AI岗位的第一批试水者：从“抢人”到“用人”的转向

第一批设立AI岗位的公司，如今正站在一个微妙的节点上。两年前，它们率先在招聘启事中写下“提示词工程师”“AI产品经理”“模型训练师”等新头衔，一度被视为风向标。如今，这些岗位有的被保留、有的被合并、有的悄然消失，而这些变化本身，正折射出企业从追逐概念到回归经营理性的完整轨迹。

岗位设置的初衷：不是缺人，而是缺确定性

回顾第一批AI岗位的设立动机，大多数公司并非真的完成了业务层面的AI需求测算，而是出于一种“不能落后”的焦虑。一位制造业上市公司的HR负责人坦言，2023年初公司决定设立AI应用岗，更多是为了在年报和对外沟通中体现数字化决心，实际业务场景尚未梳理清楚。这种“先设岗、再找事”的逻辑，导致不少AI岗位在入职后的前半年处于状态：员工既要写方案、做培训，又要充当内部布道者，工作边界模糊，考核指标也难以量化。第一批从业者的共同感受是，岗位名称很新，但组织并没有为它准备好配套的流程和权限。

人才画像的漂移：从“会模型”到“懂业务”

随着时间推移，企业对AI岗位的能力要求发生了明显漂移。最初招聘时，算法背景、模型调优经验是硬门槛；而如今，越来越多的岗位描述转向“熟悉业务链路”“能推动跨部门落地”。一家零售企业的AI项目负责人表示，他们最终发现，真正卡住进度的是数据口径不统一和业务部门配合意愿，而不是模型精度。于是，团队中纯技术背景成员的比例下降，具备行业经验、能把AI能力翻译成业务语言的复合型人才更受青睐。这一转变也让部分早期入职的技术人员面临转型压力，有人主动补课业务知识，有人则选择离开。

组织位置的调整：从独立部门到嵌入业务

第一批AI岗位在组织架构中的位置，也经历了一轮洗牌。初期不少公司设立独立的“AI创新中心”或“智能科技部”，作为一级部门直接向高管汇报，声势浩大。但运行一段时间后，这类独立部门常被诟病“离业务太远”“产出难以衡量”。于是，部分公司将其拆散，人员嵌入到营销、供应链、客服等具体业务线中，以项目制方式运作。也有公司保留中央团队，但定位从“造能力”转为“建平台、定标准”，由业务部门提出需求、共同交付。这种调整意味着AI岗位从“特殊存在”回归“职能角色”，考核方式也随之从看演示效果转向看降本增效的实际数字。

留存与流失：第一批从业者的真实去向

关于这批从业者的去向，公开数据有限，但从招聘平台和从业者社区的反馈看，分化明显。一部分人留在原公司，随着AI能力被纳入常规业务流程，他们的角色逐渐演变为“业务分析师+AI工具专家”，工作更稳定但也更平淡。另一部分人跳槽到AI原生公司或咨询机构，寻求更纯粹的技术环境。还有少数人选择创业，围绕垂直场景做轻量级AI应用。值得注意的是，早期因概念热度涌入的非技术背景从业者，在岗位要求收紧后流失率较高，这也提示企业，AI岗位并非适合所有人跨行进入的“万能通道”。

成本与回报的再核算：从“不计投入”到“算清账”

第一批设岗公司普遍经历了预算逻辑的转变。初期，AI岗位的薪酬溢价明显，部分公司甚至以高于同级别技术岗30%以上的薪资抢人，并配套独立的算力预算。但一年后，财务部门开始追问投入产出。一家金融科技公司的复盘显示，其AI团队年度成本中，算力与数据治理占比远超预期，而直接带来的收入增量难以单独归因。于是，公司调整策略：缩减自研比例，更多采购成熟API和外部服务，内部岗位聚焦场景筛选与效果评估。这种“轻自研、重集成”的路线，让部分纯算法岗位需求下降，而懂供应商管理、能做效果验收的岗位需求上升。

对后来者的启示：岗位是结果，不是起点

第一批公司的经历，为后续计划设AI岗位的企业提供了几个朴素的经验。其一，先有场景再设岗，避免用岗位名称代替业务规划；其二，AI岗位的成败高度依赖数据基础和跨部门协作机制，单靠一个团队难以撬动；其三，岗位能力要求会随落地阶段变化，招聘时需为后续转型留出空间；其四，考核指标应尽早与业务结果挂钩，而非停留在项目数量和演示效果上。说到底，AI岗位不是企业AI能力的起点，而是业务需求清晰到一定程度后的自然结果。那些把岗位当作“决心展示”的公司，往往在一年内就面临调整；而那些从具体痛点出发、小步验证的公司，反而更容易让AI岗位沉淀下来，成为组织能力的一部分。