年轻人的困境，不只是“更难找工作”

一个22岁的年轻人很少会以“劳动力市场结构性变化”的方式感知时代。更多时候，变化只是发生在一些很小的地方：投出去的简历没有回复，一份去年还有的校招岗位今年取消了，面试被要求“熟练使用AI”，却又很难说清公司究竟希望新人用AI做什么。 父母会劝他降低预期，学校告诉他学历依然重要，社交媒体却不断重复“AI正在替代白领”。在这样的环境里，最容易发生的不是对技术的理性判断，而是把一个复杂的劳动力市场变化内化成一句很无助的质疑：是不是我不够好？ 一、斯坦福没有发现“AI大失业” 2026年8月，斯坦福数字经济实验室的Erik Brynjolfsson、Bharat Chandar和Ruyu Chen更新了《Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence》。研究使用ADP覆盖数百万美国劳动者的工资单数据，把观察窗口延长到2026年6月。 这项研究最重要、也最容易在传播中被忽略的第一条结论，是研究团队并没有看到“AI已经造成广泛、全经济范围的岗位替代”。如果只看所有22至70岁的劳动者，不同AI暴露程度职业的就业走势并没有出现一种简单的、暴露越高就业越崩塌的图景。 原研究的第一张图恰好说明这一点。2022年底ChatGPT发布以后，不同AI暴露程度职业的总体就业曲线仍大体一起向上，差距并不剧烈。这也是为什么把这项研究直接改写成“AI正在让美国人大规模失业”，并不符合作者自己的结论。 原研究图表1｜不同AI暴露程度职业的就业人数变化：全部22—70岁劳动者。黑色由浅到深代表AI暴露程度由低到高，红线为总体。竖线对应ChatGPT发布前后。原图来自斯坦福研究更新材料。 真正值得注意的变化，出现在把年龄进一步拆开之后。研究团队发现，22—25岁的年轻人如果处在AI高度暴露职业，其就业表现持续落后于AI暴露较低的同龄人。按照最新版采用的同一描述性口径，这一相对就业缺口在2025年7月约为15%，到2026年6月扩大至19%。资深劳动者没有出现可比的缺口。 原研究图表2｜不同AI暴露程度职业的就业人数变化：22—25岁劳动者。与全部年龄组相比，22—25岁群体在ChatGPT发布后出现更明显分化：AI暴露越高的职业，就业走势越弱。原图来自斯坦福研究更新材料。 但19%不能被理解成“19%的年轻人被AI裁掉”。它衡量的是高暴露年轻人与低暴露同龄人之间相对于历史趋势的差距。作者也反复提醒，这是描述性关系，不是严格的因果估计。 新版还明确列出为什么不能急着下定论：控制教育程度后差距会缩小；一部分差异趋势在生成式AI大规模普及前就已出现；ADP样本里的缺口比一些全国调查基准更大；改进数据管线以后，原始趋势大体一致，但在进一步控制企业总体招聘变化后，结果对模型设定更加敏感。 所以，这项研究真正提供的不是一句“AI害了年轻人”，而是一个值得追踪的早期信号：当总体就业还相对稳定时，职业入口处的年轻人可能已经先感受到了变化。 年轻人今天的求职压力是真实的，但它不是由AI单独制造的。纽约联储数据显示，2026年第二季度，美国近期大学毕业生失业率约为5.6%，低就业率——也就是拥有大学学历却从事通常不要求大学学历的工作——升至约42%。美国劳工统计局7月数据显示，20—24岁人群失业率约为7.1%，明显高于25岁以上人群约3.4%的水平。 与此同时，企业整体招聘也并不处于一个强扩张周期。美国JOLTS数据显示，2026年6月职位空缺约735.9万个，招聘率3.4%，总体招聘没有出现疫情后复苏阶段那种广泛抢人的热度。