AI 職缺年薪達 17.7 萬美元為非 AI 職缺兩倍，女性僅取得 26% 錄取

AI 相關職缺平均開出 17.7 萬美元的年薪，超過非 AI 職缺的兩倍；但在實際錄取中，女性僅取得約 26%。這顯示 AI 帶來的薪資紅利，在分配上呈現明顯的不均。

薪資差距達到兩倍，反映的是供需的極度失衡。具備模型訓練、部署與應用開發實務經驗的人才數量有限，而需求端則涵蓋幾乎所有產業——科技業自不待言，金融、醫療、製造與零售都在建立相關團隊。當供給無法在短期內擴充，價格便成為爭奪人才的主要工具。

26% 這個錄取比例，則需要放在幾個層次上理解。首先是既有的專業結構——電腦科學與相關工程領域的女性比例本就偏低，而 AI 職缺多從這些領域招募，起點的人才池便不均衡。其次是職缺描述與篩選標準的設計，過度強調特定技術經驗的條件可能篩掉背景多元但同樣具備能力的候選人。

不過，把差距完全歸因於人才池是不完整的。研究普遍顯示，即便在同等資格的條件下，錄取率仍存在差異；而 AI 領域的招募快速擴張，往往依賴人脈推薦與快速決策，這類流程對既有網絡之外的候選人不利。同時，AI 輔助的履歷篩選若以歷史錄取資料訓練，也可能複製過往的偏差。

這個議題的重要性，在於它會隨時間自我強化。AI 職缺的薪資溢價意味著財富累積速度的差異；而當前進入這個領域的人，也將成為未來定義產品、制定標準與領導團隊的人。若參與者的組成長期偏斜，其影響會反映在產品設計與技術取向上——這對於服務廣泛人群的 AI 系統而言，是實質的品質問題而非僅是公平問題。

從企業的角度，改善的著力點相當具體。重新檢視職缺描述，區分「必要條件」與「加分條件」；擴大招募管道，不侷限於既有網絡；在內部提供轉職訓練，讓其他職能的員工能進入 AI 相關工作；以及檢視自動化篩選工具是否引入偏差。這些作法的共同點是擴大人才池，而非降低標準。

從供給端看，這也指向教育階段的課題。相關科系的性別比例、學習環境與職涯示範，都影響進入這個領域的意願；而這些改變的效果需要數年才會顯現，因此愈早著手愈好。

後續觀察重點包括：後續年度的錄取比例變化、企業招募流程的調整作法，以及相關科系入學結構的走勢。