通信人家园

标题: 生成式AI掀起职业革命，哪些工作的门槛越来越低？ [查看完整版帖子] [打印本页]

时间: 2025-3-27 11:06

作者: ttxx 标题: 生成式AI掀起职业革命，哪些工作的门槛越来越低？

生成式AI革命不仅改变了我们学习的内容，还改变了学习方式。传统的学习曲线正在重新绘制，为技能获取和职业发展创造了新的范式。这种转变要求企业从根本上重新思考如何进行人才管理，以及个人如何规划自己的职业生涯。

随着生成式AI的应用，一些工作内容实现了自动化，同时某些岗位员工的工作能力得到了增强，雇主用于评估求职者的技能、经验和资质标准也将迅速改变。悲观者认为这些变化会限制职业流动性；乐观者则反驳说，通过减少与技术或 “硬” 技能相关的工作要求，职业流动性反而会得到提升。

究竟谁的观点正确呢？

事实上，AI将为一些员工打开机遇之门，同时也会对另一些人关闭机会之窗。我们在研究中发现，目前，美国约12%的劳动者从事的职业中，入门级岗位的大部分任务很可能会被生成式AI自动化。这必然会导致入门级岗位招聘数量的减少，而且这种情况已然发生：随着基于生成式AI的微软Copilot问世，入门级软件工程岗位的招聘基本陷入停滞。同时，约19%的劳动者所处的领域中，生成式AI可能会承担目前需要专业技术知识的任务，从而为那些不具备硬技能的人开辟更多机会。

我们的分析表明，在未来几年内，近5000万个工作岗位将或多或少受到影响。这些变化将促使企业深度重塑组织结构，并重新思考人才管理战略。其影响将是深远的，不仅涉及各个行业，还关乎个人与社会。能够灵活应对的企业，将最有机会利用生成式AI提升生产力的潜力，同时降低人才短缺带来的风险。

经验丰富的员工得到助力，而资历尚浅的员工进入门槛变高，哪些职业最有可能呈现出这种情况？为了回答这个问题，我们研究了一个任何初入职场的人都熟悉的概念：学习曲线。

收入曲线与学习曲线

这是一个简单却蕴含深刻意义的概念。在某些工作中，比如网约车驾驶，上手并不需要太长时间。但在从销售到软件工程等众多工作中，新手和经验丰富的从业者之间存在着显著的知识差距。

学习曲线反映了不同工作的员工达到最高生产效率所需时间的差异。当一个职业中资深员工的生产效率远远超过入门级员工时，学习曲线就较为陡峭。我们的分析表明，在许多这类职业中，入门级技能比高级岗位更容易受到生成式AI的影响，这表明这些职业入门级岗位的门槛可能会提高。

那么，生成式AI会提高哪些职业的专业技能门槛呢？

为了回答这个问题，并衡量市场对学习差异的重视程度，我们分析了一系列不同职业的收入曲线。（收入曲线是衡量生产效率随时间增长的良好指标，因为它们通常反映了学习一门专业所需的时间。）这使我们能够找出那些经验丰富的员工薪资明显更高的岗位，这意味着积累的专业技能有显著溢价。然后，我们从涵盖数百万条美国在线招聘广告、为期两年的数据中，分析每个职业中资历较浅和资历较深的员工之间技能要求的差异。

接下来，为了预测哪些技能的重要性可能发生变化，我们采用了一个模型，该模型展示生成式AI的应用如何影响各个职业中的任务。这使我们能够确定那些学习曲线陡峭，且经验不足的员工比经验丰富的员工更容易受到生成式AI影响的工作。随着生成式AI在这些岗位中承担大部分入门级任务，传统职业发展路径的进入机会可能会大幅减少。这一类别的前100个职业，包括项目管理专员、培训与发展经理、网页设计师和金融风险专员等岗位，目前雇佣了1780万人，约占美国劳动力的12%。

