2026年春天，一个令人困惑的矛盾正在美国劳动力市场上演：宏观就业数据依然坚挺，大规模AI裁员潮并未如预言般降临，但与此同时，数以百万计的应届毕业生正面对一堵无形的墙——那些曾经为他们敞开的入门级岗位，要么已经消失，要么被重新定义为需要他们根本不可能拥有的技能组合。

这不是一个关于”谁会被AI取代”的故事。这是一个关于”谁永远无法进入职场”的故事。而它的破坏力，远比任何一轮裁员潮更加深远。

Yale CELI（Chief Executive Leadership Institute）的最新研究给出了一个看似矛盾的结论：Agentic AI不会大规模消灭现有工作岗位，但正在系统性地摧毁通往第一份工作的路径 (来源: Fortune, 2026-04-29)。与此同时，CNBC引用的数据显示，要求AI技能的入门级职位数量在短短1年内几乎翻了1倍 (来源: CNBC, 2026-04-29)。

把这两个数据点放在一起，你会看到一幅令人不安的图景：AI没有在裁人，它在做一件更隐蔽、更致命的事——它在拆掉梯子。

第1章：”没有大规模裁员”——一个危险的安全幻觉

宏观数据的”好消息”

2026年2月，Yale Budget Lab的经济学家们发表了一项引发广泛关注的研究结论：在宏观就业数据中，他们未发现AI导致大规模失业的证据 (来源: Fortune, 2026-02-02)。这一发现在当时被许多人解读为”AI威胁被夸大了”的有力证据。毕竟，自2022年底ChatGPT引爆生成式AI浪潮以来，关于”AI将消灭数亿工作岗位”的预言铺天盖地，但3年过去了，失业率并未出现结构性飙升。

Yale Budget Lab的研究者们同时指出了一个耐人寻味的现象：大量企业存在”AI washing”行为——即在公开场合高调宣称正在用AI替代人力、提升效率，但实际上这些声明更多是面向投资者的叙事策略，而非真实的运营转变 (来源: Fortune, 2026-02-02)。换句话说，很多CEO在财报电话会议上大谈AI裁员，可能只是为了让华尔街相信他们在”拥抱AI”，从而推高估值。

这个发现本身极具价值。它揭示了AI叙事中一个被严重低估的噪声源：企业高管有强烈的激励去夸大AI对其业务的变革性影响，无论这种变革是否真正发生。当每一位CEO都在争先恐后地展示自己的”AI战略”时，公众舆论很容易被这些放大的信号误导，产生”AI正在大规模取代人类”的恐慌。

但”好消息”本身就是问题

然而，Stanford Digital Economy Lab的研究提供了一个关键的补充视角。他们在题为《Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence》的论文中，试图从更细粒度的层面审视AI对就业的影响 (来源: Stanford Digital Economy Lab)。这项研究的核心洞察在于：宏观就业数据天然具有滞后性和平滑性，它们擅长捕捉大规模的、突然的冲击（比如一场疫情），但对于渐进式的结构性转变——比如某一类岗位的缓慢消亡——几乎是盲目的。

想象一下：如果一家500人的公司裁掉了50名初级分析师，但同时招了30名AI工程师和20名高级数据科学家，宏观就业数据会显示什么？净就业变化为零。统计报表上一切正常。但那50名被裁的初级分析师的职业轨迹被永久改变了，而更关键的是，这家公司未来可能再也不会开放初级分析师的岗位了。

这正是当前AI劳动力冲击的核心诡计：它不是以”大规模裁员”这种容易被统计捕捉、容易引发舆论关注的方式展开的。它以一种更安静、更系统性的方式运作——不是砍掉树上的枝叶，而是在根部浇上除草剂。

Techstrong AI的分析文章《The View From the Trenches: Why Economic Data Misses the Real AI Threat》精准地点出了这个问题：经济数据之所以”遗漏”了AI的真正威胁，是因为这种威胁发生在数据的盲区——它不是就业总量的变化，而是就业结构的重组；不是”谁丢了工作”，而是”哪些工作不再被创造出来” (来源: Techstrong AI)。

