镜思

镜思洞察研报解读之人工智能时代构建专业能力下一代由谁培养，麦肯锡人员与组织绩效实践团队2026年7月出品，作者是华盛顿特区办事处合伙人布莱恩汉考克与湾区办事处副合伙人夏洛特赛勒。

这份报告只有十一页，篇幅不长，但抛出的问题足够扎心，当人工智能把入门级工作吃掉之后，谁来培养下一代专家。

先看几个数据。

截至2026年第一季度，美国近期大学毕业生的失业率约为5.7%，大约四分之一处于就业不足状态，从事的工作通常不需要学位。

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里，即使控制了公司层面的冲击，就业率也相对下降了16%。

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把原因归咎于企业减少入门级招聘。

麦肯锡和LeanIn.Org的2025年职场女性报告显示，入门级工人尤其是女性，在所有年龄段中对人工智能影响自己工作的担忧最深。

但报告很克制，没有把锅一股脑扣在人工智能头上。

纽约联邦储备银行的经济学家认为远程工作的兴起解释了年轻毕业生失业率上升的大部分原因，因为远程培训新员工太难了。

耶鲁大学预算实验室则表示目前还没有发现明确的经济范围内的人工智能特征。

这种诚实的不确定性反而让报告更可信，毕竟现在满世界都是斩钉截铁宣布人工智能要毁灭就业的爽文。

真正一针见血的是微软两位高级工程领导马克拉西诺维奇和斯科特汉塞尔曼的判断，智能编码助手给资深工程师提供了AI助力，提升产出效率，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。

由此产生的激励机制是聘用资深员工、自动化初级员工，这正在悄悄瓦解支撑所有资深职位的人才金字塔底层。

他们的建议因为坦率而格外醒目，继续聘用初级员工，接受他们最初会降低产能的现实，并把他们的成长明确为组织目标。

翻译一下就是，请公司心甘情愿地做一笔短期看起来亏本的买卖。

不过风向也没有一边倒。

2026年3月一项针对约1500名高管和高级人才领导者的调查显示，预计人工智能会增加2026年入门级招聘的人，几乎是预计减少的三倍。

但同一项调查也发出警告，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的任务。

招人不减，但可学的活变少了，这才是真正的隐患。

美国银行2026年将招收近4000名暑期实习生和全职校招生，规模与去年相当，人才库覆盖超过500所学校，并且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。

报告的核心是一套四部分方法，知识管理、角色设计、工作流程中的学习、管理者辅导。

第一部分是知识管理，核心动作叫编码化专业知识。

要把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，结构化成大语言模型能够访问的形态，包括干净的数据、经过策划的案例材料和标准化分类体系。

举个例子，一名初级律师处理并购合同，与其在数千份过往交易里大海捞针，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。

它不只加速了起草，更揭示了关键决策背后的逻辑。

这里有个很精妙的细节，报告特别强调要区分孤立经验和累积判断。

一名三年员工可以清晰准确记录一次客户互动，一位资深领导者凭数十年经验产出的分析反映的是更广泛的模式和长期影响，两种输入都有价值但并不等同。

系统应该根据经验深度、结果可重复性和跨场景相关性对输入进行加权。

这个观点非常重要，因为很多企业做知识库的时候把所有文档一视同仁地丢进向量数据库，结果检索出来的是最啰嗦的那份，不是最有智慧的那份。

第二部分是入门级角色设计，报告给了一个很形象的名字叫标准答案模式。

员工先自己尝试，AI对尝试进行评分，然后员工与管理层坐下来讨论差异。

在这个模型里，AI不是取代学徒制，而是重塑学徒制。

报告举了一个房地产公司的案例，AI代理生成的市场评估报告详尽程度超过初级员工独立完成的水平，但公司并没有直接用AI的结果，而是要求初级员工亲自实地走访社区、研究地理和交通模式、形成独立见解，然后把自己的分析与AI输出对比。

这种对比通过凸显差距、揭示被忽略的因素，成为一种结构化的学习工具。

第三部分是在工作中学习，这部分的证据链最硬。

临床研究中，仅仅向医生提供大语言模型并未显著提升他们长期的诊断表现，但要求医生比较并协调自身推理与AI推理的工作流程，则把他们在未来情境中的表现提升到了AI单独工作的水平。

