Anak Tangga Pertama yang Patah: Bagaimana AI Menghakis Cara Pekerja Junior Belajar Menjadi Pakar

Oleh Victor Hoang · Dikemas kini 22 September 2026

"Anak tangga pertama yang patah" menggambarkan apa yang berlaku apabila AI menyerap kerja penyelidikan draf pertama, kod rutin, analisis asas dan peringkasan yang dahulu dilakukan oleh pekerja peringkat permulaan. Kerja itu bukan sekadar output murah untuk diserahkan. Ia cara pekerja junior membina pertimbangan, melalui pengulangan, pembetulan dan pendedahan kepada cara orang berpengalaman berfikir. Apabila AI menghapuskan latihan itu, ia bukan sekadar mengecilkan satu garis pengambilan pekerja, ia menghapuskan mekanisme latihan yang belum diganti oleh sesiapa.

Ini bukan cerita yang sudah selesai. Data pengambilan pekerja peringkat permulaan benar-benar dipertikaikan, dan bacaan yang adil mesti memegang dua perkara serentak: sesuatu yang nyata sedang berlaku kepada pekerja muda dalam peranan yang terdedah kepada AI, dan gambarannya lebih kusut dan lebih tertumpu daripada yang disarankan oleh tajuk berita "pekerjaan peringkat permulaan sedang lenyap."

Apa yang Sebenarnya Diajar oleh Kerja Asas

Selama beberapa dekad, dua tahun pertama dalam kerja pengetahuan berfungsi seperti perantisan yang tidak glamor. Seorang penganalisis junior membina draf pertama sebuah model supaya penganalisis kanan dapat membetulkannya, dan pembetulan itulah pelajarannya. Seorang rakan sekutu tahun pertama meringkaskan undang-undang kes supaya seorang rakan kongsi dapat memberitahu apa yang terlepas pandang, dan jurang antara ringkasan dengan bacaan rakan kongsi itulah pendidikannya. Seorang jurutera junior menulis kod boilerplate dan menjalankan ujian unit, bukan kerana pangkalan kod memerlukannya, tetapi kerana menulis kod yang buruk lalu disemak ialah cara jurutera belajar menulis kod yang baik.

Tiada satu pun daripada ini kelihatan seperti latihan pada carta organisasi. Ia kelihatan seperti kerja pusat kos: tenaga murah melakukan tugas yang tiada pegawai kanan mahu lakukan. Tetapi outputnya hanyalah kesan sampingan. Produk sebenarnya ialah seorang junior yang, lapan belas bulan kemudian, telah menyerap beribu-ribu pembetulan kecil menjadi sesuatu yang lebih hampir kepada gerak hati. Ahli ekonomi menyebutnya tacit knowledge: pengetahuan amali yang tidak dapat ditulis sepenuhnya, hanya diperoleh dengan melakukan tugas itu cukup kerap dengan kurang sempurna sehingga corak dapat dikesan. Ahli ekonomi MIT David Autor dan Neil Thompson, dalam kertas 2025 mereka tentang kepakaran, membina rangka kerja tentang perkara ini: kesan automasi bergantung pada sama ada ia menghapuskan tugas rutin yang membina kepakaran atau tugas khusus yang menggunakannya, dan keduanya mempunyai kesan bertentangan terhadap gaji dan bilangan pekerja.

Ejen AI dan AI copilot kini melakukan sebahagian besar kerja rutin yang menjana pembetulan itu secara langsung, menyusun memo, menulis boilerplate, meringkaskan transkrip, menandakan ralat yang jelas, sebelum seorang manusia melihat draf kasar. Itu peningkatan keupayaan yang tulen. Ia juga, secara tidak sengaja, penghapusan mekanisme tepat yang dahulu mengubah seorang berumur 22 tahun menjadi seorang berumur 30 tahun yang boleh dipercayai dengan keputusan berasaskan pertimbangan.

Adakah Pengambilan Pekerja Peringkat Permulaan Benar-Benar Runtuh? Apa yang Ditunjukkan Bukti

Tiga sumber data bebas menunjuk ke arah yang sama, walaupun tidak pada magnitud yang sama, dan penting untuk tepat tentang apa yang diukur oleh setiap satu.

