全球 AI 與資料職位長中窗口主導：短窗波動、安全風控與數位資產訊號並存下的高確定性人才判斷

長中窗口主線未變，短窗波動正在測試人才判斷

截至 2026-09-30 的快照覆蓋 7,615 個可見職位，較上一期只增加約 17 個。這個增量本身不熱鬧，卻很說明問題：市場總量沒有明顯擴張，需求動能主要來自既有主線的延續，而不是全面性的新增。把窗口拉長看，180 天樣本為 7,615 個，90 天為 4,015 個，30 天為 489 個，7 天為 63 個；90 天對 180 天為 0.5272，30 天對 90 天為 0.1218，7 天對 30 天為 0.1288。這組比例告訴前沿科技公司，短窗樣本不足以單獨定義趨勢，卻足以暴露招聘節奏的擾動。

對任務關鍵型人才判斷而言，長中窗口仍然是決策底盤。90 天與 30 天絕對量低於上一期，表示中短期需求動能仍在回落；7 天略增，但絕對量只有 63 個，任何主題在 7 天內多幾個或少幾個，都會讓比例劇烈變動。若企業只看 7 天或 30 天資料就調整關鍵職位優先級，很容易把採集波動誤讀為需求反轉。高確定性招聘的第一步，是先把時間窗口和樣本量放在同一個判斷框架裡。

AI 基礎設施仍是最大需求池，但短窗份額回落值得拆解

AI 基礎設施在四個窗口都是最大主題：180 天 4,113 個，占 54.0%；90 天 2,867 個，占 71.4%；30 天 249 個，占 50.9%；7 天 25 個，占 39.7%。90 天超過七成，說明中長窗口的需求集中度極高；30 天降到約一半，7 天不足四成，顯示短窗份額從高位回落。這個回落不必然等於 AI 基礎設施需求消失，因為新增樣本仍包含 Principal ML System Engineer、Senior AI Engineer、Engineering Manager - Frontend - Consumer、IT Systems and Automation Engineer、Senior Data Scientist, Full Stack 等職位，職能橫跨平台工程、前端工程、系統自動化與資料全棧。

真正需要拆解的是「基礎設施」內部的層次。前沿科技公司現在要的不是單一模型人才，而是能把模型、資料、平台與產品串起來的技術與產品人才。當 AI 基礎設施在 90 天占 71.4%，企業若仍用一般後端或一般資料職位來定義招聘，就會低估職位難度；當 7 天降至 39.7%，企業也不宜據此放慢關鍵職位布局，因為短窗樣本只有 25 個，穩定性不足。AI 原生人才策略應該把 AI 基礎設施視為長中窗口的主線，把短窗份額當作觀察訊號，而非裁撤預算的理由。

資料、安全與風控：第二主線與新興信號的分界

資料職能在 180 天為 2,123 個，占 27.9%；90 天 1,123 個，占 28.0%，兩個長窗口幾乎一致，說明資料仍是第二大職能。可是 30 天降到 65 個，占 13.3%；7 天只剩 5 個，占 7.9%。這種長中窗口穩定、短窗顯著收縮的組合，對人才研究的意義是：資料職能的需求基礎仍在，但短期發布節奏或採集覆蓋可能出現波動。對前沿科技招聘而言，資料科學、資料管理、安全分析與資料全棧仍屬任務關鍵型人才，不宜因 7 天只有 5 個就判定資料職能退場。

安全與風控則是另一個方向。安全職能在 180 天 508 個，占 6.7%；90 天 325 個，占 8.1%；30 天 60 個，占 12.3%；7 天 10 個，占 15.9%。risk/compliance 主題在 180 天 94 個，占 1.2%；90 天 36 個，占 0.9%；30 天 15 個，占 3.1%；7 天 5 個，占 7.9%。短窗占比抬升很明顯，但 7 天絕對量只有 5 到 10 個，不能直接確認長期趨勢。企業可以把安全與風控列為觀察型關鍵職位，先建立人才地圖與判斷標準，再等待更長窗口驗證。

