》指出，雇主预计到 2030 年，全球约 22% 的工作会发生变化，并形成约 7800 万个净新增岗位；同时，约 39% 的现有核心技能会发生变化。报告也强调，增长最快的技能包括 AI、大数据、网络安全和技术素养，但分析性思维、韧性、创造力、领导力等人类能力仍然关键。
这组判断很有意思。它不是说未来只需要技术人，而是说技术能力和人类能力会重新组合。过去，一个年轻人可能先通过执行任务建立可信度，然后逐渐进入判断层。未来，他可能需要更早展示一种复合能力：能够使用 AI 提高效率，也能理解 AI 的边界；能够处理信息，也能解释信息；能够快速生成内容，也能承担内容背后的判断责任。机会不是没有了，而是机会从“执行型入口”转向了“增强型入口”。
五、国内语境下，“没地方练级”的感觉会更强
如果把这个问题放到中国语境里，年轻人的体感可能会更强。
第一，中国高校毕业生规模大，入门岗位竞争本来就激烈。当毕业生供给持续高位，而企业又开始用 AI 压缩一部分基础任务时，哪怕岗位数量只发生边际变化，对年轻人的体感也会被放大。
第二，中国企业对效率和成本非常敏感。很多公司并没有系统的人才培养机制，新人的成长高度依赖运气：遇到好老板，有人愿意带；遇到忙老板，就自学；遇到不好的老板，就一边背锅一边成长。AI 进入之后，如果组织没有重建带教机制，新人很容易被要求“用 AI 更快产出”，但没人教他如何判断产出质量。
第三，中国职场长期存在一种“既要又要”的新人期待。公司希望年轻人便宜、听话、能加班、上手快、懂业务、会工具、最好还要有 owner mindset。AI 进一步抬高了这种期待。因为管理者会默认：你都有 AI 了，为什么还做不到？
但中国也有自己的机会面。
国内 AI 应用更强调场景落地，尤其是在制造、金融、政务、教育、医疗、内容、电商、客服、企业管理等领域。相较于只做基础模型研发，更多普通年轻人的机会可能出现在“AI + 行业”的接口层：AI 产品运营、企业知识库建设、智能客服流程设计、AI 风控、AI 合规、AI 测试、AI 内容生产与审核、AI 培训、AI 数据治理、AI 业务分析。
中国招聘平台和研究者对招聘数据的分析也显示，AI 相关技能正在向更广泛职业扩散。基于 BOSS 直聘数据的一项早期研究发现，中国当前劳动力市场中已有相当比例职业需要 ChatGPT 相关技能，并预测未来会有更多职业需要类似能力，尤其是技术、产品和运营相关行业。这意味着，年轻人不一定都要去卷最硬核的算法岗位。更现实的路径，可能是成为某个行业里的 AI 应用者、流程设计者和质量控制者。
比如在金融行业，不只是需要建模人员，也需要懂模型风险、懂监管要求、懂数据治理、懂业务流程的人去判断 AI 能不能用于信贷、客服、营销、反欺诈、合规监测。比如在制造业，不只是需要算法工程师，也需要懂供应链、设备、质量管理的人去设计 AI 如何进入工单、质检和预测性维护。比如在教育行业，不只是需要做大模型的人，也需要懂学习路径、课程设计和学生反馈的人去判断 AI 如何帮助学生，而不是替学生完成学习。
未来的机会不一定写着“AI Scientist”。很多真正大规模的岗位，可能写的是业务分析师、产品经理、运营经理、风控经理、合规经理、流程优化经理、培训设计师。但这些岗位内部，会越来越要求 AI 素养。
六、组织真正要解决的，是“如何重建新手村”
如果说年轻人的任务是适应变化，那么组织的任务就是重新设计培养机制。一个短视的公司会说：AI 可以做 junior 的活，所以我们少招 junior。一个成熟的公司会问：既然 AI 可以做掉一部分基础任务，我们如何用 AI 重新设计 junior 的训练路径？
这两个问题的差别非常大。
前者把 AI 当成降本工具。短期看，成本下降，效率提高，财务数据可能更好看。但长期看，它会伤害人才管道。今天 junior 少了，三年之后 senior 从哪里来？今天基础任务被取消了，未来复杂判断力从哪里长出来？今天新人没有经历过足够多低风险错误，明天谁来承担高风险项目？
后者把 AI 当成训练基础设施。它不是让新人继续做所有低价值劳动，而是把 AI 引入训练过程：让 AI 先生成初稿，但要求新人解释框架选择；让 AI 总结资料，但要求新人核查关键事实；让 AI 写会议纪要，但要求新人识别责任、风险和行动项；让 AI 辅助代码，但要求新人理解逻辑、测试边界和错误后果。
这才是 AI 时代的新手村。新的新手村，不应该是让新人远离 AI，重新回到手工劳动。那是不现实的，也没有必要。新的新手村应该是：AI 承担一部分重复任务，人类保留关键训练环节；AI 提供初始产出，人类负责判断和复盘；AI 提高效率，组织用省下来的时间做更高质量反馈，而不是只是压缩人力。
具体来说，公司至少需要重建三件事。
第一，任务阶梯。过去的任务阶梯是从简单执行到复杂判断。未来的任务阶梯可能要变成：AI 辅助执行、人工复核、场景解释、风险判断、流程改进。新人不是简单从“做杂活”开始，而是从“理解 AI 如何做杂活，以及 AI 哪里可能做错”开始。
