一家公司不必裁员，也可能让刚毕业的人更难找到工作。 假如原本交给助理的数据整理、初稿和例行分析，现在由资深员工搭配AI就能完成，主管可能决定，今年不再补这个人。 短期看，公司省下薪资，也减少带人的负担。 但若这些工作原本也是新人熟悉业务的开始，取消职缺之后，企业还得回答另一个问题：未来需要的熟手，要从哪里培养？ 今年八月，史丹佛数字经济实验室更新一项美国就业研究，使用截至六月的薪资数据，发现较容易受AI影响的职业中，二十二至二十五岁工作者的就业走势，落后于较不容易受影响职业中的同龄人；调整主要表现在减少聘雇，而非增加离职。 研究者强调，这些是描述性结果，不能据此确定差距有多少由AI造成，也尚未观察到整体经济出现普遍的工作排挤。

我们还不能断言，AI已经让一整个世代失去入行机会。 但企业在调整工作时，应当把人才培养一起纳入考量。 今天交得出成果，不代表几年后仍有人能接手。 初阶任务可以重新分配，原先依附在那些任务上的学习机会，却不能被当成已经不需要的成本。 初阶工作少了，学习过程由什么承接？ 设想一名刚到职的客服，第一次处理客诉时，以为把回信写得礼貌、完整就够了。 主管却要求他查清楚：业务当初承诺了什么，实际交付哪里出了问题，哪些补偿可以答应，哪些必须另行核准。 他重新查数据、改写回复，逐渐理解公司的产品与责任。 回信是交付给客户的成果，查证、修改与讨论，则是他累积经验的过程。 若由AI草拟回信，再交给资深员工直接覆核，公司可能更快完成同一件事。

但如果新人因此不再参与，他就少了一次理解问题的机会。 日后要求他担任AI审核者，也不会自动补回这段经验：一个尚未熟悉产品与业务的人，未必知道哪些看似合理的回答，其实不能寄给客户。 当然，不能因为工作挂着「磨练」的名义，就认定它值得保留。 重复搬移数据、调整格式，未必能培养判断力。 企业应该区分，哪些只是可以省下的工序，哪些工作虽然初阶，却让新人有机会理解问题、作出决定，再从结果与回馈中修正。 前者可以交给工具；后者即使改变形式，也需要有人重新安排。 AI并非只能削弱学习。

二〇二五年刊于《经济学季刊》的一项研究，追踪一家企业及其客服服务商的五千一百七十二名客服人员，发现导入生成式AI助手后，每小时解决问题的数量平均增加约百分之十五，资历较浅、原先表现较弱的员工受益尤其明显。 研究还利用工具意外停用期间的数据，观察到员工在没有AI即时建议时，表现仍高于导入前，提供了AI可能帮助员工学习的证据。 这是特定企业与工作环境的结果，不能直接推及所有职业。 另一项研究则呈现不同情况。 Anthropic今年一月公布一项五十二名软件工程师参与的随机实验，让他们学习不熟悉的程序工具。 使用AI协助的一组，在随后的理解测验中得分较低，辨认与诊断程序错误的落差尤其明显；完成速度则没有统计上显著的提升。

不过，这是小型、短期实验，衡量的是任务完成后不久的理解程度，尚不能判定长期能力会如何改变。 两项研究不能拿来比输赢，却指出企业需要分开检查的两件事：工作是否完成得更好，以及工作者是否因此学会更多。 AI可以提供熟手的处理方法，也可能让人交出自己并未理解的成果。 公司若只看交件速度，就无法知道新人究竟是在逐步胜任工作，还是愈来愈熟练地转交答案。 因此，新人的工作不宜只剩「请AI产出，再看看有没有问题」。 以客诉为例，可以先让他厘清争议、查找依据，再使用AI草拟回复；主管覆核时，也应追问他为何接受某项建议，以及条件改变后，原来的处理是否仍然成立。 这不需要禁止AI，却能让学习留在工作之中，而不是把一封流畅的回信误认为一名已经成熟的员工。

