她举了一个历史例子：上世纪70年代末至80年代初，大批缺乏经验的婴儿潮一代进入美国劳动力市场；到了互联网繁荣时期，这批人已积累数十年工作经验，知道如何把新技术用于真实业务。她认为，AI时代同样需要这样的经验积累，只是社会已经没有30年时间等待。企业必须同时帮助年轻员工与年长员工学习、适应AI。

　　这种任务层面的变化，也解释了为什么“会使用AI”并不能自动保证一个人更有竞争力。对于已经懂得业务流程、质量标准和客户需求的资深员工，AI可以缩短执行时间；对于尚未形成专业判断的新人，AI虽然也能帮助完成任务，却未必能让他立即拥有独立负责复杂项目的能力。两者之间的差别，不在于是否能输入提示词，而在于能否辨别输出何时可靠、何时必须重新核查。

　　Richardson在访谈中没有把这种分化说成永久规律。她同样谈到AI提高低绩效客服员工表现的研究，提醒我们：AI既可能自动化工作，也可能帮助人更快学会工作。对年轻人而言，关键不是简单抵制工具，而是能否在使用工具时仍然得到反馈、训练与真实责任。

　　企业省下了培训成本，未来的资深员工从哪里来？

　　AI时代，涨薪的不只有程序员

　　这里存在一种容易被忽略的企业激励问题。培养新人需要时间，资深员工要指导、纠错、承担短期效率损失；但当AI已经能完成一部分基础任务，企业就有动力先减少入门岗位，把工作集中交给少数熟练员工。单家公司这样做可能很理性。如果许多公司都这样做，整个行业却可能逐渐缺少能够接班的中坚人才。

　　这不是访谈已经证明的结论，而是根据Richardson关于经验与人力资本的论述提出的延伸问题。它也存在另一种可能：AI成为低成本的学习助手，使年轻人更早参与复杂任务，缩短从新人到熟练员工的周期。决定结果的不是模型本身，而是企业是否设计了导师制度、轮岗实践、任务复盘和真实的晋升通道。

　　从这个角度看，AI时代真正稀缺的未必是“不会被自动化的岗位”，而是把知识变成判断的训练过程。一个初级程序员可以用AI写出一段代码，却仍要理解系统为什么会出故障；一个年轻编辑可以让AI整理数十份材料，却仍要核对原始出处、识别被忽略的事实。若这些训练环节被一并省略，短期看似提高了产出，长期却可能削弱组织积累专业能力的机制。

　　工资的另一面：数据中心工人为何更抢手

　　访谈谈到工资时，出现了另一个容易被忽略的群体：建设数据中心和电力设施的技术工人。Richardson说，AI基础设施建设带动了建筑、制造和相关供应链的需求，而熟练工人退休、劳动力供给受限，又让部分岗位更加紧缺。根据她引用的ADP薪酬数据，美国建筑业换岗员工的工资涨幅接近14%。这指的是换工作带来的薪酬溢价，而非整个建筑行业平均工资上涨14%。