AI 正在重写职业准备的规则

MSU Denver 进入 Google News 讨论时，直面了高校再也无法回避的矛盾：AI 素养如今至关重要，但仅有工具使用权限几乎无法证明什么。雇主日益希望毕业生能够运用人工智能，同时核查其输出、解释自身选择，并作出可靠判断。

这一变化削弱了旧有的职业准备公式。学位、精心打磨的简历和面试训练，过去曾为许多初级岗位构成一套可信的组合。这些信号依然有用，但如今 AI 几分钟内就能帮助几乎任何人制作出精致的求职材料。

正在形成的竞争并非学生与机器之间的竞争，而是可证明的能力与无法充分揭示个人工作方式的资历之间的竞争。MSU Denver 的应对方式，是让职业准备更贴近课堂学习、雇主反馈、实践经验以及负责任地使用 AI。

MSU Denver 正将 AI 准备度视为全校性问题

MSU Denver 的核心发现是，AI 准备度不能只是附加在其他方面未变的学位课程上的一场可选讲座。

该大学的《2026 年人工智能现状报告》将职业准备和学生能力差距视为机构层面的议题。其更广泛的 AI 项目还涵盖课堂使用、评估、指导、运营、研究和负责任的治理。

这一范围很重要，因为生成式 AI 影响的不只是计算机科学专业学生。市场营销专业毕业生会用它分析受众并起草营销活动。会计专业学生会接触自动化文档审查。设计师面临图像生成，而酒店管理和健康相关专业学生则会遇到 AI 辅助的排班、沟通和决策支持。

狭窄的技术课程会忽略这些差异。如今的职业准备要求学生理解 AI 如何改变其所选领域中的任务、证据和风险。相关标准并不是一个人会不会打开聊天机器人。

MSU Denver 的 AI initiative 从教学和机构实践两个层面阐述了这一议题。其指导方针涵盖在大学环境中使用 AI 的学生、教师、员工、研究人员、承包商和供应商。

这种方法认识到，毕业生进入职场后将面对规则不一致的工作环境。一家雇主可能鼓励广泛试验，另一家则可能因员工处理机密客户信息而限制使用公开模型。

因此，学生需要先具备判断力，再掌握任何单一产品。他们必须知道何时适合使用 AI、哪些信息不能共享，以及如何验证生成的答案。

他们还需要理解溯源，即信息或创意作品可追踪的来源。一段看似有说服力、却缺乏可靠溯源的文字，可能带来法律、事实或声誉风险。

同样的原则也适用于求职申请。AI 可以改善措辞，但申请人仍须对所声称的每项技能和成就负责。面试很快就会暴露出无法解释 AI 生成作品集的候选人。

MSU Denver 面临的挑战尤其务实，因为其职业项目将教育与雇主联系起来。该大学更名后的 Kemper Classroom to Career Hub，旨在整合咨询、实习、雇主参与和职业准备。

这座规划中的四层、25,000 平方英尺设施，预计每年将服务超过 18,000 名 MSU Denver 学生和 11,000 名 Community College of Denver 学生。该大学还表示，该中心将与超过 5,000 家行业合作伙伴建立联系。

这些关系能够比传统课程审查周期提供更快的反馈。雇主可以指出哪些 AI 实践已成为常规，哪些仍有风险，以及哪些人类技能正变得更有价值。

因此，标题背后的事件远不止一门新课程或一项校园政策。MSU Denver 正将 AI 视为对学生进入职场前所需证明材料的一项改变。

这也形成了本文的核心张力。大学历来通过成绩和学位认证学习成果。如今，雇主需要更清晰的证明，确认毕业生能够在 AI 参与工作的情况下负责任地完成任务。

为什么 Google News 标题指向更大的招聘转变

Google News 标题之所以重要，是因为全国雇主数据支持了 MSU Denver 在校园层面观察到的压力。

美国大学与雇主协会在 2026 年报告称，自 2025 年秋季以来，雇主对初级岗位 AI 技能的需求几乎增长了两倍。这一发现来自一项有 185 名受访者参与的调查，其中包括 142 名 NACE 雇主会员。

