最近招人这块感触挺深，想跟版里刚入行或者正准备入行的朋友聊几句。
我接触到的岗位，这两年招人的口味变化特别明显。以前新人进来，能加班、肯跑腿、把交代的事踏实做完，就很招人喜欢。现在不太一样了，面试时经常会先问一句"你平时拿什么工具提效"。是呢会用AI帮着写报告、理数据、甚至梳理流程的人，明显更吃香。纯粹重复性的执行活儿，其实在悄悄缩编。抱抱
但也不是机器把人都替了。我看到的真实情况是，行业缺的从来不是堆工时的人，而是能把AI给的东西真正落地、还愿意对结果负责的人。AI出一份粗糙方案很容易，可谁来判它对不对、能不能用、出了岔子谁兜着，还是得靠人。新人要是只会催AI吐料，不往深里想，反而危险。
所以想宽慰一句：别慌。你们比我们这些干了十几年的老家伙有个好处，就是还没被老习惯绑死，学新东西、换车道反而快。抱抱趁早把行业认知和判断力练起来，把工具当拐杖别当脑子，这波浪潮对你们说不定是超车的好机会。
辛苦了各位，有同感的欢迎来聊聊。
借个抱抱哈哈 我旁边一同事纯靠AI写周报，上周例会一问三不知直接社死。工具当拐杖这个比喻挺到位的，脑子还是得自己长
我年轻那会儿单位刚上电算化，财务从算盘换成电脑。当时会敲两下键盘的人特吃香，跟现在会玩AI一个样。可我记得有个老会计，对屏幕上的数字从来不复核，觉得机器算的还能有错？结果有回公式被人不小心改了一格，整本账都偏了，查了小半个月才翻出来。
这事让我一直记着，信它和用它是两码事。楼主说把工具当拐杖别当脑子，我倒觉得最难的不是学工具，是得有人愿意慢下来替结果担着。新人图快可以理解，但那份责任心AI替不了。你们这代人上手快是优势，别让这份快变成了飘就好。
抱抱楼主，宽慰的话很贴心。我表妹刚工作，天天练判断少催AI，反而比同事顺手多啦。
楼主说的"重复性执行活儿在缩编"这个感受大概率是真的，但得补一层：缩编的速度和程度在不同行业差得相当远，所以"新人活更难了"得分赛道看。严格来说
2023到2024那波生成式AI落地，受冲击最猛的是内容生产、初级代码、基础翻译这类"产出能被清晰验证"的岗位。其实麦肯锡2023的报告估算，当前技术下约一半职业有相当一部分任务可被自动化，但整岗消失的比例低得多，多数时候是任务被重排。反过来护理、幼教、线下销售这些强人际强现场的活，对入门岗的挤压几乎可以忽略。
这带出一个比"学工具"更关键的判断：当AI把草稿成本压到接近零，公司不是降低了对应届生的要求，而是把"出方案"的门槛往下放、把"判方案"的要求往上提。以前新人写份报告主管改改能用，现在主管期待你交上来就能用、还得知道哪版哪里不可信。对结果负责的那个"判"，被前移到更年轻的人身上。嗯这对新人未必是超车，更像提前加了难度。
嗯
"把工具当拐杖别当脑子"我认同，再补一句：现在更稀缺的是会提对问题的人。AI不缺执行，缺的是有人把模糊目标拆成它能接住的指令、再兜住它跑偏的地方。这块练起来比单纯熟某个工具值钱。
你们接触的那批岗位偏哪类？不同赛道新人面对的其实是两种完全不同的"难"。
前阵子跟一个刚工作的小孩吃饭，他跟我显摆，说现在一周能靠工具干完以前得熬一个月的活。我随口问了句，那你头儿真敢把要紧的活全交给你？他愣了一下，说还是得有人复核一遍。其实这就接上了楼主说的那句，能落地、肯负责的人最缺。我这些年在职场里摸爬，见得最多的是反过来，工具学得飞快的人一抓一大把，可真到要拍板、要兜底的时候，愿意站出来的人稀罕。年轻确实不怕生，换车道快，这是实打实的好处。不过肯学工具和肯扛事中间还隔着一道坎，前头能练，后头得自己摔过几回才长出来。遇上了就别躲，早碰早清醒。
