如果AI拿走了新人的第一批工作,他还怎么获得经验?

过去，新人进一个行业，开头通常不是干大事。先整理资料，做那些重复的活，跟着前辈跑项目，改很多遍，中间也犯一些不致命的错。这些事本身不怎么值钱，但人是在里面被练出来的。做多了，你才慢慢分得清什么是对的，什么其实不值得做。经验很少是某一天突然学会的一项技能，多半是在这些不显眼的工作里长出来的。

现在这些基础活，AI接得越来越多。所以更值得问的，可能不是AI会不会抢走年轻人的工作。新人要是连过去那些没什么价值、却能练人的活都越来越少做，他以后到底怎么变成一个有经验的人？我觉得这才是AI进了职场以后更深的一层问题。

一、新人那条老路，正在从前面断掉

以前那条路其实很朴素。先做小事，做多了你开始自己判断，然后有人把一个完整项目交给你，最后才是一个真正的问题。你把它解决了，别人才说你有经验。

AI动的是最前面那一段。已经有一些信号。Stanford Digital Economy Lab斯坦福数字经济实验室今年8月更新了一项研究，用ADP几百万美国劳动者的数据，追踪到2026年6月。在高度暴露于AI的职业里，22到25岁年轻人的就业水平，比按低暴露职业的趋势推出来的，低了大约19%。有经验的人没有出现类似的缺口。研究者还说，这主要不是年轻人被大批裁掉，更像是企业少招了一些年轻人。

这里得停一下。这项研究自己也讲了，这是描述性证据，不能证明这些变化全是生成式AI造成的。最近也有更温和的结果。一项看2026年大学毕业生的研究，就没有发现AI暴露职业里，年轻毕业生的失业率有统计上显著的额外上升。所以现在不能讲，AI已经让年轻人找不到工作。没这么简单。

几项研究放在一起，有个现象值得继续看。AI最早碰到劳动力市场的地方，可能不是把干了很多年的人成批裁掉，而是企业没那么愿意招刚刚入行的人。

这就有点怪。新人需要一份工作，正因为他还没经验。企业愿意养他，是相信这个现在什么都不会的人，过几年也许能变得很好。可过去交给新人的那些基础活，AI已经能做不少了。企业为什么还用原来的办法养他？

要回答这个，得先看那些活到底在练什么。我们习惯把工作分成高价值和低价值，然后觉得低价值的赶紧交给AI。从效率上说，这没问题。从人是怎么长出来的看，就没那么简单。

比如你刚进一家咨询公司。以前会花很长时间查资料，搞懂客户，把信息理顺，再跟着项目往前走。很烦。但就是在这个过程里，你会发现客户嘴上说的常常不是真问题。有的数据很好看，却没什么用。有的方案写得特别完整，其实落不了地。这种东西没有一条知识点能直接教会你。见过一次，下次才认得出。

所以经验里很重要的一块不是知道，是见过。你见过事情是怎么砸的，也见过一个看着完整的方案，最后为什么没用。有时候客户说的是A，要的其实是B。这些见过，最后变成判断力，简历上写不出来。

AI现在最好替代的，往往就是已经标准化、能写成规则、流程和文本的那部分。Stanford那项研究里还有一个结果挺说明问题。年轻人要是待在靠明确、可以被编码的知识吃饭的职业里，就业冲击更明显。更靠实践、师傅带、在真实情境里攒出来的默会知识，有经验的人反而更好。前面那些能标准化的训练要是被AI拿走了，后面这些标准化不了的经验，人还靠什么拿到？

二、答案可以很快，经验不一定跟着来

有一条路是，人被教得更快。AI在这件事上可能是个很好的老师，所以也不能顺着悲观看下去。

有一项比较经典的研究，看了5000多名客服用上生成式AI之后的变化。整体生产率大概提高了14%。新手和低技能员工提得更多，大约34%。研究者还发现，AI好像把优秀员工的一些做法传给了经验少的人，让他们沿着经验曲线往上走得更快。

写代码那边也类似。2025年有一项研究，把微软、Accenture等公司的三个现场实验合在一起，一共4867名开发者。用了AI编码工具的人，完成任务的数量整体增加了大约26%。经验少的开发者用得更多，生产率也提得更明显。

