生成式AI正在“偷走”职场新人的成长机会,曾经培养新人的基础任务(如数据清理、纪要撰写)被自动化工具取代,导致新人陷入“要工作先有经验,要经验先有工作”的困境。然而,AI同时为重塑技能获取与资质认证模式提供了契机。本文指出,破解困局需对教育、培训与招聘体系进行整体性重构,而非单纯增加预算。通过构建“工作即学习”的场景、以实证验证能力、构建技能关联性等十大设计原则,可将AI技术转化为职业发展的助力,让“以技能为核心”的理念落地,为劳动者搭建更公平、高效的职业晋升阶梯,实现技术变革下的职场价值重塑。
生成式人工智能(Generative AI)在职场中的迅速普及,成为了初级员工在职场中遇到的一个矛盾问题。那些曾经用来培养新人的任务,如撰写会议纪要、清理数据、起草备忘录等,正逐步被自动化工具取代。这意味着,当今的入门级岗位要求具备相应经验,而这些经验却已无法通过入门级岗位的历练获得。
人工智能正在蚕食那些曾帮助新人学习如何在复杂组织中开展工作的常规、低风险任务。失去了这些具有支撑功能的基础任务,新人攀登职业阶梯、获得更优就业机会的道路变得愈发陡峭,甚至对许多人而言,几乎无法逾越。这并不是短期的、轻微的技术问题,而是结构性的转变。人工智能正在重塑组织的工作模式,重新定义核心知识与技能的内涵,并改变人们获得这些能力的途径。
这一变化的影响远不止于个人职业的起点,它还波及整个美国所推崇的经济与社会的流动承诺,不仅关乎财富水平,也关乎由人际网络与社会关系构成的“社会资本”。然而,正是这项让初入职场变得更加艰难的技术,也为我们提供了重塑“经验获取、能力验证与扩展”方式的契机。若能善用人工智能,拓宽而非收窄教育、培训与知识技能认证的渠道,我们便能搭建起更稳固的职业阶梯,助力人们迈向中产阶级乃至更高的社会层级。实现这一目标的关键,在于对教育、培训与招聘体系进行整体性重构。
正如燃点研究所(Burning Glass Institute)所长马特·西格尔曼(Matt Sigelman)所言:“人工智能不会取代工作岗位,而是取代岗位中的任务。至于其结果是释放出更多时间,以承担更具价值的工作,还是通过提升效率激发潜在需求、创造更多机会,抑或仅让雇主独享节约成本后的收益,这一切取决于多种因素,并会随着时间的推移逐步显现……当下,我们最紧迫的任务是建立一个人人可及的基础设施系统。”
传统意义上的初级岗位承担着双重职能:一是保障工作的正常运转,二是为新人提供职业培训。随着排班、基础分析、内部沟通等常规任务被人工智能接管,人类岗位的入职基准线已相应提高。然而,当这一基准线要求掌握那些曾需在职习得的流程、规范和工具时,许多新人便被挡在了门外。
这形成了一个经验差距:求职需要经验,而获得经验又必须先有工作。高中、大学等教育与培训机构,大多难以跟上职场技术的快速迭代。此外,雇主已削减了内部培训项目,而招聘筛选算法又会机械地挑选“有实绩”的求职者。曾经数量充足的职业入门岗位,如今已变得稀缺。
人工智能还在重塑专业知识的内涵与价值。稀缺性的核心正从静态知识(你掌握了什么)转向动态能力(你如何运用工具解决问题、验证结果并应用于特定情境)。雇主越来越看重能够与人工智能协同工作的人才,他们能清晰定义问题、统筹数据与模型、验证结果的可靠性,并向他人传达工作成果。
这就要求从业者兼具分析能力、社交能力与适应能力,而这些能力难以通过课堂学习完全掌握。如今的关键问题已不再是“你拥有什么文凭”,而是“你能可靠地完成什么任务,且能否拿出实证”。在这个时代,实绩胜过出身。作品集、项目成果、模拟演练与绩效任务,比课程清单、传统高中毕业证书和本科学历更能有力地证明个人能力。
若运用得当,人工智能可以实现专业知识的普及。它能帮助大学生分析数据,让零售行业从业者生成可用的代码片段,甚至让高中毕业生制作出具有专业水准的营销素材。它揭示了分析师们所说的“潜在专业能力”(latent expertise),即现有资质认证体系未能识别的个人技能。当雇主开始关注这些实际能力的证明时,更多人才将被发掘出来。
由于缺乏可信的替代方案,雇主在尝试摆脱文凭与学位束缚时面临诸多困境。各类资质认证层出不穷,但它们真正的价值到底是什么?我们又该如何构建一个能够真正识别个人知识与技能的劳动力市场?
