BLOG
Drei große Migrationswellen von AI-Talenten in drei Jahren: In welchen Fluss sollte man steigen, wenn man jetzt einsteigt?
Seit dreieinhalb Jahren rollt die Welle der großen Sprachmodelle ungebremst voran – und die einheimischen KI-Talente haben bereits drei große Migrationswellen durchlebt.
Diese Einschätzung stammt aus einer tiefgehenden Untersuchung von Leiphone Anfang September: Die Redaktion interviewte mehrere Headhunter, die sich auf die Vermittlung von KI-Algorithmus-Talenten spezialisiert haben, und ordnete die Personalfluktuation dieser Zeit in drei Wellen ein: Zuerst wurde das Team von Baidus Wenxin wild umworben, dann wurden die Talente der „Sechs kleinen Tiger“ aufgeteilt, und heute sind Talente für Inferenz, Agenten und Infra die neuen Lieblinge der Branche.
Eine Zahl darin fällt besonders ins Auge: Die durchschnittliche Betriebszugehörigkeit von KI-Talenten ist von 2–3 Jahren auf 1–1,5 Jahre gesunken. Das bedeutet: Menschen in dieser Branche wechseln im Schnitt etwas mehr als einmal im Jahr den Job.
Als jemand, der seit über zehn Jahren Teams leitet und selbst zwei Technologiezyklen – vom mobilen Internet bis zur KI – miterlebt hat, möchte ich über die Logik hinter diesen drei Migrationswellen sprechen – und über eine viel praktischere Frage: In welchen Fluss sollte man steigen, wenn man jetzt in die KI-Branche einsteigen möchte?
Drei Migrationswellen – die Spitze trifft genau den Rhythmus der Branche
Erste Welle, 2023: Die Jagd nach Vortrainings-Talenten, Baidu war der Windmesser.
Nach dem Launch von ChatGPT reagierte Baidu am schnellsten: Im März 2023 schoss Wenxin Yiyan als erstes großes Sprachmodell in China los und reorganisierte seine jahrelang aufgebauten NLP-Eliten im „Kriegsmodus“. Das Ergebnis: Wer „Wenxin“ im Lebenslauf stehen hatte, stieg sofort im Marktwert. Laut einem von Leiphone interviewten Headhunter bekam dieselbe Person mal 2 Millionen Yuan, mal 3 Millionen, mal 5 Millionen Yuan – die Angebote überboten sich gegenseitig.
Zwei Gruppen warben die Talente ab: Die frisch gegründeten „Sechs kleinen Tiger“ (wie Moonshot AI, Baichuan, StepFun, 01.AI und andere) sowie die dringend nachziehenden Konzerne Alibaba, ByteDance und Tencent. Nach Schätzungen der Headhunter wurden 70–80 % der Vortrainings-Talente von ByteDance, Xiaohongshu, Pinduoduo und den Sechs kleinen Tigern aufgeteilt.
Zweite Welle, Anfang 2025: Die Sechs kleinen Tiger differenzieren sich, ByteDance und Tencent werden zu Zuwanderern.
Durch den Druck von DeepSeek und die überfüllte Konkurrenz wechselte Baichuan zur vertikalen Medizintechnologie, 01.AI integrierte sein Trainingsteam in ein gemeinsames Labor mit Alibaba Cloud – das Startup-Lager schrumpfte, und大批 Vortrainings-Talente kamen erneut auf den Markt. In dieser Zeit warb ByteDance in drei aufeinanderfolgenden Phasen Personal ein, auch Tencent schloss vor und nach dem Eintritt von Yao Shunyu zwei Einstellungsrunden ab.
Dritte Welle, von nach dem Frühlingsfest 2025 bis heute: Die Jagd nach Post-Training-, Agenten- und Infra-Talenten.
DeepSeek R1 machte der gesamten Branche das Preis-Leistungs-Verhältnis von Inferenz klar. 2026 explodierte der Markt für Agenten – nach dem Durchbruch von Manus und dem Erfolg von Claude Coding Agent war die Personalfluktuation in Teams rund um Coding Agent extrem hoch. Gleichzeitig sank der Einstellungsbedarf für Vortraining um 30 bis 40 % gegenüber dem Höhepunkt.