新人确实更快拿到答案了。可他走过的那一段路，也更短了。这两件可以一起发生。所以要分开看：他拿到的是一个答案，还是一段经验。这两件差得很大。

以前要花三个月才知道一个问题怎么解，现在第一天AI就告诉你了。这当然是进步。可那三个月里几十次判断、失败和复盘，你要是没走过，那三个月的经验你到底有没有？现在没有标准答案。我觉得这个问题会越来越重要。

基础执行要是继续交给AI，人的成长方式就会跟着变。以前是任务在堆。你先学会完成一个任务，然后十个、一百个，慢慢变成专家。以后更像是责任在堆。

以前老板让你把这20页资料整理出来。以后可能直接说，这是客户的问题，你去研究，告诉我你觉得该怎么办。中间的搜集、整理、分析，很多可以给AI。但主意得你自己拿。问题到底是什么，AI的答案哪里不靠谱，哪个方案值得试。然后真把它做下去，看结果。

要攒的是另一件东西：你有没有把一个问题从头走到结果。以前大致是事情做多了，手变熟，然后才有人给你更多责任。以后执行那一块被AI扛走，人会更早被放到一个完整的问题前面。你做了判断，看了反馈，结果算在你头上，经验才长出来。真是这样的话，AI就不只是个替代工具。学校怎么教，企业怎么养人，都会被它逼着改。

三、谁都想要有经验的人，却越来越少人愿意培养

企业不是学校，它算成本。过去三个人的活，现在一个人加AI就够，它自然会想，为什么还要留着原来那三个人。

已经能看到一些早期迹象。Klarna在2025年的年报里说，它的AI助手处理了大约80%的客服聊天，公司估算相当于700多名全职客服的工作量。这不等于700个人被裁了。它披露的是工作量等价，不能直接理解成700个真实岗位消失。但有一件事它说得很清楚：过去要很多人干的一类活，现在一个AI系统能扛很大一块。

Klarna还披露，2025年公司平均每名员工对应的年收入，从2022年的大约34.4万美元，提高到大约124万美元。它把采用AI、减少供应商，还有AI辅助编码，都算进内部效率提升里。

这时候企业问的就不只是AI能不能做这件事。既然它能做，我还需要什么样的人？招聘和培训都会动，整个队伍怎么搭，也可能跟着变。

人要是都按这个逻辑招，公司底下那一层会越来越薄。传统公司底下有一大批新人做基础活，一部分慢慢变成中层，再往上才是高级的人和负责人。这个结构本身就在培养人。今天的负责人，常常就是十年前刚进门的那个新人。

底部薄了，就会出现一件怪事。谁都想要已经有经验的人，却越来越少人愿意付获得经验的成本。初级岗位变少当然麻烦，我更担心的是这个。要是每家公司都只想招一个已经会做事的人，这个人是从哪儿来的？

企业大概不会只有一个办法。有的还会养新人，只是不从整理资料养起。AI去做模拟和执行，人更早进真实项目。学校和职业教育，也可能把这种真实练习多接过去一些。还有些人等不到别人培养，就得自己造一次负责的机会。做一个小项目，接一单自由职业，做内容，参与开源，创业也行。目的不是把简历写好看，是为了有一次，结果真的算在你头上。

四、会做变得不稀缺以后，价值落在谁手里

这期里我最想说的一句是：以后更稀缺的，可能不是技能，而是责任。

我们习惯说要提升技能。Excel、写代码、设计、做分析，再加上用AI，这些当然有用。可AI越来越会把技能直接变成结果。我会不会做，这件事本身可能就没那么稀缺了。

一个模糊的问题扔过来，你接不接得住，会变得更要紧。你得先判断真正的问题是什么，再去找信息，用上AI，摆出几个方案，选一个推下去，最后面对结果。这和完成任务不是一回事。任务是别人告诉你做什么。问题是你自己得判断该做什么。过去很多人要干很多年，到比较后面才拿到这个能力。以后可能会被提前要。

专业人士也会跟着变。以前很大一块价值，就是我知道怎么做，你不知道。设计、写代码、做分析，处理法律和财务，都是这个逻辑。AI正在把这个门槛往下压。光会做，以后可能不够。你还得把问题定义清楚，看得出答案哪里不对，也得看懂这件事发生在什么样的现实里。这些里面最硬的一条，是你愿不愿意为结果负责。

这是一个趋势判断，不是说AI永远做不到这些。它要是继续发展，也会越来越多地参与定义问题、分析和判断。这条路还会往前。再往后，稀缺的也许不是我知道答案，而是我知道哪个问题值得做，并且愿意承担做完以后的现实后果。

