AI替你干完了苦力活，却顺手断送了专家的养成之路
企业最先交给AI处理的，恰恰是过去锻造资深判断力的那些基础工作。自动化了“学徒期”，专家梯队不会立刻断层，而是延迟数年后突然见底——到那时只剩下流畅的产出，却没人受过训练去核实它。
任何一家依赖专家判断力运转的机构，其判断力都是“二手”攒出来的。想想那种还没等模型跑完就已从表格里嗅出一笔烂交易的分析师，或是演示还没崩就已经叫出故障原因的工程师。他们生来都不会这一手，都是靠多年不体面的苦活磨出来的：读没人愿意读的招股文件，写一份被主管撕掉重来的备忘录，追一个怎么也对不上的数字，交出一版初稿后被资深同事改得满篇通红。
而这些不体面的苦活，恰恰是这一波AI最擅长的领域。今天的专家依然保有优势。但明天的专家，可能根本不会被“造”出来。这笔账没人算过，而它会延迟兑付。
专家的判断力到底从哪儿来？
沿着机制往下推。判断力是靠一件件低价值任务慢慢“编译”出来的，每完成一件，都会沉淀一点经验残留。新人干苦力活的意义，从来不在活本身，而在于做的过程会把模式识别能力“安装”进大脑。近期一篇分析将这一现象称为“判断力资本的耗竭”，指出即便是合规、受严格治理的AI使用，也可能在不知不觉中让人习惯把塑造判断力的那部分工作外包出去。这只是一个论点而非实测数据，但它描述的机制很难被轻易驳倒。
看一个具体场景。一名初级股票分析师过去要手工搭建可比公司表：逐一拉取每家竞争对手的财报，把披露数字与附注一一核对，剔除管理层塞进“调整后盈利”里的一次性收益。这张表本身多半用完即弃，它悄悄锻造的，是一种嗅觉——能分辨哪些调整合理，哪些只是公司在给自己脸上贴金，而这种嗅觉只有在核对过几百次、被骗过十几回之后才会形成。把这活儿交给模型，几秒钟就能拿到格式工整的表格，管理层披露的每一笔加回项都原样收录。新人拿到了产出，却没长出那份嗅觉。五年后，当一次估值的成败系于识别出一笔激进的调整项时，模型照样能生成表格，可房间里已经没人有那份本能去质疑它。
一旦这个闭环被打断，账算下来就悄悄变了。产出照样能拿到：模型出具的市场概览比任何应届生都快、都便宜，这正是企业把这类工作交给AI的原因。停掉的，是那个五年后本该有能力审视模型概览、指出哪一行数字有问题的应届生。
为什么企业看不见这笔账正在逼近？
这种损耗之所以隐形，是因为它既不上资产负债表，也不计入当季KPI。砍掉初级研究岗位，本季度就能体现为成本下降和效率提升，这两点都真实不虚。而它制造的负债——专家梯队逐渐干涸——要等上好几年，才会以“招不到人”的形式冒出来，且往往查不出根源。这是典型的激励陷阱：节省是看得见、马上兑现的，损害是弥散、滞后的，理性的管理者因此会一路“理性地”踩进坑里。更棘手的是，那份眼前的收益本身也未必兑现。埃森哲自己披露的信息显示，其AI投资回报未达预期，与此同时公司仍在推进裁员，这正是这种激励机制最赤裸的写照：裁员省下的人力成本已提前入账，对应的回报却还没出现。
有必要说清这个论断的性质。目前没有任何数据集能证明专家梯队会按固定周期崩塌，因为这种效应本身缓慢、弥散，且距离显现还有很多年。以下推演建立在一种机制之上，而非一条已被测量的轨迹。等到今天的资深一代退休、公司里没人能接替时，当初掏空梯队的那些决策早已被遗忘，也无从追责，这正是为什么这个论点必须在证据尚未坐实之前提出，而不是事后再来复盘。
验证问题本身正在被“吃掉”
这里有个技术管理者最该警惕的二阶后果。模型的产出仍然需要人来核实，而核实恰恰是一项资深技能：面对一份流畅、自信的答案，仍能看出它其实站不住脚的那种“编译后的判断力”。而这项技能，正是靠模型现在替你做掉的那些活儿磨出来的。于是，一个高度依赖AI的组织最需要的能力——有人能盯着机器、能挑出错——恰恰是被你亲手关掉的那家“培训工厂”生产出来的。你一边坐吃“核验人才”的存量，一边关掉造出他们的工厂，最终只会走到同一个终点：产出很流畅，可房间里没人有资格挑战它。
