AI时代，效率正在消灭学徒期

当AI接管初级工作，我们可能也在拆掉人类成为专家的阶梯

以前, 人们担忧机器会把流水线上的岗位给抢走。如今, 机器开始接手另一类活计: 撰写第一版文案, 整理会议纪要, 检索资料, 制作报表, 修改代码, 起草合同, 那些需要一定知识, 却不需要太多经验的工作。

于成本表之中, 这般“初级工作”展现出重复之特性, 呈现出琐碎之状况, 耗费时长久矣, 并且极易予以衡量。鉴于AI能够以更快之速度、更便宜之花费将其完成, 因而压缩初级岗位似乎成为合情合理之事。

问题的关键之处恰恰就在这儿。我们常常惯于将初级工作视作是一种效率较低的生产行为, 然而却很少会察觉到, 它同时也是一套人才培育机制。

一个年轻人并非先成为专家往后才开始工作, 恰恰相反, 他是于一次次并非高明的工作当中, 慢慢成为专家的。

企业正在用今天的效率，透支明天的专家。

一、初级工作从来不只是工作

于律师事务所当中而言, 年轻律师是以检索案例起始, 接着整理证据, 而后修改合同的状态开启。于软件公司当中而言, 初级工程师是以修复小问题开始, 随后阅读旧代码, 最后处理测试失败的情况起步。媒体、医院、会计师事务所以及金融机构, 均存在着类似的成长路径。

这些任务常常显得机械烦琐，但它们的价值从来不只在产出。

查阅了一百份资料之后, 才渐渐晓得哪一类来源能够值得信赖；修改了几十次代码之后, 才领会那种一个微小变动为何或许会对整个系统产生影响；处理了大量普通案例之后, 才有可能在异常出现之际察觉到“这次不太一致”。

专业能力可不是一本知识手册, 它涵盖着诸多难以确切写出来的内容, 像是对异常情况的敏锐感知, 对风险的直观认识, 对上下文的精准理解, 还有在信息不完整之际做出判断的本事, 这些能力一般并非是通过“教会”得来的, 而是在长时间参与实际工作之后慢慢形成的。

初级工作的产出也许不值钱，但初级工作所塑造的人很值钱。

工业社会将这个过程称作“学徒期”, 知识经济并未取消学徒期, 只是把它隐匿于办公室、项目组、代码仓库以及日常流程当中, 年轻人会在完成组织所需的基础工作之际, 去观察资深员工判定、抉择、应对错误的方式, 企业给付一部分低效率的成本, 用以换取下一代人才。

这是一场没有写进财务报表的交换。现在，AI正在改变它。

二、AI首先触及的，正是成长的入口

被 AI 影响的工作并不是平均的, 有一种认知任务, 它是当下 AI 最为擅长的, 对于这种任务来说, 工作内容实现了数字化, 拥有充足的样本, 能够用语言或者代码进行一种表达, 并且还存在一个标准答案。

国际劳工组织, 与波兰国家研究院, 在2025年5月发布了《生成式AI与就业: 职业暴露的精细化全球指数》, 也就是ILO工作论文140号, 该报告估计, 全球有大约四分之一的劳动者, 处于对生成式AI有某种程度暴露的职业当中, 其中高收入国家为34%, 低收入国家为11%, 但落入最高暴露等级的, 仅占到全球就业的3.3%。研究者着重指出, 因为绝大多数职业, 均囊括需要人去完成的任务, 所以更有可能出现的结果是, 岗位被重新进行组织安排, 而不是被整体予以消灭。

切实出现变动的单元, 常常并非是“岗位”, 而是组成岗位的一个个任务。

一项工作不会陡然在某天消失不见, 更为常见的情形是, 内部任务被逐一抽离: 首先是不让新人撰写初稿, 其次是不让新人整理资料, 随后是不让新人开展基础分析。岗位的名称依旧存在, 然而新人能够参与的部分却越来越少。

2025年11月, 斯坦福数字经济实验室有篇论文叫《煤矿里的金丝雀? 》, 它运用美国最大薪资服务商ADP的高频行政数据找出个情况, 在生成式AI被大规模采用之后, 在AI暴露程度最高职业里边, 22至25岁的那些劳动者出现了大概16%的相对就业下降, 这里边就业下降是已控制企业层面冲击后的情况, 然而, 在同一职业里, 更年长的劳动者就业状况保持稳定, 甚至还继续增长。

