把新人换成AI的公司独享收益，账单却由整个行业分摊

一家公司决定不再招新人、把工作交给AI来做,单看这家公司本身无可指摘。人力成本下降,产出速度加快。但北约特种作战大学的诺兰·勒维特在学术期刊《Human Resource Development Review》上发表的论文指出,问题恰恰出在这种「无可指摘」上。因为做决定的是公司,但被这个决定侵蚀的,并不是公司自己的东西,而是整个行业共用的专业能力。勒维特把这种结构命名为「认知公地的悲剧」,The Decoder在8月15日介绍了这篇论文。

本文将比那篇介绍文章更深入一层,梳理论文提出的四个新概念、论文所依据的实测数据、区分哪些职业会先崩溃的五项判断标准,以及论文开出的「不要禁止,而要投资」的处方。读完之后,「能不能减少新人招聘」这个问题,会变成「减少的部分,该另外守住什么」。

换句话说,一个职业里那些「真正懂行的人」并不属于某家公司,而是整个行业共用的一片蓄水池。每家公司都为了省水而各自减少新人招聘,眼下看似无碍,但十年后,这片蓄水池里就再也捞不出足够的资深人才。

牧场上多一头牛,公司里少一个新人

1968年,生态学家加勒特·哈丁把牧民们在公共牧场上各自多放一头牛的情形称为「公地悲剧」。多放一头牛的好处归牧民自己独享,草地退化的损失却由所有人分摊,于是对每个人而言,多放一头都是理性选择,结果牧场被毁。勒维特把这套结构原样搬到了AI应用上。用论文的说法,公司100%独享削减薪资、削减培训成本、加快工作速度这些效率收益,而专业能力枯竭的成本却分散到所有需要这个职业的专家的公司身上。这笔账,永远是「拿走」比「贡献」更划算。

论文所说的「认知公地」,指的是一个职业内部那些拥有深厚领域知识、隐性知识、扎实心智模型、能够独立判断的人所构成的蓄水池。这片蓄水池没有所有者。今天某家公司能雇到一位从业十年的专家,是因为其他公司在五到二十年前给了这个人一个新人岗位,并承担了他试错的成本。市场上招来的专家,永远是别人培养出来的人——而论文的出发点正是,这个「别人」正在消失。

专业能力分两种——内化的熟练与驾驭AI的熟练

论文用心最深的部分,是把专业能力一分为二。一种是内化型熟练(Internalized Mastery),经过长期实务和「烧脑」的摸爬滚打后融入身体的深层领域知识、诊断性判断和模式识别能力。另一种是分布型熟练(Distributed Mastery),即善于写提示词、挑选产出结果、设计人与AI协作流程,从而拉出专家级成果的能力。论文主张,这两者是不同的东西,后者不能替代前者。

为什么不能替代?勒维特把「验证」分成两层。表层验证只看AI产出是否前后一致、格式规范、看起来靠谱,不需要领域知识就能做。实质验证则是从看似合理但实际有误的内容中揪出错误,只有真正独立懂这个领域的人才能做到。而恰恰是能够妥善监督AI的能力,依赖于实质验证;实质验证所需要的原材料,正是内化型熟练——而这种熟练正因为AI的应用而逐渐枯竭。论文把这个循环称为验证链(Validation Tether):越依赖AI,监督AI的能力反而越弱。

论文附上的实测数据令人不安。维森特与马图特2023年的实验中,80.7%的参与者察觉到AI推荐中存在偏见性错误,却仍然照做。察觉错误和推翻错误,是两种不同的能力。尼德霍弗团队2025年的调查显示,40%的全职员工在过去一个月里收到过实质性错误的AI产出,平均要花将近两小时才能纠正一次。宾津团队同年的调查则发现,60%的员工因为信任AI答案,已经不再习惯性地核实准确性。能做验证的人越来越少,不做验证的习惯却越来越普遍。

