生成式AI掀起職業革命，哪些工作的門檻越來越低？

生成式AI革命不僅改變了我們學習的內容，還改變了學習方式。傳統的學習曲線正在重新繪製，為技能獲取和職業發展創造了新的範式。這種轉變要求企業從根本上重新思考如何進行人才管理，以及個人如何規劃自己的職業生涯。

隨著生成式AI的應用，一些工作內容實現了自動化，同時某些崗位員工的工作能力得到了增強，僱主用於評估求職者的技能、經驗和資質標準也將迅速改變。悲觀者認為這些變化會限制職業流動性；樂觀者則反駁說，通過減少與技術或 「硬」 技能相關的工作要求，職業流動性反而會得到提升。

究竟誰的觀點正確呢？

事實上，AI將為一些員工打開機遇之門，同時也會對另一些人關閉機會之窗。我們在研究中發現，目前，美國約12%的勞動者從事的職業中，入門級崗位的大部分任務很可能會被生成式AI自動化。這必然會導致入門級崗位招聘數量的減少，而且這種情況已然發生：隨著基於生成式AI的微軟Copilot問世，入門級軟件工程崗位的招聘基本陷入停滯。同時，約19%的勞動者所處的領域中，生成式AI可能會承擔目前需要專業技術知識的任務，從而為那些不具備硬技能的人開闢更多機會。

我們的分析表明，在未來幾年內，近5000萬個工作崗位將或多或少受到影響。這些變化將促使企業深度重塑組織結構，並重新思考人才管理戰略。其影響將是深遠的，不僅涉及各個行業，還關乎個人與社會。能夠靈活應對的企業，將最有機會利用生成式AI提升生產力的潛力，同時降低人才短缺帶來的風險。

經驗豐富的員工得到助力，而資歷尚淺的員工進入門檻變高，哪些職業最有可能呈現出這種情況？為了回答這個問題，我們研究了一個任何初入職場的人都熟悉的概念：學習曲線。

收入曲線與學習曲線

這是一個簡單卻蘊含深刻意義的概念。在某些工作中，比如網約車駕駛，上手並不需要太長時間。但在從銷售到軟件工程等眾多工作中，新手和經驗豐富的從業者之間存在著顯著的知識差距。

學習曲線反映了不同工作的員工達到最高生產效率所需時間的差異。當一個職業中資深員工的生產效率遠遠超過入門級員工時，學習曲線就較為陡峭。我們的分析表明，在許多這類職業中，入門級技能比高級崗位更容易受到生成式AI的影響，這表明這些職業入門級崗位的門檻可能會提高。

那麼，生成式AI會提高哪些職業的專業技能門檻呢？

為了回答這個問題，並衡量市場對學習差異的重視程度，我們分析了一系列不同職業的收入曲線。（收入曲線是衡量生產效率隨時間增長的良好指標，因為它們通常反映了學習一門專業所需的時間。）這使我們能夠找出那些經驗豐富的員工薪資明顯更高的崗位，這意味著積累的專業技能有顯著溢價。然後，我們從涵蓋數百萬條美國在線招聘廣告、為期兩年的數據中，分析每個職業中資歷較淺和資歷較深的員工之間技能要求的差異。

接下來，為了預測哪些技能的重要性可能發生變化，我們採用了一個模型，該模型展示生成式AI的應用如何影響各個職業中的任務。這使我們能夠確定那些學習曲線陡峭，且經驗不足的員工比經驗豐富的員工更容易受到生成式AI影響的工作。隨著生成式AI在這些崗位中承擔大部分入門級任務，傳統職業發展路徑的進入機會可能會大幅減少。這一類別的前100個職業，包括項目管理專員、培訓與發展經理、網頁設計師和金融風險專員等崗位，目前僱傭了1780萬人，約佔美國勞動力的12%。

在本圖表中，我們展示了數據集里一小部分具有代表性的職業類別。

位於圖表頂部的是學習曲線陡峭的職業路徑。在這些職業中，生成式AI的能力可以提高經驗豐富員工的生產效率，同時減少對經驗不足同事的需求。例如，一位經驗豐富的信用分析師可能會使用生成式AI來評估企業的信用狀況，並將該企業的財務健康狀況與其所在行業的同行進行比較，而不是將這些任務分配給下屬。這裏信用分析師的角色發生了轉變：他們不再使用微軟Excel等工具收集和整合信息，並將自己的發現與僱主的信用政策進行對比，而是探索更多不同的場景，利用這些發現重新評估現有客戶的信用狀況，或者與同事合作確定符合機構標準的潛在新客戶。重要的是，這還包括創建並指令生成式AI代理來執行其中的許多任務。