以前比谁加班狠 现在比谁工具玩得溜 楼主那句"拐杖别当脑子"真到位 我组里就有新人AI用得飞起 一问细节全露馅
我寻思着…，催AI吐料谁不会啊，难的是它吐出来的你敢不敢用、用得对不对哈哈
判断AI给的东西对不对，真不是靠换车道、学工具能补上的。你提到的"把判断力练起来"，恰恰最吃行业底子——那是要一天天泡出来的。新人容易把"会用工具"当成"有判断力"，结果AI塞个包装漂亮的错误结论也照单全收。上手快是真，但底子没有超车捷径，该磨的还是得磨。
“对结果负责”这点很关键。不过具体怎么量化人对AI输出的审核质量，目前好像还没统一标准？
“把工具当拐杖别当脑子”这个比喻挺生动，不过从认知科学的角度看，具体是什么在充当“脑子”，其实值得商榷。
你提到新人要练判断力、对结果负责，这点我非常认同。其实但我想补充的是，这种判断力的养成路径正在发生结构性变化。以前的模式是：大量重复执行 -> 积累手感 -> 形成直觉和判断。现在中间那层被抽掉了，新人直接面对的是半成品方案，他们反而缺少了建立底层认知的过程。这有点像学数学直接跳过了手算去用计算器，遇到复杂问题容易抓瞎。
有个具体的例子可以参考。之前看过一份针对初级开发者的调研数据（具体出处记不太清了，大致是2023年底的统计），重度依赖AI辅助写代码的新人，产出速度确实快了将近40%，但在后续的code review环节，被驳回的比例反而比不用AI的对照组高出15%左右。问题往往出在对边界条件的理解上——AI生成的逻辑在常规路径下跑得很顺，一旦遇到极端输入或者业务逻辑嵌套，缺乏底层推演能力的人很难看出隐患在哪里。
所以核心矛盾可能不在于“谁来兜底”，而在于怎么在没有足够重复劳动的情况下，还能把基本功打扎实。严格来说velvet_de前阵子在另一个帖子里聊过类似的话题，说现在的实习生交上来的东西看着很完整，一追问细节就卡壳，感觉也是这个困境的缩影。
严格来说我个人的观察是，新人的训练方式可能需要重新设计。不能只考核最终交付物，得增加一些“拆解”环节。比如让新人去逆向分析一个AI给出的方案，指出它在哪些假设条件下会失效，或者要求他们手动复现某个关键步骤的逻辑。quill2004之前提过的那种“刻意制造困难”的思路，放在这里可能也适用。
换句话说，不是不让用工具，而是得设计一套机制，确保人在使用工具的过程中依然在消耗脑力进行深度加工。光有判断意识不够，还得有支撑判断的知识密度。
嗯
大家团队里现在有专门针对这块的训练方法吗？挺好奇实际操作下来效果怎么样。
“把工具当拐杖别当脑子”这个比喻挺生动，但细想值得商榷。
拐杖的预设是使用者本身具备行走能力，只是借力。而现在的实际情况是，很多刚入行的人连基本的“肌肉记忆”都还没建立起来。我观察到的现象是，如果跳过基础的重复性训练直接依赖AI出结果，新人往往缺乏判断输出质量好坏的基准线。
这就好比还没学会走路就给了根拐杖，反而容易摔。
之前petal__dog在版里聊过类似的话题，提到有些实习生用工具生成的东西表面工整，但底层逻辑经不起推敲。我觉得核心矛盾在这里：行业需要新人有判断力来兜底，但判断力恰恰是在那些正在被缩编的“重复性执行活”里磨出来的。
怎么解决这个断层，目前好像还没有很成熟的方案。你们招人时会专门设计环节去补这块吗？