Z 世代或在 AI 求职中占优，但入门级晋升阶梯正在断裂

Google News 揭示了一个引人注目的逆转：尽管面临入门级工作最严峻的压力，Z 世代仍可能在 AI 求职中获得优势。

Forbes Africa 的一则标题强调的这一观点，挑战了关于年轻劳动者与人工智能的主流叙事。AI 正在取代曾帮助毕业生进入白领职业的常规任务。但与此同时，这一代人更频繁地使用 AI，通过实验学习，并将人类判断视为一种互补技能。

这种组合确实会带来优势，但并不保证就业。Z 世代可能带着更成熟的 AI 使用习惯进入职场，却发现可供这些习惯进一步发展的岗位更少。因此，核心竞争并非年轻劳动者与年长劳动者之间的较量，而是已被证明的 AI 素养与一个持续撤去职业阶梯第一层的招聘体系之间的较量。

Google News 标题说对了什么

Z 世代最可信的优势，是对 AI 的实际熟悉度，而不是与生俱来地擅长每一项新技术。

在 Google News 上传播的这则标题，捕捉到了职场新人对待人工智能方式的重要变化。许多人并未等待正式的职场培训。他们已在学校、实习和个人项目中使用聊天机器人、研究助手、图像工具和自动写作功能。

高频使用之所以重要，是因为 AI 能力是在一次次判断中培养出来的。用户必须决定提供哪些背景信息、哪些输出值得审查，以及系统何时会自信地出错。这种经验不同于会写一个巧妙的提示词。

近期劳动力证据支持这种代际差异。ETS 报告称，员工估计 AI 参与了其 32% 的工作任务；在 Z 世代劳动者中，这一比例升至 38%。其更广泛的 AI task use 研究还显示，频繁使用者比偶尔使用者对自己的职业前景更乐观。

KPMG 在 2026 年初对 361 名冬季实习生的调查中发现了类似模式。94% 的受访者自认为是 Z 世代。近 30% 的当前任务在某种程度上涉及 AI 协助。

这些实习生还预计，未来全职岗位中有 33% 将实现自动化或得到 AI 增强。即便如此，78% 的人觉得自己至少在一定程度上已准备好与 AI 智能体协作。面对预期中的颠覆，他们更多表现出好奇，而非恐惧。

这些数据并不能证明 Z 世代比每个年长群体都拥有更深厚的技术专长。经常打开 ChatGPT 的劳动者，并不会自动具备评估证据、保护机密数据或设计可靠工作流程的能力。使用是培养能力的机会，而非能力本身。

当日常使用结合反思时，这种优势才更有意义。能够解释 AI 如何改变某项任务、指出系统失败之处，并展示修正后结果的候选人，拥有证据。只列出几种工具的人，传递的信号则较弱。

这一差异之所以重要，是因为获取工具已经变得普遍。稀缺的能力不再是找到一款 AI 工具，而是懂得如何驾驭它，同时不放弃对结果的责任。

Z 世代在这方面还有另一项潜在优势。他们在职场惯例仍未稳定时学习，对需要抛弃的既有流程更少，也较少依恋于生成式 AI 出现前设计的工作方式。

这会让实验变得稀松平常。一名年轻分析师可能在决定哪些主张需要核查来源前，先比较多份文档摘要。一名市场营销实习生可能利用 AI 生成多种版本，再剔除那些没有贴合受众语言的输出。

一名初级开发者可能先让编码助手解释陌生函数，再测试其建议的修改。上述任何例子都不会消除对专业知识的需求。每一个例子都展示了 AI 如何加速专业能力的构建过程。

因此，Google News 的表述方向上是合理的。Z 世代能够带着许多组织如今希望看到的习惯进入市场。问题出在雇主一边寻求这些习惯，一边缩减那些曾将潜力转化为职业判断力的岗位。

入门级职业阶梯正在失去最初的几级

增强 Z 世代竞争力的同一项技术，也在削弱这一代人可获得的招聘路径。

美国人口普查局在 2026 年 4 月发布的一篇工作论文记录了 ChatGPT 发布后职场新人招聘的持续下滑。该研究考察了 22 至 24 岁劳动者，比较了 AI 暴露程度不同的行业和州群组。

在暴露程度最高的群组中，经回归调整后的职场新人就业人数在随后 10 个季度下降了 12%。暴露较低行业的就业保持稳定。之后招聘率有所回升，但部分原因是受影响的就业基数已变小。