Erkennst du das Muster? Jede Spitze der Personalfluktuation trifft genau den Rhythmus des Branchenwettbewerbs. Wenn sich Basismodelle nicht mehr weiter ausdifferenzieren lassen, wandern Vortrainings-Talente ab; wenn sich das Preis-Leistungs-Verhältnis von Inferenz bewährt, steigen die Gehälter für Post-Training-Talente; wenn Agenten durchstarten, werden Leute mit praktischer Ingenieurserfahrung wild umworben.
Wonach die Branche in jeder Phase am meisten verlangt, dorthin ziehen es die Talente – das Gehalt ist nur das Ergebnis, nicht die Ursache.
Warum halten große Konzerne keine Talente? Drei Faktoren mit großer Wirkung
Headhunter haben drei Kräfte zusammengefasst – ich ordne sie nach der Wirkung, die ich selbst beobachte.
Erstens: Aktienkurs und Marktkapitalisierung. Mehr als die Hälfte der Vergütung von Kerntechnikern in großen Konzernen besteht aus Aktien. Wenn der Aktienkurs mau ist, fällt es schwer, Talente zu halten. In der Untersuchung wurde Kuaishou explizit genannt: Unter Druck des Aktienkurses verließen Kernmitglieder des Textmodellteams das Unternehmen früh; ähnlich verhält es sich mit Meituan. Wenn das Geld nicht stimmt, hält Idealismus nicht länger als zwei Gehaltstage.
Zweitens: Strategische Ausrichtung. Das typischste Beispiel ist Huawei: Das Kerngeschäft ist der Verkauf von Ascend-Chips und Rechenleistungshardware, große Modelle haben eher eine unterstützende Position. Das wirkt sich direkt auf die Investitionserwartungen des Modellteams aus – Huawei wird zu einem Abwanderungsort. Ähnlich verhält es sich mit Baichuans Wechsel zur vertikalen Medizintechnologie: Sobald die Unternehmensstrategie die Richtung ändert, verliert das gesamte Team die Orientierung – und geht schneller als alle anderen.
Drittens: Die Anpassung der Organisationsstruktur – dieser Faktor ist am verborgensten, aber am tödlichsten. Die hierarchischen Strukturen traditioneller Großkonzerne passen nicht zum Entwicklungsrhythmus großer Modelle. Ein Headhunter brachte es auf den Punkt: „Bei neuen Geschäften und neuen Strategien muss die Organisationsstruktur als Erstes angepasst werden – aber nur wenige Unternehmen sind in der Lage, schnell eine Entscheidung dazu zu treffen.“
Ich ergänze eine Version, die ich selbst miterlebt habe: Alte Mitarbeiter blockieren Positionen, die Berichtslinien sind verschachtelt, eine Entscheidung braucht drei Monate, bis sie den Konferenzraum verlässt – echte KI-Talente an der Front sind auf dem Markt hart umkämpft, sie warten nicht, bis du fertig bist.
Interessanterweise ist Alibaba ein Gegenbeispiel: Die meisten Talente für das Tongyi-Basismodell werden über Hochschulabsolventen und interne Weiterbildung rekrutiert, kaum über externe Einstellungen – und trotzdem hat es die stabilste Personalstruktur. Abwerben löst das Problem des „Haben oder Nicht-Haben“, aber nicht das des „Bleibens oder Nicht-Bleibens“.
Altersangst: Halb wahr, halb erfunden
Zwei Details aus der Untersuchung gehen besonders nahe.
Erstens: Vortrainings-Talente wechseln selten zum Post-Training – laut Headhuntern liegt das an „Barrieren in der Arbeitsteilung“ plus „technischer Überzeugung“: Leute, die Basismodelle bauen, wollen von Grund auf nicht zum Fine-Tuning wechseln.
Zweitens: KI-Talente im Alter von 30–40 Jahren aus der ersten Halbzeit kehren zurück zu Universitäten und öffentlichen Forschungsinstituten – der ehemalige Vizepräsident von Kuaishou, Wang Zhongyuan, übernahm Anfang 2024 die Leitung des Zhiyuan Research Institute. Gleichzeitig bevorzugt der Markt deutlich junge Leute in den 20ern, in der Blüte ihrer Kreativität.
