想象一家企业：没有大规模裁员，没有关闭部门，季度报表也很平静。但它今年不再招聘初级分析师，明年又减少了实习生名额。
对已有工作的人，这可能只是一次效率优化。对准备进入行业的人，职业阶梯的第一层正在变窄。
讨论 AI 与就业时，我们习惯追问“会消失多少岗位”。另一个同样重要的问题是：如果机器接走了新人过去用来练习的任务，下一代专家将在哪里长出来？
这个问题已经有值得关注的信号，但还没有可以草率宣布的答案。
招聘入口正在发生什么变化？
Stanford Digital Economy Lab 在 2026 年 8 月更新的研究，使用截至当年 6 月的 ADP 工资数据。研究没有发现广泛的全经济就业替代；同时，在其样本中，22—25 岁、处于 AI 暴露较高职业的劳动者，就业规模比跟随低暴露同龄群体走势的比较基准低 19%，差异主要通过招聘减少体现。研究更新与方法说明
这不是“19% 的年轻人因 AI 失业”，也不是 AI 单独造成这一差距的因果估计。研究明确说明，教育控制会削弱部分差异，某些趋势早于生成式 AI，而且样本结果比全国调查中的差异更明显。把这些限制留在讨论中，才能理解那个醒目数字究竟告诉了我们什么。
它提示我们关注进入机会，而不只是离职人数。还要注意，22—25 岁是年龄分组，不等同于初级岗位：其中并非人人刚入行，其他年龄的转行者也可能从入门岗位开始。因此，它是观察职业入口的相关信号，不能代替对实际岗位级别、经验要求与招聘流程的直接测量。
裁员会留下公告，暂停招聘通常不会。一个岗位因自然流失而没有补员，也不一定进入“技术替代”的新闻统计。企业可以在总人数变化有限时，改变团队的年龄结构和经验结构。今天的成本节约，可能几年后才表现为人才梯队缺口。
初级任务，也是学习判断的机会
初级工作过去通常承担两种功能：完成任务，以及培养完成更复杂任务的人。
整理资料、检查零件、编写初稿、记录客户需求，这些工作有些单调，有些低效，却也让新人看到真实约束。客户为什么不接受一个逻辑正确的建议？零件为什么在实验室合格、在现场出问题？一份报告中的异常究竟是噪声，还是需要停下来的信号？
判断力往往来自做事、犯错、接受反馈，再逐渐承担后果。若只保留最终签字的人，却取消形成判断力的过程，组织可能拥有更快的交付速度，也拥有更脆弱的经验补给。
当然，并非所有重复劳动都有教育价值。让新人长期做机械整理，也可能浪费能力。AI 可以帮助新人更快理解领域、比较方案和发现遗漏。真正需要重新设计的是学习路径：哪些练习可以取消，哪些反馈必须保留，哪些责任可以更早交给新人？
ILO 的生成式 AI 研究采用任务视角，强调暴露与实际替代之间存在距离。这种视角很有用：一个职业包含许多任务，部分任务被自动化，不等于整个职业失去需求。ILO 研究说明
当机器进入现场，经验从哪里来？
当我们把问题延伸到 Physical AI，需要再加一道边界。办公软件上的就业研究不能直接证明，维修、制造或照护领域将出现同样变化。物理工作的安全要求、设备成本和现场环境不同。但有一个组织设计问题是相通的：机器承担更多标准任务以后，人怎样获得处理非标准情况的能力？
一个可能的未来工厂，需要更少的人重复搬运，却需要有人判断异常、安排维护和调整流程。企业若只招聘“已经有经验的人”，就必须解释，这些经验最初由谁培养。
把人才培养写进 AI 部署计划
我建议管理者把 AI 部署评审与人才培养评审放在一起。
先画出团队的成长链：新人从什么任务开始，谁提供反馈，达到什么标准后能够独立负责。然后标出 AI 将接走的环节。如果消失的是无效等待，可以大胆取消；如果消失的是接触真实客户、现场故障或专业判断的机会，就需要提供替代实践。
替代实践可以是由导师负责的真实项目，也可以是复盘过往失误、比较人机方案、在安全边界内处理逐步增加难度的任务。AI 能参与辅导，但不能只用 AI 给出的分数证明新人已经具备能力。评估应包含解释依据、识别不确定性，以及在工具失灵时知道如何求助。
再建立一笔明确的导师预算。指导新人需要时间，如果高级员工仍被要求维持原有交付量，所谓“AI 学徒制”很容易变成无人负责的在线课程。培养成本应该进入项目成本，而不是依赖少数同事下班后的善意。
最后，别只看人均产出。把初级岗位录用、实习转正、独立承担任务所需时间，以及晋升后的质量一起看。一项部署如果提高当期效率，却让组织长期失去培养能力，它的回报就还没有算完整。
如何保留入口，而不制造无意义的工作？
最强的反方是：招聘减少也可能来自利率、行业周期和过去的过度招聘。强行保留没有需求的职位，只会把培养变成补贴。
我同意，企业不应为了维持旧编制而制造无意义的工作。更合理的目标，是保留通向真实责任的入口。行业协会、职业学校与企业可以共同设计有报酬的项目和轮岗，减少单家企业承担全部培训成本、其他企业直接挖人的矛盾。具体成效需要用就业和能力结果验证，而非仅统计培训人次。
对年轻人而言，学习使用 AI 当然重要，但更值得积累的，是可以展示的判断过程：怎样定义问题，怎样验证结果，什么时候推翻工具的建议，怎样承担一次真实交付。
学校与雇主也需要共同调整评价。作品的完成速度越来越容易借助工具提升，面试和考核可以更多追问取舍、验证与复盘。这样的标准既承认工具的价值，也让缺少名校或名企经历的人，有机会通过具体工作证明自己。
下一代专家可能会使用与上一代完全不同的工具。他们仍然需要获得练习、反馈和被信任的机会。
你的团队使用 AI 之后，是把更复杂的任务更早交给新人，还是逐渐不再需要新人？如果是后者，五年后的专家将从哪里来？
资料截至 2026 年 10 月 20 日。文中企业场景为说明机制的假设。