这篇关于 early-career hiring 的论文并未声称 AI 单独造成了每一个失去的岗位。它指出了与疫情、远程办公和教育变化相关的更早期转变。货币政策冲击最多可解释截至 2025 年第二季度相对下降幅度的四分之一。

即使有这些限定，时间节点依然令人担忧。在暴露程度最高的行业中，职位增长和替补招聘在 ChatGPT 推出前后明显下降。这种模式也出现在不止一个经济部门中。

这正是入门级危机能够与整体就业稳定并存的方式。企业可能仍在招聘，但将职位空缺转向有经验的劳动者、AI 专家，或任务组合不同的岗位。总体就业人数可能掩盖对某个年龄和经验群体的严重压力。

美联储在 2026 年 3 月的一项分析发现，在 AI 采用程度更高的企业或行业中，招聘职位发布并未整体减少。全国职位发布放缓似乎并非由 AI 驱动。然而，研究人员明确警告，其总体结果可能掩盖了脆弱职业内部的艰难处境。

这些 AI hiring data 有助于化解一个看似矛盾之处。AI 并未在劳动力市场引发简单的全面崩塌。它改变了需求构成，在带来新增优先事项的同时，也造成了集中性的损失。

入门级岗位面临异常高的暴露风险，因为它们传统上包含许多结构化、可复核的任务。初级员工会准备摘要、分类信息、起草常规沟通内容、清理数据和制作初稿。现代 AI 系统能够完成所有这些活动的一部分。

雇主可以通过减少招聘初级员工，并让资深员工监督 AI 生成的工作来应对。从季度预算看，这似乎很有效率。但它也移除了未来资深员工借以学习组织标准的任务。

结果形成了一个发展悖论。企业希望候选人能够运用判断力、质疑 AI，并理解运营后果。但判断力是通过承担责任、接受反馈和反复接触真实错误发展而来的。

模型可以即时提供解释，却无法赋予员工对客户决策、合规审查或失败产品发布的责任。这些经历需要参与真实工作。

因此，Z 世代承受着双重压力。候选人必须在获得第一个实质性机会之前展现更强技能。即使被录用，他们也可能获得更少能揭示组织如何运作的常规任务。

这为证据设定了更高门槛。当雇主能够自动化基本筛选任务时，学历和笼统的数字素养主张分量更轻。作品集、实习经历、经验证的项目，以及对 AI 辅助工作的详细说明，变得更有价值。

最强的候选人会展示过程，而不仅仅是成果。他们能够记录源材料、AI 初步结果、验证步骤、修正和最终决策。一个可搜索的 personal knowledge system 可以帮助保留这段工作历史，而不必将每个项目都包装成精致的案例研究。

不过，个人准备无法修复缺失的劳动力市场路径。如果组织大规模取消初级岗位，即使有能力的候选人也会争夺过少的职位空缺。AI 素养能改善相对位置；它本身不会创造需求。

Z 世代的优势是学习循环，而非与生俱来的权利

只有当高频 AI 使用带来更快学习、更强验证能力和更优决策时，年轻劳动者才能获得优势。

把 Z 世代称为“AI 原住民”掩盖的问题可能比它解释的更多。伴随智能手机成长，并不会教会一个人概率语言模型如何生成回答。熟悉数字界面，也不会自动带来对偏见、隐私或幻觉的理解。

更站得住脚的优势在于行为。年轻用户在不同工具之间切换的成本通常更低，也较少有理由维护遗留工作流程。他们可以在企业完成正式指引之前测试新系统。

这会形成一个学习循环：用户尝试一种方法，观察失败，调整指令，核查来源，然后再次尝试。每个循环都会增加对任务和工具的理解。

KPMG 的 Gen Z interns 为这一模式提供了有用视角。40% 的人感到必须高水平使用 AI 才能保持竞争力。66% 的人积极与同伴分享 AI 经验和实践方法。

这种同伴交流很重要。AI 技巧往往通过演示、共享提示词和失败输出示例非正式地传播。年轻员工可以成为快速变化的工具与无暇测试每项功能的团队之间的翻译者。

不过，这些实习生并未将技术复杂度置于一切之上。在他们希望展现的能力中，批判性思维和解决问题能力位居首位，其后是适应力、持续学习，以及创造性或战略性思维。

他们的主要担忧同样颇具启示性。43% 的人担心过度依赖 AI 会削弱批判性思维和决策能力。这一担忧削弱了那种将 Z 世代刻画为准备把每项任务都外包出去的讽刺印象。

