这是一个"生成"远快于"理解"的时代

简历越做越精美

工作却越来越难找

几乎人人都在用AI

却很少有人真正用好AI

8月24日晚

SKEMA中国校区学术校长、

SKEMA全球工商管理博士项目（DBA）主任

窦文宇教授

在视频号直播平台带来商业新知系列讲座

"AI快进键下：该如何学习才能立于不败？"

这是SKEMA DBA"商业新知"系列的又一场直播。一个多小时里，窦教授没有停留在"AI会不会取代人"的宏大叙事，而是把镜头对准了一个更具体、也更棘手的问题：当技术把"做出东西"的门槛一路降低，学习本身该如何重新定价？

他以斯坦福、PwC、Anthropic、Microsoft的最新研究数据为骨架，以自己在教学与内容实践中的一手观察为血肉，给出了一套可执行的AI时代学习方法论。

「商业新知」是SKEMA全球工商管理博士（Global DBA）项目的品牌直播系列。 它的选题始终对准商业世界正在发生、却尚未定论的变化——AI与就业结构的重构、爆款内容的生成逻辑、技术与组织的重新分工。把最前沿的议题在第一时间带进公开课堂，这也正是SKEMA DBA一贯的教学立场：博士教育不该滞后于产业现场半步，真正有价值的研究问题，永远诞生在实践正在发生的地方。

——入门岗位去哪了？

讲座一开场，窦教授展示了一张他用Claude Code生成的图：一位大学毕业生手握学位证书走向职场，面前却关着一扇玻璃门。门里灯火通明，工位、咖啡、同事一切如常；门外的人贴着玻璃，看得见，却进不去。

"There's a glass door closed in front of you."

他直言，入门岗位正在快速消失。斯坦福数字经济实验室2026年8月发布的研究《Canaries in the Coal Mine?》显示，在AI高暴露职业中，22—25岁的应届生就业率已明显落后于同岗位的年长员工，就业缺口达19%。

"AI为什么让入门岗位变少？"第一个互动问题抛出，评论区瞬间沸腾。

窦教授揭晓了背后的核心机制——不是"裁员"，是"少招"。

这是一个容易被误读的区别。数据显示，在职员工并没有被大规模替代，企业真正做的是减少对无经验新人的招聘，同时向老员工要得更多。换句话说，冲击不是以"辞退"的形式发生的，而是以"入口悄悄关上"的形式发生的——它没有新闻，没有公告，只有一届又一届投出去却没有回音的简历。

知识类型，是这道分水岭的真正成因。

窦教授指出，AI大量替代的是规则清晰、可被快速复制的"程式化知识"工作——整理数据、套用模板、生成初稿，而这恰恰是绝大多数入门岗位的工作内容。相反，依赖经验积累、现场判断与人际协调的"隐性知识"岗位很难被取代，而这类岗位天然属于老员工。

于是形成了一个残酷的结构：AI替代掉的，正好是新人用来积累经验的那一段路。 企业不再愿意为"从不会到会"的过程付费，等于把职业生涯早期的学徒成本，从组织侧转嫁到了个人侧。

——人人都在用AI，为什么入口反而更窄？

找不到工作，是因为不会用AI吗？窦教授给出的答案恰恰相反。

《光明日报》2026年7月对近2000名中国本科生的调研显示，99.18%的学生几乎都在使用AI工具完成学业。使用率已经逼近天花板，几乎不存在"会不会用"的差距。

与此同时，PwC《2026全球AI就业晴雨表》发现，52%的技能正在发生位移——超过半数原本属于高级岗位的技能要求，如今已经下沉，成为入门岗位的门槛。

两组数字叠在一起，构成了这场讲座最尖锐的一个悖论：工具的普及率在上升，入口的通过率却在下降。

问题出在哪？窦教授点出一个关键区分：

AI给你的是信息，不是知识。如果这些信息不在你的认知网络之内，它就永远不会变成你的知识。

他打了两个比方。会按计算器，不等于懂运算原理——你能得到答案，却无法判断答案是否荒谬；全程依赖导航的人，跑了一百趟同一个城市，脑中依然没有这片区域的心智地图——一旦信号中断，他寸步难行。

