培训阶梯问题:为什么 AI 正在打破专业人士学习技能的方式

观点

Luis Garicano 是伦敦政治经济学院的教授,数十年来一直研究知识层级和组织经济学。在这次 EPOCH AI 采访中,他对 AI 对专业工作的影响提出了最发人深省的分析之一——不是通过大规模裁员,而是通过入门级招聘的悄然消失。他的研究揭示了一个隐藏的危机:将初级员工培养成专家的"培训阶梯"正在被那些本意帮助他们提高生产力的工具所拆除。

关于人类瓶颈: "As long as the AI needs your supervision because it makes lots of mistakes, then the bottleneck is the human."(只要 AI 因为犯很多错误而需要你的监督,那么瓶颈就是人类。) 这是 Garicano 指出的核心张力——AI 生产力的提升受制于人类监督能力,直到 AI 跨越"监督阈值"实现真正的自主性。我们正处于增强而非替代的时期,这实际上限制了收益。

关于基于资历的技术变革: "In the AI exposed occupations, you don't see anything happen to senior employment. You see it growing. You see junior employment really dropping. And the way it's dropping is through hiring."(在受 AI 影响的职业中,你看不到高级岗位的就业发生任何变化。你看到它在增长。你看到初级就业真的在下降。而下降的方式是通过招聘。) Garicano 引用了 2025 年 8 月分析 6200 万工人的两篇论文,表明这不是轶事——而是系统性的。McKinsey 的合伙人没有被替换;他们只是不再招聘新分析师。

关于破碎的培训契约: "The apprentice is paying not in dollars, it's paying in menial tasks... If the AI can do the basic research at McKenzie, can do the contract review at Cravath, then how do you pay for your training?"(学徒支付的不是美元,而是琐碎的任务......如果 AI 可以在 McKinsey 做基础研究,可以在 Cravath 做合同审查,那么你如何支付你的培训费用?) 初级员工历来用繁重工作换取专家的指导。当 AI 做这些繁重工作时,师徒关系的经济逻辑就崩溃了。

关于超级明星效应: "A very good AI programmer with lots of AI can have enormous leverage and can reach very large market size."(一个拥有大量 AI 的优秀 AI 程序员可以拥有巨大的杠杆作用,可以触及非常大的市场规模。) 就像 Messi 可以触及 5 亿观众一样,顶级 AI 工程师现在可以获得 1 亿美元的薪酬待遇。分化是真实的:顶层的补充,底层的替代。

关于监管碎片化: "We are in a game theoretical situation between China and the US. I don't think the possibility of slowing things down exists... Who is 'we' here? Is it China, is the US? Is it firms? Is it workers?"(我们正处于中美之间的博弈论情境中。我认为放慢速度的可能性不存在......这里的"我们"是谁?是中国,是美国?是企业?是工人?) Garicano 反驳了 Daron Acemoglu 对引导技术的乐观态度——没有统一的行为者可以协调放缓。

关键要点

• 初级员工正在被悄悄地"解雇",而不是被裁员 - 这种转变体现在招聘冻结中,而不是裁员中,这使得在未来专家的管道已经破裂之前更难检测
• 监督阈值决定一切 - AI 从补充转变为替代的时刻是它跨越质量标准,人类无法改进其输出
• 隐性知识传递面临风险 - 任何手册中都没有的专业知识——如何处理客户、驾驭组织——可能完全停止传播
• 超级明星经济正在放大 - 顶层的人获得杠杆,而低于自主阈值的人面临工资压缩
• 短期 GDP 可能下降,即使福利上升 - 如果法律和医疗服务变得免费,消费者剩余飙升,但在过渡期间衡量的经济产出可能收缩
• GDPR 和欧盟 AI 法案可能适得其反 - "部分风险是你试图控制技术,最终却没有技术"

大局观

Garicano 的分析揭示了 AI 增强核心的一个悖论:本意帮助初级员工更快学习的工具实际上可能消除培训他们的经济理由。当 AI 做合同审查、PowerPoint 幻灯片和基础研究时,学徒还剩下什么货币来支付指导费用?这不是关于 AI 替代专家——而是关于 AI 阻止下一代成为专家。对于部署 AI 代理的组织来说,问题不仅仅是"我们可以自动化哪些任务?"而是"我们正在破坏哪些培训路径?"