真正的实际优势在于将速度与怀疑精神结合起来。设想一名负责分析客户访谈的初级市场研究员。AI 可以聚类主题并起草摘要，但它也可能抹去少数意见，或合并原本不同的投诉。

有能力的劳动者会回到访谈记录中，审视相互矛盾的例子，并说明自动摘要在哪些地方变得具有误导性。最终价值来自这种介入，而非点击“总结”按钮。

同样的原则适用于软件、金融、设计和运营。AI 可以加速初稿、建议代码或整理证据。劳动者仍需要知道一次失败的代价是什么，以及哪些检查与该风险相匹配。

雇主将日益区分表层使用与运营熟练度。表层用户能更快产出结果。运营型用户则会建立可重复的工作流、保留来源、设定审核节点，并知道何时不适合自动化。

这种区分能够避免对资深员工进行简单化的代际比较。一名资深员工或许使用较少的 AI 工具，却能贡献更深厚的领域判断力。Z 世代的优势体现在：频繁试验有助于他们更快获得这种判断力。

因此，这种比较是动态的。它不是 Z 世代的 AI 知识与年长员工的无知之间的对比，而是两种学习速度的较量，并受到获取渠道、激励机制、管理方式和任务设计的影响。

将年轻的试验者与经验丰富的审核者配对的组织，能够兼得两方面的优势。初级员工带来新的工作流选择；资深员工则能识别工具看不到的隐性约束、历史性失败案例及其后果。

如果缺少这种配对，公司就可能面临两种不理想的结果：年轻员工可能会自动化自己尚未理解的任务；经验丰富的员工则可能因为早期演示缺乏背景信息或质量控制，而拒绝有用的系统。

高效的团队会把代际差异转化为共同能力。Z 世代的角色并不是向所有人传授一份提示词清单，而是帮助建立一个更快、以证据为基础的循环，用来测试工作方式应如何改变。

雇主正在自动化他们仍然需要的人才管道

在不重新设计初级员工培养机制的情况下替代初级任务，是将短期效率转化为长期劳动力风险。

初级岗位历来兼具产出与学习两种功能。初级员工在完成有用任务的同时，也会观察经验丰富的同事如何定义质量。自动化可以比组织补上学习环节更快地移除产出环节。

这种失衡不仅给毕业生带来压力，也给管理者带来压力。如果进入人才管道的初级员工变少，未来雇主拥有五年相关经验的候选人也会变少。一家公司可以从竞争对手那里招聘资深人才，但整个行业无法共同雇用从未被培养过的人。

这是 Z 世代故事中的主要阻力。已被证明的 AI 熟练度，正在与一个既要求经验、又不断收窄获得经验渠道的招聘体系发生碰撞。仅仅告诉求职者要变得更具适应性，并不能解决这一冲突。

当常规起草工作变得廉价后，雇主必须决定“初级岗位”意味着什么。重新设计后的岗位可以让初级员工负责核验、工作流文档、客户背景和异常处理。这些任务既创造商业价值，也培养判断力。

管理者还需要让原本不可见的审核工作变得可见。当 AI 产出一份可用的初稿时，员工的贡献看起来可能比过去更小。然而，检查假设、拒绝错误和选择证据，可能承担了绝大部分风险。

绩效体系应当认可这类工作。否则，员工得到的激励将是接受更多产出，而不是提升其可靠性。年轻员工会学会表演出 AI 使用上的自信，而不是练习负责任地使用 AI。

这种表现压力已经可以量化。ETS 发现，65% 的员工使用 AI 主要是因为他们感到需要保持竞争力。73% 的人难以理解雇主期待的 AI 素养水平。

这种模糊性会奖励自信的自我展示，也可能惩罚那些如实描述局限性的深思熟虑的候选人。雇主需要检验决策能力的测试，而不是塞满工具名称的简历。

一种有用的评估方式是向候选人展示一份包含多个看似合理错误的 AI 生成分析。申请者需要识别其中的弱点、找到更好的证据，并说明恰当的审核流程。这比询问某人是否“熟练”使用聊天机器人更能说明问题。

学徒制和实习项目也需要受到保护的学习目标。KPMG 的受访者将实操项目工作和线下导师指导列为加速全职岗位准备度的主要因素。83% 的人偏好每周三到四天到办公室工作的混合办公安排。

