人工智能时代构建专业能力：下一代由谁培养？

人员与组织绩效实践人工智能时代构建专业能 力：下一代由谁培养？ 随着人工智能重塑入门级工作，组织应重新思考如何培养专业能力，将知识管理、角色设计、学习以及辅导整合为一个统一系统。 由布莱恩·汉考克与夏洛特·赛勒合著 几十年来，组织一直依靠初级人才承担那些支持业务且风险较低的常规工作，并将他们视为未来领导者的培养基地。想想《广告狂人》中佩吉·奥尔森的经历，从新手助理到唐·德雷珀的得意门生，再到广告公司的自信文案主管——她的晋升之路始于常规工作让她身处评判得以实践、自身能力得以被注意的场所。 现实生活中，自动化和人工智能的进步正在改变入门级工作的构成。研究、文档编写、数据清理、基础编程和初步分析等任务正被简化或吸收到人工智能系统中。这些正是年轻员工传统上通过这些活动建立直觉、培养判断力并赢得承担更多任务权利的方式。 与此同时，人们日益担忧人工智能对就业的影响。在麦肯锡和LeanIn.Org发布的2025年职场女性报告中，入门级工人，尤其是女性，表示所有年龄段中他们对人工智能的使用将如何影响其工作感到最为担忧。这种焦虑具有普遍性：在即将毕业的学生中，对开启职业生涯的悲观情绪在短短两年内从46%上升到62%，而四分之三的悲观者将企业减少入门级工人招聘的原因归咎于此。 入门级招聘的前景仍在演变，但早期迹象表明市场正在收紧。自2019年以来，美国近期大学毕业生的失业率有所上升，而入门级职位的数量正在下降，尤其是在与人工智能相关的职业中。截至2026年第一季度，近期大学毕业生的失业率约为5.7%，大约四分之一的人处于就业不足状态——从事的工作通常不需要学位。2 斯坦福数字经济实验室的研究发现，22至25岁的工人中，“在最受人工智能影响的职业中，即使控制了公司层面的冲击，就业率也相对下降了16%”。3 这种软化有多少应归因于人工智能，这仍然是一个真正有争议的问题：纽约联邦储备银行的经济学家估计，远程工作的兴起——这使得在远程培训新员工更加困难——解释了年轻毕业生失业率上升的大部分原因，而耶鲁大学预算实验室发现，尽管它指出了年轻毕业生和年长毕业生之间日益扩大的差距与早期职业效应一致，但目前还没有发现明确的经济范围内的AI特征。 无论学徒渠道是被算法侵蚀还是被距离削弱，对雇主而言意味着同样的事情：曾经将新手培养成专家的非正式机制已不能再被视为理所当然。这些转变恰逢职业生涯初期的性质正在被重新定义，指明了传统入口渠道正日益狭窄。 对于组织而言，这是一个充满不确定性和选择时刻。随着人工智能重塑工作方式，问题已不再是雇佣多少入门级职位，而是这些职位旨在完成什么。企业可以利用这一转型，将入门级工作重新思考为在人工智能赋能环境下构建专业知识的基石——使初级员工具备设计、 要开发、引导人工智能系统，而不仅仅是使用它们。 本文概述了一种涵盖知识管理、角色设计、工作流程中的学习以及管理辅导的四部分方法。能够审慎行动的组织可以加速员工判断力的建立以及承担更高价值的问题解决，从而强化个人体验和长期绩效。 总会有一条管道。 初级员工为组织带来新视角和富有创造性的问题解决方法，推动增长与创新。他们是经验更丰富的导师的学徒，建立着强化了文化、惠及所有人的关系。他们将成为中级管理人员和高级领导者，从而在未来持续为人才库注入活力。 如何培养下一批人才的问题并非新话题。然而，随着人工智能应用同时渗透到各个知识工作层面，这个问题正日益加剧。微软两位高级工程领导马克·拉森诺维奇和斯科特·汉塞尔曼直白地描述了这一动态：智能编码助手为资深工程师提供了“AI助力”，提升了他们的产出效率，却给缺乏判断力来引导和验证AI输出的初级开发者带来了“AI阻力”。由此产生的激励措施——聘用资深员工，自动化初级员工——正悄然瓦解了支撑所有资深职位的人才金字塔的底层。他们的建议因其坦率而引人注目：继续聘用初级员工，接受他们最初会降低产能的现实，并将他们的成长明确为组织的明确目标。 