郭雁冰 CGL 集团高级副总裁
2026 年 11 月 18 日,我们把金融行业的委托台账拉了一遍。87 家客户、1,887 个委托单、268 个成交,在招的 508 个岗位按类型分组,算了每一组的挂牌时长中位数。
排在最前面的不是技术岗。投资与投研岗挂了 21.5 个月,AI 与算法岗 19.1 个月,风控合规 18.6 个月。财务、人力、技术研发这几类常规序列,中位数都是 12.5 个月。
这组数值得说清楚,因为它推翻了一个常见的猜测:金融的岗位难招,是因为 AI 人才稀缺。稀缺确实存在,但挂得最久的是投资岗——这个岗位从来不缺候选人。
先把这个盘说清楚
数字来自我们自己的委托系统,不是行业统计。口径是:客户行业标签里带金融的 87 家,其名下全部委托单,按系统状态分在招与已成交,取数时间 2026 年 11 月 18 日。
| 口径 | 客户数 | 委托总量 | 已成交 | 成交率 |
|---|---|---|---|---|
| 金融标签全样本 | 87 | 1,887 | 268 | 14.2% |
| 剔除两家平台型客户 | 85 | 1,399 | 220 | 15.7% |
成交不是均匀分布的。268 个成交里,前五家客户占了 51%,最大的一家 473 个委托成交 44 个。有成交的客户是 41 家,占 87 家的 47.1%。超过一半的客户在我们这里没有一个成单。
这组数解释了一个反复出现的疑问:这个行业的盘看起来厚,为什么做起来不厚。因为盘厚在前五家,长尾那四十多家是零。
挂牌时长:投资岗 21.5 个月,AI 岗 19.1 个月
508 个在招岗位,按标题归入六类,算每类从挂牌到今天的中位月数。
| 岗位类型 | 在招条数 | 中位挂牌时长 | 超过 12 个月的条数 |
|---|---|---|---|
| 投资与投研 | 30 | 21.5 个月 | 23 |
| AI 与算法 | 24 | 19.1 个月 | 17 |
| 风控与合规 | 39 | 18.6 个月 | 29 |
| 高管与一号位 | 53 | 13.6 个月 | 29 |
| 财务人力运营 | 55 | 12.5 个月 | 28 |
| 技术研发 | 71 | 12.5 个月 | 37 |
技术研发岗挂 12.5 个月,AI 岗挂 19.1 个月。两个数字差了半年多,而这两类岗在技能要求上高度重叠,都是用同一批人。
差在哪里,看成交就能看出来。268 个成交里,技术研发类的成单是常规节奏,AI 类的只有 7 个。
投资岗挂得更久,因为它不缺人
投资与投研岗 30 个在招,23 个超过一年,中位 21.5 个月。这个数字容易被误读成市场上没有人。实际恰好相反,这类岗从来不缺简历。
真正的卡点在于,机构对"要投什么"没有形成共识。一级市场跟着募资周期走,二级市场跟着策略走,同一家机构在不同年份需要的投资经理,画像可能完全相反。画像没定,面试就没有标准;没有标准,录用就只能等一个"看一眼就觉得对"的人。
这类人的判断对不对,要等项目退出才知道。所以机构倾向于把岗挂着,等一个自带项目源、自带行业认知的人出现。挂牌在这里起的是"持续观察"的作用,不是"急招"。
AI 岗的 19.1 个月,机制上跟投资岗是同一类:产出是判断,判断要等结果验证。区别在于,投资岗的验证周期以年计,AI 岗的验证周期以季度计,所以 AI 岗的时长比投资岗短两年左右。
AI 岗:24 个在招,7 个成交
在招的 508 个岗位里,标题带 AI、算法、大模型、风控模型这类字样的是 24 个,占 4.7%。数据类(不含 AI)10 个,占 2.0%。成交的 268 个里,AI 类 7 个,占 2.6%。
| 挂牌年份 | AI 类在招数 | 说明 |
|---|---|---|
| 2023 | 3 | 最早 2023 年 7 月挂牌,至今 3 年 4 个月 |
| 2024 | 7 | 挂满两年 |
| 2025 | 7 | 挂满一年 |
| 2026 | 7 | 当年新开 |
三年里每年新开 7 个左右,旧的一个没关。如果这些岗在市场上能找到人,它们应该在半年内被关掉。挂三年还在,只有两种可能:找不到,或者这个位置本身没准备好接人。
