當我們談論 “AI 殺初級崗位” 時，我們可能忽略了這些更重要的問題

凌晨三點，小李盯著電腦屏幕上的招聘郵箱，刷新了第 17 次 —— 還是沒有新回復。他揉了揉眼睛，把簡歷里 “熟悉 Excel 函數(shù)” 的關鍵詞又加粗了一遍。作為 2023 屆某 Tier 3 大學市場營銷專業(yè)的畢業(yè)生，他已經(jīng)投了 512 份簡歷，覆蓋了電商運營、新媒體編輯、銷售助理等所有能沾邊的 “初級崗位”，但至今只拿到 2 個面試機會，都是賣保險的。

“去年學長學姐還能拿到 10 個以上 offer 呢。” 小李對著手機里的聊天記錄嘆氣。他不知道的是，自己的困境正好印證了哈佛大學一篇論文的結論： 自 2022 年中 ChatGPT 發(fā)布以來，美國初級崗位的就業(yè)增長停滯甚至下降，而高級崗位持續(xù)增長 ——AI 正在悄悄 “吃掉” 初級崗位。

一、“AI = 初級崗位殺手”？先別急著下結論

這篇論文的研究設計看起來很嚴謹：覆蓋 285 萬家公司、6200 萬打工人，用 “差異中的差異”（DiD）方法對比 “AI 采納者” 和 “非 AI 采納者” 的招聘數(shù)據(jù)，發(fā)現(xiàn) AI 采納者的初級崗位招聘量顯著減少。但當我們把 “嚴謹” 拆開看，會發(fā)現(xiàn)很多被簡化的 “前提”：

1. 是 AI 還是經(jīng)濟周期？被混淆的變量

2022 年中是什么時候？美國通脹率達到 40 年新高（6.5%），美聯(lián)儲開啟 “暴力加息” 周期（全年加息 7 次），企業(yè)利潤承壓，首當其沖的就是 成本敏感的初級崗位 —— 比如批發(fā)零售業(yè)的銷售助理、市場營銷的文案崗。這些崗位本來就是企業(yè)縮招的 “第一刀”，而 AI 只是剛好在這個時間點爆發(fā)，有沒有可能是 “背鍋俠”？

論文作者承認 “控制了宏觀經(jīng)濟變量”，但數(shù)據(jù)不會說謊：2022 年美國批發(fā)零售業(yè)的整體招聘量下降了 32%，而論文中 “AI 采納者” 的初級崗位招聘量下降了 40%—— 只比平均水平高 8%。這 8% 真的是 AI 的 “獨家貢獻” 嗎？還是企業(yè)借 AI 之名，把本來就想縮招的鍋甩給技術？

2. “AI 采納者” 是怎么定義的？模糊的邊界

研究中 “AI 采納者” 的定義是 “在招聘信息中提到 AI 相關關鍵詞（如 ChatGPT、機器學習）的公司”。但這顯然有問題： 很多公司早就用了 AI，只是沒寫在招聘里 —— 比如亞馬遜的倉庫早就用了機器人分揀，淘寶的 “猜你喜歡” 早就用了推薦算法，但這些公司可能不會在招聘銷售助理時寫 “我們用 AI”。

反過來，有些公司可能只是趕時髦，在招聘里加了 “熟悉 ChatGPT 優(yōu)先”，但實際上根本沒用到 AI。這種 “自報家門” 的定義方式，會不會把 “跟風者” 當成了 “真采納者”？

3. 初級崗位的 “消失”，是真的沒了還是 “換了名字”？

論文說 “AI 主要通過減少招聘而非裁員壓縮初級崗位”，但有沒有考慮 崗位的 “升級” ？比如以前的 “文案助理” 現(xiàn)在變成了 “AI 文案優(yōu)化師”—— 工作內容從 “寫初稿” 變成 “用 AI 生成初稿后修改”，本質還是初級崗位，但名字里加了 “AI”，就被統(tǒng)計到 “高級崗位” 里了。

