AI 抢工作这件事，讨论最多的是"某个职业会不会消失"，但真正先被挤压的其实是另一群人：还没入行的年轻人。Meta 前 AI 业务负责人 Clara Shih 在一线亲眼看到了这件事——然后辞职创办了一个非营利组织，用 AI 解决 AI 带来的另一面问题：帮年轻人找到第一份工作。她提出的概念很扎心："从未被雇用的一代"。
一、先看她是谁
Clara Shih（史宗玮）在斯坦福学计算机，毕业时申请投行和咨询全部被拒，进了当时还不强势的 Google；2006 年加入 Salesforce 参与 AppExchange 早期建设，工作之余做了个把 Facebook 社交信息接入企业客户管理系统的产品，Salesforce 没采纳；2009 年离开与同学共同创办 Hearsay Systems，帮银行保险等监管严格的行业管理社媒客户沟通，收入做到约 7000 万美元；2021 年回 Salesforce 负责 AI 业务（Einstein、Agentforce），2024 年 11 月被 Meta 挖走从零组建企业 AI 团队。2025 年秋天 Meta 上线了可替商家卖货的"AI 员工" Business AI：直接读取品牌的社媒内容、广告、商品目录和网站信息自动学会卖什么、用什么语气说话，在 Facebook 和 Instagram 回答尺码价格评价、推荐产品、引导购买。她后来回忆，真正让她改变想法的是这些 AI Agent 从演示产品变成了真正能干活的"员工"——多项任务中已达到甚至超过团队里优秀员工的表现。她意识到企业使用 AI 的方式变了：过去买 AI 是让员工写邮件快一点，现在公司开始把一段完整的工作直接交给 AI。而一旦 AI 可以独立完成这些工作，企业需要招聘的人自然也会变化。
二、AI 还没拿走所有工作，先减少了一批"新人工作"
企业实际发生的变化往往没那么突然：公司用 AI 后可能仍需要市场经理，但不再需要那么多写初稿、整理资料、做基础内容的市场助理；仍需要会计师，但对账、录入、分析差异、生成第一版报告已可交给 AI；仍需要程序员，但写基础代码、修简单错误、生成测试用例的人更少了。职业没有消失，进入这个职业的第一层台阶却变窄了。数据也支撑这个判断：纽约联储数据显示，2025 年第三季度美国刚毕业大学生的"就业不足率"达 41.8%——相当一部分毕业生有工作，但岗位不需要大学学历或没充分使用专业能力。斯坦福数字经济实验室分析了数百万名美国员工的薪资记录：从 2022 年开始，软件开发、客服、行政文职等受 AI 影响较大的职业中，22-25 岁年轻人的就业人数下降约 13%；同类职业中年纪更大经验更多的员工就业基本稳定，部分还在增加。为什么第一份工作受冲击更大？AI 最容易处理的是规则清楚、可标准化、容易检查的工作——这些恰好是公司过去交给年轻人的工作：查资料、写初稿、做基础分析、整理表格、回复常见问题。年轻人原本通过这些任务熟悉行业，慢慢学会判断什么是好方案、客户真正关心什么；现在 AI 先把这些做掉了，企业保留了能检查结果、处理复杂问题、承担责任的资深员工，却减少了让新人练习的岗位。问题不只是少了一份工作：进不了职业入口，也就很难积累三年五年后企业愿意购买的经验。
三、三个产品回答三个问题
差不多同一时期，Clara 身边的侄子侄女和朋友的孩子们集中问她：现在该学什么？大学专业还有用吗？企业还愿不愿意招没经验的年轻人？其中一些人毕业于美国名校、实习和成绩都不差，但依然很难拿到正式工作。2025 年 11 月她卸任 Meta 企业 AI 负责人（继续任顾问），2026 年 4 月在 TIME100 峰会发布了非营利组织 New Work Foundation。她没有做传统的招聘网站，而是把年轻人找工作拆成三个具体问题：这个专业现在还能做什么？我的优势适合哪些岗位？企业现在究竟愿意招什么样的新人？围绕三问做了三个免费产品。
四、Field Report：专业与职业的地图
第一个产品 Field Report 可以理解成一张"专业与职业地图"：输入大学专业，系统列出可能进入的职业并比较几个实际数据——起薪大概多少、每年多少岗位空缺、市场竞争是否激烈、这个职业有多少工作内容容易受 AI 影响。目前覆盖美国 811 种职业、1920 个大学专业和 50 个州及华盛顿特区。例如法律专业学生打开系统，可以看到美国目前约 31500 个相关岗位、竞争不算高，但很多基础法律研究、文件整理、合同初审工作对 AI 的暴露程度很高。注意"AI 暴露程度"衡量的是这个职业里有多少任务可以被 AI 处理，不是失业概率——它的作用是提醒学生进一步判断：这个职业的新人工作正在发生什么变化、哪些能力会继续有价值。传统专业介绍只会说"读完会计做会计师"，Field Report 增加了三个正在快速变化的变量：企业实际还在招多少人、薪资如何、AI 正在处理其中哪些任务。
五、JobClaw：不先看简历，先找出你擅长什么
