AI让年轻人更难进入职场？

关于路透社《Econ World》访谈深度编译，头图来自：AI生成

一个刚毕业的年轻人，可能正在经历另一种求职处境：他熟悉AI工具，愿意从基础工作做起，也能够接受比资深员工更低的薪水。按照过去的逻辑，这本该是企业愿意培养的新人。但如今，一部分过去交给初级员工的工作——简单代码、技术文档、常规客户咨询正逐渐能够由AI完成。与此同时，真正熟悉业务、能处理复杂问题的资深员工，却可能因为AI变得更高效。

这不是一个关于”AI已经消灭了多少工作”的简单故事。10月7日，路透社经济播客《Reuters Econ World》邀请美国薪酬服务公司ADP首席经济学家Nela Richardson讨论AI与就业。Richardson长期研究美国劳动力市场、工资与宏观经济变化。她所在的ADP掌握企业薪酬记录，并与斯坦福大学研究人员合作，按职业的AI暴露程度及员工所处的职业阶段分析就业变化。相比预测未来会有多少人失业，她更在意一件事：眼下，究竟哪些具体工作已经受到影响。

她关注的不是某一种职业会不会突然消失，而是一个更细微的变化：当企业开始把入门级任务交给AI，年轻人还能否获得积累经验的机会？这个问题不仅关系到毕业生找工作，也关系到企业几年后能否找到真正熟悉业务的人。

先受冲击的，是刚进入职场的人

Richardson说，观察AI对就业的影响，与其拿望远镜看整个经济，不如拿显微镜看具体任务。宏观生产率数据尚未清晰反映AI的影响，但不同职业、不同年龄阶段的就业变化已经出现差异。她在节目中引用ADP的8月数据：年轻员工在AI暴露程度较高的职业中，就业人数同比下降4.4%；在AI暴露程度较低的职业中，同比下降2%。两者相差2.4个百分点。软件开发和客服属于前一类；家庭护理、护理助理等职业则相对不易受到AI直接影响。

这个差距不能直接理解为”AI造成了4.4%的失业”。年轻人本来就更容易受到经济周期、企业招聘收缩的冲击，研究中的就业变化也不等于已确认的因果效应。但让Richardson意外的，是另一种分化：在职业生涯后期的劳动者中，AI目前似乎更多发挥辅助作用，甚至可能支持就业。

她回忆，几年前自己曾经以为，AI会让企业优先淘汰工资较高的资深员工，转而雇用薪水较低、又能借助先进工具完成工作的年轻人。但现实并没有简单地朝这个方向发展。她的解释是，AI似乎正在强化知识与经验的价值。容易自动化的工作，往往是不需要太多判断和经验的任务，而这恰好也是许多新人刚入职时最常做的事。

这并不意味着AI只会伤害新人。Richardson也提到，斯坦福的另一项客服研究发现，AI工具可以帮助原本绩效较低的客服人员提高表现。ADP在数字岗位工资数据中还观察到，机器学习和AI相关的专业岗位相对其他数字岗位具有明显的薪酬溢价。相同的技术，一方面能接管部分常规任务，另一方面也能增强人的工作能力。它对谁有利，取决于具体任务、专业水平和职业阶段。

图1｜22—25岁年轻员工在不同AI暴露职业中的就业同比变化。来源：ADP/斯坦福Canaries Dashboard，2026年8月；嘉宾访谈。

另一项斯坦福数字经济实验室的研究进一步补充了这个现象：截至2026年6月，在AI高度暴露职业工作的22—25岁员工，就业水平相对于同龄、低AI暴露职业的比较趋势，已经形成约19%的缺口；2025年7月版本对应的缺口为15%。这里的19%是相对趋势缺口，不是失业率，也不是说19%的年轻人被AI裁掉。研究团队指出，变化主要体现在年轻人被招聘的机会减少，而非现有员工离职率突然升高。

图2｜年轻员工相对就业缺口扩大。来源：Stanford Digital Economy Lab，《Canaries in the Coal Mine?》2026年8月修订版。

“招聘变少”和”裁员变多”，对刚毕业的人是两种完全不同的困境。后者至少会留下清晰的裁员事件；前者则可能表现为岗位没有开放、校招名额缩减、招聘要求悄悄提高。对求职者来说，感受到的是投出去的简历越来越难换来一次面试；对宏观统计来说，这种变化却未必立即表现为失业率的大幅上升。

