AI智能体人才需求增速40%，中高层人才需求集中爆发！猎聘、清华联手发AI报告

智东西
作者 茄子
编辑 程茜

智东西6月18日报道，昨天，猎聘、清华大学经管学院人工智能与管理研究中心联合发布《AI时代技能趋势报告》，报告中提到，当下，AI基础算法与模型在AI劳动力中的需求已从2022年的约50%降至20%。

在国内的AI劳动力市场中，该报告发现，过去四年，AI智能体相关人才需求的环比增速达40%，AI应用人才需求为35%，AI伦理与安全技能需求长期稳定位居前三。整体来看，AI岗位需求已从“会做算法”走向“算法+应用+智能体”的复合结构。2025年Q3之后，AI人才需求向中高层级汇聚，领军级人才需求在过去两年实现倍增。

此外，猎聘CEO戴科彬透露，2026年以来全球科技行业共发生363起裁员事件，波及近15万人，AI连续3个月成为裁员首要推手，日均裁员达974人。但值得注意的是，这些在裁员的公司利润普遍上涨，亚马逊利润暴涨77%却累计裁员3万人，其中78%为L5-L7中层管理者。

他还提到，大语言模型会减少部分岗位，具身智能会创造新的长产业链，带来新就业机会，例如白领侧包括Agent产品经理、Prompt策略设计师、AI治理专家、AI工作流设计师等；蓝领侧包括机器人巡检技术员、机器人装配技师、人机协作安全监管员、工业AI训练数据采集员等。

一、AI时代技能趋势报告：7×4框架下的10个数据发现

清华大学徐心教授称，在AI时代技能趋势的研究中，研究团队构建了一个7×4的分析框架。这个框架的构建经历了“演绎+归纳”的双重过程：演绎层面，该团队参考了国际上成熟的AI技能分类体系——美国Lightcast的10个AI技能集群、英国SFIA的7个技能层级、欧洲ESCO技能数据库，并结合中国本土企业实践进行了适配。

归纳层面，该团队从猎聘大数据出发，结合GitHub、Google Trends、CSDN、知乎等技术社区的热门技能动态进行聚类验证，最终收敛为7个AI技能领域和4个能力层级。

7个AI技能领域分别是：AI基础算法与模型、生成式AI应用、AI智能体构建、AI多模态理解与生成、物理AI、AI数据算力与工程化部署、AI伦理安全与合规。4个层次分别是：入门级（使用成熟工具和模板）、进阶级（独立完成单一业务场景的AI项目落地）、专家级（打通多业务场景）、领军级（设立标准、建立护城河）。

这一框架的底层逻辑有两条主线。第一条是技术演进逻辑：AI从感知（让机器“看懂”和“听懂”世界，以CNN、RNN、Transformer为基础）走向生成式（让机器“创作”内容，以GPT、扩散模型为基础）→走向智能体（让机器“自主行动”，规划、调用工具、执行多步骤任务）→走向物理AI（让机器“进入物理世界”，通过机器人、自动驾驶、具身智能与环境交互）。

第二条是发展与治理并重：AI要产生生产力，必须“突出应用导向”，推动产业创新和赋能应用——为此需要算力、数据和工程化部署作为支撑，这是报告将“AI数据算力与工程化部署”独立列为第六个领域的根本原因。徐心称，这一领域在国际主流报告中尚未被旗帜鲜明地单列，是本次研究的一个独特贡献。与之对应，AI伦理、安全与合规作为第七个领域，体现了“健康有序”发展的治理逻辑。

10个核心数据发现：

发现一，AI能力生态圈从单一走向多元。2022年，AI基础算法与模型占据了AI劳动力需求的半壁江山（约50%）；到2026年Q1，这一比例已降至20%。ChatGPT和DeepSeek是两个明显的分水岭节点——每次新技术的出现，都伴随着其他六类AI技能需求的大幅放量，而基础算法与模型的绝对需求保持稳定。

发现二，各领域增速差异显著。过去四年，AI智能体构建的技能需求环比增速达40%，生成式AI应用为35%。AI伦理与安全技能需求长期稳定位居前三。整体来看，AI岗位已从“会做算法”走向“算法+应用+智能体”的复合结构。