责任担下来了，还有后半句。多出来的好处，不一定是你的。过去两个人的活，现在一个人做完，多出来的价值最后谁拿走？可能进了公司，进了股东口袋，也可能变成更低的价格，或者公司拿去把规模做大。当然，也可能最后变成员工的收入。但它不会自动发生。

企业这边的调查已经能看到一点。2026年有一项研究，问了近750名企业高管。企业普遍说AI带来了生产率提升，但公司跟公司差很多。大企业对人手会减少的预期，比小企业更明显。公司内部也在重新配人，一些常规文职的需求在降，技术岗的需求在升。生产率上去了，个人收入不一定上去。这是两件事。

所以别只问自己怎么用AI把眼下这份工作做更快，还要问，多出来的那些价值最后落在哪儿。你要是只把原来八小时的活压成四小时，公司让你用剩下的四小时再干更多，生产率是高了，你说话的分量未必高。反过来，AI要是让你从完成一个任务，走到负责一个项目，再走到对一个业务结果负责，那就不一样。你卖的不再只是时间，你开始扛更完整的一段。

再往前一点，就是这些东西算不算你的。执行的价格要是被AI一直往下压，人就得想，除了卖时间，我有没有一点能持续产出、并且算我的东西。比如你做出过一个小产品，积累过一批内容，手里有自己的客户，哪怕只是一家公司里的一小部分，都算。我不是说每个人都得去创业，也不是说打工没有前途。一个人的产出要是能被AI放大好几倍，新增的这些价值里你占多少，会越来越重要。

以前我们爱问，怎样让自己更不可替代。AI可能会让这个问题越来越难答。你再难被替代，也不代表你干的某些活不能被技术拆开再装起来。所以另一个问题可能更要紧。我能不能从出卖劳动，慢慢走到自己拥有一点价值。这两件事不冲突。你可以先把专业做好，然后再有一个自己的产品，自己的客户，哪怕只是你造出来的东西里的一部分。重点不是当老板。重点是别让你造出来的价值，只换回了当月的工资。

五、如果你现在还是新人，或要在AI时代生存

回到个体的身上，我反而不建议因为AI来了，就突然去狂学一百个工具。工具变得太快。今天这个模型厉害，明天可能就换一个。真正该攒的东西，没那么容易过时。

头一件，尽量去碰完整的问题，别只做拆开的小任务。问题可以很小。从发现问题，到研究，到你自己判断，再到看见结果，最好走完。经验是从这个闭环里来的。

还有一件，别让AI把判断全替你做了。研究、比较、找你的盲点，甚至大量执行，都可以交给它。但关键的地方先自己想一遍，要是我来，我会怎么判，然后再让AI来挑你。这样它是在练你，你也不至于离了它就不会判断。

最后一件，早点去扛一个真的结果。不是简历上写做过很多项目，而是有一个项目，结果真的跟你的决定有关。可以很小。客户满不满意，东西有没有人要，这事为什么砸了，都算。关键是有反馈回来。反馈才是经验开始变硬的地方。

回到开头那个新人。以前他也许要做一千件小事，才慢慢变成专家。以后AI让他不用做这一千件了。不能因此说，太好了，时间省出来了。也不能说，完了，年轻人没机会了。两头都说简单了。

AI一边帮我们跳过大量没什么价值的练习，一边逼我们更早去碰真正难的部分。以前你可以先花几年，学怎么把事情做好。以后你可能更早就要回答，到底该做什么，为什么做。AI给了三个答案，你信哪个。失败了问题在哪，下次会不会不一样。这些慢慢才变成一个人的判断力。

所以路径可能会变。以前是事情做多了，人变熟，然后有了经验。以后是更早碰到完整的问题，做更多真的判断，担更多结果。攒下来的那种经验，也会更少人有。

值得攒的，可能不是我会多少东西。你解决过什么问题，为哪些结果负责过，有没有形成自己的判断，这些更要紧。还有一件也许更重要。AI要是让一个人比过去强出很多，他多造出来的价值里，有没有一部分真的是他自己的。

我觉得这才是AI时代更值得想的职业问题。过去要很多人才能做完的事，AI越来越容易做完了。那你的经验要从哪里攒出来，判断又要怎么练。结果出来了谁担着。多出来的价值里，有没有一份算你的。这些比学哪个工具重要。工具会一直换。一个人怎么变成有经验、有判断、也能留下一点自己创造的价值，这件事可能才刚换了一个阶段。