Laporan State of Talent 2026 oleh SignalFire, yang dibina daripada data pengambilan pekerja di ribuan syarikat teknologi berpembiayaan modal teroka dan syarikat besar, mendapati pengambilan pekerja peringkat permulaan dan siswazah baharu di majikan teknologi besar menurun kira-kira 65% berbanding 2019, dan sekitar 76% di syarikat permulaan peringkat awal. Laporan itu menamakan mekanismenya secara langsung: dua belas hingga lapan belas bulan yang dahulu dihabiskan oleh jurutera junior untuk "writing boilerplate code, running unit tests, and performing routine debugging" kini dikendalikan oleh pembantu pengekodan, jadi syarikat berhenti mengambil pekerja untuk tugas itu dan bukan untuk orangnya.

Bukti akademik yang lebih ketat datang daripada Digital Economy Lab Stanford. Dalam analisis Ogos 2026 yang menggunakan data gaji ADP meliputi berjuta-juta pekerja, ahli ekonomi Erik Brynjolfsson, Bharat Chandar dan Ruyu Chen mendapati bahawa pekerjaan dalam kalangan pekerja berumur 22 hingga 25 tahun dalam pekerjaan yang sangat terdedah kepada AI berada kira-kira 19% di bawah paras yang sepatutnya jika ia mengikut pekerjaan pekerja sebaya dalam pekerjaan yang kurang terdedah. Jurang itu telah melebar, daripada 15% pada Julai 2025 kepada 19% setahun kemudian, tanda bahawa ini kelihatan sebagai aliran yang memecut dan bukan pembetulan sekali sahaja.

Apa yang Tidak Ditunjukkan oleh Data

Jika dibaca dengan teliti, kertas Stanford itu lebih tepat, dan lebih terhad, daripada tajuk berita mengenainya. Penyelidik jelas bahawa mereka tidak menemui bukti "widespread, economy-wide job displacement associated with AI." Kesannya tertumpu pada pekerjaan tertentu yang sangat terdedah kepada AI, antaranya pembangunan perisian dan sokongan pelanggan, bukan merentasi pasaran buruh secara umum. Mekanismenya ialah pengurangan pengambilan pekerja muda, bukan gelombang pemberhentian. Pekerja yang lebih tua dan berpengalaman dalam pekerjaan yang sama tidak melihat penurunan yang sama, dan di mana AI melengkapi dan bukan menggantikan tugas manusia, pekerjaan dalam kalangan pekerja muda mendatar atau malah meningkat.

Kepimpinan LinkedIn telah menandakan corak yang sama dari sudut lain. Dalam artikel pendapat New York Times pada Mei 2025 yang banyak dibincangkan, ketua pegawai peluang ekonomi LinkedIn, Aneesh Raman, menulis bahawa beliau melihat "the bottom rung of the career ladder breaking," merujuk kepada pengekod junior yang kerja penyahpepijatnya telah berpindah ke alat AI dan paralegal tahun pertama yang menyaksikan semakan dokumen beralih ke aliran kerja dibantu AI. Data tenaga kerja LinkedIn sendiri menunjukkan pengambilan pekerja keseluruhan masih berjalan lebih 20% di bawah paras Disember 2019, pasaran buruh yang lebih perlahan secara umum yang menyukarkan pengasingan kesan khusus AI daripada kelembapan makroekonomi biasa. Sebahagian daripada apa yang kelihatan sebagai cerita AI juga cerita pembekuan pengambilan, dan mengurai kedua-duanya dengan bersih masih soalan terbuka.

Ringkasan yang jujur: sesuatu yang khusus dan nyata sedang berlaku kepada pengambilan pekerja muda dalam set peranan terdedah AI yang tertentu, aliran itu kelihatan sedang melebar dan bukan stabil, dan ia belum menjadi keruntuhan menyeluruh merentasi pasaran buruh. Rancang untuk dakwaan pertama. Kekal skeptikal terhadap yang kedua.

Masalah Pemindahan Tacit Knowledge

Walaupun angka pengambilan pekerja stabil, masalah kedua yang lebih senyap kekal: apa yang berlaku kepada kualiti pekerjaan peringkat permulaan yang masih ada, apabila tugas di dalamnya telah dikosongkan.

