布鲁金斯学会 2026 年 7 月发布的评论文章：文章题为《借来的专业能力：AI 带来的生产力繁荣或难以延续》。核心观点：当前 AI 生产力红利依托资深从业者积累，企业减少新人培养，或将长期削弱颠覆性创新潜力
关于人工智能对生产力的影响，已经有不少实证研究给出了明确结论。一项针对财富 500 强软件企业五千名客服人员的研究显示，AI 辅助工具显著提升了整体工作效率。其中新手和低技能员工的生产力提升幅度达到百分之三十四，经验最丰富的员工受到的影响则很小。另一项针对咨询顾问的实地实验也得出了相似的结论，人工智能普遍提高了工作的效率与质量，绩效排名靠后的顾问提升幅度最为明显。
单从这些结果看，AI 似乎正在拉平能力差距，让更多人快速达到合格线。但要理解这些结论的适用边界，得先看清生成式 AI 在这些场景里扮演的角色。
不管是客户服务、基础咨询，还是常规的法律、财会事务，核心任务都属于信息检索的范畴。正确的答案或者接近正确的信息，本来就存在于模型训练数据或者企业内部资料里，工作的难点只是找到这些信息，整理成符合当前需求的内容。生成式 AI 恰好擅长这类工作，它相当于把资深员工的隐性知识提炼出来，快速传递给缺乏经验的新人，让新人不用从零开始积累。这类工作在现代知识经济中占比很高，本身也有极高的价值。但它并不等同于真正的专业能力。
当科研人员提出全新的研究假设，工程师设计从未有过的技术方案，医生遇到非典型病例，律师处理没有先例的案件时，工作的核心就不再是检索已有知识，而是在完全的不确定性中做出判断。这类工作需要重新定义问题框架，整合跨领域的经验，运用大量只能靠沉浸式实践获得的隐性知识，本质是创造新知识，而非复述旧内容。
在这类场景中，人工智能能发挥的作用非常有限，用户自身的专业积累，才是决定工具价值的核心因素。同一批咨询顾问的实验，恰好验证了这个差异。当任务处于 AI 能力边界之内时，生产力提升十分显著。可一旦任务超出边界，是 AI 无法正确解决的类型，使用工具的顾问绩效反而会下降约十九个百分点。模型会输出听起来十分可信的错误答案，而缺乏足够专业积累的顾问无法识别这些错误，只会照单全收。
同样的工具，换了不同难度的任务，结果完全相反。研究者将这种特性称为锯齿状的技术边界，而判断一项任务处于边界的哪一侧，本身就需要足够的专业能力。这恰恰是大多数生产力研究没有覆盖的部分。由此带来的结果是，聚焦常规工作的生产力统计，会掩盖能力分层的真实变化。人工智能缩小了基层岗位的能力差距，却拉大了顶层专业工作的能力鸿沟。短期来看，经济数据会显得更加平等，可实际上整个体系会比以往任何时候都更依赖顶层的少数专家。而这些专家的替代者，并没有按照我们预想的速度被培养出来。
除此之外，就连宏观层面的生产力数据本身，也存在不少干扰因素。生产力指标本身就带有测量噪声，单看一两个季度的波动，不足以得出长期趋势的结论。近几年的就业结构变化也会推高生产率数值，如果退出劳动力市场的主要是低生产率岗位，那么哪怕在岗人员的效率没有变化，整体数据也会上升。还有一部分增长来自企业对 AI 相关领域的投资增加，资本投入拉高了产出，并不等同于劳动者使用 AI 后效率的提升。这些因素交织在一起，让我们很难直接把宏观数据的增长，全部归因于人工智能的技术价值。
今天在岗的资深知识工作者，他们的专业能力都遵循同样的成长路径。认知科学领域的研究早已指出，高水平的专业技能来自刻意练习。
图自unsplash
从业者需要反复处理有难度的任务，持续获得真实的反馈，在漫长的实践中慢慢积累出模式识别的直觉。律师扫一眼合同就能发现风险，放射科医生看影像时能快速察觉异常，经济学家能察觉到模型里缺失了关键变量，这些能力都不是靠别人告知答案获得的，而是来自独立处理大量案例，在试错中不断修正，最终内化成自己的判断力。
这个成长过程有一个容易被忽略的特点，就是能力开发的过程在最终成果里是隐形的。一名初级分析师在 AI 辅助下完成的备忘录，和另一名完全独立完成工作的初级分析师相比，最终交付的成品可能相差无几。站在公司和管理者的角度看，后者的工作方式像是没有必要的低效劳动。如果只以最终产出为衡量标准，使用 AI 的分析师在所有效率指标上都更优秀。可这种衡量方式忽略了一个关键事实，正是那些独立完成基础工作的过程，在打磨分析师的能力，让他们未来能成长为一眼就能发现论证漏洞的专家。
市场不会为这种成长的外部性定价，能力的缺失在显现之前，没有人会察觉到问题。等问题真正暴露的时候，往往已经来不及弥补。
