AI专业四年后何去何从？

2026年高考季，"人工智能"依旧稳居热门专业榜首。各大高校竞相推出大模型方向、智能科学方向、AI交叉方向——名称愈发多样，但家长和学子心中却萦绕着同一个疑问：

选择了AI专业，四年后还能顺利就业吗？

这一疑问背后，潜藏着双重焦虑：其一，AI技术迭代迅猛，四年后的技术形态如今难以预料，所学内容是否会迅速过时？其二，AI已能自主编写代码、进行分析，人类的价值何在？

这两种焦虑皆有其道理。然而，答案或许与你预想截然相反——AI越强大，越需要人类。只是，你所需要的那种"人"，可能与你想象的大相径庭。

2026年4月，Salesforce首席执行官Marc Benioff在X平台发布了一项招聘计划：招募1000名应届毕业生和实习生，加入名为"Builder"的新项目。这1000人并非从事写代码、制作PPT或整理Excel等工作——他们的任务是编写AI智能体的提示词流程、设计触发条件、执行评估、监督输出结果以及完成客户交付。其服务的"产品"是一个具备自主行动能力的AI Agent。

Salesforce首席人才官表示："如今步入职场的AI原生一代，并非被AI威胁的群体，而是正在构建它的人。"

1000人

Salesforce 应届生扩招

3倍

IBM入门级 招聘扩大

100万

美国AI注册 学徒制目标

就连微软CEO Satya Nadella也坦言："我们正在尝试新的学徒制模式——由一位资深IC工程师带领一组应届生共同工作。"

因此，若你如今选择了AI相关专业，四年后并非面临"失业"，而是进入一个正在被重新定义的岗位体系。关键在于：这个体系为何种形态？你如何避免被淘汰？

2024年，瑞典金融科技公司Klarna高调宣称：其AI助手已替代了700名客服的工作量，每年节省4000万美元。CEO将其包装为教科书级的"AI降本"案例，引发全球商学院争相效仿。

然而到2025年底，Klarna悄然重启招聘。客户满意度在复杂场景中急剧下滑——涉及多步骤账单争议、情绪化投诉及需灵活判断的政策例外时，AI完全束手无策。更致命的是，700名客服离职时，带走了一整套"隐性知识库">：反复出现的欺诈模式、何时应破例处理——这些从未被文档化，AI也从未真正吸收。

2026年初，CEO公开承认："我们走得太远了。"认知科学家Gary Marcus创造了"Klarna效应"一词：先高调宣布AI取代人类，再悄悄重新雇佣人员。Forrester调查显示，55%曾因AI裁员的雇主已感到后悔。

Klarna的案例对AI专业学生意味着什么？仅会使用AI工具远远不够。AI能够替代的是显性工作——标准化的、可编码的、有标准操作流程的。然而，职场中真正有价值的却是隐性知识——那些"只可意会不可言传">的判断力、经验直觉和人际感知。这类能力，AI无法习得，唯有在实践中逐渐养成。

那么问题来了：若入门岗位的重复性劳动已被AI接管，新人如何培养这种判断力？

答案不在硅谷，而在中世纪。

中世纪行会的学徒制，或许是人类历史上最成熟的人才培养体系。自12世纪起，一名年轻人若想成为铁匠，需进入师傅作坊签署契约，为期7年。前两年从事杂务，第三年起学习核心技艺，第七年提交"杰作"（masterpiece），由行会评审——通过即可成为师傅。

师徒紧密绑定。师傅的技艺属于隐性知识，依赖言传身教传递，无法写成手册。双方利益深度绑定，教与学皆具动力。

渐进赋权。从杂务到核心技艺再到独立操作，是精心设计的阶梯。每个阶段都在前一阶段基础上拓展能力边界。

行会认证。出师并非师傅一人决定，行会评审确保标准不因个体差异而退化。

社会流动。7年学徒加3年帮工，经行会认定即可成为师傅——这是普通年轻人进入社会中层的必经之路。

工业革命时期，机器取代手工，这套体系随之瓦解。但其底层逻辑从未过时——隐性知识只能在实践中传递，判断力只能在试错中积累。AI时代，这一逻辑反而愈发关键。

若你正在选择专业，请记住：判断力无法通过课堂灌输获得，而是在真实场景中浸泡而成。选择AI专业时，不仅要看课程设置，更要关注——学校是否提供了"浸泡"的环境。

Salesforce的Builder项目、IBM的三倍扩招、微软的"资深IC带应届生"、SkillBench的"小队冲刺+苏格拉底追问"——这些零散实践指向同一方向：AI增强的新学徒制。