这是一个认知陷阱。当人们听到”AI没有造成大规模失业”时，他们倾向于放松警惕。但这就像一个人在体检中被告知”你的血压正常”，却没有人告诉他，他的骨密度正在以惊人的速度下降。表面指标的”正常”掩盖了深层结构的恶化。

第2章：入门级岗位的沉默消亡

Yale CELI的核心发现

2026年4月29日，Fortune发表了一篇基于Yale CELI研究的深度报道，标题直击要害：《AI won’t kill your job — it will kill the path to your first one》(来源: Fortune, 2026-04-29)。

Jeffrey Sonnenfeld领导的Yale CELI团队的研究聚焦于一个被主流AI就业讨论长期忽视的维度：Agentic AI——即具备自主决策和执行能力的AI系统——对入门级岗位的影响。他们的核心发现是：Agentic AI不会大规模消灭现有的、已经被人类占据的工作岗位，但它正在系统性地消除那些原本将被创造出来的入门级职位。

这个区分至关重要。”消灭现有岗位”意味着裁员，会被失业保险申请数据、裁员公告、劳动统计局月度报告等一系列指标捕捉到。但”消除将被创造的岗位”是一个反事实——它不会出现在任何统计报表上，因为你无法统计”从未存在过的东西”。

让我用一个具体的场景来说明这意味着什么。

过去，一家咨询公司每年会招聘20名初级分析师。这些分析师的日常工作包括：整理数据、制作PPT、撰写初步的市场分析报告、协调客户沟通的日程安排。这些工作本身并不复杂，但它们是这些年轻人学习行业逻辑、理解客户需求、建立专业直觉的关键训练场。3-5年后，其中最优秀的人会晋升为高级分析师、项目经理，最终成为合伙人。

现在，同样这家公司部署了一套Agentic AI系统。这套系统可以自动抓取和整理数据、生成标准化的分析报告框架、甚至完成初步的客户沟通排程。公司发现，它不再需要20名初级分析师了——5名就够了，而且这5名需要具备使用AI工具的能力，本质上他们的角色已经从”执行者”变成了”AI输出的审核者和编辑者”。

结果是什么？公司没有裁掉任何人。现有的中高级员工依然在岗。但明年的校园招聘名额从20个变成了5个。那15个”消失”的岗位不会出现在任何裁员统计中。它们只是安静地不再存在了。

Agentic AI的特殊性

这里需要特别强调”Agentic AI”这个概念，因为它代表了AI能力的一个质变节点。

早期的生成式AI（如2022-2023年的ChatGPT、2024年的Claude等）本质上是”工具型”AI——它们需要人类给出明确的指令，生成一个输出，然后由人类决定如何使用这个输出。在这种模式下，AI更多是增强了人类的生产力，而非替代人类的角色。一个初级分析师可以用ChatGPT更快地写出报告草稿，但他仍然需要存在于工作流程中。

Agentic AI则不同。它具备自主规划、决策和执行多步骤任务的能力。它不是在等待人类的指令，而是在接收一个高层目标后，自主分解任务、调用工具、执行操作、评估结果并进行迭代。这意味着，很多过去需要初级员工完成的”任务链”——而非单个任务——现在可以被AI agent端到端地处理。

这就是为什么Yale CELI的研究特别聚焦于Agentic AI：它不是让初级员工更高效，而是让初级员工变得不再必要。

从技术角度看，2025-2026年正是Agentic AI从实验室走向企业级部署的关键窗口期。OpenAI的Operator、Anthropic的Claude with tool use、Google的Project Mariner等产品都在快速迭代其Agent能力。当这些系统的可靠性越过企业级应用的门槛时，它们首先替代的不是最复杂的高级决策工作——那些工作需要深厚的领域经验、人际判断和创造性思维——而恰恰是那些结构化程度高、规则明确、容错空间较大的初级工作。