带新人，不能只靠主管下班后的热心 企业确实可以选择另一条路。 IBM今年三月在官网表示，计划扩大二〇二六年在美国的初阶人才招募，同时重新设计职务，让新人更早接触客户、理解完整系统并检查AI成果。 这是公司提出的招募与工作调整方向，不能当成已完成的成效，但至少说明，采用AI不必然等于减少所有入门机会。 然而，把新人送到更复杂的工作面前，还不等于完成培训。 若资深员工的业绩要求与工作量完全不变，只额外要求他教人，指导就很容易被挤到空档甚至下班后。 主管若只考核处理速度，新人也会收到矛盾的信号：公司口头上要求理解，实际上却奖励最快交件的人。 我的主张是，企业导入AI时，必须把新人培育纳入人力预算，明确保留有人指导、有人覆核的带薪实作。

训练需要多少工时，就应列入成本；由谁负责，也应在工作分配中说清楚。 不能把所有节省的时间都换成更多业务，再期待经验传承由员工自行完成。 实作可以从风险可控的任务开始，由主管依新人已经掌握的能力，逐步增加责任。 可能伤及客户或造成重大损失的决定，仍由有经验、有权限的人把关。 评量时则应让新人处理未曾见过的情境，说明查证依据与判断理由；必要时移除AI的即时建议，看看哪些能力已经留下。 完成多少份文档、上过多少小时课，都不能取代这种检查。 企业会担心，花钱培养的人最后离职。 这个顾虑不能被一句「企业应尽社会责任」打发。 公司没有义务无限增加不需要的职位，也不应为了保留训练机会，继续采用明显低效的做法。

但对仍然需要长期专业人才的企业而言，完全依赖挖角，也只是把培养的责任交给别人。 假如同业都采取相同选择，熟手的来源便可能逐渐缩小。 这也是公共资源可以介入的理由。 个别企业不容易独自承担的基础训练，可以由学校、公协会与企业共同安排，减少重复投入；真正涉及产品、客户与现场决策的部分，则仍须回到工作岗位，由熟悉业务的人指导。 共同办课能分摊成本，不能代替公司带人。 青年就业补助，应该查验人学会了什么 台湾已有制度可以承接这项调整。 今年三月，劳动力发展署将原有的大专青年预聘与就业学程制度整并为「补助大专校院就业学程企业预聘青年计划」。 因此，政策不必急着再增加一个名称相似的新方案，而应检查既有训练，如何配合AI导入后的工作变化。

对以青年培育为目的的企业补助，我认为应把带薪实作、导师实际投入，以及训后能力进展，列为审查与核实成效的条件。 企业应说明，青年参与了什么工作、谁给予回馈、能独立负责的范围增加了多少。 这些纪录可以精简，但不能只剩课程签到、成果照片与一份看起来完整的报告。 追踪就业也不宜只看是否留在原公司。 青年可能因为取得能力，选择另一份更合适的工作；政策应关心他是否进入相应职务、工作条件是否改善。 另一方面，若企业不断领取培训补助，却反复更换受训者，让每一批人都只做低级杂务，就有必要查核，它究竟是在培养人才，还是在用补助降低人事费用。 带薪也不能被视为附带条件。

如果取得第一段经验，必须先负担几个月低薪甚至无薪的实习，那么入行机会就可能取决于家庭能不能支付生活费。 AI提高了工作的要求，却不应成为把培训成本全部转给年轻人的理由。 青年需要付出学习的努力，企业与公共制度也应提供一个不必先靠家庭资助，才能开始累积经验的环境。 学校同样可以改变评量方式。 与其只看学生交出的作品，不如要求他说明重要修改、查证过程，以及哪些AI建议最后没有采用。 企业招募时也可以用小型仿真案例，在相同工具条件下观察应征者如何理解与调整，避免一方面嫌新人没有经验，另一方面又只用漂亮的作品集判定能力。 AI是否会造成大规模失业，仍须由后续数据回答；企业如何培养下一批专业工作者，则是现在就能作出决定的事。

应保留的，是有薪资、有指导、能逐步承担责任的入行机会，而非每一份旧有工项。 企业取消初阶任务时，应同时提出人才接续的安排；政府补助青年就业，也应把资源交给确实愿意带人、并能交代培训成果的雇主。 下一份招募公告仍然可以要求三年经验。 但在企业的人力计划与预算里，也应找得到让人开始累积经验的位置。 否则，「需要有经验的人」就只是一项要求，没有人负责让它成为可能。 ＊作者为文本工作者。