當「新人」變成「AI 班長」：一個角色轉換正在發生

想像一個場景：剛畢業的小陳走進辦公室的第一週。以前，主管會遞給他一份競爭者名單，請他整理成一頁摘要；或者交給他一小段程式，請他修好。任務被切好，他只需要專心完成一個點。幾年後，他看過夠多的案例，才會被交付一個完整專案。

現在的劇本完全改寫。主管可能開場就把一組 AI 工具推到他面前——一個搜尋、一個分析、一個寫程式、一個做簡報——並且告訴他：「星期五前告訴我，我們該不該進入這個市場。」

這就是 AI 時代的「新人即班長」現象。過去的新人像阿兵哥，只需完成命令；現在的新人得帶著一群不會抱怨、不會累的 AI 阿兵哥，去完成一整個任務。他必須知道問題是什麼、如何拆解、如何整合、如何驗證，最後還要能回答「你為什麼相信這個結論」。

聽起來很酷，卻藏著一個致命問題——一個從未看過正確答案的新人，如何辨認 AI 的錯誤？

失業率沒爆升，為什麼新人卻先感到寒意？

先看數字。截至 2026 年 8 月，美國整體失業率為 4.1%，跟一年前差異不大；20–24 歲的失業率是 7.1%。年輕人失業率本來就偏高，因為他們正在初次尋職，這無法直接證明 AI 已造成傷害。

但若把鏡頭縮到剛離開校園的族群，寒意就明顯了。紐約聯準銀行資料顯示，2026 年第二季美國近期大學畢業生失業率約 5.6%，低度就業率升至 42%——也就是說，將近一半的大學畢業生從事著通常不需要學士學位的工作。

最直接指向 AI 的證據來自 Stanford Digital Economy Lab 與 ADP 的薪資研究。追蹤數百萬名美國工作者到 2026 年 6 月後，研究發現：AI 高暴露職業中的 22–25 歲工作者，就業人數比「若跟低暴露同齡人同步變化」應達到的水準低了 19%，而資深工作者沒有出現同等缺口。更關鍵的是，這個差距主要來自「少招人」，而不是解雇增加。

這正是本文標題的一半解答：AI 對新人最早的影響，很可能不會出現在裁員公告，而是企業悄悄減少了招募沒有經驗的新人，那些原本該出現的初階職缺，沒有出現。

不過事情沒這麼簡單。LinkedIn Economic Graph 提出反證：美國軟體工程師的初階招聘大致跟著科技業和全國招聘一起下降，實質利率與疫情後修正能解釋大部分變化。合在一起看，較穩健的結論是：全面失業尚未發生，總體景氣仍是主要原因；但 AI 高暴露職業的年輕人已出現值得持續追蹤的額外弱勢。

基礎工作被 AI 吃掉，新人如何從「點」走到「面」？

一個典型職位通常包含三層工作：第一層是搜尋、摘要、初稿、測試與標準回答；第二層是發現例外、判斷品質、整合資訊；第三層是理解客戶、說服他人、簽核並承擔後果。過去新人從第一層開始，靠大量案例慢慢往上走。

而生成式 AI 恰恰先壓低了第一層的成本。這意味著，「會用 AI」不再只是會寫提示詞。新的職涯要求，是一條完整的工作鏈：

過去完成一個點 現在帶 AI 完成一個面
等主管定義題目 說清楚真正要解決的問題
接受一項交辦 把大任務拆成研究、分析、製作與驗證
自己完成產出 決定哪些交給 AI、哪些保留人工判斷
檢查自己的錯字 比對來源、模型與方法是否互相矛盾
交出檔案 對成果能否使用及其風險負責

當然，這不能被浪漫化。新人不會因為手上有 AI，就憑空擁有多年產業脈絡、危機經驗和客戶信任。合理的期待不是「第一天就像資深主管」，而是——能帶 AI 完成較完整的任務，同時知道何時自己判斷不足、必須升級請人覆核。