麦肯锡调查数据显示，生成式人工智能的使用正开始影响某些组织中入门级职位的需求（图1）。 图1 尽管那是一种值得关注的趋势，但我们与之交谈的领导者们致力于招聘和培训下一代专家，即使他们的数量比以往有所减少。而且，一些机构正在保持其人员规模稳定。例如，美国银行将在2026年招收近4000名暑期实习生和全职校园招聘人员——与去年从涵盖超过500所学校的的人才库中招聘的规模相当——同时从一开始就明确围绕人工智能重新设计这些职位。其首席人力资源官称这种方法“具有目的性和长期性”。 2026年3月的一项针对约1500名高管和高级人才领导者的调查中，预计人工智能将增加2026年入门级招聘人数的人，几乎是预计其减少招聘人数的人的三倍——尽管这项调查也发出了一项警告，其中三分之一的企业家报告称，人工智能已经减少了初级员工学习基础技能和构建技能的任务。 组织希望雇佣那些具备初步解读人工智能生成深度数据的能力，并能与代理人协同工作的人才。为制定指导这些员工的策略，领导者可以关注四个方面。 基础：知识管理 组织必须利用其最佳知识来开发人工智能工作流程。如果它们不知道如何整合当前的专长来创建高质量数据，就很难培养下一批专家。目标是将专长变得可用、可靠，并嵌入日常工作中。 编码化专业知识能够捕捉顶尖表现者思考的方式——他们的框架、决策规则、假设和过去的判断——并将这些知识结构化，以便大型语言模型（LLMs）能够访问。这包括干净的数据、经过策划的案例材料以及标准化的分类体系。 例如，考虑一家律师事务所里一名初级律师正在处理一份并购合同。与其简单地在数千份过往交易中进行搜索，一个人工智能赋能的系统可以根据交易特征找出最相关的先例，并突出显示顶尖合伙人在类似情况下使用的条款、权衡取舍和谈判模式。通过这种方式，它不仅加速了起草工作，还揭示了关键决策背后的逻辑——帮助这位初级律师在工作的同时建立判断力。 在确定哪些知识应被提升时，会面临类似的挑战。一家工程公司的一名三年员工可能清晰准确地记录一次客户互动。但一位资深领导者，凭借其在众多项目中积累的数十年经验，可能产出反映更广泛模式、权衡取舍和长期影响的分析。这两种输入都是有价值的，但并不等同。为了让知识管理在人工智能赋能的环境中有效，组织需要找到区分孤立经验和累积判断的方法。 这种区别应该在知识的策展（curation）和呈现（surfacing）方式中明确体现。系统可以 根据经验深度、结果可重复性以及跨场景的相关性等因素对输入进行权重评估。这确保了人工智能工具和初级员工不仅依据文档内容，更依据最能体现其核心专业能力的标准来获得指导。 其核心，现代知识管理通过专家验证、反馈循环和明确所有权等方式，对信息进行索引和优先排序，以反映专业知识的构建过程。该系统在使用中不断改进，捕捉新的见解，并优化“优质”的标准。这使得经验较少的员工能够更快地建立判断力，并在职业生涯早期承担更复杂的问题解决任务。 入门级角色设计：“标准答案”模式 随着人工智能（AI）和代理式工作流程承担越来越多的日常业务执行工作，入门级岗位可以围绕与AI驱动输出进行协作、监督和改进来重新设计。这为在保持长期人才储备的同时提升近期生产力创造了机会。 在人工智能赋能的环境下，目标已不再仅仅是任务熟练，而是判断：知道何时信任、质疑或覆盖机器生成的输出。当知识管理和角色设计健全时，初入职场的员工能更早地接触机构专长。限制因素变成了他们应用该知识于具体情境的能力。 正如马特·比恩在《技能密码》中所论，8种早期工人技能是通过学徒制这种结合了挑战、复杂性与对接专家思维的联系而发展的——而技术吸收了常规性工作后，这些条件往往会被削弱。 为避免这种脱节，入门级岗位可以包含一种更具目的性的学徒制形式，并将人工智能纳入其中。团队可以设立低风险贡献的岗位，同时嵌入频繁的指导，以教授员工如何解读和优化人工智能的输出。一些组织正在引入基于课程的岗位，员工通过完成定义好的、结合人类工作与人工智能辅助的任务来获得晋升。