最近在 WEF（世界經濟論壇）上，前後出現了兩篇文章在談同一件事：AI 正在改變初階工作的本質，而且速度比大家想的快。
一篇是 Cognizant 的人資長寫的，一篇是 Cornerstone OnDemand 的人資長寫的。兩個不同公司、不同產業，但看到了同一個危機，提出了同一類解法。
當兩篇獨立的文章不約而同指向同一個問題，這件事本身就值得我們注意一下。
數字先看一下，比想像中嚴重
兩篇文章加起來，畫面大概是這樣：
美國的初階職缺在過去 18 個月內掉了 35%。哈佛的研究更直接——在導入生成式 AI 的企業裡，初階招聘量每季下滑了 80%。不是 8%，是八成。（驚!!!）
而且被衝擊最大的 Gen Z，反而是最少得到支援的一群：59% 的人說公司從來沒有提供過正式的 AI 培訓。
所以現況是：門被關小了，進來的人又沒人教。嗯，好棒。（Orz）
她們說對的部分
先講公道話——這兩篇文章其實點出了好幾個很實際的問題。
原本以為 AI 能處理掉的初階工作，結果沒有消失，只是被往上推給了中階主管，造成職業倦怠。人才金字塔底層如果斷了，五年後中高階也會跟著斷。這些都是真的。
第二篇文章裡有一句話寫得特別到位：初階角色從來不只是產出，它們本質上是結構化的學習環境。手動建模型的初階分析師，才能培養出「這個模型哪裡怪怪的」的直覺；被主管退稿退到懷疑人生的菜鳥，才能學到什麼叫做判斷。
到這裡為止，都沒問題。但接下來就開始微妙了。
她們漏掉了什麼
兩篇文章的解法方向是一樣的：「重新定義」初階角色。
第一篇說，讓新人從「執行任務」轉向「判斷性工作」——審查 AI 產出、標記問題、傳遞洞察。她的理由是，年輕世代是 數位原住民（digital natives），對 AI 的 舒適度（comfort level）很高，所以應該可以勝任。
第二篇更進一步，說這是「從做作業變成批改作業」。
聽起來都很有道理，投影片上畫出來也很漂亮。但有個問題…
舒適（comfort）和 判斷（judgment） 是兩件事啊。
會用 ChatGPT、會下提示詞、能讓 AI 快速生出漂亮的東西——這是操作熟悉度。但 AI 生出來的東西哪裡有坑？哪裡看起來對但其實歪了？哪裡需要人踩煞車？——這是領域辨識力。
前者是技能，後者是判斷力。技能可以上個三天課速成，判斷力不行。
而且「批改作業」這個比喻，仔細想反而暴露了問題：你要能批改作業，前提是你自己寫過夠多作業，才知道什麼是對的、什麼是似是而非的。一個從來沒寫過作業的人去批改——他依據什麼來判斷？（咦，好像哪裡怪怪的…）
拆梯子的人，要你站在高處
用遊戲來比喻好了。（身為骨灰級玩家，這種事情當然要用遊戲來解釋 XD）
一個初階會計，手動對帳對了兩年，才會對異常數字產生直覺——「欸，這筆怪怪的」。就像你在迷宮裡走了幾十次之後，開始「感覺」哪條路是死路。
一個初階工程師，寫了無數個 bug fix，才能一眼看出 AI 生成的程式碼哪裡埋了地雷。這就是打了一百場小怪之後，你看到怪物的站位就知道他下一招要出什麼。
一個初階編輯，改了上百篇稿子，才能分辨 AI 寫的文案是「看起來通順」還是「真的到位」。
這些直覺不是上課能教的，不是主管能傳授的，更不是 AI 能給的。它們是在反覆打小怪的過程中，默默升上去的隱藏經驗值。
所以如果你用 AI 把這些「低等級任務」全部跳過，讓新人直接去打魔王——他連基本的走位都還沒學會啊。
這就是我說的「梯子悖論」：你拆掉了培養判斷力的梯子，卻要求人站在梯子原本通往的高度。這不是重新定義，是直接跳關。我們都知道，跳關打魔王的下場通常是什麼。（一秒倒地…）
兩個人資長，同一個盲區
為什麼兩篇文章會犯同一個毛病？
我覺得這不是個人問題，是位置的問題。
人資長的日常是跟 CEO 對齊人才策略、看 人力成本 報表、設計 人才庫（talent pipeline）。在這個視角裡，人力是可以被規劃、配置、重新定義的資源。「讓新人從 任務執行（task execution）轉向 依賴判斷的工作（judgment-based work）」這句話，在投影片上邏輯完美。