Ist Altersangst also berechtigt? Meine Einschätzung: Altersangst bei „reiner Ausführungsarbeit“ ist berechtigt, bei „Urteilskraft“ gibt es keine Altersangst.
Schau dir die Leute genauer an, die zurück zu Universitäten gehen: Sie sind keine Ausgestoßenen, sondern die Besten der Besten – sie gehen an Forschungsinstitute, betreiben Grenzforschung und leben von ihrer aufgebauten Urteilskraft. Die jungen Leute in den 20ern, die der Markt bevorzugt, werden für Jobs nach dem Muster „Körperkraft + Lerngeschwindigkeit“ gesucht: hochintensives Vortraining, schnell iterierende Ingenieuraufgaben.
Die eigentliche Frage ist also nicht „Kann man mit 30 noch in der KI arbeiten?“, sondern: Basiert dein Wert mit 30 Jahren immer noch darauf, dass du „viel schaffst“, oder hast du ihn bereits zu dem aufgebaut, dass du „weißt, was man tun und was man lassen sollte“?
Ersteres wertet sich in der KI-Branche schnell ab – denn die KI automatisiert genau den Teil des „Schaffens“. Letzteres wird dagegen immer wertvoller – denn der Branchenrhythmus ist so schnell, dass keine Zeit für Versuche bleibt, Urteilskraft wird zu einem knappen Gut.
Um welche Talente wird als Nächstes geworben?
Schauen wir uns zuerst die zwei Gruppen an, die derzeit am meisten gefragt sind:
KI-Infra-Talente – Stellen wie GPU-Cluster-Planung, Optimierung von Inferenzframeworks, FPGA-Kompilierung. Warum? Rechenleistung ist teuer. Bei denselben Grafikkarten macht die Qualität der Planung einen mehrfachen Unterschied in der Effizienz aus. Diese Leute bestimmen direkt, ob die Karten voll ausgelastet sind.
Daten-Talente – Rechenleistung ist zu einem festen objektiven Faktor geworden (man kann sie kaufen, wenn man Geld hat), die Modellarchitektur hat ein vorübergehendes Plateau erreicht (alle liegen ungefähr gleich auf). Deshalb lautet der Konsens in der Branche: „Hochwertige Daten sind die zentrale Barriere in der zweiten Halbzeit.“ Die kürzlichen konzertierten Anpassungen der Datenteams bei ByteDance und anderen Großkonzernen sind ein Zeichen dafür.
Um welche Talente wird als Nächstes geworben? Ich vermute zwei Gruppen:
„KI + Geschäft“-Übersetzer-Talente. Nach dem Durchbruch von Agenten verschiebt sich der Engpass von „Ist das Modell schlau genug?“ zu „Kann es im Geschäft eingesetzt werden?“. Leute, die sowohl Geschäftsprozesse verstehen, als auch die Grenzen der KI kennen und zudem Wege für die praktische Umsetzung entwerfen können, sind derzeit extrem knapp – und genau das ist der realistischste Einstiegspunkt für die meisten Berufstätigen, viel realistischer als der Wechsel in die Algorithmik.
KI-Qualitäts- und Sicherheits-Talente. Der Release-Zyklus großer Modelle hat sich von 4,5–6 Monaten auf 3,5 Monate verkürzt – die Wahrscheinlichkeit von Problemen steigt entsprechend. Wer ist für die Validierung verantwortlich, wenn ein Modell live geht? Wer haftet für Halluzinationen? Wer kümmert sich um die Compliance? Für diese Stellen gibt es noch keine klaren Gehaltsstufen, aber die Nachfrage steigt – genau wie vor zehn Jahren, als niemand wusste, dass „Testingenieur“ zu einem riesigen Berufsbild werden würde.
Der Rahmen für die Einschätzung lässt sich in einem Satz zusammenfassen: Schau, wohin sich der Engpass der Branche verschiebt – dorthin wandern auch die teuersten Talente. In der Ära der Basismodelle lag der Engpass in der Algorithmik, in der Ära der Inferenz in der Effizienz, in der Ära der Anwendungen in der praktischen Umsetzung. Wenn du deine Fähigkeiten auf den nächsten Engpass ausrichtest, ist das besser, als jedem Trend hinterherzujagen.
