阶梯已断_格栅正生_AI职业革命|煤矿里的金丝雀

斯坦福经济学家 Bharat Chandra：AI 如何重写一代人的职业起点

— 自我宣言系列 · 职业哲学 —

🐦序煤矿里的金丝雀

那只煤矿里的金丝雀，是矿工们最熟悉的朋友——它呼吸得比人更浅，感官比人更敏。在那个还没有电子传感器的年代，它一声不响地侧倒下去，就意味着矿井深处的空气正在悄悄变坏。

在劳动经济学的经典语境里，年轻工作者长期被视为劳动力市场的金丝雀。他们刚踏进职场，根基未深，应对能力最弱。

因此，对任何一次技术震荡的感知都最直接。斯坦福数字经济实验室（Stanford Digital Economy Lab）的经济学家巴拉特·钱德拉（Bharat Chandra），就是在这只金丝雀身上，读出了一条不容忽视的警报。

他研究得出的结论并不突兀：这不是周期性波动，而是范式迁移。AI 正在抽走传统职业阶梯最底下的几级台阶，那个“从打杂做起、一级一级往上升”的线性路径正在裂开缝。而在裂缝的两侧，一种新的职业形态——职业格栅（Career Lattice）——正在悄悄被重新编织。

✦这篇文章想聊什么不是“你会不会被 AI 取代”的老问题，而是——当通往顶端的梯子断了，你要用什么方式，在新的格栅里爬出一条属于自己的轨迹。

📉一16% 的增长缺口：知识劳动者的“卢德时刻”

钱德拉的团队追踪了数百万美国员工的就业数据，拿着一把尺子，对着 AI 暴露度高和低的两类岗位分别量了一下。结果一目了然：两条曲线，正在肉眼可见地分岔。

📊关键数据在软件开发、客户服务、行政支持这些与 AI 高度重合的初级岗位上，年轻员工的就业增长速度比低暴露岗位慢了整整 16%。起跑线，正在被技术悄悄地向后挪。

为什么这个数字特别扎心？因为它不是发生在制造业，不是发生在流水线，而是发生在过去三十年里被无数家长寄予厚望的——

知识密集型白领赛道。

❝These early results signal the potentially transformative impact of AI.❞▎ 我们之所以选择’煤矿里的金丝雀’作为标题，是因为这些早期结果预示了 AI 潜在的变革性影响。年轻人正处于职业生涯起点，却发现起步的门槛已经被技术悄然抬高。——巴拉特·钱德拉（Bharat Chandra），斯坦福数字经济实验室

钱德拉提醒我们注意一个历史性的逆转。

20 世纪的 IT 革命偏爱高技能、高学历的脑力劳动者，替代的是低技能的体力劳动——这条规律，教科书上叫做’技能偏向型技术进步‘。但眼下这一波 AI 浪潮，反倒更接近 19 世纪的工业革命：那时候机械化冲击的，是熟练的纺织工，是手艺最好的那群人。后来他们砸毁机器、走上街头，历史给他们起了个名字——

卢德分子（Luddites）。

今天的 AI，也正在精准地替代那些依赖’书本知识’的初级知识劳动者。他们不是被淘汰的低技能者，而是读过不少书、背过不少 SOP、刚刚在 CBD 写字楼里安顿下来的年轻人。

⚡更深层的危机在企业的激励机制里：年轻员工流动性高，私人企业不愿意承担培训新人的’社会成本’。当 AI 能以更低成本完成执行任务时，企业会顺势缩减初级岗位——于是传统的’老带新’人才培养链条，从最底部开始断裂。

🪜二从“阶梯”到“格栅”：路径的重新编织

传统的职业路径，像一把单向的梯子：漫长而一望无际。

你是会计，就沿着会计的刻度往上爬；你是程序员，就在 Java 的梯子上耗着。阶梯的好处是目标明确——往上看就行；它的坏处也同样明确：一旦你脚下这一段梯子被自动化从中间抽走，你半辈子的人生溢价会在一夜之间归零。

钱德拉提出的职业格栅（Career Lattice）模型，描绘的是另一种图景：低门槛、多路径、随时可以横移。

✦从“阶梯”换成“格栅”阶梯是一根竹竿，只能往上爬；格栅是一片竹编，上下左右都能挪。被一段藤砸断的时候，你可以绕，可以跳，可以从另一个方向重新贴着往上走。

AI 在这张格栅里，扮演的是一位‘即时导师’（Just-in-time Tutor）。过去你想从市场转数据分析，得脱产读一个硕士、背一本 SQL、再熬几个月的项目；现在，一个营销人员只要用 Claude 或者 Cursor 把自己摸过的那批用户数据跑一遍，就能在两周之内写出第一份可发布的漏斗分析报告。

