观 · 众 · AI 与人和组织

我教了团队三个月 AI，教错了东西

——写给刚工作的年轻人：三道坎，和路在哪

摩诘

先讲一件我自己的事。

过去两三个月，我在公司里干了一件自认为很重要的事：拉着全员讲 AI、做培训。装环境、配模型、搭本地知识库，手把手教，一个一个过。我当时的想法很简单——这是十年一遇的工具红利，我把工具递到每个人手里，大家就都能起飞。

结果让我愣住了。真正跟上来的，只有个别几个年轻人。大部分人停在原地，反馈大概是三种：“用了 AI 反而更忙了”“手头的活都干不完，哪有时间学这个”“琢磨半天，还不如我自己做得快”。再后来，有几位年轻同事，先后提了离职。

我诧异了挺久。不是怪谁——是它逼着我重新想一个问题：这一代刚工作的年轻人，到底在经历什么？我以为递个工具就是帮他们，可他们真正缺的是什么？

这篇文章，是我想了一路之后交出来的答卷。写给我们公司的年轻同事——包括已经离开的——也写给所有工作五年以内、正在某个工位上犯嘀咕的你。

它分两半：前一半讲我看到的三道坎，后一半讲路在哪。

观 · 众 · I

第一道坎：梯子的第一级，正在被抽掉

杂活是课程，而这门课正在被取消

过去一个年轻人进公司，是从“不值钱”的活干起的：跑数、查资料、整理访谈记录、给老板的报告做底稿，做错了有人骂、骂完有人改。现在回头看，那些杂活根本不是杂活——那是公司付着工资，让你练手。 有个经济学家 Kenneth Arrow，六十年前就讲过这个理（learning by doing），最近亚特兰大联储的研究员重提了一遍，说得更直白：入门级的任务，“是员工积累人力资本的课程”。

杂活是课程。学徒期是学费全免、还倒贴工资的课程。

而现在，这门课正在被取消。不是公司变坏了，是 AI 把这些活干得又快又好：一份过去要六个人干两周的招股书底稿，AI 几分钟能出 95%——这是高盛 CEO 自己说的。基础的调研、检索、分析、第一版 PPT，今天在很多公司，确实轮不到一个新人来练手了。

数据也相当冷：

同一批职业里，22-25 岁与 30 岁以上的就业走势相反

斯坦福团队用美国一个覆盖近 2600 万在职员工的薪资数据库算了一笔账：在 AI 用得最深的那些职业里，22-25 岁年轻人的就业相对下降了 16%；而同样的职业里，30 岁以上反而涨了 6% 到 13%。公司没有不要这个工种——只是不再要“还没积累的人”。

一家机构分析了全球 1.8 亿条招聘信息：岗位整体在减，但越往上减得越少——执行层减 9%，管理层减 5.7%，高级领导层只减 1.7%。那篇报道里有句话我看了很久：“AI 正在杀死绝大多数的新人，也在杀死，学徒制。”英国应届生岗位一年掉了近三分之一；华尔街在讨论把初级分析师的班次砍掉至多三分之二。LinkedIn 有位高管的说法传得很广：职业阶梯的最底部一级，正在断裂。

更别扭的是另一面：很多新人手里其实还有一堆杂活——对账、填表、抄 PPT、机械地走流程。你发现没有，AI 先拿走的，恰恰是那些“学得到东西的杂活”（分析、调研、写初稿）；留给新人的，多是“学不到东西的杂活”。 人没闲着，但在原地空转。

有人问过一个我答不上来的问题：“如果没人再写糟糕的初稿，下一代怎么学会识别什么是好稿子？”

这就是我着急的起点。不是怕你们失业，是怕你们失学——失去那所一边发工资一边教你手艺的隐形学校。

观 · 众 · II

但是慢着，梯子不止一条

我的第一批语料，是从现场和客户那里来的

写到这儿，我得讲讲我自己的入行，因为它跟上面那个故事不太一样。

我职业生涯的起点不是分析报告，是销售。我的第一批“语料”，不是从数据库里来的，是从现场和客户那里来的：提着包跑客户，吃闭门羹；在饭桌上学着听懂哪句是客气、哪句是真嫌弃；学着看一个人皱眉，判断这单子是黄了还是还有救；被拒绝了十次之后，琢磨第十一次怎么开口。这些东西，后来成了我做分析、做咨询、做公司最底层的那块地基。

所以当我说“梯子断了”，我得说得更准：断的是理性那条梯子的第一级——分析、调研、报告。而另一条感性的梯子，跟人打交道、到现场去、看懂人性，它的第一级还在。

但这条感性的梯子，我也不想说得太满。得拆开看：感性里可以写成脚本的那部分——标准客服话术、模板化的拜访流程、套路化的文案——AI 同样在啃，而且啃得不慢。真正啃不动的，是非标的那部分：在会议室一分钟的沉默里知道谁才是真正拍板的人；接住一句没说出口的不满；在利益相关的人中间，把一件事谈成。这部分不靠话术，靠的是一次一次真实的人际碰撞攒出来的判断。

