这是本周“AI时代，企业还要不要投资新人？”系列的第五篇。

前四篇，我们一步步谈到：

AI时代，企业越来越偏好成熟人才。

当AI可以完成很多基础工作，新人短期看起来越来越“不划算”。

但新人短期看是成本，长期看是组织能力的种子。

所以，问题不是简单地说“投”或“不投”，而是如何在短期效率压力和长期能力再生产之间找到新的平衡。

昨天我们进一步谈到，从 Junior 到 Senior 的路，正在被AI改写。

AI改变的不只是具体任务，而是新人获得练习、反馈、判断和逐步承担责任的方式。

我把它称为：

练习结构的改变。

如果过去新人成长更多依赖自然发生，那么AI时代，新人成长就不能再只是自然发生。

它必须被重新设计成一条：

更快的能力加速路径。

今天我们继续追问一个很具体的问题：

当这条路径被改写之后，那些被AI接手的“低价值任务”，到底还要不要留给新人做？

我的判断是：

不能原样保留，但也不能简单取消。

因为一个任务对组织当下产出低价值，不代表它对人的成长低价值。

真正要保留的，不是低效劳动本身，而是其中承载新人能力形成的训练价值。

一

先说一个很常见的管理判断。

很多基础任务，看起来确实没有太高价值。

整理访谈纪要。

归纳会议内容。

查找背景资料。

汇总客户信息。

做数据初步清洗。

写方案初稿。

整理竞品信息。

做测试记录。

从组织当下产出的角度看，这些任务并不高级。

它们耗时间，产出慢，质量还不稳定。

新人做得不够好，资深人员还要反复修改。

所以，当AI可以更快完成这些工作时，管理者很自然会想：

既然AI能做，为什么还要让新人做？

这不是一个错误的问题。

相反，这是一个必须面对的问题。

AI已经改变了很多基础任务的成本结构。

如果一个任务只是机械重复、没有判断价值、没有训练价值，也没有必要为了“培养新人”而原样保留。

组织不能为了学习而制造低效。

但问题在于，很多基础任务并不只是基础任务。

它们同时也是新人进入专业世界的入口。

过去，新人就是在这些看起来不高级的工作里，第一次接触原始信息，第一次理解业务语境，第一次学习专业表达，第一次接受反馈，第一次发现自己以为看懂了，其实并没有真正看懂。

如果这些任务全部被AI接手，而组织又没有设计新的训练方式，新人可能会更快拿到结果，却更少经历能力形成的过程。

这就是今天真正值得警惕的地方。

二

以我们做行动学习项目前期沟通为例。

很多时候，项目开始前需要做管理者访谈、业务访谈和组织现状访谈。

访谈之后，初级顾问通常要做一类基础工作：

整理访谈纪要。

表面看，这件事并不复杂。

把客户说过的话记录下来。

把不同受访者提到的问题归类。

把与项目目标相关的信息提炼出来。

最后形成访谈纪要或访谈发现汇总。

现在，如果有录音和AI工具，这件事当然可以做得更快。

AI可以转写录音。

可以总结要点。

可以提取关键词。

可以归纳主题。

甚至可以生成一份看起来很完整的访谈摘要。

但问题是：

整理访谈纪要的价值，真的只是把内容整理出来吗？

不是。

对初级顾问来说，这项基础工作真正训练的，是他如何从原始信息中形成专业判断。

哪些信息只是情绪表达？

哪些信息指向真实问题？

哪些表述只是个别人感受？

哪些内容可能反映系统性矛盾？

哪些话听起来重要，但和项目目标关系不大？

哪些细节看似零散，却可能揭示组织运行中的关键堵点？

这些判断，不是AI生成一份摘要以后，新人自然就会拥有的。

AI可以从一万字访谈记录中提取高频词，但它未必能告诉新人：那位沉默了很久的部门负责人，在最后五分钟说出的那句“其实我们早就知道这个问题”，可能才是真正的关键线索。