另一项实验中，接受AI生成病例问题并连续五天获得自动化个性化反馈的一年级医学生，在基于视频的考试中，针对目标诊断的表现优于多训练了整整一年的二年级学生，两周后的跟进测试中效果依然持续。

斯坦福的一项试点研究进一步深化了这个设计，聊天机器人扮演患者，学生问诊、诊断并为诊断辩护，只有在此之后系统才评判其推理。

顺序是关键，学生先行动，AI再评分。

反过来的结论同样触目惊心。

当工人使用生成式人工智能执行他们自己无法完成的技术任务时，一旦失去对AI的访问权限，这种能力立刻消失，没有形成任何持久技能。

报告的原话是被动依赖能够产出结果，结构化的比较能够培养专家。

这句话建议所有企业管理者裱起来挂在墙上。

美国银行的做法值得参考，从实习第一天起就提供与业务领域相关的AI培训，并利用模拟环境压缩初级银行家过去要靠日常工作积累的判断力培养过程。

该行全球人才负责人Josh Bronstein的说法是，要快速以模拟的方式给人提供体验，这样他们就能获得本可以通过前一两年完成任务获得的判断力。

第四部分是管理者辅导。

报告提出借鉴医疗行业的住院医师制度，把辅导正式化，赋予非正式指导曾经失去的制度性分量。

人工智能影响工作的专家莫莉金德建议，如果AI通过初级员工曾偶然学习的常规任务吸收了工作，公司就应当重新设计入门级职位，把它设为受保护、结构化的刻意技能培养期。

拉西诺维奇和汉塞尔曼提出的导师模式更具体，一位资深工程师正式指导一小批初级工程师共同使用AI工具，这样资深工程师能够观察初级工程师接受什么、拒绝什么、误判什么，导师的工作从回答问题转变为教授判断力。

辅导的另一个重点是帮助新员工建立情境理解，随着分析日益自动化，关键已经不是产生数据量而是解释数据，比如帮助分析师理解销售额激增可能是促销周期驱动而非真实需求，这和教他们如何呈现数据同样重要。

报告还有一句非常有画面感的提醒，很少有高级管理人员希望被一个刚获得MBA学位的人告知他们的商业计划不切实际。

招聘标准也在变。

组织不再致力于建立大量初级专家团队，而是更重视适应能力而非狭窄的专业知识，问题的焦点正从你学习了什么转变为你是怎么思考的。

数据显示需要人工智能技能的职位，几乎有两倍的概率会同时要求分析思维、韧性或敏捷性。

一家财富100强金融公司的人力资源负责人说，他们招聘不针对特定学位，而是寻找综合型运动员，具备强烈学习本能、人际关系能力和对人工智能的基础了解。

这个转变也为非传统路径人才打开了门，Opportunity@Work把这类人称为STARs，即通过非传统路径获得技能、没有四年制学位但通过经验积累了能力的人。

最后报告直面了那个最尖锐的质疑，如果初级员工最初会降低产能，为什么任何一家公司要承担培养判断力的成本，尤其是当参与AI的员工流动性最高、随时可能被竞争对手挖走的时候。