我問過一個互聯(lián)網(wǎng)公司的 HR：“你們現(xiàn)在還招‘文案助理’嗎？” 她回答：“不招了，現(xiàn)在招‘AI 內容運營’，要求會用 ChatGPT 寫初稿，再做人格化調整。”—— 你看，崗位沒消失，只是 “換了個馬甲”，而論文的統(tǒng)計可能漏掉了這種 “崗位迭代”。

二、“U 型曲線” 的真相：不是 AI 歧視，是社會資本的差異

論文中最有意思的結論是 “AI 對初級崗位的沖擊呈 U 型曲線”： Tier 1（頂尖名校）和 Tier 5（普通大學）畢業(yè)生受影響小，Tier 2、3（中上等大學）畢業(yè)生受沖擊最大 。作者的解釋是 “Tier 2、3 畢業(yè)生薪資要求高但工作內容易被替代”，但這個結論忽略了更關鍵的變量 —— 社會資本 。

1. Tier 1 畢業(yè)生：不是 “不可替代”，是 “資源替代”

頂尖名校的畢業(yè)生真的 “工作內容更復雜” 嗎？不一定。比如 Harvard 本科畢業(yè)的小王，學的是市場營銷，他能拿到麥肯錫的實習 offer，不是因為他會寫更復雜的文案，而是因為 他爸爸是麥肯錫的合伙人 。當他投簡歷時，HR 看到 “Harvard + 麥肯錫實習”，直接跳過了篩選流程 ——AI 再厲害，也搶不走 “內推” 的名額。

論文中的 Tier 1 畢業(yè)生受影響小，本質是 社會資本的 “護城河” ，而不是 “能力不可替代”。就像《出身》這本書里說的：“頂尖公司的招聘，從來不是選‘最有能力的人’，而是選‘最符合企業(yè)文化的人’—— 而企業(yè)文化的核心，是‘和我們一樣的人’。”

2. Tier 5 畢業(yè)生：不是 “沒被替代”，是 “沒進入被替代的賽道”

普通大學（Tier 5）的畢業(yè)生受影響小，是因為他們本來就沒競爭那些 “易被 AI 替代的崗位”。比如小李的同校同學小張，學的是酒店管理，畢業(yè)后去了一家民宿做前臺 ——AI 能幫民宿寫宣傳文案，但沒法幫客人搬行李、處理突發(fā)情況（比如客人丟了身份證）。再比如小王的鄰居，技校畢業(yè)，去做了空調維修 ——AI 能診斷空調故障，但沒法爬上 30 層樓擰螺絲。

這些崗位不是 “不可替代”，是 AI 還沒滲透到這些 “線下、動手” 的領域 。而 Tier 2、3 畢業(yè)生剛好擠在 “線上、標準化” 的賽道里（比如文案、運營、銷售），自然成為 AI 的 “首選目標”。

三、“提升不可替代性”？別把復雜問題簡化成 “個人努力”

論文的啟示是 “盡快擺脫初級狀態(tài)，承擔復雜任務，提升不可替代性”，這句話看起來政治正確，但細想之下，全是漏洞 —— “不可替代性” 是動態(tài)的，今天的 “復雜任務” 明天可能就變成 “初級任務” 。

1. “復雜任務” 的保質期，比你想的更短

2019 年，“寫微信公眾號文章” 還是 “復雜任務”，需要懂用戶心理、會抓熱點；2023 年，GPT-4 已經(jīng)能根據(jù)關鍵詞生成符合公眾號風格的文章，甚至比很多人寫得好。2020 年，“數(shù)據(jù)分析” 還是 “高級技能”，需要會用 Python 寫代碼；2023 年，Tableau 的 AI 功能能自動生成分析報告，連代碼都不用寫。

今天你以為的 “復雜任務”，可能明天就被 AI “降級” 成初級任務。 “擺脫初級狀態(tài)” 不是終點，是 “無限循環(huán)” —— 你得永遠跑在 AI 前面，但 AI 的學習速度是指數(shù)級的，人能跑過指數(shù)嗎？