AI正在制造大量这样的"计算器使用者"和"导航依赖者"：输出看起来完整、专业、无可指摘，但输出者本人并不真正拥有这份能力。

由此，窦教授给出了一个值得所有人重读的判断：

会用AI的人从不稀缺；能用AI做出比别人更好结果的人，才是企业愿意招聘的对象。

这背后其实是一个朴素的商业逻辑：当一种能力的供给逼近100%，它就不再是能力，而是基础设施。 稀缺性必然从"是否会用"，迁移到"用得多好"——从产出能力，迁移到判断能力。

——每个人都该历练一场AI Boot Camp

那么，差距究竟在哪里拉开？

窦教授的观察是：虽然近乎100%的大学生都在用AI，但真正用的精的可能不超过20%，大部分人浅尝辄止——注册了账号，问过几个问题，然后停在了"能用"这一层。

他的第一条建议是：为自己创办一场AI Boot Camp。

像新生军训一样的高强度AI技能集训，密集试用不同的AI模型，形成对各家模型脾性、边界与适用场景的手感。提示词工程是基本入门，但不应止步于此——真正的进阶路径是把它内化为自己的知识产权：从个人提示词，到可复用的工作流，再到建立自己的 skill，最终沉淀为自己的IP。

而比提示词更重要的一件事，是校准（calibration）。

Anthropic 2026年2月发布的AI Fluency Index指出：AI实战能力真正的短板，不在于提示词技巧，而在于对AI产出的质量、适配度及边界的判断。 学会多轮次引导AI、不断校准方向，才能抵达正确的目的地。

窦教授对此有一句很形象的补充：

这句话值得每一位内容创作者、方案撰写者反复咀嚼。AI的默认输出，本质上是训练数据的统计中位数。你不施加判断，它就把你推向平均；而平均，恰恰是竞争中最没有价值的位置。

提示词决定AI能不能听懂你；校准决定你能不能听出AI哪里不对。前者是技巧，后者是判断力——只有后者，是别人拿不走的。

窦教授把人与AI的关系浓缩成一句话：AI是教练，不是代驾。

他引用了一项发表在PNAS上的土耳其中学生AI辅助学习及对照组实验：在无引导地使用AI练习时，学生成绩提升了48%；可当AI被撤走后，考试成绩反而比对照组下降了17%。

"先甜后苦"的曲线，是这场讲座最有警示意味的一组数据。它说明AI在无引导使用时提供的很可能是一种认知代偿：它替你完成了那些本该由你完成、并在完成过程中形成能力的动作。过程被跳过了，结果却看起来更好——直到支撑被撤走的那一刻。

地基不牢，AI难扶。学科基础一旦空心化，AI只能优化表达，却填补不了认知理解的底层缺口。

那么正确的分工是什么？窦教授的答案很清晰：让AI承担陪练、提速的角色，自己始终是那个做判断、担责任的主攻手。

他进一步给出了一条可操作的落地路径：在一门课程的学习中，如果学员基础扎实、学习状态良好，完全可以借助AI tutoring加速完成对主要概念与工具的覆盖，从而尽快进入以real project为目标的实战学习。

这也引出了窦教授的第二条建议——加速整体学习。

传统的学习路径是线性的：从定义学起，一点点铺垫，学完才敢做项目。在人人都走同一条路、且这条路已被AI大幅压缩的今天，这种节奏已经不再有效。AI真正的价值，不是帮你把作业写完，而是帮你把"能开始做真东西"的那一天，提前几个月。

——Proof of Work时代来临

为什么说简历"死"了？

窦教授在屏幕上展示了Dan Koe在Substack上引发数百次转发的一段话：

原因并不复杂：求职者都在用AI把简历做得美轮美奂、千篇一律，企业只好用AI来筛查。简历于是变成了一场"AI之间的矛与盾之战，没有真正的赢家"。

更深一层看，简历的失效是一个信号失效问题。简历原本是能力的代理指标——它便宜、标准化、便于比较。但任何代理指标一旦可以被低成本批量伪造，就会迅速失去信息价值。企业别无选择，只能转向那些难以伪造的信号：真实做过的东西、完整的过程、诚实的复盘。

