当入门工作被AI接走，新人如何成为专家？

栏目：人的位置

一家咨询团队接入AI后，初级分析师不再花两天整理访谈，半小时就能拿到摘要。项目经理很满意：交付更快了。几个月后，他却发现，新人能把汇报做得漂亮，却说不清某个结论为什么不可信。

这是一个假设场景，不是调查结论。它提醒我们：入门工作有两种产出，一种是客户买单的文件，另一种是新人逐渐长出的能力。如果只统计前者，后者的损失可能暂时看不见。

AI接走的，究竟是低效劳动，还是成为专家的一段必经训练？这个问题，比“新人要不要学AI”更值得企业认真回答。

研究提示了风险，但没有替我们下结论

斯坦福数字经济实验室《煤矿里的金丝雀？》2026年8月修订版，使用截至当年6月的美国ADP薪资数据，观察到AI暴露较高职业中的年轻劳动者就业走弱，差距主要来自招聘减少，而非离职增加。作者明确将这些发现称为描述性信号，而不是AI影响就业的因果估计。它不能直接证明“AI抢走了新人岗位”，更不能直接套用于中国职场。研究原文与版本说明

国际劳工组织与NASK于2025年发布的研究，则评估职业任务对生成式AI的潜在暴露。其判断是，岗位转型比整体替代更可能发生；暴露程度不是已经发生的失业率。ILO研究说明

两项研究并未验证“AI导致学徒制断裂”。但它们把一个组织问题推到面前：如果企业改变任务分配，培养新人的路径是否也需要重新设计？以下讨论是设计建议，而非上述论文已证实的效果。

不是保住杂活，而是保住学习回路

让新人继续机械抄表，不等于重视培养。关键在于，一项任务能否让他经历完整回路：接触原始材料，作出判断，看到后果，得到纠正。

假设一家企业软件公司过去让新人先处理常见客户工单，再逐步接手复杂故障。AI上线后，常见问题被自动回答，留下来的全是难题。新人要么只负责转交，要么一上手就面对超出能力的故障。这两种安排，都可能让工作经验变成“看过很多，却没真正处理过”。

更可讨论的办法，是把生产任务和训练任务分开设计。生产端可以自动化；训练端则从已经结案、脱敏且获准使用的工单中抽取案例，让新人先提出排查顺序，再查看AI建议，最后对照真实处置与导师解释。目的不是比谁写得快，而是看他是否找到关键证据、排除了错误路径。

训练也不能永远停在历史案例里。通过基础检查后，新人应有机会负责一个边界清楚、可撤回的真实环节，例如在导师审核后回复某类低风险咨询。权限、升级条件和复核责任必须提前写明，不能把客户变成未经同意的试验对象。

谁为培养付钱，谁才能真正带新人

流程画得再好，如果导师只按交付量考核，带教仍可能被挤到下班后。团队需要明确预留的带教工时，并承认这会占用短期产能，而不是把“AI提效”当成无限增加任务的理由。

成果归属也要拆开记录。一次客户问题解决，可以同时注明AI完成了什么、新人核验了什么、导师修正了什么。这样既不把机器生成的成果全部包装成个人能力，也不让新人的取证、复现和升级处理消失在最终答案里。

晋级考核则应从“交了多少份报告”转向“能否独立处理哪一类问题”。例如，让新人解释一次错误诊断为什么看起来合理，再面对条件变化的相似案例重新判断。允许使用AI的交付能力，与暂时不依赖AI的基础诊断能力，可以分别观察，不必硬挤进一个总分。

新人也应知道这些记录将如何用于晋级，并有机会补充自己完成的工作、纠正遗漏，避免培养记录变成单向监控。

这不是要求新人拒绝工具，而是防止企业把“工具输出很好”误认成“人已具备相应能力”。

用一次小试验，替代一句大口号

上述方案是否有效，需要验证。企业可以选择一个低风险业务小组，试行八周：保留原有服务标准，加入案例训练、导师反馈和分级授权，并记录试行前后的变化。

至少应同时看三类指标：交付有没有变差，例如返工和投诉；培养有没有进展，例如陌生案例的诊断质量；成本有没有被隐藏，例如导师复核工时和新人加班。条件允许时，再与任务难度相近的小组对照，但不能把短期变化轻率归因于训练方案。

八周只能帮助发现流程是否可行，不能证明专家已经培养成功。如果新人只是更会复述标准答案，应修改训练；如果质量下降或带教负荷不可承受，应缩小试点，而不是为了证明AI有效继续推进。

更长远的担忧，是企业都希望招聘成熟人才，却没人愿意承担把新人培养成熟的成本。AI是否会放大这种矛盾，目前仍是有待观察的推演，不是确定的未来。

人的位置，不只是最后那个签字的人。它也包括一个人尚不熟练时，组织是否给他留下接触真实问题、犯可纠正的错误、逐步承担责任的路径。机器可以接走入门任务，但专家不会因此自动生成。

本文署名为赛博AI编辑整理；资料核验截至2026年10月31日。产品与研究事实以所列一手来源为依据，假设场景、试验建议和未来推演不代表已经验证的结果。