在本图表中，我们展示了数据集里一小部分具有代表性的职业类别。

图片来源: hbr.org制图:《哈佛商业评论》中文版

位于图表顶部的是学习曲线陡峭的职业路径。在这些职业中，生成式AI的能力可以提高经验丰富员工的生产效率，同时减少对经验不足同事的需求。例如，一位经验丰富的信用分析师可能会使用生成式AI来评估企业的信用状况，并将该企业的财务健康状况与其所在行业的同行进行比较，而不是将这些任务分配给下属。这里信用分析师的角色发生了转变：他们不再使用微软Excel等工具收集和整合信息，并将自己的发现与雇主的信用政策进行对比，而是探索更多不同的场景，利用这些发现重新评估现有客户的信用状况，或者与同事合作确定符合机构标准的潜在新客户。重要的是，这还包括创建并指令生成式AI代理来执行其中的许多任务。

这种转变可能会扰乱从新手到专家的传统晋升路径。随着生成式AI接管了传统上用于培养基础能力的任务，新人获得经验的机会将减少，而前辈们正是凭借这些经验晋升到更高职位的。这种趋势应该引起雇主的关注，因为他们在培养未来人才储备方面可能会面临挑战。

与之相比，图表底部的代表性职业类别对经验的溢价较低，因为它们主要依赖可以通过学习掌握的技术技能。（比如你要么会操作销售终端，要么不会。）由于生成式AI以及更广泛的技术，将使学习这些技能并在工作中快速完善它们变得更容易，这些职业路径可能会变得更容易进入。

拓宽就业机会

为了确定生成式AI可能降低进入门槛的职业，我们再次从学习曲线分析入手。在这种情况下，我们关注的是职业生涯早期薪资增长相对平缓的职业，这类职业的分布表明，进入这些职业的主要挑战在于最初获得聘用，而非掌握工作技能。然后，我们试图评估进入这些工作所需专业技能的性质，通过基于大语言模型（LLM）对工作要求进行分析，区分那些高度依赖显性知识（可以从书籍或课程中学习到）的职业，以及那些要求具备积累的隐性知识（通常通过经验获得）的职业。这使我们能够确定那些以高显性知识为特点的职业，在这些职业中，生成式AI工具可能会使所需技能更容易获取。

这类工作固有的专业技能门槛意味着它们常常面临合格候选人短缺的问题。生成式AI可以通过使获取行业知识或其他技能（如写作或语言能力）变得更容易，从而缓解这一压力，这些技能曾将其他方面合格的劳动者拒之门外。我们确定了这一类别的100个工作，目前雇佣了2860万人，几乎占美国劳动力的20%。随着生成式AI工具简化技能获取过程，包括数据仓库专员、施工经理、电气绘图员和网络管理员等在内的职业，可能会向更广泛的劳动者群体敞开大门。在这些领域，尤其是在职业生涯早期，扁平化的学习曲线有可能降低进入高需求、高薪资工作的门槛。生成式AI还有望彻底改变平面设计、编程、写作和数据分析等领域，在这些领域，技术含量高的任务也可以由专业培训较少的个人来完成。

企业面临的新挑战

随着生成式AI重塑工作格局，企业面临着需要战略调整的新现实。不同职业进入门槛的升高和降低同时出现，这要求企业从根本上重新思考组织结构和人才战略。企业尤其需要应对以下几个方面的影响。

1、组织结构

一些领域入门级岗位的减少将从根本上改变企业的架构。目前，许多企业采用金字塔结构，每个高级岗位由多个入门级员工辅助。随着生成式AI使入门级任务自动化，这种比例可能会急剧变化。曾经每个高级岗位对应五个入门级员工的结构，可能会演变为二比一的比例，甚至更低。

随着生成式AI将企业某些部门的组织金字塔重塑为更矩形或菱形的结构，新的机遇和挑战将应运而生。这样的结构可能会促进组织层级之间更快的信息交流和更直接的沟通，实现更敏捷的决策和执行。它们还可能使企业能够部署更小、更灵活的团队。由于生成式AI接管了许多常规任务和决策流程，对多层级中层管理的需求也应该会减少，从而使高级领导层与初级员工之间的联系更加直接。借助生成式AI工具赋能的经验丰富员工，可能需要较少的直接监督，进一步减少了对管理层级的需求。随着生成式AI承担需要深厚专业技术知识的任务，企业或许能够让高潜力人才在更多职能岗位轮岗，为他们未来担任管理职位做好准备。

然而，更扁平、菱形的组织结构也可能会减少员工获得管理经验的机会。生成式AI带来的去层级化将减少晋升机会，限制员工获得职业发展所需经验的机会。企业将需要调整职业发展路径，并设计新的方式来奖励执行能力、协作技能和专业知识。

