提及AI技能的招聘广告所标示的薪资，比其他条件相当的广告高出28%——每年近18,000美元（Lightcast, 2025）。而当经济学家让真正的招聘决策者面对真正的取舍、并强制他们做出选择时，提示词能力的价值仅为所在企业熟练工平均薪资之上的2%（IZA, 2026）。
两个数字都测量得没错。它们测量的是不同的东西，而中型企业的筛选标准正是在这两者之间的落差里悄悄走偏。
第二个数字来自嵌入德国BIBB培训面板2025年调查的一项离散选择实验：992家企业，15,660次在候选人档案之间的强制选择，样本中约81%为员工数低于250人的企业。而真正应该改变第四季度招聘需求单的发现不是这个价格，而是这个价格拒绝购买的东西。
992家企业被迫取舍时作出的选择
该研究的设计正是值得认真对待的原因。受访者是企业主、总经理、分支机构负责人和人力资源负责人——真正签批录用的人。每人都会看到成对的候选人档案，在五个属性上存在差异：提示词能力、职业专属技能缺口、社交能力、性别，以及相对于本企业熟练工的薪资期望。学历与相关经验被固定不变。他们反复地从中选一个。
这种结构把偏好转换成了一种货币。以下是完整的价格清单（IZA, 2026）：
| 属性 | 对录用概率的影响 | 支付意愿 |
|---|---|---|
| 中等提示词能力 | +4.3个百分点 | +2.0% |
| 高提示词能力 | +5.2个百分点 | +2.5% |
| 中等社交能力 | +19.9个百分点 | +9.0% |
| 高社交能力 | +33.8个百分点 | +14.6% |
| 职业专属技能存在显著缺口 | −31.5个百分点 | −13.6% |
所有属性在1%水平上显著。高社交能力的价值约为高提示词能力的六倍。职业专属技能的显著缺口所造成的损失，大致等于高社交能力带来的收益，只是方向相反。
同一模型中的另一行让量级变得具体。要求比企业熟练工平均薪资高3%的候选人，录用概率下降4.8个百分点；要求高出6%则损失13.8个百分点。而高提示词能力带来5.2个百分点。提示词熟练度能够买回大约“多要2.5%薪水”所带来的录用损失，仅此而已。
招聘广告溢价不等于录用溢价
人们很容易把Lightcast的数字和IZA的数字读成矛盾。它们并不矛盾，而理解原因正是一份站得住脚的需求单与一份昂贵需求单之间的分野。
Lightcast分析了13亿条招聘广告，比较了列出AI技能的广告与未列出者的标示薪资（Lightcast, 2025）。这是跨岗位比较。要求AI技能的广告在结构上就是不同的广告——更资深、更技术化、更集中在薪酬更高的职能与企业。28%是真实的，但其中很大一部分是岗位的价格，而非技能的价格。
IZA的实验固定岗位，只改变候选人。这是同一岗位内部的比较，而在岗位内部，提示词熟练度的边际价值约为2%。
如果你用广告层面的数据来校准一份需求单，你会得出AI熟练度要求高额溢价的结论，并据此构建筛选——给它高权重、为它多付钱、为得到它而牺牲其他条件。而992位招聘决策者的显示性偏好表明：在给定岗位内部，市场为它支付的是小额溢价，而且它并不替代任何东西。
提示词能力无法买通技能缺口
这是支撑整个论证的结果，而且它在无人愿意看到的方向上成立。
作者明确检验了补偿效应——强提示词能力能否弥补职业专属技能缺口。结果是不能。高提示词能力与轻微缺口、显著缺口都没有显著交互作用。更糟的是：中等提示词能力与轻微缺口之间的交互作用边际显著且为负值——相较于提示词能力低但技能完全匹配的候选人，录用概率低约3%。中等提示词熟练度让一个小的专业缺口显得更糟，而不是更好。
作者的结论正是应该带进招聘会议的那句话：对提示词能力的需求“似乎在提高岗位的技能要求”，而不是替代它们（IZA, 2026）。
AI熟练度是一项附加条件。它不是一项交换。
它确实发挥作用的地方
有一个交互作用是正向的。同时具备中等提示词能力和中等社交能力的候选人，录用概率比“低—低”参照组高出约4%。高社交能力在任何水平上都与提示词能力没有显著交互——对于已经拥有雇主愿付14.6%的那项能力的候选人，没有什么可以再加上去。
