在生成式 AI 暴露度最高的五分之一职业中，ChatGPT 之后硕士学位持有者的录用率相对暴露度最低的五分之一下降了约 10%——而这一降幅全部落在已有工作经验的候选人身上。首次进入劳动力市场的人则完全没有变化（Cortés, Dellarocas & Wang, SSRN, 2026）。
这种不对称才是真正的发现。它也是任何管理招聘漏斗的人都该警觉的部分，因为它意味着市场并没有停止相信研究生学历。它只是停止参考这些学历——恰恰在你正在自动化的岗位上，恰恰对你招得最多的那类候选人。
与此同时供给持续攀升。美国高校向 2025 届授予了约 949,000 个硕士学位，高于 2018 年的 815,000 个——每一年都在增长，一路穿过生成式 AI 的到来（Dellarocas, The Credential Crisis, 2026）。雇主并不是找不到有学历的候选人。他们开始不选他们了。
Boston University 的研究究竟测量了什么
Patricia Cortés、Chrysanthos Dellarocas 与 Qi Wang 分析了 2018 至 2025 年间美国超过 1 亿次职业流动，使用 Revelio Labs 依据公开职业档案重建的就业履历数据。研究设计很关键：它观察雇主实际录用了谁，而非其招聘启事声称要求什么（Cortés, Dellarocas & Wang, SSRN, 2026）。
职业按「GPTs are GPTs」暴露度指数排序——这是由 OpenAI 与 University of Pennsylvania 研究者构建的衡量标准，依据每个职业中有多大比例的记录任务可由 AI 助手以至少两倍速度、同等质量完成来打分（Eloundou et al., 2023）。关键在于：该分数在技术落地当天即已固定，早于雇主有时间作出反应。
随后团队逐年比较暴露度最高与最低的五分位组，考察那些硕士学位属于真实选择而非法定要求的初级岗位：会计、市场研究分析师、商业智能分析师、律师助理、撰稿人。
2022 年之前的四年里，两组走势完全同步。之后曲线分岔——起初缓慢，随后加快，此后每年差距都在扩大。
三个细节显著锐化了这一图景。
降幅集中在非 STEM 学位，尤其是商科硕士——即那些认证综合、分析、预测与专业写作能力的项目。STEM 硕士的录用毫无变化。被贬值的技能，正是语言模型能够胜任完成的那些。
降幅在Census 数据确认真正部署了 AI 的企业中最为显著。这是数据所能提供的最接近机制检验的证据，且方向正确。
而且不可能是供给短缺，因为在整个观察窗口内供给逐年增长。
一纸学历，两种信号——AI 拆散了这个组合
只要你仍把学位当作单一事物，有经验者与应届生之间的分化就显得费解。
硕士学位承载两条截然不同的信息。第一条是能力认证：此人能建模型做预测、能搭建分析框架、能写出报告。第二条是通用能力信号：此人进入了一个高要求的项目，撑住了，并完成了它——智力、韧性、把事做完的能力。自 Michael Spence 于 1973 年将劳动力市场信号理论形式化以来，经济学家一直将两者视为焊死在一起。
生成式 AI 就是把它们撬开的那根撬棍。当模型能产出一份合格的分析初稿时，认证成分随之贬值——技能依然真实，只是不再稀缺。信号成分则毫发无损。
至此不对称性迎刃而解。面对一位简历空白的 24 岁候选人，雇主几乎没有别的可读，学位便保有全部分量。面对一位有经验的候选人，雇主手里有更好的东西：一段职业履历、一份已交付成果的记录。一旦这一替代信息存在，学位就主要因其技能认证价值被衡量——而这恰恰是 AI 刚刚打了折的部分，于是它在决策中的权重下降（Dellarocas, The Credential Crisis, 2026）。
学位没有死亡。它被拆分了。而市场已经开始对这两个成分分别定价。
你的评分表几乎可以肯定仍在把它们当作一个整体定价。
为什么你的招聘漏斗仍在高估研究生学历
到这里，它就不再是一个有趣的劳动经济学结论，而变成了一个运营问题。
多数中型企业的招聘流程仍在三处给予研究生学历结构性优势，而这三处在你专门审查之前都是不可见的。
初筛。 招聘启事上的「硕士优先」，或招聘人员在漏斗顶端把它当作决胜条件的心理捷径。
评分表。 scorecard 中一个明确的分值或档位，统一适用——不论候选人是否在同一份简历上、就在其正上方写着十年相关工作经历。
offer。 一张按年资与学历给学位加薪的矩阵——而依据这些证据，更广阔的市场正在你 AI 暴露度最高的岗位上悄悄收回这笔溢价。