但基層的現實是什麼？是你剛進一個領域什麼都不懂，靠著反覆做那些看似「低價值」的事，慢慢建立起對整個系統的體感。
這是地圖跟地形的差別。她們畫的是地圖，路線重新規劃一下看起來很合理。但地形裡有坡度、有泥濘、有只有走過才知道的暗路——這些東西在地圖上全部是平的。
而且這個盲點會自我強化：越高層的人越習慣用地圖思考，越覺得地圖就是現實。兩篇文章的五個建議、七個建議加起來，全部是組織設計語言——結構化入門管道（structured on-ramp）、學習迴圈（learning loops）、內部調動（internal mobility）、治理護欄（governance guardrails）。搬方塊，畫箭頭。
沒有一個是從「新人實際上怎麼長出判斷力」這個角度出發的。
好吧，那我們來聊聊地形
講到這裡，如果只批評「她們看不見」就收手，那我跟她們犯的是同一個毛病——只站在上面指指點點。身為一個在教學現場混了十五年的人（天啊說出來都覺得自己老了…），來聊聊我實際操作下來，覺得真的有用的東西。
核心就一句話：先摸過，再放手。
不是禁止用 AI——都什麼年代了，禁止沒有意義。而是讓學習者在靠 AI 之前，先親手經歷過那個「做錯 → 卡住 → 想不通 → 突然通了」的循環。哪怕只是一小段。
具體怎麼做？我的比例大概是三分理論、七分實作。
三分的理論給方向感——讓你大概知道自己在哪座山裡、要往哪個方向走。不是把整張攻略地圖給你，是給你一個指南針。
然後七分的時間就是讓你自己走。走的過程中你會跌倒、會走錯、會繞路——這些全部都是在累積那個用錢買不到的體感。
而且實作不能只有一種做法。
我通常會讓學員至少用兩種不同的方法來完成同一件事，然後比較差異。為什麼？因為只做一種，學到的是步驟——「喔，就是這樣做嘛」。做兩種然後比較，你才會被迫問自己：「為什麼這裡不一樣？哪個比較好？好在哪裡？」
那個被迫選擇的瞬間，就是判斷力開始冒芽的時刻。
然後比較完之後，有一個順序很重要：我會讓學員先觀察、先說出自己的想法，然後我才說我的看法。
這個順序不能反過來。如果老師先講了答案，學生後面說的就不是「他的想法」了——是他在猜老師想聽什麼。那個自主判斷的空間，就被你的「正確答案」佔掉了。
讓他先講，他就必須在沒有標準答案的狀態下，自己整理觀察、自己下判斷、自己承擔「可能說錯」的風險。那個不確定感很不舒服——但判斷力就是在那個不舒服裡面結晶的。
然後你再說你的看法。這時候他聽到的不是「正確答案」，而是另一個有經驗的人怎麼看同一件事。他會自動拿來跟自己的想法對照——「原來他注意到這裡，我沒看到」「欸，但我的角度好像也有道理？」
那個內在對話，比任何教材都有效。比任何 AI 生成的學習路徑都有效。
地圖很重要，但記得走進地形
回頭看那兩篇 WEF 文章，方向不算錯。初階工作確實需要重新設計，AI 時代的新人確實不應該花三年只做 data entry。
但「重新定義角色」只是地圖上的操作。真正的問題是：在你重新設計的角色裡面，有沒有保留那段讓人長出判斷力的路？
有沒有讓新人先摸過材料，才讓他判斷材料？有沒有讓他用兩種方法做過同一件事？有沒有讓他先說出自己的觀察，才給他你的看法？
如果沒有，那設計出來的不是「加速學習」，是「跳過學習」。
梯子拆了，人站不上去。魔王不會因為你跳關就變弱。
（但說真的，能看到這個問題然後願意去想辦法的人，大概都已經在做了。真正該擔心的，是那些連梯子在哪都不知道就把它拆了的人…XD）
參考文章：
- How AI is changing the nature of entry level work（WEF, 2026.03）
- The AI-related leadership crisis that’s only five years away（WEF, 2026.06）
