发帖
雷达卡
简介
哈佛研究显示，生成式AI正在促使企业减少初级岗位的招聘（约7.7%），而对资深岗位的影响不大，形成了“资历偏向型技术变革”。批发零售业和普通院校毕业生受到的冲击最为严重。AI主要通过减少外部招聘而非解雇新人来实现这一变化。建议年轻人提升难以被AI替代的能力，资深人士则应学习与AI形成互补关系，共同应对AI时代的职场变革。
前排提醒！文末有大模型CSDN独家资料包，看到最后别错过哦～
两位哈佛学者的研究揭示了AI对就业的真实影响
两位哈佛学者通过研究6200万份简历和近2亿条招聘职位数据，揭示了AI对就业带来的真实、严酷的冲击：它不是无差别地针对所有人，而是在大量“侵蚀”初级岗位，让那些刚刚步入社会的年轻人面临着前所未有的艰难职业起跑线。与此同时，普通院校毕业生群体受到的影响更为显著。
想象一个越来越常见的场景：一位大学毕业生满怀期待地投出简历，参加一场场面试，却沮丧地发现，那些曾经专为新人开放的入门岗位越来越少。而在同一时间，需要丰富经验的资深岗位依然在招人，甚至需求更多。
这种现象背后，一场结构性转变似乎正在全球白领劳动力市场悄然上演。
哈佛大学的两位学者，Seyed M. Hosseini与Guy Lichtinger，在一篇名为《生成式AI作为资历偏向型技术变革》的论文中，为我们提供了确凿的证据。
研究方法和结论
他们使用了一个庞大的数据库，涵盖了从2015年到2025年约6200万名员工的领英简历和高达1.98亿条招聘信息，系统地分析了生成式AI对公司内部岗位需求的影响。
最终的结论十分明确：随着生成式AI的普及，企业正愈发表现出“偏爱资历”的倾向。相较于经验丰富的员工，职场新人正受到更集中、更快的冲击。
确定AI的影响和时间线揭示惊人同步
为了确保研究的严谨性，研究人员首先需要解决一个核心问题：如何准确地从海量公司中，找出那些真正开始使用生成式AI的企业？
以往的研究大多依赖于宽泛的“暴露度”指数，即通过评估特定职业的任务内容被AI替代的可能性来进行推断，但这终究停留在预测层面，无法捕捉企业的实际部署决策。
因此，Hosseini与Lichtinger设计了一个两步识别法，来找出那些真正在业务中采纳生成式AI的公司。
第一步：大范围筛选
他们将目光聚焦在那些发布“AI集成”岗位（AI integrator）招聘信息的公司。这些职位并非AI算法的研究或开发岗，而是专门负责将生成式AI技术与公司现有工作流程、产品或内部系统紧密结合的岗位。
例如，一个初级产品经理岗位要求“对生成式AI安全挑战有深刻理解”和“有提示工程的实践经验”，或一个“生成式AI开发顾问”的职责是“生成式AI模型的可扩展设计和开发利用”。这些都是企业积极部署AI的明确信号。当一家公司开始招聘此类职位时，即标志着它已从考虑使用AI转向了部署AI。
研究团队在招聘信息中搜索包含ChatGPT、Generative AI、LangChain、Prompt Engineering、RAG等特定AI关键词的岗位，从总量高达1.98亿份的完整职位描述文本中初步筛选出约60万条相关招聘。
第二步：精准识别
他们利用大语言模型对这60万条信息进行分类，从中识别出真正的“AI集成师”岗位（即负责将AI工具融入业务流程的岗位），例如模型部署、提示词工程、AI系统运维等职位。最终，约13万条招聘被精准标记。发布过这类职位的公司，就被定义为“AI采纳者”（积极应用生成式AI的企业），共计10,599家，约占样本总数的3.7%。这种方法研究的结果更加关注企业拥抱AI的实际行动，而非仅仅停留在口头。
与未采纳AI的企业相比，这些企业在多个方面存在显著差异。例如，它们普遍规模更大，平均员工数量约500人；资深员工更多；企业业务多集中在信息技术行业（36%）和专业服务行业（25%）。换句话说，从事信息技术和专业服务的大企业更愿意在实际业务流程中部署AI。
数据时间线揭示趋势
