看一家企业对 AI 的认知水平，以及是否已经进入 AI 时代，从招聘信息可窥一斑。
财报会修饰，PPT 会包装，战略会拔高。招聘信息也未必完整，但它往往更接近企业真实的资源配置：企业把预算、编制和管理注意力投向哪里，说明它真正相信什么，也说明它正在用什么方式解决问题。
最近，我看了一家公司的公开招聘岗位。
这家公司并不传统。它招的岗位非常技术化：数据平台、数据开发、数据应用、Java 后端、测试工程师、数据分析工程师，还有算法模型工程师。
更有意思的是，它的算法模型岗里，明确写到了：
机器学习
深度学习
自然语言处理
大模型算法
Transformer
MoE
模型蒸馏
模型量化
推荐算法
知识图谱单看这些词，很多人会觉得：这家公司已经在 AI 转型了。
但我认为，可以说它有 AI 技术储备，但还没有真正进入 AI 时代。
原因很简单：
它在招聘会做 AI 的人，但没有明显招聘会用 AI 重构工作的人。
AI 能力已经不能再用旧经验判断
我们先看几组数据。
Stanford HAI 的《2026 AI Index》有一句非常重要的话：AI capability is not plateauing. It is accelerating。AI 能力没有平台化，而是在加速。报告还提到，在 SWE-bench Verified 这个关键编码基准上，模型表现过去一年内从 60% 上升到接近 100%。
Anthropic 2026 年 3 月的 Economic Index 也显示，在其 Claude 使用数据所映射的职业任务中，约 49% 的职业类别，已经有至少四分之一的相关任务被 Claude 参与完成。
这些数据说明一件事：
AI 不是“未来会影响工作”，而是已经在按任务、按流程、按岗位内部结构改变工作。
真正危险的不是模型今天能做多少，而是模型能力的变化速度已经超过企业岗位结构的更新速度。
企业招聘一个岗位，往往意味着未来 1-3 年的组织投入；但模型能力的变化周期，正在缩短到几个月。
如果企业仍然按上一代岗位理解招聘，它不是在补能力，而是在固化旧工作方式。
这家公司不是没有 AI，而是 AI 被关在“算法盒子”里
这家公司招聘的岗位，大致可以分成五类：
| 岗位类型 | 典型方向 |
|---|---|
| 数据平台 / 数据开发 | 数据湖仓、数据集市、ETL、BI、数据建模 |
| 后端研发 | Java、Spring、MySQL、Redis、API 设计 |
| 测试质量 | 测试计划、测试用例、接口自动化、性能测试 |
| 数据分析 | 指标体系、经营分析、业务归因、数据 BP |
| 算法模型 | 机器学习、深度学习、大模型、NLP、推荐算法 |
如果放在两年前，这是一份非常完整的技术招聘结构。
它代表的是一家企业正在维护和增强数字化能力：数据底座、系统开发、测试交付、算法模型。
但问题在于，现在不是两年前。
大模型和智能体出现后，AI 不再只是算法团队掌握的一种专业技术。它正在变成组织的生产系统。
AI 不应该只在算法模型岗位里出现。
它应该进入数据分析、研发、测试、客服、运营、市场、HR、知识管理这些普通岗位的工作方式。
而在这家公司公开的招聘信息里，我没有看到这种变化。
算法岗本身也可能是“前 AI 时代岗位”
很多人会反驳：
这家公司都在招聘大模型算法岗了，怎么能说它没有进入 AI 时代？
问题恰恰在这里。
今天，即便是算法岗、机器学习岗、AI 工程师岗，也可能仍然停留在前 AI 时代的工作方式。
传统机器学习工程师的工作方式是：
人理解业务问题
人设计特征
人选择算法
人写代码
人调参数
人跑实验
人分析结果
人上线模型这是一种典型的“人类专家模式”。
但 AI-native 的算法工程师，工作方式应该发生变化：
人定义问题和评估标准
模型/智能体生成实验方案
Agent 辅助写代码和跑实验
系统自动比较模型效果
AI 辅助做错误分析和数据诊断
人判断业务约束、上线风险和治理边界
评估集、日志、反馈自动沉淀所以，算法岗也不应该只是“懂机器学习的人”。
算法岗应该升级为：
