AI就业真相，藏在700+招聘帖里
有一种特定的焦虑笼罩着过去三年一直在构建数据科学职业的人。它不是戏剧性的。它不会以头条新闻的方式到来。它以LinkedIn上一条关于某个联系人刚刚被裁员的通知的方式到来，或者以一份在"数据科学家"头衔下列出六个专业方向的招聘帖子的方式到来。它以一种安静的、不断加剧的疑虑的方式到来——游戏规则已经改变了，而且没有人清楚地解释过新规则。
我决定不再依赖猜测。我去寻找实际的规则——在700多份抓取并分析的美国市场数据科学家招聘帖子中，时间跨度从2025年末到2026年初。我发现的结果证实了一些恐惧，消解了另一些，并浮现了一些似乎没有人足够大声讨论的模式。
这就是那份报告。
1、基线：什么没有变
在我们讨论颠覆之前，先建立一下结构上保持稳定的东西——因为这个领域的大量焦虑来自于把每一个新发展都视为构造性变化，而有时候那只是噪音。
在全部700多份招聘帖子中，最常被要求的技能仍然是过去十年来的老三样：Python、机器学习基础和SQL。这三个出现在绝大多数招聘信息中，跨越每个资历层级、每个行业、每个公司规模。如果你精通这三样，你没有被淘汰。你没有被语言模型取代。你仍然是市场上大多数职位的合格候选人。
基础不会消失。正在以加速度变化的是在基础之上被期望拥有的东西。
2、转变：AI不再是一个小众专业方向
以下是整个分析中最重要的发现，值得直白地表述：AI不再是一个只出现在部分数据科学职位中的专业方向。它正在成为标准数据科学家工具包中被期望的扩展能力。
在完整数据集中，60%的数据科学家招聘帖子现在提到某种AI能力的要求。这不是"AI聚焦"角色中的60%——这是带有标准"数据科学家"头衔的帖子中的60%。 AI层面正在被悄无声息地并入数据科学家的含义中，没有例外。
"AI正在成为数据科学家角色的核心部分。它已经在影响期望、薪资区间和资历要求——不是通过新的职位头衔，而是通过嵌入在旧头衔中的内容。"
—— 安德烈斯·沃拉基斯，Data Science Collective，2026年1月
这对我们如何思考职业发展有一个微妙但深刻的含义。这个职业并没有分裂成"数据科学家"和"AI科学家"。它在进化，基线数据科学家角色正在吸收AI能力作为核心竞争力——就像五年前吸收云计算一样，或者十年前吸收统计建模一样。
3、AI技能栈：雇主实际上在要求什么
在明确提到AI的招聘帖子中，画面变得更加精确。LLM高居榜首，成为最被要求的AI技能，紧随其后的是GenAI和NLP。但再往下一层，故事变得更有趣。排在前三名之后，需求集中在一组应用能力上，这些能力与学术或研究导向的AI知识明显不同。
这些技能表明公司想要能够用AI构建系统的数据科学家，而不仅仅是抽象地理解AI：
一个特别说明问题的发现：3个与AI相关的招聘帖子中有1个要求同时具备这些领域中多个领域的实操经验——LLM、RAG、提示工程和向量数据库出现在同一个职位中。 技术栈正在合并。公司不是在招聘四个专家；他们是在招聘一个横跨整个层的实践者。
4、资历问题
这里的数据对任何职业生涯早期的人来说都不太舒服。
按资历分解时，73%提及AI的招聘帖子针对中级或高级数据科学家。入门级和初级职位在市场上仍然存在，但大多数是不带AI要求的那些。含义很明确：优质职位——那些技能要求中包含AI并相应提供更高薪酬的——正在被经验门槛把守着。
这为早期职业数据科学家创造了真正的结构性紧张。不需要AI知识的职位更容易获得——但它们提供较低的薪资区间，而且越来越多的，长期相关性更低。确实需要AI的职位则被经验锁在背后，而那些经验你按定义来说还没有。
实际的含义：初级数据科学家现在能做的最有价值的事情是在就业之外建立可证明的AI经验。项目、开源贡献、发布的notebook、带有LLM组件的Kaggle竞赛。作品集作为资格认证机制从未如此重要。
5、薪资信号：AI真的更值钱吗？
