(作者系对外经济贸易大学经济学院助理教授)
率还王鹏
率还可能最终转化为更高的用人成本和更脆弱的人才梯队 。什么时候需要转向人工判断 。却未必能提高人的学习速度 。业务转型或出现突发情况，节省的是当前成本 ，用人单位才更有动力投入 。储备合适人才的渠道 ，可以标准化表达的任务 ，就不需要给新人这些任务”的结论，当日常任务仍能由AI和少数骨干完成时 ，这种培养方式减少了机械重复 ，在一些情况下，任务分解和结果复盘 ，却保留了由浅入深的任务阶梯。高校考察实习基地时 ，与过去相比，通过跟着前辈修改报告，技术提高了任务完成速度 ，摘要、新人需要可验证的成长轨迹
当前 ，错误复盘和阶段性成果，不如展示一个经过数据脱敏的项目：AI在哪些环节提供了帮助 ，
学校和用人单位还可以共同把这种过程记录转化为更有信息含量的就业信号 。办公和专业服务场景的背景下 ，
被自动化的 ，基础规范培训和实习日常管理 ，过去 ，纠正了什么 、自动化越彻底，很多经验无法从教材或模型回答中直接获得 ，是AI时代培养职场新人的重点。经历“理解需求—使用工具—检查结果—解释错误—形成改进”的完整闭环。修改记录 、还有一个更具体的问题 ：当文案整理 、并知道什么时候应当相信 、但可以划定任务范围 、关键成果仍由带教人员把关 。这个期待值得认真理解。损失的可能是几年后的内部人才供给 。不仅要付出招聘与磨合成本 ，
这里的关键不是保护某些低效率工作 ，但“会用AI”很容易成为一个模糊标签 。基础分析、若更多单位都选择“只用熟手 、组织就可能面临工具不缺、学徒期并没有消失 ，资料搜集、再逐渐承担更复杂的任务 。如果课程只强调掌握某种AI软件 ，往往是规则相对清晰、实际上承担着“学徒期”的功能 ：新人通过反复整理材料理解业务逻辑 ，过去 ，用人单位可以让AI承担重复性计算和初稿生成 ，逐渐知道哪些数据值得怀疑、同时要求新人负责核验数据来源 、人才培养具有时间性 ：今天减少一个新人岗位 ，年轻人究竟通过什么任务积累最初的工作经验？
第一份工作是把学校知识转化为职业能力的重要阶段 。这些能力的折旧速度会慢得多 。也应从“接收了多少人”进一步转向“提供了哪些真实项目 、个人怎样证明自己的价值 ？答案并不在于和机器比速度 ，学会判断轻重缓急 ，
这种变化还有助于解决年轻人的一个现实焦虑 ：如果很多工作都能由AI完成 ，看似节省的培养成本 ，
用人单位的人才战略要给“学习曲线”留位置
人工智能降低了部分初级任务的边际成本。
因此 ，AI也许能在几分钟内完成10次分析 ，新人越难看见工作是如何一步步完成的 。很多看起来并不复杂的初级任务 ，让模型先完成初稿 、第一份工作的评价方式也要随之调整 。那么流程虽然更快 ，简单编码等入门任务越来越多地由AI完成，
今年5月 ，学生获得了什么反馈”，实习和入职培训可以更多采用项目档案、提供完善的岗前培训与成长支持 。整个行业的熟练人才也不会凭空增加 。单纯计件的意义会下降 。用人单位可能用“完成了多少份材料 、安排阶段反馈，人们常把AI对就业的影响概括为“哪些岗位会增加 、学会了什么。学生毕业时可能会发现工具已经更新；如果训练的是问题定义 、劳动经济学所说的“边干边学” ，而那条由任务 、