这是初级岗位市场的一项重要变化。AI 经验不再局限于专业工程或数据科学职位。雇主日益期望各职能领域的新员工都能理解 AI 支持的工作方式。

不过，同一项 初级岗位研究 也使关于立即大规模替代的预测变得更复杂。超过半数受访雇主表示，AI 并未减少分配给初级员工的任务。

略高于四分之一的雇主表示，AI 已减少了对这些任务的需求。这种分歧表明，雇主仍在测试 AI 如何融入工作岗位，而非遵循一套普遍适用的自动化方案。

即便没有全面的岗位消失，毕业生所面临的压力也已迫在眉睫。当 AI 加速研究、写作、编程、分析和日常沟通时，雇主可以提高要求。

一名新员工可能与前几届员工拥有相同的工时和职称，却被期待产出更多。真正的差异化因素，是员工能否指导、检查和改进机器辅助完成的工作。

世界经济论坛也在更广泛的层面得出了相似结论。其《2025 年未来就业报告》收集了来自 55 个经济体、代表超过 1,400 万名劳动者的 1,000 多家雇主的反馈。

该报告将 AI 和大数据列为增长最快的技能之一。报告还发现，63% 的雇主认为技能差距是组织转型的主要障碍。

与此同时，雇主仍然重视分析思维、韧性、领导力、协作能力和技术素养。这份 就业展望 并未描述一个技术熟练度取代人类能力的劳动力市场。

它描述的是一个两者结合至关重要的市场。劳动者必须运用技术，同时解读不确定性、与他人协调，并对结果承担责任。

对学生而言，这改变了“擅长 AI”这一说法的含义。基础提示词使用正变得更容易，也更缺乏区分度。有价值的技能，是建立一套能够产出可信工作的可重复流程。

设想一名传播学毕业生被要求准备一份简报。AI 可以总结文件并提出结构，但毕业生必须能够区分证据与言之凿凿的虚构内容。

商业分析师可以要求模型解读电子表格。但这个人仍需发现缺失值、误导性的相关关系，以及模型无法验证的假设。

程序员可以更快地生成代码。程序员仍然要负责测试行为、保护凭据、审查依赖关系，并解释为何该实现是安全的。

这些例子说明，职业准备为何变得更难评估。一份完成的文档越来越难揭示其创作过程。雇主需要看到输出背后的推理、验证和领域知识的证据。

这种压力同时传导至大学、学生、职业中心和招聘经理。大学必须修订评估方式。学生必须记录自己的流程。雇主必须界定可接受的 AI 使用方式。

被迫作出的回应，不只是给每门课程标题都加上“AI”。机构需要设计能够揭示学生如何借助这些系统作出决策的作业和职场体验。

新的分野在于可证明的能力与精致的资历之间

AI 让具有专业外观的产出变得充裕，因此稀缺的信号，是候选人能够在真实约束下完成准确工作的证据。

简历曾经反映出相当程度的个人投入。申请人挑选措辞、组织成就，并为每个职位调整材料。

生成式 AI 大幅降低了这类投入。它可以改写要点、贴合职位描述、生成求职信，并模拟面试问题。

这些用法并不必然不诚实。它们可以改善以第二语言写作或缺乏非正式辅导网络的求职者的机会。

问题出现在精致表达与实际能力脱节之时。候选人可以提交出色的文字，却不了解其中的主张，也不具备其所暗示的经验。

招聘团队很可能会作出回应，更加重视可观察的工作表现。结构化面试、有偿工作试用、作品集、模拟任务和项目讨论，能够揭示静态求职文件所掩盖的内容。

高校也必须采取类似行动。一篇在课程结束时提交的论文，可能不再能展示学生如何收集证据、检验论点或纠正错误。

过程证据提供了更强的信号。学生可以保留研究日志、标注来源选择、记录修改过程，并说明 AI 在何处发挥了作用。

一份 AI 辅助作品集应回答几个问题。学生面临什么问题？哪些信息被输入系统？学生如何评估回应？审查后发生了哪些变化？