新人消失的两条路径

勒维特把专业能力被侵蚀的路径分成两种。第一种显而易见:AI直接接手过去交给新人做的工作,导致岗位本身消失。第二种更为隐蔽:即使新人岗位还在,只要用AI的新人能立刻达到过去只有资深员工才能达到的产出水平,公司就能用更少的新人完成同样的工作。更重要的是,这样招进来的新人在驾驭AI上越来越熟练,却跳过了锻造内化型熟练所必需的摸爬滚打。论文把这称为「没有内化的增强」。

第一条路径的证据来自布林约尔松团队2025年的研究。他们分析了2500多万美国劳动者的薪资数据,发现在2022年10月至2025年9月期间,AI高暴露度职业中,22至25岁群体的就业相对下降了16%,同一职业中35至49岁群体的就业则增长超过8%。而在AI低暴露度职业中,各年龄段的增长幅度相近。汉波尔团队用5800万份LinkedIn档案资料,也验证了同样的规律。这意味着,当资深人才市场看起来一切正常的时候,入口其实已经悄悄关闭。

第二条路径的证据来自医疗和培训领域。傅晋团队2025年的研究发现,习惯了AI辅助检测的内镜医生,在没有AI帮助时的诊断准确率反而低于以前。怀尔斯团队2024年的研究则显示,借助AI训练的参与者,在脱离AI辅助的测评中并未表现出明显优势。库马尔团队和班格尔团队的研究报告称,在借助AI完成的创意工作中,能力几乎没有真正迁移到参与者身上,而且需要领域判断的任务受影响越大。也就是说,产出变好了,人却没有真正成长。

账单要到2030年才会送达

目前市场上活跃的资深专家,都是2003年到2020年间接受训练培养出来的人。论文正面点出了这个时间差。如果各家公司从2023年起就开始削减新人岗位,资深人才市场在一段时间内看起来依然健康,那只是因为大家在收割二十年前的投资成果而已。跳过的这部分投资,其影响要到2030年到2045年之间才会体现在资深人才供给上,而那时,做出这个决定的人早已不在其位。

勒维特在此提出了人力储备悖论(Human Reserve Paradox)。组织本应为了应对验证需求、危机响应以及超出AI能力范围的新情况而储备专业能力,但由于成本一人承担、收益全行业分享,储备这种能力在经济上根本没有动力。戴利2025年的数理模型得出了相同的结论:预期AI辅助会持续存在的理性劳动者,会减少对自身人力资本的投资。而坚持培养管道的公司,反而在竞争中处于劣势,不如直接花钱买已经培养好的专家。市场奖励效率,却惩罚那些守护公地的人。这正是为什么单靠某家公司善意行事,是解决不了这个问题的根本原因。

哪些职业会先崩溃——五项判断标准

论文最实用的部分,是指出不同职业的脆弱程度各不相同,并给出了区分这种脆弱度的五个因素。

判断标准	含义	脆弱度升高的方向
任务可替代性	AI能取代新人过去所学的工作的程度	越高越脆弱
监管强度	是否要求文档化的人类专业能力与监督实务	越低越脆弱
安全决定性	失败是否会立刻演变为可见的灾难	越低越脆弱
行业协会力量	是否有协会能强制执行培训标准	越弱越脆弱
工作模块化程度	工作能否被切分成适合AI处理的碎片	越容易切分越脆弱

按照这些标准衡量,软件工程、金融分析、法律研究最为脆弱——可替代性高,相比医疗行业监管更弱,而且工作很容易被切分成碎片。相反,论文认为医疗和工程领域由于监管与安全决定性形成了制度性的反向压力,会经历「缓慢但不会消失」的侵蚀。有意思的是医疗领域出现的一个反例。埃弗雷特团队2025年的研究发现,医生主动参与AI推理过程的协作流程,反而提高了诊断准确率。德尔阿夸团队2026年的研究则显示,顶尖咨询师在AI能力范围之内的任务上生产率提升,但在能力范围之外的任务——恰恰是需要实质验证的时刻——表现却下滑了。可见问题不在于是否使用AI,而在于如何使用AI,而这个「如何」在多大程度上被制度所强制,则因职业而异。

不是禁止,而是投资——论文的处方

勒维特并没有把监管当作首选答案。论文明确写道,「新的监管要求并非本框架所建议的首要应对方式」,并且指出,阻挠AI应用,或试图把AI出现之前的培训路径原样恢复为唯一正解,都不是目标所在。论文提出了三个层面的处方。

