为什么说未来公司更倾向于筛选人、高价外聘，而不是培养人和提拔人？

同一个人才市场，2025年以来走出了两端相反的行情。

一边是“疯抢”。Meta为组建超级智能实验室，给24岁的AI研究员Matt Deitke开出了四年2.5亿美元的总包，第一年就兑现1亿，而这是Zuckerberg亲自见面后把原报价翻倍的结果^[1]；从苹果挖走AI模型负责人庞若鸣，总包超过2亿美元^[2]。

{
  "id": "talent-bifurcation",
  "type": "dataset",
  "title": "科技人才市场的入口份额与薪资差距",
  "deck": "企业以高价购买顶尖AI人才，同时缩减应届入口，人才市场两极化。",
  "badge": "数据图表",
  "source": "数据与来源见本文参考文献。",
  "sets": [
    {
      "label": "新入职中的应届生占比",
      "max": 16,
      "rows": [
        {
          "label": "疫情前",
          "value": 15,
          "display": "15%",
          "detail": "科技大厂新入职员工中，应届生占比约15%。"
        },
        {
          "label": "2025",
          "value": 7,
          "display": "7%",
          "detail": "三年内降到7%，接近腰斩。"
        }
      ]
    },
    {
      "label": "互联网月薪（万元）",
      "max": 13,
      "rows": [
        {
          "label": "AI科学家中位数",
          "value": 12.7,
          "display": "12.7万",
          "detail": "企业为已验证的稀缺能力支付高溢价。"
        },
        {
          "label": "应届生平均起薪",
          "value": 1.5,
          "display": "<1.5万",
          "detail": "待验证新人获得的入口与价格同时承压。"
        }
      ]
    }
  ]
}

另一边是”关门”。科技大厂的新入职员工里，应届生占比从疫情前的15%跌到了7%^[3]，三年内几乎腰斩。结果体现在薪酬差距上，脉脉2025年报告显示，AI科学家岗位月薪中位数达12.7万元^[4]，而同期应届生在互联网行业的平均起薪不到1.5万元，倍差接近9倍。

需要说明的是，2.5亿美元是AI赛道的极端样本，但极端样本背后同样有通用的定价逻辑：同一批公司，一边为“已验证的能力”支付历史级溢价，一边把“待验证的新人”挡在门外。

所以，为什么企业宁可掏高价，也不愿意便宜地招新人，自己验证、自己培养？

直接给预判：**因为公司正在从“培养人才的机构”变成“筛选人才的机构”。未来的企业会越来越像筛子，越来越不像学校。这意味着，内部晋升池萎缩，成长阶梯被抽掉中间几级，缺人就直接去市场上买。**培养和提拔不会绝迹，但会从大公司的默认设置，变成少数公司的奢侈品。

这不是哪个CEO的道德滑坡，而是因为 AI 的出现，让企业人才培养的这笔账，同时改变了方向。

核心判断

1. 公司正在从“培养人才的机构”变成“筛选人才的机构”。未来的企业会越来越像筛子，越来越不像学校。
2. 员工越是积极用AI提效，企业就越清楚他的工作里有多少可以不需要他。
3. 系统的自我修正以年为单位，你等不起。在一个只筛选、不培养的市场里，没有人再负责把你变成“已验证”，这件事从企业的成本表上，转移到了你自己头上。

一、培养的账为什么算不平了？

培养本质上是一笔跨期投资：企业现在支付成本，包括新人的工资、资深员工的带教时间、试错造成的损耗，若干年后以“稀缺能力”的形式收回报。这笔账成立的前提是，培养出来的能力到兑现那天还稀缺。

过去二十年，这笔投资的回报主体是通用技能：编程、写作、数据分析、文档审阅。它们可以被清晰描述、标准化教学、系统化考核，所以企业的培训体系、轮岗制度、导师制，全部围绕它们设计。问题是，AI在训练中吞下的恰恰就是这类可编码的知识。

