本文来自微信公众号：HavenlonLabs，作者：Havenlon Labs，题图来自：AI生成
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。
过去，人们担心机器抢走流水线上的岗位。今天，机器开始接管另一类任务：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。
在成本表上，这类"初级工作"重复、琐碎、耗时，而且容易被衡量。既然AI能更快、更便宜地完成，压缩初级岗位似乎顺理成章。
问题也恰恰出在这里。我们习惯把初级工作理解为一种低效率的生产活动，却很少意识到，它同时是一套人才培养机制。
一个年轻人不是先成为专家再开始工作。恰恰相反，他是在一次次并不高明的工作中，逐渐成为专家。
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
律师事务所里，年轻律师从检索案例、整理证据、修改合同开始。软件公司里，初级工程师从修复小问题、阅读旧代码、处理测试失败开始。媒体、医院、会计师事务所和金融机构，都存在相似的成长路径。
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。
查过一百份资料，才逐渐知道哪一类来源值得信任；改过几十次代码，才理解一个微小改动为什么可能影响整个系统；处理过大量普通案例，才可能在异常出现时意识到"这次不太一样"。
专业能力不是一本知识手册。它包含大量难以明确写出的东西：对异常的敏感、对风险的直觉、对上下文的理解，以及在信息不完整时作出判断的能力。这些能力通常不是被"教会"的，而是在长期参与真实工作后逐渐形成的。
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。
工业社会把这个过程称为"学徒期"。知识经济没有取消学徒期，只是把它藏进了办公室、项目组、代码仓库和日常流程。年轻人一边完成组织需要的基础工作，一边观察资深员工如何判断、如何取舍、如何应对错误。企业支付一部分低效率的成本，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
AI并不平均地影响所有工作。它最擅长的，是那些已经数字化、样本充足、可用语言或代码表达、且存在某种标准答案的认知任务。
国际劳工组织与波兰国家研究院2025年5月发布的《生成式AI与就业：职业暴露的精细化全球指数》（ILO工作论文140号）估计，全球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全球就业的3.3%。研究者强调，由于多数职业都包含需要人来完成的任务，更可能的结果是岗位被重新组织，而不是被整体消灭。
真正发生变化的单位，往往不是"岗位"，而是构成岗位的一项项任务。
一份工作不会某天突然消失，更常见的是内部任务被逐步抽走：先是不用新人写初稿，然后不用新人整理资料，接着不用新人做基础分析。岗位名称仍在，新人可以参与的部分越来越少。
斯坦福数字经济实验室2025年11月的论文《煤矿里的金丝雀？》使用美国最大薪资服务商ADP的高频行政数据发现，在生成式AI被广泛采用之后，AI暴露程度最高职业中22至25岁的劳动者出现了约16%的相对就业下降（已控制企业层面冲击），而同一职业中更年长的劳动者就业保持稳定甚至继续增长。
有一个细节值得注意：下降集中在AI主要"替代"人力的职业，在AI主要"增强"人力的职业中，年轻人的就业反而在增长。
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。
从总量看，AI尚未造成明显的就业破坏——斯坦福经济政策研究所2026年7月的政策简报指出，2022年以来AI暴露程度最高的五分之一劳动者失业率上升0.77个百分点，暴露程度最低的一组反而上升0.85个百分点，更像是劳动力市场整体走弱。
年轻人处境恶化的归因也存在争议：美联储从2022年3月开始激进加息，早于当年11月ChatGPT发布，已有研究发现AI暴露职业的招聘在ChatGPT问世前就已转弱；另有研究认为，疫情后远程办公削弱了在岗学习，本身就降低了雇佣新人的价值。作者们补充控制变量后发现，入门级就业的下降到2024年才变得明显——那时AI能力和企业采用度确实已大幅提升。
换句话说，这是一个值得高度警惕的结构性信号，而不是一个已经结案的因果结论。
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。
一项发表于《经济学季刊》2025年第2期的研究，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约15%，其中经验较少、技能较低的员工提升约30%，而技能最高的员工几乎没有获益，回答质量还略有下降。研究者认为，AI在一定程度上传播了高绩效者的工作方法，并有证据显示这种学习是持久的。
