我大約從 2025年 4 月開始積極求職，在面試有幸和許多公司和職場先進面談得到許多寶貴的建議以及瞭解市場狀況。
在為期大約 3 個月的過程中，我參與了 8 間的公司的招募流程，加上每一間公司大概都有 2 關以上的面試或筆試，因此我一共參與了 16+ 的面試筆試關卡。
這 8 間的產業分別是：金融、博弈、餐飲、遊戲、AI Agent、車業、行銷、音樂。
LLM 讓資淺和資深求職者的差距變大
首先我觀察到的是資料相關的求職狀況不樂觀，對於新進和資淺的求職者尤其如此。我自己的面試經驗是不論資料分析或資料工程，兩者對商業實作經驗的要求都很高。
我大約有三年資料分析的經驗。前一份工作內容需要寫大量 SQL 維護商業儀表板和產出報表，在工作外的志工社團也有和資料工程的相關經驗。然而我投履歷的回覆率並不高，體感大約落在十分之一甚至更低。
這當然是職場存在已久的困境：業界需要即戰力，但是經驗有限的人需要機會累積戰力。
不過 AI 把這個困境推到新的高度。資淺的人當然可以藉由 AI 快速學習新知甚至生出一堆馬上自己也看不懂的 code 直接分析開發，可是資深的人藉由 Large Language Model(LLM，大型語言模型) 提升的效率比起資淺的人還來得更顯著。因為不論是前期需求確認、技術選擇、服務串接甚至到後期架構更動等等，資深的人都在有相當知識的情況下給 LLM 更精確的提示詞，而資淺的人卻因為瞭解有限，很容易給出不精確的提示詞。這些都導致資淺和資深的工作效率上的差距越來越大。
一個明顯的例子是如何處理 AI 幻覺。LLM 有時候會幻想出不存在的欄位或資料，或是漏掉提示詞中提到應有的功能。這樣的狀況下，如果一個人沒有開發經驗又讀不懂 code，要 LLM 修改的提示詞很難切中要點，而且方向一旦錯誤就會花費很多時間。而對資深的人來說，LLM 就像是具備相當開發經驗程度的工程師，資深前輩要做的是確認開發的功能符合需求和修改不合預期的內容，所以直接針對錯誤的地方對症下藥就可以令 LLM 快速修正。這些都不是資淺的人可以做到的。
除此以外，公司開始期待求職者有和 LLM 高度協作的能力、把 LLM 融入既有服務架構中。我其中一場技術面試中，面試官希望我完全和 LLM 協作當場解題。有面試官甚至認為可以把他當場對我的疑問丟入 LLM 獲得答案。真的完全是一個「AI 優先」的公司。
技術要求差異巨大
我也發現每間公司的技術要求差異都很大。
有公司採用紙筆 SQL 考試，有些是現場報告個案分析，有些是當場用電腦作答加上面試官現場問答，也有些是線下自己對個案分析再做簡報等等。
當然每間公司本來就有不同的技術棧以及分析方法工具，但這代表求職者幾乎不可能對面試內容做完美準備。
不過這個結論跟我的投遞策略也有關係，我投遞的職缺包括資料分析師和資料工程師。資料分析更多是偏向個案分析，資料工程師則是 ELT 資料管線架構設計或是一個完整的資料解決方案。
資料職缺求職競爭激烈
面試幾家之後，我猜測公司應該不會對求職者太嚴苛，也就是不會等到完美人選浮出才做決定。只要面試者具有相當潛力，公司就會願意接受。
我的推論是：如果公司之間使用的技術棧和分析工具有天差地遠，而且每間公司都希望可以找到即戰力，那麼他們應該不容易找到合適的人選。因為求職者從其它的公司來，而其它公司的技術棧和分析工具很可能和該公司現行的方案不相容。所以公司不會抱太大的期望要求求職者技術精熟又有和公司技術棧相容的經驗。
不過事實好像不是如此，公司其實還是有諸多人選可以選擇，求職市場仍然非常競爭。
我在 4 間公司的分析專案或是技術測試階段止步， 3 間公司進到了最後一個階段，1 間沒有具體的回饋。我以為到了最後階段的競爭者應該不多，其中甚至有 2 間需要熟練的英文能力。但可惜沒有合作的機會。
這裡需要補充：止步原因通常不會太明確。除非是完全不需要見到人的測驗，否則見到人之後一定有過去工作的專案分享、假設性問題、分析方法討論等等。這些都不僅僅牽涉到技術本身，也牽涉到臨場反應、人格特質、專案管理、職場溝通等。
所以上述所談的止步，更多的是我自己的反思或歸因。
小結
在經歷 16+ 的面試筆試關卡後，我發現
- LLM 讓資淺和資深求職者的差距變大： 沒有經驗的求職者會更難求職
- 技術要求差異巨大：每間公司使用的技術棧和分析工具都有很大的差異
- 資料職缺求職競爭激烈：即使人格特質和通過技術測驗，也有可能殺出其它更符合工作要求的其它求職者。
當然這些分析背後還有一種可能的造成原因：我在相關經驗或是分析方法上累積的經驗仍不足以滿足相關職缺的要求。
這是我接下來打算投注時間精力的部分，也將會是下周文章的主題。
這裡有我，言理有你。好好呼吸，保持理性。