过去，企业培养一名新人，通常有一条相对清晰的成长路径：先从简单的工作做起，逐渐熟悉业务，再承担复杂任务，最终形成独立解决问题的能力。
一名刚进入制造企业的工程师，可能先从整理图纸、编制技术文件、收集质量数据和分析简单问题开始；一名初级咨询顾问，可能先负责资料收集、会议纪要、流程梳理和报告初稿。这些工作虽然基础，却让新人有机会接触真实业务，理解专业术语，逐步建立自己的判断能力。
但现在，AI正在快速完成这些工作。它可以整理资料、生成报告、分析数据、编写代码，甚至提出初步的解决方案。企业发现，过去需要初级员工花费几天完成的任务，如今经验丰富的员工借助AI可能几个小时就能完成。
这似乎是一件好事。企业提高了效率，员工也减少了重复劳动。
但一个新的问题随之出现：
如果初级工作都交给AI完成，那么新人通过什么途径积累经验？如果企业不再需要那么多初级员工，五年、十年以后的高级人才又从哪里来？
这可能是AI时代企业人才培养面临的一个深层挑战。
初级工作不仅创造产出，也承担着培养人才的功能
过去，企业安排新人从基础工作做起，表面上是为了完成一些相对简单的任务，但这些任务实际上承担着另一项重要功能：让新人在真实工作中学习。
例如，一名质量工程师刚进入企业，可能首先负责整理不合格品记录、统计缺陷类型、绘制趋势图。随着工作深入，他逐渐发现，同样的产品缺陷可能来自不同的工艺原因，而相同的工艺异常又可能表现出不同的质量问题。
这些认识并不完全来自培训教材，而是在不断接触实际数据、现场问题和经验判断的过程中形成的。
研发工程师也是如此。最初可能只是修改图纸、整理BOM、检查尺寸公差，但在反复处理这些工作时，他开始理解材料、结构、制造工艺与产品功能之间的关系。
初级工作的价值，不只是完成任务，更是让新人逐渐建立对专业问题的感知能力。
AI改变的恰恰是这一部分。它能够迅速完成大量规则明确、信息密集、可重复的基础任务，却也可能使新人失去过去通过这些任务接触业务细节的机会。
这意味着，企业原有的人才培养机制可能需要重新设计。
AI可能让新人跳过工作步骤，却未必能够跳过能力成长
想象这样一个场景。
一名刚入职的质量工程师接到任务，需要分析某条生产线近期出现的不良率波动。过去，他需要收集检验数据、整理缺陷类别、绘制控制图，了解现场工艺，并向经验丰富的工程师请教异常原因。
这个过程可能需要两天，但他能够逐步理解数据与制造过程之间的关系。
现在，他把数据交给AI，几分钟就得到一份分析报告，包括趋势变化、可能原因和改善建议。
从工作效率来看，这是明显的进步。
但如果直接问他：“为什么判断这是特殊原因波动？”“哪些数据支持这个结论？”“如果AI的判断是错误的，你如何发现？”
他可能无法回答。
问题不是AI让新人学得太快，而是新人可能在尚未理解问题的情况下，就获得了看起来十分专业的答案。
在传统工作模式下，一个人的工作产出往往与专业能力有较强关联。新人做不出复杂的分析报告，通常意味着他还缺乏相应的知识和经验。
但在AI时代，这种关系正在被打破。一个经验不足的人，也可能借助AI生成结构完整、语言专业、图表精美的报告。
管理者因此更难仅凭工作成果判断员工的真实能力。
这也带来了新的风险：企业看起来拥有越来越多能够完成复杂任务的员工，但其中究竟有多少人真正具备独立判断和解决问题的能力？
企业可能正在失去培养未来专家的机会
AI对初级岗位的影响已经开始受到研究机构关注。
斯坦福大学数字经济实验室在2026年8月更新的一项研究中发现，在美国AI暴露程度较高的职业中，22至25岁年轻员工的就业表现明显弱于AI暴露程度较低的同龄群体。研究同时指出，整体劳动力市场尚未出现普遍性的岗位替代，而且这些就业变化尚不能全部归因于AI。
这项研究提醒我们，AI带来的变化可能并不是所有岗位同时减少，而是初级岗位和经验丰富岗位受到的影响不同。
企业过去的人才梯队通常是从初级员工开始培养，经过多年实践，逐渐形成高级工程师、技术专家和管理者。
但如果企业越来越倾向于让资深员工借助AI直接完成工作，减少招聘和培养新人，那么短期内可能降低了用人成本，长期却可能削弱内部人才供给。
例如，一家企业认为，两名资深工程师借助AI，就能够完成过去需要五个人完成的工作，于是决定减少三名初级工程师的招聘。
短期内，这种调整可能提高人均产出。但五年以后，当资深工程师退休、离职或者企业需要扩大业务时，谁来承担更复杂的工程决策？
企业节省了今天培养新人的成本，却可能增加未来专业人才短缺的风险。
这不是说企业应该为了培养新人而保留所有低效率工作，而是需要认识到：人才培养本身就是一项需要持续投入的组织活动。
过去，这项投入被隐藏在日常工作分配中。现在，当AI接管越来越多的基础任务时，企业必须重新考虑如何有意识地培养新人。
新人的成长路径，需要从“完成任务”转向“理解决策”
既然AI能够完成大量基础工作，企业是否还应该要求新人重复过去的学习过程？
答案未必如此。
例如，在计算机已经广泛应用的今天，我们没有必要要求工程师每天手工完成大量复杂计算。但工程师仍然需要理解计算原理、输入条件和结果的适用边界。
AI时代的人才培养也应该遵循类似的逻辑。
