ARTICLE · 1228473
人人都有AI,成为高手的机会为什么可能更不平等?
文/冀静
工具正在普及，形成判断力的机会仍需分配。企业的人才优势，取决于能否让更多人持续进入真实问题。
一些年轻人尚未进入大学，就已获得参与企业核心工作的机会；另一些大学毕业生，却越来越难找到第一份能够积累经验的工作。AI时代的人才分化，可能首先表现为这两种路径同时出现。
Palantir面向2026年高中毕业生开放Meritocracy Fellowship：参与者在四个月中与正式团队共同解决技术问题，表现优异者获得全职岗位面试机会。另一方面，SignalFire的2026年报告显示，其追踪的12家科技巨头整体招聘较2019年下降约25%，应届及入门级招聘却下降约65%。它提示我们，普通入口承压与少数年轻人的成长加速，可以同时发生。
企业面对的关键选择因而发生变化时，AI可以降低能力展示的成本，却不会自动消除能力形成的条件差异。当培养资源更集中、选拔更前置，而再次进入的机会减少时，工具普及就可能与成长机会分化并行。
一
工具普及不会自动带来机会平等
讨论不平等，首先必须承认AI的平等化作用。一项发表于《经济学季刊》、覆盖5,172名客服人员的研究发现，AI辅助使平均生产率提高15%，经验较少、技能较弱的员工获益尤其明显。研究还发现了支持员工学习的证据。在这个工作场景中，AI能够把优秀员工的部分经验传播给其他人。
但对640名肯尼亚小企业经营者的随机实验，给出了不同的结果。提供AI经营助手并未带来统计显著的平均经营改善；原本经营较弱的群体表现下降，较强群体的估计效果偏向正面，但证据更弱。研究者的分析提示，差异主要体现在经营者选择并实施了哪些建议。
以上案例可以看出，AI对差距的影响取决于具体工作：当目标与评价标准明确时，工具可以传播已有的优秀做法；当使用者必须自行选择问题、判断建议并承担后果时，判断力及其形成条件就更重要。
所以，管理者需要区分三件事：员工今天交付得怎样，员工是否形成了可迁移的能力，以及员工能否持续获得发展这种能力的机会。三者相关，却不能相互替代。
即使有人仍在被招聘和使用AI，也未必正在获得足够训练。Anthropic的一项短期随机实验发现，使用AI学习陌生编程库的工程师，后续测验平均得分为50%，独立编码组为67%；完成时间的差异没有达到统计显著。这个实验不能预测长期职业发展，却提醒企业，交付表现与能力形成可能分离。
二
人才选拔正在前移 成长成本由企业转移到学校、家庭或个人
从中学开始培养人才，在AI爆发前已有先例。腾讯的犀牛鸟中学科学人才培养计划始于2020年，2026年面向初二至高三学生开放基础课程；深入科研实践需要进一步选拔，由导师指导开展，它呈现了知识普及与高强度实践之间的区别。
进入企业后，类似的分层仍然存在。字节Seed的校招页面展示了毕业不到一年便参与核心模型研究的年轻人，同时要求候选人已有研究能力、技术见解和代表性工作。Anthropic的Fellows项目则提供四个月研究机会、研究员指导和每月约1.5万美元的算力经费。这些项目说明，前沿企业仍在投资新人，而且投入远不止一个AI账号。
这种投资有清楚的商业理由。对于尚无成熟人才市场的新领域，企业需要自己发现研究者；提前合作也能提供比简历更丰富的观察。
但风险来自它们与普通职业路径的组合。在许多传统初级岗位中，企业购买新人的劳动，同时承担一部分培养成本。资料整理、基础分析和缺陷修复，既产生当期价值，也可能帮助新人理解业务。如果AI让部分任务不再值得单独雇人完成，而业务需求没有相应扩大，这笔交换就会减弱。
企业仍然需要未来的专家，但可能更倾向于要求候选人在进入之前，就交出足以证明潜力的成果。于是，原来在工作中完成的一部分学习，被移到进入工作之前；原来由企业承担的一部分试错，被转给学校、家庭或个人。
这可能形成一种新的成长格局：少数已被识别的人获得更高强度培养，更多人需要先在组织外完成自我证明。是否发生这种转变、影响多大，仍需分岗位检验。但对管理者而言，问题已经足够具体：提高入职标准时，公司究竟是在识别能力，还是在筛选谁曾有条件提前积累能力？
三
早期选拔可能把机会差异，固化为人才差异
潜力无法被直接观察。管理者看到的是一个人在既有条件下取得的成绩，而这些条件可能差异很大。过去接触过好项目的人，更容易获得下一个好项目；使用更加先进AI工具的人，得到更多反馈的人，也更容易在下一次评估中表现出更好的判断力。如此循环，最初不大的差异便可能被持续放大。