Wenn du jetzt in die KI-Branche einsteigen möchtest: Drei Wege
Sortiert nach steigender Einstiegshürde – such dir den passenden aus.
Erster Weg: Kein Berufswechsel, sondern zuerst „KI+“ in deinem aktuellen Job. Das empfehle ich den meisten Menschen am meisten. Du musst nicht in ein KI-Unternehmen wechseln, um von KI zu profitieren – wenn du deine Aufgaben im Job neu mit KI erledigst und messbare Effizienzsteigerungen erzielst, bist du bereits ein „KI + Geschäft“-Übersetzer-Talent. Das ist hundertmal realistischer als ein nackter Wechsel in die Algorithmik. Und gerade jetzt bauen viele Branchen ihre eigenen Post-Training-Modelle auf – Finanzen, Medizin, alle bauen ihre eigenen KI-Teams auf. Was ihnen am meisten fehlt, sind keine Algorithmen, sondern Leute, die das Geschäft verstehen und KI anwenden können.
Zweiter Weg: Wechsel zur KI-Ingenieurstechnik, Einstieg über die Agenten-Anwendungsschicht. Wenn du Entwickler bist, fange nicht gleich mit Vortraining an (dieses Fenster hat sich geschlossen, die Nachfrage ist sogar um 30–40 % gefallen). Steige über die Entwicklung von Agenten-Anwendungen ein – Workflow-Orchestrierung, Tool-Aufrufe, RAG, Evaluierung: Das sind die Richtungen mit der höchsten aktuellen Nachfrage, relativ freundlichen Einstiegshürden und die kurzfristig nicht durch Fortschritte der Modelle überflüssig werden. Laut der Untersuchung werben Teams rund um Coding Agent derzeit am aggressivsten Personal ein.
Dritter Weg: Für Hochschulabsolventen oder tiefgreifende Berufswechsler: Infra oder Daten. Wenn du Student bist oder dich entschieden hast, tief in ein neues Feld einzusteigen, sind Infra (GPU-Planung / Inferenzoptimierung) und Datentechnik in den nächsten drei Jahren harte Währung – hohe Barrieren, wenige Talente, starre Nachfrage. Aber sei dir bewusst: Dieser Weg hat eine steile Lernkurve, er erfordert echten Einsatz – das schaffst du nicht, indem du zwei Monate lang Kurse durcharbeitest.
Zum Schluss noch eine ernüchternde Wahrheit: In einer Branche mit einer durchschnittlichen Betriebszugehörigkeit von 1–1,5 Jahren ist Volatilität Normalität. Sieh den „Einstieg in die KI“ nicht als einmalige Aktion – der Einstieg ist nur das Ticket. Ob du am Tisch bleiben kannst, hängt davon ab, ob du alle sechs Monate prüfst, ob deine Richtung noch zum Engpass der Branche passt.
Deshalb sage ich immer: Bevor du Trends jagst, übe zuerst deine „Urteilskraft“ – sie ist das einzige Gut, das nicht mit dem Alter an Wert verliert und sich nicht mit jedem Trend verschiebt.
Wohin die Welle schlägt, kannst du nicht bestimmen – aber in welchen Fluss du stehst, das entscheidest du.
Referenz: Leiphone, 07.09.2026, 3 große Migrationen von KI-Talenten: Baidu als Vorreiter, Differenzierung der Sechs kleinen Tiger, Tencents „Austausch der Käfigvögel“ (Die Daten zur Personalfluktuation und die Meinungen der Headhunter im Text stammen aus dieser Untersuchung, die Namen sind Pseudonyme; die Branchenbeurteilungen sind persönliche Ansichten und dienen nur als Referenz.)
Autor: Yongliang, 17 Jahre in der Softwarebranche, 7 Jahre Erfahrung in der KI, mehrere internationale Unternehmenszertifizierungen. KI-Technologiedirektor, spricht offen über Karriere und Bildung im Zeitalter der KI.