美国劳动力市场最薄弱的地方，未必是裁员声量最大的地方，而是劳动者需要雇主给予第一次机会的地方。应届大学毕业生进入的市场中，企业可以留住经过验证的员工，同时减少职位空缺，使缺乏经验的求职者争夺更少的岗位。
这一点很重要，因为“人工智能正在取代毕业生”这一流行解释走在了证据前面。人工智能似乎正在改变部分入门级需求，尤其是在高暴露职业中。但官方研究还指出，整体招聘放缓以及分布式办公造成的培训问题同样重要。因此，具有经济意义的信号是获得经验的成本上升，而不是全经济范围技术性失业的证据。
两项比率描述不同的入场失败
纽约联邦储备银行最新的全国数据显示，2026年第二季度应届大学毕业生失业率约为5.6%，就业不足率升至42%。前者衡量进入劳动力市场但没有工作的人；后者统计在通常不要求学士学位的职业中就业的毕业生。
两者相关，但并不相同。失业意味着第一次匹配尚未发生；就业不足意味着已经匹配，但低于该数据采用的教育门槛。纽约联储将22至27岁的毕业生定义为职业早期群体，而就业不足类别也可能包括技能要求较高、薪酬合理的工作。因此，42%并不意味着42%的人陷入贫困或永久错配。它表明，对大量年轻学位持有者而言，学历并未顺利转化为需要大学教育的工作。
对家庭而言，匹配延迟会减少可用于房租、偿债、储蓄和消费的早期收入。对雇主而言，它可能造成未来的经验缺口：今天不招聘新人的企业，日后无法直接把同一批人作为有经验的中层员工买回来，除非为其他企业承担的培训成本付费。这种经济成本可能通过职业晋升减弱逐步显现，而不是立即表现为裁员激增。
招聘冻结从多条路径进入
圣路易斯联邦储备银行的一项分解研究将当前环境称为“低招聘、低解雇”经济。研究人员利用CPS和JOLTS数据发现，整体职位空缺下降，对毕业生失业率近期上升的解释力高于模型中的其他因素。人工智能相关岗位需求仍给毕业生带来额外阻力，但估计影响小于更广泛的职位减少。
这一机制并不要求企业因为软件能完成全部任务而解雇分析师。经理可以不填补空缺的初级职位，让现有团队吸收常规工作，或围绕人工智能技能重写职位要求。这三种选择都会降低第一份工作的流量，而就业总量变化缓慢。因此，整体就业人数保持韧性，可以与新进入者的困境并存。
人工智能暴露程度也因职业而异。美联储理事会的研究综述认为，目前几乎没有证据显示人工智能对总体就业产生重大影响，但也承认软件开发和客户服务等高暴露领域的职业早期员工相对走弱。这支持“影响集中”的判断，并不意味着人工智能无关紧要，也提醒人们不要把一个行业的经历套用到所有毕业生身上。
远程团队提高了缺乏经验的成本
另一种解释早于生成式人工智能的快速普及。纽约联储研究人员估计，在比较2017至2019年与2022至2024年时，远程工作可解释年轻大学毕业生失业率增幅的64%。恶化集中在可远程完成的职业；不可远程职业中的相对失业率则更接近此前基线。
企业层面的证据提供了合理渠道。当初级员工与同事分开工作时，获得的反馈和指导减少。研究中的一家企业在办公室关闭期间减少了无经验员工的招聘，重新开放后又转向年轻求职者，但在分布式团队中仍持续偏好有经验者。距离使培训更难，经验因而成为接近同事的替代品。
64%的估计不能被视为适用于所有企业的普遍规则。详细的工作场所证据来自一家特定大型雇主，职业层面的相关性也无法排除所有竞争因素。不过，时间顺序很关键：可远程职业中的青年失业率在生成式人工智能广泛扩散前已经上升。评估招聘服务、教育提供商或办公需求时，应关注招聘设计和培训能力，而不只是人工智能公告。
更强证据才能让人工智能从嫌疑变成原因
最有力的反驳是，当前数据可能具有滞后性，而技术采用正在加速。招聘放缓比裁员通知更难观察，企业也可能在官方职业分类更新前改变任务组合。即使人工智能没有解释今天大部分总体缺口，它仍可能成为后续毕业生群体的主导因素。
这一情景需要证据支持。美联储7月研究说明把2026年描述为建设阶段：投资和采用率上升，但劳动影响仍集中而非广泛。作者建议追踪高暴露行业的职位空缺与裁员、年轻劳动者参与率，以及高低人工智能暴露行业之间的生产率差异。
如果在控制整体职位空缺和远程办公强度后，高暴露岗位的毕业生招聘仍持续恶化；如果影响从招聘流量扩展到持续裁员；或生产率上升同时就业差距扩大，分析就应改变。在此之前，稳健结论应更窄：应届毕业生面临真实的入场问题，人工智能参与其中，但市场正通过多条渠道同时配给获得经验的机会。