上述每一处都是对认证成分下的一个小赌注。在财务、分析、marketing operations 与内部报表——中型企业中暴露度得分最高的职能——你正在为一个信息含量已可测量地下降的信号支付全价。
更锋利的版本是：对于 AI 暴露岗位上的有经验候选人，学位如今在很大程度上与你已掌握的信息重复。你手里有他的职业履历。学位仅剩的独特贡献是通用能力信号，而你为此支付的是技能溢价。
拿掉筛选器不等于替换它
显而易见的动作是删掉学历要求。证据表明，仅此一步几乎不产生任何效果。
Burning Glass Institute 与 Harvard Business School 研究了大型企业中 11,300 个岗位在取消学历要求前后的情况。近 40% 的企业取消了该要求。结果：在约 7,700 万年度录用中，仅新增约 97,000 个基于技能的录用——不足七百分之一。而几乎全部实际变化仅来自其中 37% 真正落地的公司（Burning Glass Institute & Harvard Business School, 2024）。
拿掉一个筛选器并不会创造出一条决策规则。它创造的是真空，而真空会被同一套心理捷径以非正式方式重新填满。
顶替它的东西必须是可测量的。现有最有力的元分析证据显示，结构化面试预测工作绩效的效度为 r = .42，而非结构化面试为 r = .19——这是招聘团队可获得的最大效度差距，且除了纪律之外不需要任何成本（Sackett, Zhang, Berry & Lievens, Journal of Applied Psychology, 2022）。
这正是 Boston University 的结论所支持的替换：不是对学历视而不见的招聘，而是让学历回到正确权重的招聘，由一个经过效度验证的能力测量承担文凭原先承担的分量。
这个论证可能错在哪里
我不会依据小数点后的数字行动。我会依据方向行动。这个区别值得说清楚。
这篇论文是 SSRN 工作论文，尚未经过同行评审。前趋势干净、设计严谨，但效应量在评审过程中可能发生变化。
此外，暴露不等于替代。高分意味着一个岗位的记录任务与模型能力存在重叠——而非模型确实做了这些任务。它衡量的是技术可行性，且固定在某一时点。
再者，基于档案的数据带有选择性。Revelio 依据公开职业档案重建履历，而谁会维护档案、维护得多完整，并非随机。这可能同时与学历和职业相关，其方式是研究设计无法完全吸收的。
现在说无论如何都成立的部分。一项稳定运行了四年的学历溢价，恰在通用文本模型问世的那一刻出现分岔，发生在该模型擅长处理的职业中，且恰好针对雇主已经掌握更好证据的那类候选人。把效应砍半，运营层面的结论依然不变。
在一家 50–500 人的公司里，什么会改变
这是流程调整，不是支出。它能装进一个季度，除了你自己之外不需要任何审批。
审查学历仍在何处占据分量。 调出 AI 高暴露岗位的在招职位与评分表——财务、分析、marketing ops、内部报表、技术写作。找出每一处研究生学历带来初筛优势、评分表分值或薪酬档位的地方。多数运营负责人从未把这些集中列在一处，看到数量时通常会感到意外。
按候选人阶段拆分规则。 研究支持：对首次求职者保留学历权重——你确实没有太多别的可读；对有经验的录用则大幅降低——你已经握有更好的信号。对两个阶段采用同一条规则，如今在其中一个方向上已被证明是错的。
在打开缺口之前，先把可测量的工具放进去。 一场问题集固定、评分锚定的结构化面试，或一份依据真实工作构建的评分工作样本。不做这一步就拿掉筛选器，得到的就是七百分之一的结果（Burning Glass Institute & Harvard Business School, 2024）。
关于这个问题的内部版本
同样的逻辑向内也成立。如果你的晋升标准或高潜力人才项目为研究生学历加分，你就是在对那些你已完整掌握其全部工作履历的人使用一个正在衰减的信号——而这正是该信号信息价值最低的人群。这是修正成本最低的地方，也是最不可能出现在任何人清单上的地方。
这个季度的一个决定
打开你 AI 暴露度最高的在招岗位的评分表，找到硕士学位得分的那一行。然后回答一个问题：那一行告诉我的信息，这位候选人过去三年的工作没有告诉我吗？
如果你无法用一句话回答，你筛选的就不是能力。你是在为市场已经重新定价的信息支付溢价——而 Boston University 的数据表明，研究生学历在 AI 暴露岗位上的折价每年都在扩大。
学历并没有失去意义。它只是不再意味着你的评分表所说的那个意思。
