夜雨聆风Revelio Labs 上个月发了一组数据：过去 18 个月，美国入门级岗位的招聘信息减少了 35%。
如果只看跟 AI 高度相关的岗位，这个数字是 40% 以上。
这不是某一家公司的裁员新闻。是整个劳动力市场的地基，在悄悄下沉。
先证明 AI 做不了，再来找我要人
2025 年 4 月，Shopify CEO Tobi Lütke 发了一封内部备忘录，后来被泄露，他干脆自己发到了 X 上。
核心要求只有一条：任何团队在申请新增人手之前，必须先证明这件事 AI 做不了。
不是建议，是硬性要求。Shopify 还把你是否在有效使用 AI加进了绩效考核和同事互评的问卷里。
Lütke 在备忘录里写道：有些员工已经用 AI 实现了以前认为不可能的 100 倍产出提升。他用了一个词：stagnation is slow-motion failure，停滞不前是慢性死亡。
这封备忘录在硅谷引发了连锁反应。到 2026 年中，先证明 AI 做不了再招人已经从 Shopify 一家公司的政策，变成了科技行业的默认思维模式。
越来越多的公司在职位描述里加入了 AI 技能要求，在内部审计中评估哪些工作流可以被自动化。招人不再是第一反应，而是最后手段。
但问题来了：当企业不再为grunt work招人，谁来做那些看起来低价值但实际上是培训场的活儿？
麦肯锡的难题：当 Lilli 干了 80% 的初级工作
麦肯锡内部有一个 AI 助手叫 Lilli。
到 2026 年，Lilli 已经能处理大约 80% 过去由初级分析师完成的工作：调研、数据整理、格式化、初稿撰写、幻灯片制作。
这带来了一个短期的好处和一个长期的隐患。
短期好处很明显：效率提升，交付更快，合伙人能把更多时间花在客户关系和高层策略上。
长期隐患也很明显，但没人愿意说出口：如果初级顾问不再做苦活，他们怎么培养出做高级顾问的判断力？
传统的咨询学徒制是这样运作的：你进麦肯锡，前两年做大量的数据梳理、报告撰写、客户材料准备。这些工作本身价值不高，但你在做这些工作的过程中，学会了识别模式、理解客户需求、建立商业直觉。
这就是迈克尔·波兰尼讲的隐性知识（Tacit Knowledge）：你知道，但你说不出来是怎么学会的。而这种知识，恰恰是通过大量看似机械的重复劳动中慢慢沉淀出来的。
现在 Lilli 替你做了这些活。初级顾问的角色从执行者变成了AI 输出的审核者：你不再写研究报告，你审核 AI 写的研究报告。
麦肯锡已经在适应。2026 年初，他们开始试点AI 辅助招聘，让候选人在终轮面试中直接使用 Lilli，观察的不是候选人独立分析的能力，而是他们跟 AI 协作的能力。
我的理解是：这个调整方向是对的，但它回避了一个根本问题：2035 年的高级合伙人从哪里来？如果一个人的前三年都在审核 AI，他有没有足够的认知深度去指导一个 50 亿的战略决策？
没人知道答案。这件事还在进行中，谁也不知道结局。但赌桌上放着的，是整个咨询行业未来十年的人才梯队。
35% 背后的真相：不全是 AI 的锅
回到 Revelio Labs 那个 35% 的数据。
这个数字很有冲击力，但需要拆解。
Revelio Labs 的 CEO Ben Zweig 用了一个词叫anticipatory hiring slowdown：预期性招聘放缓。意思是，很多公司不是因为 AI 已经替代了初级岗位才不招人，而是在等着看 AI 能做到什么程度再决定招不招。
这是一种观望。
另外，ICIMS 的数据显示了不同的画面：2025 年 3 月到 2026 年 4 月之间，早期职业岗位的招聘信息反而增加了 18%。
两组数据矛盾吗？不一定。可能的解释是：岗位总量没有暴跌，但岗位的性质变了。标注为入门级的工作现在要求 2-3 年经验，要求 AI 工具使用能力，要求做的不是数据录入而是AI 输出校验。
换句话说，入门级岗位没有消失，它被重新定义了。问题是，这个新定义把真正的入门级求职者，也就是应届毕业生，挡在了门外。
从中国企业的角度看，这个现象更值得警惕。Revelio Labs 追踪的是美国市场，但逻辑是全球通用的：当一个公司的招聘策略从先招人再想怎么用变成先想 AI 能不能做再决定招不招，入门级岗位就天然成了第一个被审视的对象。
金融和保险：最先倒下的行业
在所有行业中，金融和保险的入门级岗位缩减最为剧烈。
这并不意外。这两个行业的初级工作有一个共同特点：大量可标准化的数据处理。交易记录核对、合规文档审查、客户信息整理：这些活儿 AI 做得又快又准。
高盛的研究部门自己也在说：AI 驱动的生产力提升正在温和地拖累初级岗位的薪资增长。他们没用裁员这个词，用的是constrain headcount growth：控制人头增长。
