实习生的历史使命可能结束了

文 | 寻空的营销启示录

我有个做金融的朋友，他们公司过去每年都要招一两个实习生。今年，他们开了两个 ChatGPT Pro 会员，一个实习生也没再招，正式员工干得反而比以前轻松。

听到这个变化，我首先想到的是，那些原本有可能进去实习的大学生，大概不会知道这件事。他们只会觉得，今年找实习又难了一点。这种岗位变化，甚至不需要发生一次裁员，位置就在下一次招聘之前省掉了。

10月29日，我又看到一条京东的新闻。凤凰网科技援引大厂日爆称，京东财务 CFO 体系局部试点，把 AI 数字员工纳入 P3 职级，设置独立编制。

报道提到，部分 Agent 的工作表现和直属领导评价已经超过实习生。

一个是小团队不再招人，一个是大公司开始给数字员工定职级。它们让我产生了同一个疑问，实习生这个位置，还能保留多久？

要回答这个问题，得先看看实习生为什么存在。

01 从学徒到实习生

今天我们说的实习，有些是学校安排的课程，有些是学生自己寻找的工作机会，来路并不相同。但年轻人靠干活学会一门职业，这件事已经持续了很久。

中世纪的作坊里，一个十二三岁的男孩被送到师傅门下，签下契约，住进师傅家，做满七年。他不拿工资，师傅供吃住，教他手艺，最后他得做出一件合格的成品，才能成为帮工，再往后才有资格自己开作坊。

条件也很朴素，师傅得到一双便宜的手，学徒得到一门能吃饭的手艺，以及进入这个行当的资格。

但行会学徒制从来不是一所理想的学校。行会限制学徒名额，也限制开业人数，手艺是稀缺资源，稀缺本身就是议价的来源。七年里学徒做的很多活跟训练无关，只是作坊需要的杂务。

后来，学校承担了越来越多的教育职能，人们却发现，有些本领依然很难只靠上课学会。医学尤其如此，读懂一本教科书和面对一个真实病人，中间还隔着很远。

19世纪末至20世纪初，美国医院逐渐形成更系统的住院医师训练制度。医学院毕业生进入医院，在资深医生指导下参与查房、写病历和临床操作。这是从课堂学习走向独立行医的重要过渡。

1906年，辛辛那提大学的赫尔曼·施奈德把工程系学生送进工厂，上课和干活交替进行，合作教育从这里开始。

这些制度虽然不同，却都在解决同一个问题。课堂能教的知识，和真正能够独立工作之间，还有一段路需要有人带着走。

今天的办公室把这段路压缩得更短。

金融、广告、传媒这些行业里，新人通常从搜集资料、核对数据、整理会议记录、准备初稿开始。这些活的技术含量不高，但它们是新人理解业务的第一条通道，企业也借这些活观察一个人的学习速度、可靠程度和协作方式。

《穿普拉达的女王》里有一场很典型的训练。安迪刚进杂志社，对着两条看起来几乎一样的腰带笑了一下，米兰达当场把那两条腰带的区别讲给她听。

这场戏真正展现的，是一个职场新人如何逐渐理解自己原本看不见的专业标准。后来，安迪开始提前预判任务、理解工作节奏，靠的不是一份操作手册，而是在一次次具体任务中观察、犯错、接受反馈，再逐渐成长。

所以实习制度的核心，是同一份基础工作的双重身份。同一份活，对公司是一个交付任务，对新人则是一次学习机会。

AI 出现后，这套交换开始松动了。

02 AI先把一次招聘机会拿走

一个实习生进来，不是插上电就能干活。

得有人讲业务、拆任务、查结果。新人交上来的东西，往往还要反复修改。等他终于熟悉工作，实习期可能也快结束了。

如果任务足够标准化，有经验的员工把要求交给 AI，自己检查和修改，有时候比从头带一个新人更省事，关键是还省钱。

这样一来，公司对没有经验的初级员工的需求就会下降。

斯坦福数字经济实验室2026年8月的一项研究发现，AI正在影响年轻人的就业机会。在那些容易被AI影响的行业，22至25岁年轻人的就业水平，比按照此前趋势本应达到的水平低了约19%。

更值得注意的是，这种影响主要体现在企业减少招聘新人，而不是大规模裁掉老员工。

这项研究还不能证明所有差距都是 AI 造成的，但它至少提供了一个值得警惕的信号，AI对就业的影响，可能首先表现为年轻人更难获得入职机会。

对找工作的人来说，麻烦在于，企业要的经验，总得有地方获得。以前可以先进去做点基础工作，能力不够，边干边学。现在，公司可能希望你进来的第一天，就能独立处理一个任务。

