AIHR
核心结论
AI 没有整体拆掉初级岗位，而是抬高了它的门槛。PwC 2026 AI Jobs Barometer 基于 240 万个美国初级岗位的分析显示：被「资深化」的初级岗位自 2019 年增长 35%，其余初级岗位缩减 10%，AI 高暴露初级岗要求判断力、领导力等资深技能的概率是低暴露岗的 7 倍。斯坦福用 ADP 薪资数据发现 22-25 岁在高暴露职业相对就业下降 13%，机制是 AI 替代校园里学的显性知识、替代不了工作中长出的隐性知识。组织真正的损失不是招不到人，而是原来靠做基础活自然长出判断力的路径断了。HR 要重建的是判断力的养成场，不是把初级岗位的数量补回来。
关键数据
- PwC 2026 Global AI Jobs Barometer（10 亿+ 招聘广告、27 个市场；其中美国初级岗位样本 240 万）：AI 高暴露初级岗位要求传统资深技能的概率是低暴露初级岗的 7 倍；这类「资深化」初级岗位自 2019 年增长 35%，其余初级岗位缩减 10%；AI 技能薪酬溢价升至 62%（上一年 57%）。
- 斯坦福 Brynjolfsson、Chandar、Chen（2025-08 工作论文，ADP 薪资数据，覆盖 350–500 万员工）：22-25 岁在最高 AI 暴露职业的相对就业下降 13%；22-25 岁软件开发者自 2022 年末峰值下降近 20%；调整发生在雇佣端而非薪酬端，降幅集中在 AI 用于替代而非增强的职业。
- 斯坦福数码经济实验室（2026-08-12 报告，据联合早报 2026-08-17）：AI 高暴露职业的年轻劳动力与低暴露同龄人的就业差距，从 2025 年 7 月的 15% 扩大到 2026 年 6 月的 19%。
- 中国（新浪财经引锌刻度，2026-04-13）：2026 年 1-2 月新发 AI 岗位中要求 3 年以上经验的占比超七成；3-5 年经验段岗位量同比增 19%；面向 1 年以内经验者的岗位缩减约 20%；2026 届全国高校毕业生 1270 万人。
- 美国雇主侧（ResumeTemplates.com《Class of 2026 College Graduate Hiring Report》，2026-07-17，1,000 名 101 人以上企业招聘经理）：45% 已重构为「一个资深员工＋AI」承担原多个初级岗工作，其中 20% 覆盖 3 个以上初级岗；55% 把部分初级招聘预算转向 AI（27% 全部转移）；48% 宁愿投 AI 工具而非招培应届生。
- 新加坡（Jobstreet，截至 2026-04 一年；据联合早报 2026-08-17）：AI 需求最高的五大行业中入门级 AI 岗位占比最高仅 15%（计算机与信息技术、教育），金融 14%，人力资源与咨询 8%，政府与国防 6%。
- 印度（德勤印度《Campus Workforce Trends 2026》）：86% 组织称 AI 与智能体正在改变校招流程（FY25 约 79%）；35% 称 AI 正在催生新的早期职业岗位或技能要求（FY25 约 21%）；实习转正率同比升约 6%；一年内新人流失从 18% 降到 15%。
关于 AI 和年轻人就业，市面上流通着两个互相矛盾的版本。一个版本说初级岗位正在被大规模抹掉，应届生首当其冲；另一个版本说招聘总量还在增长，担忧被夸大了。两个版本各自都能找到数据支撑，于是讨论长期停在立场层面。
把口径拆细之后，矛盾就消失了。PwC 2026 年的 AI Jobs Barometer 分析了 10 亿以上招聘广告，其中针对美国 240 万个初级岗位做了专门切片，结果是一次清晰的分化：被「资深化」的初级岗位，也就是那些开始要求判断力、领导力、面对面沟通等传统上属于资深岗的能力的入门职位，自 2019 年以来增长了 35%；而没有被资深化的其余初级岗位缩减了 10%。同一份数据还显示，AI 高暴露的初级岗位要求这类资深技能的概率，是低暴露初级岗位的 7 倍。
所以更准确的描述不是第一级台阶被拆掉，而是第一级台阶被抬高了。这个区别不是措辞游戏。如果是台阶被拆掉，HR 的问题是招聘渠道和编制；如果是台阶被抬高，HR 的问题变成了另一件更麻烦的事：组织原来靠这级台阶完成的一项功能，现在没有着落。