发现三，技能共现呈现规律性。哪些技能会同时出现在一个岗位中？数据显示，AI基础技术与算法和生成式AI应用、物理AI、算力工程化部署经常共现。AI劳动力市场需求已经从聚焦基础算法，走向“算法+应用+智能体”的复合结构。

发现四，需求向中高层级汇聚。2025年Q3是一个转折点——此后入门级和进阶级需求有所下降，而专家级和领军级持续增长。领军级人才需求在过去两年实现倍增。总体趋势是从“独立完成单一场景落地”向“聚焦复杂场景的系统设计”演化。

发现五，总体需求向中高层级汇聚。生成式AI应用层面，初级人才即可上手，体现了“技术平权”——AI不再是少数人的专利。数据算力、物理AI、智能体构建的最大需求集中在进阶级和专家级，这是工程化落地的“中间力量”。AI伦理与治理则需要领军级人才来把控方向。徐心将这一结构总结为三个词——“应用平权，工程中间，治理领军”。

发现六，AI职位与渗透率呈“双峰分布”。AI职位数量最大的体量出现在30-40万年薪区间，但AI渗透率（即该薪酬区间内要求AI技能的岗位占比）与薪酬成正比——薪酬越高，AI使用渗透率越大。这组数据基于北京、上海、深圳、杭州四个城市的统计，与美国一项针对2000家企业管理者的调研（美国管理者平均每周为工作使用AI约10小时）形成了有趣的呼应。

发现七，市场为复合能力买单。横向看，七个技能领域之间的薪酬差异并不明显；纵向看，层级差异显著——专家级以上的薪酬明显更高。高溢价来自“物理AI+治理安全”的复合能力。如果同时具备生成式AI和物理AI的复合能力，薪酬溢价达24.7%。高溢价的能力组合通常包含物理AI或治理安全，两者同时具备的溢价最高。

发现八，3-5年工作经验者是AI人才市场最大的增长源。具备3-5年工作经验的成长型人才，是当前AI人才需求增长最快的群体。

发现九，AI需求向本硕学位延展。四年前，博士学历的AI渗透率最高，这与当时基础算法研究需要博士背景吻合。过去三年，硕士渗透率快速增长，已追上博士。本科和大专在过去一年也实现了倍增。

发现十，行业与城市差异明显。行业层面，AI需求集中在IT、汽车、电子、金融，但制造、生活服务、科研已开始实质性使用AI，这区别于高盛2024年“大模型在制造业中几乎没有实质性使用”的判断。

生成式AI在广告、传媒、文化、消费品行业使用较多，物理AI在汽车行业使用突出。

城市层面，北京凸显“最大规模+最高渗透率”的双重高地特征；上海是工程化与实体产业结合最突出的城市，汽车制造和物理AI场景明显；深圳体现硬科技与制造链驱动，智能硬件、电子通信、半导体相关AI需求突出；杭州虽然总体规模较小，但金融属性特征十分明显。

关于物理AI的特别发现。在中国AI劳动力市场上，物理AI技能需求已排在7个领域的第4位，四个重点城市对物理AI的总体需求是AI智能体构建需求的3倍。这一特征显著区别于PWC、麦肯锡等国际主流报告——后者几乎尚未将物理AI作为独立技能领域单列。徐心称，这体现了中国长期以来“数实融合”国家战略的落地效果。

面向未来，研究团队将持续关注三个层面：个体层面（AI时代必要的能力要件+心境/审美/好奇心）、组织层面、生态层面。 徐心称，智能已不仅仅是实验室中的科学研究对象，智能作为生产要素的作用已然凸显。

二、组织正从“People Cost”走向“Token Cost”

同道猎聘集团董事会主席兼CEO戴科彬谈到了当下AI产业对组织和人才带来的变化。

首先是全球裁员的结构性特征。2026年至今，全球科技行业363起裁员事件波及近15万人，上月裁员近4万人，创近两年单月最高。AI连续3个月成为各行业裁员最常援引的理由，日均裁员974人，较去年同期加快44%。