当我们对照样本公司中初级员工和高级员工的雇佣数据时间序列图时，一条清晰的线索浮现了。
数据显示，在2023年之前，即ChatGPT等工具普及之前，每月新增的AI采纳企业数量很少且保持稳定，平均约为30家。然而，从2023年初开始，采纳AI的公司数量出现了爆炸性增长，并随后稳定在每月约400家的水平。到2025年3月，符合AI采纳者定义的企业总数已超过10,000家。
与此高度一致的是，公司内部的职位结构也开始分化。从2015年到2022年上半年，初级和高级职位的增长几乎是同步进行的。但从2022年下半年开始，初级职位的增长速度明显减缓，并在2023年出现了显著下滑，而高级职位则继续保持上升趋势。
研究结果为“AI导致初级职位减少”这一因果关系提供了强有力的间接证据。
不是裁员，而是减少招聘
在识别出采纳AI的企业并掌握了它们的基本特征后，下一步工作便是运用计量经济学方法，量化这种采纳行为对劳动力结构产生的具体影响。
研究人员首先采用了经典的双重差分法（Difference-in-Differences, DiD）。该方法通过比较AI采纳企业在AI广泛应用（2023年第一季度）前后初级员工数量的变化，再与“非AI采纳者”在同一时期的变动进行对比，从而分离出由AI采纳这一特定事件带来的净效应。
一个关键的前提是，在事件发生前，两组公司的变化趋势应保持一致。
数据显示，从2015年到2022年底，“AI采纳者”与“非AI采纳者”的初级员工就业增长趋势确实保持平行，满足了该方法的核心假设，证明了它们在事件发生前具有可比性。
“AI采纳公司”和“非AI采纳公司”之间的就业差异（随时间变化）| 图源：论文
结果显示，从2023年第一季度开始，两条趋势线开始交叉。“AI采纳企业”的初级员工人数相对于未采纳企业出现了显著下降。而在采纳AI六个季度之后，这些公司的初级员工规模，相较于未采纳AI的公司，减少了约7.7%。
为进一步增强结论的可靠性，研究人员还采用了更稳健的三重差分法（Triple-Difference, DDD）。该方法在DiD的基础上增加了一个比较维度：它不仅在不同公司和不同时点之间进行对比，还在同一家公司内部、同一时点上，对初级员工与高级员工的变化进行对比。
这种设计能够融合那些可能影响整个公司的未被观察到的特定冲击（例如，公司战略调整、行业景气度变化等），从而更精确地锁定AI对不同资历员工数量的影响。
三重差分法的结果再次验证并强化了此前的发现。数据显示，从2023年第一季度起，在采纳AI的公司内部，初级职位相对于高级职位的比例，累计下降了近12%。
三重差分法的结果 | 图源：论文
综合以上，该研究得出了一个明确的结论：生成式AI的兴起构成了一种“资历偏向型技术变革”（seniority-biased technological change）。它对初级员工的就业前景造成了一定影响，而高级员工的职位则未受影响，甚至得到加强。
那么，初级职位的减少是如何发生的？是企业在大规模裁掉新人吗？
答案令人意外。通过分析员工的流入（招聘）、流出（离职）和内部流动（晋升），研究发现，初级职位的收缩主要来自于企业大幅减缓了外部招聘，而不是因为解雇了更多人。“采纳AI”的公司平均每个季度会减少约3.7名初级员工的招聘量，这相当于他们此前平均招聘量的22%。
反直觉的是，这些公司的初级员工离职率反而有所下降，内部晋升的速度则加快。
这一发现的深层含义在于，当前这波AI浪潮的主要影响模式，并非直接替代员工，而是对特定任务的替代。
这些被替代的任务，集中在认知型工作的最低层。而高级员工的工作内容通常涉及更复杂的战略思考、管理决策和非结构化问题解决，这些任务与AI形成了互补关系，使其职位得以保全。
哪些人受到的冲击最严重？
研究人员还指出，这场变革在不同行业和教育背景的人群中表现出明显的差异。
生成式AI的采用对各行业招聘的影响 | 图源：论文
