洞察
AI自动化与职场学徒制的消亡
我一直在思考一个在我合作过的任何组织内部都没有明确负责人、却至关重要的问题：谁来负责培养下一代专家？不是指招聘他们，而是培养他们。
在工业史的大部分时间里，答案就嵌入在工作本身之中。初级员工被分配到那些微不足道、光彩全无、可纠正的任务——常规的修补、备忘录的第一稿、没人愿意做的对账。这些任务在经济上微不足道。但这从来不是它们的真正职能。它们的职能是让某个人去挣扎、去犯点小错，然后由一个曾经也经历过挣扎的人来纠正。专业知识本就是效率低下的副产品。
我们现在正以极快的速度消除这种低效，而我认为我们并没有意识到自己在消除低效的同时究竟顺便去掉了什么。
正在消失的入门级断层
斯坦福数字经济实验室结合了截至2026年中涵盖数百万美国工人的ADP薪资数据发现，在受AI影响较大的职业中，22至25岁年轻人的就业率目前比受影响较小的同龄人群体低了大约19%。同一职业中的资深员工则没有表现出类似的差距。这种分化主要集中在AI进行自动化替代而非辅助增强的领域。
这通常被解读为一个“人员替代”的故事。但我认为这是一个关于“知识传承”的故事，而且更有趣的证据是定性的。今年发表的一项针对软件工程师的研究（对象涵盖了处于职业门槛的初级员工以及曾经培训他们的资深员工）描述了一种被作者称为“吸收”的模式。入门级工作并没有消失在等待初级员工处理的队列中，而是被重定向到了“资深员工+AI”的工作流中，在那里它们被更快、更好地完成。没有人做出停止培训任何人的决定。只是培训本身再也没有发生的地方了。
研究人员还描述了一种认知不对称。资深员工根据产出来评估初级员工，而现在的产出看起来很完美。初级员工则在私下里经历着这种缺失，那是一种他们无法言说的空白，因为他们从未拥有过它。双方都没有处在能够看到这个问题的立场上，因此谁也没有将其提出来。
一个组织完全可以在没有召开任何一次会议去承认它发生的情况下，彻底失去其学徒制系统。
效率背后的隐性代价
困难之处在于，链条中的每一个单独决策都是没有错的。在这个季度把常规任务交给AI是正确的。接下来的四年里，每个季度可能都是正确的。代价在第五年降临，出现在这样一批人身上：他们能够监督自己从未亲手生产过的产出——能够接受或拒绝一个答案，却无法感知问题本身何时出了错。就我们所知，判断力是无法通过单纯的解释来传递的。它是对某事承担责任后沉淀下来的结晶。
我目前还没有一个成型的理论框架。但我对这一切从何开始隐约有所察觉。
组织衡量的是工作的生产力。几乎没有任何组织会去衡量工作的成长收益——某项由特定人员完成的特定任务，是否留下了一项此前并不存在的生存能力。这个数字过去从来不需要存在，因为学徒制是免费且自动的，它是工作分配方式的一个副产品。而现在，它既不免费也不自动了。它变成了一件必须刻意付代价去获取的事情：以牺牲速度为代价，将任务分配给完成得不够好的人，由资深员工花上数小时去纠正那些AI本不会出错的工作。
补充专业知识的库存
这是一个真实的代价，应该被明确定名，而不是偷偷塞进发展预算里。一家拒绝支付这一代价的公司在几年内看起来会比竞争对手更高效。然后它会发现，自己一直在消耗已经停止补充的专业知识库存，而这种特定的库存是无法用任何代价买回来的，因为其他所有人都在同一时间停止了补充。
执行力正变得唾手可得。而判断力依然需要通过缓慢的方式来培养——由那些在准备好之前就被赋予责任的人去慢慢历练。