第二，反馈机制。AI 生成的结果不能直接替代带教。管理者不能只看最终材料是否顺眼，还要看新人如何定义问题、如何使用 AI、如何验证事实、如何处理不确定性、如何解释结论。反馈对象要从“结果”扩展到“过程”。
第三，判断标准。很多公司现在的问题是，一边鼓励员工使用 AI，一边没有明确什么场景可以用、什么场景不能用、什么输出必须核查、什么内容涉及数据安全和合规风险。没有标准，新人就只能靠猜。靠猜的结果，要么过度依赖 AI，要么完全不敢用 AI。
Deloitte 等咨询机构在讨论生成式 AI 与未来工作时，也越来越强调组织设计、治理机制和能力建设，而不只是工具部署。因为 AI 的价值并不会因为买了工具就自动实现，它必须嵌入流程、角色、治理和培训体系。这个观点和近期关于工作重设计的研究是一致的：AI 对组织的影响不是简单替代某个岗位，而是通过任务自动化、任务优化和任务重新分配，改变整个工作架构。
这也意味着，未来优秀公司和普通公司的差距会拉大。普通公司会用 AI 减人。优秀公司会用 AI 训练人。普通公司会让新人自己摸索 AI。优秀公司会教新人如何验证 AI。普通公司会把 AI 当成提高产出的工具。优秀公司会把 AI 当成重建能力体系的机会。
七、年轻人应该如何重新理解自己的职业起点？
对年轻人来说，最现实的问题不是宏观趋势，而是：我到底该怎么办？
第一，不要把 AI 当成捷径，而要把它当成训练器。
如果你用 AI 只是为了更快交差，你可能短期提高效率，长期削弱自己的底层能力。比如你让 AI 写一份报告，然后直接提交，你获得的是一个结果，但你没有训练自己的结构化思考。如果你让 AI 写完之后，反过来问自己：它为什么这么组织？这个框架是否适合当前场景？哪些事实需要核查？这个结论有没有其他解释？那 AI 就变成了训练器。
第二，主动争取“解释权”，而不是只追求“交付权”。
AI 时代，能交付一版东西的人会越来越多。真正重要的是，你能不能解释这个东西。为什么这样写？为什么这个数据重要？为什么这个风险要放在前面？为什么这个方案比另一个方案更好？为什么 AI 的建议在这个公司不适用？职场上真正的成长，往往发生在你开始解释自己的判断时。因为解释意味着你不能只依赖表面产出，你必须理解背后的逻辑。
第三，寻找有反馈的环境，而不只是有名气的环境。
AI 时代，年轻人选择工作时不能只看公司名气和岗位 title，还要看有没有人愿意带，有没有复盘机制，有没有机会接触原始问题，有没有 senior 帮你校准判断。一个看起来光鲜但没有反馈的岗位，可能只会让你变成 AI 输出的搬运工。一个名气没那么大但能让你接触真实问题、获得高质量反馈的岗位，可能更有长期价值。
第四，尽早建立“行业 + AI”的复合能力。
普通年轻人不一定都要成为算法专家，但一定要理解自己所在行业里哪些任务会被 AI 改写。金融人要理解 AI 如何进入风控、合规、客服、投研和运营。法律人要理解 AI 如何进入合同、检索、尽调和合规审查。产品和运营要理解 AI 如何改变用户支持、内容生产、数据分析和实验设计。咨询和研究岗位要理解 AI 如何改变资料搜集、行业分析、访谈总结和方案生成。未来最有竞争力的人，不是单纯懂 AI 的人，也不是单纯懂业务的人，而是能把 AI 放进业务流程里，并知道如何控制质量和风险的人。
八、这篇文章真正想说的，不是年轻人完了
所以，回到最初的问题：AI 对年轻人到底是挑战，还是机会？
答案是：它当然是两者都是。
挑战在于，旧的新手村正在消失。许多低阶任务的市场价值会下降，入门岗位会变得更复杂，老板对新人的期待会提高，传统“先做杂活再慢慢成长”的路径会被压缩。年轻人还没建立判断标准，就被要求站在 AI 的输出上做判断。
机会在于，新的新手村也正在出现。AI 可以降低接触复杂任务的门槛，可以让新人更快看到高阶工作如何展开，可以把一部分专家经验显性化，可以创造新的职业接口，也可以让真正会提问、会验证、会解释、会重构流程的人更快脱颖而出。
但这个机会不是自动发生的。如果个人只是用 AI 逃避思考，AI 会让他看起来更高效，但未必更有能力。如果公司只是用 AI 压缩人力，AI 会让短期成本更好看，但可能破坏长期人才管道。如果教育只是教学生写 prompt，而不训练问题定义、证据意识、判断标准和责任意识，那么年轻人依然会在真实职场里感到断层。
AI 最终不会简单决定年轻人的命运。真正决定命运的，是个人、组织和教育系统能不能重新设计从学生到职业人的成长路径。旧的新手村可能真的回不来了。那些靠手工整理资料、反复写初稿、熬夜改 PPT、从低阶任务里慢慢摸索职业手感的路径，会越来越少。但这不意味着年轻人没有地方成长了。它意味着新的练级方式必须被发明出来。
未来最好的职场，不是没有 AI 的职场，而是 AI 做得了重复劳动，人类仍然有机会学习判断；AI 提高了效率，组织仍然保留反馈；AI 生成了初稿，新人仍然要解释为什么这样写、哪里可能错、下一步该怎么做。真正好的 AI 时代，不应该是年轻人一毕业就被扔出游戏。它应该是一个升级版的新手村：工具更强，任务更复杂，反馈更明确，成长更快，但依然允许人从不熟练走向熟练，从执行走向判断，从使用工具走向设计系统。
年轻人不是不努力。他们真正需要的，是一个还能让人练级的系统。
Leave a Reply