讽刺的是，入门级岗位之所以是”入门级”，正是因为它们相对简单、结构化、有明确的操作规范。而这些特征，恰恰使它们成为AI自动化的最佳靶标。

哪些行业首当其冲？

虽然已验证参考资料中未提供按行业细分的具体数据，但从Yale CELI研究的逻辑框架和已知的AI部署趋势中，我们可以推断几个高风险领域：

法律行业：初级律师和法律助理的大量工作——案例研究、合同审查、法律备忘录起草——正是Agentic AI最擅长的领域。Harvey AI等法律AI公司的快速增长已经在重塑律所的人力结构。

金融服务：初级分析师的数据整理、财务建模、研究报告撰写等工作高度结构化，是AI自动化的天然标的。

咨询行业：初级顾问的市场调研、竞品分析、报告制作等工作正在被AI工具大幅压缩。

软件开发：AI编码助手（如GitHub Copilot、Cursor等）正在改变初级开发者的角色定位。过去需要初级开发者完成的代码编写、bug修复、测试等工作，现在可以由AI在高级工程师的监督下完成。

媒体与内容：初级记者、文案编辑、社交媒体运营等岗位面临直接冲击。

这些行业有一个共同特征：它们都是知识密集型行业，入门级岗位的核心功能是”信息处理”——而这恰恰是当前AI最强大的能力区间。

第3章：门槛翻倍——当”入门级”不再入门

1年翻1倍的AI技能要求

如果说Yale CELI的研究揭示了入门级岗位的”量”在萎缩，那么CNBC在2026年4月29日的报道则揭示了一个同样严峻的”质”的变化：要求AI技能的入门级职位数量在过去1年内几乎翻了1倍 (来源: CNBC, 2026-04-29)。

这个数据的含义需要仔细拆解。它不仅仅意味着”更多的入门级岗位要求候选人会用AI工具”。它意味着入门级岗位的定义本身正在被重写。

过去，一个入门级市场分析师的岗位要求可能是这样的：

  • 本科学历，市场营销或商科相关专业
  • 熟练使用Excel和PowerPoint
  • 良好的沟通和团队协作能力
  • 0-2年工作经验

现在，同样一个岗位的要求可能变成了：

  • 本科学历，市场营销或商科相关专业
  • 熟练使用AI分析工具（如ChatGPT、Claude、Perplexity等）
  • 具备prompt engineering基础能力
  • 能够使用AI工具进行数据分析和报告生成
  • 了解AI输出的局限性，具备AI输出审核能力
  • 0-2年工作经验，有AI工具使用经验者优先

表面上看，这只是在技能清单上多加了几个条目。但深层含义是：入门级岗位的”入门”门槛被系统性地抬高了。而且，这种抬高具有自我强化的特征——当越来越多的入门级岗位要求AI技能时，没有AI技能的求职者会被排除在外，而获得AI技能的最佳途径之一恰恰是在工作中学习和实践。

经典的”经验悖论”2.0

劳动力市场一直存在一个经典悖论：你需要经验才能找到工作，但你需要工作才能获得经验。这个悖论在AI时代被放大到了一个全新的维度。

过去的”经验悖论”至少还有一些缓冲机制：实习项目、培训生计划、初级岗位的”边做边学”模式。企业愿意接受一定程度的生产力损失来换取人才的培养和筛选。但当AI可以以接近零边际成本完成初级工作时，企业为什么还要花钱雇一个需要6个月才能上手的应届毕业生？

更关键的是，AI技能本身具有一种特殊的”实践依赖性”。你不能仅仅通过上一门在线课程就真正掌握如何在专业场景中有效使用AI工具。真正的AI技能——理解AI输出的可靠性边界、知道何时信任AI何时质疑AI、能够将AI工具嵌入复杂的工作流程中——这些都需要在真实的工作场景中反复实践才能习得。

这就创造了一个恶性循环：

  1. 入门级岗位要求AI技能
  2. AI技能需要在工作中实践才能真正掌握
  3. 没有AI技能就无法获得入门级岗位
  4. 无法获得岗位就无法实践AI技能
  5. 回到步骤1

