没有初级员工，五年后谁会成为高级员工
AI 对就业最先产生的影响，可能不是办公室里发生一场大规模裁员，而是某些空出来的初级岗位不再招聘。
这两种变化在统计上完全不同。裁员会在当期制造新闻、补偿支出和失业人数；少招一个新人几乎不会出现在企业损益表上。高级员工借助 AI 完成了原来需要团队承担的检索、初稿、基础分析和测试，短期生产率提高，组织看起来也更精干。
真正的问题要几年后才出现：高级员工并不是从外部凭空出现的。他们曾经都是初级员工，在一次次低风险任务、错误、复核和例外处理中积累了无法写进手册的判断。如果组织只自动化任务，却没有重建学习过程，它节省的不只是今天的初级人力，也可能是五年后的高级人才供给。
真正值得追问的是：AI 自动化的恰好是职业阶梯最下面那批任务，而那些任务同时承担着培养人的功能。
一、变化发生在招聘入口
8 月 12 日，斯坦福数字经济实验室更新了基于 ADP 工资单数据的研究。最醒目的结果是：22—25 岁劳动者在高 AI 暴露职业中的就业水平，比跟随低暴露同龄群体增长路径时应达到的水平低 19%。 有经验劳动者没有出现同等缺口。
19% 不是青年总就业降幅，而是高、低 AI 暴露职业之间的相对差距。更重要的是，差距主要来自企业减少年轻员工招聘，而不是集中解雇已经在岗的人。工资也没有出现同等幅度的变化。
其他研究看到了相似方向。对近 6200 万份履历的分析发现，采用生成式 AI 的企业减少了初级招聘，高级员工数量大体稳定；美国软件岗位研究则发现，初级职位相对于高级职位下降 14%—15%，同一职位开始要求更多经验。
几项研究还不能把全部变化归因于 AI，远程办公和疫情后的行业调整也在影响初级招聘。但组织行为已经很清楚：
企业没有先把一批初级员工赶出门，而是在需要补人时，决定先不招。
这类调整没有醒目的“AI 裁员日”。高级员工借助 AI 承担更多工作，新入口则在一次次招聘决策中缩小。
二、初级任务是一套隐藏课程
把初级岗位只看作低价值产出，就很容易得出“能自动化就应该全部自动化”的结论。但很多专业职业里，初级工作同时承担两个功能。
第一个功能是生产。初级律师检索判例，分析师整理数据，程序员编写测试。第二个功能是学习：他们在工作中逐渐知道哪些来源不可靠、哪些异常值得追、一个看似正确的答案为什么不能交付。
第二类能力就是隐性知识。它很少完整存在于培训手册里，也不能只靠听资深员工讲授获得。斯坦福研究提出了一种解释：AI 更容易替代可编码、可检查的知识型任务，而有经验劳动者拥有更多未被数字化的窍门、流程感和情境判断。因此，AI 可能替代新人提供的书本知识，同时增强高级员工已经形成的判断。
这就是 learning-by-doing：任务不只是需要完成的工作，也是劳动者积累人力资本的课程。高级律师能够给客户建议，是因为做过多年合同审阅；数据科学家能够判断模型是否可靠，是因为亲手处理过大量脏数据和失败模型。
一个自动化项目因此会同时产生两笔账：当期以更少人完成相同工作，远期却减少了形成专业判断的练习。
过去，企业付钱让新人完成任务，学习作为生产的副产品自然发生。AI 把二者拆开了：机器可以交付结果，却不自动替组织培养下一代人。培养由此从生产的副产品，变成需要单独设计和付费的活动。
三、单个企业理性，所有企业短缺
单个企业减少初级招聘，完全可能是理性选择。高级员工配合 AI 能完成更多工作；新人需要培训和复核；培养出来的人还可能被竞争对手挖走。公司承担训练成本，却无法独占未来收益。
但高级员工不是市场凭空生产的。他们曾经都是新人。如果每家公司都少招、少练、转而争抢现成专家，个体理性最终会变成集体短缺。
远程办公也在拆散这套培养机制。跨四国招聘研究发现，新人更依赖即时提问、观察和非正式反馈，而这些活动在线上协作中更难发生。AI 省掉初级任务，远程办公减少现场学习，两者共同削弱了过去附着在日常工作中的训练。
芝加哥大学的职业动态研究展示了两条路径。AI 可以直接替代初级任务，让人才成长越来越慢；也可以帮助资深员工创造更多模拟、反馈和新任务，扩大新人可练习的范围。
把 AI 当减员工具，它会拆掉阶梯；把 AI 当训练工具，它也可能让人爬得更快。
四、重建阶梯，不是保留旧任务
解决办法不是为了培养人，强迫员工继续手工完成所有可以自动化的低价值工作。那会把学习与低效率混为一谈。
真正要保留的不是任务原样，而是任务提供的能力形成机制。
先让新人作出判断，再调用 AI。 先识别问题、提出假设和列出风险，再让 AI 补充资料或挑战观点。判断发生在提示之前，而不是输出之后。