另一些组织则在创建并行的业务流程，入门级员工独立完成工作后，再将其与人工智能生成的结果进行比较，并将差距作为学习工具。 将此称为答案模型：员工首先尝试，AI 对尝试进行评分，然后员工与管理层坐下来讨论差异。在此模型中，AI 并非取代学徒制，而是重塑学徒制，在保留发展专业技能所需条件的同时，加速了反馈过程。 某房地产公司，一名AI代理生成了非常详尽的市场评估报告，其全面性超越了初级员工独立完成所能达到的水平。该公司并未仅依赖该工具，而是要求初级员工亲自“手动”建立自己的评估，包括实地走访社区、研究地理和交通模式，并形成独立的见解。随后，他们将自身的分析结果与AI生成的输出进行对比。这种对比通过凸显差距、揭示被忽略的因素，成为了一种结构化的学习工具。 并强化判断力。在此模式下，代理加速反馈并拓宽视野，而员工则继续发展支撑专业知识的情境理解和直觉。以这种方式使用，人工智能提升了入门级学习。 其他领域的研究证据表明，比较步骤才是教学的关键。在临床研究中，仅仅向医生提供大型语言模型（LLM）并未显著提升他们长期的诊断表现；而要求医生比较并协调他们自身的推理过程与AI模型的推理过程的工作流程，则将他们在未来情境中的表现提升到了仅由AI模型独立工作时所能达到的水平。9 反向结果同样具有启发性。当工人们使用通用人工智能（Gen AI）来执行他们自己无法完成的技术任务时，一旦失去对人工智能的访问权限，这种能力便立刻消失。并没有形成任何持久的技能。被动依赖能够产出结果；结构化的比较能够培养专家。需要提醒的是：那些需要这种认知参与的工作流程更难使用，并且可能让初学者感到不知所措，因此它们必须经过精心设计并控制使用量，而不是随意附加。10 为管理风险，许多组织正扩展沙盒环境，用于培养初入职场的人才。美国银行从实习第一天起就为实习生提供与其业务领域相关的AI培训，并利用模拟环境来压缩初级银行家曾通过日常工作积累的判断力培养过程。 我们必须快速以模拟的方式给人提供体验，”该行全球人才负责人Josh Bronstein表示，“这样他们就能获得本可以通过在前一两年完成一些任务来获得的判断力，而如今，或不久的将来，人工智能或其他技术就能完成这些任务。”11 这些员工可以在内部模拟或外部环境中进行练习，例如与非营利组织合作，然后再将这些技能应用于更高影响力的环境。随着初级员工开始配置或指挥能够快速做出规模化决策的人工智能代理，这一点变得越来越重要。 这意味着入门级职位越来越侧重于学习如何在人工智能辅助的系统中完成工作——培养作为数字劳动的贡献者和监督者而有效运作所需的判断力、监督能力和适应性。 与此同时，入门级职位的自身结构也在发生变化。一些组织不再将新员工局限于狭窄的、基于任务的专长领域，而是围绕端到端系统思维和更广泛的责任来重新设计职位。例如，公司可能不会招聘一个销售分析师，而是会招聘一个涵盖销售、营销和商业专长的更广泛的职位。由于通才具备针对特定问题或情境进行定制的工具，因此工作可以更多地围绕他们来设计。 别等了：在工作中学习 组织可以创建代理和学习系统，以扩展其深度知识并实时追踪技能发展。答案键模型甚至提供了衡量标准：员工独立尝试与AI模型输出之间的差距是可见的，而随着时间的推移逐渐缩小的差距是判断正在形成的直接证据——这是学徒制 纵观其全部历史，也从未能衡量。在这种背景下，“在工作中学习”的理念变得更加具体，因为初入职场的员工在学习的同时就能产出实际成果——人工智能系统充当嵌入式向导和审阅者。 随着企业重新设计工作流程以纳入AI代理，大部分常规执行工作都由系统处理。留给人类，包括初级员工，的是更高价值的工作：解读输出结果、进行权衡取舍，以及在跨情境中连接洞察。随着入门级员工在职业生涯早期就做出更高层次的贡献，生产力的性质也随之改变。为了实现这一点，持续的支持被融入工作本身。AI工具可以建议下一步行动、标记风险并提供即时反馈，而管理者则将辅导重点放在判断和决策上，而非任务的具体执行细节。