这些偏好挑战了另一种刻板印象。大量使用技术并不会消除人们对人工指导的需求。Z 世代实习生似乎希望 AI 能提供日常协助，也希望导师能提供情境判断。

仅仅发放 AI 许可证的雇主忽略了这一区别。访问权限可以减少任务耗时，却无法解释组织的标准。新员工仍需要得到反馈，了解为什么一种答案可以接受，而另一种答案会带来风险。

最有效的培训会将 AI 使用与真实结果联系起来。一名销售分析师应当看到，自动生成的客户摘要是改善了会议效果，还是造成了令人尴尬的错误。一名招聘人员则应审视，生成的筛选标准是否排除了相关候选人。

这种反馈会形成职业记忆。员工会学习哪些捷径在特定条件下可靠，也会学习组织何时更重视谨慎而非速度。

这种重新设计还应保留一些有益的摩擦。如果初级员工从不调查原始证据，他们就无法识别摘要何时出错。如果 AI 撰写每一份初稿，员工可能难以诊断薄弱的结构。

公司应有选择地实现自动化，然后让员工轮岗参与底层流程。目标并不是永远保留琐碎工作，而是确保效率不会抹去独立承担责任所必需的经验。

这种方法也进一步说明了 Z 世代 AI 优势的价值。年轻员工最有价值的时候，是他们在学习基础知识的同时帮助重新设计工作。若只把他们当作低成本的 AI 操作员，就会浪费这一等式的两端。

Google News 叙事未能证明什么

高频使用 AI 可能意味着适应能力，也可能掩盖了浅层知识、不平等的获取渠道，以及为显得具备就业能力而承受的巨大压力。

乐观叙事需要加入若干限定。首先，许多支撑性证据来自调查。受访者描述了自己的使用情况、准备程度、担忧和预期。这些回答并不直接衡量产出质量。

KPMG 的样本也仅代表一家公司的实习生。这些参与者已经通过竞争激烈的选拔流程，并在一家大型专业服务机构工作。他们的经历不能代表每一位正在求职的年轻人。

其次，Z 世代并不是一个同质群体。获得付费工具、最新硬件、稳定宽带、实习机会和专业导师的渠道差异显著。一个代际平均值可能掩盖由收入、地域、教育、残障和语言造成的差异。

这些差异在非洲尤为重要。Forbes Africa 的叙事面向一个年轻人口众多、劳动结构与许多美国研究截然不同的大陆。有关美国办公室实习生的证据，不应未经限定地直接套用。

CSIS 在 2026 年 7 月的一项分析报告称，约 81% 的非洲工作岗位属于非正规就业。报告还指出，为容纳劳动力增长，该大陆每年大约需要新增 1,500 万个工作岗位。

非洲就业创造挑战改变了 AI 优势的含义。许多劳动者处于正式企业招聘管道之外。他们的机会取决于网络连接、可负担的工具、本地市场和实用培训。

非正规就业起初可能减少人们受到办公室自动化影响的程度，但也可能限制他们获得与 AI 驱动企业相关的生产率提升、资质认证和职业发展路径。免于被替代，并不等于参与增长。

第三，高频使用可能造成虚假的自信。AI 系统往往会先生成流畅的语言，再生成可靠的分析。领域知识有限的用户可能难以发现虚构的引文、遗漏的约束条件或无效的计算。

这在初级工作中尤其危险。新人通过任务来构建对某一职业的心智模型。如果模型提供了每一个中间步骤，学习者可能在不理解结果为何有效的情况下完成任务。

这个问题类似于依赖导航软件。一个人可以高效抵达许多目的地，却对城市形成一张薄弱的地图。只有当系统失灵时，这种弱点才会暴露。

第四，雇主需求的变化可能快于教育机构。61% 的 KPMG 实习生表示，其大学对于生成式 AI 的规则不一致或限制较多。只有 9% 的人认为其所在机构对 AI 使用给予了高度支持。

大学有充分理由保持谨慎，包括学术诚信和获取渠道不平等。然而，不明确的规则可能将学生推向隐蔽的试验。他们既得不到系统培训，也得不到一致的披露和核验标准。

第五，标题可能让一个结构性问题听起来像个人之间的竞争。如果 Z 世代难以找到工作，观察者可能会得出结论：不成功的候选人没有培养足够的 AI 技能。这个结论忽视了招聘减少、经济环境和不现实的经验要求。

