银行AI岗位涨了49%,最抢手的是编排岗

一家银行挂出AI岗位，标题写着算法工程师，点开要求细看，排在前几条的往往是些以前不在这个岗位上出现的词：能说清楚这个智能体该干什么、不该碰哪些数据、哪一步必须停下来等人。

招聘数据把这层变化写得比岗位名称清楚。CNBC在10月2日引述招聘分析机构Draup的统计，摩根大通、花旗、Capital One等银行的AI相关职位数同比上涨49%，累计到13.98万个。总数是一层，更值得看的是技能层面的拆解。

Draup的技能涨幅榜里，排在前面的大多不是训练模型的活。LangGraph上涨679%，负责任AI上涨657%，AI治理上涨394%，AI风险管理上涨359%，检索增强生成上涨259%，提示工程从3595条涨到11368条，仍是提及最多的单项技能。智能体编排这个说法，从年初的108条涨到1967条，一年之间涨了17倍。

把提得最多的两类摆到一起，方向就更明朗。涉及治理的技能提及量超过16000条，而涉及建模、部署、维护模型的那一类大约8400条。银行在招聘要求里提"怎么管住这套系统"的次数，已经接近提"怎么把模型做出来"的两倍。

过去几年反复被验证的一件事是，模型本身不是瓶颈。买得到、调得动、跑得起，供应商排着队等签约。真正难的是把它装进一条真实的业务流程，并且让它稳稳地待在里面。Draup的首席执行官在采访里说了一句实在话：企业内部的复杂性，有一部分是看得见的，更多的是隐性的。他举的例子是自动化一个休假申请审批，乍看一个表单、一条规则就能了事，真做起来会冒出一堆边缘情况，跨月的怎么算、代班怎么记、试用期员工走不走这套、主管连着休假谁来批。这些分支没有写进任何一份流程手册，只在具体经办人的脑子里。

他给的另一段描述更接近日常。一条流程往往要串起三个智能体，一个去查数据，一个去读文档，一个去核对合规，走完前面几步，最后还要留一个人工兜底的位置。编排岗做的就是这件事，设计这条链怎么接、哪一步交给哪个角色、哪一步必须停下、出问题时从哪退回。它既不算算法岗，也不是传统的运营岗，位置卡在技术和业务的缝里。人难招，难在这里。

治理类技能为什么突然吃香，跟智能体本身的变化有关。上一代AI工具的输出是给人看的，一份摘要、一段建议、一张报表，采纳与否在人。智能体往前走了一步，它能直接读写系统、触发动作、调用别的服务。这一步走出去，责任边界就得重画：它填错一个字段谁发现，它按错误规则放行一笔业务谁担着，它半夜自己跑起来谁来盯。治理岗要回答的就是这些，工作内容是给自动化划边界，而不是给模型做体检。

治理和编排这两类技能贵，还有一层原因，它们没法被标准化。模型能力这几年在快速收敛，头部厂商之间的差距越拉越小，同样的任务交给不同的模型，结果差不了多少。治理和编排不一样，它高度依赖具体企业的流程、数据和组织习惯，别人家的最佳实践搬过来往往水土不服。可复制的东西价格往下走，不可复制的往上走，招聘市场给出的定价，反映的正是这层差别。

把"编排"这个词拆开，落到日常里有几件具体的事。把业务目标拆成机器能执行的步骤，哪些查数据、哪些生成文字、哪些需要比对判断，得先写下来；定交接，智能体之间传递什么、格式是什么、上一步的输出下一步怎么接；划权限，这个智能体能读哪些表、能改哪些字段、能不能直接触发对外动作；设人工节点，哪一步必须有人签字确认，这个节点是当初设计的而不是事后补的；留回退路径，模型判断错了、数据对不上，系统退回到人手上要有个明确的触发条件。这几件事没有一件是纯技术，也没有一件是纯业务，两头的人单干都不顺。

这里还藏着一个容易被忽略的错位。很多企业把AI人才当纯技术岗来招，薪酬按技术序列给，考核也按代码产出算。人进来之后才发现，他真正想改的是流程，而流程的改动权握在业务部门手里，跨部门的需求排不上期，能做的只剩下写些边角工具。这种人留不住，问题往往不在钱，在于给了岗位却没给位置。

这层稀缺还来自它自身的属性。编排要懂的是这家企业特有的流程规矩，换个行业、换家公司，积累的经验大半作废。这跟写代码不同，编码能力可以跨公司迁移，编排经验很难。企业因此卡在一个两头堵的局面里：招熟手，市场上几乎没有对口的人；招通才，进来还得养一两年；买现成方案，供应商的通用模板又绕不开自家那些特殊规矩。银行的招聘数据看着热，其实是在同时下注，一边招人一边搞内部再培训，哪条路都没有把握。