这些文档将 AI 使用从模糊的说法转化为可评估的实践。它们也为雇主在面试中提供了有价值的讨论素材。

学生无需公开私密对话或每一条探索性提示词。他们只需提供足够的证据，表明自己拥有主导权、判断力和可重复的方法。

这正是个人知识管理变得相关的地方。可搜索的 AI second brain 可以帮助学生长期连接课堂笔记、项目证据、反馈和决策。

职业价值并不来自收集更多材料，而是来自检索证据，并解释先前的学习如何塑造当前成果。

市场营销专业学生可能保留营销活动简报、受众假设、源材料、生成的备选方案和最终绩效分析。这些记录展示的内容远多于一张精致的营销活动图片。

工程专业学生可能保留需求、设计决策、生成代码建议、失败的测试和修正后的实现。失败同样重要，因为它们展示了诊断能力。

护理专业学生可能记录一次模拟情境，其中 AI 建议与既定程序发生冲突。解释为何拒绝该建议，能够展现专业判断力。

这些产物也让人类能力变得更可见。沟通能力体现在解释中。批判性思维体现在验证中。团队合作体现在决策记录和同伴反馈中。

NACE 的职业准备框架长期强调沟通、批判性思维、团队合作、职业素养、技术和职业发展等能力。AI 改变了这些能力的呈现方式，但并未抹去它们。

主要的逆转已十分清晰。随着自动化系统产出愈发精致的内容，雇主仅凭“精致程度”获得的信息反而更少。最优秀的候选人将展示其背后的推理过程。

这更有利于将 AI 视为可记录工作流程一部分、而非必须隐蔽使用的捷径的学生，也有利于评估决策过程而不只看最终成品的高校。

雇主仍需要那些容易被 AI 掩盖的人类技能

AI 素养提升了人类判断力的价值，因为更快的生产速度意味着需要有人评估的材料更多。

乍听之下，这似乎自相矛盾。如果模型能够起草答案，用户看起来就不那么需要专业知识了。

但在实践中，知识薄弱会使错误更难被发现。不了解相关领域的用户，无法可靠地核查法律摘要、财务预测或技术设计。

因此，AI 素养还应包括对其局限性的认识。大型语言模型通过预测可能出现的语言序列生成回答，而不是独立保证内容真实。

其输出可能准确、不完整、带有偏见、已经过时，或完全虚构。流畅的语气并不会表明实际属于哪一种情况。

核验是连接 AI 熟练使用与职业信任的桥梁。它要求人们查找一手来源、核对计算结果、比对主张，并知道何时需要专家审查。

沟通要求也随之提高。员工必须说明系统作出了哪些贡献、哪些不确定性仍然存在，以及由谁批准了结果。

当 AI 影响客户、患者、员工或公共决策时，这一点尤为重要。人类不能以“模型给出了答案”为由转移责任。

团队协作也在变化。同事之间需要就获准使用的工具、机密信息、文档记录和审核流程形成共同预期。

如果缺乏这些预期，一名员工可能将敏感数据输入外部服务，而另一名员工则以为所有项目资料仍然是私密的。职业准备必须应对这一运营现实。

世界经济论坛发现，到 2030 年，预计 39% 的劳动者现有技能组合将发生变化或过时。该数字反映的是技能组合的变化，并不意味着所有现有知识都会消失。

同一份报告预计，到 2030 年，22% 的工作岗位将受到颠覆性影响。报告估计将新增 1.7 亿个岗位、替代 9200 万个岗位，净增加 7800 万个岗位。

不应将如此大规模的预测视为承诺。它们取决于雇主预期、经济状况、投资、监管和采用模式。

但这些预测仍说明了为何大学如今面临压力。若等到劳动力市场的每一种影响都确定下来，学生将仍基于昨日的假设进行准备。

职业中心必须帮助学生将 AI 经验转化为可信证据。“使用过 ChatGPT”几乎无法说明任务的复杂性或完成质量。

