工作10年，不如AI + 新人組合干得快

從客服到法律、從編程到制造業(yè)，AI通過‘技能拉平效應(yīng)’將高手經(jīng)驗變成公共資源，導(dǎo)致中間層被擠壓、學(xué)徒制崩塌。本文深度解析這場‘經(jīng)驗資本貶值’背后的經(jīng)濟學(xué)邏輯，揭示哪些經(jīng)驗正在失效、哪些能力仍具溢價，并給出三條對抗AI時代職業(yè)危機的實戰(zhàn)策略。

———— / BEGIN / ————

過去十年，職場里最穩(wěn)的東西是什么？

不是學(xué)歷、不是證書，而是“我干了很多年”。

年限像護城河。你比新人更快、更熟、更少犯錯，于是你理所當(dāng)然地拿更高工資、坐更穩(wěn)的位置。

但生成式 AI 出現(xiàn)之后，事情變得非常不講武德：它不是把你替代掉，它先把你“熬出來的那點差距”抹平了。

AI 帶來的第一件事，不是效率提升，而是定價體系重寫。

當(dāng)新手能用 AI 跳過 4 個月、6 個月甚至幾年的“熟練期”，你以為的經(jīng)驗壁壘，很多就變成了可復(fù)制的公共資源。

經(jīng)驗不是消失了，是被“免費化”了。

咱們今天來聊一聊這場“經(jīng)驗資本貶值”：為什么會發(fā)生、哪些行業(yè)最先中招、它對普通人的真實后果是什么、你應(yīng)該把自己的經(jīng)驗遷移到哪里。

這不是自動化替代，這是“技能拉平”

很多人把 AI 的沖擊理解成“機器替人”。但你給的研究更像是在說：AI 先做了一個更隱蔽、更致命的動作——技能拉平（Skill Leveling）。

它的機制非常簡單：AI 學(xué)會了高績效者的最佳實踐，然后把這些“高手習(xí)慣”以極低成本分發(fā)給所有人。結(jié)果就是——

• 底部被抬高（Raising the Floor）：新人、低技能者提升很大

• 頂部沒怎么變：高手不一定更強，甚至?xí)煌下?/p>

AI 不是把天花板抬高了，它先把地板墊厚了。

這個結(jié)構(gòu)，會在很多行業(yè)反復(fù)出現(xiàn)。你給的材料里，最典型的證據(jù)來自客服。

最扎心的實證：客服里的“羅賓漢效應(yīng)”

我扎心的發(fā)現(xiàn)，學(xué)術(shù)屆現(xiàn)在已經(jīng)給經(jīng)驗編制提供了堅實的量化證據(jù)，其中最具代表性的是 Erik Brynjolfsson 及其團隊在 NBER 發(fā)表的關(guān)于客戶支持代理的研究。

這項針對 5,179 名客戶支持人員的研究給了一個非常具體的數(shù)字沖擊，在使用過AI以后，員工的生產(chǎn)力變化：

• 低技能員工 +34%

• 中等技能員工平均 +14%

• 高技能員工幾乎 0（甚至微負(fù)）

• 更夸張的是：2 個月的新員工，能達到過去 6 個月老員工的水平，學(xué)習(xí)曲線被加速了 3 倍

這不是“提升效率”這么簡單，這是在重寫經(jīng)驗的經(jīng)濟學(xué)：過去需要時間熬出來的能力，現(xiàn)在被系統(tǒng)“白送”了。這種情況在多個研究中被證實。

哈佛商學(xué)院（HBS）聯(lián)合波士頓咨詢（BCG）的研究表明，AI 對不同技能水平員工的影響是不均勻的。它產(chǎn)生了一種“拉平效應(yīng)”（Leveling Effect），即AI對初級員工的賦能遠超資深員工，導(dǎo)致經(jīng)驗帶來的溢價被壓縮。

多項研究頁表明，這是一種知識再分配：資深員工多年試錯積累的隱性知識，被模型學(xué)習(xí)后商品化、顯性化、無限復(fù)制。

從企業(yè)視角看當(dāng)然爽：培訓(xùn)成本下降；但個人視角就很殘酷：你的護城河被填平了。

當(dāng)“熟練”變成默認(rèn)值，經(jīng)驗就失去了溢價。

“鋸齒狀前沿”：經(jīng)驗為什么會“非線性失效”

