当 AI 正在取代入门级岗位，职业起点该怎么选？

原文：How to Start a Career When AI Is Doing Your Entry-level Job

作者回忆自己大学毕业后的第一份工作：在俄亥俄州一家叫 Fundable 的众筹网站做文案。那份工作的核心，是把创业者那些半成形、甚至有点古怪的想法，翻译成投资人听得懂的语言。模板她至今都背得出来：问题、解决方案、增长、团队、商业模式、收入预测、竞争格局、融资条件。

今天，AI 用两分钟就能写出一版类似的融资介绍。23 岁的作者如果当时知道这件事，可能会觉得轻松；36 岁再回头看，她庆幸那时 AI 还做不到。因为正是那份重复、吃力、经常挨批的初级工作，教会了她如何拆解一家公司、如何把信息整理成一个观众愿意读完的故事。

而 2026 年的毕业生面对的是更艰难的现实：AI 正在比雇主更快地吞掉那些原本用来练手的入门任务。斯坦福数字经济实验室的研究发现，自 2022 年底以来，最容易受 AI 影响的岗位里，22 到 25 岁年轻人的就业人数已经下降 13%，而同岗位年长员工则相对稳定。

作者给刚起步的人四条建议。

有好消息，也有坏消息

入门级岗位长期都有一个悖论：你需要经验才能找到工作，但又需要先有工作才能积累经验。AI 让这个问题更尖锐了。现在，雇主不只是希望新人会用 ChatGPT 输入提示词，他们还希望新人能评估工具、检查输出、判断哪里不对，并知道是该改提示词，还是该自己把工作补好。

入门岗位对 AI 技能的需求已经增长到原来的三倍，而且更看重“会判断 AI 输出”的能力，而不只是“会使用 AI”。（图表来自 NACE）

问题在于，这种判断力几乎只能靠实践长出来。作者回忆自己早年写融资资料时，前 50 份写得糟透了，甚至有客户说应该把她拉到后院“毙了”。但正是这些糟糕版本，让她学会了什么叫差、什么叫好。如果当时 AI 先给出一版“还过得去”的答案，她反而可能学不到什么。

另一个压力是：AI 相关工具变化太快，快到没人真正来得及“完全掌握”。你既要学习工作本身，还要一边跟着组织一起摸索 AI，一边应付办公室政治和报税。这比过去的入门期要复杂得多。

那该怎么办？

追问题，不要追职位

小时候，大人问你长大想做什么，答案总是某个职位：消防员、医生、YouTuber。找工作时，我们也沿用同样思路，先瞄准一个 title，再去追它。

但今天的问题是，职位名称没有以前那么可靠了。你现在追逐的那个角色，可能 18 个月后 就已经拆解、分化，甚至消失。

更稳的方法，是先选一个你愿意长期思考的问题。比如：怎样让陌生人愿意为一个原本不关心的东西停下脚步？怎样从一堆凌乱数字里提炼出可执行结论？“内容营销”“数据分析”这些头衔会变化，但它们背后的问题不会凭空消失，总会有人为解决这些问题付钱。

作者坦言，自己很多年里都在追“文案”“内容营销”这些头衔，横跨肿瘤广告、个人理财，甚至加密货币行业，却很少认真问自己：我真的关心这些问题吗？过去这种“先把分拿到”的优等生思路还能勉强工作，但当 AI 已经可以承担大量入门任务时，你真正能贡献的，往往就是模型没有的那层问题理解。而这层理解，在你根本不关心的领域里很难长出来。

选一门你要亲手守住的手艺

确定了问题之后，还要选你的“工艺”或“手艺”：写作、编程、研究、设计、策略、运营，选一种你愿意长期打磨的核心能力。

关于“精通要一万小时”的说法，学术上当然比流行版本复杂得多，但有一点没错：任何真正的本领，都需要反复亲手做很多次，才会长到你身上。

如果你想靠写作吃饭，就自己写句子；如果你想做工程师，就自己写代码。

作者的建议很激进：把这门核心手艺尽量从 AI 手里保护出来。 AI 可以帮你搜资料、解释概念、指出推理漏洞、陪练提问，但如果你让它代替你写句子、代替你做研究、代替你完成关键那一步，你就失去了那些“先做烂很多次，才能慢慢做好”的必要训练量。

作者也承认，她写这篇文章时，另一个标签页里就开着 AI。Claude 帮她起草了这一节里一半句子的第一稿，但她全部重写了。真正的训练，不是完全拒绝 AI，而是保留“判断哪些地方不行、为什么不行、该怎么改”的主动权。那种判断，来自她十年的写句子经验。

