Talent Signalv637,341 個樣本

AI 基礎設施仍主導,短窗招聘走向分散:2026 年 11 月前沿科技人才市場觀察

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。

截至 2026 年 11 月 17 日,180/90/30/7 天招聘總量為 7,341/1,970/414/88 條,90d/180d、30d/90d、7d/30d 比率為 0.2684/0.2102/0.2126,日均約 40.8/21.9/13.8/12.6 條。AI 基礎設施占比由 57.9% 降至 29.5%,Agent/RAG 穩定在 12% 上下,兩者合計由 70.0% 降至 42.0%,其他主題升至 44.3%。資料職能由 26.1% 降至 5.7%,AI/演算法由 33.1% 降至 20.5%,技術短窗回升至 19.3%。未標註職級升至 81.8%,薪酬 unknown 升至 58.0%。

樣本總量

7,341 條

180 天全量結構化事實;90/30/7 天分別為 1,970/414/88 條。

AI/演算法職能占比

33.1% / 33.0% / 31.2% / 20.5%

180/90/30/7 天占比;短窗仍為第一職能,但優勢收窄。

資料職能占比

26.1% / 16.6% / 8.5% / 5.7%

180/90/30/7 天占比;7 天僅 5 條,短窗訊號弱。

招聘總量收斂,關鍵職位需求並未同步消失

2026 年 11 月 17 日的樣本顯示,180/90/30/7 天招聘總量為 7,341/1,970/414/88 條,90d/180d、30d/90d、7d/30d 分別為 0.2684、0.2102、0.2126。總量逐級收斂,但換算日均約 40.8/21.9/13.8/12.6 條,7 天與 30 天接近,說明收縮更多集中在中長端,而不是最新一週突然加速。對前沿科技招聘而言,這不是需求消失的訊號,而是職位供給變得更薄、更分散,企業更難用單一管道看見完整的競爭樣貌。

當總量下降但短窗日均趨穩,任務關鍵型人才判斷要回到職位本身的不可替代性。AI 基礎設施、Agent/RAG、資料與安全等主題仍然存在,但不同主題在長中短窗的占比變化很大;如果只用 7 天或 30 天比例做招聘決策,容易被少量樣本放大。更合理的做法,是把 180 天結構當作基線,把 90 天與 30 天當作方向,把 7 天當作預警。這樣的節奏能讓企業在需求分散時仍保持面談與人才研究的連續性。

AI 基礎設施仍主導,但短窗需求正在分散

AI 基礎設施占 180/90/30/7 天 57.9%/57.3%/38.4%/29.5%,仍是第一主題;Agent/RAG 穩定在 12.1%/12.3%/13.8%/12.5%,兩者合計從 70.0% 降至 42.0%,其他主題從 17.3% 升至 44.3%。這組數字的含義是,平台型 AI 基礎設施仍是長期主軸,但短窗新增需求正在轉向更分散的交付、全端、產品與商業化角色。對招募團隊而言,職位地圖不能只寫「AI 工程師」,而要拆成基礎設施、模型應用、Agent 工作流、資料管線與客戶交付等不同能力叢集。

Agent/RAG 的占比穩定,說明它不是短期噪音;但合計占比下降,並不代表 Agent/RAG 不重要,而是其他主題在短窗補位。前沿科技公司若正在建置 AI 原生產品,應優先確認哪些職位直接影響模型落地與客戶價值,而不是追逐最熱關鍵字。短窗分散也可能是樣本組成變化,尤其 7 天僅 88 條,任何比例波動都應以證據門檻解讀。這裡的招募意涵是,把 AI 基礎設施拆成可驗證的任務關鍵型能力,並用工作樣本而非職稱判斷候選人。

資料、安全與前台職能的分化訊號

資料職能占 180/90/30/7 天 26.1%/16.6%/8.5%/5.7%,7 天僅 5 條;AI/演算法占 33.1%/33.0%/31.2%/20.5%,技術占 17.8%/17.6%/15.0%/19.3%。資料職能短窗接近邊緣化,但這不能解讀為資料人才不再重要,而是樣本中的資料職缺更集中、更分散,且與 AI/演算法職能邊界重疊。企業在做任務關鍵型招聘時,應區分資料基礎設施、資料產品、分析與機器學習資料工程,避免把「資料」當成單一職類。

