AI 基礎設施主導跨窗口招募，短窗回升難掩長中動能降溫

AI 基礎設施仍是主軸，但短窗集中度已鬆動

截至 2026-10-15，本次結構化招募樣本在 180 天、90 天、30 天與 7 天窗口分別為 7816、3455、432 與 153 筆。AI 基礎設施在四個窗口佔 54.3%、69.1%、44.2% 與 40.5%，數量為 4240、2386、191 與 62，仍是跨窗口最大主題。這個結構說明，前沿科技公司的關鍵職位需求並沒有離開 AI 基礎設施，但短窗佔比從 90 天的 69.1% 降至 7 天的 40.5%，且低於上一版 7 天 46.5%，集中度確實鬆動。

對技術與產品人才判斷而言，AI 基礎設施不能只用一個職稱概括。推論平台、訓練平台、資料基礎設施、AI 解決方案工程與模型可靠性工程，面對的任務與能力證據不同。招募資源若只追逐「AI」標籤，容易錯配；若能把關鍵職位拆到能力層，才可能用高確定性招聘補進真正影響產品週期與平台穩定性的任務關鍵型人才。

短窗回升與長中降溫並存，招募判斷不能只看一週

總量動能比 90d/180d=0.4420，低於上一版 0.4582，顯示長中窗口需求動能繼續走弱。30d/90d=0.1250 與 7d/30d=0.3542 雖高於上一版 0.1052 與 0.2654，但 7 天絕對量僅 153 筆，任何比率反彈都可能被少量職缺放大。這不是可以確認反轉的證據，而是提醒團隊區分短窗噪音與長中結構。

前沿科技公司在這種環境下，最容易誤讀的是「短窗回升等於全面擴編」。長中窗口仍弱，代表人才市場的供給與需求並沒有同步轉強；真正值得投入的是能直接影響產品、平台、營收或安全的高確定性職位。若因一週資料改變整體招募節奏，反而會讓關鍵職位與非關鍵職位爭奪同一套資源。

資料職能與 Agent/RAG 的韌性需要拆開看

資料職能在 180 天與 90 天佔 27.5% 與 24.7%，數量為 2146 與 852，長中窗口仍是第二大結構；但 30 天與 7 天僅 9.3% 與 5.9%，數量 40 與 9，低於上一版短窗 11.0% 與 11.1%。AI/演算法與資料合計在 180 天約 61.5%、90 天約 56.8%、30 天約 37.5%、7 天約 29.4%，顯示 AI 與資料主導長中結構，但短窗更分散。

Agent/RAG 四窗口佔 12.3%、11.5%、13.9% 與 9.2%，數量為 961、396、60 與 14。它在 90 天與 30 天仍活躍，7 天卻跌破 10%，且絕對量只有 14 筆。這意味著 Agent 產品經理、Agent 評測工程、Agent Harness 工程與系統整合工程值得優先研究，卻不宜在證據不足時全面擴編。高確定性招聘在這裡的意義，是先找到能定義架構、評測標準與交付邊界的人，再讓職位數量跟隨產品證據。

安全、風控與數位資產：三個容易被誤讀的訊號

安全職能四窗口佔 6.9%、8.7%、10.9% 與 11.8%，數量為 540、301、47 與 18，短窗超過 10%；risk/compliance 主題僅 1.2%、1.0%、3.0% 與 2.6%，7 天只有 4 筆。這代表安全工程需求與合規風控需求並未同步。資安架構、資訊安全與安全研究屬於技術與產品人才管線；政策監管、風險治理與合規屬於另一條管線，混在一起會錯判優先順序。

數位資產相關主題也容易被放大。Web3 基礎設施、錢包/支付與交易基礎設施合計在 180 天與 90 天僅 3.2% 與 3.5%，短窗 8.8% 與 9.8%，數量為 251、122、38 與 15。短窗接近 10% 值得注意，但長窗口仍低，只能作為細分訊號。若公司本身位於支付、錢包、交易或區塊鏈基礎設施，這些職位可能是任務關鍵型人才；若不在這個賽道，則不應據此調整主招募策略。

薪酬缺口與職級結構：人才判斷的證據品質問題

薪酬 unknown 在 180 天與 90 天佔 21.9% 與 23.4%，到 30 天與 7 天升至 57.4% 與 57.5%。短窗超過一半樣本沒有薪酬訊號，不能把 unknown 佔比當作薪酬下行證據。對關鍵職位而言，薪酬方案仍須靠直接市場研究、候選人對話與長窗口證據校準，否則容易在短窗雜訊中做出錯誤的 offer 判斷。

職級結構總體穩定。none 在四窗口佔 63.4%、64.3%、63.9% 與 64.7%，senior 佔 17.2%、16.1%、13.2% 與 12.4%，lead 佔 6.3%、6.3%、7.9% 與 9.2%。7 天 lead 只有 14 筆、staff 7 筆、head 4 筆、director 3 筆，高階職位短窗略升但絕對量小。Senior+ 人才判斷應回到任務複雜度、影響範圍與可驗證成果，不宜因短窗職級波動而調整關鍵職位薪酬或職稱。

Talentverse 判斷：把招募資源集中在任務關鍵型人才

Talentverse 認為，這份樣本呈現的不是全面招募擴張，而是 AI 基礎設施主導下的結構分化。長中動能走弱、短窗比率回升、資料職能與 Agent/RAG 短窗轉弱、安全與風控背離、薪酬揭露缺口擴大，這些訊號共同要求前沿科技公司把人才判斷從職缺數量轉向任務關鍵型職位與高確定性招聘。

優先職位應放在 AI 基礎設施中的推論平台、訓練平台、資料基礎設施與 AI 解決方案工程，以及能支撐 AI 產品的資料平台與應用資料科學。Agent 評測、Agent Harness 與資安架構也具策略價值，但應以高確定性招聘驗證職責與產出後再擴編。企業最可能誤讀的是把短窗反彈當成長期復甦，或把安全職能與風控主題、數位資產短窗訊號合併成單一敘事。

當 7 天樣本只有 153 筆、薪酬 unknown 超過一半，高確定性招聘的價值反而更高。它讓公司在雜訊中辨認少數真正影響產品、平台、營收與安全的關鍵職位，而不是用職缺數量回應不確定的市場。Talentverse 的判斷是：AI 基礎設施值得長期投入，資料與 Agent/RAG 需要更細的能力拆解，安全、風控與數位資產必須分開看，關鍵職位則要用更強的證據品質來做人才判斷。