這種轉變可能會擾亂從新手到專家的傳統晉陞路徑。隨著生成式AI接管了傳統上用於培養基礎能力的任務，新人獲得經驗的機會將減少，而前輩們正是憑藉這些經驗晉陞到更高職位的。這種趨勢應該引起僱主的關注，因為他們在培養未來人才儲備方面可能會面臨挑戰。

與之相比，圖表底部的代表性職業類別對經驗的溢價較低，因為它們主要依賴可以通過學習掌握的技術技能。（比如你要麼會操作銷售終端，要麼不會。）由於生成式AI以及更廣泛的技術，將使學習這些技能並在工作中快速完善它們變得更容易，這些職業路徑可能會變得更容易進入。

拓寬就業機會

為了確定生成式AI可能降低進入門檻的職業，我們再次從學習曲線分析入手。在這種情況下，我們關注的是職業生涯早期薪資增長相對平緩的職業，這類職業的分佈表明，進入這些職業的主要挑戰在於最初獲得聘用，而非掌握工作技能。然後，我們試圖評估進入這些工作所需專業技能的性質，通過基於大語言模型（LLM）對工作要求進行分析，區分那些高度依賴顯性知識（可以從書籍或課程中學習到）的職業，以及那些要求具備積累的隱性知識（通常通過經驗獲得）的職業。這使我們能夠確定那些以高顯性知識為特點的職業，在這些職業中，生成式AI工具可能會使所需技能更容易獲取。

這類工作固有的專業技能門檻意味著它們常常面臨合格候選人短缺的問題。生成式AI可以通過使獲取行業知識或其他技能（如寫作或語言能力）變得更容易，從而緩解這一壓力，這些技能曾將其他方面合格的勞動者拒之門外。我們確定了這一類別的100個工作，目前僱傭了2860萬人，幾乎佔美國勞動力的20%。隨著生成式AI工具簡化技能獲取過程，包括數據倉庫專員、施工經理、電氣繪圖員和網絡管理員等在內的職業，可能會向更廣泛的勞動者群體敞開大門。在這些領域，尤其是在職業生涯早期，扁平化的學習曲線有可能降低進入高需求、高薪資工作的門檻。生成式AI還有望徹底改變平面設計、編程、寫作和數據分析等領域，在這些領域，技術含量高的任務也可以由專業培訓較少的個人來完成。

企業面臨的新挑戰

隨著生成式AI重塑工作格局，企業面臨著需要戰略調整的新現實。不同職業進入門檻的升高和降低同時出現，這要求企業從根本上重新思考組織結構和人才戰略。企業尤其需要應對以下幾個方面的影響。

1、組織結構

一些領域入門級崗位的減少將從根本上改變企業的架構。目前，許多企業採用金字塔結構，每個高級崗位由多個入門級員工輔助。隨著生成式AI使入門級任務自動化，這種比例可能會急劇變化。曾經每個高級崗位對應五個入門級員工的結構，可能會演變為二比一的比例，甚至更低。

隨著生成式AI將企業某些部門的組織金字塔重塑為更矩形或菱形的結構，新的機遇和挑戰將應運而生。這樣的結構可能會促進組織層級之間更快的信息交流和更直接的溝通，實現更敏捷的決策和執行。它們還可能使企業能夠部署更小、更靈活的團隊。由於生成式AI接管了許多常規任務和決策流程，對多層級中層管理的需求也應該會減少，從而使高級領導層與初級員工之間的聯繫更加直接。借助生成式AI工具賦能的經驗豐富員工，可能需要較少的直接監督，進一步減少了對管理層級的需求。隨著生成式AI承擔需要深厚專業技術知識的任務，企業或許能夠讓高潛力人才在更多職能崗位輪崗，為他們未來擔任管理職位做好準備。

然而，更扁平、菱形的組織結構也可能會減少員工獲得管理經驗的機會。生成式AI帶來的去層級化將減少晉陞機會，限制員工獲得職業發展所需經驗的機會。企業將需要調整職業發展路徑，並設計新的方式來獎勵執行能力、協作技能和專業知識。

