增招预期近3:1,三分之一雇主却称AI已削减新人练手任务:2026届要补齐的4张入场券

2026年3月，Strada教育基金会调查了美国近1,500名高管和资深人才负责人，预期AI今年增加初级招聘的人数，是预期减少者的近3倍；同一份调研里，已尝试使用AI的雇主中有三分之一报告，AI已经削减了初级员工赖以学习的基础任务。

读了十几年名校，走进第一份工作才发现，研究、文档、数据清洗、基础编码这些用来练手的活正在被AI接走，带你的人手里少了一块教学材料。

麦肯锡在7月14日的季刊文章里引用了这组数据，招聘的窗口还开着，新人的训练场却在缩小，雇主要找的人，能读懂AI产出的深度数据，也能与智能体并肩工作。

近3:1的增招预期与三分之一的任务削减，出自同一份调研

调研由Strada Institute for the Future of Work主导，Artemis Strategy Group协助执行，时间是2026年3月3日至22日，回收1,498份样本。受访者是美国雇主中的CEO与总裁、总经理和资深人力资源负责人，结果按行业、企业规模和地域加权。麦肯锡季刊文章的作者是Bryan Hancock（华盛顿办公室合伙人）和Charlotte Seiler（湾区办公室副合伙人），文章引用这项调研，并在此基础上提出培养新人的四部分方案。范围只覆盖美国雇主，本文没有对应的中国校招数据。

在已至少探索过AI的雇主中，46%预期AI对2026年初级招聘量有正面影响，17%预期负面影响，比例接近3:1，Strada报告的写法是2.7倍。回看2025年，46%的雇主报告招聘量增加，13%报告减少，比例接近4:1。基数是1,387家已探索AI的美国雇主。

同一批雇主回答任务结构的问题，答案分成四组：42%称AI增加了初级岗位的分析与判断类责任，41%称AI减少了常规行政任务，33%称AI削减了基础和技能构建类任务，20%称任务组合没有明显变化。

招聘量与任务结构走向了两个方向。雇主愿意继续招人，同时把练手的任务交给AI，把分析和判断的责任提前压给新人。银行是一个例子：美国银行在2026年6月3日宣布接收近4,000名暑期实习生和全职校招生，来自500多所院校，麦肯锡写明这一规模与上一年持平，岗位围绕AI重新设计。

青年就业的信号偏弱。麦肯锡引用Handshake的调查：毕业班对职业起点的悲观比例两年内从46%升至62%，悲观者中四分之三把原因归于企业减少初级招聘。纽约联储的数据显示，2026年一季度美国应届大学毕业生失业率约为5.7%，约四成处于就业不足状态。斯坦福数字经济实验室的研究发现，22至25岁的员工在AI暴露度最高的职业中，就业相对下降16%。

这些下滑有多少归因于AI，研究者内部有分歧。纽约联储经济学家的估算认为，远程办公让新人更难被远距离带教，是青年毕业生失业率上升的主要原因；耶鲁Budget Lab没有找到全经济体范围内清晰的AI影响，同时指出年轻与年长毕业生的分化与早期职业效应一致。麦肯锡的处理方式很克制：无论学徒制通道被算法侵蚀还是被距离侵蚀，雇主面对的含义相同，新人成为专家的非正式机制不能再默认存在。

初级岗位还在招，初级岗位里练手的活在减少。

研究、文档、数据清洗、基础编码被AI接走，微软的两位工程负责人把新人的处境叫作“AI drag”

几十年来，企业把常规、低风险的工作交给早期职业员工，同时把这些工作当作未来领导者的训练场。麦肯锡用《广告狂人》里Peggy Olson的经历作例：她从新手助理做到文案主管，常规工作让她一直待在练习判断、也能被人看见判断的房间里。

麦肯锡列出正在被精简或被AI系统吸收的任务：研究、文档、数据清洗、基础编码和初步分析。这些活动过去是年轻员工建立直觉、磨出判断、赢得更多任务的途径。《The Skill Code》的作者Matt Beane对此有一套解释：技能靠挑战、复杂性和与专家思维的连接长成，技术吸收常规工作以后，这三个条件常被削弱。

微软的两位工程负责人Mark Russinovich和Scott Hanselman在2026年4月的《ACM通讯》上写得更直接。智能体式编码助手给资深工程师带来“AI boost”，产出成倍增加；给缺乏判断力、无法驾驭和校验AI输出的早期职业开发者带来“AI drag”。企业因此有了雇资深、自动化初级的激励，这个激励在悄悄拆掉每个资深岗位都依赖的人才金字塔底部。两人的处方是继续招新人，接受新人起初会拉低产能，并把新人的成长写成组织的明确目标。