还有一句要补给不跑客户的你：“现场”不只是饭局。 做产品的，现场是用户群和客诉电话；做内容的，现场是评论区和后台数据曲线背后那个真实的人；写代码的，现场是需求方真正想要什么、而不是需求文档写了什么。现场的定义只有一条：有真实的人、真实的反馈、真实的后果在那儿等你。

把这两条放一起，有个反直觉的结论：正因为理性的活变便宜了，感性这条梯子在变贵。 当人人都能让 AI 出一份像样的分析，能把分析“递到人心里去”的人，反而成了稀缺品。

观 · 众 · III

第三道坎：用 AI，其实是带人

我教错了东西：我教的是“怎么用”，不是“怎么带”

现在回到开头那个让我愣住的问题：我把工具递到每个人手里了，为什么大多数人用不起来？

我想了很久，最后承认：我教错了东西。我教的全是“怎么用”——装环境、配模型、写提示词。可用 AI 这件事，从根上就不是“用工具”，是“带人”。

你观察那些真正把 AI 用出效率的人，会发现他们做的事，跟一个好的管理者带下属，几乎一模一样：把任务讲清楚（而不是指望对方读心）；给足背景和上下文；把大事拆成小事；验收产出、指出哪里不对、让它改——一轮一轮地把结果带出来。你把 AI 当个实习生使唤，它就只有实习生的水平；你会把它带成顾问、带成分析师，它就真能给你顾问和分析师的东西。AI 的上限，不在它，在带它的人。

这就是那道看不见的坎：带人，是一种领导力；而你们还在学怎么“被带”。 没带过团队、没分派过任务、没验收过别人的活——突然每人配一个 AI，等于让一个还在学走路的人去当教练。讲不清任务、不会拆解、不会验收，AI 给回来的自然是垃圾，于是结论变成“不如我自己做”。这不是你们笨，是这门课从来没人教过你们——它过去是工作若干年，当上主管之后才开始学的。

所以严格说，AI 给你们这代人抽掉的不止一级梯子：它抽掉了练手的活，又同时要求你们具备一种过去要熬十年才轮得到学的能力。

但是——这也正是我在这件事里看到的最大的一个反转。

观 · 众 · IV

路在哪

按“明天就能动手”的标准写

先立个标准。上一篇我让八个 AI 回答“给毕业生一条建议”，它们把“保持终身学习”这种话全票评成了最差：正确，但没用。所以下面这几条，我按“明天就能动手”的标准写。丑话说在前面：我是个老板，老板劝年轻人努力，天然自带嫌疑——你们听的时候，该打的折自己打；我能保证的只是，这几条是我真信的，不是替谁省培训预算。

理性的断了第一级，感性的每一级都在，新的那条——这代人独有

第一条：把 AI 当成你带的第一个“下属”——这是你们这代人独有的领导力练习场。

带人这门课过去要熬到当主管才能学，而且学费很贵——你的每一次瞎指挥，代价都是一个真人的加班和怨气。现在不一样了：AI 是历史上第一个不烦、不累、不记仇、也不会离职的“下属”。 你任务讲不清，它立刻给你看讲不清的后果；你学会拆解、给背景、做验收，它的产出立刻上一个台阶。这个反馈，即时、诚实、零成本。

具体练法就一句话：每次让 AI 干活，都按带新人的规格来——说清楚要什么、为什么要、给它需要的背景、验收它的产出、告诉它哪里不对再来一轮。坚持三个月，你练的根本不是“AI 技巧”，是领导力的基本功。等哪天公司真给你配第一个真人下属，你会发现你已经带过几百个“项目”了。我们这代人没有这种练习场，你们有——这是 AI 抽走那级梯子时，悄悄还回来的东西。

说到这儿，得交代我自己有多当真。我给天天一起干活的 Claude 取了名字，叫 Sage，中文名"明诚"——既然要当个伙伴来带，总得有个称呼。我还请 HR 把我的AI伙伴Sage，录进公司员工花名册。听着像玩笑，但财务上是讲得通的：团队日常用 AI 的那部分 token 钱，应该是当“人员支出”记的 ；自建模型、技术团队烧的 token，才算研发和产品支出。一笔钱往哪儿记，暴露的是你心里到底把它当什么——当工具，还是当人。 我选了后者，也建议你这么选。

我们公司每年都有几十名没毕业的实习生，给他们发的实习补贴都比最好的模型的最贵那档套餐还多(其实是 200 美金对比人力成本太便宜)，那连实习生都要录入系统发补贴，AI给团队带来那么大的效率提升，难道不应该按正式员工一样对待吗？