关于薪酬的数据是方向性的而非确定性的——薪资信息只出现在大约三分之一的招聘帖子中——但它揭示的模式是有意义的。 简历中有AI技能的数据科学家显示的薪资中位数比没有AI要求的可比职位高5-12%。
这个范围足够宽，可以对数据的局限性保持诚实，但方向是一致的：跨资历级别，具备AI技能的职位薪酬更高。这不是什么意外。有趣的是这个溢价是如何体现的——不是通过新的职位头衔，而是通过标准"数据科学家"薪酬区间内的隐形调整。
6、悖论：高需求、高竞争、难以突破
以下是2026年数据科学就业市场核心的矛盾，它值得单独一节因为它正在给求职者造成真正的困惑。
需求数字确实很强。美国劳工统计局预测数据科学家就业到2034年将增长34%——是所有职业中增速最快的之一。世界经济论坛估计到2027年数据和AI角色的需求将超过供应30-40%。全球数据分析市场预计到2026年底将达到1040亿美元。预计到今年晚些时候将创造近1150万个新的数据科学和分析工作岗位。
然而——这是标题数字掩盖的部分——许多合格的候选人在努力获得面试机会。
解释不是需求崩塌了。而是供应同时爆炸了。训练营、在线认证、大学项目、AI辅助学习路径：产生一份看起来合格的简历的门槛从未如此之低。雇主收到数百份几乎一模一样的申请。入门级期望值已经悄悄上升。"初级"的定义已经被名义上在民主化教育的AI工具所推高。
"入门级职位并没有消失。但它们正变得更加竞争。期望在上升。初级专业人士越来越多地被期望展示过去属于中级的能力。"
斯蒂芬·特雷西，Analythical，2026年3月
就业挤压是真实的。但它是准入的挤压，不是机会的挤压。机会确实很大。获得它的机会需要超越证书的差异化。
7、六个可执行的建议
1. 先打好基础。Python、ML、SQL哪里也不会去。如果你还在构建这个基础，好好构建它。AI层没有它就没有结构完整性。
2. 有意识地构建RAG-LLM-Agent技术栈。这三个领域正在融合为主导的应用AI技能集群。你不需要在三个方面都是专家，但你需要在至少两个方面有可信的实践。构建一些真实的东西：一个基于你自己文档的RAG管道，一个用于数据任务的多步骤智能体。
3. 在作品集中展示端到端能力。收集数据、清洗数据、建模、部署、监控。2026年最有价值的专业人士是那些能拥有整个流程的人，而不仅仅是建模步骤。
4. 不要忽视MLOps。生产就绪性是组织不断碰到的瓶颈。不仅能构建模型而且能可靠地部署、监控和维护模型的数据科学家价值不成比例。
5. 在一个领域深耕。T型专业人士——广泛的基础知识加上深入的领域专业知识——正在比通才获得更好的结果。医疗、金融、气候和物流都是特定行业AI应用正在创造独特招聘需求的领域。
6. 在求职中优先考虑可见性而非数量。获得第一轮面试是主要挑战。一个具体的、定位准确的作品集条目加上一个有针对性的申请，持续优于五十份通用申请。市场奖励精准。
8、更大的图景
如果从所有这些数据中得出一个元结论，那就是数据科学职业没有在被取代——它正在被 重新定义。让数据科学家在2020年有价值的技能现在是地板，而不是天花板。天花板已经上升了，它现在包括在生产环境中流畅地使用AI系统的能力，而不仅仅是在理论上。
这不是灾难。这是成熟。每个技术周期都会产生这种过渡的一个版本——SQL革命、Python革命、云革命。每一次从内部来看都感觉不稳定，但从总体来看，都是职业能力和它能产生的价值的扩展。
未来三年将蓬勃发展的数据科学家不是那些对AI了解最多的人。而是那些能将AI能力转化为真实组织中可衡量的、可部署的、可维护的成果的人。这是一种需要时间、练习和愿意构建有时在生产环境中失败的东西的技能。
现在就开始构建。
原文链接: I Analyzed 700+ Job Postings Here's What the AI Job Market Actually Looks Like
汇智网翻译整理，转载请标明出处