После быстрого проникновения генеративного ИИ в рабочие места первыми ощутят холод, возможно, не уже закрепившиеся на своих позициях опытные работники, а те, кто только готовится выйти на рынок труда. От прежней карьерной траектории «сначала выполнять задачи начального уровня, а затем постепенно подниматься», сегодня компании всё чаще склоняются к тому, чтобы сразу нанимать людей с опытом, способных включиться и начать работать. ИИ переписывает не только содержание работы — меняется и сама «тренировочная площадка», на которой молодые люди раньше росли.
В книге «商談不廢話» ведущая Linga вместе с Брэдли, который имеет медицинское образование на Тайване (NTU), степень по общественному здравоохранению в Гарварде и опыт в McKinsey, а также занимал руководящие должности в 乐天醫藥 и Appier, обсуждают это явление. Двое пытаются ответить на всё более резкий вопрос: ИИ будет не сначала заменять опытных сотрудников, а сначала лишать новичков даже шанса выйти в работу?
После того как в программе нашли связанные с Гарвардом и Стэнфордом исследования, выяснилось, что после выхода ChatGPT в действительности наблюдается заметное падение вакансий начального уровня, особенно в тех профессиях, где уровень воздействия ИИ выше. Так, работы вроде административной, работы секретаря, задач на позиции начального уровня в продажах, маркетинга и т.п. ощущают удар особенно напрямую.
AI+достаточно опытных коллег, зачем выращивать новичков
В программе приводят связанные с Гарвардом и Стэнфордом исследования: после выхода ChatGPT действительно произошло заметное снижение вакансий начального уровня, особенно в профессиях с более высоким уровнем воздействия ИИ. Такие работы, как администрирование, секретарские функции, продажи начального уровня, маркетинг и т.п., ощущают удар особенно напрямую. Это означает, что компании не прекращают найм полностью — они начинают пересматривать подход: если сотрудник с небольшим опытом в паре с ИИ-инструментами может выдавать результат, который раньше делали два-три человека, то есть ли смысл тем же бюджетом обучать сразу много новых новичков?
Брэдли прямо говорит, что подобное изменение в реальной жизни компаний уже весьма заметно. Раньше компании готовы были давать новичкам полгода или год на обучение, ротацию, освоение индустрии, но сейчас это терпение быстро сокращается. Для руководителей расчёт становится предельно прямым: нанять двух-трёх сотрудников начального уровня и при этом выделить, чтобы опытные коллеги обучали, вкладывать ресурсы в тренинг — или проще нанять одного человека с опытом, а затем добавить лучшие ИИ-инструменты и сразу вывести на передовую? В большинстве компаний, где ценят эффективность и «готовность к бою», ответ почти очевиден.
Поэтому исчезновение позиций начального уровня — это не просто «пропало несколько рабочих возможностей», а то, что начинает расшатываться вся структура обучения.
Потому что многие задачи, которые раньше использовались новичками как возможность «набить руку», как раз относятся к тем, с чем ИИ справляется лучше всего: поиск материалов, сводка, перевод, написание базового кода, проведение первичного анализа. Раньше, хоть эти работы и были повторяющимися и мелкими, они служили новичкам точкой отсчёта: сформировать чувство практики, понять стандарты качества, наблюдать, как старшие принимают решения. Теперь эти задачи можно выполнить за несколько минут — ИИ делает их сам. В результате у новичков исчезает не только «полигон для тренировки», но и сама возможность сидеть рядом и наблюдать, как руководитель исправляет, как думает, как принимает решения.
Поколение AI: действительно ли оно знает, что считать хорошим?
Linga также отмечает, что эти изменения уже отражаются на разнице в навыках между студентами и early professional. Раньше, в поколении без инструментов ИИ, подготовка докладов начиналась с нуля: самостоятельно искать материалы, проверять источники, формулировать гипотезы и — от пустой страницы — доводить работу до возможности выйти и выступить. Да, они делали это дольше, но обычно лучше понимали, как пройти путь от 0 до 100.