需要保留的不是低效率的工作方式，而是这些工作背后不可缺少的专业理解与判断训练。
过去，质量工程师可能通过编制几十份8D报告，逐渐理解根本原因分析、纠正措施和有效性验证。
未来，AI可以协助完成报告编写，但新人仍然需要参与现场调查、证据收集、原因判断和措施验证。
过去，研发工程师通过反复修改图纸积累设计经验。未来，AI可以自动完成部分图纸检查和模型修改，但新人必须理解设计方案为什么成立，为什么某些结构可能失效，以及不同技术方案之间如何取舍。
因此，培养方式需要发生转变：从训练员工如何完成每一个操作步骤，逐渐转向训练他们如何理解问题、提出假设、判断风险、选择方案并验证结果。
这并不意味着基础知识不再重要。恰恰相反，只有掌握基本原理的人，才有能力判断AI输出是否合理。
AI时代，资深员工的角色也需要改变
在很多企业，传统的师徒培养主要依靠新人跟随资深员工参与实际工作。师傅负责复杂问题，新人承担辅助任务，并通过观察、提问和反复实践逐渐成长。
但当辅助工作大量交给AI以后，这种自然形成的学习机会可能减少。
因此，企业需要重新设计资深员工与新人之间的合作方式。
例如，在一次产品设计评审中，过去可能由年轻工程师准备资料，资深工程师负责判断。未来，AI可以完成大部分资料整理，新人则应该有机会提前分析设计风险，提出自己的判断，再由资深工程师解释为什么选择某种设计方案。
在一次质量问题分析中，可以先让新人独立提出可能原因，再使用AI补充分析，最后由资深工程师结合现场证据进行讨论。
关键不是让新人跟着AI学习标准答案，而是让他们理解经验丰富的工程师如何处理不确定性、如何识别关键证据、如何在多个方案之间做出选择。
未来资深员工的重要职责，可能不仅是解决最复杂的问题，还包括把自己的专业判断过程转化为新人能够学习的经验。
这对企业的知识管理也提出了更高要求。过去很多专家经验存在于个人头脑中，企业只保存最终的工作结果。未来，企业需要更加重视关键技术决策、问题分析过程和经验教训的沉淀。
人才评价方式，也不能只看工作结果
AI普及以后，企业还需要重新思考如何评价新人。
过去，一名新人能够独立编制完整的分析报告，可能被视为能力提升的重要表现。但现在，AI可以帮助他快速完成一份看起来十分成熟的报告。
如果企业仍然只按照报告质量、完成速度和任务数量评价员工，就可能高估某些人的实际能力。
未来，除了工作产出，还应关注员工是否理解任务背后的业务逻辑，能否发现AI分析中的错误，能否解释自己的判断依据，以及在没有标准答案的情况下是否能够提出合理的解决方案。
例如，对一名质量工程师，不仅要评价他是否能够完成PFMEA，还应该评价他是否真正理解失效机理，能否识别关键风险，以及能否判断现有预防和探测措施是否有效。
对一名研发工程师，不仅要评价图纸是否正确，还应该关注他能否解释设计选择、识别制造风险以及在需求发生变化时提出合理方案。
AI可以帮助员工提高工作产出的水平，但企业需要建立机制，识别员工自身能力是否同步提高。
否则，企业可能会培养出一批善于使用AI完成任务，却缺乏独立专业判断能力的员工。
真正需要重新设计的，是企业的人才培养机制
AI时代的人才培养，不应该简单地回到过去，也不能完全依赖新人自己学习。
企业可以考虑建立一种新的培养机制：保留必要的基础训练，让新人及早参与真实业务，通过AI提高学习效率，同时通过资深员工的指导建立专业判断能力。
例如，在新人培养初期，不必要求他们独立完成所有文件和数据整理工作，但需要安排适当的基础实践，确保他们理解核心原理。
在能力提升阶段，可以让新人借助AI分析真实案例，但要求他们解释分析逻辑、识别关键假设，并通过现场调查或实际数据验证结果。
在更高阶段，则可以让新人承担完整的小型项目，对问题分析、方案选择、风险控制和最终结果负责。
这种培养方式的重点，不再是按照工作年限积累任务数量，而是通过有设计的实践，逐步建立独立解决问题的能力。
同时，企业需要给资深工程师留出明确的指导时间，而不是认为有了AI，新人就不再需要师傅。
AI可以缩短知识获取的时间，却不能自动替代真实实践、专业反馈和责任承担形成的经验。
不能让AI提高了今天的效率，却削弱了明天的能力
AI正在改变企业的工作分工，也正在改变专业人才的成长路径。
过去，初级工作既是企业生产活动的一部分，也是培养下一代专业人才的重要途径。
现在，当越来越多基础任务被AI接管以后，企业不能继续假设新人会在日常工作中自然成长。
这意味着，人才培养需要从过去依赖工作经历的自然积累，转变为更加有意识的能力建设。
企业真正需要解决的，不是如何让新人继续做AI已经能够完成的工作，而是如何让新人在AI的帮助下，更快地形成AI无法替他们承担的专业判断与责任能力。
如果企业只关注AI能够减少多少员工、节约多少成本，可能获得短期效率，却忽视长期人才梯队建设。
而那些能够重新设计工作、知识和人才培养机制的企业，才有可能同时获得AI带来的效率优势和持续发展的组织能力。
未来企业真正的竞争力，不只是拥有多少会使用AI的人，而是能否持续培养出真正懂业务、会判断、能决策的人。
本文来自微信公众号“TPP管理咨询”，作者：TPP管理咨询，36氪经授权发布。