AI正在拆解工作，而不是整齐地淘汰一批职业

Richardson认为，未来衡量AI影响时，值得关注的不只是消失了多少岗位，还有多少任务被重新分配。一个软件开发者仍然叫软件开发者，但他日常承担的工作可能已经发生变化。她在访谈中把IT工作中的开发、设计、创造视为相对高价值的任务，把解释、文档、诊断等列为相对低价值的任务，并认为AI普及将推动工作进一步拆分。

这也让”AI究竟会不会造成大规模失业”变得不容易回答。企业可以不裁掉一个岗位，却让这个岗位中的许多任务自动化；也可以保留员工，把他们从重复劳动中释放出来，转向更复杂的工作。

Richardson强调，目前尚不能从宏观生产率数据中清楚看到AI带来的整体跃升。技术仍处于转型阶段，而这一阶段会持续多久，还没有确定答案。

她并不否认企业可能借AI裁员，但认为单纯以裁员兑现效率收益是短视的：缩减人员可能让一个季度的业绩好看，之后企业仍要面对团队信任、知识积累和下一阶段增长的问题。长期生产率的提高，不仅取决于技术，也取决于企业是否继续投资于人。

她举了一个历史例子：上世纪70年代末至80年代初，大批缺乏经验的婴儿潮一代进入美国劳动力市场；到了互联网繁荣时期，这批人已积累数十年工作经验，知道如何把新技术用于真实业务。她认为，AI时代同样需要这样的经验积累，只是社会已经没有30年时间等待。企业必须同时帮助年轻员工与年长员工学习、适应AI。

这种任务层面的变化，也解释了为什么”会使用AI”并不能自动保证一个人更有竞争力。对于已经懂得业务流程、质量标准和客户需求的资深员工，AI可以缩短执行时间；对于尚未形成专业判断的新人，AI虽然也能帮助完成任务，却未必能让他立即拥有独立负责复杂项目的能力。两者之间的差别，不在于是否能输入提示词，而在于能否辨别输出何时可靠、何时必须重新核查。

Richardson在访谈中没有把这种分化说成永久规律。她同样谈到AI提高低绩效客服员工表现的研究，提醒我们：AI既可能自动化工作，也可能帮助人更快学会工作。对年轻人而言，关键不是简单抵制工具，而是能否在使用工具时仍然得到反馈、训练与真实责任。

企业省下了培训成本，未来的资深员工从哪里来？

AI时代，涨薪的不只有程序员

这里存在一种容易被忽略的企业激励问题。培养新人需要时间，资深员工要指导、纠错、承担短期效率损失；但当AI已经能完成一部分基础任务，企业就有动力先减少入门岗位，把工作集中交给少数熟练员工。单家公司这样做可能很理性。如果许多公司都这样做，整个行业却可能逐渐缺少能够接班的中坚人才。

这不是访谈已经证明的结论，而是根据Richardson关于经验与人力资本的论述提出的延伸问题。它也存在另一种可能：AI成为低成本的学习助手，使年轻人更早参与复杂任务，缩短从新人到熟练员工的周期。决定结果的不是模型本身，而是企业是否设计了导师制度、轮岗实践、任务复盘和真实的晋升通道。

从这个角度看，AI时代真正稀缺的未必是”不会被自动化的岗位”，而是把知识变成判断的训练过程。一个初级程序员可以用AI写出一段代码，却仍要理解系统为什么会出故障；一个年轻编辑可以让AI整理数十份材料，却仍要核对原始出处、识别被忽略的事实。若这些训练环节被一并省略，短期看似提高了产出，长期却可能削弱组织积累专业能力的机制。

工资的另一面：数据中心工人为何更抢手

访谈谈到工资时，出现了另一个容易被忽略的群体：建设数据中心和电力设施的技术工人。Richardson说，AI基础设施建设带动了建筑、制造和相关供应链的需求，而熟练工人退休、劳动力供给受限，又让部分岗位更加紧缺。根据她引用的ADP薪酬数据，美国建筑业换岗员工的工资涨幅接近14%。这指的是换工作带来的薪酬溢价，而非整个建筑行业平均工资上涨14%。