更有力的表述会明确目标、方法、审核和结果。例如，学生可以说明自己使用 AI 模型对访谈笔记进行分类，然后逐一将每个主题与访谈记录进行人工核对。

这段表述会向雇主传递几个有用信号：候选人能够界定任务、使用合适工具、保留一手证据，并检验生成式分析。

它也为后续提问创造了空间。面试官可以询问哪些分类发生了变化、模型遗漏了什么，以及学生如何处理敏感信息。

这种评估形式能够保护候选人免受浅层关键词筛选的影响，也能保护雇主避免聘用那些 AI 能力声明超过实际能力的人。

重点并非将每位毕业生都培养成 AI 工程师，而是让每个职业中的负责任 AI 使用方式变得可见。

酒店经理、教师、销售人员、设计师和软件开发者所需的技术深度各不相同，但每个人都需要判断力、核验能力和沟通能力。

AI 职业准备推动仍无法证明什么

最大的未知在于，培训项目能否培养出持久能力，而非只是对流行工具的暂时熟悉。

AI 产品变化迅速。围绕某一界面设计的工作坊，可能在供应商修改功能、限制或数据实践后迅速过时。

大学应在教授当前工具的同时，传授持久适用的方法。这些方法包括问题界定、来源评估、隐私保护、测试、文档记录和升级处理。

即便如此，衡量准备程度仍然困难。学生可能在有支持的课堂中表现良好，却会在职场数据不完整、截止期限更紧张时遇到困难。

雇主的期待也各不相同。小型机构可能奖励广泛试验，而受监管的组织可能限制使用同样的工具。

不存在一张能够解决这些差异的通用 AI 准备证书。除非项目公布可衡量的成果，否则任何“让每位学生都为 AI 经济做好准备”的广泛主张都值得审视。

获取资源也会带来另一项风险。拥有较新电脑、付费工具、充裕空闲时间和经验丰富导师的学生，可能比缺乏这些资源、能力同样出色的同龄人建立更强的作品集。

大学可以通过提供获准工具、监督项目和带薪实践学习来缩小这一差距。但它们不能假设学生会自行购买使用权，或在课外自学。

偏见同样会进入招聘流程。AI 辅助筛选可能复制历史就业数据中固有的模式，或使经历不符合传统表述方式的候选人处于不利地位。

求职者可能会通过针对自动化筛选器优化每一份文件来应对。这种动态会导致生成式求职材料与生成式筛选之间不断升级的竞赛。

如果匹配变成一场合成关键词之战，双方都难有实质收获。雇主仍需要结构化、与岗位相关的评估以及一致的评价标准。

大学还需要为可接受的辅助方式设定边界。全面禁止可能会剥夺学生接触未来工作中将遇到的工具的机会。

不受限制的使用则可能损害学习，因为学生会外包作业原本旨在培养的核心推理过程。合适的边界取决于学习目标。

写作课程可以允许学生在修改阶段使用 AI，但要求论点必须独立起草。编程课程可以允许生成代码，但要求提供测试并进行口头说明。

分析课程可以允许模型辅助探索，但应对来源选择、计算和解读进行评分。清晰的规则会让评估更有意义。

MSU Denver 的全校性做法为这些讨论奠定了基础。但这本身并不能证明毕业生会负责任地使用 AI，或获得更好的就业结果。

该大学需要随着时间积累证据。有用的衡量指标包括跨学科参与度、作品集质量、实习反馈、雇主满意度和毕业生去向。

独立比较同样重要。学校可以报告很高的工作坊参与率，但学生可能仍无法在复杂项目中应用所学内容。

最可信的评估应考察教学前后的表现，也应测试学生在使用不熟悉工具时是否仍能保留这些实践方法。

另一项不确定性来自雇主自身。企业经常要求教育机构为学生的新兴工作做好准备，却未能完整定义这些工作。

如果招聘描述要求 AI 技能，但管理者缺乏治理机制或可靠工作流程，毕业生进入的将是一个预期超出运营清晰度的环境。