AI 是新人的殺手，還是最好的教官？

在悲觀氛圍中，一項關於 5,179 名客服人員的研究提供了強力反證。導入生成式 AI 助手後，每小時解決問題數平均提高約 14%，而且收益主要集中在新人和技能較低者，資深高技能者的改善很小。原因在於，AI 把高績效客服的用語和處理模式即時提供給新人，等於把資深者的隱性知識放進工作現場。

這個發現推翻了「AI 接走基礎任務，所以新人必然學不到東西」的直線推論。新人可能少做重複工作，卻透過即時建議更快接觸到最佳做法。

關鍵在企業如何使用省下來的時間：

  • 如果只是減少招聘，AI 就是「替代者」；
  • 如果把新人放進更完整的案件，搭配回饋、審查與逐步授權，AI 就是「教官」。

技術本身是中性的，制度決定它最終的角色。

初階職缺開始要求資深能力，但別把責任全丟給新人

PwC 2026 年職缺分析指出，AI 暴露最高的初階工作，要求過去屬於資深層級能力的機率，是低暴露初階工作的 7 倍。判斷、領導、研究與情緒智力，正在更早進入初階職缺的門檻。

企業的算盤不難懂。當資深員工搭配 AI 能完成更多工作，少招新人就能立刻降低薪資、訓練與審查成本；景氣不確定時，「不補缺」又比公開裁員容易。

但這裡必須畫一條清楚的界線：

  • 要求新人定義問題、整合 AI 和主動驗證，是「工作能力升級」。
  • 要求新人拿初階薪資、沒授權、沒導師，卻承擔資深者的法律與商業責任，就是「責任轉嫁」。

企業若真想要「年輕的資深人才」，就必須同時提供真實任務、資料權限、資深審查、明確升級點與對應報酬。否則就只是包裝過的剝削。

名額縮減時，誰會最先掉下去？

這是一個被低估的殘酷事實。當企業還願意大量招新人，履歷不完美的人仍能靠工作中證明自己；當名額縮小，篩選者會更依賴快速訊號——學校、科系、品牌實習、推薦、人脈與可驗證作品。

AI 還會削弱部分舊訊號。一份格式漂亮的報告、一個能運作的簡單網站，現在可能在幾小時內生成。作品集若只展示成品，不展示如何定義問題、取捨方案、驗證錯誤，區辨力就會下降。

企業因此可能轉向現場測試、口頭追問、真實專案與推薦關係。這能提高辨識品質，卻也可能放大家庭資源、人脈和取得優質實習的差距。最危險的是非名校、沒有實習、沒有人脈，也沒有真實作品可以證明能力的人——尤其當他應徵的是高度數位化的白領工作。

AI 創造了新工作，但它們不是原職位的一鍵轉職

好消息是，AI 確實正在創造或放大一批工作。《經濟學人》估計，美國資料中心相關的五個產業自 2023 年以來，比廣義營建與製造趨勢多出約 32 萬個職位；安裝與維護職缺兩年內增加逾一倍，薪資比同類工作高約 40%。

美國勞工統計局的 2024–2034 年預測也顯示：資料科學家就業預計增加 33.5%、資訊安全分析師增加 28.5%、軟體開發者增加 15.8%；客服代表則預計減少 5.5%。

但最不能做的是把「新增 32 萬」和某些職位減少直接相減。失去行政助理職缺的人，不會自動成為資料中心電工；剛畢業的行銷系學生，也不可能立刻轉成 Forward Deployed Engineer。新舊工作若不在同一地區、不要求相同教育和技能，總量平衡仍可能伴隨個人失業。

歷史告訴我們：每次革命都改寫工作，但差別在哪些能力被壓低

從紡織機、鐵路、電腦到網際網路、工業機器人，每一次技術革命都有人說工作將消失，也都真的讓一部分工作消失。差別在於哪種成本被壓低、哪些互補資產變重要，以及人們有多少時間轉換。

生成式 AI 的特殊之處在於，它直接進入了大學畢業生過去用來證明自己的文字、分析和程式工作，而且部署不需要先蓋一條工廠生產線。企業可能在官方職業統計出現明顯變化以前，就先減少初階職缺或提高第一份工作的錄取門檻。

