年轻人：AI 时代的第一批牺牲品

一个数字。

斯坦福大学数字经济实验室今年八月更新了他们那篇著名的论文。论文名字很文学——"煤矿里的金丝雀"。用的是ADP的薪资数据，覆盖美国六分之一的劳动力。结论只有一句话：在AI暴露度最高的职业里，22到25岁年轻人的就业水平，比低暴露职业的同龄人低了19%。

去年这个数字是15%。前年是13%。

它没有回头的意思。

断崖，不是斜坡

我先说一个直觉上的误区。

很多人想象AI对就业的影响是一条缓慢下降的斜坡。今年少招一点，明年再少招一点，温水煮青蛙，大家慢慢适应。这个画面很符合人对变化的心理预期——线性的、渐进的、可以准备的。

但斯坦福的数据画出来不是斜坡。是断崖。

从2022年底ChatGPT发布到2024年4月，22-25岁年轻人在高AI暴露职业的就业年同比下降2.8%。到了2024年4月之后，这个数字跳到超过4%。加速了。第一年是试探，第二年开始是执行。企业用了一年确认AI能干活，第二年开始认真地不招人了。

而且要注意，同一年龄段在低AI暴露职业里的就业增长是2%。

这不是经济衰退。这不是所有人都不好找工作。这是精准的、结构性的、针对特定人群的就业塌陷。

不是裁员，是不招了

Erik Brynjolfsson——这篇论文的第一作者，斯坦福数字经济实验室的掌门人——在接受Fortune采访时说了一句话："Whatever it is, it's not going away."

不管这是什么，它不会消失。

他花了一年时间排除所有替代解释。有人说是利率的问题？不对，利率敏感的行业（比如建筑业）恰恰AI暴露度最低。有人说是科技行业裁员潮的余波？把整个科技行业从数据里剔除，效应依然存在。远程办公的扭曲？控制了。样本偏差？换了计量方式。每一次，效应都在。

而且，ADP的首席经济学家Nela Richardson补充了一个关键细节。这个效应的主要机制不是裁员，是停止招聘。

公司不会把已经在岗位上的年轻人赶走。那太难看了。他们只是不再补充新的。当一个初级分析师离职，他的工位不会再有新人坐上去。他的活，AI做了。

这才是真正残忍的地方。它没有产生新闻。没有裁员公告，没有抗议，没有社交媒体上的愤怒。只有招聘网站上安静地消失的岗位。你甚至不知道自己被取代了——因为你从来没有被录取过。

为什么是年轻人？

答案其实不复杂。

AI消化任务的顺序，和一个新人入职的学习曲线高度重合。

入门级岗位存在一个隐藏功能，它是学徒制的载体。初级分析师整理数据、拉可比公司、排版PPT、写初稿。初级程序员做CRUD、写测试、修bug。初级会计师做对账、录凭证、整理报表。这些活，本质上都是对"已编码知识"（codified knowledge）的搬运和重组。

斯坦福论文特别区分了两类知识。编码知识——可以被写成教材、被文档化、被标准化的东西。和默会知识（tacit knowledge）——只能通过实践、师徒传承、反复暴露于真实情境才能获得的东西。

AI吃掉的是前者。而前者恰恰是年轻人进入任何行业的入口。

你没有做过五年分析师，所以你没有"我一看这个数就知道哪里不对"的直觉。你没有经历过三次项目翻车，所以你没有"这个方案看着好但执行一定会出问题"的嗅觉。这些是默会知识。AI现在还拿不走。

但是——整理数据、汇总信息、格式化文档、写第一版草稿——这些它能做。而这些恰好是你入行的方式。

也就是说，AI没有取代你的工作。它取代了你证明自己的机会。

高盛的恐惧

几乎是同一天的新闻。高盛合伙人Chris Churchman在CNBC上说了一段让人细思恐极的话。

他管的是高盛面向机构客户的数字平台Marquee。平台上有AI工具。但他说，他只向高盛内部员工开放这些工具，不打算对外开放。原因是——他怕下一代金融从业者的思考能力会萎缩。

他的原话大意是，如果年轻人一入行就有AI帮他们写分析、做模型、出报告，他们就永远学不会从第一性原理出发思考。认知能力不是你有就永远有的东西，是用进废退的肌肉。

这和斯坦福的数据其实在说同一件事的两面。

斯坦福说：年轻人进不去了。Churchman说：进去了也不一定能长出来。

一边是入口被封。一边是入口变形。前者是量的问题，后者是质的问题。加在一起，指向一个更深的忧虑——AI不只是在消灭入门级岗位，它在消灭"入门"这件事本身。

过去三十年，任何行业的成长路径都长这样：先做苦力活，在做的过程中理解业务逻辑，三到五年后能独立判断。苦力活不是惩罚，是学费。是你交给行业的学费，换取的是对这个行业的"身体记忆"。

