AI 基礎設施主導需求，資料與安全短窗波動：前沿科技人才市場的結構訊號

需求總量仍在收縮，短窗回升不足以宣告反轉

截至 2026 年 10 月 9 日，Talent Signal 的可觀察樣本在 180 天為 7,714 筆、90 天 3,648 筆、30 天 357 筆、7 天 76 筆。90d/180d 為 0.4729，低於上期的 0.4932，代表最近三個月的需求密度相對半年基期仍在往下走；30d/90d 為 0.0979，僅略高於上期 0.0953，7d/30d 則由 0.2825 降至 0.2129。三個比值指向同一個判斷：市場並沒有回到擴張軌道，短窗的上下擺動更像是樣本量不足造成的抖動。

對前沿科技公司而言，這組數字的意義不只是市場變冷。當長中窗口的需求動能偏弱，企業內部的關鍵職位反而更容易被稀釋成一般職缺，招募節奏會從補齊人數轉向確認少數真正決定產品節奏的位置。任務關鍵型人才的定義因此變得比以往更嚴格，判斷依據也必須從一週的熱度，移到九十天以上的結構。

7 天只有 76 筆樣本，任何主題在 7 天內增減一、兩筆，就會造成一到三個百分點的位移。把這種位移當成趨勢，最直接的代價是錯配：團隊會為了追逐短期訊號而開出規格模糊的職缺，最終在半年後發現真正缺的是資料平台或模型評估能力，而不是當週最熱門的職稱。

AI 基礎設施是唯一具備跨窗口主導性的主線

AI 基礎設施在 180／90／30／7 天的占比為 54.2%／70.3%／46.2%／55.3%，四個窗口都是最大主題，90 天與 7 天都超過五成。這是本期報告中唯一同時具備規模與穩定度的結構性訊號，代表企業對推論成本、訓練效率、資料管線與平台上線速度的投資仍在持續。

30 天回落到 46.2% 值得注意，但不需要過度解讀。它的合理說明是短窗需求被其他職能分流，特別是當安全與資料職能在 30 天同步上升時，AI 基礎設施的占比自然被壓縮。7 天回升到 55.3%，說明這樣的分流並沒有改變主題的主導地位。

對人才判斷的意義在於：AI 基礎設施不是單一職稱，而是一組互相依賴的能力組合，包含分散式訓練、推論最佳化、資料平台與平台可靠性。前沿科技公司在定義關鍵職位時，應優先確認這個組合中缺少的是哪一層，而不是在市場上尋找最搶手的職稱標籤。

資料與安全：短窗佔比走高，但絕對量還撐不起結論

資料職能長中窗口穩定在 27.7%／26.1%，仍是第二大職能；短窗占比則由 30 天 10.6% 回升到 7 天 15.8%。表面上看是回升，但對應的絕對量只有 38 筆與 12 筆，任何一筆變動都會明顯改寫比率。比較穩健的說法是：資料職能的需求沒有消失，也沒有出現可確認的結構性回升。資料平台主題的走勢正好說明這種落差，它在 180／90／30／7 天的占比為 6.2%／3.0%／0.6%／0%，長窗口仍有意義，短窗則幾乎歸零。

安全職能的短窗占比持續抬升，從 180 天的 6.8%、90 天 8.3%、30 天 10.6% 到 7 天 13.2%；但風控與合規主題僅 1.2%／0.9%／3.6%／2.6%，7 天只有 2 筆。兩個訊號沒有同步，代表目前的變動更接近職能標籤的移動，而不是風控需求整體上行。安全類人才的重要性正在上升，但把它直接等同於合規招募潮，會讓職位設計失焦。

這兩條線索合起來的判斷是：短窗占比可以拿來建立觀察名單，不能拿來決定編制。資料與安全都是需要提前佈局的領域，但它們的證據強度還不到可以支撐大規模擴編的程度。

Agent 與 RAG 的穩定度，僅次於 AI 基礎設施

Agent／RAG 在 180／90／30／7 天的占比為 12.3%／11.9%／14.6%／15.8%，四個窗口都超過一成，7 天接近 16%，是除 AI 基礎設施之外最穩定的細分主題。新增樣本涵蓋資深 Agent 工程、產品經理與 LLM 應用資料科學職位，說明這個主題已經從研究階段進入產品與平台階段。

穩定的細分主題比爆量的單一週更有價值。Agent 與 RAG 的需求同時出現在工程、產品與資料三條線上，意味著企業需要的是能定義評估標準、處理檢索品質與控制推論成本的人，而不是只會呼叫模型的實作者。這類職位在市場上的供給本來就薄，人才判斷的難度也最高。

對前沿科技招聘來說，這是最值得提前建立關係的主題之一。它的成長不需要靠單週的樣本暴增來證明，只要占比持續維持在兩位數，就足以支撐企業在關鍵職位上採取高確定性招聘的做法：先確認需求的本質，再決定人選輪廓。

薪酬揭露缺口，限制了短窗的人才判斷

薪酬未揭露的比例在 180／90 天約 21.3%／21.5%，到了 30 天與 7 天則跳到 54.9%／56.6%。短窗超過一半的樣本缺少薪酬訊號，任何以短窗為基礎的薪酬橫向比較與漲幅推論都不可靠，也不能把未揭露樣本當成薪酬下行的證據。這個缺口是方法論問題，不是市場訊號。

它對人才策略的直接影響是：企業在短窗內看到的薪資水位，很可能只是揭露偏好造成的偏差，而不是真實價格。若以此調整薪酬區間，容易在關鍵職位上做出兩種錯誤決策，一種是把價格訂得過低而錯過人才，另一種是過度加價而破壞內部薪資結構。

比較穩健的做法，是把薪酬判斷建立在長窗口樣本與內部職級架構上，並把短窗數字當成需要驗證的線索。當揭露率回到三成以上，短窗薪酬訊號才具備參考價值。

Talentverse 判斷：哪些關鍵職位值得優先下注

這一期的結構告訴我們，市場並沒有進入普遍性擴編，而是集中在少數能力組合上。AI 基礎設施在四個窗口都維持主導，Agent 與 RAG 穩定在兩位數，資料與安全則是短窗占比上升但絕對量不足的觀察項。職級結構也支持同樣的結論：none 職級在四個窗口都占六成上下，資深層占比在 13% 至 17% 之間，7 天 head 僅 5 筆、lead 僅 6 筆，高階職位的擴張無法確認。

優先順序因此相對清楚。第一順位是能同時處理推論成本與資料管線的基礎設施人才，第二順位是具備評估設計能力的 Agent 與 RAG 人才，第三順位則是資料平台與模型風險相關角色，但它們適合以儲備與預先建立關係的方式進行，而不是立即開出多個職缺。數位資產相關的 Web3 基礎設施、錢包與支付、交易基礎設施，在四個窗口的占比合計不足 5%，7 天 Web3 基礎設施僅 2 筆、交易基礎設施為 0，只能維持細分訊號的定位。

企業最可能誤讀的地方，是把短窗占比當成需求轉向，並據此調整職位規格。當樣本量只有數十筆時，占比的變化幅度會被放大，職位描述也容易跟著漂移，最後開出的規格既不符合長期架構需求，也難以在市場上找到對應人才。

高確定性招聘的價值正在這裡。當總量偏弱、雜訊偏多，真正拉開差距的不是招募速度，而是判斷品質：能不能在需求還沒被市場普遍確認之前，就辨識出哪一層能力會決定未來十二個月的產品節奏。這也是 Talentverse 在 AI 原生人才策略上的一貫立場，關鍵職位的判斷應該建立在跨窗口的結構證據上，而不是單一週期的熱度。