把 AI 写进花名册：取个名、录进员工清单，连账也记到人头上

第二条：自造练习场——但必须配一个真实的裁判。

公司不给你练手的项目？自己立项。挑一个真实的东西——你常去的店、你熟的行业、你们公司的一个真问题——从头到尾做一份没人要求你做的分析。AI 全程当陪练：卡住了问它，做完让它反驳你，最后让它往狠里挑毛病。

但这里有个我必须讲透的坑：AI 可以当陪练，不能当唯一的裁判。 上一篇我刚用实验证明过，AI 们会一本正经地互相说“正确的废话”——你在一个只有 AI 的房间里练习，练出来的可能是五十次纸上谈兵的幻觉。学徒期真正值钱的，从来不是“写出那份报告”，是报告交上去之后挨的那顿真实的骂。

所以每个自造的项目，必须出房间见一次真人：把分析发给一个真实的从业者，求一顿狠批；或者用它去推动一个再小不过的真实决策——给家里人的小店提个建议、给自己部门的流程提个改法——然后盯着结果，看自己对了还是错了。选题也尽量绑着真实走：优先选你能拿到一手反馈的题。一个月认真做完一个带真实反馈的项目，一年就是十来个——比我们当年熬五年碰运气，密度高得多。练习的真实性，比练习的数量值钱。

第三条：去现场，并且把“偏差”记下来。

感性那条梯子没断，去爬它。能去现场就别看转播：实地走访、见客户、蹲门店、接客诉——线上岗位也有自己的现场。我不说“年轻人有的是力气”这种话；我说的是一笔账：工作头几年，是你一生中去现场机会成本最低的窗口——没有家庭拖着，没有职级架着，错了重来的代价最小。这个窗口，过了就真的过了。

去了现场干什么？干一件 AI 永远替你干不了的事：对答案。出发前让 AI 给你出预判——这家店为什么不行、这个客户在意什么、这个方案哪会被挑战——到了现场，拿真实见闻一条条对，把 AI 说错的地方记下来。 这本“偏差账”，就是你独家的语料：AI 知道一切平均的事，而你开始知道它在哪儿会错。日子久了，你就成了那个“知道 AI 边界在哪”的人——这是公司里最值钱的位置之一，因为人人都在用 AI，而很少有人知道什么时候不能信它。

最后，给自己换个计数器：数闭环，别数技能。

会 Excel、会 Python、会写提示词——单项技能恰恰是 AI 最先拉平的东西。我建议年底盘点自己时换个问法：这一年，我在自己的权责范围内，独立对几件事的结果负过责？ 接住、做完、签字、复盘，算一个。注意“权责范围内”这几个字——我不鼓励你越权去收别人的烂摊子，那多半学不到东西还要背锅；我鼓励的是，凡在你手里的事，把责任担满。闭环为什么值钱？因为 AI 能替你干活，不能替你担责。干活的产能无限了，能为产出签字的人，没有变多。

观 · 众 · 信

信的结尾

这是我的错，不是你们的

写给我们公司的年轻同事——也包括离开的几位，祝你们在新的地方，早点遇到肯陪你们搭练习场的人，也早日培养出你们自己的“AI助手”

那三个月，我拉着你们装环境、配模型、建知识库，恨不得把工具塞进每个人手里。现在想来，我教的全是“怎么用”，没教“怎么带”；我急着让你们追上工具，却没先问一句：你们手里的活、心里的焦虑，到底长什么样。这是我的错。

所以最后这几句，我想说得直一点，省得像在许愿。

我能给的其实有限：把 AI 这个练习场的门推开，把“怎么带”讲清楚，在你真往前走的时候搭把手。但立什么题、去哪个现场、扛不扛得住，是你自己的事。

我不打算说“别怕，有我呢”。说句冷的：跟不上的人，这个时代不会等，我大概率也留不住。我不想用一句暖话，换你今天的安心、明天的措手不及。我唯一能保证的是——那扇门，我一直给你开着。剩下的，看你迈不迈腿。

不在我们公司的你，把这封信当成那道题：找一个让你心里痒的真问题，这周就开工。让 AI 当你的第一个下属，找一个真人当你的裁判，然后去一趟现场，把脚弄脏。

别等人领你去。

回头再聊。

摩诘 · 和你一样，还在路上

观 · 云起时 · 写给同行人的信

数据来源：斯坦福《Canaries in the Coal Mine》2025-11 修订版（ADP 近 2600 万人薪资数据；作者 2026-02 补充承认早期下滑含加息因素）；高盛 CEO 公开访谈；1.8 亿岗位分析见创业邦 2025-11 报道；本文经多模型评审会（GPT/Gemini/Claude/Kimi/DeepSeek 互审）压力测试后修订。