跨行的摩擦系数，被技术按在地上摩擦。你不再被锁死在某一个专业垂直领域，而是在一张可以横向扩展的格栅里灵活走位——

用“多路径能力组合”对冲“单一路径失业风险”。

🧭三默会知识：AI 时代的超本地化护城河

那有没有人在这场风暴里格外稳？有。

风暴中最稳的，是那群三四十岁、资历扎实的中坚力量。不是他们的专业技能更厉害——事实上 AI 在具体技能上往往比他们更快——而是因为他们身上藏着一个非常昂贵的东西：

默会知识（Tacit Knowledge）。

默会知识（也是我们常说的隐形知识）是那种“只可意会、不可言传”的知识，是「道可道非常道」的职业体悟。它没有出现在任何教材上，也没有出现在公司的 Wiki 里。

它藏在老张抽烟时说的一句“这事儿得先去找财务张姐”、藏在项目经理发飙之前微妙的眼神、藏在三年前那次上线失败之后整个团队共同绕开的那个地雷。

钱德拉强调，AI 在以下三个领域仍然存在明显的天然短板：

🦾物理任务：　在通用机器人真正落地之前，复杂的物理协作——一名手术医生、一位现场工程师、一个做私厨的主理人——都仍是人类的领地。

♟️战略思维：　决定「做什么」以及「为何而做」。AI 擅长执行，但对「要去哪里」这个问题，它天生没有方向感。

🤝社交互动：　基于人类价值观和共情的深度沟通。安慰一个失业的朋友，推动一场跨部门的结盟，这些事 AI 做不来。现在和未来，人与人之间有着温情的线下碰面将会是最珍贵的社交场域。

资深员工的护城河，不在于他们知道多少，而在于他们知道——

“如何在一个具体的组织里，让知识落地”。

这恰恰是刚入职的年轻人最匮乏、也最需要通过与 AI 协作来加速补齐的资产。

年轻人用 AI 接管执行任务的同时，要把省下来的时间换成和真人一起解决问题的经验——走进会议室，听懂那些没有写在议程上的潜台词。

🔍四增强 vs 自动化：你的任务范围，正在扩大还是萎缩？

作为一个长期观察并且经常职业变迁的人，我最常被朋友问的一个问题是——

“我到底是在被 AI 增强，还是在被 AI 替代？”

钱德拉给了一个非常朴素，但异常锋利的判准：

🎯看你的任务范围，是在扩大，还是在萎缩。

增强（Augmentation）：你可以想想那些「全能型」的初创公司创始人。以前，做一个 SaaS 产品得招产品、设计、前端、后端、市场、运营——至少十来号人。现在，一个懂业务、会用 AI 的人，自己可以独立处理原本要一整个部门才能完成的工作。你的产出上限被技术推高，你能做的事情越来越多——

这就是增强者。

自动化（Automation）：与此相反，如果你发现自己的岗位职责越来越窄——过去你负责整个客服流程，现在只剩处理投诉升级；过去你负责写周报，现在只剩校对 AI 的周报初稿——那么你正在被一块一块地剥离。

你正在被自动化。

✦一个可以对着镜子问自己的问题这周，我比上周多做了一件事？还是少做了一件事？连续问自己十二周，答案就出来了——你会知道自己的任务曲线，正在朝哪个方向走。

钱德拉在这个话题上分享过一个很打动我的个人准则：

❝Writing is thinking.❞▎ 他坚持自己不使用 AI 写作。因为’写作即思考’，思考过程的价值远大于最终产出的价值。在某些核心领域，坚持人类的亲力亲为，不是为了炫耀情怀，而是为了保留对复杂问题的解析能力——那是一种哪怕慢、但必须自己动手的东西。——巴拉特·钱德拉谈自己使用 AI 的原则

这点每个人的看法不一样啊；我就是提出问题，打磨SKILL给小龙虾写岗位说明书_Skill入门指南，淬炼风格；剩下的收集数据、整理出报告的事情都交给了AI。

当然，我还会校验和审核。虽然，每日的交付都是AI「辛勤」工作的结果；但是选题凝聚了我个人的思考；风格也体现了个人阅读习惯和品味。感谢AI提升了产出的速度；帮助我和更多的读者建立连接。

