基础任务是一门夹带的课：程序员、律师、设计师的学徒制该重做了

律所、软件团队和设计工作室都有一套心照不宣的算盘：把最枯燥、最重复的活交给新人。初级律师读几百页文件、写尽职调查备忘录，初级程序员敲样板代码、修别人留下的 bug，初级设计师做修图、裁切、批量出各种尺寸的 banner。这些活单看产出价值不高，但它们夹带着一门没人写进合同的课：新人在一遍遍重复里，慢慢长出资深者那套说不清、道不明的判断——律师的争点识别、程序员对一段坏抽象的直觉、设计师对“为什么这一版更对”的品味。

认知学徒制（cognitive apprenticeship）这套教育理论早在 1991 年就点破了其中的机制。Allan Collins、John Seely Brown 和 Ann Holum 在《American Educator》上提出：专家的判断大多是隐性的，靠模式识别和经验直觉运转，很难用规则讲清楚；新人只有在真实任务里跟着做、看专家把思考“显形”出来，把示范、教练式反馈和复盘一层层内化，才能接过这套隐性能力。那些枯燥的基础任务，本身就是让隐性判断显形的课堂。

麻烦在于，这门课一直是免费的——它搭在计费的苦工里顺带完成，所以没有哪家机构真正为它单独付过钱，也没人把它写成一份课程。斯坦福数字经济实验室 2025 年 11 月的一项研究给出了刺眼的信号：在最受 AI 冲击的岗位上，22 到 25 岁的早期职业者，就业相对下降了约 16%，而同岗位的资深员工基本不受影响。当 AI 把基础任务接走，产出照样交付，可搭在里面的那门课，正随着苦工一起消失。汤森路透研究院的一位作者把话说得更直白：往后要少一些“假装是训练的杂活”，多一些针对核实与判断的刻意学徒训练。

初级程序员过去靠什么成长？敲样板代码建立手感，读和评审别人的 pull request 学会命名、边界情况和系统思维，修 bug 时被迫弄懂一段代码为什么会坏。GitHub Copilot 这类工具几乎抹平了前半段：微软研究院 2023 年的一项对照实验显示，用 Copilot 的一组在实现一个 HTTP 服务器的任务上，比对照组快约 55.8%。速度是真的，代价却藏在评审环节。一位工程师描述了典型场景：新人提交一段 Copilot 生成、“大体能跑”的代码，通过了 CI，资深者扫一眼就点了批准——新人失去了一次学习时刻，资深者也少用了一块花多年练出来的肌肉。新人并没有变笨，只是反馈这条线被悄悄剪断了。而速度本身也没那么确定：METR 2025 年 7 月的随机对照试验里，16 位资深开源开发者在自己熟悉的成熟仓库中处理 246 个真实任务，被允许使用 AI 工具时反而比不用时慢了约 19%，事后却仍以为 AI 让自己快了约 20%。这项研究测量的是资深者亲自使用 AI 的完成耗时，而非替新人评审 AI 代码的负担；但连熟手用 AI 都未必更快、还明显高估了自己的速度，说明判断这道关卡并没有被 AI 抹平，反而更压在资深者身上。

重建的方向不是把 Copilot 关掉，而是把评审从盖章改回教学。一些团队开始要求新人在评审里为 AI 生成的每一段代码辩护：说清它为什么这样写、哪里可能出错、换个方案会怎样，把被动接受改成主动论证。另一条做法是把学习型项目和交付型项目分开，给新人留出可以慢下来、可以犯错、不必立刻对客户负责的代码空间。还有团队干脆写明 12 到 18 个月的学徒合同，配上专门的带教预算，并按成长潜力而非当下技能招人——不再默认判断会在赶工里自动长出来。这些做法的共同点，是把过去顺带发生的教学，重新变成有人负责、占用时间的正式动作。

