ARTICLE · 1214930
AI新知(二十四):AI正在抽掉那把梯子
AI新知(二十四):AI正在抽掉那把梯子2026年哈佛毕业典礼上，校长Alan Garber讲了一个1903年的老故事。当年有人在报纸上抱怨：游客坐10分钟热气球就能飞上勃朗峰，登山者却要冒死爬好几天。记者哀叹"简化一切的狂热"给新世纪留下了挥之不去的忧郁。 Garber说，今天我们又到了一个热气球时代。AI能一秒给你一周才推得出来的答案。但问题从来不是热气球好不好，而是哪些山，你仍然需要亲自爬。 这句话放在个人成长的语境里，听起来像鸡汤。但放在企业人才管道里，它指向一个正在发生、却很少被认真讨论的结构性问题：AI在自动化入门级工作的同时，正在抽掉培养未来管理者的那把梯子。 SAP 2025年发布的研究数据很直接：所有行业的入门级岗位招聘自2021年以来下降了10%。如果只看软件工程师、客户支持、数据分析师这些最常见的入门岗位，2024到2025年之间招聘需求骤降了35%（SAP SuccessFactors未来工作研究室报告）。 35%不是缓慢的趋势，是一年之内的断崖。 这些岗位被砍掉的逻辑很好理解：自动化测试替代了初级QA，AI代码助手压缩了初级开发的工作量，智能客服分流了大部分常规咨询。从效率角度看完全合理。但这些岗位还有另一个功能，通常不会出现在ROI计算里：它们是培养未来领导者的训练场。 一个后来成为CIO的人，职业生涯前几年可能在做QA测试、写数据清洗脚本、处理系统工单。这些工作本身技术含量不高，但做的过程中，他在理解系统怎么运转、业务部门怎么用技术、跨部门协作的摩擦在哪里。IT猎头公司Dexian的CEO Maruf Ahmed说得很直接："过去，日常工作本身就能自动筑牢这一基础。但现在不行了。" Garber在致辞里把这个问题的本质讲得很干脆。他区分了两种努力：机械性的——背题库、套模板、跑重复实验，这部分被替代就替代，不必惋惜。建构性的——定义问题、在模糊里找路径、亲自趟一遍未知领域。后者不会被一键取代，因为判断力只能在真实的犯错和纠错中长出来，不能靠看别人（或AI）的答案学会。 问题在于，机械性工作和建构性学习在入门级岗位上是混在一起的。初级工程师手动跑测试，这件事本身是机械的，但他在这个过程中积累的对系统边界的直觉是建构性的。当你把机械性工作自动化掉，附着其上的建构性学习机会也一并消失了。 梯子的下面几级台阶被抽掉了。上面的人暂时不受影响，但新人够不到了。 德勤2025年的调研印证了这个问题的规模。84%的企业还没有围绕AI重新设计岗位。36%的企业预计至少10%的岗位将在一年内完全自动化，82%认为三年内能实现。但即便面对这样的预期，只有不到一半的企业在调整人才战略，53%仅仅把重点放在"培训员工提高AI熟练度"上（德勤2025年人才与AI调研）。 SAP报告里还有一组数字值得注意：86%的员工表示早期职业培养项目帮他们奠定了成功基础，但只有32%参与过这类项目，49%说所在公司根本不提供。只有35%的初级员工被告知过哪些岗位未来可能被自动化。 企业一边在快速拆梯子，一边几乎没有在搭新的。 那新的梯子应该长什么样？ 这个问题如果不落到具体的岗位设计上，就还是空话。旧的入门级工作——手动测试、数据清洗、工单处理——正在消失，但"入门"本身不应该消失，只是入门的内容要变。 一个刚入职的初级工程师，过去的日常可能是60%跑测试、30%写简单脚本、10%参与需求讨论。未来更合理的配比可能反过来：他的核心工作变成审核AI生成的代码和测试结果——不是自己写，而是判断AI写得对不对、漏了什么、在什么边界条件下会出错。这不是降格，是一种新的技术能力：在AI输出和真实业务之间做质量把关。 类似的，初级数据分析师的工作不再是手动清洗和制表，而是检验AI生成的分析结论是否在业务上说得通——数据切口对不对、趋势判断有没有忽略关键变量、结论是否经得起业务部门的追问。初级客服人员的工作不再是回答常规问题，而是处理AI客服升级过来的复杂case，在AI搞不定的模糊地带做判断。 这些"新型入门级工作"有一个共同特征：核心动作从"执行任务"变成了"审核AI的执行结果"。这对入门级员工的要求其实更高了——你需要有足够的领域知识才能判断AI对不对，而不是只会按流程操作。 