捷径总是很诱人，但如果你在起步阶段就把核心练习外包出去，几年后你会发现自己和那些坚持亲手训练的人拉开了差距。

在别人开口之前，先做出东西

作者刚毕业找工作时，简历几乎没有任何“现实世界里的能力证明”。除非雇主刚好想招一个熟悉《呼啸山庄》主题分析的本科生，否则那份简历没太大说服力。

现在，这反而未必是致命问题。越来越多公司开始转向 skills-based hiring，也就是不那么执着于你去过哪里，而更看重你到底能做什么。

在这种环境下，你需要做的就是：先做出一个东西。 它可以是一个你真想用的小工具，可以是一篇没人付你钱、但你自己真在思考的问题文章，也可以是一个围绕你关心议题的小型研究项目。

重点不只是作品本身，更是你如何做出它。真正把你带进门的，往往是后续那段对话：你在哪些地方用了 AI，在哪些地方刻意没用？模型给出第一版答案后，你在哪一刻意识到“不，这里不对”？你如何修正？这种能清楚讲出判断过程的能力，本身就是第二层可迁移技能。

造一个你希望自己早就拥有的职业教练

作者上一次找工作时，给自己做了一个 ChatGPT 职业教练，最后靠它拿到了现在这份工作。做法并不神秘：把简历、自己满意的作品样本，以及一段很长的指令放进一个项目里，然后在一个月左右的时间里，几乎每个工作日都和它对话。

这个教练最有价值的地方，不是替她决定人生，而是给她一个可以“放下思考”的地方：把脑子里反复打转的焦虑具体写出来，让模型把下一步拆成具体动作，比如哪份写作样本值得继续打磨，或者下一通 networking 电话里应该问什么问题。

如果她能回到 22 岁，她会建议当时的自己也做一个。基本步骤如下：

1. 选工具。ChatGPT 和 Claude 都可以，重点是用带有项目上下文、文件和历史记录的模式。
2. 建一个项目并命名。比如 “Apprenticeship Coach” 或任何你更顺手的名字。
3. 往里装上下文。放进你满意和不满意的作品样本、你想申请的职位描述、你关心的问题说明，以及你当前的背景。
4. 明确告诉它怎么给反馈。你想要鼓励型、严格型、战略型，还是苏格拉底式追问？都可以写进去。

作者特别提醒一点：模型天生容易迎合人，所以一定要在指令里反复强调“诚实、会反驳、不要瞎猜”，并且即便如此，也仍要保持怀疑。

下面是原文提供的一份职业教练模板，保留了它最关键的结构：

我希望你担任我的职业教练。我的目标是用 AI 获取反馈、训练判断力、建立可见的能力证明，同时仍然亲手完成最核心的工作。

我的背景包括：
- 我关心的问题领域
- 我想从事的工作类型
- 我的教育和项目经历
- 我最有信心的技能
- 我最没把握的技能
- 我目前的技术熟练度
- 我想重点训练的核心实践
- 我想坚持手动完成的部分，以及原因
- 我希望你用什么风格给我反馈

重要：请诚实。当我的计划含糊、推理单薄，或项目并不能训练我声称想训练的能力时，请直接指出来。与其猜测，不如先追问。

请为我设计一个 apprenticeship plan，包括：
1. 我应该手动训练的任务
2. 我应该如何把 AI 用作教练、批评者、导师和研究助理
3. 应该读什么、关注谁、试什么工具、做什么项目
4. 我可以使用哪些反馈回路
5. 我应该产出哪些作品集或公开成果
6. 我需要警惕哪些错误和捷径

最后，请把建议收束成：我这周就能做的一件具体事情是什么？

新手真正的优势

作者最后说，如果她只能给 2026 届毕业生一句建议，那就是：不要等。

AI 正在实时改变劳动力市场，不会因为你假装这件事不存在就放慢脚步。市场也不会自动按你希望的方式重组。你不能靠等待别人“想起自己当年也被培训过”来得到一份职业。

但好消息是，AI 奖励的恰好也是年轻人最不缺的东西：好奇心、不断追问“为什么是这样”的冲动，以及某种还没有被旧时代“最佳实践”驯化掉的理想主义。

作者并不假装自己知道十年后的工作会变成什么样。没人知道。但如果一定要下注，她会押注在那些持续对可能性保持好奇、愿意自己动手、又愿意把 AI 当作镜子和教练而不是拐杖的人身上。

核心启示：当 AI 开始吞掉入门级任务，职业起点的关键不再是抢到某个职位标签，而是围绕真实问题持续训练一门不可轻易外包的核心手艺，并尽早产出可证明判断力的真实作品。