所以提示词熟练度的杠杆恰好只在一个地方：帮助人际能力处于低到中等水平的候选人。而在它最常被援引的地方——弥补薄弱的专业深度——它毫无杠杆。
这个方向之所以重要，是因为要求中的“人”那一半正在变重，而不是变轻。PwC对超过十亿条招聘广告的分析发现，受AI影响最大的岗位所要求的技能，变化速度是受影响最小岗位的两倍以上，而新兴任务依赖共情、判断与创造力的可能性高出2.5倍（PwC, 2026）。
溢价在哪里翻倍
2%是一个平均值，而异质性分析在操作上很有用。
在员工超过250人的企业中，高提示词能力将录用概率提高了9%——是合并样本效应的两倍，在5%水平上显著。按员工人数中位数划分时，高于中位数的企业偏好高提示词候选人的可能性高出7%。在中小企业中，该效应保持接近合并均值，约为4%。
按AI采用情况看呈现同样的模式。已在物理或非物理工作流程中采用、或计划采用AI的企业，对高提示词候选人的偏好约高出9%，而未采用者为2%至4%。值得注意的是，在专门采用了生成式AI的企业中，该交互作用仅为边际显著——溢价追随的是把AI工业化进流程的企业，而不是员工开着ChatGPT的企业。
把这当作竞争信号来读，而不是定价信号。如果你是一家300人的企业，与一家正在推进部署的3,000人企业争夺同一位技术人员，那家更大的企业对提示词熟练度的估值约为你的两倍。它会在这个属性上压过你。但它不会在社交能力或专业匹配度上压过你，因为所有人对这两项的定价都很高。
诚实的反面意见
三点限制，直说。
另一项实验发现了相反类型的补偿。 Stephany、Teutloff与Leone对英国、美国和德国的1,725名招聘人员进行了配对联合分析，发现AI技能将面试邀约概率提高了约8至15个百分点，并且部分或完全抵消了年龄偏大与正式教育程度偏低的劣势（Stephany et al., 2026）。这是真实的张力——但请注意决策边界。他们的结果是面试邀约，在那里依据一个信号采取行动成本很低；IZA的结果是附带薪资的录用。而抵消人口统计学劣势，并不等于抵消能力缺口。两者可以同时成立：提示词熟练度让一位55岁的办公助理走进面试室，而当有人必须为之付薪时，它仍然无法填补缺失的资质。
陈述性偏好不是工资台账。 没有人核查这992家企业实际支付了多少。这些估计是调查工具中的选择，而非真实交易——这是换取干净因果变异的标准代价。
它是德国的、职业教育导向的、且处于早期。 作者提示，其发现特定于生成式AI早期但快速扩散的阶段。这是一个以正式职业资格为锚的劳动力市场，其中“职业专属技能”是一个异常清晰的类别。不要在不加说明的情况下把点估计照搬到美国的招聘上。能够迁移的是属性的排序；小数位不能。
在第四季度需求单关闭之前，筛选环节该改什么
四个动作，没有一个需要新增预算科目。
- 不要再让AI熟练度为专业深度买到折扣。 如果你的候选名单逻辑允许一个强提示词信号把候选人推过你标记为关键的要求，那你就建立了一条992位招聘决策者拒绝建立的补偿规则。标出阻断性要求，并让它们真正阻断。
- 重新为需求单里的AI技能那一行定价。 如果你此前锚定的是来自招聘广告的两位数溢价，那么同岗位内部的证据说的是2%到2.5%。把差额花在那项值14.6%的属性上。
- 把提示词能力从“必备”移到“评估”。 相较于专业经验与社交能力，它的教学成本很低，而且在合并样本中“中等”与“高”之间的区别影响甚微。按下限筛选；不要为上限付钱。
- 让权重显式且可审查。 有用的机制是按关键性加权——阻断性要求的权重是重要要求的数倍，是“加分项”的一个数量级以上——这样在廉价属性上的高分就无法在算术上压过一项缺失的必备条件。如果你想要一份关于这套算术如何构建的实际参考，Scovai的评分模型是公开记录的。
更深层的要点关乎要求的走向。提示词能力并没有放松岗位说明。它为岗位说明增加了一行，同时原本就在那里的那些行变得更贵了。
在你的下一份需求单发出之前，找到把AI熟练度列为某项要求之替代方案的那个条款。删掉那个“或”字。