在组织层面,论文建议设立认知储备实务——即在使用AI之前先设置一段人类独立完成任务的时期;遵循能力发展阶段逐步引入AI的分阶段推进;为初级员工设置不依赖算法辅助进行刻意练习的无AI学习空间;以及把AI给出的说明设计成提问的形式而非直接答案的工作流程。在行业协会层面,论文建议尝试埃莉诺·奥斯特罗姆总结的公地治理八项设计原则——界定边界、成本与收益成比例、集体选择、监督、渐进式制裁、冲突调解、组织权利、以及在更大体系中的嵌套。具体做法包括设立自愿分级资格认证,在不阻止使用AI的前提下单独认可内化型熟练能力;并在继续教育中加入定期无AI测评。在政策层面,论文提出对那些因AI而失去培训活动的行业发放培训投资补贴,给坚持培养管道的公司提供税收抵免和配套资金,给正在做实验的行业协会提供竞争性补助,并资助研究哪些恢复路径真正有效。归结成一句话就是——不是禁止,而是投资。

论文也清楚写明了自身的局限。这套框架是「对当前激励机制走向何处的一种可反驳的解释」,而不是断言「悲剧已经到来」;认知公地在今天大多数职业中依然健康。论文同时列出了反面证据:霍尔鲁姆与韦斯特高的研究发现,丹麦在引入生成式AI的头两年里,收入和工作时长并未发生变化;曼宁与阿吉雷的研究也指出,再培训的可行性因职业和劳动力市场差异极大。一篇论文能把警告和保留意见都摆出来,反而更值得信任。

组织现在能做的事

用这篇论文的五项判断标准逐一衡量各个产业,软件、金融、法律研究首当其冲。尤其是软件行业,是行业协会缺乏强制培训标准、工作又极易被切分成碎片的领域,恰恰是论文所说的「制度性反向压力」最薄弱的地方。相反,医疗和建筑、工程等由执照和监督实务与法律绑定的行业,侵蚀速度会更慢。

论文最后提到的一点,则关乎国家层面。在危机时刻无法从外部购买的能力——核心基础设施、医疗、网络安全——依赖的是本国的专家储备,因此政策应该走向投资而非禁止。企业当下能做的,是原样搬用论文在组织层面提出的处方:把已被AI取代的部分工作保留成让人从头到尾亲手完成的训练轨道,并把AI产出的实质验证权限,集中交给走过这条训练轨道的人——形成一种双轨制。省下这笔成本的代价是,五年、十年后,留下的将只是验证链已经断裂的组织。

读到这里,应该能明白这篇论文为什么出色。它的价值不在于制造了新的数据,而在于为一件已经在发生的事,准确地命了名,并沿着这个名字把处方一路推到了底。一旦被命名为「公地」,这个问题的性质就变了——它不再是某家公司的招聘政策问题,而是整个行业需要共同管理的资源问题,解法也就该从「各自为政」转向奥斯特罗姆总结的共同治理语法。

在开发一线,这套逻辑已经能被切身感受到。看到初级开发者用AI编程工具拉出资深水准的成果,人人都会惊讶。但几年之后,这位初级开发者能否解释清楚那段代码为什么这么写、会在哪里出问题,却是完全不同的另一个问题。过去靠亲手追踪bug磨练出来的判断力,如今正在变成放行AI答案的习惯。产出的完成度在上升,而能验证它的人数却在下降——这正是那个悖论。维森特实验里的80.7%,就是这个悖论的数字:那些明明看到错误却依然照做的人。

未来几年,类似的警告会不断出现,削减新人招聘的趋势也不会停下。因为不会立即显现后果的问题,总是会被往后拖延。所以这篇论文真正的价值不在于预言,而在于提供了一份检查清单:自家公司所在的行业,在这五项标准里有多少亮起红灯?是否留有无AI参与的训练环节?实质验证究竟由谁来做?到了2030年代,那些答不出这三个问题的组织,将最先听到「工作五年了怎么才这个水平」的抱怨。