数据岗位周度反超算法岗，AI 基础设施招聘进入产品化与商业化扩张期

招聘活跃度：180 天窗口的信号与噪声

过去 180 天，Talent Signal 在可观测渠道中记录了 6324 个招聘岗位，其中 90 天窗口内有 5280 个，30 天窗口内 1682 个，最新 7 天窗口 414 个。90 天占 180 天的比例达到 83.5%，这意味着绝大多数岗位都是在最近一个季度里出现的。对于做人才研究的人来说，这个比例说明前沿科技公司的岗位需求更新得非常快，一份半年前的人才地图可能已经失效。7 天相对 30 天的发布节奏回升到 24.6%，招聘活跃度没有出现衰减，但 414 个样本的规模意味着任何周度结论都可能受到少数公司批量发布的影响。

从市场结构看，AI/算法、数据、技术三类职能始终是主体，在 180 天、90 天、30 天窗口的合计占比都在 81% 以上。这个结构告诉我们，前沿科技公司的用人重心仍然集中在技术侧，但技术侧内部正在发生值得关注的位移。90 天和 30 天窗口里 AI/算法依然领先数据类，说明算法岗位的绝对需求量仍然很大；但最新一周的数据类岗位占比达到 34.5%，首次超过 AI/算法的 32.6%。这种反超是否具有趋势意义，需要再观察 7 到 30 天。

数据类岗位反超算法岗：短期波动还是方向转变

最新 7 天窗口内，数据类岗位有 143 个，AI/算法岗位有 135 个。单看数字，这确实是四个窗口以来第一次出现数据类更高。但我们需要把它放回时间序列中看待：30 天窗口 AI/算法占比 32.0%，数据类 30.7%；90 天窗口 AI/算法 33.5%，数据类 30.1%。在更长的窗口内，算法岗位仍然领先，只是领先差距在收窄。

数据类岗位的上升可能来自企业对数据工程、数据平台和数据产品的持续投入，尤其是在 AI 应用落地过程中，高质量数据管道成为模型效果的瓶颈。也可能只是某一两家公司在本周集中发布了数据分析或数据工程岗位，造成了暂时的比例倒挂。对于前沿科技公司而言，与其根据一周数据调整团队编制，不如关注未来 30 天数据类岗位的斜率变化。如果连续三个窗口数据类占比都高于算法类，那才是真正的人才结构拐点。

AI 基础设施主导：从模型研究到工程化落地的迁移

主题层面的变化更加清晰。AI 基础设施相关岗位在 180 天窗口占 51.6%，到 90 天升至 58.4%，再到 30 天和 7 天的 75% 以上。这个连续上升的曲线说明，可观测的招聘需求绝大部分进入了平台、部署、产品化与集成环节，而不是最前沿的模型预训练或基础研究。AI 基础设施的定义很广，包括模型服务、MLOps、数据管道、推理优化、Agent 框架等，这些岗位共同支撑企业把 AI 能力变成可运行的产品。

Agent/RAG 主题的占比从 180 天的 12.1% 下降到 7 天的 9.4%，这并不意味着 Agent 不再重要，而更像企业在完成原型验证后，把资源转向了更底层的工程化和平台化。数据平台主题在 7 天反弹至 5.6%，可能与企业数据基建的续建有关。对人才判断而言，关键信号是：纯粹的算法研究岗占比在下降，而能够把模型嵌入业务流程、并让它稳定运行的人才变得更重要。招聘时应当为这类平台型岗位设置更合理的职级和薪酬锚点，不能简单与算法研究岗对标。

受监管机构与创作者生态：岗位组合正在多元化

最新样本中出现了一批跨越传统职能边界的新角色。Goldman Sachs 招聘数字资产多链代币化方向的高级软件工程师，Re7 Capital 招聘 Crypto/DeFi 高级法律顾问，Crypto.com 招聘数据分析师，三种岗位同时出现在受监管金融与数字资产领域。这显示机构化的数字资产服务正在同时补齐工程、法律与数据能力，而不仅仅是增加一两个技术职位。对于服务这类客户的人才顾问来说，需要同时理解技术栈和监管语境，才能对候选人做出准确的判断。

另一条线索是 AI 内容与创作者生态岗位的密集出现。Creator Sourcing Specialist、Creator Sourcing Intern、Community & Creator Ecosystem Manager、AI Native 内容设计实习生等角色，大量采用实习、项目制与创作者合作关系。这说明 AI 内容生产链正在形成，人才供给模式正在从全职研发岗位转向弹性生态岗位。前沿科技公司如果仍然只用全职编制的思路去招人，可能会错过真正有影响力的外部创作者网络。

薪酬与职级信号：信息变多，但分层仍然有限

薪资信号强度持续改善，strong 薪资占比从 180 天的 80.5% 上升到 7 天的 87.0%，说明岗位描述中的薪酬可观测性在提高。但职级未标注比例始终高于 63%，各窗口基本持平，这意味着我们很难把薪资数字与职级对应起来。一个薪资较高的岗位，可能是资深专家岗，也可能是包含期权的早期核心岗，但仅靠描述无法区分。

这个约束对人才研究有实际影响。企业在做薪酬对标时，如果只看原始薪资范围，容易产生误判。更好做法是在候选人评估中结合岗位的影响范围、汇报层级和所负责系统的关键性，用人才判断去补充结构化数据的不足。高确定性招聘的核心不是在数据里找答案，而是把数据当作起点，再用深度访谈和背景研究去验证。

Talentverse 判断：高确定性招聘的关键窗口

这一轮信号最重要的含义是：前沿科技公司的关键岗位正在从单一职能走向复合职能，从纯技术走向技术加产品、技术加合规、技术加增长。企业如果仍然按照“算法工程师”“数据工程师”这样的传统标签去搜索人才，可能会错过真正任务关键型的候选人。短期窗口的环比反超应当被谨慎对待，但向 AI 产品化与受监管数字资产方向扩张的趋势已经足够明显。

我们建议企业优先关注三类岗位：第一类是具备 AI 产品化能力的 Technical AI Product Manager 和 AI Creative，他们能把模型能力转化为实际用户价值；第二类是受监管数字资产机构的数据、工程与法律复合团队，这类岗位决策周期长、容错率低，需要高确定性招聘；第三类是创作者生态与增长运营的弹性人才，他们适合用项目制方式引入。公司可能误读的地方在于，把数据类周度反超当成算法岗位需求萎缩，或者把 Agent/RAG 占比下降看成技术方向失宠。真正值得投入的是那些能推动 AI 基础设施落地、并对业务结果负责的关键人才，在高确定性判断的基础上果断行动。