2. “暗知識” 和 “興趣技能”，真的不可替代嗎？

論文說 “暗知識”（只有你能提供的上下文）和 “興趣驅動的技能”（如審美、領導力）是 AI 難以替代的，但事實是：

• 暗知識：比如 “我們公司的客戶喜歡‘接地氣’的文案”，AI 通過分析你公司過去的文案數(shù)據(jù)，能快速學會這種 “上下文”—— 甚至比你更準確，因為它能處理 10 萬條歷史數(shù)據(jù)，而你只能記起最近 10 條。

• 審美：AI 能生成符合大眾審美的圖片（比如 MidJourney 的插畫），甚至能根據(jù)用戶反饋調整風格 —— 你說 “我有獨特的審美”，但市場需要的是 “符合大眾的審美”，AI 比你更懂大眾。

• 領導力：AI 能輔助決策（比如用數(shù)據(jù)分析團隊的績效），甚至能比人更理性（不會受情緒影響）—— 你說 “我有領導力”，但 AI 能幫你更高效地領導團隊，而不是被你替代。

當論文說 “你要提升不可替代性” 時，其實是把 “AI 沖擊初級崗位” 的 系統(tǒng)問題 ，簡化成了 “個人不夠努力” 的 個體問題 。就像以前說 “你窮是因為你不努力”，現(xiàn)在說 “你找不到工作是因為你沒擺脫初級狀態(tài)”—— 這種邏輯忽略了一個更本質的問題： 不是所有人都有能力 “提升不可替代性” 。

比如小李，他來自農村，父母是農民，沒有資源讓他學 “AI 內容運營”，只能靠自己在 B 站學 GPT-4 的使用技巧。當他終于學會用 AI 寫文案時，HR 又說 “我們要會用 AI + 數(shù)據(jù)分析的人”—— 他永遠在 “追趕”，但 AI 的進化速度比他快得多。

三、“激進富裕” 的謊言：沒有分配機制，AI 只是少數(shù)人的游戲

DeepMind CEO Demis Hassabis 說 AI 會帶來 “激進富裕” 的時代 —— 生產力極大提升，每個人都能享受 AI 帶來的財富。但這句話的前提是 財富能公平分配 ，而現(xiàn)實是：

• AI 的研發(fā)成本很高（比如訓練 GPT-4 花了 10 億美元），只有大公司（如 OpenAI、Google）能承擔，財富會集中在這些公司手里。

• 初級崗位消失的人，沒有技能進入 “高級崗位”，只能做更低薪的工作 —— 比如從 “文案助理” 變成 “AI 文案標注員”，薪資從 6000 降到 4000。

• “激進富裕” 的受益者是掌握 AI 技術的人（如程序員、算法工程師）和擁有 AI 公司股份的人（如馬斯克、扎克伯格），而不是被 AI 取代的初級崗位從業(yè)者。

就像工業(yè)革命時期，蒸汽機取代了手工作坊，但財富集中在工廠主手里，工人只能拿微薄的工資 —— 直到工會出現(xiàn)、勞動法出臺，財富才開始分配。AI 革命如果沒有 分配機制 （比如 UBI 全民基本收入、AI 稅），“激進富裕” 只會是少數(shù)人的 “狂歡”，而大多數(shù)人會被拋在后面。

四、回到中國：我們的 “初級崗位” 更脆弱

美國的情況能套用到中國嗎？答案是 更嚴重 ，因為中國的就業(yè)結構有兩個 “特殊性”：

1. 制造業(yè)占比高，初級崗位更依賴 “標準化技能”

中國制造業(yè)占 GDP 的 33%（美國是 11%），制造業(yè)的初級崗位（如流水線工人、質檢員）主要靠 “標準化操作”—— 比如 “把零件裝進盒子里”“檢查產品有沒有劃痕”，這些工作正好是 AI 和機器人的 “擅長領域”。