2、人才战略

不断演变的组织层级要求企业重新思考招聘和职业发展策略。企业可能会将招聘重点放在更少的技能提供者身上。人才招聘团队需要变得更加敏捷，以获取与快速发展的技术需求相匹配的人才库。此外，随着企业削减入门级员工数量，可供晋升的候选人储备将减少，这意味着最大化新员工质量至关重要。不断发展的企业将需要开发新的人才储备渠道，部分可能通过从其他行业招聘，同时寻找新的方法来培养和储备人才，使其能够胜任高级职位。

这些变化也可能导致对经验丰富员工的竞争加剧，使人才保留成为关键优先事项，即从 “大量招聘与快速淘汰” 的人才获取模式，转向更加注重投资和留住具备稀缺专业知识员工的模式。

3、培训模式

如今，学习与发展预算的很大一部分用于新员工入职培训。随着某些职业的劳动力更加集中在一小部分专家身上，初始培训可能变得不如提高现有员工的生产力重要。一旦生成式AI广泛融入职场，这将意味着要确定并投资于对每个岗位日益重要的技能，使经验最丰富的员工始终保持领先水平。菱形结构的企业将需要重新规划学习路径，以促进有经验的员工从其他领域横向流动，以及那些职业生涯可能受到AI干扰的员工的流动。

雇主将需要采用新的培训模式来加速学习，既帮助现有员工适应变化，也让新员工能够更快地跨越学习曲线。为了避免在等待第三方开发培训项目时延误创新技术的实施，他们可能会倾向于定制的、内部开发的项目，这些项目将大量基于企业和行业特定知识。在一个几乎没有入门级在职学习机会的工作场所，模拟很可能成为使员工能够在更短时间内获得关键经验的重要机制。

4、企业特定知识

随着生成式AI使通用技能实现自动化，企业特定知识可能会成为释放员工生产力的一个越来越重要的因素。企业将希望专注于识别和培养这种知识，并考虑是否以及如何构建基础设施，使其对员工来说更容易获取。这将涉及有关创建新知识管理系统的决策，如内部维基和AI驱动的学习平台。企业需要考虑他们希望企业特定知识成为多大的门槛，以及如何在专业化的好处与劳动力灵活性的需求之间取得平衡。

驾驭AI驱动的人才格局

生成式AI革命不仅改变了我们学习的内容，还改变了学习方式。传统的学习曲线正在重新绘制，为技能获取和职业发展创造了新的范式。这种转变要求企业从根本上重新思考如何进行人才管理，以及个人如何规划自己的职业生涯。

随着这场革命的展开，其影响将以难以预测的方式演变。我们目前的分析仅基于现有职业、技能和AI能力提供了一个静态快照。随着生成式AI拓宽进入某些高技能职业的机会，劳动力供应的增加可能会给这些领域的工资带来下行压力，这是我们研究中未建模的一种可能性，也是未来研究的一个关键方向。此外，随着技术的进步，在职学习与通过正规教育学习之间的界限可能会不断变化，使情况更加复杂。

能够蓬勃发展的组织，必然是欣然接纳AI增强型学习曲线动态本质的那类组织。他们将把每条曲线视为不是固定的轨迹，而是一条可以通过正确的策略和工具重塑和优化的动态路径。通过这样做，他们不仅是在适应AI革命，还将有助于塑造其发展方向，打造一支更加敏捷、熟练、多样化和高效的员工队伍。

关键词：AI

约瑟夫·富勒（Joseph Fuller）、马特·西格尔曼（Matt Sigelman）、迈克尔·芬伦（Michael Fenlon）| 文

约瑟夫·富勒是哈佛商学院的管理实践教授。马特·西格尔曼是职场分析公司Burning Glass Institute的总裁，该机构推动关于未来工作和学习的数据驱动型研究与实践。迈克尔·芬伦是哈佛大学 “哈佛在线” 的执行董事、Burning Glass Institute的高级研究员。

豆包、Kimi | 译周强 | 编校

来源：36kr

时间: 2025-3-27 22:29

作者: 不吹不黑

AI使人失业

通信人家园 (https://test.txrjy.com/)