Eloundou等人2023年发表在Science上的研究（"GPTs are GPTs"，OpenAI与宾夕法尼亚大学合作）给出了一个常被忽略的数字：仅靠大语言模型本身，平均约15%的职业任务会受影响；而借助配套软件和工具链，这个比例骤升至约50%^[5]。15%到50%之间的差距，是软件生态的放大效应。它意味着通用技能的供给方式变了：过去要靠一个人三五年的成长才能稳定产出的东西，现在以每月几十美元的订阅价批发供应。

注意，这些技能不是没用了，是不再稀缺了。企业花三年把一个新人培养到中位数水平的编程、写作、分析能力，而同样的产出水平AI当天就能给。

而培养周期以年计，模型能力的迭代以季度计。企业按今天的技能地图设计培养方案，等新人成长到兑现期，地图很可能已经重画了两轮。跨期投资最怕的就是这种错配：你确定要付的成本，去赌一个越来越不确定的回报。

回报在缩水，这是第一笔账。但光凭这笔账，企业还不敢彻底放弃培养，毕竟人总得有人干活。让它敢的是第二笔账：AI接管了组织里的一整层，需要的人本身就变少了。

二、为什么公司敢不培养了？

培养不划算，只是转向的必要条件。真正让企业敢于收缩培养的，是 AI 给的两个底气：一是，要培养的人变少了；二是，挑人的眼光变得更毒辣了。^[6]

先看第一个。传统企业是金字塔：底层执行，中层传递信息、分解任务，高层决策。中层存在的核心理由，是信息不能直接从底层到达高层，需要有人翻译、过滤、汇总。AI正在让这个理由失效：当模型可以直接从原始数据生成分析报告、把一线反馈即时归类推送给决策层，中间那层“信息中转站”就被大幅压缩了。OrgTopologies在2025年分析了海尔和拜耳旗下组织的设计，其中子公司的层级从12层减到3层，决策周期比2021年基准缩短了67%^[7]。宏观上，企业结构正从“金字塔结构”转向“钻石结构”：基层与管理层的比例从5:1走向2:1甚至更低。

{
  "id": "org-morph",
  "type": "org-tabs",
  "title": "组织设计案例与层级配比示意",
  "deck": "切换查看组织层级、决策周期和基层/管理层配比；三项信息的样本与口径并不相同。",
  "badge": "数据图表",
  "source": "数据与来源见本文参考文献。",
  "views": [
    {
      "label": "组织层级",
      "type": "layers",
      "beforeLayers": 12,
      "afterLayers": 3,
      "title": "案例组织的层级压缩",
      "copy": "OrgTopologies所述案例中，子公司的组织层级从12层缩至3层；这不是所有企业的平均变化。"
    },
    {
      "label": "决策周期",
      "type": "metric",
      "kicker": "相对2021年基准",
      "value": "−67%",
      "title": "案例中的决策周期变化",
      "copy": "同一案例中，组织调整后的决策周期较2021年基准缩短67%。"
    },
    {
      "label": "基层 / 管理层",
      "type": "people",
      "beforeBase": 5,
      "beforeManagement": 1,
      "afterBase": 2,
      "afterManagement": 1,
      "title": "基层与管理层配比示意",
      "copy": "正文以5:1至2:1描述结构变化；人形仅按比例示意，不代表实际员工人数，且与案例数据口径不同。"
    }
  ]
}

这对培养体系是釜底抽薪。**因为培养的本质是为晋升阶梯的每一级输送人：初级填底层，骨干填中层，中层里再选出高层。现在阶梯的中间几级正在物理消失，培养的“出口”被堵上了。**一个只剩3层的组织，不需要一条12层的输送带。

第二个底气，更隐蔽：AI让“挑人”这件事更标准。过去企业看不清一个员工的真实产出，判断和执行时常混在一起，只能用工龄和层级做粗糙的代理指标，所以宁可批量培养、慢慢观察。现在员工用AI完成工作，每一次交互都在给任务“打样”：哪些环节是标准化执行，哪些环节真的需要人的判断，第一次变得清晰可见。**员工越是积极用AI提效，企业就越清楚他的工作里有多少可以不需要他。**度量的精度上去了，筛选的成本和误差就下来了，批量培养、慢慢观察的旧策略，自然被精准筛选替代。

