目前最可靠的数据表明：在受 AI 影响最大的职业里，找第一份工作变得更难了，而且表现为岗位减少，而不是裁员。斯坦福一项追踪数百万条薪资记录的研究发现，在 AI 暴露度最高的岗位上，22 至 25 岁员工的就业水平比他们与暴露度较低的同龄人保持同步时应有的水平低 19%（斯坦福数字经济实验室）。而 26 岁及以上的员工在这些岗位上没有类似的差距。
但这并不等于"AI 正在抢走所有工作"。作者自己称这些数字是早期的、描述性的；其他研究者没有发现整个经济层面的冲击；有些趋势在 ChatGPT 出现之前就已开始。不过美国人似乎还是感受到了这种不安：AP-NORC 的一项民调显示，64% 的人认为 AI 发展得太快（AP）。
本文梳理了可信研究的结论、它们之间的分歧、哪些岗位暴露度最高，以及初级员工和招聘经理可以怎么应对。下文每一个数字都来自我们今年打开查阅过的来源，每次都会注明出处。
这四个数字来自三项方法各异的研究，所以不要把它们加在一起。把它们看作同一个现象的不同侧面：在 AI 最擅长写初稿的岗位上，初级职位在变少。
斯坦福的研究发现了什么
这项研究名为"Canaries in the Coal Mine?"，作者是斯坦福数字经济实验室的一个团队，2025 年首次发表。最新修订版使用了截至 2026 年的 ADP 薪资数据，发现自首次发布以来差距在持续扩大（斯坦福）。按他们自己的说法，这些是"早期的描述性指标"，而非因果估计。
差异非常明显。从 2022 年底到 2026 年，在 AI 暴露度最高的两个职业五分位中，22 至 25 岁员工的就业下降了 11%，而在暴露度最低的三个五分位中则增长了 10%（斯坦福更新）。研究没有发现 26 岁及以上员工有类似差距，并指出这种影响主要通过减少招聘年轻员工体现，而不是增加离职。
这张柱状图说明了为什么整体差距比任何单个数字都大。一组在退步，另一组在增长，所以两者之间的距离比那 11% 的降幅更大。
作者给出了一种机制解释。年轻员工带来的是显性知识，也就是课堂上教的、文档里写的那类知识，而这正是 AI 擅长复制的。有经验的员工依靠的是多年积累的隐性知识。研究发现，在 AI 替代劳动的地方，就业出现下降；在 AI 起辅助作用的地方，就业持平或上升（斯坦福）。有一项检验排除了一个明显的竞争性解释：AI 暴露度高的岗位平均而言对利率的敏感度低于其他岗位，研究者表示"没有发现有力证据"支持利率变化能解释入门级岗位下降的说法（斯坦福谈利率）。
其他指向同一方向的数据
Anthropic 的经济学家从另一条路径得出了相似的结论。他们 2026 年的论文构建了一个"观测暴露度"指标，把语言模型能做什么和人们在工作中实际如何使用 Claude 结合起来。程序员以 75% 的任务覆盖率排名第一，数据录入员为 67%。对于 22 至 25 岁人群，论文报告称，自 ChatGPT 推出以来，暴露职业中的求职成功率下降了 14%，不过论文也说这一结果的统计显著性只是勉强达标（Anthropic）。
Indeed 的 Hiring Lab 研究的是职位发布。在暴露度最高的职业（软件开发、IT 支持、数据与分析、市场营销和金融）中，2021 至 2026 年间入门级职位占比从 29% 降至 10%，而资深职位占比从 22% 升至 47%（Indeed Hiring Lab）。同一分析还发现，暴露度高的岗位公布的薪资增长更快，自 2021 年以来增长 46%，而暴露度最低的岗位为 25%，但这部分溢价几乎全部流向了有经验的岗位。
这些点说明，AI 帮助最大的是那些本来就懂行的人。在暴露度高的岗位中，入门级职位的薪资比低暴露岗位高 2 个点，中级岗位高 12 个点，资深岗位高 17 个点。Indeed 自己的总结是，AI"更多是在充当熟练员工的补充，而不是替代"。