要留意一个细节: 下降是集中于AI主要“替代”人力的职业, 而在AI主要“增强”人力的职业里, 年轻人的就业却是在增长的。

AI未必先取代专家，它可能先抬高成为专家的门槛。

但证据并不干净，这一点必须说清楚。

就总量而言, AI未有明显的就业损害, 斯坦福经济政策研究所2026年7月的政策简报表明, 从2022年起, AI暴露度最高的五分之一劳动者, 失业率增长了0.77个百分点, 而暴露度最低的那一组, 失业率却上升了0.85个百分点, 如此看来, 更像是劳动力市场整体态势变弱。

关于年轻人处境恶化的归因, 存在着争议, 美联储自2022年3月始激进加息, 其加息时间在当年11月发布之前, 已有研究表明, AI暴露职业的招聘在这项研究问世前便已转弱, 还有研究觉得, 疫情过后远程办公使在岗学习受到削弱, 这本身就致使雇佣新人的价值降低, 作者们补充控制变量后发现, 入门级就业的下降到2024年才显著起来, 而到了那时, AI能力以及企业采用度确实已大幅提高了。

换句话来讲, 这是一个需要予以高度警示的结构性信号, 并非是一个已然完成结案的因果结论。

三、经验不能被压缩成一个结果

AI最迷人的地方，是它似乎能压缩经验。

一项研究发表于《经济学季刊》2025年第2期, 此研究追踪了某财富500强企业5172名客服人员使用生成式AI助手的过程, 平均每小时解决的问题数提升了约15%, 其中经验较少、技能较低的员工提升了约30%, 而技能最高的员工几乎没有获益, 回答质量还略微降低了, 研究者觉得, AI在一定水准上传播了高绩效者的工作方法, 并且有证据表明这种学习是持久的。

这好像表明, AI不但没将学徒期消除掉, 反倒有可能使其加速, 这种可能性的确是存在着的。

但是, 提升一个新人的即时产出, 并不等同于塑造了他的独立能力。并且, 方向并非一定总是朝着向上的态势: 哈佛商学院于肯尼亚开展的一项田野实验表明, 能力欠佳的创业者在运用AI顾问之后, 其收入以及利润反倒比未使用的对照组更低——他们更倾向于原封不动地执行AI给出的通用建议, 然而表现更为出色的创业者却明白挑选出契合自身状况的部分。

差别不在于谁拿到了答案，而在于谁有能力判断答案是否适用。

倘若导航向一个人详尽告知每个路口去往何方, 纵使他能够更为迅速抵达终点, 然而这并不等同于他已然熟知这座城市。要是AI精准标出该修改哪一行代码, 虽然他或许能够更快地将问题解决, 可是却未必明白问题究竟缘何发生。

AI能够将一个新人的产出飞快提升至八十分, 然而却没办法自动把他的判断力提升至八十分。

真正的经验, 往往源自三件事: 其一, 亲自去处理众多普通问题；其二, 亲眼见识过规则有失效的时候；其三, 自己的判断, 曾去承担过后果。

AI可以帮人完成第一件，可以模拟第二件，却很难代替第三件。

一个人能成为专家, 并非仅仅是由于他见识过正确答案, 更是因为他往昔曾坚信过错误答案, 并且在实际生活当中领会了错误所带来的代价。

四、组织正在犯一种非常理性的错误

企业对初级岗位进行压缩, 并非是管理者看不到未来所致, 而是由于在现代组织的激励机制之下, 这么做是极其理性的行为。

管理者得对本季度的成本负责, 还得对利润负责，而且得对交付速度负责, 然而却甚少需对十年后行业中是不是会有足够数量的专家负责。培养新人这事儿成本清楚明白, 回报却延迟出现, 结果还不确定；使用AI则恰恰相反, 成本能够进行计算, 效果能够予以展示, 生产率能够迅速在报表里头呈现出来。

当一位资深员工借助人工智能能够完成以往三个人所做的工作时, 减少两个初级岗位差不多就是必然的选择了, 对于单个企业来讲, 这或许完全是正确的。

然而, 当所有企业一同如此行事时, 问题便浮现出来了。每一家公司, 都期望从市场当中招徕到具备经验的人员, 可是却不愿意去承担培育经验所需的成本；每一家公司, 都对成熟工程师、资深律师以及优秀分析师有着需求, 然而却在削减这些人员最初步入行业的机会。

每一家企业, 都在以合理的方式来做节省培养成本这件事, 然后呢, 整个社会, 有可能会因为这样, 而失去生产专家的那种能力。

人才原本就具备外溢性, 其培养常常被视作可存在流失风险的投资行为。AI进一步加剧拓展了此种倾向, 道理在于: 既然机器能够承担基础工作任务, 那么为何还要去招聘一位产出状况不稳定、需要给予指导、待几年之后有可能离职的年轻人呢?

