本日报作者不通中文。这些译文由人工智能自动生成，作者本人无法亲自核对其语言准确性和文化适切性。我们以谦逊和真诚的态度发布此版本，希望与中文读者建立连接。若发现翻译错误、表达不当或文化误读之处，恳请告知 — 我们将虚心接受并改进。
L'auteur du Journal d'un Progressiste ne parle pas chinois ; ces traductions sont produites par intelligence artificielle et n'ont pas été vérifiées par lui. Cette version est publiée dans un esprit d'échange et d'humilité — vos retours sur les erreurs éventuelles ou les contresens culturels sont les bienvenus.
— 《进步者日报》编辑部 / La rédaction
配备AI助手的初级顾问，如今产出的工作质量相当于五年前只有资深员工才能交付的水平。这一点有据可查，经过测量，被当作胜利来宣扬。但同一批研究在脚注中指出：那位资深员工从未存在过。他没有时间完成自我训练。
关于AI与就业的争论，长期围绕一个问题展开：哪些职业会消失？迄今为止，答案对白领而言尚算安心——机器自动化重复性任务，人类保留其余工作。这种解读已经不够用了。一系列近期研究——包括2025年8月27日在arXiv发布的论文《训练走向过时？》（arXiv:2508.19625）——将问题重新定位。问题不再是”哪些职业”，而是”职业生涯的哪个阶段”。答案令人不安：AI提升新手表现，对资深员工几乎没有影响，并精准摧毁了让新手成长为资深员工的中层岗位。
要点
1991年至2021年间，英国和德国十大城市的中层岗位明显萎缩，而劳动力市场两端——管理及高技能岗位，以及低技能岗位——则增长或保持稳定。Acemoglu与Loebbing（2022年）记录、Brynjolfsson等人（2023年）确认的”杠铃效应”表明，这种极化不是叙事，而是数据：欧洲城市劳动力市场正在从中间掏空。生成式AI提升了初级员工在分析和写作任务上的表现，但对经验丰富的员工帮助甚微——后者的价值来自积累的判断力，而非工具。真正的风险不是短期失业潮，而是组织更新专业知识的通道被切断：没有中层学习过程，企业最终有顶层而无躯干。应对之策在于组织层面：将隐性知识显性化，设计不再依赖被AI吸收的被动观察任务的晋升路径。
三十年来持续掏空的中层
要理解AI对欧洲劳动力市场的影响，先得看此前的技术已经做了什么。Oesch等人为德国劳动市场与职业研究所（IAB）分析的数据涵盖1991年至2021年间英德十大城市，结论一致：管理和专业岗位大幅增长，低技能岗位保持稳定或适度增长，而秘书、会计、技术员、行政人员等中层岗位则显著减少。这不是个例，而是三十年来欧洲城市劳动力市场的结构性特征。
Acemoglu与Loebbing（2022年）将这一现象命名为”杠铃效应”：中间消失，两端坚挺。Brynjolfsson等人（2023年）进一步明确了其动态——生成式AI的生产力提升主要集中在经验不足的工人身上，对资深员工影响极小。这些中层岗位不只是组织架构图上的方格，它们是晋升的阶梯：初级员工在此积累能力，成长为下一层级所需的人才。
2000年代和2010年代的自动化已经冲击了这些岗位。生成式AI加速了这一趋势，并引入了新变量：它开始攻击这些层级的认知任务，不只是程序性任务。起草初稿、总结文件、进行初步分析——这正是年轻毕业生在职业框架中学习思考的练习。
AI对初级学习的真正影响
《训练走向过时？》（arXiv:2508.19625，2025年8月27日提交）直接提出问题：如果AI提升了初学者的表现，他们还有什么可学的？答案比标题暗示的更微妙，但同样令人不安。
NBER团队对初级律师、顾问和开发人员的实验研究显示，生成式AI压缩了产出合格交付物所需的时间。配备AI的初级员工，在最终结果上与未配备AI的中层员工不相上下。这是事实。但这些研究测量的是交付物质量，而非对背后原理的理解。
两者差距悬殊。当一个初级员工花三年时间在监督下撰写备忘录、重新表述分析、看到自己的产出被资深员工修改和批注，他不只是在制作文件——他在内化一种结构化问题、区分优先级、在推理错误变成判断错误之前识别它的方式。这种隐性学习——经济学文献中的”隐性知识”——难以描述，但缺失时很容易察觉。五年真实经验积累的判断力，不是两年经验加好工具所能替代的。经历过工具不够用的情境，本身就是一种能力。
AI并没有消除这种学习需求。它消除了使学习成为可能的练习。初级员工产出更快，但训练更少。这不是假设，而是机械后果：过去分配给初级员工用于培训的低层级任务，现在被委托给了模型。
断裂的轨迹：从初级到资深，没有中间地带
核心问题不是初级员工工作方式变了。而是通往专业知识的路径经过若干阶段，其中一些正在被抹去。
认知职业生涯遵循三个阶段。第一是暴露阶段：执行简单任务，观察它们如何融入更大系统，犯错并学会识别错误。第二是整合阶段：负责完整项目，管理不确定性，在相互矛盾的约束之间权衡。第三是判断阶段：在数据无法决断时做出裁决。这是资深员工的价值所在。
