New jobs created by AI have raised the bar, and young people are losing the chance to gain experience in entry-level positions

[[**AI创造的新职业不断涌现，但普通劳动者进入这些新岗位的门槛不降反升；更严峻的是，AI正在替代初级岗位，让年轻人失去积累经验的练手机会，下一代专家的培养链条面临断裂风险。**

**要点**

**1. 新职业门槛高，普通劳动者难以转岗**

数字孪生、具身智能机器人应用等新岗位多要求算法、编程等技术背景；低门槛岗位如数据采集员，薪资和成长空间又有限，导致转岗者面临能力不足或收入落差的两难。

**2. AI正替代初级岗位，新人失去练手机会**

企业用“成熟员工+AI”即可完成过去需多人承担的基础工作，因此减少招聘新人。斯坦福研究显示，AI暴露程度高的职业中，22-25岁年轻人就业水平相对低暴露职业低约19%。

**3. 有经验者凭行业知识转型，年轻人困在“经验悖论”**

**4. 培养下一代专家的成本无人买单，行业面临人才断层**

企业难以从新人产出中收回培训投入，愈发不愿培养人才；实习、模拟实践等替代方案效果有限，若培训责任落到个人身上，职业机会将进一步向有资源的群体倾斜。2026-10-11 12:13AI创造的新工作，可能根本轮不到你防冷涂的蜡速览

本文来自微信公众号： 防冷涂的蜡书斋 ，作者：防冷涂的蜡

一个做了几年互联网运营的人，最近想换份工作。

打开招聘软件，发现AI相关岗位越来越多：智能体开发、AI系统应用、机器人训练，听起来个个前途光明。可点进去看，待遇不错的要求懂算法、会编程、有项目经验；门槛低一些的，工资又可能比原来少一大截。

有意思的是，求职者还在为下一份工作犯愁，新职业的名单却越来越长。最近，又有一批听起来颇具未来感的职业进入了公众视野。

9月9日，人力资源社会保障部等部门公布11个新职业、23个新工种，其中5个属于数字职业，包括数字孪生工程技术人员、具身智能机器人应用技术员，智能体开发员也进入新增工种名单。职业名称越来越有科技感，普通人连“数字孪生”都没弄明白，就开始担心自己会不会被它淘汰。

按照过去两百多年的经验，技术进步淘汰旧工作，也会创造新工作。蒸汽机带来了工厂，计算机催生了程序员和网络工程师。可对刚失业的运营、做了十几年财务的人，或者正在找工作的毕业生来说，职业目录里多出一个“智能体开发员”，并不意味着明天就能领到新工牌。新工作出现以后，原来岗位上的普通人究竟怎么进去？

过去两百年，机器怎么帮普通人找工作的？

1、机器降低了入职门槛：先进入工厂，再学习技能

18世纪的英国，纺织是一门需要长期学徒训练的手艺，生产效率取决于织工的经验。珍妮纺纱机、动力织布机出现后，生产逐渐向工厂集中。机器接管复杂动作，工厂雇人看管设备、处理原料。没有纺织经验的农村劳动者，未必懂机器的结构，却可以经过训练胜任其中一道工序。

第二次工业革命把这种分工推得更远。1913年，福特开始采用移动装配流水线，汽车制造被拆成标准工序，原本需要熟练工匠完成的装配工作交给不同工位。工人只需熟悉一部分操作，就能参与制造汽车。一个刚进城的人可能还没坐过汽车，却已能在汽车厂上班。流水线把工艺经验固定在流程里，降低了新工人的入职要求。

机器越来越先进，某些岗位对个人手艺的要求反而越来越低。改革开放后的中国也经历过类似过程，制造业通过岗位培训和标准化管理，吸收了大量缺乏工业经验的农村劳动力。工业化提供了第一条职业通道：机器降低了入职门槛，普通人可以先上班，再学习技能。

2、教育加上初级岗位：从新人逐渐成为专家

随着电气化和现代企业发展，维修设备、设计电路等工作开始要求系统知识。学校教育因此承担起更重要的角色。戈尔丁和卡茨的经济史研究发现，美国年轻人的高中毕业比例从1910年的约9%，升至1940年的51%。更多普通家庭的孩子先获得基础知识，再进入技术和管理岗位。