但值得注意的是，这些公司的利润普遍在涨。亚马逊单季净利润302.55亿美元，同比暴涨77%，创历史最高，但2024-2026年累计裁员约3万人，其中78%裁员员工为L5-L7中层管理者。甲骨文季度归母净利润43.04亿美元，同比增25.59%，2026年裁员约3万人，一个47人裁员的团队中44名中层被裁，同比减少93.6%。利润增长与裁员并行，这一现象的背景是：AI大幅提升了单个员工的生产力，组织正在经历“中层塌陷”。

戴科彬分享了他的硅谷见闻：美国CS专业毕业生（包括名校）目前很难找到工作，大厂只发实习offer，不发全职offer。在中国猎聘平台上，2026年1-5月的数据显示，初级岗位需求明显下降，销售类初级岗位同比降14.47%，商务类降10.50%，品牌类降9.74%。互联网技术岗位降幅更为显著，机器学习岗位对1年以下经验人才需求降71.43%，图像算法降66.67%，软件测试降52.94%。“Vibe coding”使非技术人员也能通过AI辅助完成编码工作，不需要那么多工程师坐在电脑前写代码。

从2023年到2026年，AI大模型究竟是怎样影响整个人才就业市场的变化？戴科彬用一张AI基础设施的演进图做了类比：互联网的发展经历了从电脑到网络到4G到应用的过程，AI同样遵循这一逻辑，从大模型到存储/芯片到服务器/数据库，再到应用/服务。AI推理基础设施的建设正在催生应用层爆发，未来会出现大量AI Agent应用，就像当年的小红书、滴滴一样。

戴科彬认为，AI对组织的冲击可以拆解为五个层面：

个人层面，每个人都是一专多能。一个人可以同时管理多个Agent，实现多任务并行。以前约会议需要截图发给助理，现在直接丢给Agent自动完成——助理不会被取代，但工作方式彻底改变。他现场提问有多少人拥有自己的Agent，并建议大家尽快“养龙虾”（部署AI智能体，源于OpenClaw开源项目）。

组织层面，从部门之间的协作变成人机组成的项目组协作。科层制的部门墙正在被打破，Agent可以快速组建项目组，跨部门协作效率大幅提升。

同时，工作范式从串联任务SOP转向并联多任务，突破时间与空间的限制。戴科彬指出，以前产品开发是串联式，用户调研、写需求、开会确认、UI设计、开发，但现在多个任务可以同时并行，因为人被AI“分身”了。

第三，组织内部从层层汇报的上传下达，变成老板直达一线，中间层的管理价值需要重新定位。

成本结构层面，HR未来要算的是Token Cost（Token消耗量），而非People Cost（人头数）。一个团队用了多少个GPT账号、消耗了多少Token，正在成为衡量组织效率的新指标，组织的设计与ROI需要重新定义。

但戴科彬认为最核心的变化是：人类历史上最重要的一次变化——Skill开始与人分离，打破人类技能的生成和传承范式。

传统做法是建知识库、案例库，再培训，效果因人而异。新做法是萃取最佳实践者的技能（Skill），沉淀在组织中。具体路径是：Data+Know-How+Workflow→Skill→AI模型→AI Agent→完成任务→产生数据反馈回模型→形成飞轮。“组织可以人来人往，技能永久沉淀。”他说。

关于人才审美，他回溯了自己在2023年提出的框架：决策力、担当、创新、审美，AI帮不了人做判断、拍板、担责，这些仍是人的核心价值。

他绘制了中国版的中等技能塌陷图景：初级白领向两个方向流动，一是向上走人才专业化（中高端人才知识资产化，知识与经验沉淀为Skill/Agent），二是向下走向白领蓝领化（长期雇佣向任务交付转变）。

在具身智能方面，戴科彬指出，中高端人才的知识与经验正通过Skill/Agent的方式沉淀，而蓝领劳动者也正在经历“科技劳动力化”。物理AI发展相对较慢是因为缺乏人类动作过程的数字化数据。但VLA（Vision-Language-Action Model）和World Model正在突破。