一、初级岗位的真实功能不是产出，是养成
在多数组织的账面上，初级岗位是成本项：招进来、带上手、做基础活，一到两年后开始产生正向贡献。这套算法让初级岗位在 AI 面前显得格外脆弱，因为它的账面产出恰好是最容易被自动化的那部分。
但初级岗位在组织里承担的从来不只是产出。组织学的第一性原理说，组织是信息网络加利益分配网络。初级岗位在第一张网里的位置很特殊：它是原始信息的入口。整理会议记录的人看到了分歧是怎么形成的，做数据清洗的人知道哪一列字段从来对不上，跟合同附件的人清楚哪一条款每次都要返工。这些认知没有写在任何流程文档里，它们是做够多基础活之后的副产品。组织把这类东西叫经验，学术上叫隐性知识。
斯坦福的研究恰好把这个机制点了出来。Brynjolfsson、Chandar、Chen 在 2025 年 8 月的工作论文里用 ADP 的薪资数据（覆盖 350 万到 500 万名员工）发现：自生成式 AI 被广泛采用以来，22-25 岁在最高 AI 暴露职业中的相对就业下降了 13%，而同一批职业里的资深员工、以及低暴露职业里的各年龄段员工，就业保持稳定甚至增长。22-25 岁的软件开发者从 2022 年末的峰值下降了近 20%。
论文给出的机制解释是关键：AI 更擅长替代学校里学到的显性知识，难以替代工作经验里积累的隐性知识。这句话反过来读才见杀伤力：AI 吃掉的正是那些用来长出隐性知识的任务。摘要、起草、清洗数据、处理一线工单，这些既是 AI 最先接管的活，也是过去二十年里新人唯一的入门途径。
论文还有一个容易被忽略的发现：调整主要发生在雇佣端，不在薪酬端。企业没有降薪，是少招。这意味着这不是一个价格问题，不能靠调薪解决；它是一个入口问题。
二、中国和亚洲市场的入口更窄
这不是只在美国发生的事，而且在 AI 岗位这条线上，中国的坡度更陡。据新浪财经引锌刻度 2026 年 4 月的统计，2026 年 1-2 月新发的 AI 岗位中，要求 3 年以上工作经验的占比超过七成；3-5 年经验段的岗位量同比增长 19%，而面向 1 年以内经验者的岗位缩减了约 20%。同期，2026 届全国高校毕业生达到 1270 万人。
需求在涨、门槛在升、入口在收，三件事同时发生。这解释了一个反复出现的错配：企业抱怨招不到合格的人，候选人抱怨投出去没有回音。双方说的都是真话，因为增长的岗位和收缩的岗位不是同一批岗位。
新加坡的横截面数据把入口的窄度量化得更直接。据联合早报 2026 年 8 月引用的 Jobstreet 数据，在本地 AI 人才需求最高的五大行业里，公开招聘的入门级 AI 岗位占比最高的也只有 15%（计算机与信息技术、教育），金融 14%，人力资源与咨询 8%，政府与国防 6%。同一篇报道引述斯坦福数码经济实验室 2026 年 8 月 12 日的报告：AI 高暴露职业的年轻劳动力与低暴露职业同龄人的就业差距，已从 2025 年 7 月的 15% 扩大到 2026 年 6 月的 19%。差距还在走宽。
值得注意的是，人力资源与咨询这个行业自己的入门级 AI 岗位占比只有 8%。HR 职能在讨论别人的人才管道时，自己的入口同样在收窄。
三、企业正在做的替换，以及它的跨期成本
雇主侧的动作已经很具体。ResumeTemplates.com 在 2026 年 7 月对 1,000 名美国 101 人以上企业的招聘经理做的调查显示：45% 的企业已经重构为「一个资深员工加 AI」来承担原本多个初级岗的工作，其中 20% 的企业这个安排覆盖了 3 个以上初级岗；55% 已把部分初级招聘预算转向 AI，27% 全部转移；48% 表示宁愿投 AI 工具，也不愿招一个应届生再培养。23% 会比去年少招或不招 2026 届毕业生。
这些数字放在当期的人效表上很好看：产出不变，编制下降，培养周期归零。问题是它同时取消了这些岗位承担的养成功能，而这项功能的缺失不在当期显形。
一个资深员工加 AI 顶掉三个初级岗，组织当年少了三份薪酬和三份带教投入。三年后需要补一个团队负责人时，原本应该从这三个人里长出来的那一个，不在候选名单上，因为他没被招进来。这时候的解法通常是外部招聘，成本更高、匹配更差、文化磨合更久。当期收益和跨期成本记在不同的表上，也常常记在不同任期的管理者名下。
