AI提效正在偷走新人的成长阶梯

AI提效最隐蔽的代价，不是岗位数量减少，而是新人用来积累专业判断力的基础工作被系统性地抽走了。

哈佛大学一项工作论文调研了美国28万余家企业、合计6500万劳动者，发现企业引入生成式AI后的六个季度内，初级岗位就业出现下滑，资深岗位就业规模仍在增长。斯坦福大学基于ADP薪资记录的分析得出相同结论：在受AI影响最大的职业中，年轻从业者岗位缩减，经验丰富的老员工得以保住岗位。学界对因果仍有争议，纽约联邦储备银行的研究者认为青年毕业生失业率走高很大程度源于远程办公切断了师徒传帮带。但两种解释指向同一个机制：从资深从业者向新人传递专业能力的学徒路径，正在被破坏。

为什么AI越强，新人越难入行

原文作者的经历很有说服力。他早年参与为美国一座核电站设计全数字化控制系统，系统本可自主运行、操作人员只负责监控，但团队刻意在流程里保留若干人工操作步骤。原因很现实：如果操作员只监控自动化系统，实操手感会生疏，对设备真实状态的认知会模糊。而自动化只在遇到困惑、发生故障时才退出自主模式，那一刻把控制权交还给人，往往是最凶险的时刻。

这套逻辑放到今天的职场同样成立。专业能力无法靠下载获得，它来自一次次失败的搭建、陷入死胡同的调试、那些“为什么这样居然能跑通”的困惑瞬间。AI帮新人绕开了所有这些磨砺，结果就是一批只会监督模型输出、却看不出模型自信结果里藏着灾难性错误的从业者。入门岗位悄然变成了“要求具备三年工作经验”，而没有人能跳过初级阶段直接成长为高级工程师。

航空业的教训：自动化悖论

航空业早就为这个问题付出过代价。2009年法航447航班坠入大西洋，直接诱因是结冰的空速传感器向自动驾驶仪传输错误数据，自动驾驶仪按设计断开、把控制权交还机组。后续并非硬件故障，而是人员能力失效：飞行员常年依赖自动驾驶，已丧失识别高空失速、手动改出故障的能力。这就是自动化悖论——自动化能力越强，人类实操练习的机会越少，可一旦出事，所有棘手局面还是要交给人处理。

航空业的应对不是废除自动驾驶，而是把人工实操训练重新纳入流程。2017年美国联邦航空管理局发布《运营商安全警示17007》，明确提出“手动飞行是其他飞行技术的基础”，正式把技能退化认定为独立安全隐患。部分航空公司修订操作规范，允许在天气良好时鼓励飞行员手动完成起飞爬升与初始下降阶段，明知牺牲一小部分燃油效率，也要保住机组的原始飞行本领。

求职者可以主动设置的“人工关卡”

对个人而言，等企业来设计培养机制并不现实。更可行的做法是在自己的日常工作里主动设置人工关卡：在流程的特定节点，人类必须接管操作，目的不是最快完成任务，而是锻炼和保存那些容易退化的专业技能。

• 写代码的初级工程师，遇到核心模块缺陷时先关闭AI助手，独立复现故障、定位根因、写出能复现该bug的测试用例，完成完整故障研判后再开启AI比对方案。人和AI结论不一致的地方，恰恰是最有价值的训练场。
• 做分析、写方案的新人，先自己搭框架、跑一遍原始数据，再用AI做交叉验证，而不是让AI直接给出结论后只做润色。
• 面试时可以主动问团队：新人有没有独立负责完整闭环的机会，还是只做AI产出的审核员。这个问题比薪资更能判断三年后你的市场价值。

短期看，这些做法会牺牲一点效率。但一套追求极致优化、却造就能力不足操作人员的系统，根本算不上真正的优化，它只是把故障风险转移到报表看不见的地方。对求职者来说，被AI替代的从来不是会用工具的人，而是没有判断力、只能给AI打下手的人。

想看同类岗位的实时变化，可在求职者营地（qzzyd.com）按城市和行业订阅大厂官网在招岗位，观察初级岗与资深岗的需求此消彼长。

刻意保留一部分“低效”，并不是浪费。在安全关键类工程领域，人们一直把它当作保险，主动为之付出代价。当AI接管了淬炼专业能力的工作后，明智的做法不是抗拒自动化，而是通过设计保留人类上手实操的机会。这样，当自动化终究出现故障时，操作台前，才依然有人懂得如何掌控局面。对每一个刚入行的求职者来说，这句话值得抄下来贴在桌前。