银行业面对同一个问题，采取的办法是模拟。美国银行全球人才负责人Josh Bronstein对《商业内幕》说，银行要用模拟环境快速给新人提供经验，让他们拥有过去在头一两年靠做这些任务才能获得的判断力。

名校成绩在这个环境里的分量，Strada的数据给出了参照。雇主对初级岗位所需技能打分，批判性思维、沟通和协作排在最重要的位置，AI素养排在最末。在七类候选人画像的偏好排序里，有同行业实习、相关工作经验或相关项目经验的人排在前面，拥有4.0 GPA和学术奖项、没有任何工作经历的人排在末位。工作经验被39%的雇主评为“至关重要”，比例高于其他任何一项。

麦肯锡对目标的界定也随之改变：任务熟练度让位于判断，也就是知道何时信任、质疑或推翻机器给出的结果。

先做，让AI批改，再和经理对照差距：麦肯锡把这套流程叫“答案键模型”

答案键模型的流程只有三步：员工先独立完成，AI批改这次尝试，员工再和经理坐下来讨论差异。麦肯锡的判断是，AI缩短了反馈周期，学徒制需要的条件仍然保留。

麦肯锡引用了一家房地产公司的做法。AI智能体生成的市场评估比新人独立完成的更全面，公司仍然要求初级员工先“亲手”做一遍：走街区，研究地理与交通，形成自己的判断，再和AI的评估对照。差距暴露出被遗漏的因素，也强化了正确的判断。

医学领域有两组一手研究可以对照。Goh等人2024年发表在《JAMA Network Open》的随机试验招募了50名医生，一组在常规资源之外使用GPT-4，另一组只用常规资源，两组的诊断推理得分中位数分别是76%和74%，差异在统计上不显著（P=.60），GPT-4单独作答的得分是92%。作者的结论是，只给医生开放访问权限，诊断推理不会因此提高。同一团队2025年发表在《Nature Medicine》的试验换成管理推理任务，92名医生中使用GPT-4的一组得分高出6.5个百分点。两项结果合看，工具带来多少收益，随任务类型而不同。

Kıyak等人2025年10月发表在《Journal of Surgical Education》的研究走了另一条路：38名一年级医学生用5天做AI生成的选择题，每道题得到AI生成的个性化反馈，并配合间隔重复。对照组是33名二年级学生，分组没有随机。在5种腹痛诊断的视频考试中，一年级学生的成绩即时和两周后都高于对照组（P<0.001）。作者在文中说明，非随机设计限制了因果结论。

“先做，再对答案” 这个顺序，认知心理学有更早的实验依据。Kornell、Hays和Bjork 2009年发表在《Journal of Experimental Psychology: Learning, Memory, and Cognition》的实验让一组参与者先尝试回答问题、再看到答案，另一组直接阅读问题和答案；结论是尝试回答这个动作本身促进了之后的学习，答对与否影响不大。Giebl等人2021年发表在《Psychology Learning & Teaching》的研究把这个顺序搬到了搜索场景：参与者学习编程概念，先自己解题、再上网查资料的一组，在之后含迁移题的选择题测验里，成绩高于一开始就上网搜索的一组。

反面的一手证据来自Bastani等人2025年发表在《PNAS》的田野实验。近千名高中数学学生中，使用普通版GPT-4的一组在练习阶段成绩提高48%，撤掉AI以后的独立测验成绩比从未使用AI的对照组低17%；使用带护栏版本的一组（提示由教师设计，给提示而不给答案）练习阶段提高127%，负面影响基本消除。作者把普通版一组的表现归因于学生把GPT-4当作“crutch”，也就是拐杖。微软《New Future of Work》报告（2025年12月）经麦肯锡转引，描述了同类现象：员工借助生成式AI完成自己本来做不了的技术任务，撤掉AI以后，这项能力随之消失。

麦肯锡把这些证据合起来读，总结是：被动依赖只增加产出，结构化的对比才培养出专家。上述研究分别支持这个总结的两半：先自己尝试的顺序有利于学习，无护栏地依赖AI会削弱之后的独立表现。答案键模型把这两点放进了同一套流程。麦肯锡同时提醒，这类要求认知投入的流程对新手负担偏重，需要设计好并控制剂量。

答案键模型还带来一项过去学徒制做不到的度量。独立尝试与AI输出之间的差距可以被观察，差距逐渐缩小，可以当作判断力在形成的一个参考信号。

Hancock和Seiler把答案键模型放在岗位设计部分，四部分方案的另外三块是知识管理、工作流内学习和经理辅导。企业侧的改造由企业完成，你能拿走的是其中的顺序：先写出自己的结论，再看AI怎么答。