这是一次用未来的中层供应置换当期人效的交易。它不必然是错的：如果组织判断三年内业务形态会变，中层的定义本身要重写，那么不为旧形态储备人是合理选择。错的是这笔置换没有被明确记录，也没有人被指定为补回供应的责任人。多数企业在做这件事时，把它算成了一次纯粹的效率改善。
四、把养成场从「做基础活」搬到「审 AI 产出」
如果入门任务已经被自动化，重建的方向不是把这些任务从 AI 手里抢回来，而是承认养成场换了地方。PwC 的同一份报告提供了一条线索：AI 高暴露岗位新增的任务，依赖同理心、判断力、创造力这类人本技能的概率是 2.5 倍；最高暴露职业的技能变化速度是最低暴露职业的两倍以上，且这个差距比上一年扩大了 75%。新人要学的东西变了，学法也得变。
把核验设为初级岗的主任务。过去新人的第一份工作是产出草稿，现在草稿由 AI 给。相应地，第一份工作应该是判断这份草稿哪里对、哪里会失败、依据是什么。这比写草稿更难，也更快长出判断力，因为它要求先有标准才能评价。落地的形式很朴素：新人交付的不是成品，是一份带批注的核验记录，说明改了什么、为什么改、哪一处不确定。
做判断前置的差异比对。隐性知识的传递过去靠时间和共处，现在可以被结构化。同一个真实决策，让新人先独立写出自己的判断和理由，再看资深同事的判断，然后逐条比对差异在哪、差在哪一步的信息或权衡上。这把资深的经验从不可言说变成可复盘的对照，也是当前少数能压缩养成周期的做法。它的成本主要落在资深员工的时间上，所以必须进考核，否则不会真的发生。
把实习与转正当主渠道，不当补充。德勤印度的《Campus Workforce Trends 2026》显示，86% 的组织称 AI 与智能体正在改变校招流程（FY25 约 79%），35% 称 AI 正在催生新的早期职业岗位或技能要求（FY25 约 21%）。同一份报告里更有参考价值的是留存侧：实习转正的整体转化率同比上升约 6%，来自头部院校的新人一年内流失率从 18% 降到 15%。当岗位门槛抬高、简历筛选变得不可靠时，一段真实共事的时间成了最有效的评估工具。它同时解决了评估和养成两件事。
改编制口径。「一个资深加 AI 替代 N 个初级」这类调整，应当在编制表上被单独标注为跨期置换，写清由谁在什么时间、用什么方式补回中层供应。这不是文书要求。缺口三年后才显形，而人才规划表的周期通常是一年，如果不在决策发生的当期留下记录，到了显形那年没有人能追溯它从哪来。
初级岗位的产出价值一直低于它的培养价值。AI 接管了产出的那部分，培养的那部分没有自动转移给任何人。取消入口而不重建养成场，就是用未来的中层供应置换当期人效。
五、落地顺序与两个反模式
可执行的顺序不复杂。第一步，盘清哪些初级任务已被 AI 实质接管，把它们从新人的岗位说明书里划掉，不要留着装样子。第二步，为每个划掉的任务指定一项替代养成活动，核验、差异比对、或跟一个真实决策的全过程，写进岗位说明书和带教人的考核。第三步，把实习与转正通道的容量提上来，用共事时间替代简历筛选做评估。第四步，在编制表上标注所有已发生的跨期置换，指定补回责任人和时间点。
第一个反模式是把门槛上移当成招聘技术问题，于是加大筛选强度、抬高学历要求、增加测评轮次。这些动作提高了单个候选人的入职起点，却没有增加组织内部长出判断力的机会，结果是把养成责任推给了外部劳动力市场。当所有企业都这么做，市场上不会自动多出有判断力的年轻人，因为培养他们的那些岗位是被这些企业一起取消的。
第二个反模式是反向的：为了保住人才管道，把已被自动化的基础活保留下来给新人做。这既浪费产能，也骗不了人。新人清楚自己在做一件系统能在几秒内完成的事，这种安排损耗的是留下来的意愿，而不是培养出能力。养成场必须建在真实有难度的工作上，不能建在被刻意保留的低效环节上。
回到两张网。AI 重写了信息网络里初级岗位的位置，让它不再是原始信息的必经入口；组织如果不同步重画利益分配网络，也就是不明确谁负责养成、养成算谁的绩效、跨期置换由谁补回，那么第二张网会默认按当期人效结算，而当期人效永远支持取消入口。中层三年后从哪来，答案不在三年后的招聘预算里，而在今年谁被指定为这件事的责任人。
关注公众号，获取 AI 时代 HR 变革一手分析