今天分享的“产品”大家应该会感兴趣，先卖个关子，往下看。
2025 年秋天，Meta 上线了一名可以替商家卖货的“AI 员工”。
商家不需要重新整理一套资料，它会直接读取品牌过去发布的社交媒体内容、广告、商品目录和网站信息，自动学会这家公司卖什么、用什么语气和顾客说话。
顾客在 Facebook、Instagram 的广告或者品牌官网里提问，它可以回答尺码、价格和商品评价，也可以根据对话推荐产品，引导顾客完成购买。
这个产品叫 Business AI。
负责它的人，是 Meta 企业 AI 业务负责人 Clara Shih 史宗玮。
她后来回忆，真正让她改变想法的，是这些 AI Agent 开始从演示产品变成真正能干活的“员工”。
在多项任务中，它们已经能够达到，甚至超过团队里一些优秀员工的表现。
她意识到，企业使用 AI 的方式正在发生变化。
过去，公司购买 AI，主要是为了让员工写邮件快一点、整理会议记录方便一点。
现在，公司开始把一段完整的工作直接交给 AI：回答问题、推荐商品、跟进顾客、推动成交。
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发生变化。
差不多在同一时期，Clara 身边的侄子、侄女、亲戚和朋友家的孩子，开始集中向她询问：
现在应该学什么？大学专业还有用吗？企业到底还愿不愿意招聘没有经验的年轻人？
其中一些人毕业于美国名校，实习经历和成绩都不差，但依然很难拿到一份正式工作。
这让 Clara 感到不安。
她不是站在科技行业外面预测“AI 会不会抢走工作”的人。她亲自带队做过企业 AI，也亲自参与过招聘调整。
她很清楚，一家公司使用 AI 以后，哪些岗位会减少，招聘标准会怎样改变。
2025 年11月，Clara 卸任 Meta 企业 AI 业务负责人，之后继续担任顾问。
2026 年4月，她在 TIME100 峰会上发布了一个非营利组织：New Work Foundation。
这一次，她决定用 AI 解决 AI 带来的另一面问题：帮助年轻人找到第一份工作。
01 | AI 还没有拿走所有工作，先减少了一批“新人工作”
很多人谈 AI 与就业，讨论的是一个职业会不会彻底消失。
但企业实际发生的变化，往往没有这么突然。
一家公司使用 AI 以后，可能仍然需要市场经理，但不再需要那么多负责写初稿、整理资料和制作基础内容的市场助理。
它仍然需要会计师，但对账、录入数据、分析差异和生成第一版报告，已经可以交给 AI。
它仍然需要程序员，但写基础代码、修改简单错误和生成测试用例，需要的人更少了。
职业没有消失，进入这个职业的第一层台阶却变窄了。
纽约联储的数据显示，2025 年第三季度，美国刚毕业大学生的“就业不足率”已经达到 41.8%。
也就是说，相当一部分毕业生虽然有工作，但做的岗位并不需要大学学历，或者没有充分使用他们所学的专业能力。
斯坦福大学数字经济实验室分析了数百万名美国员工的薪资记录后发现，从2022年开始，在软件开发、客服、行政文职等受 AI 影响较大的职业中，22 岁至 25岁年轻人的就业人数下降了约 13%。
同一类职业中，年纪更大、经验更多的员工，就业人数基本稳定，部分甚至还在增加。
这组差异其实是解释了为什么第一份工作受到的冲击更大。
AI 最容易处理的，通常是规则清楚、可以标准化、容易检查的工作。
这些工作恰好也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的方案、客户真正关心什么、哪些数字可能有问题。
现在，AI 可以先把这些工作做掉。
企业保留了能够检查结果、处理复杂问题和承担责任的资深员工，却减少了让新人练习的岗位。
Clara 把这种人称为“从未被雇用的一代”。
但问题不只是少了一份工作。
一个人如果进不了职业入口，也就很难积累三年、五年之后企业愿意购买的经验。
02 | Clara 自己，也不是沿着标准路线走到了今天
Clara 在斯坦福大学学习计算机，毕业时曾经申请投资银行和咨询公司的工作，结果全部被拒。
她后来进入了当时还没有今天这么强势的 Google。
2006 年，她加入 Salesforce，参与公司应用商店 AppExchange 的早期建设。
工作期间，她利用业余时间做了一个把 Facebook 社交信息接入企业客户管理系统的产品。
Salesforce 没有采纳这个想法。
2009 年，她离开公司，与同学共同创办 Hearsay Systems，专门帮助银行、保险等监管严格的行业管理社交媒体上的客户沟通。