你也可以给自己划一条线：哪些事，我绝不交给 AI？把这条线守住，其实就是守住了自己的思考能力。

🎛️五战略管理：从执行者到 AI Agent 的引导者

未来几年，最关键的一次工作逻辑漂移，可能是这样的：

从“亲自执行任务”，漂移到“管理 AI 代理（AI Agents）”。

这句话听起来很像管理学黑话，但其实很具象。以前你写一段代码，未来你要给十个 Agent 分派十段任务，再评审它们跑出来的结果；以前你自己做一个财务模型，未来你要监督三个 AI 助手分别处理收入端、成本端、现金流端，再把它们拼起来；以前你是执行者，未来你是——

👔一个“微型经理”（Micro-manager），手下站着一排 AI 员工，每个都比你快，但没一个比你懂方向。

在这种模式下，真正值钱的，是战略表达能力（Strategic Guidance）——

把需求说清楚的能力；把模糊的业务目标拆成可执行的子任务的能力；对产出结果做出审美判断的能力；以及在 Agent 做歪的时候，能把它拉回正轨的能力。

在未来的职场里，能清晰表达“我想创造什么”，并理解它背后的人类价值，比掌握某一门具体的代码语言或设计技法，都更具商业溢价。

✦一个类比过去的职业训练，是培养“好工匠”；未来的职业训练，是培养“好导演”——你能不能指挥一个由 AI 组成的剧组，拍出你想要的电影。

🌅六结语重塑教育与公平的十字路口

钱德拉的研究把我们带到了一个很悖论的十字路口。

一个方向是：AI 缩小了贫富差距。如果 AI 能大幅度降低高薪行业的进入门槛，让受教育程度不那么高的人，也能完成原本只有专业人士能完成的任务，那社会不平等会被缓解。一个会用 Claude 的小镇青年，可以在家里给美国律所写出一份过得去的尽调摘要——这是过去不敢想的事。

另一个方向是：AI 加剧了两极分化。如果 AI 进一步放大了战略思维和社交技能的溢价，那些掌握「高级人类技能」的精英，会把普通人甩得更远。他们既能驾驭 AI，又能搞定人——

一边是 Agent 的生产力，一边是人类组织的政治学，两条护城河叠在一起，深得让人绝望。

🏫所以教育系统必须从底层重构。像 Khan Academy 所倡导的那样，利用 AI 提供引导式、启发式的教育，而不是直接抛出答案。我们要帮孩子练习的，不是“知道更多”，而是“问得更好”。

回到我们自己身上。在 AI 时代，我们不应该再问：

“我该如何跑赢机器？”

我们应该问：

“我该如何利用机器，去构建和创造？”

保持对这个世界的好奇心，专注于培养那些 AI 无法数字化的「默会经验」——那些只有在真实的组织里、真实的项目中、真实的人际摩擦里才能沉淀下来的东西——将是我们从破裂的职业阶梯，跃迁到自由格栅之上的，唯一通行证。

📌七三句话总结

①结构性变革：　AI 不是一次暂时干扰，是一场范式转移——它已经让高度暴露于 AI 的年轻岗位，就业增长慢了 16%。

②职业格栅化：　传统线性职业阶梯正变成“格栅”，AI 驱动的个性化学习让技能获取更快、职业横跳更轻松。

③人类的溢价：　未来的核心价值，不在执行具体任务，而在默会知识——战略思维、社交互动、以及引导 AI 代理完成复杂目标的能力。

💬 你最近一周，感受到自己的任务范围在扩大，还是在萎缩？

· · · · · · · · · · · · · · · · · · · · · ·

「用AI工具，看见时代的底牌。」

喜欢这篇文章的伙伴，请一定点赞、分享和推荐❤️给朋友。

⚠️ 本文为基于公开研究的观点整理与思想科普，不构成任何投资或职业决策建议。

信息来源

[1] Bharat Chandra, Erik Brynjolfsson et al., “Canaries in the Coal Mine: Six Facts About the Recent Employment Effects of Artificial Intelligence” (Stanford Digital Economy Lab Working Paper, 2025)

[2] Erik Brynjolfsson, Stanford Digital Economy Lab: https://digitaleconomy.stanford.edu

[3] 关于“职业格栅（Career Lattice）”概念，可参考 Cathy Benko & Anne Weisberg, Mass Career Customization (Harvard Business Review Press, 2007)

[4] 关于“默会知识（Tacit Knowledge）”的经典论述，参见 Michael Polanyi, The Tacit Dimension (1966)

[5] 关于“卢德分子（Luddites）”与工业革命对熟练工冲击的历史背景，参见 Joel Mokyr, The Lever of Riches (Oxford University Press, 1990)

[6] Khan Academy 的 AI 辅助教育倡议：Khanmigo (https://www.khanacademy.org/khan-labs)