哈佛商學(xué)院提出了一個非常關(guān)鍵的理論框架 “鋸齒狀前沿（Jagged Frontier）”。

它解釋了一個反直覺現(xiàn)象：AI 在一些“看起來像專家級”的任務(wù)上能表現(xiàn)得很強，但在某些基礎(chǔ)任務(wù)上卻可能翻車。能力邊界不是平滑推進，而是像鋸齒一樣參差不齊。

這件事對經(jīng)驗的影響，是“非線性”的：當(dāng)你的工作內(nèi)容落在 AI 前沿線“之內(nèi)”，你多年積累的熟練度會突然失去價值；更糟的是，經(jīng)驗帶來的思維定勢（Cognitive Rigidity）反而會變成負(fù)債，讓你更難接受新范式。

而當(dāng)你的工作還在前沿線“之外”，經(jīng)驗仍然值錢——但這條線在快速外擴，不斷吞噬原本的“安全區(qū)”。

你以為經(jīng)驗是復(fù)利，AI 讓它變成了折舊。

隱性知識被突破：Polanyi 悖論不再是護身符

經(jīng)濟學(xué)家 Polanyi 有句經(jīng)典話：“我們知道的遠多于我們能說出來的。”

這曾經(jīng)被認(rèn)為是高技能工作難以被自動化的根本原因——很多專家直覺無法寫成規(guī)則。

但生成式 AI 通過“范例學(xué)習(xí)”繞開了這點。它不需要你寫規(guī)則，它直接從海量數(shù)據(jù)里學(xué)出概率分布，捕捉到那些難以言傳的模式。

于是，經(jīng)驗的屬性變了：

它從“依附在某個具體人身上的私人資產(chǎn)”，變成了“可復(fù)制、邊際成本為零的公共商品”。

供給無限增加，價格就下跌。這個邏輯非常冰冷，但非常真實。

一旦經(jīng)驗可以被復(fù)制，它就不再是你個人的議價籌碼。

軟件工程里的倒掛：新手加速，資深者被“驗證稅”拖住

咱們拿大眾眼里的香餑餑軟件工程舉個例子：Copilot 這類工具對不同層級開發(fā)者的影響，是高度分化的。

• 初級開發(fā)者：+26% 到 +55%（新手紅利巨大，尤其解決“空白畫布恐懼”）

• 資深開發(fā)者：-10% 到 +10%（甚至下降），因為要承擔(dān)審查、架構(gòu)合理性、安全性、邊緣情況

這里最狠的詞是：Verification Tax（驗證稅）。

資深開發(fā)者不能像新手一樣“直接用”，他們必須逐行審查，看起來能跑的代碼，可能在邏輯、安全上埋著微妙漏洞。發(fā)現(xiàn)這些漏洞的成本，遠高于自己寫。

甚至還有案例：一個技術(shù)主管花 45 分鐘和 Copilot “摔跤”，而他自己寫只要 15 分鐘——這就是典型的“驗證循環(huán)”。

于是經(jīng)驗出現(xiàn)了短期“反向定價”：越懂的人越慢，越不懂的人越快。聽起來荒唐，但在很多團隊里正在發(fā)生。

AI 寫的不是代碼，是把審查成本轉(zhuǎn)移給了最懂的人。

更長遠的問題是：AI 擅長的“前 80%”標(biāo)準(zhǔn)化工作，恰恰是過去新人練級的土壤；剩下“后 20%”才是真正的高價值區(qū)，但新人跳過基礎(chǔ)訓(xùn)練，很容易在深水區(qū)溺亡，留下技術(shù)債務(wù)。

學(xué)徒制崩塌：不是你不努力，是臺階被抽走了

我認(rèn)為在AI時代，最重要、也最容易被低估的部分：學(xué)徒制模式正在被系統(tǒng)性摧毀。

企業(yè)把“苦活累活”用 AI 自動化掉，短期當(dāng)然更省錢；但入門級崗位隨之萎縮，很多行業(yè)的 entry-level 招聘出現(xiàn) 30%—70% 的縮減（材料里多處提到這個幅度），甚至出現(xiàn)更極端的數(shù)據(jù)（如 entry-level 軟件工程崗位暴跌）。