这个循环的残酷之处在于，它不是对所有年轻人一视同仁的。那些来自精英大学、有资源参与高质量AI项目和实习的学生，可以通过这些渠道积累AI技能，打破循环。而那些来自普通院校、缺乏此类资源的学生，则更容易被困在循环之中。AI技能门槛的提升，实际上是在加剧劳动力市场的不平等。

1年翻1倍意味着什么？

让我们回到那个”1年翻1倍”的数据点。如果这个趋势持续下去——即使增速有所放缓——它意味着在未来2-3年内，”会使用AI工具”将不再是入门级岗位的”加分项”，而是”必选项”。就像20年前”熟练使用Office”从一个竞争优势变成了一个基本假设一样，AI技能正在经历同样的转变，只不过速度快了10倍。

但这里有一个关键区别：学会使用Office是一个相对标准化的、可以通过自学快速掌握的技能。而”AI技能”是一个不断变化的、边界模糊的概念。今天你学会了使用ChatGPT，明天企业可能要求你会使用Agentic AI工作流；你刚学会了prompt engineering，行业又开始要求你理解RAG（检索增强生成）架构和AI agent的编排逻辑。

这种技能要求的快速迭代，对教育体系提出了几乎不可能完成的挑战。大学课程的更新周期通常是2-4年，而AI工具和最佳实践的迭代周期是2-4个月。当一个学生入学时学习的AI工具和方法论在他毕业时可能已经过时，教育与就业之间的鸿沟只会越来越宽。

第4章：断裂的职业阶梯——一个被低估的组织危机

HBR的警告

Harvard Business Review在2025年9月发表的分析文章《The Perils of Using AI to Replace Entry-Level Jobs》提出了一个超越个人层面的系统性警告：用AI替代入门级岗位不仅伤害年轻求职者，更将从根本上破坏企业自身的人才培养机制和知识传承链条 (来源: HBR, 2025-09)。

这个论点的逻辑链条清晰而有力：

第1环：入门级岗位是人才筛选器。 企业通过入门级岗位观察和评估年轻员工的潜力、适应性、学习能力和文化契合度。这个过程无法被简历筛选、面试甚至AI评估工具完全替代，因为很多关键特质只有在真实工作场景中才能显现。当入门级岗位消失时，企业失去了这个关键的筛选机制。

第2环：入门级岗位是技能训练场。 初级员工在入门级岗位上学到的不仅是技术技能，更是”隐性知识”（tacit knowledge）——行业的潜规则、客户的未言明需求、组织内部的运作逻辑、如何在压力下做出判断。这些知识无法被编码、无法被写入培训手册、更无法被AI模型学习。它们只能通过”师徒制”式的在岗传承来传递。

第3环：入门级岗位是职业阶梯的第1级台阶。 没有初级分析师，就不会有3年后的高级分析师；没有高级分析师，就不会有5年后的项目经理；没有项目经理，就不会有10年后的合伙人。当你拆掉阶梯的第1级台阶时，你实际上是在破坏整个晋升通道。

第4环：人才管线的枯竭。 当企业持续减少入门级招聘5-10年后，它们将面临一个严峻的问题：中层管理者从哪里来？高级专业人才从哪里来？未来的领导者从哪里来？如果答案是”从外部市场招聘”，那么当所有企业都在减少入门级招聘时，外部市场上同样不会有足够的中高级人才供应。

这是一个典型的”公地悲剧”：每家企业单独做出”用AI替代入门级岗位以削减成本”的决策在短期内都是理性的，但当所有企业都这样做时，整个行业的人才生态系统将面临崩溃。

知识传承的断裂

HBR的分析触及了一个更深层的问题：组织知识的传承。

现代企业的核心竞争力很大程度上依赖于”组织记忆”——那些存在于员工头脑中、嵌入在工作流程中、体现在组织文化里的隐性知识。这种知识的传承方式是”代际传递”：资深员工通过日常工作中的指导、反馈和示范，将知识传递给初级员工。