这家公司后来把收入做到约 7000万美元。
2021 年，她重新回到 Salesforce，先负责客户服务产品，2023 年成为 Salesforce AI 业务负责人，管理 Einstein 和 Agentforce 等产品。
2024 年11月，她又被 Meta 挖走，从零组建企业 AI 团队。
正是在 Meta 的这段经历，让 Clara 看到了招聘标准的变化。
她透露，Meta 企业 AI 团队每发布一个岗位，可能会收到约一万份申请。
在这么多简历里，名校和大厂实习已经很难让一个人自动胜出。
招聘人员越来越关心一个更直接的问题：你到底做出过什么？
这也成为 New Work Foundation 设计产品时的核心思路。
New Work Foundation 没有再做一个发布岗位、上传简历、批量投递的传统招聘网站，而是把年轻人找工作拆成了三个具体问题：
- 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聘什么样的新人？
围绕这三个问题，New Work Foundation 做了三个免费产品。
03 | Field Report：先看清楚，自己的专业还能通向哪些工作
第一个产品叫 Field Report，可以理解成一张“专业与职业地图”。
用户输入自己的大学专业，系统会列出这个专业可能进入的不同职业，并比较几个非常实际的数据：
起薪大概是多少，每年有多少岗位空缺，市场竞争是否激烈，以及这个职业有多少工作内容容易受到 AI 影响。
目前，Field Report 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，一个法律专业的学生打开系统，可以看到美国目前大约有 31500个相关岗位。
市场竞争不算高，但很多基础法律研究、文件整理和合同初审工作，对 AI 的暴露程度很高。
“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，不是这个职业未来的失业概率。
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。
传统的专业介绍通常只会告诉学生，读完会计可以做会计师，读完市场营销可以去企业市场部。
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。
04 | JobClaw：不先看简历，先找出一个人真正擅长什么
第二个产品叫 JobClaw。
大多数招聘网站匹配岗位，主要依靠简历关键词。
简历里写过市场营销，系统就继续推荐市场营销；写过数据分析，就继续推荐数据分析。
但刚毕业的年轻人，简历本来就没有多少内容。一份空白简历，很难准确说明一个人适合做什么。
JobClaw 因此没有要求用户先上传简历，而是设计了五个问题：
- 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、却从来没有写进简历的事情？
- 哪类问题会让你星期一也愿意来上班？
- 即使工资很高，什么样的工作仍然会让你感到痛苦？
- 一年以后，发生什么变化会让你觉得自己真的向前走了一步？
系统根据这些答案，分析用户的优势、兴趣和工作偏好，再生成一份结构化的求职要求。
用户还可以继续限定城市、远程或线下、薪资、职级和是否需要签证支持。
New Work Foundation 给 JobClaw 设定的完整目标，是让 AI Agent 前往 LinkedIn、Indeed 和 VolunteerMatch 等网站寻找岗位，同时指出候选人缺少哪些技能，以及可以通过什么课程、项目或者志愿服务补上这些能力。
不过，从产品现状看，JobClaw 还处于比较早期的开源原型阶段。
目前公开的网页版可以完成五个问题和求职要求整理，但还不能独立跑完招聘网站搜索。
用户需要安装兼容的浏览器 Agent，才能继续执行后面的步骤。
所以，它现在更像一套可以继续开发的求职 Agent 模板，还不是一个普通用户打开就能立即使用的成熟招聘产品。
但这个设计仍然提供了一个有意思的思路。
企业用 AI 筛选成千上万份简历，求职者继续依靠 AI 批量投递，只会让双方陷入更严重的数量竞争。
JobClaw 想把求职重新拉回“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出来。
05 | dear [CC]：直接问招聘负责人，他们现在为什么不招新人
第三个产品 dear [CC]，不是聊天机器人，而是一个围绕就业变化制作的内容和数据平台。
