一位毕业于全球顶级名校普林斯顿大学拥有化学工程博士学位的年轻人投出2300份简历至今找不到任何工作。这不是AI生成的虚拟故事和网络段子是《华尔街日报》发布的深度专栏。揭示了当下年轻人在AI全球经济下行双夹击中的职场困局。高学历不灵了根据《华尔街日报》报道主人公的名字叫Jack Weis来自美国盐湖城2024年从普林斯顿大学获得化学工程博士学位。普林斯顿大学是什么水平不需要过多介绍。美国八大常春藤名校之一在国际学术和综合声誉上是稳居全球前10的殿堂级名校。Jack Weis按照过去几十年传统职业路径这样的学历应当通向企业研发岗、国家实验室博士后或者更高阶的科研职位前途一片光明。Weis最初也确实沿着这条路线走但路越走越宽回音却越来越少。企业研发、博士后、软件工程他都试过。甚至还申请过犹他州当地初、高中的代课老师Whole Foods的理货员和收银员以及销售冷冻蟹饼。同样遭到拒绝理由是学历太高。Weis求职还有一段挺讽刺的经历他在打零工时接到了一份与AI相关的工作主要用自己的专业知识帮助训练AI模型。不是简单的数据标注需要专业判断的环节比如模型给出的技术内容是否准确、推导是否存在漏洞。他的专业知识终于在训练AI方面发挥了巨大价值。但模型训练完成后他就被无情抛弃AI反过来开始抢他的饭碗。这种亲手建造埋葬自己职场工具的感觉荒诞又真实也是当下高学历白领职场的主要就业痛点。这届年轻打工人格外难很多人第一眼看到这个故事容易归结为个人运气不好或者求职方式有问题。但如果把美国近期几份权威机构的研究放在一起看就能明白这不是单独一个人的困境是整个年轻人求职的大环境已经逐渐变凉。纽约联邦储备银行持续跟踪大学毕业生就业情况2026年第二季度数据显示应届毕业生失业率约为5.6%就业不足率升至42%。这两个数字衡量的是不同的问题。失业率关注的是没有工作、正在寻找工作的人就业不足率则反映已经就业、但所从事工作通常不要求大学学历的近期毕业生所占比例。也就是说有人不是没有工作而是干了与专业和预期不匹配的活。教育投资和专业能力没有被充分利用这种隐蔽的错位比单纯失业更值得警惕。那为什么高学历人才越来越多企业却没有提供足够多的理想岗位这是因为受AI和全球经济下行的影响企业招聘趋于谨慎当管理层对未来收入、成本和市场需求拿不准时即便不裁员也可能放缓招聘、延迟补员或者让现有员工承担更多工作。岗位没有全部消失但招聘活动不再活跃在职者感受不明显刚毕业的人却直接面对门缝收窄。求职者之间的竞争也在加剧理想岗位减少时原本只盯高竞争岗位的人开始向更广范围投递硕士博士挤进原本由本科生竞争的岗位。此外现在AI能自动化一部分基础工作。当企业发现一名有经验的员工配合AI就能完成过去几个人分担的任务自然会重新评估初级岗位的数量逐步减少招聘。AI正在抢走年轻人第一份工作上面那些不是猜想达拉斯联储在今年9月发布的研究报告刚好也印证了这个事实。研究人员调取德州公立高校毕业生的就业记录对比ChatGPT普及前后的变化发现那些日常工作更容易被AI自动化的专业毕业生的就业状态明显走弱。同样是毕业一年AI可替代任务占比高出10%的专业在当地稳定就业的概率会低1.7%顺利入职的这批人首年薪资相比其他群体也下滑接近5%。不少感受到压力的毕业生选择继续读研究生但单纯往上堆学历不调整自己的能力结构等到毕业还是会撞上一样的难题。斯坦福数字经济实验室的追踪数据又把这个趋势说得更具体。他们调取覆盖数百万打工人的薪资流水一直追踪到2026年6月。发现在AI容易介入的职业赛道里22到25岁年轻人的就业规模比低风险赛道同龄人的正常趋势少了19%。企业很少主动裁掉已经在岗的熟手只是关掉新人的招聘入口。老员工还在岗位上但是外面的毕业生挤不进来这与Weis的遭遇刚好形成呼应。把这几层放在一起看值得关注的不一定是失业本身是年轻打工人失去了积累经验的宝贵机会。过去刚毕业的工程师从基础编码开始分析师从整理数据开始研究人员从文献综述和实验辅助开始。这些工作不是企业最有价值的环节却是年轻人学业务、建立判断力、积累经验的重要路径。AI现在能接走其中一部分企业提高效率有充分理由。但长远看如果持续减少初级岗位又希望未来拥有足够多的资深工程师、分析师和研究人员人才从哪里来成熟的专业人员不可能凭空出现得在真实项目里犯错、纠正、学习慢慢长出来。新人连进门的机会都越来越少职业发展的起点就会变得更难未来会陷入人才断层的死循环中。我们该怎么办看到这里很多人会想问在这样的环境里企业到底想要什么样的求职者普通人又该怎么调整自己的方向。我觉得首先要放下一个固有认知学历背书只能证明你走完了一套教育流程没法直接向雇主证明你落地解决问题的本事。同样是应聘工程岗位光背熟课本原理远远不够最好能拿出自己处理真实约束、排查异常、验证方案的完整案例。一段可核验的项目记录说服力远强于一长串学校和课程名称。其次是学会和AI协作而不是把会调用工具当成自己的核心竞争力。现在谁都能让AI生成代码或者整理报告差距拉开的地方在于能不能定义清楚问题挑选合适的实现路径仔细核对输出内容里的漏洞并且为最终交付结果负责。同样借助AI有的人只是拿现成文本交差有的人能用它拆解业务痛点跑通完整的优化方案最后拿出可落地的结论这两者的市场价值天差地别。不要盲目丢掉自己原本深耕的专业最好的路线是把专业积累和AI能力绑在一起。就像Weis他的专业知识在AI校验环节找到了价值未来的需求会大量落在交叉地带。懂制造的人用AI优化产线懂金融的人用AI识别风险懂教育的人设计配套AI的学习方案这种能打通专业场景和工具的复合能力会成为职场核心竞争力之一。
-主动抛出异常与错误类型)