В отличие от них, новое поколение студентов с университетских времён живёт в мире ChatGPT, Grok, Gemini: они привыкли задавать один и тот же вопрос разным ИИ, а затем быстро собирать результаты в презентации или таблицы. Вроде бы это эффективнее, но и риск выше: они быстрее сдают, даже не разобравшись и не сделав оценку, просто выдавая ответы ИИ на 60 или 80 баллов.
(Если ИИ может сделать на 80, а те, кто не дотягивает до 100, обречены на отсев! McKinsey, выпускники Гарварда советуют новичкам поступать так)
Из-за этого руководители попадают в новую дилемму. Брэдли приводит пример: в консалтинговой работе раньше просили junior написать письмо клиенту с запросом данных — на первый взгляд это просто текстовая работа, но на самом деле это важный этап обучения: помочь собеседнику понять ситуацию клиента, уловить ритм коммуникации и научиться точно подбирать формулировки и меру оценок. Теперь же нередко выходит так, что руководитель сразу видит: либо письмо недостаточно зрелое, либо оно явно сгенерировано ИИ и всё ещё находится на дистанции от того, чтобы им можно было пользоваться.
Совет молодым людям: активно понять стандарты, которые держит в голове руководитель
Однако двое не ограничиваются тревогой — они идут дальше и обсуждают: когда первый уровень ступени исчезает, как молодым людям самим построить новую «тренировочную площадку»?
Linga считает, что первое — активно понять стандарты в голове руководителя. Потому что многие «профи» в работе делают больше и лучше не только потому, что они больше стараются, а потому что у них в голове есть целый чеклист оценки: нужно ли перекрёстно проверять источники, стоит ли выяснить бэкграунд исследователя, нужно ли обозначать ограничения выводов, как выстраивать логику презентации. Раньше эти стандарты могли скрываться в многократных правках и устных наставлениях.
Но в эпоху ИИ многие из них руководители уже преобразовали в prompt и constraint. Для молодых работников по-настоящему важным становится не то, умеешь ли ты следовать инструментам, а есть ли у тебя возможность сперва разобраться в том, «что именно считается хорошим».
Чувство структуры и способность оценивать — то, что ИИ не может заменить
Вторая вещь — заново натренировать способность читать и собирать информацию в эпоху информационного взрыва. ИИ может одновременно просмотреть 25 отчётов и быстро дать тебе резюме, но это легко заставляет человека поверить, что он уже понял проблему. Linga считает: чем больше мы живём в это время, тем сильнее нужно заставлять себя отделять действительно высококачественный контент, тратить время на углубление — смотреть, как автор определяет проблему, как он раскладывает индустрию по частям, как проектирует метод, как проверяет гипотезы, и в итоге — как, опираясь на опыт, принимает решения.
Именно эти маршруты структуры и оценки — та часть, которую ИИ не может просто «встроить» в тебя напрямую.
Брэдли также напоминает: если молодой работник хочет приблизиться к более высокоуровневой работе, первый шаг всегда — «покупать билет результатом». Речь не только о том, чтобы выполнить задачу, а о том, чтобы сделать так, чтобы руководитель мог быть спокоен и был готов передавать тебе более сложные вещи. Кроме того, нужно научиться активно закрывать пробелы. Потому что многие более высокие уровни работ, ближе к самому центру принятия решений, — это не то, где нет возможностей, а то, где некому сделать работу.
Например, задача, на первый взгляд состоящая лишь в анализе конверсии, на самом деле ключевым образом может быть не сама цифра, а то, какое решение должна подкреплять эта аналитика. Если руководитель хочет понять, в какой сегмент клиентов больше вкладывать маркетинговый бюджет на следующем шаге, тебе не следует ограничиваться только конверсией — нужно сделать шаг вперёд и закрыть пробел: добавить стоимость привлечения (CAC), Lifetime Value (LTV), ROI, и даже дальше сформулировать языком решений: «если увеличить бюджет на 20%, на сколько может вырасти выручка». Умение переводить анализ в рекомендации — это как раз одно из самых ценных умений в эпоху ИИ.
