AI加持的入门面试：麦肯锡不再只看答案

麦肯锡今年的面试场景里，多出了一项“新配置”。

它不是什么更复杂的案例题，也不是更厚的打分表。面前就摆着一款名叫 Lilli 的 AI 工具界面，直接让候选人面对它。

流程其实很直白：面试期间，你随时都能让 Lilli 出手。查资料、推演思路、验证观点都可以。但媒体报道里经常忽略一个关键点——系统会把你和 AI 的每一次互动都完整记下来。

也就是说，不只是看你的回答对不对，更关注你提问的方式与过程：你问了什么、怎么追问、在什么时候犹豫、又在哪一步跳过了应有的验证。

换句话说，面试官的关注点不再只是“你脑子里有什么”。他更想看的是：当你和 AI 同屏时，你的思考怎么运转。

这也绝不只是麦肯锡在做的事情。

世界经济论坛近期的一份报告提到一个容易被忽视的变化：白领入门类岗位里，那些日常工作——整理数据、起草初稿、完成基础分析——正在被 AI 大规模接管。企业的岗位期待也随之调整，并非只是“少招点人”那么简单，而是“这个岗位本身要重新定义”。

过去十年，入门岗位大体遵循一个默认逻辑：你做相对简单、重复的部分，复杂判断留给更上层的人。前几年常被视作“学习期”。你拉数据、整理纪要、做表格——看似技术含量不高，却能让新人摸到行业的纹理。

而如今，这个公式正在被拆解。

并不是因为企业变得更“精明”。真正的原因是：那些所谓“简单重复的部分”，AI 能比你更快完成，而且不需要休息。

麦肯锡全球研究院的数据显示：到 2030 年，生成式 AI 预计能让每位员工约 60% 到 70% 的日常例行工作实现自动化。受影响最显著的，恰好包括知识管理、初级分析、基础行政等——传统上往往被当作新人“练手”的内容。

于是出现了一个看起来有点矛盾的现象：企业一边在减少初级岗位里那些可自动化的环节，另一边又在面试中增加对“AI 协作能力”的考核。让候选人用 Lilli 并不是噱头，而是在检验一个他们也仍在摸索的问题——当 AI 能替你完成 60% 的入门工作，剩下的 40% 又该由谁来做？应该是什么样的能力？

牛客网今年的数据显示：招聘描述里出现“AI”“大模型”等关键词的岗位占比，从 22.35% 上升到 34.39%。而且这并非科技公司的专属赛道，金融、零售、制造的 JD 里也在加上这句话：“熟练使用 AI 工具者优先。”

不过，真正值得推敲的数据还在后面。

在 2026 年春招中，工作经验在一年以内的初级 AI 岗位数量，同比缩减了 20%。AI 赛道仍然火热，但企业招的不是“小白”。相比于花 1 万去培养一个所谓“有潜力”的新人，企业更愿意用月薪 6 万去抢到能直接上手的中高级人才。

这不是“就业难”。更准确地说，是“入门难”。入门仍在，但门槛从“你会什么”变成了“你能和 AI 一起交付什么”。

写到这里，你可能会想：这不就是让我再学一个 AI 工具吗？跟当年学 Excel 有什么本质区别？

确实有。而且差异比你想得更大。

学 Excel 学到的是一个相对固定的工具。菜单不会频繁变化，公式语法也不会自己迭代。你今天记住并掌握的 VLOOKUP，三年后很可能还是那个 VLOOKUP。只要把它内化成肌肉记忆，它就会长期属于你。

但 AI 工具不是这样。GPT-5 相对 GPT-4 提升了多少，你不必纠结具体数字——重要的是：你今天摸索出来的提示词技巧，下个季度可能就不再适用。上个月最有效的 AI 写代码方式，这个月模型一更新，思路就要跟着调整。

这就是核心矛盾所在：企业要求你“熟练使用 AI”，可“熟练”的定义却在高速变化。你以为自己在学一个技能，实际却是在训练一种“持续重新学习”的能力。

我再把话说得更直一点。

过去，应届生进入职场后前两年，本质是在完成一个“知识迁移”的过程：把学校学到的理论，转化为工作里能用的判断力。这个过程可能慢，但路线清晰。有人带、有模板可以抄、也有前辈能分享参考周报。

问题在于：AI 已经把“知识”部分加速到接近“几乎免费”，但它无法同样加速“判断力”。新人能用 AI 在 20 分钟内做出一份看起来像样的竞品分析——格式漂亮、数据齐全、SWOT 头头是道。但只要你追问“这些数据里哪个数字最不可信”，他很可能回答不上来。