初级律师的判断，历来是从最不体面的活里长出来的：读几百页文件做尽职调查、写案例摘要、把合同逐条过一遍。这些重复教会的是争点识别和模式辨认——知道一份文件哪里该停下来多看两眼。而这些恰恰是大语言模型最擅长接管的部分。一位即将入行的律师 Arjun Gupta 说得很准：审一份 AI 已经标注过风险的合同，和从零开始冷读一份合同，是两种完全不同的认知动作。前者你在核对机器给的结论，后者你在自己形成结论，只有后者训练判断。他因此警告，那套本该教会新人如何设计和监督 AI 的学徒制，可能在新人真正上手之前就已经不存在了。

所以律所的学徒制重建，重点不在要不要用 AI，而在保住“冷读”的训练量。汤森路透研究院提出的方向是：让新人更早接触复杂任务，但配上更密的监督，把成长节奏从“熬年限”改成在核实与判断上的刻意练习；同时把一部分初级岗位重新定义成 AI 合规专员、法律数据分析师、知识运营这类新角色，让新人在治理 AI 的过程里理解业务。关键是刻意留出一些不借助 AI 的独立分析任务，让新人先自己得出结论，再拿去和机器的答案对照。判断只有在一个人先承担了得出结论的风险之后，才会真正沉淀下来；把这种风险外包给模型，省下的是时间，赔进去的是几年后的资深能力。

设计行业的入门课一向藏在最琐碎的执行里：修图、裁切、写文案的多个版本、批量出 banner。一遍遍做这些，新人练的其实是手感和品味——对比例、对留白、对“哪一版更对”的直觉。如今这些活一句提示词就能出结果。It's Nice That 的一篇报道把当下称作“入门级的真空”：新人把作品集投出去，常常石沉大海，陷进一种空洞的回音里。曾在 Wolff Olins 任职的设计负责人 Forest Young 认为，真正的区分度来自“品味塑造”——一种和个人视角绑定的原创力，与执行速度无关。

当执行不再稀缺，学徒制要教的东西必须从苦工里被单独剥出来。新的训练重心是策展式判断：让新人面对 AI 生成的一大堆选项，学会筛选、修改，并说清为什么选这一版、它凭什么更好，把“会做”升级成“会判断、会论证”。由于传统的师徒通道在远程办公和成本压缩下变薄，一些学校和新人转向更自组织的方式：同侪主导的评论圈、自发的作品互评、主动的冷启动式外联。有毕业生靠在领英上发起五百多次冷联系才换来第一份实习。这些机制想补回的，正是过去在反复执行中顺带获得、如今被 AI 抽走的那种针对性反馈——只是它从雇主提供的福利，变成了新人得自己去争取的东西。

三个行业面对的是同一道题：判断过去靠新人重复基础任务、在苦工里顺带学会；AI 把基础任务接走后，判断不会再自动出现，必须被有意地教。认知学徒制其实早给出了可搬用的方法——示范、把思路讲清、教练式反馈、复盘反思。落到今天的团队，它对应四件具体的事：案例阅读，让新人在真实卷宗、代码库和作品档案里看专家怎么想；AI 输出审查，把批准机器结果的动作，改成拆解和质疑它的动作；导师复盘，逼资深者把自己隐性的判断讲出来、而不是默默改完；以及客户场景模拟，在低风险的仿真里，练那些过去非得动用真实项目才能练的决定。

这套重建是否真的在发生，有一个可观察的触发信号：当律所、软件团队和设计工作室开始把新人训练明确拆成这四块，并为带教单独排预算、排时间，就说明它们已经把那门夹带的课，改成了一门明写的课。反过来，一个需要警惕的失效信号是：机构一边默认新人“做着做着自然会”，一边任由那些曾经教会判断的基础任务被 AI 悄悄抽空——两件事同时为真时，几年后行业会突然发现，能审 AI、能对结果负责的资深人才没有接上茬。免费搭车的训练时代结束了；一个行业愿不愿意为判断单独付一次学费，决定了它几年后还能不能拿出真正的资深判断。