问题在于, 倘若所有的组织, 都在等待别的组织去造就人才, 那么最终的结果是, 不会有任何人能够达成这项工作。

不会凭空出现在招聘网站上的是成熟人才。他们曾因新人身份被许可犯过错误, 才成为了成熟人才。

五、被压缩的不只是岗位，还有判断力的来源

现代组织经常把知识和判断混为一谈。

知识能够被写入到文档之中, 能够被去进行搜索, 能够被模型用来学习, 还能够进行低成本的复制。然而判断却并非完全这般。判断源自于处在具体情境里的人针对不同目标所开展的权衡表现: 既要去理解规则, 也要去懂得规则自身所存在的边界范围在哪里；既要去理解数字, 也要去明白数字背后所蕴含的现实状况究竟是如何；既要清楚在绝大多数时候应该怎样去做, 也要清楚在什么时候却必须得停下来。

在实践里, 这一点并非抽象。哈佛商学院等机构有相关研究, 该研究提出了“锯齿状前沿”的概念, 即AI的能力边界并非平滑, 存在这样的情况: 两个看似相近的任务, 其中一个远超人类水平, 而另一个可能会系统性出错, 并且外观上同样表现出自信的样子。要判断AI何时是可信的, 何时又是不可信的, 这本身就是一项需要经验的技能。

要是年轻人始终只是专门负责去确认由AI生成的结果, 而不再去经历收集相关内容、进行推理思考、尝试犯错操作以及做完纠错改进这一系列流程, 那么他们或许已然学会了运用操作类的工具, 然而却并未形成能够评估相关工具向外输出内容的那种能力。

此情形会营造出一种全新的职业假象, 即作品愈发成熟之际, 人却不一定同步成熟, 且简历里的项目不断增多, 然而独立处理异常的机遇却持续减少。

在工具代替人跨越了全部不灵巧的时期之时, 人同样有可能会永久地丧失掉塑造深度的时机。

与“低效”划等号的可不总是“笨拙”。存在一些“笨拙”情形, 是学习已然出现的证明。对文章再三修改, 属于语言感觉构建进程；对代码反复调试, 属于系统直觉塑造进程。这些进程有看似能被去掉的状况, 然而又都是认知结构生成情形。

我们能够将低质量的结果予以消除。然而, 对于产出高质量人才所需经历的、处于较低层面的那么一个阶段而言, 我们不应当随随便便就给消除掉呀。

六、需要警惕一种"中层塌陷"

假设初级任务存在大量自动化的情况, 职业结构也许会从金字塔慢慢演变成哑铃状, 一端是少量具备深厚经验、能够担当复杂判断的资深人员, 另一端是大量可调用人工智能工具、完成标准任务的普通使用者, 中间层面, 也就是通过长期实践积累形成的独立专业能力, 就会越来越单薄。

要加以说明的是, 这属于一种推演范畴, 并非是预测, 这取决于企业对工作组织设定的方式如何, 以及AI能力朝着怎样的方向演进, 还有教育与培训体系能不能跟得上节奏, 只要其中任何一个环节发生改变, 那么得出的结果就都会不一样。

然而在短期内, 此类风险并不会显现出来。当下的组织依旧存有一批于AI普及之前成长起来的专家。他们历经了不存在自动生成、不存在实时提示的工作环境, 清楚基础工作怎样去完成, 也明白AI缘何会出错, 所以能够监督AI、校正AI, 并且借助AI来扩大自身的产能。

不会永远存在着这批人。真正的问题会出现, 时间是十年或者二十年后: 当资深人员在今天退休, 接替他们的人会从哪里来呢?

此刻, 我们正受益于上一代专门人才所累积出来的经验, 然而, 极有可能未曾给下一代留存下能够促使其成长的途径。

这, 是一种, 人才意义范畴内的, 基础设施折旧。它, 不会如同, 机器故障那般, 陡然发生, 而是, 凭借招聘, 愈发艰难, 异常, 愈发难以处置, 组织, 愈发依赖少数, 关键人员的形势, 缓缓展现。

届时, 企业或许会发觉, 最为稀缺的并非会运用 AI 的人, 而是当 AI 给出错误答案之际, 能够阐释其出错缘由的人。

七、真正需要重新设计的，是学习路径

这并不表明企业就应当去拒绝人工智能, 又或是特意保持那种低效率的工作状态、让人持续机械性地去复制数据、整理格式, 却不去致力于培养出专家；传统的学徒制本身其实也涵盖了大量的浪费成分以及服从要求, 并没有什么必要仅仅是由于怀旧之情就去保留它的全部内容。

真正的问题在于，当AI接手基础任务之后, 企业有没有对人的成长路径进行重新设计呢?