报告的回答有两层。

第一层是这种培训并非通用型，基于公司自身编码的专业知识、案例和分类体系建立起来的判断，具有公司特定属性，不像认证那样容易迁移。

第二层是不采纳的代价更大，继任计划受损、知识转移停滞、AI应用自身放缓。

正在经历转型的公司领导者认为，初级员工与效率之间的权衡是一种虚假的两极分化。

现在进入镜思洞察的商业机会与风险分析。

机会方面，第一个机会在企业知识资产的编码化服务。

报告反复强调组织必须把顶尖表现者的思维模式编码成AI可调用的知识体系，而绝大多数中国企业连基础的文档治理都没做好。

为企业提供专家知识萃取、案例库建设、决策规则显性化、分类体系搭建的咨询与工具服务，是一个刚刚开门的市场。

第二个机会在标准答案模式的产品化。

员工先做、AI评分、管理者复盘这个三段式循环，完全可以做成一套嵌入日常工作流的培训系统，比传统的在线课程有效得多，而且天然带有可量化的效果指标。

第三个机会在判断力的度量。

报告给出了一个极其漂亮的指标，员工独立尝试与AI输出之间的差距，这个差距随时间缩小就是判断力正在形成的直接证据。

这是人力资源领域第一次拥有可以实时追踪的能力发展指标，谁把它做成产品谁就抢占了下一代人才评估的定义权。

第四个机会在模拟训练环境。

美国银行用沙盒压缩判断力培养周期的做法，对金融、法律、医疗、咨询这类高风险高门槛行业有普适价值，行业专用的模拟训练平台是一个清晰的产品方向。

第五个机会在管理者辅导能力的培训。

报告明确要求管理者从监督任务执行转向辅导判断、情境和影响力，这是一次大规模的管理者能力升级需求，中国企业的中层管理者在这方面的缺口只会更大。

第六个机会在非传统路径人才的识别与匹配，当学位不再是筛选标准，如何评估一个人的判断力和学习本能就成了新的技术难题，也是新的生意。

风险方面同样要说透。

第一个风险是人才金字塔的底层塌陷。

这是报告最核心的警告，如果企业只招资深、自动化初级，五到十年后中层和资深岗位将无人可用，而这个后果在当期财报上完全看不出来，等到发现时已经来不及。

第二个风险是能力空心化。

报告用实验证明了被动依赖AI的员工在失去AI访问权限后能力立刻归零，这意味着企业的实际能力储备可能远低于账面产出所显示的水平，这是一种隐性的资产负债表造假。

第三个风险是认知负荷过载。

报告特别提醒，需要认知参与的工作流程更难使用，可能让初学者感到不知所措，必须经过精心设计并控制使用量而不是随意附加。

很多企业热衷于给新人堆工具，结果适得其反。

第四个风险是留任与投资回报的错配。

与AI最相关的员工也最有可能离职，因为他们的市场价值最高，企业培养判断力的投资可能为竞争对手做嫁衣。

报告给的对冲思路是把培训内容深度绑定公司特有的知识体系，让能力尽可能不可迁移。

第五个风险是期望管理失灵。

早期员工对有意义的工作、发展机会、灵活性和强有力领导的期望并没有改变，但机会在减少、流动性在放缓，这个差距如果不主动管理就会变成大规模的士气问题和隐性离职。

第六个风险是知识管理做成了垃圾场。

如果不做输入加权，不区分孤立经验与累积判断，不建立专家验证和明确所有权机制，所谓的AI知识库最后只会变成一个又大又慢又不准的搜索框，反而拉低决策质量。

镜思洞察的整体判断是，这份报告表面在讲人才培养，实际在讲一个更根本的命题，人工智能时代企业的核心资产从流程效率转向了判断力密度。

谁能把组织里稀缺的判断力编码、复制、传承，谁就能穿越这一轮技术更替。

而那些把入门级岗位一刀砍掉换取短期效率的公司，正在吃掉自己的种子粮。

报告最有洞察力的一句话是，尽管入门级工作的门槛在提高，但核心技能的层级结构却变化甚微。

工具变了，通往专家的路没变，只是入口窄了、坡度陡了。

最后轻松一下，这份报告让人想起一个老段子，公司老板问培训主管，如果我们花钱培训了员工，他跑了怎么办，培训主管反问，如果我们不培训，他留下来了怎么办。

人工智能时代这个段子有了2.0版本，如果我们培养出的初级员工带着判断力跳槽了怎么办，答案是，如果十年后你的公司里一个有判断力的人都没有，你连跳槽这个烦恼都不配拥有。

核心内容来自镜思洞察之智僚决策服务沙龙，由智僚AI提供服务，面对不确定时代，请记住坚持做3件确定的事：投资自己 ；追求大概率的小成功 ；建立系统性思维……邀请您加入我们，一起镜思！#镜思洞察 #智僚决策服务。

来镜思会客厅洞察答案

前瞻 未来

反思 过去

回顾 问题

洞察 本质

探究 答案

践行 结果

上述内容如果侵犯您的知识产权，请联系我们立即删除或者沟通授权合作！