AI能让例行工作更快完成，但这些工作过去也常是新人熟悉业务、反复练习的起点。如果这段“上手期”随着自动化而消失，新员工可能还没来得及积累经验，就要面对更棘手的个案。企业不必原样保留每项旧任务，但需要确保新人仍有机会练习，并能获得指导和反馈。

培训讲了规则，不等于新人会处理复杂情况

在《福布斯》专栏中，Instructure首席客户官Rachel Orston质疑，许多公司所谓的培训是否真的在教员工做事。她描述了一种常见流程：听演讲、了解产品、学习政策、完成测验，然后就被期待能胜任工作。1

这样的培训可以帮助员工记住规则，却不一定能教会他们如何在信息不完整、情况模糊，或客户需求超出标准流程时作出判断。例行任务能让新人反复识别问题模式、练习下一步怎么做。若这些任务更多交由AI处理，新人就可能少了在遇到例外情况前打基础的机会。这是潜在的培训缺口，并不意味着每项被自动化的任务过去都是高质量的学习经历。

把“边做边学”重新设计出来

企业可以让AI承担适合自动化的日常工作，同时避免新人只能靠处理棘手升级个案来学习。一个可行的培养路径可以包括：

1. 先练基础。 让新人亲自完成核心任务、理解流程，而不是只依赖AI生成答案。
2. 模拟真实情境。 通过情境演练和角色扮演，让员工练习处理例外情况、相互矛盾的信息，以及何时需要升级处理。
3. 指导判断过程。 一起复盘员工依据了哪些信息、为何采纳或拒绝AI建议，以及何时需要人的判断。
4. 在支持下逐步增加责任。 等新人展现出相应能力后，再让他们承担更复杂的工作，并安排有经验的同事提供反馈。

这是一种应对训练缺口的实用思路，不代表模拟练习或辅导已被证明能单独解决问题。重点是用有设计的练习和反馈，补上自动化可能减少的“边做边学”。

初级岗位不只是完成工作，也是培养未来人才

Vanessa Tang在《海峡时报》的观点是：即便入门级工作可以自动化，企业仍需培养新人，才能为未来的资深岗位储备人才。36 初级岗位因此有双重作用：既要完成眼下有价值的工作，也要让新人逐步积累承担更多责任所需的经验。

关键不只是项目叫“实习”还是“学徒制”，而是其中是否包含有意义的工作、持续指导和反馈。如果例行任务被自动化，剩下的初级工作就更需要被有意识地设计成学习路径。

新加坡的两个例子展示了初级工作和工作经验如何调整。《海峡时报》报道，初级软件开发人员如今被要求审查AI生成的代码草稿，检查安全性、逻辑和业务适用性。18 这意味着部分初级工作正从编写例行代码，转向评估AI输出。另据新传媒报道，未来三年将为高等院校学生提供约3,000个为期一年的实习岗位。17 两种做法各有侧重：一方面重新设计毕业生承担的任务，另一方面提供较长期的职场实践机会。

初入职场的数据说明了什么，又没有说明什么

斯坦福大学的研究指出，AI暴露度最高的职业中，就业下降集中在22至25岁的早期职业阶段劳动者身上；随着年龄增加，这种趋势减弱，并在年长劳动者中消失。49 一项斯坦福相关研究报告称，在控制企业层面冲击后，AI暴露度最高职业中的早期职业劳动者就业人数相对下降了13%。52 这是相对变化，不代表AI已经消灭了所有入门岗位的13%。

因果关系仍是重要限制。斯坦福明确说明，其Canaries Dashboard衡量的是职业AI暴露度与就业趋势之间的相关性，而非两者之间的因果关系。51 因此，这些数据显示一种值得关注的差异，但不能证明变化完全由AI造成。

《福布斯》对美国人口普查局研究人员工作的另一篇报道指出，AI暴露度较高专业的毕业生，初始季度收入比AI暴露度较低专业的同龄人低约13%。58 收入与就业人数不是同一指标，因此不能把这一估算直接解读为有多少岗位消失。斯坦福总结的其他研究则发现，AI暴露岗位的招聘变化至多较小，这也提醒我们不要把复杂而不完全一致的证据简化成单一结论。54

更稳妥的结论，不是“AI会抹去所有初级工作”，也不是“招聘数字没变，所以一切如常”。早期职业阶段的就业风险并不均匀，初级工作的内容也正在改变。企业需要同时关注两件事：新人能否获得工作机会，以及他们是否仍有一条获得支持、逐步培养技能与判断力的成长路径。