于是出現(xiàn)“斷裂的階梯（Broken Rung）”：

年輕人因為沒有經(jīng)驗找不到工作，因為找不到工作無法獲得經(jīng)驗，進入死循環(huán)。

企業(yè)不一定馬上裁掉老員工，但會通過減少年輕人招聘來消化沖擊。結(jié)果是——不是一波失業(yè)，而是一代人進不去。

最殘酷的不是裁員，是你連“入場券”都拿不到。

法律與咨詢：計時制的終結(jié)，金字塔結(jié)構(gòu)開始內(nèi)爆

事實上，不僅是可被標(biāo)準(zhǔn)化的崗位正在被威脅，個性化要求更高的崗位也在被改造。

法律和咨詢行業(yè)過去最穩(wěn)定的賺錢模型是什么？ 是“計費小時制”和“金字塔式人才結(jié)構(gòu)”：初級做大量低價值高耗時工作，堆出小時數(shù)，支撐利潤。

這在現(xiàn)在被改變也是我們?nèi)庋劭吹靡姷?。A&O Shearman 與 Harvey AI 深度合作，部署到 43 個辦公室、3,500 多名律師，測試階段就有超過 40,000 次查詢。并且出現(xiàn)了清晰的效率節(jié)?。ɡ绾贤治龉ぞ吖?jié)省 30% 時間）。

根據(jù)PwC的說法：某些高頻訴訟投訴響應(yīng)，從 16 小時壓縮到 3–4 分鐘。這已經(jīng)不是效率提升，這是把“小時數(shù)”變量直接刪掉。

于是商業(yè)模式開始內(nèi)爆：客戶會問——以前 10 小時的初級審閱，現(xiàn)在 AI 幾分鐘搞定，我為什么還要為那 10 小時買單？

咨詢業(yè)同理：AI 可以快速完成市場規(guī)模估算、競對分析、報告初稿、PPT 初版。初級崗位的價值被壓縮，行業(yè)更強調(diào)“專家型人才”。

但也出現(xiàn)你材料里說的“編輯陷阱”：新人跳過基礎(chǔ)，直接去審核 AI 生成的戰(zhàn)略內(nèi)容，很容易缺乏發(fā)現(xiàn)漏洞的能力，培養(yǎng)出一代“手眼不協(xié)調(diào)”的顧問。

當(dāng)產(chǎn)出可以一鍵生成，真正稀缺的是“你憑什么相信它”。

Klarna 的窗口：標(biāo)準(zhǔn)化服務(wù)里，經(jīng)驗溢價可以直接歸零

如果說前面說的例子里，人工還有“輔助”的色彩，那么 Klarna 的案例把人工更接近“清零”。

Klarna 的 AI 客服助手上線一個月，就能處理相當(dāng)于 700–850 名全職員工的工作量；平均解決時間從 11 分鐘降到 2 分鐘；重復(fù)查詢率下降 25%；還能 24/7 覆蓋 35 種語言；并且?guī)眍A(yù)計 4,000 萬美元利潤提升。

更關(guān)鍵的是：客戶滿意度并沒有明顯變差，甚至在一些指標(biāo)持平或更優(yōu)。

這意味著在標(biāo)準(zhǔn)化服務(wù)領(lǐng)域，“話術(shù)經(jīng)驗”“流程熟練度”“情緒安撫技巧”這些過去需要幾年練出來的東西，可能真的被模型一次性學(xué)走了。

當(dāng)客戶不介意你是人還是 AI，你的經(jīng)驗就沒有溢價。

制造業(yè)：老師傅的直覺正在變成公司的數(shù)字資產(chǎn)

制造業(yè)長期被認(rèn)為經(jīng)驗壁壘最高，因為“部落知識”（Tribal Knowledge）很難編碼：聽聲音判斷故障、手感的微妙差異、工序里不可言傳的技巧。

但現(xiàn)在，這些也開始被AI所攻略：

DeepHow 把資深工人的操作視頻轉(zhuǎn)成可分發(fā) SOP（還能多語言），底特律 ISAIC 的案例里，新員工入職培訓(xùn)時間縮短 60%；Augmentir 則通過分析一線操作數(shù)據(jù)，縮短入職時間 40%、提升生產(chǎn)力 17%。

這背后發(fā)生的是資產(chǎn)轉(zhuǎn)移：經(jīng)驗從勞動者腦子里，被剝離出來，變成企業(yè)的數(shù)字資產(chǎn)。過去你辭職就帶走；現(xiàn)在公司把它提取出來，新人戴上設(shè)備就能調(diào)用。

