一家做端侧多模态 AI 的团队说，除了算法和工程师，把产品带到市场的人同样关键；一家做了多年客服软件的企业则说，原有软件团队在收缩，AI 团队还在增长。两位受访者谈到的招聘需求并不相同，却都把问题落在了具体工作上：谁能把产品推广出去，谁能在业务变化时快速动手、继续学习。
这是一组在硅谷现场进行的五段对话。受访者还谈到了长视频生成、职业社交和生物医学研究。把他们的话放在一起看，能看到 AI 岗位之外更细的分工，也能看到一家企业内部的工作怎样移动。但五个人的经历，不能代替整个行业的招聘数据。
第一位受访者：做长视频，也看重人与人的能力
第一位受访者是一家 AI 视频创业公司的 CFO，此前在摩根大通做投行工作。他描述的方向是面向影院和电视媒体的长视频生成：目标不只是几秒或几分钟的片段，而是 60 分钟、90 分钟甚至更长的内容。他称公司的模型已经能基本实现这个方向，也给出了很高的排名评价。这些都是他的说法，视频里的对话没有展示可供独立比较的测试方法或结果。
主持人接着问，未来十年什么样的人会更受欢迎。他没有直接给出某个职位名称，而是说，具体学过的东西可能会过期，基本能力仍然重要。
他首先提到交流能力。AI 可以参与许多环节，人与人之间仍需要把想法说清楚、形成判断。随后是亲和力：能否通过谈吐和相处，让合作对象愿意信任你。在他看来，想进入 AI 行业的人还可以打好理科基础，为以后转入不同方向留下空间。
这是一位从业者对能力的判断，不是一份招聘要求。它与后面的谈话形成了一个有意思的衔接：当 AI 产品越来越复杂，技术本身只是公司要解决的一部分，产品要进入市场，还需要另一套本领。
第二位受访者：模型在电脑上跑，推广也得自己会做
第二位受访者所在团队做端侧多模态 AI。他介绍，产品希望在个人电脑等设备上理解和处理文本、图像、音频与视频，把模型放在用户数据旁边工作。他特别提到，个人设备里的内容并非都适合上传云端；团队想从这些本地数据里挖掘价值。
这段产品描述之后，话题很快转向了人。主持人问，团队现在最需要什么样的人才。受访者的回答是“各方面”：算法、工程当然需要，但 Go to Market 也非常关键。
原因并不复杂。做出产品之后，还要找到愿意使用它的人；不同产品又有不同的推广路径。有的依赖搜索，有的需要与内容创作者共创，有的需要经营自己的社交媒体。他谈到 SEM、SEO，也谈到一个新问题：当用户开始通过大模型寻找产品时，怎样让模型更好地理解并找到你。
这些工作听上去都叫“市场”，实际做法却相差很大。搜索投放要知道词怎么选、流量从哪里来；内容传播要能做出有人愿意分享的内容；用户运营则要识别现有用户里谁愿意持续使用、介绍产品，甚至参与传播。受访者还提到与 KOL 合作和社交媒体运营。这里缺的不是一个笼统的“懂 AI 的市场人”，而是能在具体渠道里做事、再看效果的人。
主持人问，既然这些事情有外部团队能做，为什么不直接外包。受访者的回答很实在：团队得先知道工作怎么做，才有办法判断外包的钱花在了哪里、有没有效果。他说，公司目前不少工作由内部人员承担，也会招应届生、大学生和实习生，从实习阶段培养。
谈到公司早期如何把投入与回报做平，他提了两个条件：选中足够明确的细分市场，把一条产品线打磨好；同时愿意花钱做推广实验。这仍是受访者对自身经历的归纳，不能据此推成所有 AI 创业公司的通用公式。但它解释了他为什么反复强调市场岗位：产品、渠道和验证效果，在这家公司是连在一起的。
第三位受访者：旧团队收缩，AI 团队增长
资料图：2006 年美国佛罗里达州一处呼叫中心的工位，与文中受访企业无关。图片：Petiatil / Wikimedia Commons（公有领域）。
第三位受访者经营一家做客服软件多年的企业。他说，传统业务曾为客服人员提供全渠道工具；近三年，公司把 AI 客服作为新业务重点。原有业务并没有立即消失，但客户的关注点正在转向 AI。
他把转型说得很直接：如果原来的软件主要服务客服人员，而智能体开始接手其中一些工作，那么为这些岗位提供工具的业务就会承受压力。公司因此组建了新的团队，增加 AI 客服业务。这是他的企业面临的具体变化，也解释了为什么同一家公司里会同时出现减少与增加。