Ahli falsafah Michael Polanyi menggambarkannya sebagai "we can know more than we can tell." Pertimbangan mahir sering mustahil diungkapkan sepenuhnya sebagai peraturan. Seorang underwriter kanan boleh melihat fail pinjaman dan merasakan ada yang tidak kena sebelum dapat menerangkan sebabnya. Seorang rakan kongsi boleh membaca memo seorang junior dan tahu ia nipis sebelum dapat menunjukkan hujah yang hilang. Gerak hati itu ialah baki termampat daripada beribu-ribu pembetulan terdahulu, kebanyakannya dilupakan sebagai ingatan eksplisit dan hanya dikekalkan sebagai pengecaman corak. Anda tidak boleh memuat turun baki itu. Anda mengumpulnya, melalui tugas yang khusus dan membosankan yang kini dilakukan AI dengan lebih pantas dan lebih baik.

Itu mewujudkan masalah reka bentuk yang nyata, bukan sekadar masalah pengambilan pekerja. Seorang junior yang masih diambil tetapi seluruh tugasnya menyemak dan meluluskan draf yang dijana AI, tanpa pernah menghasilkan draf pertama yang buruk sendiri, terlepas langkah di mana pembetulan diserap. Menyemak kerja orang lain mengajar anda mengesan ralat. Ia mengajar jauh kurang tentang penaakulan yang mengelakkan ralat itu sejak awal, jenis yang hanya dibina dengan bergelut menyelesaikan tugas itu sendiri. Ini satu sebab reka bentuk onboarding perlu dibina semula dengan sengaja sekarang: lalai lama, serahkan kerja asas dan mereka akan mencari jalan sendiri, tidak bertahan apabila tiada lagi kerja asas untuk diagihkan.

Apa yang Dahulu Dipelajari Junior, Apa yang Kini Dilakukan AI, dan Cara Menggantikannya

Corak merentasi setiap baris adalah sama: pembelajaran tidak pernah terletak pada penghasilan artifak. Ia terletak pada jurang antara percubaan pertama seorang junior dengan pembetulan seorang pakar. Jika AI menutup jurang itu dengan melakukan percubaan pertama sendiri, pembaikannya ialah membukanya semula dengan sengaja, sebagai latihan yang direka bentuk dan bukan kesan sampingan tidak sengaja daripada menugaskan kerja murah.

Masalah Saluran Kanan: Apa yang Berlaku dalam Lima hingga Sepuluh Tahun

Ini bahagian yang dilangkau oleh kebanyakan liputan AI dan pekerjaan, kerana ia ramalan dan bukan pengukuran, dan ramalan layak mendapat lebih banyak kehati-hatian daripada yang diberikan tajuk berita. Tetapi mekanismenya cukup jelas: jurutera, penganalisis dan rakan sekutu kanan hari ini kebanyakannya dilatih oleh kerja asas peringkat permulaan semalam. Jika kerja asas itu benar-benar telah menipis bagi kohort yang diambil dari 2024 hingga 2026, orang yang sepatutnya menjadi pemegang pertimbangan pada awal 2030-an tidak mengumpul latihan yang dahulu menghasilkan mereka.

Laporan SignalFire menamakan ini secara langsung, menyebutnya "systemic risk" yang timbul "when an entire industry stops investing in early-career talent," dan memberi amaran tentang kemungkinan jurang kepimpinan lima hingga sepuluh tahun lagi. Itu dakwaan daripada firma modal teroka yang mempunyai insentif sendiri untuk mengekalkan syarikat portfolionya mengambil bakat junior, jadi anggaplah ia hipotesis, bukan fakta. Tetapi logik asasnya tidak bergantung pada siapa yang menuturkannya: kepakaran memerlukan bertahun-tahun untuk dibina, masa itu kini tidak diambil kira apabila tugas yang membinanya diautomasikan, dan tiada mekanisme pengganti yang terbukti beroperasi pada skala lagi. Organisasi yang mengosongkan saluran juniornya selama tiga tahun berturut-turut tanpa menggantikan gelung pembelajaran dengan sengaja sedang membuat pertaruhan ke atas tenaga simpanan 2032 yang mungkin belum dinilainya. Logik yang sama menjelaskan mengapa strategi bakat AI kini mesti merangkumi keputusan bina-berbanding-beli yang sebenar terhadap kepakaran itu sendiri, bukan sekadar pengiraan bilangan pekerja: beli bakat kanan daripada kumpulan yang mengecil, atau bina secara dalaman dengan perantisan yang direka bentuk semula. Apa yang terhutang oleh syarikat kepada junior yang diambilnya, memandangkan perjanjian latihan-secara-kebetulan yang lama tidak lagi berlaku, ialah tepat jenis soalan yang diminta oleh kontrak sosial AI di tempat kerja untuk dijawab oleh majikan dengan jujur dan bukan secara lalai.