LinkedIn 的数据在更宏观的层面上与此吻合。其 2026 年毕业生指南显示，美国入门级员工经季节性调整的招聘率在冬季季度比上年同期下降了 6%，而且许多学生毕业时对 AI 如何融入日常工作缺乏了解，尽管雇主正在寻找这些技能（LinkedIn）。
证据不一致的地方
先听听怀疑派的意见，因为他们手里也有真实数据。耶鲁预算实验室（Yale Budget Lab）追踪职业结构如何变化以及人们失业多久。其报告称，尽管对 AI 与就业的焦虑很普遍，但"我们的数据表明，这在很大程度上仍是臆测"，其执行主任 Martha Gimbel 对 Fortune 表示，目前没有重大的宏观经济影响。同一篇 Fortune 报道引用了 Oxford Economics 基于 Challenger, Gray & Christmas 数据的分析：2025 年前 11 个月，美国约有 55,000 个已宣布的裁员被归因于 AI，仅占总数的 4.5%。报道还提出了"AI 洗白"（AI washing）的可能性，即企业把本有其他原因的裁员归咎于 AI（Fortune）。
Anthropic 的论文在大局上也同意这一点：自 2022 年底以来，高暴露度员工的失业率没有系统性上升。作者把年轻员工招聘放缓描述为一个早期预警，它先出现在招聘环节，之后才会出现在失业数据里（Anthropic）。
斯坦福的研究本身也有一些需要注意的地方。这种效应在 ADP 样本中比在全国调查基准中更明显，控制教育程度后会缩小，而且部分分化在生成式 AI 兴起之前就已开始（斯坦福）。
关于毕业生的最新数据也并没有那么糟。纽约联储的最新数据显示，应届毕业生（22 至 27 岁）失业率约为 5.6%，就业不足率为 42%，略有上升（纽约联储）。
经济学家的看法也在变。Indeed 最新一期季度经济学家调查显示，AI 对大学学历员工造成替代风险的扩散指数为 55.6（高于 50 表示风险上升），45% 的受访专家认为 AI 对就业的净影响是轻微负面。专家们预计，行政助理和软件开发岗位的下降幅度最大（Indeed Hiring Lab）。
公众情绪跑在了数据前面。在 AP-NORC 对 2,140 名成年人的民调中，27% 的人认为 AI 的发展速度恰到好处，8% 认为太慢，约十分之八的人表示，让政府把 AI 置于人类控制之下极为重要或非常重要（AP）。对工作的担忧是其中一部分。担忧不等于被替代的证据，但它确实影响着年轻人和家长如何看待就业市场。
有三件事会改变我们的判断。一是暴露岗位上年轻员工的失业率上升，那就意味着招聘放缓正在变成失业。二是暴露职业里的入门级职位数量回升。三是随着 2026 年招聘数据增多，斯坦福发现的差距缩小。在这三件事发生之前，上面这种谨慎的立场才是稳妥的。
我们的判断是：AI 正在悄悄削薄少数职业的最底层台阶，这一说法有充分的依据；AI 正在造成全面的就业崩塌，这一说法没有。任何告诉你数据已经证明了因果关系的人，都走在研究前面。
哪些岗位暴露度最高，哪些最低
暴露度取决于任务，而不是行业。在 Anthropic 覆盖度最高的职业名单上，排在前面的是程序员、客服代表和数据录入员。在另一端，其数据中约 30% 的员工覆盖度为零，包括厨师、摩托车修理工、救生员、调酒师和洗碗工（Anthropic）。
下图是我们编辑部对常见入门级岗位的定位，依据两个问题：工作中有多少是常规且已成文的，以及有多少这类任务正在用 AI 完成。它是帮助判断的工具，不是测量结果，所以如果哪个点和你自己的经验不符，尽管挪动它。