当入门级岗位消失时，这个传递链条就断了。资深员工的知识没有了接收者。更危险的是，当资深员工退休或离职时，他们的知识将随之消失，而不是被传递给下一代。

有人可能会说：”这些知识可以被AI系统捕获和存储啊。”但这是对”隐性知识”本质的误解。隐性知识之所以是”隐性”的，正是因为它无法被轻易编码和形式化。一个资深律师判断某个合同条款是否有风险的直觉、一个高级咨询顾问感知客户真实需求的能力、一个经验丰富的工程师预判系统故障的第6感——这些都不是可以被写入知识库或训练进AI模型的东西。

短期收益vs长期成本

让我做一个粗略的成本-收益分析。

短期收益（用AI替代入门级岗位）：

  • 节省初级员工的薪资和福利成本
  • 减少招聘、培训和管理初级员工的时间和资源
  • AI系统可以24/7工作，不需要假期、不会犯低级错误（至少在结构化任务上）
  • 输出质量更加一致和可预测

长期成本（5-10年后显现）：

  • 中层人才管线枯竭，被迫高价从外部市场招聘
  • 组织隐性知识流失，核心竞争力被侵蚀
  • 创新能力下降——很多突破性创新来自初级员工的”新鲜视角”和”天真提问”
  • 组织文化断层——没有新鲜血液的注入，组织容易僵化
  • 行业整体人才供给下降，推高所有层级的人力成本

问题在于，短期收益是确定的、可量化的、立即可见的；而长期成本是不确定的、难以量化的、延迟显现的。在季度财报驱动的企业决策框架下，几乎没有CEO会为了10年后的人才管线问题而放弃今天的成本节约。

这就是为什么这个问题不能仅靠市场力量解决——它需要更高层面的干预。

第5章：两个对立视角的碰撞——以及我的判断

乐观派的论点

有一种观点认为，入门级岗位的消失并不值得恐慌，因为历史上每一次重大技术变革都曾引发类似的担忧，而最终新技术总是创造了比它消灭的更多的工作岗位。

这种观点的逻辑是：AI会消灭一些旧的入门级岗位，但同时会创造新的入门级岗位——比如AI训练师、prompt engineer、AI审核员、AI伦理合规专员等。年轻人需要做的不是哀叹旧岗位的消失，而是积极拥抱新岗位的出现。

此外，乐观派还会指出，AI工具实际上降低了很多领域的进入门槛。一个没有编程经验的人现在可以用AI编码助手构建应用程序；一个没有设计背景的人可以用AI生成专业级的视觉内容。从这个角度看，AI是在赋能年轻人，而非排斥他们。

悲观派（也是现实派）的论点

但Yale CELI的研究和HBR的分析指向了一个乐观派忽视的关键问题：即使AI创造了新的入门级岗位，这些新岗位的”入门”门槛也远高于它们替代的旧岗位。

“AI训练师”需要理解机器学习的基本原理；”prompt engineer”需要深入理解语言模型的工作机制；”AI审核员”需要具备领域专业知识才能判断AI输出的质量。这些都不是真正意义上的”入门级”——它们要求的知识和技能基础远超传统的初级岗位。

更根本的问题是：传统入门级岗位的核心价值不在于它们产出了什么，而在于它们培养了什么。一个初级分析师制作的PPT可能质量平庸，但制作这份PPT的过程让他学会了如何组织信息、如何呈现论点、如何理解客户需求。当AI接管了PPT的制作，这个学习过程就消失了。

你不能用”AI创造了新岗位”来回应”AI消灭了学习机会”。这是两个不同维度的问题。

我的判断

我的立场是明确的：乐观派在长期趋势上可能是对的（AI最终会创造新的就业形态），但在过渡期的时间尺度和社会成本上严重低估了风险。

关键问题不是”AI最终会不会创造新的入门级岗位”——它大概率会。问题是：在旧的入门级岗位消失和新的入门级岗位成熟之间，存在一个可能长达5-15年的”真空期”。 在这个真空期中，整整一代（甚至两代）年轻人将面临职业起步的严重困难。