在这类过程中，选拔既可能准确识别人，也可能改变人的发展。DeepSeek创始人梁文锋在2024年的访谈中介绍，MLA架构的一项思路来自年轻研究员，公司随后组织团队，花数月将其实现。这个案例不能分离人才禀赋与培养效果，但揭示了一个重要环节：一个想法成为突破，需要有人为检验它提供条件。
这有可供参照的历史证据。2018年发表于《美国国家科学院院刊》的一项研究，比较了荷兰科研资助中评分刚好高于与低于获批门槛的申请者。初始评分非常接近的两组人，在随后八年的其他资助中出现明显分化：刚好获批者获得的经费超过另一组的两倍。差异部分来自未获批者减少了后续申请。
一旦组织把核心任务更早集中给少数人，就可能同时失去人才发现功能。初级岗位、轮岗和内部项目原本也是观察场：有些人的优势只有在客户冲突、技术失败或陌生问题中才会显现。减少这些机会，省下的不只是培养成本，也减少了企业获得新信息的渠道。
这里的商业风险是，对于依赖创新的组织，漏掉尚未被识别的人才，与误招一个人一样，都有真实成本。
四
职业风险取决于学习机会 而非年龄标签
AI确实创造了绕开传统职业阶梯的新路径。2026年3月，MyFitnessPal宣布收购Cal AI，其联合创始人在公告中介绍，这款应用是在高中期间创建的。这个案例证明，一些年轻人能够通过产品和市场，获得过去需要在组织内部积累的部分经验与认可。
独立创业还改变了风险分配。在初级岗位中，一个人可能边领取工资边学习；在自己的项目里，他往往需要承担收入中断、产品失败与获客风险。AI能够降低制作成本，却不会自动提供持续试错的保障。组织外路径可以打破旧门槛，也可能让承受失败的能力变得更重要。
职业发展的分界岭不会整齐地沿年龄展开。一项使用美国人口普查行政数据的历史研究发现，增长最快的千分之一新企业中，创始人的平均创业年龄为45岁，相关行业经验与成功概率密切相关。
AI可能削弱对固定流程的熟练优势，也可能放大对客户、系统和异常情境的理解。更准确的判断是，职业发展越来越需要重复进入新的学习过程。组织能否容许一个熟练员工暂时成为新手，能否让一次未被选中的人凭新证据再次进入，将影响这种转变带来的机会与风险。
五
企业需要反复发现人才的机制
对企业而言，改善成长机会有直接的经济意义：扩大可用人才来源，降低对少数专家的依赖，并让不同经验进入创新过程。集中资源解决关键问题，与持续开放人才发现渠道，可以同时实现。管理者可以从以下四项决策着手。
1、把成长机会纳入绩效评估
在追加资源之前，同时查看员工获得过哪些关键项目、客户接触和专家指导。表现差异是评估的起点，还需要结合形成这些表现的条件。对能力接近的人，安排有报酬、范围明确的试做项目，比仅凭既有履历决定谁值得培养，能够提供更多信息。
人才项目也应记录初次未入选者的后续表现。只追踪成功入选者，会把选择效应与培养效果混在一起。
2、把节省的工时投入形成判断力的实践
不是所有初级工作都值得保留。企业应识别哪些任务帮助员工理解因果、处理异常或解释取舍，再用AI增加这些实践的密度。例如，让新人先提出客户问题的假设，再借助AI形成分析，与客户核对，最后和资深同事复盘判断为何成立或失败。训练应覆盖从提出问题到接受结果反馈的全过程。
知识普及可以更多借助AI，有限的专家时间则优先用于讨论关键判断。
3、为不同职业阶段保留再次进入的入口
早期入选应当提供加速机会，不能变成永久资格。企业可以定期开放短周期项目，让落选者、转型者与资深员工凭新的工作证据竞争；项目结束后更新评价，而不把一次选拔结果固定为长期潜力标签。保持组织持续纠正判断能力，减少遗漏。
4、把培养投入与外部购买能力的完整成本比较
培养一名能够独立承担复杂问题的人，需要指导、试错和时间；从外部招聘同等能力，也涉及搜寻、磨合、业务理解和留任成本。对于依赖内部知识的岗位，后者未必更低。培养预算应当按关键能力逐项比较，而不是只与一个AI账号的价格比较。
结语：
AI可以让更多人交出高水平作品，也可以帮助企业用更低成本发现潜力。但如果组织一面提高入场标准，一面减少形成能力的机会，就可能把已有的机会差异重新解释为人才差异。
下一轮人才竞争，将考验企业能否同时做好两件事：识别已经表现出色的人，以及为尚未被证明的人创造足够好的检验条件。真正能够持续产生专家的组织，需要让自己的选人判断不断接受新证据的挑战。
注：文中插图含AI辅助生成部分
点击公众号 关注我们
