大模型进入职场后，一个明显变化是：很多过去需要新人花费数小时完成的基础工作，如今几分钟就能得到初稿。
写会议纪要、整理资料、生成代码、分析表格、制作方案框架、回复客户邮件，这些任务正在被快速压缩。企业因此提高了效率，新人也能更早交付看起来“像样”的成果。
但一个容易被忽视的问题正在出现：如果大模型接管了大量基础工作，新人将通过什么方式获得真正的专业能力？
效率提升解决了“如何更快完成任务”，却没有自动解决“人如何成长”。如果企业只看到前者，几年后可能会发现，组织拥有越来越多高质量的输出，却缺少能够独立判断、承担责任和处理复杂问题的人。
一、基础工作并不只是低价值劳动
很多人把整理材料、核对数据、修改文案、测试代码视为机械劳动，认为这些工作越早自动化越好。
从产出角度看，这种判断没有错。但从人才培养角度看，基础工作还有另一个功能：它让新人接触真实业务中的细节、限制和异常。
一名年轻分析师在反复核对数据时，会逐渐知道哪些指标容易失真；一名初级程序员在修复小问题时，会理解系统不同模块之间的依赖；一名新入行的律师在审阅合同时，会发现标准条款如何在具体交易中发生变化。
这些经验往往无法被完整写入培训手册。它们来自大量看似琐碎的接触、失败和修正。
如果大模型直接给出结果，而新人只负责复制、调整和提交，他可能完成了任务，却没有经历形成判断所必需的过程。工作时间被缩短了，学习链条也可能同时被截断。
二、“能交付”正在被误认为“已经掌握”
大模型最容易制造的一种错觉，是让初学者过早表现出熟练。
一个刚接触行业的人，可以借助模型写出结构完整的报告；一个编程经验有限的人，可以迅速生成可运行的代码；一个不熟悉营销的人，也能获得一套措辞成熟的传播方案。
这些成果降低了入门门槛，却也模糊了“借助工具完成”和“真正理解问题”之间的差别。
真正的专业能力，不只是得到一个答案，还包括识别问题是否定义正确、判断信息是否可靠、理解方案为何有效，以及在条件变化时重新作出选择。
当模型输出正确时，这种差别不明显；当模型遗漏关键条件、引用错误信息或给出不适用的建议时，差别才会暴露出来。没有经过系统训练的人，往往缺少发现错误的能力，却因为结果表达流畅而更加相信它。
因此，企业不能再仅凭交付物判断员工是否成长。一个人能够提交合格结果，不代表他能够解释结果、验证结果，更不代表他能为结果负责。
三、传统的师徒关系正在失去连接点
过去，新人与资深员工之间的交流，常常围绕具体工作展开。
新人先完成初稿，前辈指出问题；新人修改后再次提交，前辈解释判断依据。能力就是在这种反复反馈中逐渐形成的。
大模型加入后，初稿可能已经相当完整。资深员工看到的是经过模型润色的最终版本，很难知道新人最初如何思考，也无法发现他究竟在哪一步出现了认知偏差。
与此同时，资深员工可能因为“有工具辅助”而减少指导时间，新人也可能担心暴露不足，选择先向模型提问，而不是向同事请教。久而久之，人与人之间的专业传承被人与模型之间的即时问答替代。
模型可以解释知识，却无法完全替代组织内部的经验传递。它不知道某位客户为何对某种表达敏感，也不知道某项流程背后曾发生过怎样的事故，更难理解企业某些看似低效的规则为何存在。
这些隐性知识只有在人与人的协作中才能被继承。
四、企业可能迎来“中坚人才断层”
如果新人长期依赖大模型完成基础任务，却没有获得足够的判断训练，短期内不会立即造成明显损失。真正的问题可能在三到五年后出现。
届时，企业需要一批能够独立负责项目、带领团队、处理例外情况的中坚人员。然而，原本应该成长为骨干的一代人，可能拥有丰富的工具使用经验，却缺乏从头分析问题的能力。
