AI 時代，剛入行的新人，該從那裡起步？
前天，Anthropic 公佈了一份內部就業情況報告，結合員工的 AI 使用記錄、招聘和人事資料，分析公司內部正在發生的變化。
我們讀完後覺得，其中關於新人機會和職業成長的討論，很值得拿出來和大家聊聊。
這家公司正在快速擴張，技術團隊的招聘人數也在增加。但在新招進來的技術員工裡，初級新人的比例卻從 27% 降到了 9%。
過去，新人剛入行，往往可以從改小需求、修簡單問題做起，跟著前輩邊干邊學。
如今，當這類簡單明確的基礎工作越來越多地交給 AI，原本留給新人邊做邊學的位置，也在逐漸消失。
一、擴招之下，初級崗卻在收縮
先看這組引起廣泛討論的數字。
從 2025 年初到 2026 年年中，Anthropic 技術部門新招員工裡，初級崗位的佔比從 27% 降到了 9%。同一時期，技術部門存量員工裡初級人員的比例，也從 21% 下滑到 14%。
如果你今年剛畢業，或是剛轉行，正打算投技術崗位，這組資料恐怕很難讓人輕鬆：公司還在擴招，招進來的人裡，新人卻越來越少見。
Anthropic 的業務也沒有放緩。過去一年，公司員工總數成倍增長，技術團隊實際招進來的人數也在增加。公司成立第五年時，人均營收已達到上一代科技巨頭在相近發展階段的兩到四倍。
但擴招帶來的機會，並沒有同樣的落到技術新人身上。在銷售、財務等非技術部門，初級員工在新員工中的佔比一直穩定在 25% 左右；技術團隊的這一比例，卻從 27% 降到了 9%。
這與 AI 正在接手的工作有關。寫程式碼、修漏洞等任務，過去可以讓初級程式設計師跟著前輩練手，如今越來越多地交給了 AI。基礎工作仍然需要有人完成，只是公司有了招聘新人之外的選擇。
這些 AI 已經承擔了多少工作？報告顯示，到 2026 年 8 月，全公司平均每位員工呼叫的 AI 智能體，累計執行階段長已達到員工自身工時的 6 倍。在核心研究部門，這一數字更是達到了 19 倍。
一個人可以同時讓幾個 AI 助手幹活：有的查資料，有的運行測試，有的寫功能。把它們各自的工作時間加起來，累計時長就可能遠遠超過一個人實際工作的時間。
產出的變化也很明顯。工程師的人均程式碼提交量已達到半年前的 5 倍，管理者親自編寫的程式碼量也增加了一倍。
程式碼交得多了，質量能不能跟上？研究團隊為此做了一組對比：看同一位員工在同一個月裡，手寫程式碼和 AI 生成程式碼的質量表現。
結果顯示，在提交後 90 天內因修復問題而被刪除的程式碼行佔比、程式碼被顯式撤回的比例，以及跳過測試的標記數量這幾項指標上，兩者沒有統計上的顯著差異。
至少從這些指標看，產出增加的同時，AI 程式碼沒有表現出明顯的質量劣勢。團隊交給 AI 的任務，也逐漸從簡單修改擴展到更複雜的工程工作。
而這恰好與新人招聘的變化聯絡起來。報告發現，日常使用 AI 處理的任務越複雜，相關崗位的初級員工人數增長就越慢。過去，新人可以靠這些基礎工作練手，再逐漸接下更難的任務。如今，AI 能接手的工作越來越多，留給新人從頭學起的位置也在減少。
二、AI 接手工作，人開始管理 AI
AI 幹活更快了，人卻未必更輕鬆。多個任務同時推進之後，員工要花更多時間看結果、做判斷、給出下一步指示。
報告對多輪日常對話的統計顯示，大約 80% 的時間，AI 都在等人回應。
不難想像這樣的場景：幾個任務同時完成，幾份方案等你審閱，一段程式碼等你確認，另一個流程又出了異常，需要你處理。
一位工程師把這種感覺比作一個人帶一群小孩：每個孩子都急著喊你幫忙打開果汁盒，即便旁邊另一個孩子已經摔傷流血。AI 助手也是如此，每個都在催你，卻未必分得清那件事更緊急。
人要是認真看完所有輸出，需要多少時間？按報告的估算，在研發崗位上，逐字讀完 AI 生成的全部內容，平均每人每周需要 424 個小時，相當於約十個人一周全職閱讀的工作量。即便在財務、法務等非技術部門，也要花掉大半個工作周。