經(jīng)驗不再跟著人走，它開始跟著服務(wù)器走。

中間層被擠壓，贏家通吃

把這些行業(yè)放在一起，你會看到一個非常清晰的宏觀結(jié)構(gòu)：

• 可編碼、可復(fù)制、可標(biāo)準(zhǔn)化的經(jīng)驗在貶值

• 能處理“最后 20%”復(fù)雜判斷的高階經(jīng)驗在升值

• 中間層被擠壓，市場變得更兩極

薪資溢價也出現(xiàn)了變化：初級崗位的溢價收窄，高級崗位的溢價上升。原因其實一句話就夠——AI 接管了前 80%，剩下的 20%變得更值錢，而能做好 20%的人很少。

AI 沒讓所有人更強，它讓“真正強的人”更貴。

對普通人最重要的結(jié)論：經(jīng)驗沒有死，但“經(jīng)驗的定義權(quán)”變了

很多人看到“經(jīng)驗貶值”會恐慌，覺得自己多年努力白費。

但我查了很多資料，發(fā)現(xiàn)他們都指向了共性的結(jié)論：經(jīng)驗沒有整體消亡，它在分裂、重定價。

正在貶值的，是那種靠記憶、重復(fù)、顯性規(guī)則磨出來的經(jīng)驗——因為它最容易被模型學(xué)走。

正在升值的，是那種建立在復(fù)雜判斷、跨領(lǐng)域整合、語境理解、情感連接，以及對 AI 局限的深刻理解之上的經(jīng)驗。

換句話說：你不是要守住舊經(jīng)驗，而是要把經(jīng)驗搬家。

別問“AI 會不會取代我”，先問“我的經(jīng)驗?zāi)懿荒鼙粡?fù)制”。

給普通人的可執(zhí)行方法（不多，但要狠）

我盡量不做“雞湯清單”，只給你三我認(rèn)為最寶貴的能落地的動作。

第一，把你的經(jīng)驗從“執(zhí)行經(jīng)驗”遷移到“判斷經(jīng)驗”。

AI 會寫、會搜、會生成，但它不負(fù)責(zé)后果。你要訓(xùn)練的是：如何評估風(fēng)險、識別漏洞、發(fā)現(xiàn)邊緣情況——也就是你材料里說的“最后 20%”。把自己從“干活的人”升級成“驗收的人”。

第二，主動設(shè)計自己的“合成練級場”。

學(xué)徒制被抽走以后，別等公司給你臺階。現(xiàn)在AI那么發(fā)到，給自己做一個“飛行模擬器模式”：用 AI 生成虛擬案例、虛擬代碼庫、虛擬客戶對話，逼自己在低風(fēng)險環(huán)境里高強度練判斷，而不是只練執(zhí)行。

第三，把 AI 當(dāng)成放大器，但必須保留“人在回路”。

同點：AI 讓低端更快，但也帶來幻覺、漏洞與“驗證稅”。所以真正可持續(xù)的工作方式是：讓 AI 負(fù)責(zé) 80%，你負(fù)責(zé)最后 20% 的審查與校正。那 20%，才是溢價來源。

AI 負(fù)責(zé)產(chǎn)量，你負(fù)責(zé)定價。

認(rèn)知平權(quán)的代價，是經(jīng)驗不再自動升值

過去我們默認(rèn)：工作年限會帶來更強能力、更高薪酬、更穩(wěn)位置。

AI 時代，這條線斷了。

經(jīng)驗還在，但它不再“按年計息”。它更像一張資產(chǎn)負(fù)債表：哪些可復(fù)制、哪些不可復(fù)制，哪些能把 AI 管起來、哪些只能被 AI 管。

真正的風(fēng)險不是 AI 本身，而是你還拿著舊時代的經(jīng)驗地圖，試圖在新大陸里找寶藏。

未來不是“經(jīng)驗越多越值錢”，而是“越難被復(fù)制越值錢”。

希望對你有幫助。

本文來自公眾號：LU晨昕資本論 作者：陸晨昕

想要第一時間了解行業(yè)動態(tài)、面試技巧、商業(yè)知識等等等？加入產(chǎn)品經(jīng)理進化營，跟優(yōu)秀的產(chǎn)品人一起交流成長！