这似乎说明，AI不但没有消灭学徒期，反而可能加速它。这种可能性确实存在。
但提高一个新人的即时产出，不等于形成了他的独立能力。而且方向未必总是向上：哈佛商学院在肯尼亚的一项田野实验发现，能力较弱的创业者使用AI顾问后，收入和利润反而低于不使用的对照组——他们更容易照单执行AI给出的通用建议，而表现更好的创业者懂得筛选出适合自身处境的部分。
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。
当导航告诉一个人每个路口怎么走，他会更快到达，但这不意味着他认识了这座城市。当AI指出该改哪一行代码，他可能更快修复问题，却不一定理解问题为什么发生。
AI 可以把一个新人的产出迅速提升到八十分，却不能自动把他的判断力提升到八十分。
真正的经验通常来自三件事：亲自处理大量普通问题；亲眼见过规则失效；为自己的判断承担过后果。
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。
一个人成为专家，不只因为他见过正确答案，还因为他曾经相信过错误答案，并在现实中理解了错误的代价。
四、组织正在犯一种非常理性的错误
企业压缩初级岗位，不是因为管理者看不到未来，而是因为这在现代组织的激励机制下极其理性。
管理者需要对本季度的成本、利润和交付速度负责，却很少需要对十年后行业是否还有足够多的专家负责。培养新人成本明确、回报延迟、结果不确定；使用AI恰好相反，成本可以计算，效果可以展示，生产率可以迅速出现在报表里。
当一个资深员工借助AI能完成过去三个人的工作，减少两个初级岗位几乎是必然选择。对单个企业而言，这可能完全正确。
但当所有企业同时这样做，问题就出现了。每家公司都想从市场上招到有经验的人，却不愿承担生产经验的成本；都需要成熟工程师、资深律师和优秀分析师，却在减少这些人最初进入行业的机会。
每一家企业都在合理地节省培养成本，整个社会却可能因此失去生产专家的能力。
人才本来就有外溢性，培养常被视为一种可能流失的投资。AI进一步强化了这种倾向：既然机器可以承担基础工作，为什么还要招一个产出不稳定、需要指导、几年后可能离职的年轻人？
问题是，当所有组织都等别人培养人才，最终没有人会完成这项工作。
成熟人才不会凭空出现在招聘网站上。他们只是曾经被允许以新人的身份犯过错误。
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。
知识可以写入文档、被搜索、被模型学习，也可以低成本复制。判断不完全如此。判断来自人在具体情境中对不同目标的权衡：理解规则，也理解规则的边界；理解数字，也理解数字背后的现实；知道大多数时候该怎么做，也知道什么时候必须停下来。
这一点在实践中并不抽象。哈佛商学院等机构的研究提出了"锯齿状前沿"的概念：AI的能力边界并不平滑，同样看似相近的两个任务，一个远超人类水平，另一个可能系统性出错，而且外观同样自信。判断AI何时可信、何时不可信，本身就是一项需要经验的技能。
如果年轻人长期只负责确认AI生成的结果，而不再经历收集、推理、试错和修正，他们可能学会了操作工具，却没有形成评估工具输出的能力。
这会制造一种新的职业错觉：作品越来越成熟，人未必同步成熟；简历上的项目越来越多，独立处理异常的机会却越来越少。
当工具替人跨过了所有笨拙的阶段，人也可能永远失去形成深度的机会。
"笨拙"并不总是低效的同义词。有些笨拙是学习正在发生的证据。反复修改文章，是在形成语言感觉；反复调试代码，是在建立系统直觉。这些过程看起来可以被消除，但它们同时是认知结构形成的过程。
我们可以消灭低质量的结果，却不应轻易消灭产生高质量人才所必需的低水平阶段。
六、需要警惕一种"中层塌陷"
如果初级任务大量自动化，职业结构可能从金字塔逐渐变成哑铃：一端是少量拥有深厚经验、能够承担复杂判断的资深人员，另一端是大量能调用AI工具、完成标准任务的普通使用者，中间那层——通过长期实践积累的独立专业能力——越来越薄。
需要说明的是，这是一种推演，不是预测。它取决于企业如何组织工作、AI能力如何演进、教育与培训体系是否跟上，任何一个环节改变，结论都会不同。
但短期内，这种风险不会暴露。今天的组织仍拥有一批在AI普及之前成长起来的专家。他们经历过没有自动生成、没有实时提示的工作环境，知道基础工作如何完成，也知道AI为什么会犯错，因此可以监督AI、纠正AI，并利用AI放大自己的产能。
这批人不会永远存在。真正的问题会在十年或二十年后出现：当今天的资深人员退休，接替他们的人从哪里来？
我们正在享用上一代专家积累的经验，却可能没有为下一代保留成长的路径。
这是一种人才意义上的基础设施折旧。它不会像机器故障一样突然发生，而是以招聘越来越难、异常越来越难处理、组织越来越依赖少数关键人员的方式缓慢显现。
到那时企业可能发现，最稀缺的不是会使用AI的人，而是在AI给出错误答案时，能解释它为什么错的人。
七、真正需要重新设计的，是学习路径