计算机革命发展了这种成长方式。程序员毕业后从写简单代码、修复Bug做起，逐渐理解系统为什么会出错，哪些修改可能引发连锁问题。财务人员从核对凭证到判断经营风险，律师从检索案例到处理复杂争议，也有类似的成长路径。

这些初级工作没多少光环。程序员花半天找一个低级错误，审计人员反复核对数字，当时觉得自己像个工具人，过几年才发现，专业判断就是在具体问题里慢慢长出来的。新人接触真实业务，资深员工负责纠正，工作本身也在承担培训功能。新人同时为企业创造价值，企业才愿意持续招聘。

知识经济提供了第二条职业通道：通过教育进入专业领域，再通过初级工作积累经验，逐渐成为专家。工业时代允许许多人先就业后学习；知识经济则建立了从学校、初级岗位到高级岗位的阶梯。新技术能创造多少岗位固然重要，普通人能否找到入口同样重要。

1、新职业增加了，进入新职业的门槛却未必降低

数字孪生工程、具身智能机器人应用、AI系统部署等岗位，往往需要技术知识或行业经验。让一个工作十年的行政人员短期内变成算法工程师，难度大概不亚于让普通司机转行设计发动机。职业目录可以更新，能力却没法一键升级。

AI也创造了容易进入的岗位。9月，河南一家企业在高校就业平台招聘80名机器人数据采集员和20名审核员。采集员穿戴动作捕捉设备，操作机械臂完成动作并录制数据，招聘信息显示培训两天即可试岗，综合月薪3500—6000元。

过去师傅带徒弟，如今人类给机器人当师傅。但数据采集与高级AI开发的收入和成长空间不同。对原本有稳定收入的知识工作者来说，转去教机器人抓东西，未必是理想的职业升级。

麦肯锡全球研究院9月发布的报告预计，到2035年，美国约1100万劳动者可能需要转换职业，其中约14%拥有技能差距较小、无需明显降薪的直接转岗路径。熟悉传统办公流程的人，想进入AI技术岗位必须补上知识与项目经验；转向低门槛岗位，又可能接受收入落差。AI创造了新职业，却未必同时创造了普通人进入这些职业的条件。

2、AI接手基础工作，新人可能失去练手的机会

以程序员为例。成熟工程师能迅速定位故障，知道怎样修改才不会影响其他系统；新人则要逐行读代码、反复调试，可能为了小错误折腾半天。企业为这种低效率支付工资，也在培养未来的工程师。

AI编程助手能生成代码、定位错误、编写测试。新人提出需求、检查结果，就能完成过去需要几个小时的任务。但从检查日志、提出假设到验证原因，原本帮助他理解问题的过程，可能被直接跳过。代码能运行，他却未必说得清为什么有效。慕尼黑工业大学2026年一项涉及275名编程学生的实验发现，使用AI的学生练习成绩更好，知识掌握却没有同步提高。借助AI做出专业成果，与自己真正获得专业能力，开始出现距离。

企业对初级岗位的需求也可能随之变化。斯坦福大学数字经济实验室今年8月更新的研究，根据美国ADP薪酬数据发现，在AI暴露程度较高的职业中，22—25岁员工的就业水平，相对低暴露职业同龄人的增长轨迹低约19%，差距主要表现为年轻员工招聘减少。

这种替代可能非常安静。公司原本计划招五名程序员，发现现有员工使用AI就能完成新增项目，于是只招两人；一个运营离职，剩下的人用AI分担工作，编制也不再补充。没有裁员公告，也没有人收拾工位。过去机器抢走你的工作，好歹还可能有一封裁员通知；现在AI让企业取消招聘，你连自己原本有机会入职都不知道。

3、“成熟员工+AI”，为什么对企业越来越划算？

10月8日，路透社报道，AT&T把过去交给外部律所初级律师的文件审查、法律检索等工作，交给内部一个38人的LegalEdge团队配合AI完成。外部律师的计费工时随之减少，AT&T希望律所更多提供复杂案件的策略和专业判断。