安全占 7.7%/9.6%/7.5%/6.8%,risk/compliance 占 1.1%/2.0%/3.4%/2.3%,合計 8.8%/11.6%/10.9%/9.1%,7 天僅 8 條。安全與風險合規沒有延續短窗抬升,信心偏低,適合放在觀察清單而非主敘事。前台五職能(產品、商務、市場、營運、銷售)占 9.9%/15.9%/27.1%/31.8%,7 天 28 條,短窗補位更多來自商業化與營運,而不是工程執行。對前沿科技公司而言,這提示 AI 產品落地需要能理解技術、定價、交付與客戶成功的複合型人才;但 28 條的絕對量仍小,不宜過度外推。

職級與薪酬缺口如何改變人才判斷

職級未標註占 180/90/30/7 天 64.2%/66.3%/72.2%/81.8%,senior 占 16.5%/13.1%/9.7%/11.4%,lead 占 6.5%/7.8%/9.4%/3.4%,director/head/vp 合計 3.96%/4.47%/3.86%/0.0%。短窗高層訊號幾乎缺席,不能據此宣稱高階需求消失;更合理的解讀是,樣本更偏執行層與未標註職位,職級資訊不足使市場分層難以辨識。高確定性招聘需要把職級、職責範圍、決策權與薪酬結構分開驗證。

薪酬 unknown 占 23.3%/36.0%/49.3%/58.0%,strong 占 76.7%/64.0%/50.7%/42.0%,30 天與 7 天超過一半職位缺少可比較薪酬訊號。這會直接降低薪資標竿的可靠性,也讓以價搶人的策略更難驗證。企業應改用總薪酬情境、股權與現金組合、入職後 12 個月目標來校準,而不是用單一職缺薪資推斷市場。新增事實只有 28 條,AI/演算法 9 條、商務 4 條、財務/法務/HR 3 條、其他 3 條、產品 2 條、市場 2 條、技術 1 條,補充方向偏交付、商務與職能支持,代表性有限,解讀時要保留不確定性。

Talentverse 判斷:把分散訊號轉成高確定性招聘

這份市場訊號的核心不是招聘變少這麼簡單,而是需求在職能、主題與職級上同時分散。AI 基礎設施仍主導,Agent/RAG 穩定,但短窗的其他主題升至 44.3%,說明平台型職缺之外,交付、產品、商業化與營運角色正在補位。對前沿科技公司而言,優先順序應該是直接影響產品落地與客戶價值的任務關鍵型職位:AI 基礎設施與 Agent 工作流工程、能把模型能力轉成產品功能的技術產品人才,以及能承擔交付與客戶成功的複合型商業人才。

企業可能誤讀的地方,在於把 7 天占比當成趨勢,忽略 88 條樣本對單一職缺高度敏感;也可能看到資料職能降至 5.7% 就減少資料投資,卻忽略 180 天仍有 26.1% 且與 AI/演算法高度重疊;還可能看到高層職級為 0 就以為不需要資深主管,實際上 81.8% 未標註職級使樣本無法回答這個問題。這也是為什麼高確定性招聘更重要:在訊號分散、薪酬不透明、職級模糊的市場裡,企業需要用更嚴謹的職位定義、證據化面談與工作樣本,辨識真正能承擔關鍵任務的人才,而不是被短期比例牽著走。

方法說明

本報告以 180 天、7,341 條結構化事實為母體,並比較 90/30/7 天窗口的職能、主題、職級與薪酬訊號。其中 6,658 條有 posted_at,683 條使用採集時間回退;歷史基線不代表完整半年歷史。短窗絕對量小,7 天僅 88 條,比例波動不宜直接外推。所有占比均取自輸入統計與樣本分類,報告只保留事實、方向與招募意涵,不暴露原始職缺連結或完整職缺描述。

Talent Signal / v63 / 2026-11-17