据资质认证引擎(Credentials Engine)的统计,美国目前存在近110万种独特的资质认证,涵盖18个资质认证类别,由四类机构提供:
●非学术机构:提供近65.65万个徽章、课程结业证书、执照、专业认证及学徒资格;
●中等教育机构:提供超过5.61万份公立/私立中学毕业文凭、中学替代性证书及高中同等学历文凭。
该平台的报告强调,必须大幅提高资质认证市场的透明度,以促进个人职业流动性与国家经济发展。所提出的问题包括:各类认证项目如何相互衔接?高等教育机构颁发的证书如何与其他证书或学位形成递进关系?徽章如何用于体现各类资质,以及应用于更多场景?我们应如何对不同的认证项目进行分类,以准确反映其完成所需时间及市场价值?
资质认证引擎的另一份报告估算,美国教育机构、雇主、联邦资助项目、各州政府及军方每年在这些认证项目上的总支出超过2.1万亿美元。这一庞大的支出规模既凸显了认证市场的重要性,也表明我们亟需建立更高效的问责机制与决策流程。
如此巨额的认证支出,也引发了人们对这些资质认证的个体价值与实际成效的质疑,尤其是哪些认证能真正推动职业发展,并为持有者带来显著的薪资增长。燃点研究所与美国企业研究所(American Enterprise Institute)的一项联合分析显示:“约12%的认证能为持有者带来其原本无法获得的显著薪资增长,仅18%的认证持有者可能获得同行无法享有的薪资优势。”为此,燃点研究所研发了“职业价值指数导航器”(Career Value Index Navigator)这一在线工具,可提供全美几乎所有职业认证及超过2万种非学位证书的薪资增长与职业晋升相关数据。
仅靠增加预算无法应对人工智能带来的挑战。一项分析指出:“从历史上看,劳动力培训的成效一直不尽如人意。接受补助金参与职业培训的人中,就业率不足半数,且没有证据表明他们获得的是高薪工作。类似的劳动力培训研究也几乎没有发现成功的案例。”
我们需要重新设计培训模式:将工作场所作为主要的学习场景,通过实证验证个人能力,并帮助人们在获得第一份工作后持续实现职业晋升。以下是为人工智能时代重塑教育培训体系提出的十项设计原则:
1.创建打破边界的混合型机构:建立横跨K-12教育、社区学院、其他培训机构及雇主的组织体系,让学习者能够在一个整合的系统中顺畅流动,而非在多个相互割裂的系统间辗转。例如,目前高中生占社区学院总注册人数的21%。未来就业(Jobs for the Future)等机构将这种模式称为“大融合”(the big blur),其核心是消除高中、大学、其他培训机构与雇主之间的教育培训壁垒。
2.使基于工作的学习常态化,而非将其视为特例:有偿的、结构化的工作经历应成为职业早期准备的核心内容,包括k8凯发集团青年与成人学徒制项目、合作教育项目、临床实习以及与招聘通道衔接的雇主嵌入式培训营。在条件允许的情况下,学徒制等项目应采用责任与薪酬水平逐步递增的模式。对于高级岗位,可推广融合就业、导师指导与学分认证的学徒制学位模式,让学习者在积累职场实操经验的同时,获得受认可的资质认证。
3.构建技能关联性,加速职业转型:大多数劳动者并非从零开始。应梳理劳动者已具备的知识与可被证明的技能,对照新岗位的需求搭建教育培训桥梁。通过具有针对性的专项模块,将劳动者的既有经验转化为市场所需的能力,用时以周或月计算,而非年。为入门级员工提供“跳板岗位”,如急救医护人员、发电厂操作员等73类岗位,以助力人们进入薪资稳定、就业有保障且具备晋升空间的职业轨道。这一模式可缩短能力培养周期,降低学习者与雇主的成本。
4.以绩效为本的招聘方式:用与工作直接相关的任务替代简历筛选,例如结构化工作样本、模拟操作、监督式试用项目及标准化评估量表,必要时可结合人工智能辅助评分。例如,数据分析岗位的候选人需展示其清理杂乱数据、构建基础模型、验证结果可靠性及向非技术背景的利益相关方解释如何权衡决策的能力。以绩效为核心的评估方式能增强雇主信心,为非传统背景人才打开更多机会的大门。