Bolehkah AI Turut Memindahkan Tacit Knowledge? Bukti Balas

Gambaran ini bukan sepenuhnya penolakan, dan artikel yang adil mesti mengatakannya. Ada bukti nyata bahawa, apabila digunakan dengan cara tertentu, AI boleh memendekkan jarak antara pemula dengan pakar dan bukan sekadar menghapuskan latihan pemula.

Contoh paling jelas ialah kajian berskala besar oleh ahli ekonomi Erik Brynjolfsson, Danielle Li dan Lindsey Raymond, yang diterbitkan dalam Quarterly Journal of Economics, terhadap lebih 5,000 ejen sokongan pelanggan yang diberikan pembantu AI generatif. Produktiviti purata meningkat 14%, tetapi keuntungannya tidak sekata: ejen pemula dan berkemahiran lebih rendah bertambah baik sebanyak 34%, manakala yang paling berpengalaman hampir tidak berubah. Penjelasannya penting: alat itu telah mempelajari corak ejen terbaik syarikat dan memaparkan kepakaran yang disuling itu kepada semua orang lain secara masa nyata, berfungsi kurang seperti jalan pintas mengelak lengkung pembelajaran dan lebih seperti jurulatih yang berdiri di belakang bahu seorang pemula.

Perbezaan itu, AI sebagai mekanisme pemindahan pengetahuan berbanding AI sebagai mekanisme penghapusan tugas, kebanyakannya pilihan reka bentuk, bukan fakta tentang teknologi itu. Alat yang memaparkan "inilah cara pelaku terbaik akan menyatakan ini" mengajar. Alat yang hanya menjawab pelanggan secara langsung tidak. Kebanyakan syarikat memilih pilihan kedua yang lebih pantas itu secara lalai kerana ia yang muncul dalam metrik produktiviti suku tahun depan. David Autor mengemukakan hujah berkaitan yang lebih optimistik dalam kertas NBER 2024 beliau, berhujah bahawa peluang sebenar AI ialah memanjangkan sokongan keputusan peringkat pakar kepada pekerja tanpa kelayakan formal, dalam bidang perubatan, undang-undang dan kemahiran teknikal, secara berkesan mendemokrasikan satu versi kepakaran yang dahulu memerlukan bertahun-tahun perantisan untuk diraih. Beliau membingkaikannya sebagai apa yang mungkin, bukan ramalan tentang apa yang akan dipilih syarikat untuk dibina.

Apa yang Sebenarnya Boleh Dilakukan Pemimpin

Tiada satu pun pembaikan di bawah luar biasa. Ia pengganti yang disengajakan untuk mekanisme pembelajaran yang dahulu berlaku secara automatik sebagai kesan sampingan tenaga manusia yang mahal, dan kini mesti direka bentuk dengan sengaja.

Anggap Latihan Sengaja sebagai Item Baris, Bukan Kemewahan

Penyelidikan ahli psikologi Anders Ericsson tentang kepakaran mendapati bahawa jam mentah di tempat kerja tidak membina kemahiran; latihan berstruktur dengan maklum balas pantas dan khusus yang membinanya. Sebelum AI, kerja asas junior menyampaikan kedua-duanya secara kebetulan. Kini pemimpin perlu membina semula latihan itu dengan sengaja: beri junior tugas yang boleh dilakukan AI, biarkan mereka mencubanya tanpa bantuan dahulu, kemudian bandingkan. Ia memerlukan masa yang dahulu percuma. Bajetkan seperti mana-mana pelaburan keupayaan lain, kerana ia memang satu.

Jadikan Semakan Output AI sebagai Latihan Pembelajaran, Bukan Sekadar Pintu QA

Kebanyakan syarikat sudah meminta junior menyemak draf yang dijana AI sebelum dihantar. Hanya sedikit yang menganggap semakan itu sebagai bersifat pengajaran. Pembaikannya bersifat prosedur: minta junior menulis, dengan kata-kata sendiri, apa yang akan diubah dan sebabnya, sebelum penyemak berpengalaman memberi pandangan, kemudian bandingkan kedua-duanya. Perbezaan itulah pelajarannya, pelajaran yang sama yang dahulu diajar oleh suntingan pen merah, cuma dipindahkan. Alat aliran kerja yang merekod siapa menyemak apa dan mengapa menjadikan ini rekod latihan yang boleh dicari dan bukan utas Slack yang hilang, dan ia turut menjadi pertahanan terhadap output tanpa semakan dan tanpa asas yang kemudian muncul sebagai workslop.