Maruf Ahmed提到了另一个容易被忽略的问题：AI不会长期局限在某一个职能部门。一旦企业在某个领域实现了自动化，就会期望推向更广的范围。那些在特定职能内部成长起来的领导者，突然被要求对他们从未直接管理过的领域的AI应用发表意见。 这就是梯子断层在管理层的体现。如果未来的IT总监从来没做过一线测试——因为这些工作在他入行时已经被自动化了——他拿什么判断AI系统的输出是否可信？ 不过，把AI单纯放在"剥夺者"的位置上也不完全公平。AI在拆掉旧训练场的同时，也有可能成为一种新型的训练工具。 举个具体的场景。传统的初级工程师要积累系统故障处理经验，只能等真实故障发生——但真实故障频率低、每次上下文不同、复盘质量参差不齐。如果用AI模拟高频的系统故障场景，让初级工程师在模拟环境中反复练习判断和决策——故障根因在哪里、该先查哪条链路、什么时候该升级——理论上可以把过去需要三五年积累的故障直觉压缩到更短的时间里。 类似的逻辑适用于很多领域。金融行业可以用AI模拟复杂的风控对抗场景，让初级风控人员在仿真环境中练习判断。医疗行业已经在用AI模拟临床case，让实习医生在虚拟病人身上积累诊断经验。商业领域可以用AI生成复杂的谈判模拟、供应链中断场景、预算博弈——让初级管理者在失败成本为零的环境里高频练习决策。 但这里有一个前提不能省略：模拟训练能加速经验积累，但不能完全替代真实环境中的判断力形成。模拟场景是设计过的，变量是可控的；真实业务环境的核心特征恰恰是变量不可控、信息不完整、利益相关方会做出意料之外的反应。用Garber的比喻来说，模拟训练像是在室内攀岩馆练习——体能和基本技术可以练出来，但对真实山体的风险直觉，还是得上真山。 所以更合理的模型可能是：用AI模拟训练补上一部分被自动化消除的基础经验，同时让初级员工更早地进入真实业务项目做决策。德勤的调研里提到，超过一半的企业正在考虑基于项目小组或非等级制的组织模式，16%已经开始转型。这个方向是对的——不是让新人在底层重复性工作里泡三年再接触真实决策，而是缩短"泡"的时间，更早地把他们放进需要做判断的项目环境里。 这对管理者提出了新的要求。Maruf Ahmed说得很坦率：高管需要投入更多时间主动教学，员工需要在职业生涯早期接触复杂决策。SAP的Autumn Krauss补充了一个关键判断："如果企业继续减少入门级招聘，而不重新思考初级人才的发展方式，就会让未来的领导力管道出现断层。" 说完企业端，个人这一侧也不能只等企业搭新梯子。 如果你是一个刚入行或入行不久的人，有几件事现在就可以做。第一，主动去接触AI搞不定的工作。跨部门协调、客户现场的模糊需求、系统出故障时的临时决策——这些事情AI目前做不了，而且恰恰是判断力生长的土壤。不要只挑技术上有成长空间的任务，要挑需要你在不确定中做判断的任务。 第二，把AI当作加速器而不是替代品来用。AI可以帮你更快地了解一个系统的结构、一个流程的逻辑、一个行业的基本面，但了解和理解不是一回事。用AI快速获取信息，然后自己去验证、去追问、去跟真实业务场景对照。验证和追问的过程，才是经验积累的核心环节。 第三，刻意练习"审核AI输出"这个能力。让AI生成一份分析报告，然后自己去找里面的漏洞——数据切口对不对、逻辑链条是否完整、结论是否经得起反驳。这个练习不需要等公司安排，自己就可以做。长期下来，你会发展出一种对AI输出的"鼻子"——什么时候它在胡说，什么时候它漏了关键信息，什么时候它给的答案技术上正确但在业务上没用。 哈佛毕业典礼上Conan O'Brien说了一句看似玩笑的话：哈佛教了你们四年怎么赢，但没人教你们怎么输。 这句话放到AI与成长的语境里也成立。AI时代最稀缺的不是能给出正确答案的人——AI越来越擅长这个。稀缺的是在AI给不出答案时仍然能做判断、在AI给错答案时能发现问题、在自动化流程崩溃时能快速介入的人。这种能力只能在真实的犯错中长出来。 企业正在用AI把入门级的山路铺成了缆车。效率提升了，但未来的管理者再也不会走过那条路。问题不是要不要修缆车，而是在缆车旁边，有没有留一条让人亲自走的路——同时，有没有一个模拟攀岩馆，让人在上真山之前先练出基本的体能和路感。 这条路和这个攀岩馆都不会自己出现，需要有人设计。而对个人来说，不能等设计好了再出发——有些山，现在就该开始爬。