右上角那一簇是入门级招聘已经变薄的地方。市场营销和金融居中，Indeed 的职位数据把这两个都归入暴露度最高的组。左下角的岗位依赖双手、到场和实时判断，所以在暴露度数据里几乎没有存在感。
有一点要注意：低暴露度不等于高薪或前景好。据 Anthropic 的数据，高暴露度员工的平均收入也高出 47%，所以承压的往往正是人们下了最大功夫才进入的岗位。选方向要看适配度，别被恐惧牵着走。
为什么受冲击的是招聘，而不是裁员
公司很少会宣布自己用模型替换了一个初级员工，它只是不开这个招聘需求。一位资深工程师如果能从 AI 工具那里得到一份像样的初稿，就没那么多理由再要一个助手，所以本该增加的人手根本不会出现在任何人的裁员数字里。
长期的隐忧在这张图的右侧。入门级工作一直是人们学习工作中隐性部分的地方。南加州大学的 Georgios Petropoulos 在 MIT Technology Review 的一篇文章中指出，把初级任务自动化可能会损害组织培养技能的方式，他建议通过带薪合作实习、学徒制和雇主激励措施来维持早期职业阶段的招聘（MIT Technology Review）。
雇主希望初级员工具备什么
雇主反映，AI 技能正在快速进入入门级岗位的要求。调查雇主大学生招聘情况的 NACE 发现，目前超过三分之一的入门级岗位要求具备 AI 技能，几乎是其秋季调查中占比的三倍。28% 的雇主表示正在寻找会用 AI 的早期职业人才，近 60% 的雇主正在给实习生分配使用 AI 工具的项目（NACE）。
学生并没有都跟上。NACE 的 2026 年学生调查覆盖了超过 17,000 名学生，在其中的应届毕业班学生里，31% 认为 AI 技能对自己的职业几乎没有或完全没有重要性，40% 认为非常或极其重要，50.5% 还没开始培养这些技能（NACE）。
这些进度条显示出一个值得行动的错位。雇主已经在实习生身上检验 AI 技能，而一半的毕业班学生还没起步。有一点需要提醒：雇主的数据来自 185 家自愿回复的机构，所以只能当作趋势，不是普查。NACE 的调查还发现，超过一半的雇主表示 AI 并没有减少入门级任务，只有 11% 谈到了 AI 替代岗位。
让初级求职者更有竞争力的技能和工具
NACE 调查中的雇主描述的技能都是应用型的：为任务选对 AI 工具、写好 prompt，以及检查和修改 AI 返回的结果（NACE）。没人要求应届生去训练模型，他们要的是会用模型、能发现它错误的人。Petropoulos 认为制胜组合是 AI 熟练度加领域专长（MIT Technology Review）。
下面是未来 30 天的一个实操顺序。
- 选定一个目标岗位，读十条它最近的招聘信息。记下反复出现的工具和任务。
- 把两个通用助手用熟。ChatGPT 和 Claude 是显而易见的一对，如果你想再找第三个做对比，我们的 ChatGPT 替代品指南可以帮到你。
- 用 AI 完成一项真实的工作，并留好记录：一份调研备忘录、一次数据清洗、一个小应用。写下 AI 哪里出了错、你是怎么发现的。这段验证经历是面试官会记住的东西。
- 如果你的目标是技术岗，就用编程助手练手，比如 GitHub Copilot、Cursor 或 Claude Code，并且要能解释不是你亲手敲的代码。我们的 AI 编程助手榜单对这个领域做了排名。
- 如果你的目标是写作、研究或运营，加上一个像 Perplexity 这样的研究工具、一个像 Notion AI 这样的工作区助手，以及一个像 Grammarly 这样的编辑器，并用一份真实文档展示修改前后的对比。