Gilirkan Junior Merentasi Tugas dan Bukan Satu Baris Gilir

Apabila seluruh tugas seorang junior menjadi menyelia satu aliran kerja AI, mereka mendapat kedalaman dalam gelung sempit dan tiada pendedahan kepada keputusan pertimbangan bersebelahan yang dahulu diberikan secara percuma oleh pekerjaan yang lebih kusut dan kurang diautomasikan. Giliran yang disengajakan, tiga bulan pada sokongan penyelidikan, tiga pada semakan analisis, tiga mengiringi panggilan pelanggan, membina semula keluasan itu dengan sengaja.

Reka Bentuk Semula Bimbingan di Sekitar Penjelasan, Bukan Penugasan

Model bimbingan lama selalunya berjalan atas kedekatan: seorang junior duduk berhampiran seorang pegawai kanan, memerhati mereka bekerja, dan menyerap norma secara pasif. Kerja jarak jauh dan yang semakin diperantarai AI telah menipiskan saluran itu, terutamanya apabila lebih banyak pasukan beroperasi sebagai pasukan manusia-ejen dalam apa yang sesetengah pihak panggil frontier firm. Pembaikannya ialah menjadikan bimbingan satu tindakan eksplisit menceritakan pertimbangan: pegawai kanan membawa junior melalui sebab mereka mengatasi cadangan AI, bukan sekadar bahawa mereka berbuat demikian. Ini hanya berkesan di mana pekerja junior berasa selamat mengakui kekeliruan di hadapan pegawai kanan, soal keselamatan psikologi sama seperti soal latihan, dan di mana kesilapan dianggap sebagai maklumat, perbezaan antara budaya menyalahkan dan budaya pembelajaran.

Tiada satu pun daripada ini memerlukan penerimaan AI diperlahankan. Ia memerlukan penerimaan bahawa perantisan lama berjalan atas kesan sampingan ketidakcekapan, dan sebaik sahaja ketidakcekapan itu hilang, perantisan mesti dibina semula sebagai sistem tersendiri yang disengajakan, dalam apa jua pelan pengurusan perubahan AI yang sudah melancarkan aliran kerja agentik dan budaya AI-native yang lebih luas merentasi organisasi. Langkau langkah itu dan jurang tidak akan mengumumkan dirinya. Ia hanya senyap-senyap bertambah menjadi hutang budaya AI yang muncul bertahun-tahun kemudian, dalam tenaga simpanan kepimpinan yang tidak ada.

Fakta Utama

• Pengambilan pekerja peringkat permulaan dan siswazah baharu di syarikat teknologi besar menurun kira-kira 65% berbanding 2019, dan sekitar 76% di syarikat permulaan peringkat awal. Sumber: SignalFire State of Talent Report, 2026
• Pekerjaan bagi pekerja berumur 22-25 tahun dalam pekerjaan yang sangat terdedah kepada AI berada kira-kira 19% di bawah paras yang sepatutnya, meningkat daripada jurang 15% setahun sebelumnya, didorong oleh pengurangan pengambilan pekerja dan bukan peningkatan pemberhentian. Sumber: Stanford Digital Economy Lab, "Canaries in the Coal Mine," Ogos 2026
• Pengambilan pekerja keseluruhan di A.S. kekal lebih 20% di bawah paras Disember 2019, latar belakang pasaran buruh yang lebih luas yang merumitkan pengasingan kesan khusus AI. Sumber: LinkedIn Economic Graph Workforce Report, Januari 2026
• Akses kepada pembantu AI generatif meningkatkan produktiviti ejen sokongan pelanggan sebanyak 14% secara purata, dan 34% bagi ejen pemula, dengan memaparkan corak prestasi terbaik. Sumber: Brynjolfsson, Li, dan Raymond, "Generative AI at Work," NBER / Quarterly Journal of Economics
• Kesan AI terhadap kepakaran bergantung pada sama ada ia mengautomasikan tugas rutin yang membina pertimbangan atau tugas khusus yang menggunakannya, dengan kesan bertentangan terhadap gaji dan pekerjaan. Sumber: Autor dan Thompson, "Expertise," NBER, 2025