主持人问到人员结构。他说，原软件团队人数有所减少，AI 团队人数一直增长。这里的“减少”和“增长”都指他所在公司的不同团队，采访没有给出员工总数、岗位数量和时间序列，不能把这句话当作整个客服行业的净就业变化。
那么，增长的团队想找什么人？他的回答起初是“对 AI 有感觉”。这个说法太抽象，他随后补充：首先要喜欢这个方向，更要有动手能力和学习能力。比起履历里写了多少新名词，他在对话中强调的是能否真正上手，能否跟着变化继续学。
他也谈到业务增长，但没有给出可完整核对的营收数字。更值得留意的是他后面的担心：机会来了，内部产能能不能跟上。对一家已有二十年业务积累的企业，转型并不只是换一个产品名称，还牵涉到团队怎样重新分配工作、怎样补上能执行新业务的人。
到这里，两家明确谈到招聘的公司呈现出不同的问题。端侧 AI 团队需要把产品推广出去，所以反复谈渠道、内容和用户运营；客服企业的旧业务与新业务并存，所以更在意人员结构和能否快速投入新业务。把这两种需求合称“AI 公司都在抢同一种人”，反而会抹掉真正有用的差别。
第四位受访者：做职业社交，先撞过产品市场匹配的墙
接下来是一位曾在职业社交平台工作六年的创业者。他正在做新的 AI 职业社交产品，设想把用户分散在不同平台的公开信息、私人联系人和个人日程等数据整理成长期记忆，再让一组智能体处理职业社交中的具体事务。
这段对话没有给出明确的招聘计划。它提供的是另一面：即使一个人有相关行业经验，创业时仍要重新理解用户真正要什么。他说，最难的是寻找产品与市场的匹配。理论知识和前辈经验能帮忙，有些判断仍需要自己做、自己碰壁。
主持人问他如何迅速掌握新知识。他的回答不是某门速成课，而是接触不同来源的有效信息，再结合亲身经历形成判断。这个回答与前一位企业负责人看重的学习能力相互呼应，但两人的处境不同：一位是在已有企业内寻找新业务的人，另一位是在创业过程中摸索产品需求。相同的词，落到工作里要做的事并不一样。
谈到更长远的理想，他还提到地球科学、AI 和外太空探索。职业社交是他现在感兴趣的路径，长期目标则需要慢慢积累。这段回答没有把当前工作包装成通向某个确定终点的捷径，反而让“职业发展”这件事显得更真实：选择往往是在当下能做的事与未来想做的事之间，逐步建立连接。
第五位受访者：把 AI 用到科研，先过数据与验证两关
资料图：美国国家癌症研究所研究人员使用移液器处理样本，与文中受访者无关。图片：Diane A. Reid / NCI（公有领域）。
最后一位受访者在斯坦福做生物医学方向的博士后研究，之前在清华读博士。他谈的工作与前面的产品团队差别更大：一边要获得、清洗高质量数据，一边要让智能体参与更复杂的科研问题，例如实验设计和药物靶点相关研究。
在生物医学研究里，数据量不是唯一问题。数据质量能否保障，直接影响后续工作有没有意义。受访者希望用 AI 提高处理数据的规模与速度，也希望让智能体承担更深的思考任务，而不只处理容易标准化的问题。他谈到的药物发现、靶点发现，最终仍需要研究中的验证环节。
他对 AI 工作方式的变化也没有给出一个确定答案。他说，前几年人们关注训练模型，后来更多人转向 Agent；今年 Agent 又更普及了，新名词不断出现，自己的观点也会变化。面对“孩子将来该学什么”的问题，他的回答同样是“不知道”，因为十几年后教师角色和学习内容可能与今天很不同。
这位研究者正在寻找下一步机会，但对话没有说清他会加入哪家公司、招什么岗位。因此，这段经历适合帮助读者理解 AI 在科研中的工作方向，不适合被写进一张“正在招聘的岗位名单”。
五段对话走下来，最清楚的其实是两种变化：一些团队正在补足技术之外的推广、运营工作；另一些企业则在旧业务收缩时，把人力转向 AI 新业务。交流、信任、动手和学习能力反复出现，但每种能力都要放回具体岗位，才知道它解决的是什么问题。
裁员和招聘可以同时发生，甚至发生在同一家公司。对于正在看 AI 机会的人，这几位受访者提供的是几扇窗口：视频、端侧产品、客服、职业社交和生物医学，各有自己的工作现场。窗口值得看，行业全貌仍需要更多样本和数据。