再看成交的那 7 个。标题分别是 NLP 算法专家、算法专家、AI 项目、AI Director、风控模型 P8、AI Solution manager,还有一个只写了 AI。
把这 7 个和挂着的 24 个放在一起,差别不在技术难度,在有没有一个明确的交付对象。NLP 算法专家背后是算法团队,交付物是模型和线上指标。风控模型背后是风控条线,交付物是模型上线后的通过率与坏账率。AI Solution manager 背后是解决方案交付,交付物是客户系统跑起来。这几个岗,用人方在面试时能问出具体问题:你上一版模型召回多少、上线后坏账降了几个点、这套方案在客户那里跑了几个月。
挂着的那批里,有一类岗位叫 AI 负责人、AI 战略 head、AI 研发负责人。这类岗没有交付对象。面它的时候,用人方问的是"你怎么看 AI 对行业的影响""你的三年规划是什么",答得好不好都无从验证。面试无法验证,录用决定就只能往后拖。
挂得久的共同点:判断没法在面试里验证
把投资岗和 AI 岗放在一起看,共性就出来了。这两类岗的产出都是判断,不是交付物。投资经理的产出是他投了什么、避开了什么,AI 负责人的产出是他让模型在哪个环节起作用。这两件事都要等结果,而结果来得慢。
对比之下,技术研发岗的产出是可当场验证的:写过什么系统、扛过多少并发、带过几个人。财务岗、人力岗同样,报表出得多快、招聘周期多长,都有数。这类岗挂 12.5 个月,主要卡在薪酬和地域,不卡在判断。
金融行业又多一层约束。定价、授信、核保、反欺诈,每个环节的输出都要有人签字,签字的人要能说清为什么这么定。模型给的是一段概率分布,签字要的是一句有人负责的结论。中间这一步,现在多数机构靠人补:模型出分,人看分,人签字。补得过来的时候,这个岗不需要专职;补不过来的时候,机构才会去市场上找一个负责人。
招聘启事写的是"负责 AI 战略规划与落地",面试问的却是技术细节。候选人不清楚这个岗是来带团队的、来建平台的,还是来给业务部门做技术翻译的。三种角色的画像完全不同,对外的岗位名称却是同一个。岗位名称没写完,面试就定不了,挂牌时长自然拉长。
什么情况下这个判断不适用
三种情形要排除在外。
第一种,AI 只用于内部效率,不进入定价与授信。如果这类机构招的是文档处理、客服问答、代码辅助方向的人,那么按技术岗招人是合理的,因为交付物就是效率指标。此时岗位描述能写清交付物,挂牌时长会回到常规水平。
第二种,机构规模小,AI 相关岗位不足三个。这种规模下设专职负责人,手下没有团队,职责会退化成项目管理。此时更好的做法是把 AI 能力放进既有岗位,不单设。
第三种,判断已经能被流程化验证的机构。有些机构把模型上线后的表现写进了季度考核,谁的模型、上线多久、指标变化多少,都有台账。这类机构的 AI 岗挂牌时长短于 19.1 个月,因为这些岗在面试前就已经有了可核的历史。
三个视角看这件事
对一号位:值得问的具体问题是,我们挂出去的那些岗,挂了多久,最近一次面试是什么时候,为什么没往下走。如果答案是"候选人不合适",接着问不合适在哪一条。答不出来,说明岗位定义本身没写完。
对人力负责人:这类岗的岗位描述不能从"AI 负责人"这个词出发,要从他交付什么出发。面试里可以问的具体问题是,你上一版模型上线后,业务的哪个指标变了,变了多少,这个变化里有多少能归到你身上。答得出细节的人,比答得出趋势的人稀缺得多。
对董事会:可以看一个数,过去三年新设岗位的平均挂牌时长。这个数不需要对外披露,但它比任何 AI 投入金额都更能说明组织的准备程度。如果这个平均时长是 19 个月,同体量机构是 8 个月,差别不在薪酬,在有没有人能把"这个岗要交付什么"写清楚。
一句必要的说明
这组数只覆盖在我们这里有委托记录的客户,行业标签覆盖率大约三成,不是全量金融行业。系统里的"已成交"指岗位进入成功状态,包含候选人入职与保证期内结案,不等于服务费已经全部收到。费率这一格,这次没有取到,所以本文不给任何关于收入的推算。
样本是我们自己的,结论也只对我们自己的盘成立。
关注 CGL 集团,了解企业 AI 组织与人才能落地的判断。官网:global.wearecgl.com