职业准备无法单独解决这一组织问题。雇主必须界定获准用途、提供受保护的系统、培训管理者并明确责任归属。

审慎的结论并不是 AI 教育没有价值，而是获取权限、出勤率和自信的自我报告，都无法替代对实际表现的观察。

三个信号将表明职业准备是否真正发生变化

下一阶段应根据学生证据、雇主行为和可衡量结果来评判，而不是根据 AI 公告数量。

第一个信号是，MSU Denver 是否将其全校发现转化为按学科划分的评估。校园政策可以确立原则，但学生是在具体的专业任务中接触 AI。

应关注那些要求记录 AI 使用情况、核查来源、保留修改历史并进行口头答辩的作业。若此类作业出现在商科、计算机、健康、教育、艺术和酒店管理等领域，将增强该大学的论证。

如果实施仍局限于自愿参与的活动，这一主张就会减弱。可选项目往往触及那些本已具备自信、时间和技术兴趣的学生。

第二个信号是，雇主是否改变了评估初级岗位求职者的方式。如果职位发布仅使用“AI 技能”这一表述，却不定义可接受的表现，那么需求增长的意义并不大。

应关注结构化面试、作品集审查、工作模拟，以及有关核验的提问。这些方法将证实，经验证的能力正在取代表面精致度，成为更强的信号。

雇主向职业中心提供的反馈也同样具有启发性。对于来源验证、工作流程文档、隐私意识或模型评估的具体要求，将为大学提供明确目标。

如果招聘仍主要依赖简历关键词和非结构化面试，学生将收到相互矛盾的信息：他们被告知过程很重要，而筛选系统仍持续奖励呈现方式。

第三个信号是，具有经验证 AI 经验的毕业生是否取得更好结果。大学应考察实习评价、就业安置、留任率和雇主满意度。

这些指标必须考虑学术项目、既有经验以及获取职业网络的机会。否则，机构可能会将原有优势错误归因于新的 AI 项目。

积极结果将增强在整个职业准备过程中整合 AI 的理由。结果若较弱或不均衡，则表明仅仅接触工具还不够。

更广泛的劳动力市场将提供额外背景。NACE 调查可以显示初级岗位需求是否持续增长，以及雇主实际改变了哪些任务。

未来的雇主报告也可以揭示，增强人类工作是否仍比减少任务更为常见。这一区别将决定学生需要练习什么。

如果 AI 主要是加速现有工作，毕业生就需要扎实的领域知识和审核能力。如果雇主取消了整个任务类别，教育体系就必须开辟新的路径，让学生获得基础经验。

第二种可能性值得密切关注。初级任务往往教授工作情境，而员工后来会将这些情境用于更高层次的判断。

若将这些任务自动化，却不替代其学习功能，就可能造成人才管道问题。雇主或许希望获得有经验的员工，同时却取消了人们积累经验所需的工作。

届时，大学和雇主将需要通过模拟、学徒制和监督项目，在不保留每一道手工流程的前提下保留学习机会。

这正是为何 MSU Denver 的故事不仅仅属于 Google News 信息流。它呈现了大学、雇主和学生之间围绕何为可信职业准备所展开的协商。

旧有信号不会消失。学位、简历、实习和面试仍将是招聘的一部分。

但随着 AI 参与这些信号背后的工作，它们的含义将发生变化。毕业生需要展示自己知道什么、如何使用系统、在哪些地方质疑了它，以及为何他人应信任这一结果。

对学生和知识工作者而言，眼下务实的下一步是保存证据。把来源、假设、修订、反馈、失败的尝试以及最终决策记录在一个可搜索的工作流程中。

然后检验自己能否不借助工具的掩护来解释这项工作。如果雇主问起模型出了什么错，你的作品集里是否有答案？

相比任何“精通 AI”的宣称，这个问题提供了更好的职业准备度标准。继续关注后续的雇主调查、校园评估和毕业生去向，因为它们将显示 Google News 的标题描述的是一场持久转变，还是仅仅是一次早期预警。