不过，实习生会因此全部消失吗？也不能这么说，京东今年3月仍宣布开放超过一万个可留用实习机会。至少，大公司部署数字员工和保留实习招聘计划，是可以同时发生的。

企业还要选人、储备人才，也有工作需要真人参与。

实习的内容会变化，让新人带着 AI 工作，已经是一种必然选择，但这就引出了一个比实习机会减少更值得担心的问题。如果新人从一开始就依赖 AI，他真的能学会工作吗？

03 会用 AI，离会工作还有距离

美国高校与雇主协会 NACE 的2026年春季调查中，159名回答相关问题的雇主里，57.8%表示会给实习生安排需要使用 AI 工具和技能的项目。对这些企业来说，会用 AI 已经成了实习的一部分。

让新人使用 AI，本身没什么可反对的。问题是，他还没有形成工作方法和体系，就先有了一个随时给答案的助手。

比如做行业报告。AI 可以很快给出市场规模、竞争格局和发展趋势，连最后的建议都准备好了。一个有经验的人看到报告，可能会先查两个数据是不是同一个统计口径，所谓市场增长究竟来自销量增加，还是价格上涨。

新人未必会想到这些，他看到的是结构完整，逻辑也顺，似乎没有什么需要修改。

如果主管问，为什么选这几个竞品，换一组数据结论还成立吗，有什么情况会让你放弃这个建议，他可能才意识到，自己没有认真想过。

报告交得出来，形成报告所需要的判断还没有建立。

我说的工作体系，就是这些东西。接到模糊任务，知道先问什么；读到矛盾的信息，知道去哪里核实；几个方案都说得通，知道该根据什么取舍。这些标准也需要不断修正，但总得先有一套自己的。

《庄子·养生主》里的庖丁，刚开始解牛时，眼前是一整头牛。三年之后，他已经能看出其中的结构。即使后来技艺娴熟，遇到筋骨交错、难以下刀的地方，他仍会警惕，放慢动作。

他连什么时候该慢下来，都已经有了判断。

专业经验里很重要的一部分，也是如此。

别人觉得流畅的报告，你知道某一页必须停下来再查；别人觉得合理的方案，你知道其中某个假设可能有问题。

这种能力来自一次次接触问题、作出选择，再看到选择的后果。如果工作过程一直被省略，只接收最后的答案，就少了很多建立判断力的机会。

所以，完成一项工作，和学会完成这项工作，是两回事。

2026年1月，Anthropic 公布了一项实验，招募52名主要为初级的软件工程师，学习一个不熟悉的编程工具。后续测验中，AI 辅助组平均得分50%，手写代码组67%，差距最大的是发现和诊断错误的能力。

这只是小样本、短期、特定任务的实验，但它提醒我们，借助 AI 完成任务，并不保证相关知识也被学会了。

这也是老员工使用 AI 和新人使用 AI 的一个重要区别。

老员工已经有了自己的工作体系。AI给出十个方案，他知道哪些好、哪些不好，也知道该从什么角度修改，AI是在放大他原有的能力。

但新人可能连判断好坏的标准都没有。AI给出的东西好，他觉得好；AI给出的东西有问题，他也未必看得出来。

AI看似帮他完成了工作，却可能掩盖了他尚未形成的能力。

前者是在用 AI 提高自己的工作上限，后者却可能在不知不觉中跳过建立工作能力的过程。

结语

我觉得，实习生不会这么快退出历史。但企业过去一边完成工作、一边培养新人的办法，确实会重新考虑了。

以前，培养人的成本散落在日常工作里。主管改一份初稿，多解释几句；项目结束，带着新人看看实际效果。新人的经验在这个过程中积累。

现在，AI 把交付提速了，对于公司来说，越是能直接买到成果，培养一个人的成本就越明显。

对年轻人来说，一段实习的价值也可能重新分化。有的岗位只是让你带着 AI 赶任务，有的岗位会有人追问你的依据，带你看结果，允许你犯一次错，再把事情做对。

两份简历都能增加一行，几年后却可能走向不同的地方。

以前找实习，人们很在意能不能进入一家有名的公司。以后还得多问一句，进去之后，究竟有没有人愿意教你。

当 AI 工具越来越容易获得，真正拉开成长差距的，是接触真实问题、获得具体指导的机会。