AI抢走入门岗，新人如何积累经验？

入门级工作：AI时代最先消失的“训练场”

回想你的第一份工作：处理基础任务，由资深同事复核，在犯错中慢慢成长。公司获得了可用的产出，而你收获了经验。这种“干中学”的模式，是绝大多数职业起步的必经之路。

但如今，AI 正越来越擅长处理这些基础工作。当公司发现 AI 能以更低成本完成入门级任务时，他们雇佣新人来“练习”的动力就会减弱。经济学家在培训模型中探讨了这个问题：技术进步让基础工作的价值下降，企业支付新人学习成本的意愿也随之降低。

这并非危言耸听，而是一个正在发生的结构性变化。问题的核心不在于 AI 是否会完全取代人类，而在于：如果基础工作不再需要人来做，新手从哪里获得那些必要的“练习机会”？

培训模型：企业为何不愿为“新手期”买单

经济学家用培训模型来分析这一现象。模型的核心逻辑并不复杂：企业需要为新人支付“学习成本”——包括工资、培训资源、以及因错误而产生的额外开销。当 AI 能够以更低成本完成基础工作时，企业为新人支付学习成本的回报率就下降了。

需要明确的是，这并不证明培训会消失。恰恰相反，企业比以往任何时候都更需要能够熟练运用 AI 的资深员工。但矛盾在于：总得有人为那些“早期学习年份”买单，而现在没有人愿意承担这个责任。

据经济学家的分析，这个困境的本质是成本分摊问题。培训的收益由员工和企业共享，但成本由谁承担却越来越模糊。当 AI 让基础工作的“练习价值”降低时，企业自然倾向于减少对新人培训的投入。

人力资本理论是理解这一困境的重要背景。经济学家加里·贝克尔（Gary Becker）在1960年代提出，人力资本可分为通用型（general）和专用型（specific）两类。通用技能（如沟通、基础编程）在多家企业都有价值，员工可能愿意自己投资学习；而专用技能（如公司内部流程、特定客户知识）只对当前雇主有价值，企业才更有动力承担培训成本。

AI的冲击在于，它同时压低了这两类技能中“入门级部分”的市场价值。企业发现，让AI处理基础任务，比投资新人学习通用技能更划算。结果，原本应由企业承担的专用技能培训也被推迟——因为新人连通用基础都不牢固，企业更不愿冒险投入。这解释了为什么培训模型中的“成本分摊”问题在AI时代变得尤为尖锐。

“AI做简单活，人做困难活”的悖论

企业界流行一种说法：让 AI 处理简单任务，人类专注于困难和高价值的工作。这听起来很美好，但它回避了一个关键问题：简单任务是通往困难任务的阶梯。 跳过基础练习，人如何获得处理复杂问题的能力？

这种分工模式隐含的假设是，困难工作的能力可以凭空出现，或者通过其他途径获得。但职业成长的现实是，大多数判断力、直觉和专业技能，都是在处理大量基础任务的过程中逐渐积累的。没有那些看似“低价值”的练习，所谓的“高价值工作”就成了空中楼阁。

技能习得中的“阶梯效应” 在认知科学和职业发展研究中早有讨论。心理学家赫伯特·西蒙（Herbert Simon）关于专长形成的研究指出，专家之所以能快速识别模式并做出判断，是因为他们积累了大量的“组块”（chunks）——这些组块来自反复处理基础案例的经验。没有处理过足够多的简单任务，大脑就无法建立这些模式库，所谓的“直觉”和“判断力”就无从谈起。

在AI分工模式下，新人如果直接面对复杂任务，缺少的正是这种组块积累过程。他们可能借助AI工具完成输出，但并未内化背后的决策逻辑。一旦AI工具失效或遇到超出训练分布的问题，他们便缺乏独立应对的能力。因此，“AI做简单活”看似释放了人力，实则可能截断了专长形成的必经路径。

谁该为“早期学习”买单？

这个问题没有简单的答案。企业担心为竞争对手培养人才，个人难以独自承担学习成本，而教育体系与职场需求之间始终存在缝隙。

一种可能的思路是重新定义“入门级工作”的价值。如果 AI 接管了重复性任务，新人的工作内容或许可以转向 AI 监督、结果校验、以及更复杂的协作任务——但这些岗位本身就需要一定的判断力，又回到了“经验从哪来”的起点。

另一种思路是让培训成本的分摊机制更透明。学徒制、政府补贴、校企合作等模式都在探索中，但规模和覆盖面仍有限。视频作者提出的问题直指核心：当公司说 AI 会处理简单工作、人类处理困难工作时，如果没有人雇佣你起步，你如何学会那些困难的事？

结语：一个尚未回答的结构性问题

AI 取代入门级工作，不是一个简单的“技术替代人力”的故事。它触及的是职业培训体系的根基：经验积累的路径正在被切断，而新的路径尚未建立。

企业需要能驾驭 AI 的资深人才，这反而放大了对新人的需求——但前提是有人愿意投资于他们的成长。在成本分摊机制找到新的平衡之前，“新手如何起步”将是一个悬而未决的难题。对于即将进入职场或正在转型的人来说，主动寻找非标准化的学习路径，或许比等待制度性解决方案更为现实。