AI人才缺口：2025年年中招聘與提升策略

進入2025年下半年，企業正在回顧上半年AI試點結果，為關鍵擴展階段做準備。夏季技術會議提供了生產級AI部署的新見解，年中回顧揭示了哪些策略正在交付可衡量的投資回報率。數據顯示，擁有結構化MCP架構的組織在表現上顯著優於依賴臨時AI整合的組織。 企業戰略與AI投資的交叉點代表了企業在人才方式上最具意義的轉變之一。本分析基於最新行業資料、真實世界的實施案例研究和專家訪談，對市場現狀和未來方向提供了細緻的視角。對治理戰略的影響是深遠的，需要領導團隊立即關注。從企業AI落地的角度來看，這一轉變不僅涉及技術升級，更需要組織能力和管理模式的全面革新。

2025 年年中的 AI 人才缺口，到底長什麼樣？

「AI 人才缺口」這個說法被用得很隨意，通常是指「我們招不到足夠多的機器學習工程師」。這個框架錯得會讓企業付出真金白銀的代價，因爲它把矛頭指向了一個單一、昂貴且極度稀缺的崗位，而真實的短缺在所需工作上的分佈方式與此完全不同。

把需求拆成四類截然不同的技能，圖景就變了：

• 研究與模型開發。負責預訓練、微調和評估模型的人。確實稀缺，確實昂貴，而且只有極少數組織需要。大多數公司並不需要這項能力，而真正需要的那些，正在與基礎模型實驗室競爭。
• AI 工程與集成。負責讓一個模型在產品內部可靠地跑起來的人：檢索流水線、評測框架、護欄、延遲預算、降級行爲。2025 年年中的需求正集中在這裏，缺口帶來的痛感也最強。
• 數據與平臺工程。那個不起眼的前提條件。特徵流水線、數倉建模、血緣、訪問控制與成本管理。沒有這一層，無論你招到誰，AI 工作都上不了線。
• 領域與工作流專長。清楚業務真正需要什麼、哪些決策值得自動化、以及一個正確答案長什麼樣的人。這項能力在大多數組織內部本來就存在，而且幾乎完全沒有被利用起來。

由此得出的實際結論是：對大多數中型企業和大型企業而言，真正的約束條件並不是研究人才，而是第二類和第三類，加上把它們與第四類連接起來的能力。一家招了三位研究科學家卻一個數據工程師都不招的公司，最終會得到三個令人印象深刻的原型，以及零個生產系統。

有三股力量在 2024 年全年及 2025 年把缺口進一步拉大。需求從實驗轉向了部署，使所需技能從建模轉移到工程；工具成熟得比人快，瓶頸因此從「我們能不能做出來」移到了「我們能不能安全且便宜地把它跑起來」；而現存的那些人才則集中到了少數僱主和少數地理區域，把薪酬推高到了大多數組織無法爲單次招聘辯護的水平。

爲什麼企業不能只靠招聘走出困境？

招聘是必要的，但不充分。有四個結構性原因能解釋爲什麼純招聘策略會停滯。

供給確實很小，而需求不是。真正交付過生產級檢索增強系統、寫過評測集、調試過提示詞迴歸的工程師，其數量只是要求具備這些經驗的崗位數量的一個零頭。對他們的競爭不是你抬高價碼就能解決的價格問題，而是稀缺問題。

達到產出狀態所需的時間很長，而且大部分與技術無關。一個優秀的外招員工在新領域通常需要三到六個月才能開始產出，而這些時間大部分花在學習業務上下文上，而不是技術棧上。一位已經知道財務團隊信任哪張報表、以及爲什麼信任的內部工程師，起步就領先了幾個月——即便他的 AI 專項技能更弱。

單點故障會累積。當一個人掌握了全部 AI 知識，他就變得無法晉升、難以留住，並且成爲一種風險。完全由外招員工組成的團隊，恰恰因爲沒有內部基礎可供分攤，往往會把專長集中在一兩個人身上。

在火熱的存量市場中，流失率很高。以溢價招進來、身邊沒有同級同事、沒有內部社羣、也沒有清晰晉升路徑的人，會在兩年內離開。這個離職的代價，超過了當初招聘的代價。

以上都不是反對招聘的論據，而是主張：在刻意選定的一組崗位上招少量的人，併爲每一位外招員工配一位吸收其上下文的內部搭檔。正是這種搭配，把個人的專長轉化成了組織的能力。