这不是一个可以被”市场最终会自我调节”这种抽象论述轻松打发的问题。5-15年的职业真空期意味着数千万年轻人的人生轨迹被永久改变。即使市场最终找到了新的均衡，这些人失去的时间和机会也无法被追回。

而且，与历史上的技术变革不同，AI的冲击速度远快于以往。工业革命用了几十年时间逐步改变劳动力市场，给社会留出了调整的时间。但AI对入门级岗位的冲击正在以年为单位展开——CNBC报道的”1年翻1倍”的AI技能要求增速就是明证。当变化的速度超过了社会适应的速度时，”市场最终会调节”这个命题即使为真，也无法阻止过渡期的巨大社会成本。

第6章：那些”大多数人没看到”的东西

洞察1：AI正在制造一个”隐形失业”阶层

传统的失业统计捕捉的是”曾经有工作、现在没有工作”的人。但AI正在制造一个全新的群体：从未获得第一份专业工作的人。 这些人不会出现在失业统计中（因为他们从未被雇佣过），不会出现在裁员公告中，不会成为新闻头条。他们只是安静地消失在统计数据的缝隙中。

他们可能在做零工经济的工作，可能在继续读研究生（不是因为热爱学术，而是因为找不到工作），可能在家啃老，可能在做与专业完全无关的低技能工作。但他们的共同特征是：他们的人力资本正在贬值，他们与专业劳动力市场的距离在每一天都变得更远。

这是一个”隐形”的危机，因为现有的统计框架根本没有为它设计过。我们有失业率，但没有”从未就业率”；我们有裁员数据，但没有”岗位未创造数据”；我们有技能缺口分析，但没有”技能获取途径消失分析”。

洞察2：企业的”AI washing”和”真实AI替代”可能同时存在

Yale Budget Lab发现企业存在”AI washing”现象——夸大AI的应用程度。但这并不意味着AI对入门级岗位的冲击也是被夸大的。事实上，这两个现象可能同时存在，且并不矛盾。

一家企业可能在对投资者夸大AI对其整体业务的变革性影响（AI washing），同时在实际操作中悄悄地用AI工具替代了一些初级岗位的功能。前者是面向资本市场的叙事策略，后者是面向运营效率的实际决策。它们发生在不同的层面，服务于不同的目的。

这意味着，即使我们对企业高管关于AI的宏大叙事保持怀疑，也不应该因此低估AI在微观层面——特别是在入门级岗位层面——的真实影响。

洞察3：这是一个代际公平问题，不仅是一个劳动力市场问题

AI对入门级岗位的冲击，本质上是一个代际财富和机会的再分配问题。

受益者是谁？是已经在职场中建立了地位、积累了经验和人脉的中高级专业人士。AI增强了他们的生产力，使他们能够用更少的初级支持完成更多的工作，从而获得更高的报酬。

受损者是谁？是尚未进入职场的年轻人。他们面临的不是”被AI取代”，而是”被AI排斥在门外”。

这种代际不平等的加剧有深远的社会和政治后果。当一代年轻人感到自己被系统性地排除在经济机会之外时，社会凝聚力和政治稳定性都将面临严峻考验。我们已经在过去10年中看到了经济不平等如何催生民粹主义和社会撕裂。AI对入门级岗位的冲击，如果不被妥善应对，可能成为下一波社会动荡的催化剂。

洞察4：教育体系面临的不是”改革”而是”范式转换”

当前的教育体系——特别是高等教育——的基本假设是：学生在学校学习知识和技能，然后进入职场应用这些知识和技能。入门级岗位是这个”学校-职场”管道的出口端。

当入门级岗位消失或被根本性重塑时，这个管道的出口被堵住了。仅仅在课程中增加一些AI相关内容是远远不够的。需要重新思考的是教育的根本目的和模式：

  • 如果传统的入门级岗位不再是学习行业知识的主要途径，那么这种学习应该在哪里发生？
  • 如果AI可以完成大部分结构化的初级工作，那么人类应该被培养什么样的能力？
  • 如果技能的半衰期从10年缩短到2年，教育模式应该如何从”前置式”转变为”持续式”？