假如新人无需亲手去完成那一百次普通任务, 那么组织就得让其深入领会其中的二十次。要是AI负责生成初稿, 新人就得能够阐释初稿里的假设、证据以及漏洞。倘若AI负责编写代码, 新人就得能够审查代码、预估副作用、在系统出现异常时独立找出问题。要是AI负责给出答案, 训练的重点就得从“获取答案”转变为“验证答案”。

经合组织在2026年发布的名为《AI时代的技能》的报告表明, AI正使得工作所需的技能组合发生重塑, 并且技能短缺已然成为企业采用AI的一个主要障碍；需要留意的是, 具备高阶AI技能的劳动者比例不足1%, 大多数人实际所需的乃是数字素养、数据的运用与解释能力, 还有管理能力以及人际能力。问题并非仅仅是教会人们去使用AI, 更在于确保他们依旧能够形成AI无法替代的能力。

在AI时代的学徒期, 不应该再继续去训练人做那些机器所擅长的事情, 而是应当去训练人, 让人能够发现机器并不知道自己还存在着不知道的某些方面。

这要求企业接纳一种全新的“学习冗余”, 即某些工作哪怕 AI 可以完成, 也得让新人介入去理解, 某些决策就算能够迅速生成, 也得留存推理过程, 某些错误即便能自动规避, 也得借助模拟、复盘以及受控实践, 使年轻人明白错误缘何发生。

从生产的角度去看, 这些安排并非高效。从人才延续的角度而言, 它们属于必须支付的基础成本, 就如同不能因为消防系统在平时不会创造收入, 便认定它没有价值一样。

八、效率不应该成为唯一尺度

商业领域常常习惯追捧效率, 更快速的交付, 数量更少的员工, 具备更低的成本, 拥有更高的人均产出, 差不多毫无缘由地被看作是进步。

然而, 效率向来都不是那种处于中立状态的指标, 它凭借计算一项活动究竟消耗了多少资源, 却对于这项活动在整个过程之中究竟创造了什么不予计算。

有一项任务, 年轻员工花了三天才完成, 而AI三分钟就完成了。从最终结果来讲, AI显然更具效率。然而在那三天时间里, 这个年轻人或许首次领会了一套业务规则, 或许首次察觉到现实数据与制度所描述的情况并不相符, 或许首次产生了对某种异常状况的直觉。

三分钟产生了结果。三天可能产生了一个未来的专家。

并不是所有可以被消灭的低效率，都应该被消灭。

把新人安排去做资深人员一眼就能解决的问题, 这是低效率的, 教育是低效率的, 训练是低效率的, 试错也是低效率的。然而, 一个把这些都彻底消灭的社会, 说不定也会同时除去自身成长、传承以及更新的能力。

结语：谁来培养下一代专家

AI不会轻易地终结工作, 它更有可能重新划分工作, 其中包括, 机器完成标准任务, 人处理例外情况, 机器生成内容, 人承担判断职能, 机器提供选项, 人来决定什么选择具有价值。

这样的未来, 并非必然会令人感到悲观, AI这一事物, 能够摇身一变成为最具耐心的一类老师, 促使年轻人去涉足之前过去那些难以获取得到的知识, 并且它还能够让进入诸般专业领域的门槛得以降低。其前提条件是, 我们得将AI运用起来专门用来帮忙协助人去开展学习, 并不是由于AI它本身能够进行各种工作, 基于此情况之下就不再留给人去拥有学习以及工作这类机会。

真正应当予以警觉的, 并不是机器愈发得聪慧, 而是在组织朝着效率去追寻的进程当中, 将人塑造能力所需的时间, 以及实践, 还有错误一同给清除掉了。

企业对于初级劳动的需求数量能够不再维持那么多了, 然而绝不可以认定高级人才会自然而然地出现。社会做完一项工作耗费的时间得以缩短, 但是一个人成长所需的时间是不会毫无限制地縮更短的呢。

有一个社会, 其真正存在的危险, 并非是机器能够去做越来越多元化的事, 而是人往后连从原本不会怎样去做过渡到能够怎样去做这种机会都不再拥有了。

于今日而言, 仍旧能够凭借一批于旧时代里成长起来的专家, 去操控驾驭新时代的工具, 然而要是拆除了所有通向专业能力的阶梯, 在最后一批真正走过这些阶梯的人离去之时, 我们想来肯可能会面临遇上一个奇妙奇特的奇怪异常的世界:

那里到处都是专业级的答案，却越来越少有人拥有专业级的判断。

在那个时候, 人们才能够察觉到, 被效率所消除的, 从来都不仅仅是某些初级的岗位, 而且还有一种能力, 这种能力存在于一个社会之中, 它能够将新手转变成为专家。