对AT&T来说，过去需要按小时付费的基础工作，如今可以在内部处理。律所失去的却不只有工时。过去初级律师通过检索和审查创造收入，律所借此支付工资、覆盖部分培训投入。资深律师在审阅成果时把经验传给新人，几年后，其中一些人成为能够独立处理案件的人。客户减少购买基础服务，律所也少了培养新人的机会。

其他知识型企业会算同样的账：招聘新人要付工资、安排带教，几年后才可能独当一面，而且培养出来的人还可能跳槽。成熟员工配合AI却能立即完成任务。经济学中的企业培训问题一直存在：一家企业付钱培养的人才，未来可能被另一家聘走。AI让基础劳动更便宜，也让培养投入更难通过新人的产出收回来。

于是招聘要求越来越像一道循环题：应聘需要三年经验，可三年前本该招你的公司，同样要求你有三年经验。企业越来越偏好有经验的人，却可能越来越少提供让人获得经验的岗位。

今天的高级程序员、审计师、资深律师，都是昨天的新人。单家企业少招人能改善当期效率；当整个行业都等别人培养人才，几年后还能有多少可以独立处理复杂问题的年轻人？培养成本不会消失，只会变成整个行业共同面对的问题。

新人越来越难当，普通人还有什么出路？

1、有经验的人，带着旧本领进入新职业

制造企业用AI预测设备故障，需要有人理解生产线和停机成本；零售企业引入智能补货，需要懂库存和门店销售的人；财务部门用AI审核费用，也需要有人判断哪些异常涉及真正的经营风险。模型能提出建议，建议能不能落地，还得靠懂业务的人把关。

制造业工程师可以转向工业AI应用，财务人员可以参与智能财务系统部署。这类转型需要补充工具能力，却无需抹掉十几年的工作经验。一个懂生产排程的车间主管，即使不会开发模型，也能告诉技术团队哪些建议无法落地。企业采购AI系统，最终需要有人把它接进业务、对使用结果负责。对成熟劳动者来说，原有行业经验可能就是进入AI新岗位最值钱的门票。

2、对年轻人来说，先得找到获得经验的机会

问题在于，刚毕业的年轻人没有这张门票。过去企业允许新人从简单任务开始，边干边学；现在希望新人入职就能使用AI独立负责项目，却可能减少练手的岗位。年轻人不得不在获得第一份工作之前，先证明自己已有工作能力。

有人通过学校实验室或实习接触真实项目，有人只能对着AI反复模拟练习。工具人人可用，实践和专业指导的机会却不同。过去靠进入企业获得经验，以后可能先要有经验才能进企业，职业竞争也因此提前到了学校及家庭资源的层面。

3、谁来支付培养下一代专家的成本？

美国律所Ropes&Gray今年允许超过1000名律师把最多100小时的AI实验和培训计入年度计费要求；此前还为一年级律师安排过近400小时的学习和模拟实践。过去新人通过可向客户收费的基础工作积累经验，现在律所开始为学习本身腾出时间。

未来的训练可能需要真实项目轮岗和导师指导。AI可以迅速提供答案，但识别错误、评估后果仍靠实践。基础任务由AI完成后，企业要专门安排新人先做判断，再用AI校验，还得有人指导。这些安排都要花钱，由企业、学校还是个人支付，将影响谁能获得成长机会。如果培训越来越依赖个人投入，有资源的人就更容易跨过职业门槛。

新职业越来越多，下一代专家从哪里来？

回到开头那份不断更新的新职业目录。过去，新技术创造工作，也提供普通人进入工作的办法：工业化有工厂岗位，计算机时代有学校教育和初级岗位。如今，成熟员工配合AI就能承担更多任务，企业节省了当期人力成本，却无法替社会省下培养下一代专家所需的时间。

一个行业可以暂时少招新人，却不可能永远只使用已有的专家。十年后，当专业人员退休、转行，那些宝贵的经验从哪里来？如果职业目录不断增加，职业入口却越来越窄，技术改变的就不仅是岗位数量，还有普通人获得专业身份的机会。

已在虎嗅发表 75 篇文章 本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。 如对本稿件有异议或投诉，请联系 tougao@huxiu.com。正在改变与想要改变世界的人，都在 虎嗅APP[ ]]]