AI会改变第一份工作的内容 ，工作内容发生了变化 ，流程和协作方式的熟悉 。而是区分“任务被自动化”和“学习机会被取消” 。而是从“亲手完成每一步”转向“理解每一步为什么这样完成” 。对用人单位而言，评价应从“产出了多少”逐步转向“形成了什么判断能力” 。能否解释为什么修改AI生成的方案 ，尤其是在需要大量隐性知识的行业，这样既能帮助用人单位识别真正具备人机协作能力的青年 ，一个流程自动化之后 ，最终结果如何改进 。几年之后 ，也能减少求职者围绕工具名称进行表面化竞争 。却也减少了新人形成经验的机会 。
高校就业教育也要从“工具训练”转向“任务训练”
这套逻辑同样适用于高校开展就业教育和组织实习或实践 。就很难形成同样的判断力 。什么时候必须核验 、让职场新人能够说明自己承担了什么、自己做了哪些判断 ，如何把初级任务改造成更有效的学习任务 ，可能恰恰是经验的入口
AI最容易替代的，年轻人不必把时间耗在机械操作上 ，而在于留下可验证的成长轨迹 。64.1%的受访者期待企业更加注重人才培养 ，而这些任务过去又经常由新人承担。这样 ，比较不同方案 、用人单位在设计AI转型方案时 ，就可能出现一个新的矛盾：用人单位减少了培养新人的成本，只能在维护客户关系 、当然能够提高效率；但如果用人单位进一步得出“既然AI能做初级任务 ，
这种损失未必立即显现 。才可能把技术进步转化为高质量的职业成长 。却仍然能够接触完整的任务链条 。届时再从外部招聘，
具体而言 ，用人单位不必一开始就让新人独立负责完整项目 ，将培养成效计入导师评价，可能会发现人才梯队出现了断层。高校可以承担通用工具训练 、能否在任务失败后找到原因 ，实习设计也应随之调整 ，能判断结果和承担责任的人却不够的困境 。而不只是核对实习证明 。处理了多少条数据”衡量新人；当这些数量越来越容易被AI放大后 ，是人力资本形成的一条重要路径 。使用设备 、据此安排后续合作 ，协调和承担责任的中坚员工时 ，这类过程证据也比一张“AI技能证书”更能判断一个人是否值得继续培养 。
因此 ，解释异常 、它既不要求用人单位为了培训而故意放弃效率 ，有反馈的条件下参与真实任务 ，哪些异常必须追问；现在 ，反馈和责任共同构成的学习通道必须保留 。记录修改理由 。却可能不利于组织长期积累人力资本 。不少求职者主动学习AI工具 ，换句话说 ，并由有经验的员工复核 。但是 ，培养投入不足容易被短期效率掩盖；一旦骨干离职 、让AI替人完成更多重复劳动 ，适应制度和处置异常情况的过程中逐渐形成。用人单位关切的不是求职者会不会输入提示词 ，让学生在有指导 、与其让学生在简历上简单写“熟练使用大模型” ，并把经验转化为下一次可复用的规则 。更值得观察的是新人能否发现模型遗漏的问题 ，与用人单位共同确定项目任务和评价标准 。应当问三个问题：新人能否看见完整业务链条？是否有机会处理边界情况和错误 ？是否有人对他的判断给出反馈 ？如果三个问题的答案都是否定的 ，还须降低带教成本 、
因此 ，逐步增加参与深度 ，但不应切断年轻人从新手成长为熟手的路径 。明确培养回报 。
让用人单位愿意提供这样的机会 ，但对刚进入劳动力市场的年轻人来说 ，可以把新人岗位设计成“AI辅助的学徒岗” ：前期由AI提供资料和初步方案 ，同时让年轻人在更有价值的环节获得真实经验，对用人单位而言 ，但如果新人只负责复制结果 ，而是他能否借助AI完成一个真实任务 ，哪些岗位会减少” ，这是积极变化 。让实习成为识别 、人工智能进入工作世界之后，通过处理小错误认识流程边界 ，不带新人” ，当组织需要能够独立判断 、