两个底气合起来，组织的用人逻辑就变了：需要的人更少、更尖，而且企业自认为看得出谁尖。剩下的缺口只有一个：顶尖人才从哪来？自己不生产，就只能去外面买。这是另外一笔账。

三、外聘为什么成了性价比之选？

前两笔账砍掉的是培养的动机，第三笔账砍掉的是培养的可能：就算企业想自己养，生产线也已经断了。^[8]

传统组织里，资深人才是初级岗位一级一级“长”出来的：新人从标准化任务起步，慢慢接触复杂判断，在自己犯错、自己纠正的循环里积累那些教不会的经验。初级岗位表面是廉价劳动力，实际是隐性知识的生产线。现在这条生产线正在被拆除。

哈佛研究显示，采用AI的企业初级招聘放缓约22%^[9]，原来10个初级员工做的事，5个人加AI就够了。**被省掉的5个名额，不只是5份工资，是5条被关闭的成长通道。**内部供给断了，人才短缺就只剩一个出口：去市场上买别人养好的。

单独看每一家企业，买比养确实划算。买来的人即插即用，跳过了三五年的培养周期，也跳过了“培养完跳槽”的风险；层级压缩之后，一个尖人配上AI的杠杆顶得上过去一个小团队，再高的溢价摊到产出上也能合理化。开场Meta的天价没有看上去那么疯狂，它只是把这笔账算到了极致。

但所有企业一起看，这是一个正在自我收紧的循环。每家都想买现成的，就没有任何一家在生产现成的；资深人才变成纯存量博弈，价格只会越抬越高；价格越高，企业越不敢把钱投给慢回报的培养，供给就断得越彻底。个体的每一步都理性，加总起来集体锁死。经济学家管这个叫合成谬误，人才市场正在给它做实验。

每家都想买现成的，就没有任何一家在生产现成的；资深人才变成纯存量博弈，价格只会越抬越高；价格越高，企业越不敢把钱投给慢回报的培养，供给就断得越彻底。MAVERICK 判断

于是第三笔账算完，预判的机制全部闭环：不想养、不必养、养不出，筛选和外聘成了唯一顺滑的路径。但一个只消耗存量、不做增量的系统，物理上就不可持续。

四、这个趋势判断什么时候回撤？

筛选模式的前提是市场上永远买得到现成的人，但现成的人是上一个时代的培养体系生产的：他们会变贵、会老去、会被同行抢走，而接替他们的生产线已经停了。^[10]

资深员工的议价权因此持续上升，这正是Meta们不得不掏天价的原因；天价本身，就是供给断裂的第一个可见症状。企业省下的培养费没有消失，它会变成三五年后的招聘溢价，连本带息地付回去。

这笔迟早要还的债，可以叫”组织坏账”：它不出现在任何财务报表上，每个季度的效率数据反而都在变好，直到某个关键岗位空出来，企业发现内部没人接得住、外部买不起或买不到。每一家用AI压缩培养体系的公司，都在悄悄积累这笔坏账，区别只是兑现的早晚。

中国市场的”组织坏账”还叠加了一个独有因素，35岁门槛。互联网大厂普遍将35岁作为隐性年龄红线，招聘端筛掉、晋升端卡住、优化时优先。这意味着企业不仅不培养新人，还在主动缩短存量人才的”可用年限”。35岁以上、未晋升到管理层的技术骨干被视为成本而非资产，但恰恰是这批人在承担隐性知识的传递。当他们被批量清出，组织坏账的兑现时间会比美国更早、更集中。

所以“撞墙”不会是一声巨响，而是分行业、分公司地陆续发生。

**坏账逼近的信号大致可以分为两个：一是，资深人才的外聘溢价持续创新高，且从AI赛道向普通岗位蔓延。而松动的信号则是：头部企业的初级岗位JD开始变形，从纯执行改成“AI协作加判断训练”的混合设计，培训预算同步回升。**出现第二个信号，说明有企业算明白了这笔账，开始重建生产线；在那之前，筛选模式还会继续加速。

对个人来说，最重要的推论只有一条：系统的自我修正以年为单位，你等不起。在一个只筛选、不培养的市场里，没有人再负责把你变成“已验证”，这件事从企业的成本表上，转移到了你自己头上。