近八成企业只给 AI 岗加薪,金融猎头要去哪里捞人

 你手里一份银行 AI 量化岗的 JD 挂出去两周，猎聘和能找到的简历，八成是"会用 Python 做报表"的人，真正能搭模型、能端到端交付的没几个。与此同时，客户 HR 甩来一句话：预算就这么多，但岗位必须顶用，薪酬对标市场塔尖。

这不是你一个人的问题。8 月 4 日证券时报刊发的一组数据把这件事摊开了：牛客《2026 春季校园招聘白皮书》显示，近八成企业已经给 AI 岗位开出了高于同层级传统岗位的起薪；但人力总预算并没有增加，钱是从别处挪过来的——精准投向最稀缺、最具战略价值的 AI 人才。翻译成猎头听得懂的话：普通岗位在压薪，AI 岗在抢人，而你手里的金融 AI 候选人，大概率不在你习惯的那几个渠道里。

为什么说这件事直接砸到金融猎头？因为金融机构这几年真实在招的，已经不是"金融岗加懂点数据"的缝合怪，而是量化研究员、风控建模、数据科学家、AI 产品经理、金融科技架构这一类既要金融场景理解、又要 AI 工程能力的岗位。银行科技子公司、券商金科、公募量化部、保险精算与定价模型团队，都在抢同一批人。科锐国际轮值 CEO 曾诚接受证券时报专访时也提到，2026 年 AI 产业链招聘热度结构性持续，优秀人才跳槽薪资涨幅普遍集中在 20%—30%，关键技术与领军岗企业给出更大弹性。

问题就出在"渠道"上。证券时报那篇调查里，几位 AI 赛道猎头说得直白：AI 人才大多数不会出现在传统招聘平台上。要碰到合适的人，得进 AI 社群、逛技术论坛和开源社区、听行业播客，甚至要能读得懂技术论文、参加编程马拉松。招聘的链路从"岗位出现—发 JD—等人投"变成了"发现潜在人才—建关系—长期跟踪—待机引入"。这套打法，传统金融猎头圈基本是空白。

那金融猎头到底去哪里捞？我把它拆成五个现场，按"离钱近、离岗近"排：

第一，技术社区和论文池。 GitHub、Kaggle、arXiv 上搜量化、风控建模、AI 加金融的交叉论文和开源项目，作者往往就是在职的、能打的人。尤其是高校实验室和 AI 竞赛里做金融方向的学生，是未来三年的储备，现在不建关系，等他毕业就是别人碗里的。

第二，大厂 AI 应用岗流出来的"超级个体"。证券时报引用猎头观察：现在企业要的是能端到端用 AI 把业务闭环跑通的人，哪怕创业失败过也行，因为那说明他能独当一面。这些人从大厂、金融科技公司流出后，不一定挂在招聘平台，但在技术社群、播客、自己的博客里很活跃。

第三，同业甲方的技术团队。银行科技子公司、券商金科、基金量化部的在职人才，是金融猎头最该经营却最容易忽略的池子。他们不投简历，但会在专业内容下互动。你持续发有质量的行业判断，他们就会在评论区、私信里冒出来。

第四，AI 社群和行业播客。 Agent、智能体、具身智能这些方向的从业者，聚集在特定的社群和节目里。金融猎头不需要懂技术细节，但要知道这些人在哪说话，混进去，先认识，再谈岗。

第五，跨界人才池里的"金融加 AI"复合者。既懂汽车机械又懂软件数据那种"π 型"人才，在金融里对应的是既懂业务场景、又能驾驭 AI 工具做交付的人。这类人稀缺，但一旦碰到，成单质量高。

捞的时候有个坑要避开：别把"会写 prompt、会用工具"当成 AI 金融人才。真正值钱的是能定义问题、能端到端交付、能把技术变成业务结果的人。金融场景理解是护城河——一个纯算法大牛进了金融机构，若不懂合规、不懂业务口径，未必比一个懂行又会用 AI 的金融人好用。所以金融猎头筛选时，先看他交付过什么金融结果，再看他用 AI 放大了多少倍，而不是先看他发过几篇论文。

最后说一个事实边界，别被标题带偏。证券时报这篇的数据，集中在互联网和人工智能行业的校招与猎头环节，清华博士 600 万总包是个塔尖个案，不是普遍薪资。对金融猎头来说，真正要盯的是"机构把涨薪预算精准投向 AI、量化、建模岗"这个趋势——它改变了你的客户岗位结构、候选人定价和寻访路径。普通金融岗没涨，AI 金融岗在抢，钱和人都在塔尖之外的新地方。

一句话：以前金融猎头是"等人投简历"，现在得"去现场捞人"。哪个猎头先把五个现场跑熟，哪个人手里的 AI 金融岗就先成单。