让 AI 压缩反馈周期，而不是跳过练习。 用 AI 生成对照案例、模拟客户追问和构造故障，让新人更快经历不同场景，但仍要本人给出判断并解释理由。
把资深复核从“改答案”改成“审推理”。 评审证据选择、假设和取舍，找出新人在哪一步理解错了，而不是只修改最终文档。
为培养单独配置指标和预算。 记录新人能够独立完成的任务范围、升级处理比例和成长时间，并为导师、模拟环境和低风险真实任务付费。否则，管理系统只会看到 AI 节省了多少工时，看不到能力库存正在下降。
下一代职业入口不会只是寻找“会用 AI 的人”，而是培养能够在 AI 完成基础执行后，发现问题、验证结果并承担判断的人。
结论
这篇文章真正想说的只有一件事：企业正在用 AI 降低初级岗位需求，却还没有建立替代职业阶梯的人才培养机制。
检索、初稿、分析和复核不只是低价值产出，也是新人形成隐性知识与专业判断的训练。如果这些任务被直接交给 AI，企业省下的是眼前的人力成本，失去的却可能是未来的高级人才供给。
单个企业减少初级招聘完全理性，但所有企业同时这样做，最终会共同面对中高级人才短缺。AI 可以拆掉旧阶梯，组织却不能指望它自动建好新阶梯。
所以，管理者真正需要回答的不是“今年能用 AI 少招多少人”，而是另一道更难的问题：
如果今天不再让新人做那些通往专业判断的工作，五年后，你准备从哪里获得高级员工？
参考资料
- Erik Brynjolfsson、Bharat Chandar、Ruyu Chen，《Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence》，Stanford Digital Economy Lab，2025 年首发、2026 年 8 月 12 日修订。https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-effects-of-artificial-intelligence/
- Stanford Digital Economy Lab、ADP Research，《AI Economic Indicators: June 2026 Update》，2026 年 6 月。https://digitaleconomy.stanford.edu/app/uploads/2026/06/AIEI_RN01_Jun26.pdf
- Seyed Mahdi Hosseini Maasoum、Guy Lichtinger，《Generative AI as Seniority-Biased Technological Change: Evidence from U.S. Résumé and Job Posting Data》，2025 年。https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5425555
- Samuel Westby、Alicia Sasser Modestino、Peiran Cheng，《Generative AI and the Redefinition of Entry-Level Software Work》，IZA Discussion Paper No. 18723，2026 年 6 月。https://www.iza.org/publications/dp/18723/generative-ai-and-the-redefinition-of-entry-level-software-work
- Peter John Lambert、Yannick Schindler，《The Broken Ladder: AI, Remote Work, and Early-Career Hiring》，LSE Centre for Economic Performance Discussion Paper No. 2193，2026 年。https://ideas.repec.org/p/cep/cepdps/dp2193.html
- Hassan Afrouzi、Andres Blanco、Andrés Drenik、Erik Hurst，《Automation, Learning, and Career Dynamics》，Becker Friedman Institute Working Paper 2026-61，2026 年 4 月。https://bfi.uchicago.edu/wp-content/uploads/2026/05/BFI_WP_2026-61.pdf
本文部分内容由 AI 辅助生成，经人工审校和补充后发布。