哪些崗位該招，哪些能力該自己培養？

一個站得住腳的分配方式，始於一個簡單的判斷：一位有能力的內部工程師或分析師要達到勝任需要多久，以及這項能力需要有多強的差異化。

有兩條啓發式規則能讓這份分配保持誠實。第一，爲你三年後仍然需要的能力而招人，爲你還無法預測其形態的能力而培養人。模型專項技能輪換得很快，檢索、評測和數據建模不會。第二，絕不要在沒有內部搭檔的崗位上招人。如果內部沒有人能從這位新員工身上學到東西，你租的是能力，而不是在建能力。

一個在實踐中效果不錯的模式是：招兩到三位資深 AI 工程師作爲奠基能力，再把四到六位優秀的內部工程師和分析師轉成 AI 平臺或賦能小組，並設定明確的輪崗機制。外招員工定下技術範式，內部轉崗者帶着領域上下文留下來。這個配比把一次人才採購轉化成了一項人才能力。

如何避免培訓淪爲集訓營式的表演，真正提升全員技能？

大多數企業 AI 技能培訓都以一種可預測的方式失敗：公司爲一個視頻課程平臺採購了賬號，宣佈一項自願參加的計劃，看到很高的報名率和個位數的完成率，然後得出結論說員工缺乏動力。這類計劃的失敗是結構性的，而不是動力問題。

有六個條件，能把「改變了能力」的計劃與「改變了完成率統計」的計劃區分開來：

1. 把學習與真實項目綁定。人們會記住兩週內應用過的東西。一門配了真實內部用例、並在工作時間內給了學習時間的課程，能產出可以交付的工程師。一門在晚上上的課，只能產出證書。
2. 顯式地劃撥時間並加以保護。沒有被排進日程的「百分之十時間」就等於沒有劃撥。把它寫進日曆，並讓經理去守住它。計劃成功與否的最強單一預測因子，是學員的經理是否把這段時間當真。
3. 教層次，而不是教工具。廠商特定的提示詞技巧在十八個月內就會過期。檢索架構、評測方法論、成本建模和失效分析不會。把課程的大部分時間花在耐久的那一層上。
4. 把評測作爲課程的中心。最能區分高效與低效 AI 工程師的能力，就是搭建測試集並度量回歸的水平。教人寫提示詞之前，先教他們寫評測。
5. 建立一個可見的內部社羣。每週一次的工作例會，讓大家帶着壞掉的流水線和棘手的問題來，對能力的貢獻勝過任何一門課。它還能分攤專長，而這是修復單點故障唯一持久的辦法。
6. 以展示出來的工作成果來認證，而不是以學時認證。對某個已交付成果做作品集評審，勝過完成徽章。如果認證不要求產出可運行的代碼，它就什麼也沒有證明。

還有一個經常被忽略的結構性要點：在啓動計劃之前就定義好晉升路徑。如果有人完成了培訓、變得更有價值，他的崗位和薪酬會發生什麼？如果答案是「什麼也不會」，那麼你最優秀的學員會離開，去一個願意爲你剛剛出資培養的技能付費的僱主那裏。

按角色劃分，一條有效的 AI 學習路徑長什麼樣？

用一套課程覆蓋所有人，會浪費大多數人的時間。四條路徑能覆蓋組織中的大多數人羣，而每一條的重心不同。

• 轉向 AI 工程的軟件工程師。重點在檢索流水線、結構化輸出與工具調用、評測框架設計、延遲與成本預算，以及檢索靜默退化這類失效模式。他們已經知道怎麼交付，需要學的是概率性組件在哪些地方壞得不一樣。
• 數據工程師與分析工程師。重點在向量生成的生成與刷新策略、向量與混合檢索、特徵與文檔流水線設計，以及 AI 生成輸出的血緣。這裏大部分工作對他們而言並不陌生，只是多了新的製品，因此這羣人通常轉化得最快。
• 分析師與業務用戶。重點在問題表述、讀懂不確定性、識別一個答案何時不可信，以及理解一個指標定義究竟覆蓋了什麼。這羣人不需要構建系統，他們需要以正確的方式作爲系統的使用者變得「危險」。
• 管理者與產品負責人。重點在用例選擇、成本結構、風險分級，以及如何分辨真實的能力增益與一場示範。他們最關鍵的決策是「嘗試哪些問題」，而這些決策在任何工程師介入之前就已做出。

有兩個橫切模塊屬於所有路徑，與角色無關。第一個是成本素養：一次查詢花多少錢，token 開銷如何隨上下文與重試次數放大，以及爲什麼一個無邊界的對話式問題能產生五位數的倉庫賬單。第二個是失效識別：幻覺在你所在的具體領域長什麼樣，以及系統在不知道的時候會做什麼。兩者教學成本都很低，而且都能避免昂貴的事故。

每條路徑都應當保持簡短且串行，而不是寬泛且並行。用八到十二週圍繞自己的用例做應用性的工作，能產出一名實踐者；而一個有四十門選修課的課程目錄，只能產出一堆瀏覽記錄。