AI 能同時處理的任務越來越多，人能分給每項任務的注意力卻很有限。
逐條審讀已經不現實，員工開始把更多精力放在管理 AI 上。這類工作被稱為「元工作」，包括給 AI 寫操作規範、搭建監控、調整工作流程，讓它少出錯，也少來回找人確認。
報告顯示，與這類工作有關的互動，佔日常互動的比例從一年前的 10% 上升到了 22%，在基礎設施團隊中甚至接近 30%。員工會編寫提示詞規範，讓兩個 AI 互相審查，也會搭建看板，集中查看任務進展。
一部分原本用於親手寫程式碼的時間，就這樣轉向了給 AI 分配任務、設定邊界和檢查結果。一位工程師甚至會定期總結自己與 AI 團隊的溝通，梳理那些指令有效、那些溝通方式需要調整。
圍繞 AI 展開的溝通也越來越多。在一個大部門的內部溝通軟體裡，輔助 AI 工作的對話線程從 150 個增加到了近 8000 個。這些對話主要集中在專門的人機工作區，人類原有的日常聊天頻道沒有受到擠佔。
但把 AI 放進專門的頻道，還不足以讓它跟上公司的變化。它要做對事情，依據的資料也得及時更新。
如果兩位主管在私下會議裡定了新規矩，卻沒有留下 AI 能讀取的記錄，它就仍然會按照舊文件辦事。一位員工調崗幾個月後，AI 還在每天找他要文化衫和馬克杯，原因就是舊文件裡的負責人沒有更換。
過去，人可以靠當面溝通補上這些資訊；AI 卻可能一直照著舊記錄執行。為了讓它跟上，相關決策、會議要點和人員分工的變化，都需要及時記錄，並更新到它能讀取的資料裡。
三、Anthropic招聘更看重自主性和判斷力
當員工開始把更多時間用於分配任務、檢查結果，招聘時看重的能力也隨之改變。
研究人員分析了數千份面試評分記錄，發現面試官越來越關注候選人如何使用 AI。技術崗位和非技術崗位的評價中，提及這類使用習慣的比例都比過去高出數倍，非技術崗位的增幅更大。
但會用 AI，只是其中一項要求。技術崗位的面試評價更強調自主性和綜合判斷力，對某一項細分技術專長的關注則有所下降。
一位招聘經理解釋，模型的能力會不斷變化，而且不同領域的進步並不同步。團隊因此更需要能夠跨領域處理問題、自主推進工作的人。
非技術崗位也有類似變化。面試官討論具體執行能力的篇幅減少了，更多地考察候選人是否理解整體業務、能否把握使用者需求。
這種判斷力，具體體現在那裡？
Anthropic 此前對 40 萬次人機對話的分析，提供了一個理解它的角度：使用 AI 完成工作，需要人知道任務該怎麼做，也能判斷結果是否正確。
以會計對帳為例，即使不會寫程式碼，只要能講清楚對帳規則，並行現 AI 生成的自動化指令碼漏掉了月末的特殊情況，就能指導 AI 把這項工作做好。
經驗的作用，在遇到異常時尤其明顯。熟悉業務的人更容易發現遺漏，知道該從那裡檢查、怎樣糾正；缺乏經驗的人即便拿到了結果，也可能看不出問題，更難判斷下一步該怎麼辦。
面對這些變化，Anthropic 內部建立了崗位預警機制。如果發現某些職能受到較大影響，就優先安排相關員工轉崗。
但正如報告作者所說，這套安排能夠幫助的是已經入職的員工。對於還在準備求職、投遞簡歷的新人，公司內部的轉崗機制無法解決他們最先遇到的問題：怎樣獲得第一份工作。
四、入門工作少了，判斷力還怎麼提升
企業越來越希望新人一入職就能獨立判斷，但新人恰恰需要先有機會做事，才能積累這種能力。
過去，技術行業有一條常見的成長路徑。年輕人剛畢業，即使掌握了基礎知識，也需要時間熟悉業務和具體系統。
他們通常從邊界清楚的小任務做起：查資料、寫程式碼、犯點錯，再向前輩請教。那些地方容易出問題，那些改動會影響其他功能，都是在一次次處理具體問題時慢慢學會的。
這些工作看起來瑣碎，卻給了新人積累經驗的機會。
如今，其中不少任務可以交給 AI 完成，企業對初級員工的需求隨之減少。招聘時，企業又更希望候選人已經具備判斷力，能夠指揮 AI、發現結果裡隱藏的問題。