第一层：AI负责显性工作，人类专注隐性学习

中世纪学徒前两年从事杂务——烧炉子、拉风箱。其核心价值并非"学会烧炉子"，而是"在烧炉子过程中，熟悉作坊节奏、理解火候逻辑"。AI时代，显性劳动可交由机器，但新人的"浸泡"不可省略——他们需要审查AI输出，而非从头做起。

此处存在一个精妙的范式转换：传统学徒从"做"中学，新学徒则从"审"中学。审查的是隐性判断——"AI这一输出是否正确？为何不正确？在何种情况下会出错？"

第二层：师徒制与AI结合，双通道传递

微软CEO描述的模式是"一位资深IC带领一组应届生"。这不再是中世纪的"一师一徒"，而更像"微缩行会"——师傅+多名学徒+AI辅助。

SkillBench设计了更极致的模式：资深员工带领小队学徒，在压缩的数日内挑战"完全不合理的难度目标"。学徒利用AI工具加速，师傅则通过"苏格拉底式追问"检验：为何选择此方案？是否存在替代路径？你的假设是什么？

第三层：可控的"明智失败"场景

Klarna的教训表明：将新人从真实业务中剥离，同时也剥夺了他们犯错与学习的机会。AI可消除低级错误，但不应抹杀"探索性错误"——那些在陌生领域尝试所致、代价可控且能产生新知识的错误。让学徒在AI生成方案上做出决策——决策失误时由师傅兜底，但学徒获得"我做出了判断，此判断为何错误"的经验。

若你于2026年选择AI相关专业，2030年毕业，你的首份工作大致如此：

选择专业并非核心问题——分数既定，选择空间有限。真正决定你四年后能否立足的，是你如何学习。

绝大多数AI专业学生，四年将如此度过：上课、做作业、刷GPA、参加竞赛、保研/考研。这条路并非不可行，但存在致命缺陷：你始终处于"被评估"状态，从未真正"做判断"。作业有标准答案，竞赛有评分规则，GPA有计算公式——整个体系训练的是"给出正确答案">的能力。然而AI时代最珍贵的并非"给答案"，而是"判断答案是否正确"。

1. 尽早参与真实项目，越复杂越好

课程项目不算——需求由老师设定，答案正确，环境干净。你需要寻找的是"需求模糊、数据杂乱、用户表述不清"的真实项目。协助小公司开发工具、为学长学姐的创业项目编写后端，甚至从零开发一款App并上架应用商店。真实项目将迫使你做出判断：采用何种技术栈？此功能是否值得开发？——这些判断力在GPA中完全无法体现。

2. 实习不必等待大四，越早越好

许多学生认为"学足后再实习"——这是误区。实习即你的"学徒期"，越早进入，越早沉浸于真实场景。大二的普通实习比大四的优质实习更有价值，因为大二你仍有充足时间犯错、积累判断力。此外，实习所学将反过来改变你的课堂状态——你开始明白哪些课程有用，哪些纯属空气。

3. 寻找一位愿意指导你的"师傅"

非导师或辅导员，而是行业从业5年以上、愿带你参与真实项目之人。校内导师多已脱离一线，传授的是理论框架；你需要的是懂得"此行业如何做出判断"的人。若找不到，可前往开源社区、技术社群或实习公司的资深同事处——主动靠拢，勿待他人寻你。

4. 刻意进行"断AI"训练

AI过于便捷，易使人不自觉将所有事务交由其处理。但前文Klarna案例已说明：仅会使用AI者，最易被替代。请设定规则：每完成一个AI辅助项目，至少有一个核心模块完全由你亲手编写。目的并非证明你无需AI，而是保住"理解AI运作机制"的能力。当你完全无法理解AI生成的代码时，便已步入危险区域。

5. 绩点达标即可，不必内卷

此言或许冒犯，却是事实：AI行业招聘无人关心你GPA是3.8还是3.9。他们关注的是——你完成过哪些项目？能独立解决何种问题？能否判断AI输出是否正确？花在卷绩点上的时间，不如用于打造一个可上传GitHub的成果。

700年前，一名13岁少年踏入铁匠铺，7年后出师。700年后，一名22岁毕业生走进Salesforce，为AI Agent编写提示词流程、审查输出、设计人机协作边界。场景虽变，本质未改：人类需在实践中培养判断力，判断力只能在安全的失败中积累，而积累需时间与师父。

选择AI专业并非问题，关键在于——你四年是用来卷绩点，还是用来培养判断力？

前者，你将与十万份同样光鲜的成绩单竞争。后者，你将成为不可替代的存在。

你或你的孩子是否正在考虑AI相关专业？你最担忧的是什么？欢迎在评论区交流。

关键数据