AI 基礎設施主導下的短窗回溫:關鍵職位需求正集中到少數任務
本報告基於 Talentverse 自研產品 Talent Signal 收集與整理的公開招聘訊號樣本,呈現對前沿科技人才市場的結構化觀察。
本期結構化人才訊號在 180/90/30/7 天分別為 7,759/2,413/485/134 筆,換算日均 43.1/26.8/16.2/19.1 筆;90d/180d、30d/90d、7d/30d 數量比為 0.311、0.201、0.2763。長端收縮格局未改,7 天日均較 30 天回升約 18.4%,但仍僅為 90 天日均的 71.4%、180 天日均的 44.4%。主題上,AI 基礎設施占 55.57%/62.74%/42.06%/42.54%,agent/RAG 占 12.31%/11.60%/12.16%/14.18%,7 天兩者合計 56.72%。職能上,7 天 AI/演算法占 47.01%,資料僅 4.48%,技術 11.94%;前台五職能合計 9.27%/13.30%/22.89%/17.91%,短窗較 30 天回落。安全與風險合規在 30 天抬升後於 7 天回落,數字資產三類主題 7 天約 4.49%,仍屬細分訊號。新增 35 筆樣本中 AI/演算法 16 筆、AI 基礎設施 11 筆;短窗樣本小且薪酬未知約 51.5%,結論置信度受限。
四窗口樣本量(180/90/30/7 天)
7,759/2,413/485/134
長端樣本厚、短端樣本薄;7 天僅 134 筆,占比變化容易被少量職缺放大。
日均職缺訊號
43.1/26.8/16.2/19.1
7 天日均較 30 天回升約 18.4%,但仍低於 90 天與 180 天日均。
窗口衰減比
0.311/0.201/0.2763
依序為 90d/180d、30d/90d、7d/30d;長端收縮未改,短窗回升不足以確認反轉。
短窗回溫,但長端收縮仍是主軸
7,759/2,413/485/134 筆,分別對應 180/90/30/7 天窗口;換算日均為 43.1/26.8/16.2/19.1 筆,90d/180d、30d/90d、7d/30d 的數量比是 0.311、0.201、0.2763。這組數字的第一層含義不是市場回暖,而是長端仍厚、短端仍薄。7 天日均較 30 天回升約 18.4%,看起來像短窗反彈,但它只有 90 天日均的 71.4%、180 天日均的 44.4%,對前沿科技招聘而言,更像少量關鍵職位集中釋出,而不是全面需求復甦。
對任務關鍵型人才的判斷,這種窗口結構很重要。企業若把 134 筆短窗訊號當成市場鬆動,就容易放寬標準,忽略真正稀缺的是能對 AI 系統交付負責的人。相反地,長端收縮提醒企業要把職位組合收斂到少數高影響力角色,先問這個職位是否直接影響產品、風險或營收,再決定是否啟動高確定性招聘。
AI 基礎設施主導,agent/RAG 在短窗抬頭
AI 基礎設施占 55.57%/62.74%/42.06%/42.54%,四窗口都居第一主題;agent/RAG 占 12.31%/11.60%/12.16%/14.18%,7 天兩者合計 56.72%,但仍低於 90 天合計的 74.34%。這說明平台型需求沒有消失,只是短窗集中度尚未回到 90 天峰值;agent/RAG 的 7 天上升,則反映需求更偏向可落地系統、檢索品質與應用可靠性。
前沿科技公司若只看到「AI 很熱」,很容易把所有 AI 職位混在一起。實際上,AI 基礎設施與 agent/RAG 對人才證據的要求不同:前者看推論延遲、算力效率、服務可靠性與成本控制,後者看檢索設計、評估方法、故障處理與生產環境整合。任務關鍵型職位的判別,應該從這些交付責任出發,而不是從職稱關鍵字出發。
職能位移:AI/演算法單側拉動,資料職能明顯收縮