从行业角度来看，批发和零售业的初级职位受冲击最为严重。在这些行业中，采纳AI的企业相比未采纳AI的，初级职位的招聘降幅接近40%。这与该行业的特性密切相关，因为生成式AI非常擅长处理重复性的沟通、订单处理、商品描述等文本与对话类任务，而这些正是零售业入门职位的核心工作内容。
相比之下，在所有被分析的行业中，AI对高级职位的招聘影响要么是积极的，要么在统计上不显著。
将视角转向员工教育背景时，研究人员以员工毕业院校的声望等级作为代理指标，利用大模型将院校分为五个等级，Tier 1为最精英的全球顶尖学府，Tier 5为声望最低的院校，并分析了AI对来自不同等级院校的初级员工就业的影响。
他们发现了一个有趣的U型现象：受冲击最显著的是来自Tier 2和Tier 3中间梯队院校的毕业生。来自Tier 1顶尖名校和排名靠后院校的毕业生，受到的影响反而较小。Tier 5院校毕业生的就业下降幅度甚至是最小的，且在统计上不显著。
员工毕业学校的声望与初级职位减少的关系 | 图源：论文
这背后的逻辑可能是，顶级毕业生的综合能力出色、附加值高，工作更多涉及高度创新和非结构性的问题解决，企业难以且不愿轻易放弃。而最底层毕业生的劳动成本低，或者大部分在从事体力密集型的工作，AI难以替代。
唯有中间层次的毕业生，其薪资水平及所从事工作的可替代性，恰好处于最容易被AI优化效率的成本区间。研究表明，他们的年薪普遍介于6.4至7.1万美元之间，所承担的许多任务本质上是程序化的和常规性的，例如撰写市场分析报告、提供客户服务、进行数据分析等。
五个学校等级的估算平均薪资 | 图源：论文
我们该如何理解和应对？
当然，这项研究并非没有局限性。研究人员也承认，“AI的应用”并非随机事件，愿意在早期采用AI的公司本身通常更大、更集中于科技行业。尽管研究方法已尽力排除干扰因素，但无法完全消除所有潜在的混杂变量。
同时，我们也应辩证地看待研究结果：一方面，这是技术进步的必然趋势，AI能加速新人的成长过程，但也可能有些企业只是借AI之名，真正的动机是应对宏观经济下行、成本控制以及追求更高的股价。
这些观点与研究结论并不矛盾，AI是一个关键且显而易见的驱动因素，但它并非唯一的原因。
论文最后提到：“鉴于职业生涯早期的发展对个人一生的职业轨迹至关重要，入门级机会的系统性减少可能会在未来数十年内显著加剧收入不平等。”
一个人的职业命运，可能比任何时候都更取决于他/她是在AI浪潮到来之前还是之后进入职场。
面对这一正在发生的变革，我们该如何应对？
对于正在求职或刚踏入职场的年轻人来说，应对策略是提升那些短期内AI难以取代的能力，包括复杂问题解决、跨团队协作、创造力、批判性思维和沟通技巧，以及对AI工具的熟练运用。
应将熟练掌握AI视为一种能力（就像熟练使用Office一样），而非威胁。同时，寻找能提供结构化培训、导师制度及多样化任务轮换的机构，这有助于缩短从新人到能够独立承担高级别任务过渡期。
对于处于职业中期或资深层次的人士来说，理解如何与AI互补、如何将AI作为决策支持工具、如何利用AI放大自身经验优势，比担心自己是否会被取代更为重要。
总而言之，哈佛的这项研究提供了一份详细且系统的证据，显示生成式AI正以独特的方式重塑职场：它减少了许多入门级工作的需求，使年轻人通往职业生涯“第一级台阶”的道路变得更少、更加陡峭。
无论愿意与否，理解、适应并主动塑造AI时代的职业生态，都是我们当前所有人都需要共同面对的。
?最后
我在一线科技企业工作了十二年，见证了太多因技术变革而实现跃迁的例子。那些率先拥抱 AI 的同事，早已在效率和薪酬上形成了代际优势，我意识到有许多经验和知识值得与大家分享，也可以通过我们的能力和经验解答大家在大模型学习中的诸多疑问。
我整理出这套 AI 大模型突围资料包：
- ?AI大模型学习路线图
- ?Agent行业报告
- ?100集大模型视频教程
- ?大模型书籍PDF
- ?DeepSeek教程
- ?AI产品经理入门资料
如果你希望通过学习大模型技术来帮助自己晋升和加薪，可以扫描下方链接????????