新人必须接触原话。

必须比较不同人的说法。

必须感受语言背后的情绪、立场和利益。

必须在混乱、不完整、甚至彼此冲突的信息中，尝试建立结构。

这正是很多基础任务的成长价值。

它表面上是在整理资料，实际上是在训练专业判断。

三

这里就涉及一个非常重要的概念：

默会知识（Tacit Knowledge）。

默会知识，也常被翻译为隐性知识、缄默知识或内隐知识。

在组织学习和知识管理语境中，我更愿意使用“默会知识”这个说法。

因为它强调的不是“藏起来的知识”，而是那些很难完整写进流程、模板和标准答案，却深刻影响专业判断的经验性知识。

比如，做访谈时，什么时候判断对方只是在抱怨？

什么时候意识到一句话背后可能有组织机制问题？

什么时候发现两个部门说法不一致，不是信息错误，而是组织协同出了问题？

什么时候知道某个数据虽然不完整，但已经足以提示风险？

什么时候知道一个方案虽然逻辑完整，但客户组织条件根本支撑不了落地？

这些判断，往往说不清楚全部规则。

它们不是听一堂课就能长出来，也不是看一份AI生成的结论就能自然获得。

它们是在真实任务中反复观察、比较、试错、接受反馈和修正以后，慢慢形成的。

这也是为什么很多低价值任务不能只按“产出效率”来判断。

一个任务对当下交付结果可能价值不高，但它可能承载着默会知识形成的过程。

如果企业只看任务的交付价值，就会很容易把它交给AI。

但如果企业看的是能力再生产，就要进一步追问：

这个任务里面，有没有新人必须亲自经历的判断过程？

有没有他必须接触的原始信息？

有没有他必须犯小错、被纠正、再理解的地方？

有没有他从执行者走向判断者所需要的训练价值？

如果有，就不能简单取消。

应该重新设计。

四

相关研究也在从不同角度提醒我们，AI时代的学习不能只停留在“工具替代任务”的层面。

HBR 文章 《AI Is Changing How We Learn at Work》 讨论了AI进入工作场景后，对工作中学习方式的影响。文章指出，AI正在重塑人们在工作中学习、发展专业能力和形成职业身份的方式。

这个提醒对新人培养尤其重要：AI可以加快产出，但产出加快不等于能力形成加快。

Harvard Business Publishing 的文章 《Learning Through Experimentation: Why Hands-On Learning Is Key to Building an AI-Fluent Workforce》 也强调，AI流利度不是只靠理论学习建立的，而是在真实工作中不断使用、实验、调整和反馈中形成的。

也就是说，员工不是因为“知道AI”而具备AI能力，而是在真实任务中不断尝试、修正和应用，才逐步形成能力。

世界经济论坛与 PwC 的 《How AI is Changing Early Careers: A View from Entry-Level Work》 则进一步把问题放到早期职业发展上。

这份简报提到，AI正在影响入门级工作和早期职业路径；入门级员工虽然对AI有好奇和期待，但也担心自己当前技能在未来几年是否仍然相关。PwC 对该研究的介绍也提到，只有略高于四分之一的入门级员工认为自己当前技能中至少一半在三年后仍然相关。