沒有鉅額預算時，如何爭奪稀缺人才？

大多數組織無法在純薪酬的比拼中贏過前沿實驗室或大型科技公司。但它們可以在另外四個維度上取勝，而對值得招的那些人而言，這四個維度加總起來通常比基本工資更重要。

在錄用條件本身之外，還有三項策略能實質性地拓寬人才管道。按相鄰技能招人並做轉化：一位有真正好奇心的優秀後端或數據工程師，通常勝過一位有證書但沒有任何交付履歷的通才。有意識地放寬地域限制：AI 工程崗位的遠程優先招聘如今已是常態，拒絕它就等於排除了大部分市場。建立可見的技術存在感：會寫自己工作、在聚會上演講或向開源貢獻的工程師，能吸引主動投遞的候選人，而這個主動渠道的成本只是獵頭費的一個零頭。

最後，要按真實崗位來面試。一個要求候選人在三小時內搭出一個帶評測集的小型檢索系統的實作題，比五輪算法題能告訴你更多東西。候選人也會注意到你的流程考察的是他們真正要做的工作——而你想要的那些人，手上有不止一個錄用通知。

如何衡量人才戰略是否奏效？

人才計劃通常用投入來度量——培訓了多少人、完成了多少門課、招了多少人——這些是最容易採集、也最沒有信息量的數字。四項產出型指標能告訴你能力是否真的在增長。

1. 從想法到上線的時間。這是工程能力最清晰的單一度量。如果這個數字在逐季下降，計劃就是在起作用的。如果它在人員增長的同時持平，說明你增加了產能，卻沒有增加能力。
2. 每個系統的巴士因子。有多少人能夠維護每一個生產中的 AI 系統？巴士因子爲一的系統，無論表現多好都是負債。這個數字應當穩步上升，而且它是遠比人數更好的能力代理指標。
3. 資深崗位的內部填補率。有多少比例的資深 AI 崗位由內部候選人填補？一個成熟的計劃，其內部填補的比例應當可觀且持續上升。兩年之後這個比例仍爲零，意味着戰略中「培養」的那一半從未啓動。
4. 受訓員工的留存率。把完成計劃者的十二個月留存率與一個匹配對照組做比較。如果受訓員工流失得更快，你就是在補貼整個市場——而修復方法是晉升與薪酬，不是更多的培訓。

再加一項能在早期發現問題的定性度量：每個季度問一遍所有使用 AI 工具的團隊，有哪些事他們今天做不到，而在更好的支持下就能做到。這些答案會在能力缺口演變成延期交付之前幾個月就暴露出來。

每個季度把這五個數字報給項目的執行發起人。人才計劃一旦無法把自己與培訓預算區分開來，就會失去資金，而這些度量能清晰地劃出界線：培訓預算買的是活動，能力計劃買的是更短的上線週期和更少的單點故障。

最常見的失敗模式有哪些，如何規避？

六種模式解釋了大部分停滯不前的 AI 人才戰略，每一種都有對應的對策。

• 招一支研究團隊來做工程工作。結果是永遠上不了線的原型，以及因爲工作與承諾不符而離開的科學家。對策：圍繞你真正會運行的系統來寫崗位描述，而不是圍繞你想發表的論文。
• 做了培訓卻不劃撥時間。自願參加的晚間學習幾乎零完成率，還會帶來無聲的怨氣。對策：把時間排進日曆，讓經理守住它，並把受保護時間當作一項真實承諾來度量。
• 建了一個只做建議的卓越中心。不承擔交付責任的顧問型小組會堆積意見，並在工程師面前失去可信度。對策：用能交付的人來組成這個小組，併爲它設定交付指標。
• 忽略數據平臺。加入一個未建模數據倉庫的 AI 新人，頭兩個季度都在修流水線，然後離開。對策：把數據工程與 AI 放在同一條預算線上，它們不是兩個獨立計劃。
• 新獲得技能的人沒有晉升通道。組織出資培養了能力，然後把它輸給了願意爲它付費的僱主。對策：在第一期學員結業之前，就定義好這些新技能對應哪些崗位和職級。
• 度量活動而不是度量能力。完成率看起來一直很好，直到某一天沒有人能交付得更快。對策：改爲彙報上線週期、巴士因子和內部填補率。

貫穿這六者的底層模式是同一個：組織把 AI 人才缺口當成了一個採購項目，而它是一個能力建設項目。採購很快、很清晰，而且不會複利。能力建設更慢、更難在儀表板上展示，而且是唯一一種能讓組織在計劃結束之後比開始之前更強的做法。