猎聘旗下“新超人”品牌正在帮助具身公司收集第一人称视角的人类劳动视频数据——通过头戴设备（egocentric视角）记录双手动作，采集运动数据用于模型预训练和后训练。

大语言模型会减少部分岗位，但具身智能会创造新的长产业链（生产、制造、运营、维护），带来新就业机会。他列举了新兴岗位：白领侧包括Agent产品经理、Prompt策略设计师、AI治理专家、AI工作流设计师等；蓝领侧包括机器人巡检技术员、机器人装配技师、人机协作安全监管员、工业AI训练数据采集员等。

三、AI变革的关键不是“+AI”，而是组织底层逻辑的重构

清华大学杨斌教授抛出了一个核心隐喻——“AI次方”（AIⁿ）。从去年3月14日（π日）起，他就开始倡导这个概念，对当时热议的“AI+”或“+AI”提出了不同的看法。

他解释道，“AI次方”并不是单纯强调AI的指数级发展速度，而是一种理解AI时代的心智模式。与“AI+”或“＋AI”所代表的工具叠加、技术赋能不同。AI被置于指数的位置，而底数则是组织、商业模式、人才本身。如果底数小于1，指数越大，结果反而越小。对企业而言，真正需要关注的不是AI本身有多强，而是自身这个“底数”能否在AI作用下完成重构。

他回顾了两个AI里程碑。2016年AlphaGo第37手，在人类看来无法理解、无法解释的落子，最终战胜了李世石，这是一个在专门领域攻坚克难的突破。而2022年ChatGPT的预览版，激发的是人类最自然的工具——自然语言，这才是对人的真正解放。他引用两句话来做对比：“AI is really something”（AI很了不起）和“AI is actually everything”（AI就是一切），后者才是对AI更精确的刻画。

杨斌认为，对多数现有企业而言，AI Native是“别人的戏”，他们面临的是AI Transformation（AI转型）。他将AI对组织的影响程度分为了五个层次：AI native（原生）、AI first（优先）、AI only（唯一）、AI-ed（被AI化）、AI proof（AI打不倒）。多数企业的目标不是变成AI原生，而是完成AI转型。

他提到了两个历史参照，左边是1956年达特茅斯会议的青年科学家们提交的proposal，四位助理教授向基金会申请15000美元，最终获批7500美元，人类历史上第一次提出了“Artificial Intelligence”。值得注意的是，这份proposal中已经出现了“improve themselves”，机器自我改进。右边是邀请数学家Ray Solomonoff参加达特茅斯会议的信函，信中写道“Can we count on you?”，强调人与人之间的协作。这两者之间的张力，一头是机器自我改进、人不在回路中，另一头是人与人之间的咬合与协同，至今仍在延续。

他也引用了索洛在1987年的“生产力悖论”作为第二个参照，“计算机时代无处不在，唯独不在生产力统计中”。AI同样可能经历期望膨胀后的回撤，真正的生产力影响可能要晚10-15年才在统计中显现，这并非否定AI，而是提醒大家保持耐心。

对教育和人才培养，杨斌认为，当前的教育模式，讲台、黑板、整齐的座位，本质上是普鲁士教育体系的产物，不过100多年的历史。这种模式是工业时代的产物，人被机器赋予位置，培养的是“NPC”，在一个巨大系统中扮演功能性角色。而AI时代将颠覆这一切。

他以今年5月在新加坡总统午餐会上的分享为例：清华大学主动变化，停办了一些本科专业、推行书院制转型；上海出现了像“知春创新中心”这样的新型教育机构，从高中生中直接选拔人才；职高和技能培训重新受到青睐。这些现象背后有一个共同信号，学位作为“信号”的价值，正在被更高效的“技能信号”替代。

他有两个建议。一是戒掉日刷AI公众号的习惯——那些每天都在更新的内容重复性极高，真正值得关注的是100年后历史学家会用放大镜研究的事情。二是卸载搜索引擎——作为一种决心，学会“unlearn”（反学习），主动摆脱旧习惯和旧思维的束缚。他提到，今年春节前后大厂还在用红包策略争抢流量，很多人和AI之间还保持着单回合互动的传统方式，说明习惯和执念对人的束缚有多深。