现在AI把学费取消了。乍一看是好事对吧？不用再做那些boring的活了。但问题是——学费取消的同时，那门课也不开了。你不是免学费入学，你是没有学可以上了。

临界点理论

我再往深挖一层。

最近看到一个分析者的类比，拿Blockbuster和Netflix说事。不是在复盘什么商业案例。他想说的是，技术革命的关键从来不是新发明本身，是底层条件悄悄跨过了一条线。

Blockbuster不是被Netflix的"创意"打败的。是带宽达到了一个阈值，使得流媒体的体验终于可以超过DVD。在那个点之前，Netflix只是一个烧钱的理想主义者。在那个点之后，Blockbuster瞬间变成了历史名词。

对AI替代人力而言，临界点由两个条件定义：

第一，AI完成一项任务的成本低于人类。

第二，AI完成这项任务的成功率高于商业上可接受的阈值。

两个条件同时成立的时候，变化不是线性加速——是相变。液体变成气体那种。

有意思的是，NVIDIA的一个副总裁最近在HumanX大会上承认，目前AI计算的成本"远高于员工的成本"。但这个"目前"非常脆弱。NVIDIA自己刚宣布的Vera Rubin架构，每瓦特效率是上一代的30倍。Groq 3 LPX刚进入全面量产。每个季度，成本都在砍半。

对高级人才来说，临界点可能还很远。但对入门级岗位——对那些"任务成功率阈值"本来就不高的工作——临界点已经过了。

2024年过的。我们现在看到的19%，是临界点过后第一年的数据。

数字后面的人

我知道这篇文章到这里，已经很"分析"了。所以我想讲一个不那么数据的事。

前几天看到赛迪网的一组数据：2026年国内高校毕业生1270万人，连续第八年破千万。加上考研失利、往届未就业、归国留学，实际求职人次超过1500万。市场有效校招岗位567万个。三个人抢一个坑。

三个人抢一个坑，这还是总量。如果你学的是会计、是初级数据分析、是内容运营——这些高AI暴露的方向——可能是十个人抢一个坑。而且这个坑本身正在变小。

一季度数据显示，AI技术迭代成为企业裁员首要诱因，占比超25%，年内全球因AI调整人力架构的裁员人数达3.9万。相比"被裁"的人，更多人的困境是"从未被录取"。他们的简历石沉大海，面试机会越来越少，LinkedIn上的状态从"open to work"挂了半年都没人问。这些痛苦是安静的，安静到不会成为任何一条社会新闻。

中国的语境和美国不完全一样。但道理是相通的——当AI能做你入行前三年的活，企业就没有理由花钱让你做三年苦力来"成长"。它不会等你准备好。

所以呢？

我不想写那种"年轻人应该学会用AI"的建议。这话没错但太轻了。就像告诉一个被海啸冲走的人"你应该学游泳"——问题不是你会不会游泳，是浪太大了。

但有几件事值得认真想：

第一，入门方式变了。过去是"先进入系统，在系统内学习"。以后可能是"先在外面证明你能做判断，再被系统吸纳"。作品集、开源贡献、实际项目经历，这些"非系统产出"可能变成新的入门票。

第二，"默会知识"的稀缺性在暴涨。AI越强，那些只能靠身体经历才能获得的判断力就越值钱。这不是安慰——这是真的市场信号。经验的溢价正在上升，而不是下降。

第三，也许最重要的——要认清自己在哪条曲线上。如果你的工作主要是搬运和重组已编码知识，那你确实在断崖边上。如果你的工作包含大量只有"做过才知道"的决策，那你暂时安全。

但"暂时"两个字，也许是这篇文章里最让人不安的词。

金丝雀的用途

Brynjolfsson管他那篇论文叫"煤矿里的金丝雀"。金丝雀不能阻止瓦斯泄漏。它只能告诉你，危险已经来了。

19%是一只已经倒下的金丝雀。

它在说的是：AI对劳动力市场的影响不是未来时。它已经在发生。只是它发生在最没有话语权、最没有存量筹码的人群身上——22到25岁、刚毕业、第一次找工作的人。他们不会上新闻。不会发联名信。不会让任何CEO感到压力。

他们只是安静地不被录取。

然后某一天，有人看了一下ADP的薪资数据库，发现少了19%的人。

我二十二岁的时候，第一份实习是帮领导整理行业数据做周报。做得很痛苦，做得很无聊，做得有时候想辞职。

但那些周报里的数字，后来变成了我判断一个行业好坏的底色。那些无聊的重复，长成了后来做决策时不需要查资料的"肌肉反射"。

如果我今年二十二岁，这份实习可能已经不存在了。

那我的肌肉反射，从哪里长出来？