会用模型和智能体构建模型系统的人。
如果一个大模型算法岗仍然主要强调个人掌握 TensorFlow、PyTorch、Transformer、MoE、模型压缩、模型调参，却没有强调自动实验、模型评估 Agent、数据诊断 Agent、LLMOps、Agent workflow、模型治理，那么它仍然是传统专家岗位，只是换上了 AI 名词。
这个问题不只存在于示例公司。
类似的问题，在其他机器学习类公司中也常出现。比如另一个公司的 ML 岗位写着：
- 负责 XGBoost、随机森林、时间序列等算法设计、实现和优化；
- 负责业务理解、数据预处理、特征工程、模型训练、评估和部署；
- 将复杂业务规则转化为运筹优化约束；
- 使用遗传算法、粒子群算法等启发式算法解决寻优问题；
- 编写技术文档，记录算法方案和优化过程。
这是一份很标准的机器学习工程师 JD。
但它仍然是“人类专家工作模式”：
人理解业务，人做特征，人选算法，人跑实验，人调参数，人写文档。
然而按照 AI-native 的写法，应该出现：
自动实验平台、模型评估 Agent、数据诊断 Agent、代码生成、实验结果自动对比、模型治理、LLMOps / AgentOps、人机协作审核机制。
具体岗位分析：数据分析岗
在数据分析岗位的招聘中，JD 里写着：
搭建业务经营指标体系
服务管理决策层、运营决策层和一线执行层
支持层层下钻归因
支撑业务数据需求
将复杂业务问题转化为数据分析任务
定期分析和总结业务问题
出具总结报告或专题研究这些职责都重要。
但它们也非常典型地代表了上一代数据分析方式：
人取数
人分析
人写报告
人解释指标
人响应业务需求在 AI 时代，这些任务不应该完全依赖人手工完成。
它们可以被重构成：
自然语言查数
经营指标异常识别
自动归因初稿
管理层周报自动生成
指标口径知识库
专题分析 Agent数据分析师不是不重要了。
恰恰相反，数据分析师更重要了。
但他不应该把主要时间花在取数、制表、写初稿、整理周报上。他应该去定义指标、判断归因、解释业务含义、推动业务行动，并管理一套分析 Agent。
传统数据分析师，应该升级为：
AI 数据分析师
经营分析 Agent 负责人
BI 自动化负责人
指标语义层负责人由于篇幅关系，这里只展开数据分析岗位。真正值得注意的是，这类“任务已可 AI 化、JD 仍然传统”的问题，在测试、研发、数据平台岗位中也普遍存在。
企业的战略错配
这家公司不是没有 AI。
它有算法模型岗，也提到了大模型。
但它的问题是：
AI 还没有进入招聘结构的主干。
它在招：
会做系统的人
会做数据平台的人
会做算法模型的人
会做测试交付的人但没有明显在招：
会用 AI 重构数据分析流程的人
会用 AI 重构测试流程的人
会用 AI 重构研发流程的人
会把模型/智能体嵌入业务流程的人
会定义 AI 输出质量和审核边界的人
会设计 AI workflow 的人所以，这家公司更像是：
AI 技术储备型企业而不是：
AI workflow 型企业一个新的判断指标：AI 工作方式密度
我们判断一家企业，不应该只看：
有没有 AI 团队
有没有算法工程师
有没有大模型项目
有没有数据平台更应该看一个新指标：
AI 工作方式密度。
也就是：
企业普通岗位和技术岗位中，有多少已经体现模型/智能体协作、AI workflow、自动化分析、AI 测试、AI coding、智能知识库、Agent 编排等工作方式。
如果一家企业只有算法岗出现 AI，而普通岗位完全没有 AI 工作方式，那么它的 AI 工作方式密度很低。
如果一家 AI 公司有不少机器学习工程师，但工作方式仍然以人类专家手工研发为主，那么它的 AI 工作方式密度也不一定高。
这类企业不能说没有 AI。但它还不是 AI-native。
结语
AI 时代，企业最大的风险，不是少招了几个 AI 人才。
而是：
继续用人类专家模式，完成本该由模型/智能体协作完成的任务。
未来企业的竞争，不是人和 AI 谁替代谁，而是谁能更早把人的判断力和智能体的执行力组合成新的工作系统。