Agent/RAG 與數位資產：穩定主題與小樣本訊號的差別

Agent/RAG 是少數在四個窗口都保持穩定區間的主題：180 天 925 個，占 12.1%；90 天 471 個，占 11.7%；30 天 64 個，占 13.1%；7 天 11 個，占 17.5%。四窗落在 11% 到 18% 之間，短窗沒有明顯走弱。新增樣本覆蓋 Fullstack AI、Graphic Design、Data Scientist Risk、Mantle 生態研究與行銷，職能跨越工程、設計、資料與市場。這表示 Agent/RAG 已經不是單一工程職位，而是逐漸滲透到產品、風控、設計與商務場景。企業若只把它當成模型工程職缺，可能會漏掉真正能推動落地的跨職能人才。

數位資產相關細分則是典型小樣本訊號。Web3 infra 在 180 天 152 個，占 2.0%；90 天 81 個，占 2.0%；30 天 22 個，占 4.5%；7 天 1 個，占 1.6%。wallet/payment 在 180 天 45 個，占 0.6%；90 天 27 個，占 0.7%；30 天 10 個，占 2.0%；7 天 2 個，占 3.2%。trading infra 在 30 天 2 個，7 天為 0。這些數字顯示數位資產基礎設施、錢包支付與交易系統需求存在，但短窗波動極大，不能據此寫成垂直市場結論。對前沿科技公司來說，這些職位可以是策略性觀察名單，但不宜在樣本不足時投入過度招聘資源。

薪酬揭露與職級結構：高確定性招聘的隱形門檻

薪酬揭露缺口在短窗明顯擴大。薪資 unknown 在 180 天 1,584 個，占 20.8%；90 天 772 個，占 19.2%；30 天 219 個，占 44.8%；7 天 45 個，占 71.4%。strong 信號在 30 天為 270 個，7 天為 18 個。7 天超過七成沒有可用薪酬信號，意味著短期薪資橫向比較與漲幅判斷的可靠性很低。企業若用 7 天或 30 天資料來設定薪酬區間，可能會錯估關鍵職位的市場價格，尤其是在 AI 基礎設施與資料平台這類供給稀缺的領域。

職級結構同樣需要謹慎。none 在 180 天占 63.6%，90 天 64.0%，30 天 66.3%，7 天 66.7%；senior 在 30 天占 11.7%，7 天占 12.7%；lead 在 7 天占 3.2%；head 在 7 天為 4 個，principal 為 2 個，vp 為 2 個，architect 與 director 為 0。短窗高級職位絕對量過小，不能確認高職級需求正在抬升。任務關鍵型人才往往落在 senior、lead、principal 或 head 層級，企業若只看短窗占比，會誤以為高級職位稀少，或反之誤判高級職位大量釋出。更合理的做法，是用長中窗口建立職級基準，再用短窗追蹤個別關鍵職位的出現頻率。

Talentverse 判斷：哪些關鍵職位值得優先，哪些誤讀要避免

把上述訊號放在一起，Talentverse 的判斷是：市場總量微增、長中窗口動能回落，並不等於前沿科技招聘進入收縮期，而是需求更集中在少數任務關鍵型職位。AI 基礎設施在 90 天占 71.4%，仍是最高優先級；資料職能長窗口約 28%，仍是第二大主線；Agent/RAG 在 11% 到 18% 之間穩定存在，代表跨職能落地能力正在成為常態需求。企業應優先布局 AI 平台工程、ML 系統、資料全棧、資料科學與具備 Agent/RAG 產品化經驗的人才，並把安全、風控與數位資產細分放入觀察名單，而不是立即當成全面擴編題。

最容易被誤讀的地方有三個。短窗占比的升跌很容易被當成趨勢反轉，但 7 天只有 63 個樣本，任何變動都可能來自採集與發布節奏。薪酬 unknown 在 7 天占 71.4%，讓短期薪酬比較失去判斷力，企業不應據此壓低或抬高關鍵職位待遇。數位資產與風控短窗占比上升，但絕對量只有個位數到十位數，若沒有長窗口支持，過早加碼會讓招聘策略承擔不必要的波動。

高確定性招聘的價值，正是在這種長中窗口主線清楚、短窗噪音很大的市場裡顯現。企業不需要對每個短窗訊號做出反應，而需要對少數真正影響產品與技術路線的職位建立持續人才研究、校準職級與薪酬判斷，並在合適人才出現時快速決策。當市場總量只增加約 17 個、90 天與 30 天絕對量又低於上一期，真正稀缺的不是履歷數量，而是能判斷哪些職位值得等待、哪些人才值得高確定性投入的能力。這才是 AI 原生人才策略在前沿科技招聘中的核心。