??
为什么说现在普通人就业/升职加薪的首选是AI大模型？
人工智能技术的迅速发展，正以不可逆转的趋势重塑就业市场的格局。从 DeepSeek 等国产大模型引发的技术圈热议，到全国两会关于 AI 产业发展的政策聚焦，再到招聘会上排起的长队，AI 的热度已从技术领域渗透到了就业市场的每个角落。
智联招聘的最新数据显示：2025年2月，
AI 领域求职人数同比增幅突破 200%
，远超其他行业的平均水平；整个 AI 行业的求职增速达到 33.4%，位居各行业之首，其中人工智能工程师岗位的求职热度更是飙升了 69.6%。
AI 产业的快速扩张，也使得人才供需矛盾日益突出。麦肯锡报告明确预测，到 2030 年中国 AI 专业人才需求将达 600 万人，
人才缺口可能高达 400 万
，这一缺口不仅存在于核心技术领域，更扩展到了产业应用的各个环节。
??
资料包包含什么？
- 从入门到精通的全套视频教程
- 涵盖提示词工程、RAG、Agent 等技术点
- AI 大模型学习路线图（附有视频解说）
- 全过程 AI 大模型学习路线
- 精选的学习电子书籍和技术文档
- 各大公司大模型面试题目详解
?这些资料真的有用吗?
这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括 IEEE Transactions 在内的学术期刊和诸多国际会议上发表了超过 50 篇学术论文、取得了多项美国和中国发明专利，同时还获得了吴文俊人工智能科学技术奖。目前我正在与鲁博士共同进行人工智能的研究。
所有的视频教程由智泊 AI 老师录制，并且资料与智泊 AI 共享，互相补充。
这份学习大礼包堪称目前最为全面的大模型学习资料。
资料内容包括从入门到进阶的各类视频教程和实践项目，无论是初学者还是有一定技术基础的人士，这份资料都能帮助你提升薪资水平，转行至大模型岗位。
智泊AI一直坚持“让每个人公平享受优质教育资源”的教育理念，通过动态跟踪大模型开发、数据标注伦理等前沿技术趋势，建立了“前沿课程+智能实训+精准就业”的高效培养体系。
课堂上不仅教授理论知识，还带领学员完成十多个实际项目。学员需要亲自进行数据清洗、模型调优等核心操作，将书本知识转化为实际技能！
如果你属于以下人群之一，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的将是终身受益！
- 应届毕业生：没有工作经验但希望系统学习AI大模型技术，期待通过实践项目掌握核心技能。
- 零基础转型：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”的跨界融合。
- 业务赋能与突破瓶颈：传统开发者（如Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。
获取方式：
有需要的小伙伴，可以保存图片到微信扫描二维码免费领取【保证100%免费】
京公网安备 11010802022788号
