AI最先拿走的，不是工作，而是新人犯错的机会

刚入职的时候，我们都做过一些看起来没什么技术含量的事。

整理资料、核对数字、写第一版方案、回答重复的客户问题。做得慢，会出错，还要被前辈一遍遍改。

现在，这些事越来越容易交给 AI。

站在公司的角度，这笔账很好算：原来一个新人干半天的活，熟手加 AI 半小时就能完成。但这里藏着一个很少被讨论的问题：

这些工作可以被替代，新人又靠什么变成熟手？

大规模失业没来，但入口正在变窄

斯坦福数字经济实验室在 8 月 12 日更新了一项研究。团队分析了覆盖数百万美国劳动者的薪酬数据，并没有发现“AI 已经造成大规模失业”。

真正值得警惕的是另一组数字：在最容易受 AI 影响的职业中，22—25 岁年轻人的就业水平，比照低暴露职业的趋势推算低了 19%；经验更丰富的员工，没有出现同样的落差。

差距主要不是来自裁员，而是企业减少了对年轻人的招聘。

研究者提醒，这只是描述性信号，不能证明所有变化都是 AI 造成的。但它至少揭示了一种可能：AI 对就业的第一轮影响，不是把办公室里的人赶出去，而是让站在门外的人更难进来。

国际劳工组织也划过一条重要边界：AI 暴露不等于岗位消失，大多数职业更可能被改造，而不是被整体替代。问题恰恰出在“怎么改造”上。

很多初级任务重复、琐碎，甚至令人厌烦。但它们还有一个没写进岗位说明书的作用：训练判断力。

新人核对一百次报表，才会慢慢知道哪个数字看起来不对；写过几十份会议纪要，才听得出一句“我保留意见”背后的关系；接过一批客户投诉，才会发现产品说明和真实体验之间的缝隙。

所谓“经验”，很多时候就是在低风险任务里犯过错、被人指出、再改对之后留下来的东西。它很难通过一节培训课直接灌进去。

AI 很擅长拿走结果之前的麻烦步骤。但如果新人从第一天起就直接拿到漂亮答案，也可能跳过形成判断的过程。

于是，一个有点荒诞的要求出现了：公司一边用 AI 拿走新人的训练题，一边要求新人入职时就有成熟判断。

普华永道分析了美国 240 万个初级岗位。结果显示，最受 AI 影响的初级岗位，要求判断力、领导力、创造力等“高级能力”的可能性，是低暴露岗位的 7 倍。

这不是简单的“岗位变少”，而是入门门槛被抬高了。

以前的路径是：先做基础工作，在反馈中形成判断，再承担复杂任务。现在的要求却像是：基础工作 AI 已经会做，请你一上来就检查 AI、处理例外、协调别人，并对结果负责。

可这些能力，本来就是做过许多基础工作后才长出来的。

国内校招也出现了类似分化。前程无忧面向 2026 届校招的调研中，20.3% 的企业缩减了基础客服等重复性岗位的应届生编制；与此同时，58.2% 的企业计划增加 AI 相关人才。

机会没有整体消失，但它越来越集中到少数“能用 AI，又不只会用 AI”的人身上。

对企业来说，少招几个新人，短期回报非常清楚；人才断层的代价，却可能三五年后才出现。今天能独立判断、带团队、扛结果的骨干，也曾经是那个写错第一版方案、在复盘会上被追问的人。

如果公司只保留熟手，再让熟手带着 AI 提效，报表会很好看。但几年之后，谁来接替他们？谁真正理解业务细节？

世界经济论坛今年的报告显示，只有 16% 的组织真正围绕 AI 重做了岗位、流程和运营模式。更多企业只是把 AI 叠加到原有工作上，再顺手砍掉一些看起来可以省掉的环节。

这不是人才升级，更像是在透支人才管道。

解决办法当然不是为了培养新人，故意保留复制粘贴和手工填表。真正需要保留的不是低效劳动，而是练习、反馈和承担责任的机会。

公司可以让 AI 写第一稿，但要让新人找出错误、说明修改理由；可以让 AI 整理数据，但要让新人解释异常、复核来源；可以缩短学徒期，但不能直接跳过学徒期。

对年轻人来说，新的入场券也不再是“我能把活做完”，而是三件更难的事：

以后最危险的新人，不是不会用 AI 的人，而是除了 AI 给出的答案，自己没有第二层判断的人。

AI 最先拿走的，也许不是整份工作，而是一部分基础任务、一部分初级岗位，以及新人原本可以在小事里慢慢犯错的机会。

技术进步没必要把人留在低效劳动里。但如果拆掉了第一阶台阶，就必须建一条新的上楼路径。否则几年后，公司可能会发现：工作确实做得更快了，能真正接班的人却更少了。