应届生招聘下降近 30%!两位硅谷大佬同时预警
- 2026-10-08 08:18:05
📖这篇文章帮你看清什么？
为什么"学会各种AI工具"，反而是最平庸的建议；
一个决定你能否晋升的框架 PSHE，以及 AI 如何把它整体上移；
一位面试了数百人的 CEO，为什么把"提问能力"排为招人第一指标；
未来2到3年，初级岗位正在发生什么，普通人该如何提前站位；
一个反直觉的结论：AI 不会让你失业，但会让你被"重新定价"。
最近，我连续看了两期播客，标题一模一样：
How to Position Yourself Now Before the Next AI Phase (2026–2027)（在下一轮 AI 浪潮到来之前，现在该如何站位。）
嘉宾却是两个气质完全不同的人。
一位是Shishir Mehrotra。他是Superhuman的 CEO（旗下产品包括 Grammarly，日活用户超过4000万），Coda创始人，YouTube前产品负责人，Spotify 董事会成员。他是典型的建设者：理性、温和，给的是框架和方法。
另一位是Mo Gawdat。Google X前首席商务官，在那里工作了十几年，也是《Scary Smart》等书的作者。他是典型的预警者：直接、尖锐，谈的是危机、伦理和人类走向。
一个在造工具，一个在发警报。
但当我把两期近 40 分钟的访谈放在一起，却发现他们说了几乎一模一样的话——关于未来两三年什么会变、什么不会变，以及普通人现在到底该站在哪里。
这篇文章，是我交叉比对两份访谈后，提炼出的三个最重要的判断。
💡 01. 梯子没有消失，它被整体抬高了
Shishir 提出了一个他用了很多年的晋升框架，叫 PSHE：
P = Problem（问题）
S = Solution（方案）
H = How（怎么做）
E = Execution（执行）
一个人初入职场，公司会把问题、方案、做法全都交到你手上，你只需要执行。
再往上，你拿到问题和方案，自己决定怎么做。
再往上，你只拿到问题，要自己想出别人想不到的方案。
最顶层，公司只给你一个"领域"，由你告诉大家：真正该解决的问题是什么。
他说，Google 有位负责基础设施的高管，曾把整个团队放进两个维度打分：一个是"负责的范围"（scope），一个是 PSHE。结果画出一条 S 形曲线。
职业生涯早期，大家都在执行层，公司给你越来越大的项目；到了中期，曲线突然反转，范围不再增长，游戏规则变成了"你能不能定义问题、找到方案"。
她把这个区间画了个圈，叫做：
"幻想破灭的谷底"（the trough of disillusionment）。
员工崩溃：我以为游戏规则是"管的事越来越多"，怎么突然变了？
管理层崩溃：这两个人负责的范围一样大，可做事的水平完全不同。
而 AI 做了什么？
Shishir 的原话是："AI 把整架梯子抬高了。"（It pushes that entire ladder up.）
执行层，AI 可以替你做；"怎么做"，AI 可以帮你规划；甚至"方案"，AI 也能一口气给你十个。
但"该解决什么问题"、"这十个方案里哪个是对的"——这两件事，几乎仍然完全长在人的脑子里。
换句话说，AI 给每个人都配了一支"执行团队"。它没有把梯子撤走，而是把每个人进入梯子的门槛，整体抬高了一层。
Mo Gawdat 给出了更刺眼的证据。
他说，今年应届生的招聘已经下降了 23%—30%（他个人的数字是 23%）。原因很简单：初级岗位的工作，AI 正在做。他预测，未来 2—3 年，就业市场会出现一次"巨大的位移"：呼叫中心、文员、初级研究员、会计、助理——这些以重复执行和信息整理为主的岗位，会最先被重塑。
很多人听到这里，第一反应是"AI 要取代人了"。
Shishir 特别不喜欢"取代"（replaced）这个词。他说，这个词默认了世界是一场零和博弈。
他讲了个电钻的例子：电钻出现时，人们担心建筑工人会失业。结果呢？人类开始建摩天大楼，建筑行业的从业人数反而暴涨。
"工具没有让技能消失，它只是让技能上移了。"
他举了营销的例子：《广告狂人》的年代，一个团队一年磨一支广告、一首广告歌；数字营销时代，要同时投放几百万条广告，行业换了一批人——系统思考者。但"想出那句真正打动人的话"的能力没有消失，反而被抬高了。AI 可以把一个好点子放大成几百个版本，但如果你没有那个好点子，你什么都放大不出来。
所以，第一层判断是：
真正危险的，不是"AI 会不会做我的工作"，而是"我的工作里，还有多少价值停留在执行层"。
当执行被 AI 接管，能不能向上走一级——定义问题、判断方案、为结果负责——决定了你的价格。
👨👩👧02.别再学"每一个AI工具"，你要学的是当经理