商业化的大语言模型，天然会加剧这个问题。产品设计的核心目标是提升用户满意度，也就是尽可能直接地给用户提供答案。没有任何一款主流商业模型，会以促进用户的长期认知发展为首要目标。它们的激励方向就是快速响应用户的需求，给出现成的解决方案，而不是引导用户自己探索和思考。未来或许会出现专注于教学引导的 AI 产品，但至少在当下的主流应用中，答案引擎才是绝对的主流。有一种乐观的观点认为，人工智能可以成为史上最高效的导师，大规模实现一对一的辅导效果，帮助新人更快成长。从理论上看，这个方向完全成立，也已经有少量产品做出了有益的尝试。
但问题在于，目前绝大多数用户实际接触到的 AI 系统，并不具备这样的教学属性。从高校的实际使用情况看，学生遇到问题时，大多是直接向 AI 索要答案，而不是寻求引导和提示。写论文时，他们要的是现成的段落，而不是对草稿的修改建议。这种使用模式在不同专业、不同群体中都普遍存在。
产品的设计逻辑决定了它会优先满足用户的即时需求，如果一款 AI 坚持只给引导不给答案，很快就会被能直接给出答案的竞争对手替代。真正的教学型 AI 导师或许未来会普及，但就当前的应用规模来看，它还不足以扭转人才培养的整体趋势。
这种变化正在直接冲击人才培养的输送管道。当下能熟练运用 AI 创造价值的资深专家群体，会随着时间推移逐渐老去，最终退出职场。而本该接替他们的年轻一代，成长环境已经发生了根本性的变化。二十年后，那些本该成为行业中坚的从业者，是在 AI 主导大部分常规认知工作的环境中成长起来的。他们或许能高效完成熟悉的任务，产出合格的日常工作成果，但面对全新的、模糊的、没有先例的复杂问题时，他们的判断能力会远低于上一代专家。因为培养判断力所必需的实践过程，在他们的职业初期就已经被 AI 替代了。
企业层面的招聘数据，已经印证了这个趋势。多项针对劳动力市场的研究显示，生成式 AI 普及之后，应用程度越高的行业，初级岗位的招聘收缩就越明显。有研究基于美国数百万劳动者的工资记录发现，AI 应用广泛的职业中，二十二到二十五岁年龄段的就业率相对下降了约百分之十六，而年长员工的就业率基本保持稳定。还有覆盖二十八万家企业的研究显示，积极采用生成式 AI 的企业，相比未采用的企业大幅减少了初级员工的招聘，同一企业内的高级岗位数量则没有明显变化。站在单个企业的角度，这种选择完全合理。
1990 至 2024 年美国商业部门小时劳动生产力年化变化率，由美国劳工统计局原始数据整理绘制。从曲线走势可见美国生产力短期数据波动剧烈、噪声干扰极强，新冠疫情阶段更是出现罕见极值，说明短期生产力数据的暴涨暴跌不代表真实长期生产力突破，经济与就业增速的短期背离也需剔除数据噪声后再客观解读
初级员工过去负责的文稿撰写、基础分析、信息整理等工作，现在 AI 可以用极低的成本完成。企业自然没有动力维持原来的招聘规模。可站在长期发展的角度，这是一个没有被充分意识到的隐患。今天企业不招收的初级员工，十五年后就会变成紧缺的资深人才。组织内部的高级能力，不只是通用的专业知识，还包括对企业业务模式、客户需求、历史经验的专属判断力。
这些积累无法通过外部招聘快速获得，只能靠员工在组织内部常年的工作慢慢沉淀。现在压缩入门级岗位，本质是在瓦解企业自身培养未来骨干的机制。放到整个行业层面，问题会更加严重。如果行业内所有企业都选择缩减初级招聘，那么全行业的资深人才储备会同步枯竭。等到缺口显现的时候，没有任何一家企业能从市场上招到足够的资深专家，因为本该成长起来的那批人，从一开始就没有获得培养的机会。
如果说人才断档影响的是现有生产力的延续，那么更深层的影响，发生在创新领域。计算机行业的发展历史，刚好可以作为参照。早期的程序员面临着极其严苛的硬件限制。内存成本高昂，处理器算力稀缺，写出高效的代码是一项难度极高的工作。程序员必须反复打磨算法，否则程序根本无法正常运行。正是这种硬性约束，催生了算法领域数十年的蓬勃创新，很多经典的设计思路，都是在硬件限制的倒逼下诞生的。后来硬件成本快速下降，算力变得越来越廉价，主流商业编程领域对代码效率的要求随之消失。
这门技艺只在图形计算、嵌入式系统、科学计算等少数细分领域保留了下来。今天的普通程序员，不再需要像早期大师那样极致地思考算法，代码也能正常运行，硬件会消化掉效率的损耗。可与此同时，曾经由限制催生的认知创新，也不再大规模出现了。这个规律同样适用于人工智能时代。过去，解决复杂问题需要人苦思冥想，寻找巧妙的突破路径，因为用蛮力解决的成本太高，甚至根本无法实现。现在有了人工智能，很多问题可以靠算力直接覆盖，不需要再寻找精巧的方案。最终的产出依然合格，生产效率也更高，但全新的思路和想法，出现的频率会远低于过去。