5.持续支持与岗位流动机制:成功入职只是职业发展的里程碑之一,而非终点。许多失业劳动者首先需要一份“救生艇式”的工作,作为稳定过渡的跳板。应为入职后的劳动者提供持续支持,包括职业辅导、同伴互助、在职项目、学费或技能提升津贴,并设立与薪资挂钩的工作目标,推动人们从“救生艇式”的过渡工作,稳步迈向职业阶梯的攀登之路。项目的评估与资助应聚焦于职业流动性,而非仅关注初始入职率。
6.可迁移、机器可读的资质凭证及相关佐证:所有资质凭证应采用模块化设计,便于雇主将其整合至招聘系统。尽可能附加获得验证的成果文件,如代码库、数据仪表盘、临床评估报告及含明确能力等级的上司评价。美国商会支持的T3创新网络(T3 Innovation Network)及西州州长大学成就锦囊(Western Governors University Achievement Wallet)便是此类模式的典范。凭证的可迁移性让劳动者能够在不同平台与雇主间携带“技能成绩单”。
7.前置质量信号与问责机制:运用基于证据的工具(如前文提及的资质价值指数),从繁杂的凭证中筛选出真正有价值的信号。公共资金与雇主资源应向那些能证明其劳动力市场价值的机构倾斜,例如在“跳板岗位”安置、薪资增长、晋升率及员工留任率等方面表现突出的机构。要求教育培训机构与雇主就成果提供信息透明的报告,报告内容需包含建立以技能为先的招聘模式。随后,推广行之有效的方案,修正无效的举措。
8.与学习衔接的现代化保障体系:更新失业保险及相关福利政策,支持劳动者在求职期间快速提升技能。试点可转移的学习账户,并投资建设区域学习与就业中心,将前文所述的混合型机构纳入其中。这些中心应提供一站式服务,让人们能够便捷获取宽带网络、人工智能工具、导师指导及雇主支持的培训项目信息。
9.重塑入门岗位的雇主合作机制:推动雇主重组入门级岗位,使其既具备生产能力,又能发挥培养作用。这些重组后的岗位应包含专门的学习与指导时间,并建立与能力表现直接挂钩的清晰晋升通道。学徒制与学徒学位模式可作为范本,由人力资源部门、业务单元及教育工作者共同参与岗位设计与成果评估标准的制定。
10.构建关注技能而非学时的数据基础设施:建立岗位任务、能力要求与学习成果之间的互操作映射系统,确保课程(包括学徒轮岗项目)与实际工作需求精准对接。向教育培训机构共享成果数据,以持续优化职业发展路径。
简而言之,可持续的人工智能时代教育培训模式,必须实现三大核心要素:将学习与实际工作紧密结合,通过实证验证个人能力,并在劳动者初入职场后持续提供职业晋升支持。正如瑞安·克雷格(Ryan Craig)在《学徒制国家》(Apprenticeship Nation)一书中所论述的,学徒制是实现这一模式最清晰、最具可扩展性的途径。
人工智能时代已全面到来,并正在改变工作的开展方式。这引发了一个简单却关键的问题:它会抹平职业阶梯的入门台阶,还是帮助我们搭建新的上升阶梯?我们可以选择后者,将可信的质量信号(如资质认证价值指数)与以绩效为本的招聘相结合;拓展以社区为依托的项目,充分利用技能关联性实现能力叠加;为入职后的支持措施提供资金,确保人们在获得第一份工作后仍能持续向上发展。当这些举措协同推进时,以技能为核心的理念便能从口号变为现实。劳动者将获得经验证的能力记录,雇主也能从更广泛的人才池中放心地选拔人才。
这一选择的影响重大。如果人工智能仅被用于剥离任务、削减人力,那么优势将集中在少数群体手中。但如果我们重新设计岗位,让人工智能成为提升人类能力的工具,更多的人就能更快地从事具有重要意义的工作。这将催生一个能够真正识别技能的劳动力市场、一个尊重人们既有知识的培训体系,以及一种彰显努力工作的价值的文化。唯有如此,我们才能以更优的起点取代消失的传统入门岗位,将技术变革转化为一条更公平、更高效的职业机遇阶梯。