Shishir 说了一句让我反复倒回去听的话。
他说，现在最常见的建议是"尽可能学会每一个 AI 工具"。但他认为更重要的建议是："学会当一名经理。"（You learn to be a manager.）
他特别强调，自己过去给年轻人的建议恰恰相反——先成为熟练的执行者，亲手把活干好，再一步步走向管理。但 AI 把这个顺序倒过来了。
今天，哪怕你是一个刚入行的新人，打开任何一个 AI 工具，立刻就进入了"管理者"的位置：你要给它派活、给它上下文、审查它的产出、判断它的对错、决定采纳还是重来。
他说得很直白："我们现在招聘的，是判断力。"（We're hiring judgment.）
问题是，判断力怎么练？
他给了一个特别朴素的答案：去低风险的地方练。
学乐器，你不会在独奏音乐会上才第一次弹琴；学打球，你不会在电视直播的比赛里才第一次投篮。你会在自家车库里弹琴，在自家车道上投篮。可一到职场，我们总以为管理和判断只能在真实的会议室里学——而那其实是你的"独奏会"，每一次开口都有人在打分。
他的建议是：开一个副业项目，和朋友做一个小工具，在没有人评判你的地方，反复练习"指挥 AI 干活"，拿到快速反馈。现在，这种练习的成本比任何时候都低。
和这一点配套的，是他招人时最看重的能力：提问。
他造了一个词，叫 Eigenquestion（特征问题），借自线性代数里的"特征向量"——特征向量是多维空间里最有区分度的那个方向；特征问题，就是那"一个问题，回答了它，其他一堆问题就都有了答案"。
他有一道用了几百次、如今已经"退役"的面试题：
"一群科学家发明了一台传送机，你怎么把它推向市场？"
通常候选人会连环提问：多大？安不安全？快不快？贵不贵？等他们问了一堆问题，他会说："科学家被你问烦了，你只能再问两个问题。你问哪两个？"
让他印象最深的一个候选人，画了一张2×2的象限图，只关注两个问题：
它对人类是否足够安全？
它是买的时候贵（资本开支），还是用的时候贵（运营开支）？
四个象限，四种生意：
对人安全、买着便宜但用着贵 → 像电话一样铺到每个角落；
对人安全、买着用着都贵 → 像机场一样，跟政府合作建枢纽；
对人不安全、买着用着都便宜 → 可以运垃圾；
对人不安全、买着用着都贵 → 运送需要争分夺秒的移植器官。
他说，这道题他甚至问过 5 岁的孩子，有时候孩子反而能更快问到本质："坐进去会不会炸？"——这就是最关键的问题。
Mo Gawdat 用另一种语言，讲了同一件事。
他说，过去的企业家像下国际象棋：提前看到别人看不到的未来，然后布局。"现在棋盘被掀翻了，这个游戏变成了壁球。"你要踮着脚尖，盯着球的方向，快速移动，快速回击。他自己的 AI 创业公司，前四周就转型了四次。
他给出一个让我印象深刻的对比：同样的产品，2022 年启动，需要 4 年、350 名工程师；2025 年启动，他和合伙人、两三位工程师、8 个 AI，6 周就搭了出来。
他说，这意味着一件事："现在，每个人都有了机会。"但前提是，你得足够敏捷，并且——别把思考外包出去。
他讲了自己读工程时的一个习惯：科学计算器让解题时间减半，大多数同学拿这半小时候去交卷，他会把每道题用两种方法再算一遍。
他现在用 AI 也是这个习惯。不要问 AI"你怎么看"，而是问：
"我是这么想的，把所有支持和反对的证据都找给我。"（Find me everything for and against.）
他会同时打开 Gemini、DeepSeek、ChatGPT、Grok，让它们互相挑错。他说自己现在每天相当于"借了 AI 80 个 IQ 点"，但有一个前提：
AI 干那些大脑不擅长的活（检索、计算、整理），而你，必须亲自做"智能"那部分。把解题也外包给 AI，它会让你变笨；把计算外包给它，你会成为有史以来最聪明的自己。
Shishir还给了第三条特别实用的建议："想办法别掉进招聘文件夹。"（Stay out of the recruiting folder.）
他的邮箱里有一个自动分流：所有求职邮件自动进一个文件夹，然后转给招聘团队；而真正让他眼前一亮、会主动约来聊的人，几乎都不是从求职邮件里来的。他自己在 Spotify 做了十几年董事，起点只是他写的一篇论文《捆绑的形态》，被人一个接一个转发，最后转到了Daniel Ek手里。
他说，他招过的最有意思的人、自己最关键的几次职业跳跃，几乎都发生在"我们不是在谈工作"的对话里。
所以，去做能被人看见的项目，去写能被人转发的东西。在一个人人都在投简历的时代，最好的求职，是让别人想主动找你。
🧘 03. 最后拼的，还是"人"
听到最后，我发现两位嘉宾真正的交汇点，都在AI之外。