这会形成一种特殊的人才断层：高层仍掌握经验，基层能够使用模型快速产出，但中间缺少能把战略转化为行动、把异常转化为判断的人。
更危险的是，企业可能继续用大模型掩盖这种缺口。没有合格负责人，就让系统生成计划；缺少专业判断，就增加自动检查；出现执行偏差，再叠加更多流程。
表面上，组织仍然能够运转；实际上，它对少数资深员工和外部模型的依赖越来越重。一旦遇到新问题、极端情况或责任争议，系统就会暴露出没有人真正理解全局的风险。
五、培养新人需要从“交任务”转向“展示思考”
大模型时代的人才培养，不应简单禁止使用工具。完全脱离大模型训练，也会让新人失去适应未来工作方式的机会。
更有效的做法，是改变任务设计和评价标准。
例如，提交市场分析时，不只要求最终报告，还要说明使用了哪些信息、排除了哪些信息，以及为何选择当前结论；提交代码时，不只检查能否运行，还要让新人解释关键结构、潜在故障和测试范围；提交客户方案时，可以要求同时列出模型建议中未被采纳的部分及原因。
这样做的目的不是增加形式，而是让思考过程重新变得可见。
管理者还可以有意识地保留一部分“无辅助任务”。这并不是为了考验记忆，而是为了判断员工是否具备基本的问题拆解能力。就像驾驶员可以使用导航，但仍应理解道路、方向和基本规则一样，专业人员可以使用模型，却不能失去独立定位问题的能力。
六、未来最重要的训练，是发现模型哪里不对
过去，培训强调如何做出正确答案；未来，还需要训练员工识别“看起来正确但实际上有问题”的答案。
这包括检查事实来源、寻找缺失条件、识别因果关系错误、判断方案适用边界，以及意识到哪些问题不应交给模型决定。
企业可以把真实但经过脱敏的错误案例纳入训练，让新人审查模型输出，而不是只让模型帮助新人完成工作。也可以故意提供包含冲突信息的任务，观察员工是否会主动核验，而不是接受最流畅的解释。
在这种模式下，大模型不只是生产工具，也成为训练材料。员工需要与它协作，但不能把判断权交给它。
一个能够指出模型错误的人，比一个只会生成漂亮结果的人更有长期价值。
七、管理者必须重新承担人才培养责任
如果企业把使用大模型简单理解为减少人数、缩短周期和提高人均产出，那么人才培养最容易被牺牲。
因为培养新人本来就慢，需要资深员工投入时间，也允许低效率和适度犯错。在只看短期指标的环境里，这些活动很容易被视为成本。
但企业必须认识到，大模型可以提供知识，却不会自动为组织培养接班人。它能够生成一份项目计划，却不会替企业建立责任感；能够解释管理方法，却不会替团队形成信任；能够模拟专家意见，却不会自然产生愿意承担后果的专业人员。
因此，管理者需要明确规定哪些任务用于交付，哪些任务同时用于学习；哪些环节可以完全自动化，哪些环节必须保留人工推理；资深员工的考核中，也应包含指导和培养责任，而不仅是个人产出。
结语
大模型正在让新人更快地完成工作，但“更快完成”与“更快成长”并不是同一件事。
真正值得警惕的，不是年轻人使用大模型，而是组织在享受效率提升的同时，取消了观察、练习、犯错、反馈和承担责任的机会。
未来优秀的企业，不会要求员工回到没有人工智能的工作方式，也不会把所有基础工作都交给模型。它们会重新设计成长路径，让新人既能借助工具提高效率，又必须展示自己的判断；既能获得模型的即时帮助，也能得到资深同事的真实反馈。
大模型可以缩短完成一项任务所需的时间，却无法替代一个人成为专业人士所必须经历的过程。
企业真正需要管理的，不只是人工智能如何工作，更是人在人工智能旁边如何继续成长。