- 学一门系统课程，让技能有纸面证明：Coursera 上的 Google Prompting Essentials 或 AI For Everyone，或者 LinkedIn Learning。更全面的 AI 学习榜单里还有更多选择。
- 把求职材料打磨好。AI 简历工具榜单里的简历工具，比如 Resume Worded，以及面试准备榜单里的练习搭档，比如 Interview Sidekick，都能帮上忙，前提是最终的文字出自你自己。
光靠课程拉不开差距，因为别人也在学。真正拉开差距的是一份简短而具体的作品集，以及对你如何使用 AI 的诚实说明。想了解更多求职方面的内容，请看我们的 AI 求职工具指南。
在你选定方向之前，先看看你瞄准的岗位暴露度有多高。下面的测验把上文的发现变成了五个问题。
测验结果是帮你思考的提示，不是预测。分数高不代表要避开这个岗位，而是意味着你需要更有力的工作证明，以及一种清晰的方式来证明你能监督 AI 的产出。
符合证据的四种职业选择
研究指向几种有实际逻辑支撑的选择。没有一种是有保证的。
AI 密集型岗位适合你能证明自己善于监督这些工具的情况，因为这正是雇主在招聘启事里新增的技能。动手型领域是一种对冲，因为这些岗位在 Anthropic 的数据里覆盖度最低。小团队往往更早给初级员工更宽的职责范围，不过我们没有这方面的招聘数据，所以只能算一个有道理的押注。工作证明适用于这三条路：项目和实习能让单薄的简历变得可信。
谁最该担心？目标是软件开发、客户支持或数据录入、走标准应聘流程、只靠学历的人。谁可以稍微放松？要去做需要亲身到场、持证或持续与人接触的工作的人。即便是他们，也该学会基本工具，因为 NACE 的数据表明这些要求正在蔓延。
如果你负责招聘初级员工
这项研究对管理者也是一个警告。如果初级这一级台阶消失了，你未来拥有隐性知识的资深员工的来源也会消失。Indeed 的数据显示，暴露岗位中资深职位的占比已经升至 47%，而这些人总得有来处。
有三个做法值得注意。围绕监督 AI 产出和处理异常来重新设计初级岗位，而不是让人手工写初稿。给每个初级员工配一位明确的资深导师，从第一周起就让他们做真正的评审工作。招聘启事里写清楚你实际在用哪些 AI 技能，因为含糊的要求会把好的候选人吓跑。NACE 发现近 60% 的雇主给实习生分配基于 AI 的项目，这说明领先的企业已经把这当作标准做法了。
常见问题
AI 真的在抢走入门级工作吗？
它在减少部分职业的招聘，这和解雇员工不是一回事。最有力的证据是斯坦福的薪资研究和 Indeed 的职位数据，两者都显示暴露岗位上初级职位变少了。我们读过的所有来源，没有一个显示出全面的就业崩塌。
哪些入门级工作最不容易被 AI 影响？
需要亲身到场或持续与人接触的工作在 Anthropic 的数据里暴露度最低，比如厨师、调酒师和救生员。安全不等于高薪，所以也要权衡薪资和成长空间。
我还该学计算机科学或会计吗？
证据表明，软件及相关领域的入门级招聘已经转弱，但并没有说这些技能一文不值。斯坦福的作者指出，控制教育程度后影响会缩小，而且初级员工的招聘放缓得比有经验的员工更明显。如果你要学，就计划拿出借助 AI 完成的项目和真实的实习经历。
雇主真的希望应届生具备 AI 技能吗？
是的，而且比例在上升。NACE 发现，现在超过三分之一的入门级岗位要求具备 AI 技能，不过只有 16.5% 的职位描述明确提到了它们。这些技能是应用型的：选对工具、写好 prompt、检查输出。
应届生就业市场疲软是因为 AI 吗？
这是一个可能的原因。斯坦福团队测试了利率，发现它解释不了这种模式，而且斯坦福的作者说，部分趋势在生成式 AI 兴起之前就已开始。对任何单一原因的说法都要保持怀疑。