Shishir 演示了Grammarly背后的产品逻辑：它每周处理超过 1000 亿次大模型调用，平均每个用户每天超过 3000 次——因为它在你打字的现场，不需要你想起来打开它。
他把人和AI的关系分成三种：
Chat（对话）：你问，它答；
Do（代办）：你给它任务清单；
Assist（在场协助）：在你开口之前，它就在你工作的地方帮你。
重度用户一天主动问ChatGPT十几次，已经算很多；而"在场协助"的 AI，一天默默帮你几千次。
他最常用的三个 AI 助手是：事实核查员（边写边核对邮件里的数字、时间、人名）、占位符填充员（他写作时留下"此处放客户引言"，AI自动去资料里找）、日程助理（写下"我们明天见"，它自动核对双方日历并附上可预约的时间）。
你注意到没有，这些 AI 越强大，反而越把人推向同一个位置：你不再是写字的人，你是决定"写什么、什么是对的、出了问题谁负责"的人。
Mo把这一点看得更重。他给出了未来最关键的四个能力：
把AI用到极致——不是会用，而是成为你所在领域里最懂AI的人；
极度敏捷——每周至少留一小时追踪AI，他自己每天花四小时；
伦理感——坚持为善的AI，拒绝把AI用于监控、操纵和自主武器；
停止轻信——这个时代的宣传机器会装上类固醇，你必须学会深度质疑。
他有一个比喻，叫"抚养超人"（Raising Superman）：AI 像一个拥有超能力的外星婴儿降临地球。超能力本身没有善恶——如果养父母教他抢银行、杀仇人，他会成为超级反派；教他帮助人类，他会成为超人。
"智能不做决定，价值观才做决定。"
而价值观、责任、信任、对复杂人性的理解，恰恰是AI无法替你的部分。
他对教育的判断非常激进，这里我只转述，不替你下结论：
他认为考试应该终结，未来的目标不是培养一个 IQ 140 的人，而是"一个人加TA的AI"，目标IQ300、500、700；他甚至建议不要为孩子存大学学费，认为十年后大学的形态会被彻底改写。
这是他的个人判断，争议很大，但它指向的问题是真实的：当知识可以随时调用，教育的重心，必须从"记住了多少"转向"你能提出什么问题、解决什么问题、为哪些选择负责"。
最后，Shishir 讲了一个故事，我想把它留给你。
他 21 岁第一次当 CEO 时，硅谷传奇教练Bill Campbell手把手教他开第一次管理层会议、第一次辞退员工、第一次和投资人谈判。
工作一年后，他过意不去，找Bill说要补一份顾问协议、给他股权。Bill拒绝了，说："我得到的一切最终都会捐给慈善，你把股权留给公司，拿去长大。"
他问Bill：那你到底图什么？
Bill说：
"我有一个清单，列着所有为我工作过、被我指导过的人。我数的是，他们里有多少人，成了世界500强的CEO。"
2000 年，这份清单上已经有20个人，后来又有了拉里·佩奇、史蒂夫·乔布斯、贝佐斯……Bill 去世后，葬礼上每个人上台，讲的都是同一句话："他永远对我有无限的时间，他唯一在乎的，就是我能不能成功。"
这是一种和"取代"完全相反的人生算法：
不是在零和博弈里赢过别人，而是把自己的成功，定义在"你成就了多少人"上。
当AI把执行门槛降为零时，人与人之间最后的、也是最难被自动化的东西，恰恰是这个：你愿意为谁负责，你又成就了谁。
✍️写在最后
这两期访谈，一个人在造桥，一个人在敲警钟。但他们把我带到了同一个地方。
过去我们衡量一个人，看的是"他能做多少事"。AI 之后，这个问题失效了——因为一个人加上AI，能做的事变多了十倍。
新的问题变成了：
"TA能不能判断什么事值得做？"
"TA能不能指挥 AI 把事做对？"
"TA愿不愿意为结果负责？"
"TA能不能带着其他人一起赢？"
所以，如果你现在问我：2026至2027，到底该怎么站位？我会把两位嘉宾的话，合成三句：
第一，向上走一级，从执行者变成提问者和判断者；
第二，在低风险的地方，拼命练习"指挥 AI"这件事；
第三，把 AI 放大不了的那部分——品位、责任、信任、善良——当成你的护城河。
别再去追每一个新工具了。
工具会层出不穷，而"指挥工具的人"，永远稀缺。
留两个问题，评论区聊聊：
把你现在的工作拆成10份，有几份是"执行"，几份是"提问、判断和负责"？
如果明天公司给你配10个AI员工，你会立即给它们安排做哪三件事？
欢迎在评论区留下你的思考。
如果你也有启发，欢迎点个“赞”和“在看”，分享给身边朋友。
这里是金科晓芳谈，关注我，不迷失。
推荐阅读：
AI越来越会“算”，孩子更要学会“悟”：未来教育，真正不能输掉的是这5种能力
那个天天刷TikTok的女孩，差点发了《Nature》......
这是一个最好的时代，也是一个最坏的时代：普通人用AI赚钱的极简法门
6个词让你每天早上建立自信：成年人最隐秘的崩溃，往往发生在衣柜前