Microsoft WorkLab 2026年Work Trend Index的调研印证了这一点：雇主最看重的两项个人能力是质量把控与批判性思维。而这两项，恰恰是过度依赖AI最容易被削弱的——有AI不代表有质量，用得越顺手，越容易放弃质疑。

好消息是，天平的另一端也在移动。AI与vibe coding 让"从想法到成品"的距离大幅缩短，"做出来"的门槛大大降低了。过去需要一个团队、三个月才能验证的想法，今天一个人一个周末就能做出可看、可用、可分享的版本。

窦教授特别提到，这对文科生不一定是坏事：当技术实现不再是瓶颈，沟通能力强、能把需求讲清楚的人，得到的结果是一样的。

所以他的建议非常具体：立即开设自己的作品集阵地。 个人GitHub、小红书账号、微信公众号——用看得见的作品说话，而不是等着面试官给你机会解释一份简历。

一个现实的场景：

一位数字营销专业的学生，免费帮本地一家餐厅做了一个月小红书运营。她用AI批量生成文案、分析爆款选题、剪辑探店视频，一个月发出15篇笔记，账号粉丝从0涨到800+，其中2篇上榜；最后，她把定位思路、每周复盘和涨粉曲线整理成一份完整的公众号运营报告。

没有薪水，没有title，但这份报告本身就是一件看得见的作品——它同时证明了工具能力、商业理解、执行力和复盘习惯。这四样东西，一份简历一样都证明不了。

讲座尾声，窦教授为所有观众留下三点可以立刻开始的建议：

其一，先给自己安排一场个人AI Boot Camp。 如果还没有扎实的AI功底，就用一次高强度的集训或workshop补上，密集试用不同模型，建立自己的判断基准。

其二，尽量加速整体学习。 过去"学三四个月再用"的节奏，在AI时代已经显得奢侈——要学到就用到，让真实项目牵引学习，而不是让学习无限期地推迟项目。

其三，每位职场人都需要proof of work。 把日常的邮件、方案、复盘沉淀为skill、文档与手册，放到公众号、领英上，让它们长成自己的个人IP。

在企业忠诚度下降、组织变动频繁的今天，唯有属于自己的作品集，才是可以随身带走、且不断增值的资产。

而整场讲座的结语，也正是这一晚最好的注脚：

会提问不如会判断，地基比效率更重要，作品比学历更响亮。

在这场思想盛宴中

窦文宇教授以前沿洞察

回答了AI时代最现实的一个问题——

技术在加速，我们该如何学习

答案或许并不复杂：

让AI替你提速，但永远不要让它替你判断。

唯有不断学习、持续沉淀

才能永远立于不败之地

SKEMA商学院是全球极少数同时获得AACSB、EQUIS与EFMD三大认证的"三皇冠"商学院之一，在巴黎、里尔、索菲亚、罗利、贝洛奥里藏特、迪拜、开普敦、苏州、南京设有九大校区，以AT HOME WORLDWIDE构筑真正意义上的全球化学习网络。

SKEMA Global DBA面向具备丰富管理经验的企业高管与行业专家，坚持"从现象到研究问题"的训练路径——在巴黎开学周，学员走进拉德芳斯的企业现场，把对组织权力距离与创新氛围的一手观察，转化为可持续推进的研究命题；在课堂上，则立足成熟理论、在新的管理情境中拓展理论边界，让每一项研究同时具备学术严谨与实践价值。AI、全球化、技术与组织的重新分工，既是「商业新知」的直播选题，也是DBA课堂上被反复追问的真问题。国际前沿，志存高远——这是SKEMA DBA想要交到每一位学员手上的东西。

项目咨询｜Sandy老师　

sandy.liu@skema.edu　

025-58313891