核实工作到底有多难？比大多数人以为的要难得多。METR在2025年针对经验丰富的开源开发者做过一次随机对照实验，结果显示AI辅助让他们的实际效率慢了19%，而他们自己却以为快了20%。这只是一项研究、一个场景，结论不宜过度推广。但它精准戳中了要害：如果连经验老到的从业者都无法准确判断这个工具到底有没有帮到自己，指望一个训练不足的新人去挑出模型的错误，未免过于乐观，甚至近乎失职。
一个诚实的反驳是：学徒制完全可以被重新设计，而不必被哀悼。也许新人通过“审问”模型的推理过程，比埋头写初稿学得更快。也许判断力可以从入职第一天起，就靠让新人坐上“编辑”的位置来培养。这个设想成立，甚至可能效果更好。但注意它的前提：这需要一次刻意的设计。没有人会自然而然地走到这一步。默认路径是把答案直接甩给新人，而不是把探索过程留给他们，结果是训练出一批只会信任、却无法评判机器产出的员工。学徒期可以被“加速通关”，但眼下正在发生的，是它被“误删”了。
梯队见底之前，企业该做什么？
以上论述并非要否定这些工具，而是主张把专家能力当作一种需要主动维护的基础设施来对待。由此可以推出三个动作。第一，分清哪些基础性工作是在“育人”，哪些只是纯粹的成本，即便模型能更便宜地完成，也要保留前者。第二，围绕“核验与质疑”而不是“起草”来重新设计初级岗位，让新人通过对机器产出的压力测试来赢得判断力，而不是被它取代。第三，衡量真正在流失的东西：不是人头数或产出量，而是公司里到底还有多少人能可靠地挑出一个错误答案。
要做好这件事，首先是一个战略问题，其次才是工具问题。这也是为什么明智的起点，是清醒审视人的判断力在你的业务流程中究竟在哪些环节真正创造价值——这类评估应该出现在一次诚实的AI就绪度评估里，而不是等到系统上线后才被拿出来补救。这同样意味着，要从架构设计层面就把称职的人保留在决策回路里，而不是把它当成一项合规摆设。把运营模式设计对了，工具会放大你的人才；设计错了，工具会把人才慢慢掏空。如果你正在认真权衡这道取舍题，这正是一次技术战略咨询存在的意义所在。
不妨把这个问题摆到董事会桌面上，说得具体一点：十年之后，当一笔估值、一份安全论证或一份合同，成败系于能否识破模型一次自信满满的错误时，公司里还有谁具备这份本能？这种能力正在被今天的决策悄悄消耗，而做决策的管理者，往往只被要求完成本季度的数字，表格上从来没有一栏，写着他们放弃培养了多少专家。
常见问题
AI会让初级知识工作者失业吗？
更准确地说，是他们的工作内容会变形，而不是直接消失。过去占据新人大量时间的资料整理与初稿撰写正在被AI接管，这意味着这个岗位必须被重新设计，围绕核实、质疑与改进机器产出来展开。不主动重新设计这个岗位的企业，最终会得到一批永远学不会审查AI工具的新人。
苦力活被AI接管后，专家判断力该怎么培养？
把新人更早地放到“编辑”的位置上。与其让新人从零写初稿，不如让他们去审问模型的推理过程，找出其中的错误，并为自己的修正辩护。这种方式如果设计得当，成长速度可能比传统的苦力活训练更快，但前提是必须刻意设计。放任不管的结果，是新人只学会了信任自己无法评判的产出。
什么是AI落地中的“学徒期缺口”？
指的是企业自动化了那些原本用来把新人磨炼成专家的基础性、低价值工作后，资深判断力出现的延迟性短缺。产出照旧，但下一代专家不再被培养出来。这个缺口会隐形好几年，直到当前的资深一代退休、公司找不到合格接班人时，才会集中爆发成一场招聘危机。
相关阅读
本文由 Abyshire 专有编辑系统的 AI 编辑角色撰写，并经我们的团队审核。