可一個人要知道那裡可能出錯，往往得先親手做過、出過錯，再學著把問題解決。
即便新人能借助 AI 完成任務，也未必學到了同樣多的東西。
Anthropic 曾招募 52 名有程式設計基礎、但沒用過特定 Python 工具庫的開發者，隨機分組完成學習任務。一組可以使用 AI，另一組自行編寫程式碼。隨後的測試中，AI 組平均得分為 50%，手寫組為 67%，兩組最大的差距出現在尋找和診斷程式碼錯誤的題目上。
這項小樣本實驗衡量的是任務完成後不久的理解程度，還不能說明長期能力會如何變化。但它提醒了一個容易被忽略的問題：程式碼跑通了，人不一定理解了它為什麼能跑通。研究也發現，主動追問原理、要求解釋的參與者，依然能夠取得較好的學習成績。
如果只是讓 AI 寫程式碼，報錯後再讓 AI 修改，新人就可能錯過自己檢查、排查和糾正問題的過程。而這些過程，恰恰與日後稽核 AI 輸出所需的能力有關。
於是，新人面前出現了一個難題：公司希望招進來的人已經能獨立判斷，過去讓人逐步學會判斷的入門工作，卻越來越少。
史丹佛數字經濟實驗室在 2026 年 8 月更新的美國就業研究中，也觀察到了新人招聘收縮的跡象：在受 AI 影響較大的職業中，22 至 25 歲勞動者的就業增長落後於受影響較小職業的同齡人。差距主要表現為企業減少招聘年輕人，而非更多人離職或被解僱。研究尚不能單獨確定 AI 的因果作用，但它所呈現的壓力，已經落在了求職入口上。
五、多問一步，親手驗證，在真實項目裡積累經驗
入門崗位減少之後，新人需要更主動地尋找練手機會。用 AI 完成任務時，也要給自己留出理解和驗證的過程。
第一步，是在拿到答案之後繼續追問。
讓 AI 生成一段程式碼或一份方案很快，但任務完成了，不代表自己已經弄懂。為什麼採用這種結構？換一種寫法會有什麼影響？資料量突然增加，或者出現特殊情況時，還能不能正常運行？
這些問題可以拿來問 AI，也需要自己查文件、做測試。尤其是看起來合理的解釋，更值得動手驗證一次。那些條件下有效，那裡會出錯，親手試過才更容易記住。
第二步，是讓求職作品展示你做判斷的過程。
有了 AI，做出一個漂亮介面或一份完整方案變得容易了。僅憑最終成品，已經很難看出候選人在其中做了多少工作。
你可以把關鍵過程一起呈現出來：最初的需求那裡含糊，你怎樣確定邊界；AI 的第一版方案漏掉了什麼，你如何發現；為什麼放棄某種做法，最後又用什麼方法驗證結果。
不必堆滿聊天截圖，選出幾次有代表性的判斷，講清問題、依據和處理結果。面試官由此才能看見，你是否理解自己交出去的東西。
第三步，是找有真實使用者和業務約束的項目練手。
Anthropic 出資支援的 Claude Corps 項目提供了一個思路：讓職業起步階段的年輕人進入非營利組織，通過為期一年的帶薪工作，學習用 AI 解決實際問題。合作機構包括食品銀行、海洋保護組織等。
真實項目裡的資料可能不完整，不同人的需求可能互相衝突，一套通常有效的規則也可能遇到例外。要把事情做成，就得反覆確認需求、處理異常，並向使用結果的人解釋自己的選擇。
尋找這樣的項目時，可以留意實習、開源協作或公益項目。關鍵是有人真正使用你的成果，也有人能指出它那裡不好用。處理這些反饋，本身就是積累經驗的過程。
寫在最後
Anthropic 的報告用翔實的資料講透了一場前沿的技術重組。
報告回顧二戰後的勞資安排時提到，工會接受企業調整工作組織方式，換取與生產率增長掛鉤的加薪和福利。放到今天，如何分享效率提升的收益、如何幫助員工轉崗，仍然是企業需要回答的問題。但作者也明確指出，這些內部安排無法直接解決初級招聘放緩的問題。
對新人來說，主動追問、驗證結果、參與真實項目，是眼下可以做的事。這些努力不能替代企業提供的培養機會，卻能幫助自己在使用 AI 時，多學會一點識別問題、處理問題的能力。
在主動核驗與真實問題中，自己為自己築起向上的台階。 (Datawhale)