最后他点出人之所本。在《西游记》取经团队中，沙僧是典型的NPC，孙悟空虽神通广大但也有局限，而唐僧和猪八戒反而是“人之所本”，唐僧代表目的性（Purpose），猪八戒代表创造例外、打破常规的能力。这些是AI难以替代的人的核心价值。无论是OPC（One Person Company）还是其他新的组织形态，都不应忘记：底数上的组织与人，才是决定最终结果的根基。

四、AI时代，人做AI监护人，组织进化为AI型组织

同道猎聘集团副总裁把冉担任主持人，与清华经管学院教授郭迅华、猎聘CEO戴科彬围绕“AI时代的人才审美与组织进化”展开深度对谈，核心议题从“什么是AI人才开始”。

戴科彬将AI人才分为三大类。上层是AI领导能力，能设计架构、重新思考组织战略；中层是AI技术人才，做算法和工程结构，量不多但专业深度要求高；下层是AI应用型人才，包括销售、设计、营销、文员等普通职能岗位，人人都需要具备AI工具使用能力，这个框架从2023年提出至今仍然成立。

把冉补充了一组数据作为佐证，2025年全年要求AI工具能力的岗位翻倍，2026年仍在翻倍，并且已经出现了对Agent能力的明确要求。

在能力迁移的问题上，郭迅华将能力分为两类。一类随经验积累而增长，另一类可以跨场景迁移。前者正在被AI吸收，比如程序员快速定位代码bug的能力正在被AI替代。后者即元能力，才是人的核心价值所在。他提出了整场圆桌最具穿透力的概念——“监护关系”，人与Agent之间就是这种关系。Agent有能力、能学习但不能担责，像一个天才少年，人要做三件事，设定目标、培育把关、承担责任。这个“监护人”的身份重新定义了人在AI时代的位置。

落实到选人标准上，戴科彬提出从“变”与“不变”两个维度来判断。变的是工作方式，候选人用哪些AI工具、怎么与AI对话，是搜索式还是对话式，这决定了他是把AI当搜索引擎还是当协作对象。不变的是人的底色，诚实正直、坚韧不拔、面对新环境的学习能力，这些AI替代不了。

关于文科生的机会，郭迅华从十年前就坚持一个观点，文科生学计算机没有劣势，进入自然语言编程时代反而有优势，因为计算机语言也是语言，而语言能力是文科生的长项。

戴科彬用一个真实案例回应。他有一个朋友在长沙雇了上百号文科生写剧本，在东京做漫画融合，去年做的短剧App月净利润1000万。他说，“能把事情描述清楚的人，AI就能帮到他”。

郭迅华提出了AI组织的三个特征。AI像水电一样无处不在；任务的最小单元从“人”变成“人+Agent”；组织开始形成AI参与决策的权责体系。相应地需要三个转变，从技术部署转向能力生长，AI是在业务一线“长”出来的，不是部署下来的；从替代思维转向共生结构，抵制减员降本的诱惑，因为技术最大的价值在于解放人的创造力；从职能划分转向任务编排，未来组织是人机协同的任务网络，员工是骑手，Agent是马匹。

戴科彬用猎聘三年“黑客马拉松”的实践验证了这种生长。第一年全员讲PPT，第二年做Demo，第三年Demo已经落地可用。安全岗员工自己手动构建了AI面试辅助工具“面宝”，还有人做了OKR自动对齐的“欧宝”。

他称，只要把基础设施做好，一线员工的创新力会自己爆发，组织进化的动力正在从老板驱动转向一线生长。

整场圆桌最后落在两个建议上。郭迅华说管理者要先让自己成为合格的Agent监护人，再识别组织中潜在的卓越监护人，创造环境让他们脱颖而出。

戴科彬给了六个字：“放下、清零、打开”。放下过去的包袱，清零旧知识，打开自己重新拥抱这个世界。技术是平权的，不要恐惧被替代