可见的生产力提升了，不可见的思想产出却在放缓。这两种效应同时存在，并不矛盾，只是后者很难用数据直接衡量。编程领域的现状已经体现出这个趋势。
生成式 AI 非常擅长编写 Python 这类成熟语言的常规代码，因为它训练所用的海量代码库，是过去几十年里人类程序员积累的成果。对于常规的代码片段，AI 的效率和质量都不输给普通人类程序员。但如果出现一种全新的编程语言，暂时没有足够的代码积累，AI 就很难发挥作用。编写、调试、掌握新语言的工作，依然要靠人类完成。而能胜任这项工作的，只能是那些从底层原理开始学习编程，对程序逻辑、抽象设计、语言权衡有深刻理解的人。只靠 AI 写常规代码的程序员，不具备这种底层能力，他们擅长在已有的语料库范围内完成任务，一旦超出范围就会无所适从。他们甚至无法判断一种新语言是否值得学习，因为他们对现有语言的理解不足以支撑对比判断。
该规律不止存在于编程领域。生成式 AI 在所有拥有成熟知识积累的领域，都能有效扩展人类的能力边界。而每个领域的前沿地带，也就是新工具、新框架不断出现的地方，恰恰是还没有形成足够知识存量的地方。能在前沿地带推进工作的人，必然是那些构建了不依赖存量知识的底层能力的人。而我们当下的人才培养模式，正在降低这类人才的产出速度。创新领域还有一个容易被忽略的问题，就是思想多样性的下降。
图中科研人员佩戴 VR 头显与传感手套，沉浸式操控全息数字界面，画面叠加全球数据链路、分子模型等科技元素。画面融合虚拟现实、数字信息与生物科研道具，直观呈现 AI、元宇宙技术赋能前沿科研、数字化智能研发的场景
多项对照实验显示，使用生成式 AI 辅助创作的内容，单看个体的平均质量会有所提升，但整体的相似度会明显增加。有研究发现，使用 AI 的创作者写出的故事，创意多样性下降了约百分之十。咨询行业的实验也记录了同样的现象，AI 辅助下的方案，平均水平上升，但差异化程度降低。这是一个普遍的规律，AI 拉高了平均值，压缩了方差。
可真正的突破性创新，往往来自方差里的极端值。用创意多样性换取生产力的提升，不是没有代价的交易，代价的承担者，是社会的长期创新能力。科学发展的规律也能印证这一点。科学哲学家托马斯・库恩曾提出常规科学与范式转变的区分。常规科学是在既定的研究框架下解决具体问题，具有累积性和延续性。人工智能非常适合这类工作，它可以快速检索文献，在已知框架内提出研究假设，完成跨案例的模式匹配。近几年不少 AI 加速科研的成功案例，比如蛋白质结构预测、新材料发现，本质上都是人类先明确了问题框架，AI 在框架内完成了高强度的常规科研工作。这些成果当然有价值，但只是科研的一部分。
AI 很难做到的，是发现现有研究框架本身的问题，进而推动范式的革新。范式转变往往来自研究者对现有体系的深层质疑，这种质疑感只能来自常年浸淫在领域里的切身经验，来自对专业问题的深度体感。新手不可能推动范式转变，在 AI 辅助下成长起来、只熟悉现有框架的从业者，也很难产生跳出框架的质疑。如果新一代研究者的成长路径始终被 AI 限定在已有范式之内，那么未来范式转变的出现频率，必然会远低于过去。这种影响有极强的滞后性。生产力的提升在三五年内就能清晰看到，而范式突破的放缓，可能要二三十年才能被普遍感知。等到我们真正意识到问题的时候，可能已经错过了调整的最佳窗口。
生成式人工智能带来的生产力增长是真实的，当下享受到技术红利的群体，也确实获得了实实在在的效率提升。但我们必须清醒地认识到，这场繁荣的底层条件，并不具备自我维持的能力。能充分挖掘 AI 价值的资深专家，是过去几十年积累下来的存量财富。而本该补充这个存量的人才流动，正在我们看不见的地方持续放缓。现有统计体系只能捕捉到当下的产出数据，无法衡量正在流失的成长潜力。这不是对人工智能的否定。
技术本身没有对错，问题出在我们使用技术的方式。我们太容易被短期的效率指标吸引，默认所有能提升当下产出的选择都是正确的，却忽略了职业成长、能力传承、思想创新这些需要长期沉淀的事物。经济和社会的长期发展，最终的根基永远是人。一代人的认知能力，一个行业的人才梯队，一个社会的创新活力，这些才是繁荣真正的底层支撑。
如果我们只追求当下的生产效率，任由 AI 替代掉所有基础的成长型工作，压缩人才培养的必要路径，那么今天的生产力狂欢，终有一天会变成后继无人的困境。如何在享受技术红利的同时，守护好专业能力的传承机制，给年轻人留下足够的成长空间，维持整个社会思想的多样性，是企业、教育机构和政策制定者都需要认真思考的问题。毕竟，我们需要的从来不是昙花一现的繁荣，而是一代又一代人能持续推进的、长远的进步。