第二个产品 JobClaw 的切入点很聪明。大多数招聘网站靠简历关键词匹配——写过市场营销就继续推市场营销；但刚毕业的年轻人简历本来就没多少内容，一份空白简历很难说明一个人适合做什么。JobClaw 因此不要求上传简历，而是设计五个问题：想象五年后你非常喜欢自己的工作，那时每天在做什么？你有哪些真正擅长、却从没写进简历的事情？哪类问题会让你星期一也愿意来上班？即使工资很高，什么样的工作仍会让你痛苦？一年后发生什么变化会让你觉得自己真的向前走了一步？系统根据答案分析优势、兴趣和工作偏好，生成结构化的求职要求，还可限定城市、远程或线下、薪资、职级、签证支持。完整目标是让 AI Agent 去 LinkedIn、Indeed 等网站找岗位，同时指出候选人缺哪些技能、可以通过什么课程项目或志愿服务补上。要诚实地说：JobClaw 还处于早期开源原型阶段——公开网页版能完成五问和求职要求整理，但还不能独立跑完招聘网站搜索，需要安装兼容的浏览器 Agent 才能继续。但设计思路很有价值：企业用 AI 筛成千上万份简历、求职者靠 AI 批量投递，只会让双方陷入更严重的数量竞争；JobClaw 想把求职拉回"匹配"本身——一个人具体擅长什么、喜欢解决什么问题、哪些岗位更可能让这种优势发挥。
六、dear [CC]：直接问招聘负责人为什么不多招新人
第三个产品 dear [CC] 不是聊天机器人，而是围绕就业变化的内容和数据平台（CC 是 Clara 的昵称，名字借用美国著名读者来信栏目 Dear Abby）。每期聚焦一个职业：Clara 同时找两位人——一位正在做招聘决定的部门负责人，一位正在求职或刚入职场的年轻人。负责人解释哪些初级任务已交给 AI、现在筛新人关注什么；年轻人讲述投了多少简历、遇到什么困难、最后靠什么拿到工作。市场营销专题里的 Samantha Wen 很有代表性：2023 年毕业于伯克利、双专业、有特斯拉和华纳兄弟探索的实习、成绩不错——毕业后连续 11 个月每天申请约 10 份工作，始终没拿到正式录用。最后让她找到工作的不是增加投递量，而是开始重点展示自己在大学即兴喜剧社团积累的现场活动制作经验——一件她真正做过、能讲清楚所有细节、也能拿出结果证明的事。与她对谈的硅谷市场负责人透露：发一个岗位仅 LinkedIn 就收 4000 多份简历，不可能仔细读每份求职信，通常快速筛掉一部分再打开候选人的个人网站看有没有真实作品。所以 dear [CC] 给市场营销求职者的清单非常具体：有没有独立完成过一次活动或内容项目？是否真正管理过内容日历和项目进度？能不能举出一个用 AI 提高效率的例子？有没有作品集，而不只是写着"熟悉 ChatGPT"的简历？软件工程专题里 Datasaur 创始人 Ivan Lee（60 名员工、融资 800 万美元）提供了另一个角度：用 AI 编程工具后工程师效率提高约 40%，短期确实不需要招那么多人，但他仍坚持招一部分应届生——如果今天完全停止培养新人，几年后就没有人可以成长为高级工程师。真正的变化在招聘要求上：他不再阻止候选人在面试中用 AI，而是观察能不能判断 AI 写的代码是否可靠、能不能解释系统为什么这样设计、能不能把一个产品从想法做成可以运行的版本。
七、三个问题不只属于美国年轻人
把三个产品放在一起看逻辑很清楚：Field Report 解决方向问题，JobClaw 解决匹配问题，dear [CC] 解决招聘标准问题。它没有只给用户一份性格报告或推荐十门 AI 课程，而是把就业市场数据、个人优势、企业招聘决策和具体作品连接起来。当然它有明显局限：JobClaw 仍是原型、Field Report 主要靠美国数据、dear [CC] 覆盖职业不多，对国内求职者也解决不了国内岗位搜索。但它提出的三个问题并不只属于美国年轻人：一个专业对应的初级工作正在被 AI 改成什么样？岗位减少后企业更愿意把机会留给谁？除了学历和实习，年轻人还能拿出什么具体成果证明自己？微软和 LinkedIn 的调查显示，71% 的企业管理者更愿意招"经验较少但会使用 AI"的候选人，而不是"经验更多但不会使用 AI"的候选人。这里的"会使用 AI"已不只是会问几个问题——企业开始寻找能用 AI 完成一段完整工作的人：找到资料、判断信息、生成方案、检查结果、交付可用成果。这形成了一个看似矛盾的变化：AI 降低了完成初级任务的门槛，却提高了企业招聘新人的门槛。过去公司招年轻人看的是学习能力和潜力；现在仍然需要潜力，但还希望这个年轻人已经能带着 AI 独立完成过去需要几个人配合的工作。最后借原文的话收尾：如果你正处于职业空窗期，请一定不要质疑自己的能力。
我的总结：这个案例对内容创作者也有镜鉴价值——"作品比简历值钱"这件事在 AI 时代被放大了一百倍。年轻人怎么把自己变成赛道，看Dan Koe 的反利基方法论；能力组合的复利逻辑，参考超越 99% 的人的实践公式。