Draup的另一组数据显示，银行正在把一部分希望放回内部。多家大行启动了再培训计划，把现有的技术人员和业务骨干重新往新岗位上转。这事的合理性在于，编排最需要的恰恰是对自家流程的熟悉，外面招来的人再强，也得花半年摸清这家银行的特殊规矩。戴蒙公开谈过一轮大规模重新部署的打算，说的就是把手上的人重新摆到新位置上，而不是全指望招聘市场。

连模型公司自己也承认这类人得从头培养。10月2日，Anthropic宣布投入1亿美元成立Claude Frontier Academy，计划到2027年底培养1万名前沿部署工程师。它在公告里用的比喻挺有意思，这套培养方式照着医学的住院医师制度来搭，医生跟着执业医师学、在真实病例上练、单独上岗前要先接受考核，工程师走的是同一条路。报名采用提名制，由公司推选，进来时要带着一个明确的Claude项目，回去之后带队落地。培养分两段，先在国内的模拟企业环境里走一遍从选用例、安全审查到交接的完整流程，通过后进入12周驻场，在自己公司里主导一个真实项目，结束时再过一轮考核才算拿到认证，首批预计2027年初结业。首期学员来自埃森哲、贝恩、凯捷、德勤、麦肯锡、摩根士丹利、诺和诺德，还有澳洲联邦银行。

一家模型公司花1亿美元办学校，培养的不是自己写模型的人。它要的是能带着工具走进客户业务、把需求翻译成可执行流程的人。把人才培养和自家产品生态绑在一起，当然有商业考量，可这件事也说明，瓶颈已经卡到了连供应商都得下场补课的程度。

国内的变化时间上晚一些，形状几乎一样。科锐国际的薪酬报告里，前沿部署工程师在字节是3万到5万乘15薪，蚂蚁数科是4万到6万，智谱的FDE负责人是6万到8万，定价已经和资深技术岗看齐。脉脉的数据显示，上半年智能体开发岗的招聘需求同比涨了244%，AI相关岗位在整体新经济岗位里的占比，从2.29%升到26.23%。同期几家大厂在做的是结构性换血，字节第一次设了AI智能体开发岗，腾讯在招的岗位基本都带AI，快手八成的岗位涉及AI，另一头，后端和自然语言处理的常规岗位在收缩。

政策层面也在跟进。人社部9月9日公示的第八批新职业里，"生成式人工智能应用员"这个职业下面增设了一个工种，叫智能体开发员。职业目录的更新通常滞后于市场，它出现的时候，说明这类活已经多到需要一个统一的说法。

这些线放在一起，能看出的是企业在AI上的投入正在换方向，从买一份现成能力，转向找能把能力装进流程的人。前者是采购动作，一次性完成；后者是组织动作，得慢慢长出来。银行把方向调向内部再培训，本身就是一个信号，外面的人难招且贵，把这活留给自家懂业务的人去学，可能更现实。

需要打住的地方也有几处。Draup的样本只覆盖三家银行，13.98万这个数是这三家的口径，不代指整个银行业；"涨了17倍"的起点是108条，基数小的时候倍数容易显得吓人，看绝对量更实在，1967条放进整个招聘盘子里并不算多。治理类技能提及量翻倍，说的是招人时要求里写了这个层面，不等于真有这么多人在岗。美国市场给出的薪资数字，比如生成式AI经理中位基本薪资约19万美元，不能直接换算到国内。Anthropic办学院这件事，既是补齐行业短板，也是把自己和客户绑得更紧的商业动作，名额按提名发放、眼下只在旧金山、纽约、伦敦三地开班，公告里也写明还在早期试用阶段，规模仍是试点，不宜只当行业公益来看。

把这份招聘数据当镜子照自己，问题可以问得具体一些。手上的AI项目推进不动，缺的究竟是算法，还是那个能把流程画清楚、知道哪一步该留人的人；如果要补，是从外面招，还是从业务部门里挑几个懂流程的人教会他们用工具；人到位之后，他有没有权限去改那条流程，还是只能写代码、等业务部门提需求。最后一个问题往往是分水岭，编排岗的价值恰在于它需要能改动流程，而不只是执行流程。

口径：据CNBC引述Draup招聘数据分析、Anthropic公告、科锐国际与脉脉公开报告、人社部公示资料