*CC 是 Clara 的昵称，产品名字借用了美国著名的读者来信栏目 Dear Abby，意思接近于“写给CC的求职问题”。
每一期内容聚焦一个职业，例如市场营销、会计和软件工程。
Clara 会同时找到两类人：一位正在做招聘决定的部门负责人，以及一位正在求职或刚刚进入职场的年轻人。
部门负责人解释，哪些初级任务已经交给 AI，现在筛选新人时关注什么；
年轻人则讲述自己投过多少简历、遇到哪些困难，以及最后靠什么拿到工作。
市场营销专题里的年轻人 Samantha Wen，2023年毕业于加州大学伯克利分校，读了双专业，有特斯拉和华纳兄弟探索公司的实习经历，成绩也不错。
毕业后，她连续11个月每天申请大约10份工作，却始终没有拿到正式录用。
最后让她找到工作的，并不是继续增加投递数量。
她开始重点展示自己在大学即兴喜剧社团中积累的现场活动制作经验。
这是一件她真正做过、能够讲清楚所有细节，也能拿出结果证明的事情。
与她对谈的一位硅谷市场负责人透露，自己发布一个岗位，仅 LinkedIn 就会收到 4000多份简历。
她不可能仔细阅读每一份求职信，通常只能迅速筛掉一部分人，再打开候选人的个人网站，看他有没有真实作品。
因此，dear [CC] 给市场营销求职者列出的准备清单非常具体：
- 有没有独立完成过一次活动、内容项目或营销活动？
- 是否真正管理过内容日历和项目进度？
- 能不能举出一个使用 AI 提高工作效率的例子？
- 有没有作品集，而不只是一份写着“熟悉 ChatGPT”的简历？
在软件工程专题里，Datasaur 创始人 Ivan Lee 提供了另一个角度。
Datasaur 有 60名员工，融资 800万美元。使用 AI 编程工具以后，他估计工程师的工作效率提高了约40%。
如果只看短期产出，他确实不需要像过去那样招聘那么多人。
但他仍然坚持招聘一部分应届毕业生，原因是：
如果公司今天完全停止培养新人，几年以后就没有人可以成长为高级工程师。
真正的变化发生在招聘要求上。
他不再阻止候选人在面试中使用 AI，而是观察候选人能不能判断 AI 写出的代码是否可靠？能不能解释系统为什么这样设计？
以及，能不能把一个产品从想法一直做成可以运行的版本。
06 | 这三个产品，解决的是求职过程中的三个判断
把三个产品放在一起看，New Work Foundation 的逻辑很清楚。
- Field Report 解决方向问题：一个专业现在对应哪些工作，这些工作的薪资、需求和 AI 影响程度怎么样。
- JobClaw 解决匹配问题：一个人的真实优势是什么，应该重点申请哪些岗位，还缺少什么能力。
- dear [CC] 解决招聘标准问题：企业内部到底发生了什么，招聘负责人现在愿意为什么样的年轻人提供机会。
这和普通的“AI 职业规划”产品有明显区别：
它没有只给用户生成一份性格报告，也没有简单推荐十门 AI 课程。
它试图把就业市场数据、个人优势、企业招聘决策和具体作品连接起来。
New Work Foundation 的初衷很好，但不得不说，它目前也有非常明显的局限，比如：
JobClaw 仍是原型、Field Report 主要依靠美国就业数据、dear [CC] 目前覆盖的职业数量也不多。
而且对于我们国内的求职者，这些产品也很难解决国内岗位搜索问题。
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？
- 招聘岗位减少以后，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聘“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。
这里所说的“会使用 AI”，已经不只是会问几个问题。
企业开始寻找能够用 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，最后交付一个可以使用的成果。
这也形成了一个看起来有些矛盾的变化：
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，公司招聘一个年轻人，看中的是他的学习能力和未来潜力。
现在，公司仍然需要潜力，但还希望这个年轻人已经能够带着 AI，独立完成过去需要几个人配合才能完成的工作。
以上，如果在看文章的你现在正处于职业空窗期，请你一定不要质疑自己的能力。祝你今天开心。
文章来自于微信公众号 “Fun AI Everyday”，作者 “Fun AI Everyday”