雇主选人的4张入场券：审核AI、读懂行业语境、设计人机工作流、影响资深决策者

以下四项由本刊根据麦肯锡文章与Strada调研归纳，每一项列出原文依据和一个可执行动作。

一：AI输出的审核与推翻能力。 麦肯锡把目标写成判断，即知道何时信任、质疑或推翻机器输出。动作：每次用AI交出稿件，留一页核对记录，写明你查证了哪些事实与假设、推翻了哪条结论、依据是什么。

二：行业语境整合能力。 分析自动化以后，差异出在你能否解释这个数字。麦肯锡举的例子是销量飙升可能来自促销周期，真实需求没有变。动作：每份分析的结尾补一句，这个数字在该行业里为什么会这样，并写下依据的来源。

三：与智能体并肩工作的流程设计。 麦肯锡写到雇主想要能解读AI生成的深度数据、能与智能体并肩工作的人，部分企业还在把岗位改成端到端职责，例如用覆盖销售、营销和商业的宽岗位取代单一的销售分析师。Strada把AI素养排在雇主技能评分的最末，所以这一项的考点落在你对流程和结果负责，工具清单排不上号。动作：把自己做过的一个项目画成流程图，标出哪一步交给AI，哪一步亲手做，哪一步有人复核，以及每一步的理由。

四：沟通与组织影响力。 Strada的雇主评分把沟通和批判性思维放在最前；麦肯锡指出新人会更早面对资深利益相关方，需要传达艰难的信息，比如建议大幅削减预算，只汇报“数据怎么说”容易显得生硬，脱离业务现实。动作：把同一个结论各练一遍，一遍说给CFO听，一遍说给一线经理听，写下你为每位听众选了哪些措辞和证据。

选人的问法也在变化。麦肯锡观察到，雇主的提问从“你学了什么”转向“你怎么思考”，一位财富100强金融公司的人力资源负责人说，他招的是“general athletes”，即学习直觉强、善于协作、对AI有基础了解的通才型人选。一项arXiv论文（Mäkelä与Stephany，2026年6月修订）发现，要求AI技能的岗位，同时要求分析思维、韧性或敏捷性的概率接近两倍。

这四张入场券对国内秋招有参照价值。金融、咨询和互联网大厂的初级岗面试里，会做PPT、会查数据在AI面前难以再构成壁垒，面试官会追问你怎么验证结果，怎么把结论放进业务闭环。本文没有国内校招的调研数据，以上属编辑部的定性判断。

雇主为你在AI输出之上的商业判断力付费。

4道速测题和一棵决策树：你的秋招筹码停在哪一层

以下自测由本刊自制，对应上文4张入场券，用来判断你的筹码在任务熟练层、过渡层还是判断层。

• 第1题：上一次用AI做作业、项目或实习任务，你能说出它错在哪几处、你改了什么、依据是什么吗？

• 第2题：拿到一道业务题，你能先独立写出自己的判断，再拿AI的方案对照，并写下差距吗？

• 第3题：面对一个行业数字，你能说出它在这个行业里的成因，并给出依据吗？

• 第4题：同一个坏消息，你能用两种说法分别讲给资深决策者和一线同事，并说明为什么这样选词吗？

评分：

• 答“能”4题：筹码在判断层，下一步把核对记录和对照记录整理成面试素材。

• 答“能”2至3题：处在过渡层，从答“不能”的那一题对应的入场券开始补。

• 答“能”0至1题：处在任务熟练层，今晚选一份手头的作业，先独立写出结论，再和AI对照。

决策树：

• 从第1题开始。

• 第1题答“能”，进入第2题；答“不能”，先执行入场券一的动作，做满三份核对记录再回到这里。

• 第2题答“能”，进入第3题；答“不能”，选一份作业先写后对，每周做一次，把差距记在同一张表里。

• 第3题答“能”，进入第4题；答“不能”，执行入场券二的动作，每份分析补一句行业成因。

• 第4题答“能”，你已经具备四张入场券的基础，转入面试表达训练；答“不能”，执行入场券四的动作，先找一位同学当听众。

近3:1的增招预期给了你一个窗口，三分之一雇主的报告说明窗口里的训练场需要自己搭。这周先做一件事：选一份作业，先写，再对答案。

如果你是大学生或者工作经验在2年以下

推荐关注⬇️yourwaycareer

如果你的工作经验在2年以上

推荐关注⬇️yourwaycareer社招

不经过专业的求职训练，如何拿到Dream Offer

报名VIP项目，扫描下方二维码
联系YWC团队免费咨询