AI/演算法占 33.19%/33.61%/30.52%/47.01%,7 天比 30 天高 16.49 個百分點;資料占 27.14%/21.42%/8.04%/4.48%,7 天只剩 6 筆;技術占 17.79%/16.12%/16.70%/11.94%。這不是資料與技術同步擴張,而是 AI/演算法單側拉動。7 天 AI/演算法與資料合計 51.49%,低於 90 天的 55.03% 與 180 天的 60.33%,進一步說明短窗需求集中,但整體技術職能廣度沒有同步放大。
這對人才策略的含義是,資料能力並沒有消失,而是被重新嵌入 AI 職位。企業需要辨識哪些人能對資料品質、標註規範、評估集設計與模型效果負責;這些工作可能掛在 AI/演算法、平台或營運職稱之下。若只因資料職能占比降到 4.48% 就停止投資資料人才,很可能在模型可靠性與產品迭代上付出更高代價。
前台補位與安全合規:短窗訊號需要降噪
前台五職能合計占 9.27%/13.30%/22.89%/17.91%,7 天比 30 天低 4.98 個百分點,雖仍高於 180/90 天,但不能稱商業化擴張加速。安全職能占 7.28%/9.37%/9.28%/7.46%,risk/compliance 占 1.12%/1.62%/3.30%/2.24%;30 天是階段高點,7 天沒有延續。這些訊號需要降噪,不能把短期補位當成長期組織定型。
數字資產三類主題合計約 3.03%/4.22%/6.80%/4.49%,7 天約 6 筆,低於 30 天但高於 180 天,仍屬細分訊號。對企業而言,商務、市場與一般合規職位宜選擇性配置;支付、驗證者工程、TEE 與交易基礎設施則可依具體產品里程碑布局。安全與風險職位尤其要按任務域拆分,否則很容易用通用合規職稱掩蓋真正的能力缺口。
職級與薪酬訊號稀疏,高確定性招聘更依賴校準
職級標註稀疏化延續:none 占 63.70%/65.11%/70.52%/69.40%,senior 占 16.92%/14.42%/10.10%/6.72%,lead 占 6.40%/7.38%/8.87%/14.18%。7 天 lead 占比上升,但 director 為 0、principal 2 筆、head 2 筆、vp 1 筆、founding 5 筆,不能視為組織層級整體上移。薪酬 unknown 占 22.61%/30.29%/51.55%/51.49%,strong 占 77.39%/69.71%/48.45%/48.51%,短窗缺口穩定在約一半。
在這種資訊條件下,企業不能用職缺標題推斷職級與薪酬,也不能用少量高階職位推論組織擴張。高確定性招聘需要更嚴謹的職級校準、薪酬帶設計、工作樣本與參考查核;對關鍵職位而言,這些步驟不是流程負擔,而是降低誤聘成本的核心能力。
Talentverse 判斷:把短窗集中視為任務關鍵職位的優先序
Talentverse 的判斷是,這一輪變化不是全面擴張,而是需求向少數任務關鍵型職位集中。AI 基礎設施仍主導,agent/RAG 在短窗抬頭,AI/演算法占 7 天 47.01%,但資料僅 4.48%、技術 11.94%,說明企業正把資源集中在能直接影響模型與系統交付的角色。應優先布局 AI 平台、推論、評估、RAG 可靠性與 AI 資料生產相關職位;安全與風險合規採任務域選擇性配置;商務與市場不宜因少量短窗樣本而全面擴編。
企業最可能誤讀的是把 7 天日均回升 18.4% 當成市場鬆動,或把 AI/演算法占比上升當成所有 AI 職位都同樣重要。實際上,134 筆短窗樣本、51.49% 薪酬未知與稀疏職級標籤,都要求更高的人才判斷紀律。高確定性招聘的價值,正是在訊號不完整時仍能辨識真正影響任務成敗的少數人才,並把職位優先序、面談證據與薪酬校準連成一條可執行的決策鏈。
方法說明
本報告以 180 天窗口的 7,759 筆結構化人才訊號為樣本,並比較 180/90/30/7 天四個窗口;其中短窗樣本 134 筆、新增樣本 35 筆。posted_at 事實 7,094 筆,collected_at 回退 665 筆,歷史基線不代表完整真實半年歷史,短窗占比與職能變化應以低到中等置信度解讀。報告保留主題、職能、職級與薪酬揭露的相對結構,不對外揭露原始職缺連結或完整職缺描述。
Talent Signal / v60 / 2026-11-08