Richardson甚至认为，就当前美国劳动力市场而言，人口老龄化的冲击比AI更大。退休潮正在改变劳动力供给，也推高医疗护理需求。她在访谈中概括，过去几年美国净新增岗位中，约四分之三来自医疗保健领域；另一面是收入差距。Richardson援引ADP与芝加哥大学合作研究指出，2021年至2024年间，43%的劳动者实际工资下降，这部分人的平均降幅为8%。

通胀虽然有所回落，生活成本却没有随之回到过去的水平。在她所描述的”低招聘、低裁员”市场里，劳动者也更难通过跳槽获得加薪。如果AI收益更多落在高技能、资深员工身上，原有的收入差距就可能进一步扩大。不过，她反复提醒，不能把这些问题全部归咎于AI：通胀、人口变化与招聘周期同样重要。

这种分化还提醒我们，不要把AI就业问题简单理解成”白领被取代、蓝领变吃香”。建筑业换岗工资涨幅接近14%，反映的是特定时期需求旺盛与熟练工人供给紧张的叠加效应；它不能被写成所有蓝领的工资都上涨14%，更不能直接套用到中国。真正值得观察的是，AI产业链除了模型研发，还需要电工、设备维护、供电系统、冷却设施、建筑工程等大量具体劳动。技术革命的收益往往沿着整条供应链分配，而不是只落在编写算法的人身上。

当工作机会减少，AI收益会流向谁？

面对年轻人的就业压力，Richardson给出的建议也并非”多学几个AI工具”那么简单。她鼓励年轻人主动联系行业从业者，开展职业信息访谈，从别人的经验中理解行业、建立关系并寻找专业方向；企业则应该找到真正创造价值的业务环节，围绕这些环节培养员工。她说，不存在永远稳定的工作，但可以努力建立更持久的技能。

高通胀之后，部分劳动者的实际购买力尚未恢复，企业又进入低招聘、低裁员状态。即使某些AI技能带来更高工资，缺少跳槽和转岗机会的人，也可能难以分享这些收益。与其笼统讨论AI会不会扩大不平等，更值得追踪的是三组差距：入门岗位与资深岗位的招聘差距，AI专业人才与一般数字岗位的工资差距，以及技术企业内部效率收益与普通劳动者收入增长之间的差距。

我们最值得继续追问的，或许不是哪一种职业会先消失，而是年轻人获得经验的路径会不会变窄？一个刚入行的程序员，往往从修改Bug、维护文档和处理简单需求开始；一个年轻编辑，也常常先做资料整理、核对数据、翻译报道。这些工作本身未必复杂，却让人逐渐理解真实业务：为什么一个看似正确的答案会出错，为什么客户的要求与实际问题不同，为什么同一条新闻有的值得追、有的不值得。

如果AI越来越擅长完成这些入门任务，企业短期内可能更少需要新人。但经验丰富的人不是凭空出现的。今天最受欢迎的高级工程师、资深编辑、项目负责人，也都曾经是从基础工作中摸索的年轻人。企业可以通过减少招聘节省成本，却不能因此假定未来始终有足够的资深人才可供选择。

当然，不能据此断言AI一定会切断年轻人的成长路径。AI也可能成为更好的学习助手，让新人更快接触复杂任务。真正的问题在于：企业是否愿意把节省下来的时间和成本投入培养，而不只是减少人手。如果只是让资深员工带着AI完成更多工作，新人的机会可能缩小；如果让新人借助AI参与更有挑战的项目，技术也可能加快他们的成长。

这也是为什么Richardson反复谈到人力资本投资。技术带来的效率并不自动转化为所有人的收入增长，更不会自动创造公平的入行机会。对普通职场人来说，学习使用AI当然重要，但能否理解一个行业、识别错误、与人协作并对结果负责，仍然需要真实工作的磨炼。

今天我们习惯追问，AI会不会替代老员工。但另一个问题可能更迫切：如果所有企业都想招聘有经验的人，却越来越不愿意培养没有经验的人，那么下一代资深员工究竟从哪里来？

对于一个还没有第一份正式工作的毕业生而言，”不断提升技能”听起来有些抽象。他真正需要的，可能是有人愿意让他参与真实项目，在犯错后告诉他错在哪里，并逐渐把更重要的任务交到他手里。AI能够降低完成任务的成本，却不会自动替社会建立这种学习与信任关系。

原始访谈：Reuters Econ World, “AI at Work”, 2026-10-07；嘉宾Nela Richardson，ADP首席经济学家