AI 基础设施主导全球前沿科技招聘，数据岗位短期反超释放平台化信号

招聘活动高度集中，市场进入审慎扩张期

过去 180 天，Talent Signal 在全球范围观测到 6117 个可解析的前沿科技相关岗位。其中，90 天内发布的岗位占比达到 85.7%，30 天窗口仍有 1651 个，7 天窗口为 362 个。这说明招聘活动并不是均匀分布的，而是高度集中在最近三个月。90 天窗口内的岗位几乎覆盖了绝大部分需求，但 7 天相对 30 天的发布比例只有 21.9%，略低于均匀水平。这并不代表需求收缩，而是企业在经历了前期快速扩充后，开始把招聘节奏调整得更加审慎。对于前沿科技公司而言，这意味着真正值得投入的岗位变少了，但每一个岗位的关键性反而更高。企业需要把精力和预算放在对业务有决定性影响的任务关键型角色上，而不是维持广泛的招聘漏斗。

从职能结构看，AI/算法、数据、技术三类岗位在 180 天内合计占 82.2%，90 天和 30 天也都在 82% 左右，集中度几乎没有变化。这种长期稳定说明，前沿科技招聘的主线始终是技术。但短期排序正在发生变化：7 天窗口内数据类岗位占 39.0%，超过了 AI/算法的 29.8%。新增样本中出现了大量数据分析、数据工程和数据平台相关职位，比如 AI Data Engineer、Alliances Analytics 和 Customer Engagement Analytics。这些角色不再只是支撑性后台，而是直接服务于 AI 产品的落地和业务增长。

AI 基础设施主导需求，Agent 进入存量优化

主题结构的变化更能说明需求方向的迁移。AI 基础设施相关岗位的占比从 180 天的 50.9% 一路上升到 7 天的 76.2%。这意味着企业的大多数新增岗位都在围绕部署、集成、运行和维护 AI 系统展开，而不是在预研新的模型。Agent/RAG 主题则相反，从 180 天的 12.2% 降到了 7 天的 8.8%。这个回落不代表 Agent 失去价值，而是说明企业已经过了“先招一批人尝试”的阶段，开始把 Agent 能力并入现有基础设施。新增岗位中出现了 AI Operator、Data Center AI 等角色，可以看作平台化整合的直接证据。数据平台主题在 7 天有微弱反弹，从 30 天的 3.3% 升到 5.8%，但仍低于 180 天的 7.3%，是否形成趋势还需要更多窗口观察。

对于招聘者来说，这个信号非常明确：企业正在把资源从“造引擎”转向“造车和铺路”。AI 平台工程师、MLOps 专家、数据工程师，以及具备端到端交付能力的 TPM，正在成为比算法研究员更稀缺的角色。候选人评估也应从“谁能提出新方法”转向“谁能把系统稳定跑起来并产生业务价值”。

商业化与教育岗位放量，企业进入“卖与教”阶段

最新一批新增岗位中，一个值得关注的现象是商业化、销售和人才教育角色开始集中出现。LaunchDarkly 招聘面向企业战略客户的 AI Specialist，League 设立了 Director of Platform and AI Sales，AWS 也在招募 Fintech 行业销售负责人。这些角色说明 AI 基础设施供应商已不再满足于把产品做出来，而是需要有人把它卖出去、部署好，并让客户真正用起来。Udacity 甚至以 Independent Contractor 的形式招募覆盖 US/Canada/Europe/MENA/APAC 的 Agentic AI Technical Mentor。这种跨区域、项目制的人才供给方式，正在改变 AI 人才培养和交付的生态。

金融与支付机构也在同步补课。Coinhako 在招支付与钱包后端高级工程师和区块链工程师，Revolut 招募 Crypto 合规经理，MoonPay 招聘机构客户经理，Anchorage Digital 则瞄准了计费与收入相关的后端技术岗位。这些动作显示，受监管的数字资产服务商正在补齐工程、合规和机构销售三个短板，但核心协议研发岗位依然没有放量。Web3 相关基础设施岗位在 180 天内合计只有 2.9%，7 天为 2.2%，边缘化的判断继续成立。

薪资透明度提升，但职级缺失仍是评估盲区

薪资信号方面，有明确薪资范围或薪资意向的岗位占比从 180 天的 80.5% 升至 7 天的 85.4%，说明企业越来越愿意披露薪酬。但职级标注的缺口却没有收窄：180 天内未标注职级的岗位占 63.4%，30 天为 64.1%，7 天为 62.7%。这带来一个实际问题：市场薪酬对标的底层数据是有的，但很难把薪酬对应到具体的层级上。同一个“AI 工程师”在不同公司可能横跨三到四个职级，薪资区间重叠度极高。

这种情况下，高确定性招聘不能只靠薪资数字做决策。Talentverse 的人才判断强调从任务出发，把岗位拆解为必须完成的关键任务和产出标准，再验证候选人是否在类似场景下做到过。职级缺失并不意味着无法评估，而是要求招聘方建立自己的层级锚点，而不是依赖外部标签。对于任务关键型人才，更应该通过结构化的证据收集和深度访谈来判断其真实能力边界。

Talentverse 判断：优先投入平台工程、数据工程与商业化角色

综合 180 天、90 天、30 天和 7 天四个窗口，Talentverse 认为这一轮人才需求变化的本质是：前沿科技公司正从单一模型能力建设转向系统级交付与商业化。AI 基础设施岗位的持续集中，数据类岗位的短期反超，以及企业级销售和 AI 教育岗位的放量，是同一个趋势的不同侧面。企业真正缺的不是写论文的人，而是能把 AI 系统稳定落地、把客户价值做出来的人。

在这样的背景下，我们建议优先投入三类任务关键型角色：一是 AI 平台与 MLOps 工程师，他们决定 AI 产品能否规模化运行；二是数据平台与数据工程人才，他们决定 AI 的质量和迭代上限；三是面向企业级客户的 AI 商业化与交付角色，他们决定技术投入能否转化为收入。很多公司可能会误读短期窗口的数据类反超，认为只是统计波动；但如果把窗口拉长，就能看到数据基础设施是 AI 落地绕不开的瓶颈。同样，Agent/RAG 的回落也不应被理解为需求消失，而是角色正在从新增转向整合。真正需要警惕的，是职级信息缺失带来的判断盲区。在薪酬信号越来越充足、但层级信息越来越模糊的市场里，谁能在人才判断上建立更高的确定性，谁就能在下一轮竞争中占据先手。