Каких людей будет хотеть будущее компании: идти вперёд в условиях неопределённости и знать, что значит «хорошо»
Говоря о том, кого именно компании должны нанимать, Брэдли даёт довольно чёткий ответ. Первое — человек, который способен двигаться вперёд в неопределённости. Потому что в эпоху ИИ изменения происходят слишком быстро: через три месяца содержание твоей работы может полностью поменяться. Если человек вынужден ждать, пока всё не определят, и только тогда начнёт действовать, это будет мучительно не только для него самого — и ещё означает, что его работу почти наверняка рано или поздно заменит ИИ.
Второе — умеет ли человек оценивать output ИИ? Знает ли он, как понимается хороший результат? Сейчас «уметь пользоваться ИИ» уже является базовым порогом; реальное отличие в другом: посмотрев сгенерированный ИИ анализ рынка, есть ли у тебя собственная позиция? Понимаешь ли ты, что нужно перепроверять, а что нельзя принимать на веру целиком? Ведь сегодня данные уже не являются дефицитом — реально дефицитны именно взгляды (позиции).
Поиск работы для новичков становится сложнее, позиции начального уровня начинают смещаться
Третье — способен ли человек к самоускорению и обновлению навыков. Перед лицом быстро меняющейся среды компании скорее предпочтут человека, у которого сейчас навыков не так много, но который учится очень быстро, чем того, у кого навыков много, но он стоит на месте.
Вот почему оба считают: сегодня вакансии начального уровня не столько «исчезают», сколько «переформатируются» и получают новое определение. Компании не перестают нуждаться в молодых людях — просто они больше не хотят тех, кто умеет выполнять только повторяющиеся задачи. Новая стартовая линия — понимаешь ли ты ИИ, есть ли у тебя позиция, умеешь ли быстро и проактивно учиться, можешь ли превратить инструменты в свой рычаг. Для многих компаний молодые люди уже не только те, кого ведут за руку, но и те, кто начинает приносить в организацию интуицию ИИ, привычки работы с инструментами и ритм нового мира.
В конце программы также дают весьма практичный совет: если ты сейчас ищешь работу, самый эффективный способ подготовки, возможно, не в том, чтобы идти читать ещё один «ИИ-диплом», а в том, чтобы сделать для интересующей тебя отрасли свой AI side project. Допустим, ты хочешь попасть в отдел маркетинга Google — тогда попробуй целиком прогнать через ИИ-инструменты один полный маркетинговый рабочий процесс: от постановки проблемы и разработки решения до реального демонстрационного результата (demo). Тогда на собеседовании ты не будешь просто говорить «мне очень интересно ИИ», а сможешь прямо показать end-to-end проект и доказать интервьюеру, что ты уже умеешь решать реальные задачи с помощью инструментов.
Для новичков, которые сталкиваются с тревогой перед выпуском и поиском работы, самая жёсткая реальность, возможно, в том, что та карьерная лестница, которая раньше казалась самоочевидной, сейчас действительно частично разбирается ИИ.
Но, как сказал Брэдли, карьерный путь — возможно, никогда не был только подъёмом по лестнице, а больше похож на плавание. Раньше маршрут был заранее задан, теперь нужно самому искать направление и самому плыть вперёд. Когда первая ступень перестаёт быть устойчивой, по-настоящему важным, возможно, становится не то, продолжает ли лестница существовать, а то, есть ли у тебя способность проактивно найти следующее действие, которое поможет тебе оставаться на плаву.
Эта статья «Тревога выпускника при поиске работы? Исследование показывает: ИИ напрямую влияет на вакансии начального уровня; консультанты McKinsey советуют новичкам делать так» впервые появилась в «鏈新聞 ABMedia».