这不是他不够努力，而是他跳过了那些关键节点：比如为了校验数据源、重做分析、甚至熬到凌晨两点仍坚持把问题弄明白的时刻。判断力往往就在这些时刻长出来。

所以，真正需要讨论的就不再是“AI 会不会抢走我的工作”。

而是：在被 AI 加速过的职场里，哪些能力是无法被同样加速的。

我越想越觉得，至少有三类。

第一类：问对问题的能力。

麦肯锡会完整记录候选人使用 Lilli 的全过程，这点常被忽略。他们不在意你让 Lilli 得到了什么答案，更在意你怎么问。你是先想清楚再开口，还是漫无目的地反复试？你会不会追问一层就满足，还是追到第三个“为什么”？当 Lilli 给出一个看似合理的回答，你会不会本能地信以为真，还是换个角度再测一次？

这一点，AI 很难替你教会。因为它自己就做不到——大模型最擅长的是“给出一个看起来合理的回答”，而不是“质疑这个答案是否真的合理”。

有句话讲得很到位：AI 让答案变得便宜了，但让问题变得更贵了。

第二类：在模糊条件下做决定的能力。

AI 往往有一个共同特征：输入和输出之间有清晰对应。“把这 50 页 PDF 总结成 500 字”——输入明确，输出也明确，所以 AI 的表现往往远超人类。

可现实职场里，大多数决策的输入其实是模糊的。

比如老板只说“你去做个用户调研”，并没有说明调研对象是谁、要问什么、怎么落地。又比如客户说“这个方案不够高级”，你必须追问五轮才搞清楚对方所谓的“高级”到底是颜色还是字体。还有一种情况是，同事给来一组数据，你隐隐觉得哪里不对，却又说不清问题点。

这些事情几乎没有标准流程。每一步都在考验你：在信息不全的情况下，怎么判断什么才算“足够好”。AI 在这种场景里顶多算参谋——但你必须有判断力，才能决定这个参谋的建议到底值不值得听。

第三类：让人愿意跟你一起把事做成的能力。

听起来有点虚，但它正在变得越来越“硬”。

当 AI 能替你完成大部分“硬技能”层面的工作，初级员工的价值就不再只取决于“我自己能产出什么”，而更体现在“我能让周围的人和 AI 一起产出什么”。这意味着你得说服同事尝试新的协作方式；当你的 AI 输出被质疑时，你要站出来解释逻辑；团队面对不确定性时，你不能只等指令，而要主动定义问题。

这些能力，和你会不会写代码、会不会做 Excel 透视表，没有半点直接关系。

如果你还是在校生，或者刚入职一两年，你体会到的那种“说不清的焦虑”，或许不完全是因为就业市场不好——虽然确实不太乐观。更深层的原因，是你正在经历一代人职业生涯里最大的“定义漂移”。“好工作”的标准在变，“有能力”的标准在变，甚至连“入门”这两个字的含义也在变。

这当然会让人不安，但同时也带来机会。

当大家都还不知道新规则是什么的时候，愿意自己去摸索新规则的人，就会有一段窗口期。

三年前，“提示词工程师”还不存在。两年前，月薪 3 万。再往前一年前，这类岗位开始减少——不是因为不需要，而是“会写提示词”正在变成通用能力，就像“会用搜索引擎”一样，不再需要单独设立一个岗位。

但最早摸清如何写出更好提示词的人，在窗口期里建立了认知优势。下一次窗口会在哪里，没人能准确预测；不过大概率不会再落在“学会某个具体 AI 工具”，而会落在“学会如何与任何 AI 工具协作”。

上周我和一个做校招 HR 的朋友吃饭，他说的一句话让我反复想了很久：“我筛简历的时候，看到‘熟练使用 AI 工具’已经没什么感觉了——大家都这么写。但如果有人能说得具体一点：他用 AI 解决过什么真实问题，用了什么思路，中间踩过什么坑，最后多久完成。那我大概率就会约面试。”

重点不是你会不会用 AI，而是你用 AI 做成了什么。

最后还有一件事。

这篇文章并不是为了让你更焦虑。如果你读完后觉得“完了，我什么都不会”，那可能是我表达得不够清楚。

我想强调的是另一件：当规则正在被重写时，最大的风险往往不是学得不够快，而是你仍在用旧规则来评价自己。

你焦虑的重点不该是“AI 比我强”，而应该是“我仍用 AI 出现之前的标准去衡量一份 AI 时代的工作”。

那个标准，可能连你的面试官都还没完全想明白。不过没关系——这也意味着你和他在同一条起跑线上。