这些问题没有简单的答案，但它们必须被提出和讨论。

结语：重新定义劳动力危机

让我们回到开头的那个矛盾。

Yale Budget Lab说：AI没有造成大规模失业。这是事实。 Yale CELI说：AI正在消灭通往第一份工作的路径。这也是事实。

这两个事实之间的张力，定义了AI时代劳动力危机的真正本质。

AI时代的核心劳动力问题不是”谁会失业”，而是”谁永远无法开始职业生涯”。 不是”谁被踢出了游戏”，而是”谁从未被允许上场”。

这个问题的解决需要多方协作：

企业需要重新思考入门级岗位的功能定位。入门级岗位的价值不应该仅仅用其直接产出来衡量——它们是人才培养的投资，是组织知识传承的载体，是创新的源泉。即使AI可以完成初级工作的执行层面，企业仍然需要设计新的”学习型岗位”来确保人才管线的持续供给。这可能意味着创造”AI协作型”入门级角色——不是让初级员工做AI做的事，而是让他们做AI不能做的事：理解上下文、建立人际关系、进行创造性思考、在模糊情境中做出判断。

教育机构需要从根本上重构培养模式。这不仅仅是在课程中增加AI内容的问题，而是需要重新设计教育与职业之间的衔接机制。实习项目、学徒制、项目制学习、企业-学校联合培养等模式需要被大幅扩展和创新。教育的重心需要从”传授知识”转向”培养在AI时代仍然不可替代的能力”——批判性思维、复杂问题解决、人际沟通、伦理判断、创造力。

政策制定者需要更新他们的劳动力统计框架和政策工具箱。现有的失业统计、就业保护法规和劳动力培训项目都是为”失业”问题设计的，而不是为”从未就业”问题设计的。我们需要新的指标来衡量入门级岗位的供给变化、新的政策工具来激励企业维持人才培养投入、新的社会安全网来支持处于”职业起步真空期”的年轻人。

年轻人自己也需要调整预期和策略。等待传统入门级岗位”回来”是不现实的。主动寻找AI技能的学习途径、通过个人项目和开源贡献积累可展示的能力、利用AI工具本身来加速学习——这些都是在新现实中必须采取的行动。

但我要明确表达我的立场：将这个问题的责任推给年轻人是不公平的，也是无效的。 当系统性的结构变化正在消除一代人的职业起点时，告诉他们”你需要更努力地适应”是一种推卸责任。这是一个需要系统性解决方案的系统性问题。

Yale CELI的研究给了我们一个及时的警醒。AI对劳动力市场的最大威胁不在于它将取代多少现有工作——那个数字可能确实没有恐慌者预测的那么大。它的最大威胁在于它正在悄无声息地拆掉一代人的职业阶梯，而我们现有的统计工具、政策框架和公众讨论都还没有准备好应对这个挑战。

梯子正在被拆除。问题是：我们是选择在它完全消失之前建造新的通道，还是等到一代人已经被困在底层之后才开始行动？

答案应该是不言自明的。但在季度财报驱动的企业决策和选举周期驱动的政策制定中，”不言自明”的事情往往是最后才被做的事情。

时间不在我们这边。

参考资料

  1. AI won’t kill your job — it will kill the path to your first one — Fortune, 2026-04-29
  2. Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence — Stanford Digital Economy Lab
  3. Entry-level jobs calling for AI skills nearly doubled from a year ago — CNBC, 2026-04-29
  4. Yale economists see no evidence of AI displacing jobs, raising concerns of employers ‘AI washing’ — Fortune, 2026-02-02
  5. The View From the Trenches: Why Economic Data Misses the Real AI Threat — Techstrong AI
  6. The Perils of Using AI to Replace Entry-Level Jobs — Harvard Business Review, 2025-09

主题分类：劳动力变革