把这些资料放在一起看，我看到的不是一个简单的“新人还要不要做基础任务”的问题。

真正的问题是：

当AI接手越来越多基础任务之后，组织如何重新设计新人获得真实任务、反思反馈和能力形成的过程？

如果新人只是绕过基础任务，直接拿到AI整理好的结果，他可能更快完成工作，却未必真正形成判断。

如果组织只是把基础任务原样留给新人，又可能回到过去低效培养的老路。

所以关键不是保留还是取消，而是重构。

五

那么，低价值任务到底还要不要留给新人做？

我的答案是：

要分清楚。

有些任务可以交给AI。

有些任务必须让新人参与。

有些任务不必原样保留，但要保留其中的训练环节。

比如，访谈纪要整理这件事。

录音转写，可以交给AI。

初步归类，可以让AI辅助。

关键词提取，可以让AI先做。

但新人不能只看AI生成的总结。

他仍然需要回到原始材料，读客户原话，比较不同受访者的说法，自己提炼问题，再和AI版本、资深顾问版本进行对照。

真正有价值的训练，不是让新人机械整理一万字访谈记录。

也不是让AI直接给新人一份完美总结。

而是让新人经历一个判断过程：

我怎么看？

AI怎么看？

资深顾问怎么看？

三者差在哪里？

我漏掉了什么？

AI忽略了什么？

高手为什么会抓住这个点，而不是那个点？

三方对照的核心目的，不是判断谁对谁错，而是让新人看见：判断差异背后，往往是经验、假设、风险意识和对业务情境理解深度的不同。

这才是AI时代低价值任务应该被重构的方向。

不是把新人困在低效劳动里。

而是把任务变成训练场。

再比如，方案初稿。

AI可以帮助新人整理资料、生成结构、提供表达参考。

但如果新人从一开始就完全依赖AI写出方案，他可能会很快拿到一个看起来完整的结果，却没有真正经历问题界定、材料取舍、逻辑组织和责任判断。

更好的方式，可能是让新人先自己搭一版逻辑，再看AI怎么写，再看资深人员怎么改。

这样，他才会知道：

自己的思路和AI答案差在哪里。

AI答案和专家判断差在哪里。

专家修改的不是文字，而是问题理解、业务取舍和责任边界。

这才是真正的训练。

六

所以，AI时代的低价值任务，不应该被简单保留，也不应该被简单取消。

它们需要被重新分类。

第一类：纯自动化型任务。

这类任务纯粹重复、低效、没有明显训练价值，应该尽量交给AI。

比如格式整理、机械转写、基础检索、标准化归档、简单重复录入等。

这类任务如果继续大量占用新人时间，既不会显著提升能力，也会拖慢组织效率。

第二类：训练场型任务。

这类任务表面低阶，但包含重要判断训练，应该被重新设计成新人练习判断的训练场。

比如访谈纪要整理、客户需求归纳、竞品信息初步分析、问题清单梳理、方案初稿搭建等。

它们的价值不只在交付结果，而在于新人能否接触原始信息、识别关键线索、形成初步判断，并接受反馈修正。

第三类：过程理解型任务。

这类任务AI可以完成结果，但新人必须理解过程，需要让新人解释、比较、修改和复盘。

比如AI生成了一份分析报告，新人不能只是提交报告，而要说明哪些结论可靠、哪些假设需要验证、哪些风险被忽略、哪些建议不适合当前组织情境。

为了便于管理者判断，可以简单看四个问题：

第一，这个任务是否只是机械重复？如果是，优先交给AI。

第二，这个任务是否包含判断训练？如果包含，就不能简单取消，要设计成训练场。

第三，AI是否可以完成结果，但新人必须理解过程？如果是，就要让新人解释、比较、修改和复盘。

第四，这个任务最终训练的是交付效率，还是专业判断？如果训练的是专业判断，就不能只按短期产出价值来评估。

真正的原则不是：

哪些任务AI能做，就不让新人做。

而是：

哪些任务虽然AI能做，但其中的学习环节不能被取消。

这也回应了昨天讲的“能力加速路径”。

能力加速不是让新人少经历任务，而是让新人经历更有训练价值的任务。

这正是一条“不更薄”的能力加速路径：

新人不是跳过训练，而是用更高密度的判断练习替代低效重复。

能力加速也不是让AI替新人完成结果，而是让AI帮助新人更快暴露差距、更快获得反馈、更快形成判断。

所以，今天最值得思考和继续观察的是：

当AI接手越来越多低价值任务时，企业有没有能力识别：

哪些任务只是低效劳动，应该交给AI？

哪些任务虽然低阶，却是新人形成默会知识和专业判断的训练场？

如果企业识别不出来，就可能犯两个相反的错误。

一种错误，是把新人继续困在低效劳动里，以为这就是培养。

另一种错误，是把所有基础任务都交给AI，以为这就是效率。

前者会拖慢今天。

后者会掏空未来。

真正的挑战，是在效率和成长之间，重新设计新人必须经历的训练场。

这也引出明天的问题：

如果新人培养不仅关系到效率，也关系到组织能力再生产，那么企业还要不要为新人成长负责？

这不再只是一个算账问题，而是一个价值观和组织责任问题。

资料说明

本文参考 Harvard Business Review、Harvard Business Publishing、World Economic Forum、PwC 等公开资料，并结合默会知识（Tacit Knowledge）与组织学习相关思想进行整理和思考，不替代原文阅读。文中分析为围绕“AI时代组织管理”主题所作整理与思考，相关内容请以原文为准。

参考资料

Harvard Business Review: AI Is Changing How We Learn at WorkHarvard Business Publishing: Learning Through Experimentation: Why Hands-On Learning Is Key to Building an AI-Fluent WorkforceWorld Economic Forum & PwC: How AI is Changing Early Careers: A View from Entry-Level WorkMichael Polanyi: The Tacit Dimension