「這次完全不同」通常說得太早，但擴散速度確實比過去任何一次都快。

台灣的處境：問題不是 AI 才出現的

台灣 2025 年 15–29 歲青年失業率為 7.86%，高於全體 3.4%；15–24 歲更達 11.32%。但趨勢並沒有惡化——青年失業率比 2015 年還低 0.84 個百分點，平均失業週數也從 22.34 週降至 18.08 週。

2025 年青年失業者 16.8 萬人，其中 8.2 萬人是第一次找工作者，接近一半。這個數字很重要：新人取得第一份工作的難題，並不是 2022 年後才出現的。台灣企業若持續要求「即戰力」，沒有第一份工作的新人本來就處在雞生蛋、蛋生雞的困境。

台灣國發會的人才調查顯示，AI 產品落地最需要的職能，連續兩年都是產業專業知識——企業要的是能把工具帶進業務的人，而不是只有證照的人。這也印證一個方向：工具門檻下降後，場景經驗反而更值錢。

個人自評：如果 AI 已能完成我的「點」，我能不能負責一個「面」？

給你一個四階段的職涯雷達，用來檢視自己在 AI 時代的位置：

  • 人無我有：別人還沒用 AI，我能用它做出過去做不到的成果。這是早期優勢，但工具會快速普及，不能停在這裡。
  • 人有我優：大家都有同樣工具後，我靠領域知識、獨特資料、判斷、創意或驗證品質做得更好。這才開始形成較持久的差異。
  • 人優我廉：別人也做得好，我能以更短時間、更少返工、更低風險交付。這裡的「廉」不是降薪，而是降低客戶的總成本。
  • 人廉我去：當成果高度標準化、價格不斷下降，而自己沒有資料、關係或判斷優勢，就要往下一個難被大量複製的問題移動。

以下十個問題可以檢查你是否出現警訊：

  1. 我的主要產出是不是摘要、整理、轉寫或第一版？
  2. 如果主管直接操作 AI，我還增加什麼價值？
  3. 我能不能把一個模糊目標拆成完整流程？
  4. 我是否知道哪些資料不能相信、哪些結果必須重做？
  5. 我能否解釋 AI 為什麼得到這個答案？
  6. 我的作品集是否只有漂亮成品，沒有取捨、驗證和修正過程？
  7. 我是否理解工作出錯時，對客戶和公司的真實後果？
  8. 我擁有產業脈絡、客戶信任、獨特資料或跨系統整合能力嗎？
  9. 我能帶 AI 完成一個面，還是只能等人交辦一個點？
  10. 如果現在的能力價格再下降一半，我下一個要解決的問題是什麼？

真正的警訊不是「AI 會做我的工作」，而是——AI 已能完成你大部分可見產出，而你仍說不清自己在問題定義、驗證、整合和責任上提供了什麼。

結論：不是 AI 決定答案，是制度決定路徑

《世界是平的》曾用「世界變平」描述網際網路降低資訊、溝通與跨境協作成本。但那不是世界真的平等了：有資本、品牌、教育和網路的人，仍取得更多好處。AI 也一樣。它正在拉平的是基礎產出能力——但新的差距會往上移到誰能選對問題、取得可靠資料、判斷品質、建立信任，並對結果負責。

所以，AI 會不會先讓新人找不到工作？沒有單一答案。已有研究看見高暴露職業的年輕人招聘變弱，也有資料顯示總體景氣仍是主因；有企業用 AI 少招新人，也有實驗顯示 AI 對新人幫助最大。技術提供了兩條路，企業制度決定哪一條變寬。

對企業而言，最危險的策略是把初階職缺全部省掉，再期待市場永遠供應資深人才。可持續的做法，是讓資深者帶領知識傳承、讓新人帶領 AI 執行，在有審查的真實任務裡縮短學習曲線。

對個人而言，別再和 AI 比誰寫得快。未來更有價值的新人，是能像班長一樣說清楚任務、配置能力、辨認錯誤、整合結果，並知道何時需要支援的人。AI 時代的第一份工作，不再只是學會完成命令；它正在變成——學會帶著機器完成使命。