这意味着，一个刚毕业的人同时面对至少三股力量：经济周期让企业更加谨慎；疫情后科技和白领行业曾经的扩张正在回归常态；AI又让企业重新计算一部分知识工作的最低人力配置。 对个人而言，这三种力量最终会被体验成同一种结果：机会变少。但如果我们把原因全部归结为AI，就会误判问题，也会给出错误的解决办法。 二、真正发生变化的，可能不是“谁被裁掉”，而是谁还有机会被培养 斯坦福新版研究里最有现实意味的一条结论，是年轻人的就业调整主要通过“招聘减少”发生，而不是通过“离职和解雇增加”发生。 这非常符合企业的选择逻辑。一个已经工作多年的员工，价值通常不仅来自他能完成多少任务，还来自他知道系统为什么这样运行、客户真正介意什么、某个流程在哪一步最容易出错。AI可以帮他写代码、整理文档、做分析，但要立刻替换掉这些积累下来的组织记忆和情境判断，成本很高。 可对新人不同。新人尚未积累这些东西，企业过去之所以愿意招聘他们，很大一部分原因，是大量基础执行任务需要人来完成：搜资料、写第一稿、跑测试、做表格、整理会议纪要、回答标准问题。今天，恰恰是这些任务最容易被大模型接手。 于是企业并不一定需要“裁掉一个年轻人”。更常见、更安静的变化，可能只是原本准备招五个人，现在招三个；一个离职的初级岗位不再补人；一个团队今年干脆取消校招HC。没有一个清晰的裁员事件，也不会上新闻，但一届毕业生会同时感到入口在变窄。 从商业角度看，这是一种非常理性的短期决策；从社会角度看，却可能带来一个长期问题：如果企业越来越少雇佣新人，未来的资深员工从哪里来？ 过去的职业体系里，有一个隐性规则很少被写出来：新人可以暂时不完美。企业知道刚毕业的人判断力不足，所以会让他先做风险较低、结构清晰的任务，再在修改、反馈和犯错中逐渐成长。这种安排看起来效率很低。资深员工要花时间审稿、改代码、带项目；新人完成的很多工作今天看起来甚至完全可以交给AI。但这些基础任务同时承担着一个经常被忽略的功能——它们是职业训练。 一个初级程序员通过修Bug学会理解系统，一个年轻编辑通过查资料和反复改稿学会判断什么信息可靠，一个分析师通过搭模型逐渐理解数字什么时候会骗人。真正重要的不是那份初稿，而是人在完成初稿、被指出错误、重新修改的过程中形成的判断。 AI提高效率之后，企业最容易首先砍掉的，恰好是这些低价值任务。如果企业只看到“这个任务AI能做”，却没有看到“这个任务也是人在学习”，那么技术可能把职业路径里的第一段训练一起拿走。这对今天的年轻人尤其残酷。社会一方面要求他们毕业就能独立、能使用AI、能解决复杂问题；另一方面，过去帮助人成为一个成熟专业人士的那段缓冲期正在缩短。很多年轻人不是没有能力，而是更少获得一种机会：先在低风险环境里慢慢变得有能力。 三、“学历更高”不再足以消除不安 斯坦福研究发现，控制教育程度之后，高AI暴露与低AI暴露年轻人之间的就业差距会缩小。这说明学历和教育构成解释了部分分化，但它并不等于“高学历就可以免疫AI”。 实际上，生成式AI最先进入的许多职业，本来就是大学毕业生密集的白领岗位。过去，高等教育的一项核心价值，是帮助一个人获得企业无法轻易替代的专业知识；现在，大模型正在快速降低一部分标准化知识的稀缺性。 这让很多年轻人陷入一种新的心理落差：他们遵循了上一代人认为最稳妥的路径——读更好的学校、获得更高学历、进入知识密集型职业——却发现自己最先掌握的那些知识，恰恰是机器最容易学习和调用的。 这种挫败不应该被轻描淡写成“年轻人抗压能力不行