生成式AI擅长压缩暴露阶段，在整合阶段效用有限，在判断阶段几乎无用——NBER研究证实，AI带来的绩效提升随经验增加而递减。使用AI的资深员工，在定义其价值的任务上并不比不使用AI的同行明显更高效。相反，用AI跳过暴露阶段的初级员工，进入整合阶段时缺乏必要的认知储备。
这就是断裂轨迹的悖论：加速起点的工具阻止了抵达终点。这不是个人问题，而是组织问题。今天通过AI培训初级员工的企业，五年后将拥有在短期交付物上出色、在复杂决策前束手无策的人才——有顶层而无躯干。
这一现象与远程工作研究中的发现相呼应：消除摩擦的工作环境，往往也消除了非计划的学习渠道。
企业正在做的——以及它们可以做的
并非所有组织都在观望。一些企业已识别出问题并开始应对，力度各有不同。
最常见的回应是加强导师制：明确指定资深员工负责初级员工的成长，独立于交付物评估之外。这比什么都不做强，但如果初级员工缺乏与导师共同经历的具体任务，效果依然有限。
更结构化的回应是将隐性知识显性化。麦肯锡和波士顿咨询等公司已开始将判断技能拆解为可传授的操作框架：如何构建模糊问题？哪些信号表明分析不完整？如何识别客户没有提出正确问题？这些技能过去靠浸润和试错习得，现在变成了正式培训模块。这不够完美，但确实是真实的适应。
越来越多的欧洲企业为初级员工引入了在高度不确定性项目上的强制轮岗：这些任务中AI被有意少用，不是因为被禁止，而是问题定义太模糊，AI帮不上忙。这是在机械地侵蚀中层学习条件的环境中，刻意维持这些条件的方式。
根本问题是组织设计。在培训任务被外包给模型的环境中，谁负责初级员工的技能成长？这种责任过去默认存在，工作的自然流动就能产生它。现在必须主动设计、明确分配、可量化考核。未来三到五年内未将其正式化的组织，将在最需要自主判断能力的时刻陷入困境。
极化并非宿命
杠铃效应自1990年代就有记录，经历了数轮技术周期。这不意味着它不可避免，而是意味着：若不主动干预，它就是结构性结果。
公共政策可以减缓或改变这一动态。继续教育是最常被提及的手段，但太过笼统。有效的是针对判断力和不确定性管理技能的培训——这正是AI无法传递的。德国的双元职业培训体系提供了相应的基础设施：学徒制将实践学习结构性地嵌入真实情境。问题在于，这一模式能否从技术工种扩展到中层认知职业。
英国高校关于AI辅助学习的争论触及同一问题：如果学生从本科阶段就将写作和分析练习委托给模型，他们带着学位进入劳动力市场，却缺乏这些练习本应培养的认知能力。牛津和帝国理工学院等高校正在测试强制现场作答的评估形式，目的正是重建认知学习的条件。这是部分回应，但至少是回应。
Acemoglu担忧技术收益被资本攫取而损害劳动，Brynjolfsson则对长期人机互补性更为乐观，两人的争论尚无定论。同样的数据，根据不同的分析框架可以得出相反结论——这正是关键所在：预测认知岗位大规模消失的灾难论，和将AI视为简单生产力倍增器的乐观论，都不能解释数据所呈现的个体职业轨迹。
个人可以做什么
组织会或不会调整培训实践。职业生涯初期的个人不必等待。从学习与认知研究中，几条方向清晰可见。
第一，将AI用作验证工具，而非生产工具。先自己写，再比较。生产练习本身——哪怕不完美——才是构建能力的关键。自己版本与模型版本之间的差距是学习来源，单独使用模型不是。
第二，刻意寻找工具不够用的情况。模糊的项目、棘手的客户、相互矛盾的约束令人不适，但正是这些情境提供了训练。因为AI能处理简单案例就绕开复杂情境，等于只练习简单题。
第三，投资于导师关系。经历过整合和判断阶段的资深员工，拥有模型无法复制的知识。在这种知识越来越难被自然传递的环境中，主动获取它是一种稀缺资源。
未来几年仍待观察的问题是市场本身：判断技能因获取难度上升而变得稀缺，那些投资于内部传递的组织，是否会对未投资者形成决定性优势？极化数据的指向是肯定的。但优势只有在需求出现时才可见——届时，等待的组织已经来不及了。
来源
- 《训练走向过时？AI驱动的教育陷阱》（arXiv:2508.19625，2025年8月27日提交）：https://arxiv.org/abs/2508.19625
- Acemoglu & Loebbing，《自动化与新任务：技术如何取代和恢复劳动》（2022年），NBER：https://www.nber.org/papers/w25684
- Brynjolfsson等人，关于人机互补性与生产力提升分布的研究（2023年），NBER
- Oesch等人，关于欧洲城市劳动力市场极化的研究，德国劳动市场与职业研究所（IAB）
- Oesch, Morris & Westenberger（2025年），《英国与德国城市的极化升级》：https://pmc.ncbi.nlm.nih.gov/articles/PMC12718246/
- Acemoglu & Loebbing（2022年），《自动化与极化》，NBER WP 30528：https://www.nber.org/system/files/working_papers/w30528/w30528.pdf
- Brynjolfsson, Li & Raymond（2023年），《工作中的生成式AI》，NBER WP 31161：https://www.nber.org/papers/w31161
- BCG（2026年），《当人人使用AI，企业面临失去关键技能的风险》：https://www.bcg.com/publications/2026/when-everyone-uses-ai-companies-risk-critical-skills