比如富士康，已經(jīng)用機器人取代了 30% 的流水線工人 —— 不是因為 “AI 更聰明”，而是因為機器人不會累、不會出錯、不用發(fā)工資。當 AI 進一步普及，這些 “標準化初級崗位” 會消失得更快。

2. 教育體系更 “應試”，Tier 2、3 畢業(yè)生更依賴 “模板化技能”

中國的教育體系以 “應試” 為主，Tier 2、3 大學的畢業(yè)生更擅長 “模板化技能”—— 比如寫 “符合套路的文案”“按模板做數(shù)據(jù)分析”，這些技能正好是 AI 的 “拿手好戲”。而 Tier 1 畢業(yè)生（如清北）更擅長 “創(chuàng)造性思維”（比如做科研），Tier 5 畢業(yè)生（如高職）更擅長 “動手技能”（比如修機器），他們受 AI 的影響更小。

五、不是要否定 AI，而是要警惕 “簡化敘事”

看到這里，你可能會問：“那論文的價值在哪里？” 其實我不是要否定論文的結論 ——AI 確實在影響初級崗位，但我們要警惕的是 **“AI = 初級崗位殺手” 的簡化敘事 **。

當我們把所有問題都推給 AI 時，會忽略更重要的因素：

• 經(jīng)濟周期的壓力：企業(yè)縮招不是因為 AI，而是因為利潤下降；

• 社會資本的差異：Tier 1 畢業(yè)生受影響小，不是因為能力，而是因為資源；

• 教育體系的問題：Tier 2、3 畢業(yè)生更易被替代，不是因為他們不努力，而是因為教育教的是 “模板化技能”；

• 分配機制的缺失：AI 帶來的財富沒有公平分配，導致初級崗位消失的人無法受益。

小李的困境，不是 “AI 搶了他的工作”，而是 “他的技能剛好是 AI 能替代的”。但這不是小李的錯，而是 我們的工作體系還沒適應 AI 的到來 —— 我們還在招 “文案助理”，而不是 “AI 文案優(yōu)化師”；我們還在教 “模板化技能”，而不是 “AI 協(xié)作技能”；我們還在說 “提升不可替代性”，而不是 “學會和 AI 合作”。

真正的解決方案，從來不是 “個人努力就行”，而是需要：

• 政策層面：加大職業(yè)教育投入，教 “AI + 技能”（比如 “用 AI 修機器”“用 AI 做銷售”）；推行 UBI（全民基本收入），保障初級崗位消失的人的基本生活；

• 企業(yè)層面：重新設計崗位，把 “AI 能做的” 交給 AI，把 “人能做的” 留給人（比如 “AI 寫初稿，人做人格化調整”）；

• 個人層面：不是 “擺脫初級狀態(tài)”，而是 “學會和 AI 協(xié)作”—— 比如用 AI 提高效率，把時間花在 “AI 做不了的事” 上（比如和客戶建立情感連接、創(chuàng)造新的需求）。

AI 不是 “殺手”，而是 “工具”。真正的 “殺手”，是我們對 “工作” 的陳舊認知 —— 我們還在認為 “工作是線性的”“初級崗位是一輩子的”，但 AI 告訴我們： 工作是動態(tài)的，“初級” 和 “高級” 的邊界正在消失，我們需要的是 “終身學習”，不是 “一勞永逸” 。

小李最近終于拿到了一個 offer—— 某電商公司的 “AI 內容運營”，要求 “會用 ChatGPT 寫初稿，再做‘有溫度’的修改”。他說：“原來不是 AI 搶了我的工作，而是我需要學會和 AI 一起工作。”

這可能就是 AI 給我們的最大啟示： 不是要 “打敗 AI”，而是要 “成為能和 AI 一起工作的人” 。畢竟，工具的價值，從來不是取代人，而是讓 “人” 更像 “人”。

你覺得自己的工作會被 AI 替代嗎？你準備怎么應對？歡迎在評論區(qū)留言討論～