麦肯锡观察到的沙漏型组织结构正在金融业成形：高层和中高层保持不变甚至扩张，底层大幅收缩，中间层被压薄。
这意味着什么？意味着如果你今天是一个金融专业的应届毕业生，你面对的不是找工作难，而是入口变窄了：能进去的人变少了，但对进去的人的要求变高了。
Klarna 的教训：激进替代的代价
在AI 替代初级员工这条路上，Klarna 是走得最激进的公司之一。
2024 年，Klarna 高调宣布：他们的 AI 客服代理已经在做 700 个全职员工的工作。这是一个令人震惊的数字，被全世界的科技媒体反复引用。
然后现实来了。
到 2025 年，Klarna 的客户满意度开始下滑。AI 能处理简单、标准化的客服请求，但在处理复杂投诉、情绪化的用户、需要同理心的场景时，表现不佳。
Klarna 公开承认他们走得太远了，开始重新招聘人工客服。
他们不是唯一一个。Gartner 预测，到 2027 年，50% 因为 AI 而裁减客服人员的公司将不得不重新招聘类似岗位的员工。
有意思的是，这些重新招聘的岗位往往换了名字：不再叫客服代表，而叫解决方案顾问信任顾问或者AI 解堵专员（AI Unblocker）。
从中国企业的角度看，Klarna 的故事有一个很重要的警示：AI 替代人力的曲线不是线性的。它在 80% 的简单场景里效果极好，但最后那 20% 的复杂场景，成本可能比你之前省下的还要高。
79% 的美国消费者仍然倾向于跟人打交道。这个数字在中国可能更高。
IBM 的反向操作：三倍扩招入门级
在所有大公司里，IBM 做了一个相反的决定。
2026 年，IBM 宣布在美国将入门级招聘数量扩大三倍。
但他们不是在逆潮流：他们重新定义了入门级这个词。
IBM 的 CHRO Nickle LaMoreaux 的逻辑是：AI 能做大部分过去入门级员工做的重复性工作，但入门级员工本身对公司的长期价值不在于他们做的活，而在于他们是未来中层管理者的蓄水池。如果现在不招，五年后你就没有合格的中层。
所以 IBM 的做法是：重写每一个岗位的职位描述。
过去的初级软件开发者：写代码、修 bug、做测试。
现在的初级软件开发者：跟客户沟通需求、协调跨部门协作、审核 AI 生成的代码、在 AI 处理不了的边缘场景中做判断。
本质变了。从做事的人变成了协调的人、翻译的人，在技术和业务之间做翻译。
IBM 的思路，我的判断是：这是目前我见过的最合理的解法。 不是跟 AI 抢活干，而是把人往 AI 做不了的方向推。问题是，这需要公司在短期利润和长期人才储备之间做取舍，而大多数公司：特别是上市公司：不愿意做这个取舍。
中国的 1270 万
以上讲的都是美国的情况。中国呢？
2026 年，中国有 1270 万大学毕业生进入就业市场，创历史新高。
同时，25-29 岁年龄段的失业率在 2026 年 3 月达到了 7.7%。
AI 在中国的就业冲击跟美国有相似之处也有不同。
相似的是：IT、专业服务（编程、会计、法务文书）、白领行政这些传统上吸纳毕业生的领域，正在被 AI 压缩。文案、视频剪辑、基础编程：这些过去能养活一个应届毕业生的技能，现在 AI 做得更快、更便宜。
不同的是规模。美国讨论的是 35% 的岗位减少，中国面对的是 1270 万人同时涌入一个正在收缩的入口。
政府的应对策略是角色升级：用 AI 赋能传统产业，创造新职业类别（数字经济、高端制造、低空经济等），同时大规模推动职业培训。方向对不对？对。速度够不够快？这是一个没人敢打包票的问题。
我观察到的一个现实是：很多中国企业的老板在谈到 AI 替代人力时，想的还是怎么用 AI 省人。很少有人像 IBM 那样在想怎么用 AI 重新定义初级岗位。
省人是一道算术题。重新定义岗位是一道组织设计题。后者难得多，但如果不做，你省下来的人力成本会在三到五年后以人才断层的形式加倍还回来。
一个没有标准答案的问题
Shopify 说：先让 AI 试。
麦肯锡说：让初级员工审核 AI。
Klarna 说：全换 AI：然后又把人招回来了。
IBM 说：三倍扩招，但重新定义岗位。
四种策略，没有一种被验证为正确答案。
但有一个事实正在浮现：入门级岗位不是在消失，它在分裂。 一部分变成了 AI 的领地，不再需要人。另一部分变成了更高要求的AI 协作岗，需要的不是更少的能力，而是不同的能力：判断力、协调能力、在模糊地带做决策的能力。
这对管理者意味着什么？你现在面对的不是要不要裁初级员工这个问题，而是你愿不愿意为培养下一代管理者付出短期成本这个问题。
Klarna 的教训说明激进替代有代价。IBM 的实践说明重新设计有可能。麦肯锡的实验说明答案还在路上。
但如果所有人都选择不招入门级，五年后谁来坐在你现在坐的位置上？
这个问题，AI 回答不了。