2、人才戰略

不斷演變的組織層級要求企業重新思考招聘和職業發展策略。企業可能會將招聘重點放在更少的技能提供者身上。人才招聘團隊需要變得更加敏捷，以獲取與快速發展的技術需求相匹配的人才庫。此外，隨著企業削減入門級員工數量，可供晉陞的候選人儲備將減少，這意味著最大化新員工質量至關重要。不斷髮展的企業將需要開發新的人才儲備渠道，部分可能通過從其他行業招聘，同時尋找新的方法來培養和儲備人才，使其能夠勝任高級職位。

這些變化也可能導致對經驗豐富員工的競爭加劇，使人才保留成為關鍵優先事項，即從 「大量招聘與快速淘汰」 的人才獲取模式，轉向更加註重投資和留住具備稀缺專業知識員工的模式。

3、培訓模式

如今，學習與發展預算的很大一部分用於新員工入職培訓。隨著某些職業的勞動力更加集中在一小部分專家身上，初始培訓可能變得不如提高現有員工的生產力重要。一旦生成式AI廣泛融入職場，這將意味著要確定並投資於對每個崗位日益重要的技能，使經驗最豐富的員工始終保持領先水平。菱形結構的企業將需要重新規劃學習路徑，以促進有經驗的員工從其他領域橫向流動，以及那些職業生涯可能受到AI干擾的員工的流動。

僱主將需要採用新的培訓模式來加速學習，既幫助現有員工適應變化，也讓新員工能夠更快地跨越學習曲線。為了避免在等待第三方開發培訓項目時延誤創新技術的實施，他們可能會傾向於定製的、內部開發的項目，這些項目將大量基於企業和行業特定知識。在一個幾乎沒有入門級在職學習機會的工作場所，模擬很可能成為使員工能夠在更短時間內獲得關鍵經驗的重要機制。

4、企業特定知識

隨著生成式AI使通用技能實現自動化，企業特定知識可能會成為釋放員工生產力的一個越來越重要的因素。企業將希望專注於識別和培養這種知識，並考慮是否以及如何構建基礎設施，使其對員工來說更容易獲取。這將涉及有關創建新知識管理系統的決策，如內部域奇和AI驅動的學習平台。企業需要考慮他們希望企業特定知識成為多大的門檻，以及如何在專業化的好處與勞動力靈活性的需求之間取得平衡。

駕馭AI驅動的人才格局

生成式AI革命不僅改變了我們學習的內容，還改變了學習方式。傳統的學習曲線正在重新繪製，為技能獲取和職業發展創造了新的範式。這種轉變要求企業從根本上重新思考如何進行人才管理，以及個人如何規劃自己的職業生涯。

隨著這場革命的展開，其影響將以難以預測的方式演變。我們目前的分析僅基於現有職業、技能和AI能力提供了一個靜態快照。隨著生成式AI拓寬進入某些高技能職業的機會，勞動力供應的增加可能會給這些領域的薪金帶來下行壓力，這是我們研究中未建模的一種可能性，也是未來研究的一個關鍵方向。此外，隨著技術的進步，在職學習與通過正規教育學習之間的界限可能會不斷變化，使情況更加複雜。

能夠蓬勃發展的組織，必然是欣然接納AI增強型學習曲線動態本質的那類組織。他們將把每條曲線視為不是固定的軌跡，而是一條可以通過正確的策略和工具重塑和優化的動態路徑。通過這樣做，他們不僅是在適應AI革命，還將有助於塑造其發展方向，打造一支更加敏捷、熟練、多樣化和高效的員工隊伍。

關鍵詞：AI

約瑟夫·富勒（Joseph Fuller）、馬特·西格爾曼（Matt Sigelman）、米高·芬倫（Michael Fenlon）| 文

約瑟夫·富勒是哈佛商學院的管理實踐教授。馬特·西格爾曼是職場分析公司Burning Glass Institute的總裁，該機構推動關於未來工作和學習的數據驅動型研究與實踐。米高·芬倫是哈佛大學 「哈佛在線」 的執行董事、Burning Glass Institute的高級研究員。

豆包、Kimi | 譯  周強 | 編校

本文來自微信公眾號「哈佛商業評論」（ID：hbrchinese），作者：HBR-China，36氪經授權發佈。