AI能让例行工作更快完成，但这些工作过去也常是新人熟悉业务、反复练习的起点。如果这段“上手期”随着自动化而消失，新员工可能还没来得及积累经验，就要面对更棘手的个案。企业不必原样保留每项旧任务，但需要确保新人仍有机会练习，并能获得指导和反馈。

培训讲了规则，不等于新人会处理复杂情况

在《福布斯》专栏中，Instructure首席客户官Rachel Orston质疑，许多公司所谓的培训是否真的在教员工做事。她描述了一种常见流程：听演讲、了解产品、学习政策、完成测验，然后就被期待能胜任工作。1

这样的培训可以帮助员工记住规则，却不一定能教会他们如何在信息不完整、情况模糊，或客户需求超出标准流程时作出判断。例行任务能让新人反复识别问题模式、练习下一步怎么做。若这些任务更多交由AI处理，新人就可能少了在遇到例外情况前打基础的机会。这是潜在的培训缺口，并不意味着每项被自动化的任务过去都是高质量的学习经历。

把“边做边学”重新设计出来

企业可以让AI承担适合自动化的日常工作，同时避免新人只能靠处理棘手升级个案来学习。一个可行的培养路径可以包括：

1. 先练基础。 让新人亲自完成核心任务、理解流程，而不是只依赖AI生成答案。
2. 模拟真实情境。 通过情境演练和角色扮演，让员工练习处理例外情况、相互矛盾的信息，以及何时需要升级处理。
3. 指导判断过程。 一起复盘员工依据了哪些信息、为何采纳或拒绝AI建议，以及何时需要人的判断。
4. 在支持下逐步增加责任。 等新人展现出相应能力后，再让他们承担更复杂的工作，并安排有经验的同事提供反馈。

这是一种应对训练缺口的实用思路，不代表模拟练习或辅导已被证明能单独解决问题。重点是用有设计的练习和反馈，补上自动化可能减少的“边做边学”。

初级岗位不只是完成工作，也是培养未来人才

Vanessa Tang在《海峡时报》的观点是：即便入门级工作可以自动化，企业仍需培养新人，才能为未来的资深岗位储备人才。36 初级岗位因此有双重作用：既要完成眼下有价值的工作，也要让新人逐步积累承担更多责任所需的经验。

关键不只是项目叫“实习”还是“学徒制”，而是其中是否包含有意义的工作、持续指导和反馈。如果例行任务被自动化，剩下的初级工作就更需要被有意识地设计成学习路径。

新加坡的两个例子展示了初级工作和工作经验如何调整。《海峡时报》报道，初级软件开发人员如今被要求审查AI生成的代码草稿，检查安全性、逻辑和业务适用性。18 这意味着部分初级工作正从编写例行代码，转向评估AI输出。另据新传媒报道，未来三年将为高等院校学生提供约3,000个为期一年的实习岗位。17 两种做法各有侧重：一方面重新设计毕业生承担的任务，另一方面提供较长期的职场实践机会。

初入职场的数据说明了什么，又没有说明什么

斯坦福大学的研究指出，AI暴露度最高的职业中，就业下降集中在22至25岁的早期职业阶段劳动者身上；随着年龄增加，这种趋势减弱，并在年长劳动者中消失。49 一项斯坦福相关研究报告称，在控制企业层面冲击后，AI暴露度最高职业中的早期职业劳动者就业人数相对下降了13%。52 这是相对变化，不代表AI已经消灭了所有入门岗位的13%。

因果关系仍是重要限制。斯坦福明确说明，其Canaries Dashboard衡量的是职业AI暴露度与就业趋势之间的相关性，而非两者之间的因果关系。51 因此，这些数据显示一种值得关注的差异，但不能证明变化完全由AI造成。

《福布斯》对美国人口普查局研究人员工作的另一篇报道指出，AI暴露度较高专业的毕业生，初始季度收入比AI暴露度较低专业的同龄人低约13%。58 收入与就业人数不是同一指标，因此不能把这一估算直接解读为有多少岗位消失。斯坦福总结的其他研究则发现，AI暴露岗位的招聘变化至多较小，这也提醒我们不要把复杂而不完全一致的证据简化成单一结论。54

更稳妥的结论，不是“AI会抹去所有初级工作”，也不是“招聘数字没变，所以一切如常”。早期职业阶段的就业风险并不均匀，初级工作的内容也正在改变。企业需要同时关注两件事：新人能否获得工作机会，以及他们是否仍有一条获得支持、逐步培养技能与判断力的成长路径。