人口普查研究对此提供了警示。在分析考虑了更广泛的因素之后，高度受 AI 影响行业中的早期职业就业仍降幅最大。个人技能提升无法完全抵消市场层面职位空缺的减少。

美联储的研究结果则提供了相反方向的警示。总体职位发布尚未显示出由 AI 驱动的广泛性崩溃。声称人工智能已经摧毁整个初级就业市场，同样超出了证据所能支持的范围。

这两种结果可以同时成立。整体市场可能仍具韧性，而特定年龄群体、任务和职业却面临集中的压力。优秀报道应当区分这些层面。

Google News 能放大一种简洁的逆转叙事，因为它构成了吸引人的标题。劳动市场的现实仍然并不均衡。Z 世代拥有的是适应机遇，而不是对自动化或其他世代的必然胜利。

三个信号将显示这种优势是否会成为现实

下一项考验是，雇主是否会将 Z 世代对 AI 的熟悉程度转化为可持续的工作、经验证的技能和运转良好的职业发展管道。

第一个信号是受 AI 影响行业中早期职业招聘的构成。整体职位发布范围过宽，无法解决这一争论。研究人员需要按年龄、经验、职业、任务暴露度和就业质量追踪招聘情况。

22 至 24 岁劳动者招聘的持续复苏，将增强乐观论点。这意味着公司正在重新设计初级岗位，而非将其取消。若持续下降，则表明个人 AI 熟练度无法克服获取机会不断缩小的问题。

这些工作的质量同样重要。临时零工工作可能带来收入和实践机会，却并不总能提供指导、反馈或晋升。解读就业人数时，还应结合留任率、工资增长、培训和进入更高责任岗位的流动情况。

第二个信号是从自我报告的熟练度转向经验证的表现。雇主和教育机构已经在寻找更清晰的 AI 资质标准。有用的衡量方式将测试来源评估、判断力、风险意识和工作流设计。

单靠一张新证书无法解决问题。市场需要贴近真实工作的评估，以揭示候选人如何处理不确定的产出。作品集应展示修正和推理过程，而不只是精致的最终成品。

如果雇主开始奖励有记录可查的审查流程，Z 世代的试验精神就会成为可信的优势。如果招聘仍由模糊的说法和工具名称主导，夸大能力的压力将会加剧。

第三个信号是雇主对人才发展的投入。观察企业在部署 AI agents 的同时，是否扩大实习、学徒制、轮岗项目和结构化导师制。两者的结合比任何一项单独投入都更重要。

AI 支出增加、初级岗位机会却减少，会削弱这条标题所承诺的前景。这表明雇主重视自动化产出，却没有重建人才培养管道。更有力的导师支持和重新设计的入门级岗位，则会支持相反的结论。

这一信号应体现在职位描述和管理实践中。雇主可以明确哪些任务使用 AI、哪些决策需要人工审查，以及新员工将如何培养独立判断能力。清晰的预期能减少求职者和管理者的困惑。

国际层面的情况需要单独关注。非洲各国政府和雇主必须将 AI 战略与非正规劳动者、小企业和本地培训体系联系起来。一项面向正规部门的技术议程，只能覆盖非洲年轻劳动力的一部分。

可负担的使用门槛、贴合需求的语言支持，以及通向有薪工作的可信路径，将决定熟悉 AI 是否能创造广泛机会。缺少这些条件，优势仍将集中在那些本就拥有更多连接资源的毕业生手中。

通过 Google News 关注这一议题的读者，应将这条标题视为分析的起点。Z 世代正在快速适应，而这种适应能力具有经济价值。但现有证据并未表明，技术已经化解了入门级就业危机。

决定性的问题在于雇主：他们会利用 AI 排除新人，还是重新设计工作，让新人更快承担更高价值的职责？

对求职者而言，眼下应采取的行动是让 AI 辅助下的判断过程可见。保留源材料、记录修正、留存决策过程，并说明工具无法判断的内容。这类证据比自称“AI 原生一代”更具说服力。

对管理者而言，行动同样具体。审查哪些已自动化的任务过去曾用于培养初级员工，然后有意识地补回这些学习机会。将快速试验与经验丰富的审查和可追责的工作相结合。

下一条 Google News 标题不应只报道 Z 世代更频繁地使用 AI。它还应说明，各组织是否把这种熟悉度转化为了岗位、导师支持和持久的专业能力。