这不意味着企业应该拒绝AI，或刻意保留低效率工作。让人继续机械地复制数据、整理格式，并不会培养出专家；传统学徒制本身也包含大量浪费与服从，没有必要因为怀旧而保留它的一切。
真正的问题是：当AI接管基础任务后，企业是否重新设计了人的成长路径？
如果新人不再需要亲手完成一百次普通任务，组织就必须让他深入理解其中二十次。如果AI负责生成初稿，新人就必须能解释初稿中的假设、证据和漏洞。如果AI负责写代码，新人就必须能审查代码、预测副作用、在系统异常时独立定位问题。如果AI负责提供答案，训练的重点就必须从"得到答案"转向"验证答案"。
经合组织2026年的报告《AI时代的技能》指出，AI正在重塑工作所需的技能组合，而技能短缺已成为企业采用AI的主要障碍之一；值得注意的是，需要高阶AI技能的劳动者不足1%，多数人真正需要的是数字素养、数据的使用与解释能力，以及管理能力和人际能力。问题不只是教会人使用AI，而是保证他们仍能形成AI替代不了的能力。
AI 时代的学徒期，不应继续训练人做机器擅长的事，而应训练人发现机器不知道自己不知道什么。
这需要企业接受一种新的"学习冗余"：某些工作即使AI能够完成，也要让新人参与理解；某些决策即使可以快速生成，也要保留推理过程；某些错误即使可以自动避免，也要通过模拟、复盘和受控实践，让年轻人理解错误为何发生。
从生产角度看，这些安排并不高效。从人才延续的角度看，它们是必须支付的基础成本——就像不能因为消防系统平时不创造收入，就认为它没有价值。
八、效率不应该成为唯一尺度
商业世界习惯赞美效率：更快的交付、更少的员工、更低的成本、更高的人均产出，几乎天然被视为进步。
但效率从来不是中性指标。它计算一项活动消耗了多少资源，却不计算这项活动在过程中创造了什么。
一个年轻员工花三天完成、AI三分钟完成的任务，从结果看，AI当然更有效率。但在那三天里，年轻人可能第一次理解了一套业务规则，第一次发现现实数据与制度描述并不一致，第一次形成了对某种异常的直觉。
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。
教育是低效率的。训练是低效率的。试错是低效率的。让新人亲自完成资深人员一眼就能解决的问题，同样是低效率的。但一个彻底消灭这些低效率的社会，也可能同时消灭成长、传承和更新自身的能力。
结语：谁来培养下一代专家
AI不会简单地终结工作。它更可能重新划分工作：机器完成标准任务，人处理例外；机器生成内容，人承担判断；机器提供选项，人决定什么值得选择。
这样的未来并不必然令人悲观。AI可以成为最有耐心的老师，让年轻人接触过去难以获得的知识，也可以降低进入专业领域的门槛。前提是，我们把AI用于帮助人学习，而不是因为AI能够工作，就不再给人学习工作的机会。
真正需要警惕的，不是机器越来越聪明，而是组织在追求效率的过程中，把人形成能力所需要的时间、实践和错误一并清除。
企业可以不再需要那么多初级劳动，却不能假设高级人才会自动出现。社会可以缩短完成工作的时间，却不能无限缩短一个人成长的时间。
一个社会真正的危险，不是机器会做越来越多的事，而是人再也没有机会从不会做到会。
今天，我们仍能依靠一批在旧时代成长起来的专家，驾驭新时代的工具。但如果拆掉了所有通往专业能力的阶梯，当最后一批真正走过这些阶梯的人离开时，我们可能会面对一个奇怪的世界：
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。
到那时人们才会意识到，被效率消灭的从来不只是一些初级岗位，还有一个社会把新手变成专家的能力。
主要资料来源：
Gmyrek， P.， Berg， J.， Troszyński， M. (2025).《生成式AI与就业：职业暴露的精细化全球指数》，ILO工作论文140号，国际劳工组织与波兰NASK联合研究，2025年5月。
Brynjolfsson， E.， Chandar， B.， Chen， R. (2025).《煤矿里的金丝雀？关于AI近期就业影响的六个事实》，斯坦福数字经济实验室，2025年11月；及后续说明《金丝雀、利率与时点》，2026年2月。
Brynjolfsson， E.， Li， D.， Raymond， L. (2025).《工作中的生成式AI》，《经济学季刊》140(2): 889–942。
Mahoney， N.， McEntarfer， E.， Wahal， K. (2026).《就业究竟发生了什么：区分AI炒作与现实》，斯坦福经济政策研究所政策简报，2026年7月。
Otis， N. et al. (2025).《生成式AI对创业绩效的不均衡影响：来自肯尼亚田野实验的证据》，哈佛商学院工作论文24-042。
Dell'Acqua， F. et al. (2023).《在锯齿状技术前沿上航行》，哈佛商学院工作论文24-013。
OECD (2026).《AI时代的技能》，OECD人工智能论文第60号。
本文来自微信公众号：HavenlonLabs，作者：Havenlon Labs