全球招聘收縮斜率邊際緩和：AI 基礎設施仍主導，資料與演算法短窗回擺

收縮仍在，短端訊號開始鬆動

截至 2026 年 10 月 30 日，全球結構化職缺樣本在 180／90／30／7 天分別為 7,763／2,763／469／73 個，90 天對 180 天為 0.3559，30 天對 90 天為 0.1697，7 天對 30 天為 0.1557；換算月度供給約 1,294／921／469／313 個。這組數字說明市場仍在收縮，但 7 天折算供給約為 30 天月均的 66.7%，比上一版低點回升，短端斜率有邊際緩和。

這種緩和不能直接解讀為拐點。7 天只有 73 個樣本，單一職位就可能改變約 1.4 個百分點，任何短窗佔比都容易被少量高階或高薪職位放大。對前沿科技公司的招聘判斷而言，總量仍應以情境帶管理，而不是因一週回升就全面恢復編制；任務關鍵型職位則要與一般執行職位分開評估，避免用總量噪音掩蓋關鍵人才缺口。

AI 基礎設施主導，但需求正在分層

AI 基礎設施仍是第一主題，180／90／30／7 天佔比為 55.06%／64.89%／46.27%／46.58%，絕對量 4,274／1,793／217／34 個。7 天佔比較上一版回升，但仍比 90 天峰值低 18.31 個百分點；Agent／RAG 佔 12.26%／12.16%／12.79%／10.96%，7 天回落，兩者合計 57.53%，低於 90 天的 77.05%。

這表示短窗並不是單一 AI 敘事，其他主題在 7 天佔 30.14%，需求更可能從單點模型能力轉向平台化、場景化與落地交付。企業在補 AI 基礎設施、ML Ops、推論優化與 Agent harness 的同時，也在補能將 AI 接入產品與業務流程的角色。對關鍵職位的判斷，不能只看 AI 標籤，而要分辨職位究竟在建立可重用平台、負責模型可靠性與成本，還是承擔短期場景交付；三者的人才稀缺度與招聘風險不同。

資料與演算法回擺，通用工程降溫

職能結構在短窗回擺：AI／演算法佔 33.40%／32.90%／25.80%／30.14%，資料佔 27.35%／23.16%／9.81%／17.81%，技術工程佔 17.93%／17.12%／21.32%／9.59%。7 天資料與 AI 合計 47.95%，高於 30 天的 35.61%；技術工程從 30 天 21.32% 降至 7 天 9.59%。新增樣本出現 ML Ops、Principal ML、ML 負責人、AI 工程師、資料科學與資料平台角色，顯示需求從通用後端與 DevOps 轉向資料、模型與場景化 AI。

但這不是演算法團隊單獨擴張的證據。7 天樣本僅 73 個，資料與 AI 的回升可能由少數職位集中造成。企業更合理的做法，是把資料平台、ML 平台、推論工程與 Agent 相關職位列為任務關鍵型人才池，並用能力證據與過往交付複雜度來判斷，而不是用職稱或關鍵字篩選。通用工程職位若只是執行層補位，招聘優先級應低於能直接提升模型交付可靠性與資料資產可用性的角色。

商業化補位高位回落，安全與風控訊號分化

商務、市場、銷售、產品、運營合計佔 8.99%／11.73%／21.54%／24.66%，仍高於長窗，但 7 天從上一版 38.46% 回落至 24.66%；7 天商務 2.74%、市場 6.85%、銷售 4.11%、產品 2.74%、運營 8.22%。30 天仍達 21.54%，說明企業持續補 GTM、銷售與運營，但補位不是單向擴張。對前沿科技公司而言，商業化職位應聚焦能縮短產品到收入距離的關鍵角色，而不是用大量一般銷售或運營職位填補組織焦慮。

安全職能佔 7.15%／9.01%／10.23%／6.85%，30 天衝高後 7 天回落；風險／合規主題佔 1.19%／1.34%／2.99%／4.11%，7 天升至四窗最高但僅 3 個。安全職能同時承載身份、風控、調查與客戶服務，不能把安全職能上行直接等同於統一合規需求上行。短窗風險訊號有抬頭，但證據強度低，適合列入觀察名單，不宜據此全面調整安全與合規團隊的招聘計畫。

職級與薪酬訊號稀薄，判斷需要更保守

職級標註仍稀疏，none 佔 63.78%／64.93%／65.67%／72.60%，senior 佔 17.00%／14.62%／13.01%／9.59%，lead 佔 6.27%／6.66%／8.10%／8.22%，director 佔 2.36%／2.28%／2.77%／6.85%。7 天 director 為 5 個、lead 為 6 個，佔比抬升主要由小樣本驅動；高階職位並未隨短窗回升擴張，組織更可能以未標註或中階職位補充執行層。

薪酬 unknown 佔 22.19%／27.47%／51.60%／35.62%，strong 佔 77.81%／72.53%／48.40%／64.38%。30 天近半職位缺薪酬訊號，7 天雖修復約 16 個百分點，仍高於長窗。薪酬揭露缺口只表示資訊不足，不等同於薪酬水準下降；企業若要用薪酬帶做人才判斷，必須另外建立職位基準，不能把 unknown 比例當成市場薪資變化。數位資產相關主題合計佔 3.19%／4.05%／7.68%／5.48%，7 天僅 4 個，且結構化主題與標題關鍵字存在口徑差異，只能作為細分訊號。

Talentverse 判斷：關鍵職位優先於總量修復

這次變化的核心不是招聘市場回到擴張，而是收縮中的結構再分配：AI 基礎設施仍主導，資料與演算法在短窗回擺，商業化補位從高位回落，安全與風險／合規出現方向分化。對前沿科技公司而言，真正需要優先補的是能建立 AI 平台、提升推論可靠性、打通資料資產與產品交付的任務關鍵型人才；這些職位的錯配成本遠高於一般執行職位，不能用總量修復的節奏來決定。

企業可能誤讀的地方有三個。把 7 天折算供給回升當成拐點，會過早放寬關鍵職位的判斷標準；把 AI 基礎設施佔比仍高當成所有 AI 職位都好招，會忽略平台、推論與 Agent 工程之間的稀缺度差異；把商業化補位當成全面擴張，會在 GTM 與運營職位上重複配置。高確定性招聘的價值，正是在訊號嘈雜、樣本偏小的窗口裡，仍能用職位任務、能力證據與業務關鍵性做出可被檢驗的判斷，而不是追逐短期佔比。