談到 AI 基礎建設，市場最常先想到晶片、伺服器與模型。但真正把一座資料中心運轉起來，還需要電力、電網、散熱、機房、供應鏈、資安與現場維運。這些系統彼此牽動，任何一段卡住，整體投資就可能延遲。
國際能源署在《Energy and AI》報告中估計，全球資料中心用電量將從 2024 年約 415 TWh，增加到 2030 年接近 945 TWh。報告也提醒，資料中心高度集中於特定地區，電網接入與基礎設施可能成為擴張限制。這個變化對企業招募的意義是：未來需要的，不只是某一種單點技術，而是能理解系統之間取捨的人。
人才需求正在從「單一專業」變成「系統責任」
一位熟悉 GPU 的工程師，未必理解機房供電；一位電力專家，也未必熟悉 AI 伺服器的負載特性。企業若只用過往部門名稱找人，很容易得到各自專業很強、但無法共同決策的團隊。
更實際的做法，是先定義這個職位要負責哪一段系統責任：
- 設計與驗證：能否把效能、功耗、散熱與可靠度放在同一張設計表上？
- 建置與導入：能否管理供應商、現場條件、時程與變更風險？
- 營運與優化：能否從實際負載、故障與成本資料中找出改善方向？
- 客戶與商務：能否把技術限制翻成客戶聽得懂、也能做決策的語言？
這些不是要一個人包辦全部，而是要在團隊配置中把責任邊界說清楚。
真正稀缺的，可能是跨語言的協作能力
AI 基礎建設跨越晶片、韌體、電力、機械、製造與客戶交付。專業深度仍然重要，但跨領域溝通、問題拆解與取捨判斷，會直接影響專案速度。
因此，面試時不妨少問一點「你用過哪些工具」，多問一個完整情境：
當效能、功耗、交期與成本互相衝突時，你如何排序、如何找出需要一起決定的人，最後怎麼留下決策依據？
候選人的回答，通常比履歷上的工具清單更能呈現他是否做過真實的系統整合。
企業可以怎麼重新設計招募條件？
第一，把「產業名稱」換成「問題情境」。例如不要只寫「資料中心經驗」，而是說明需要處理的容量規模、導入階段、供應商協作或可靠度目標。
第二，把專業能力與影響範圍分開。技術深度、專案管理、客戶溝通與團隊帶領不一定由同一個人負責，應該看組織現況決定組合。
第三，提早盤點相鄰市場。具備電力電子、工業自動化、伺服器製造、設備服務或高可靠度製造經驗的人，未必曾在 AI 資料中心任職，但可能擁有企業真正需要的問題解決能力。
不是每一個職缺都要追逐 AI 標籤
把所有職缺都加上 AI，反而可能讓條件失焦。企業應先確認：這個角色面對的是模型運算、機房建置、電力規劃、設備可靠度，還是客戶交付？不同問題需要不同的人才市場。
Talent Nexus 的做法，是先把企業的產品、專案階段與決策環境拆開，再判斷應該尋找哪一類相鄰人才，並向候選人說清楚他加入後真正要解決的問題。
給企業的三個提醒
- 用系統責任定義職缺，而不是只複製部門名稱。
- 用真實取捨情境評估候選人，而不是只核對工具清單。
- 把電力、供應鏈、工程與人才規劃放在同一張成長地圖上。
AI 基礎建設的下一場競爭，不只是誰拿到更多晶片，而是誰能把技術、能源與人才組成一個可持續運轉的系統。