TCS AI 招聘瞄准 80% 数字化人才，但盈利能力才是真正考验

据公司高级管理层表示，TCS AI 招聘将使数字化和人工智能技能覆盖约 80% 的新增招聘。这一目标出现在截至 9 月的季度中，彼时 AI 相关业务营收占比已超过 10%。招聘转型力度不小，但更尖锐的问题在于其经济效益：一支为 AI 打造的员工队伍，能否将快速增长的需求转化为更好的利润率？

Tata Consultancy Services 不再将 AI 专业能力视为小型技术团队的专属要求。公司希望大多数新入职人才都具备新兴技能，同时为拥有更深层 AI 专长的员工保留一个更窄的类别。这一区分很重要，因为企业 AI 项目所需的不只是熟悉聊天机器人。

这一战略也让 TCS 面临严峻的运营考验。公司必须扩大 AI 交付能力，同时避免自动化、再培训成本、稀缺的专业人才，或客户对节省成本的要求吞噬收益。Accenture、Infosys、HCLTech 及其他服务提供商同样面临这一压力，但 TCS 为其应对方案设定了一个尤其醒目的人员目标。

TCS AI 招聘正成为默认要求，而非专家专属赛道

TCS 正将 AI 就绪能力从小众资质转变为大多数新员工的标准要求。

首席运营官 Aarthi Subramanian 表示，TCS 在其第二财季新增了 4,500 名员工。其中，25% 至 30% 被归为纯 AI 人才，而约 80% 属于更广泛的新兴技能类别。

Subramanian 还表示，公司预计这一人才结构将持续。她的评论界定了两个相互重叠的群体，而非单一统一的 AI 工程师类别。专业 AI 人才处于一个更庞大的人才群体之中，后者为数字化、云、数据、工程及 AI 辅助工作而招聘。

这一细节避免人们将 80% 这一数字解读为一项承诺，即每五名新员工中就有四名会构建基础模型。TCS 为银行、制造、零售、医疗保健、电信和公共服务等行业的大型企业提供服务。大多数客户项目都结合了行业流程与软件、数据、安全、云基础设施和系统集成。

因此，公司需要的是能够在这些交付环境中使用 AI 的员工。开发人员可能会利用助手进行软件维护。数据工程师可能会为检索系统准备业务信息。顾问则可能围绕人工审核和自动化分析重新设计理赔流程。

TCS 在其季度业绩中披露了相关的财务增长势头。截至 2026 年 9 月 30 日的季度，其 AI 年化营收达到 31 亿美元，高于 2026 财年末超过 23 亿美元的水平。AI 相关业务营收占公司总营收的比例也超过了 10%。

季度营收达到 76.4 亿美元，按报告货币计算同比增长 2.4%。按固定汇率计算，较上一季度增长 0.5%。总合同价值达到 96 亿美元，但不包括已宣布的 Porsche 和 Best Buy 交易。

这些数字解释了为何招聘目标会在此时出现。TCS 已不再需要证明客户愿意为孤立的试验项目提供资金。如今，它需要足够多的合格人才，在多个部门和地域交付更大规模的项目。

某个客户可能先在单一财务、工程或客户服务流程中引入 AI。如果部署产生了可衡量的成效，合作范围就可能扩展至其他职能。Subramanian 在谈及客户如何在评估初始项目效果后扩大规模时，描述了这种扩张模式。

这一演进改变了人才需求。小规模试点可以依赖精干的专家团队，而生产环境部署则需要架构师、开发人员、安全团队、领域专家、数据管理人员，以及能够在上线后维护系统的员工。

因此，80% 的目标与其说是招聘某一种职业，不如说是改变 TCS 全体员工的最低技术素养。新员工将越来越需要理解 AI 的适用场景、如何核查其输出，以及它如何与现有企业系统连接。

这一要求同样延伸至资深员工。首席执行官 K. Krithivasan 认为，学习意愿比年龄本身更重要。了解客户技术格局和行业情况的职业中期工程师，可能比熟悉最新工具却缺乏运营背景的初级员工更具优势。

最终，这并非毕业生与资深员工之间的简单竞争。TCS 既需要通常与年轻招聘者相关的工具熟练度，也需要成熟团队积累的组织知识。其招聘模式必须结合两者。

为什么 AI 营收不会自动带来更高利润率

TCS 预计 AI 规模化将支持盈利能力，但仅凭营收分类无法证明这类工作能带来更高回报。

TCS 报告称，截至 9 月的季度营业利润率为 24%，净利润率为 19%。管理层预计，不断增长的 AI 项目规模将带来利润率收益，尤其是在成功部署能够在不同客户和业务单元间实现可复制的情况下。

Krithivasan 向记者表示，更大规模的 AI 交易应带来盈利能力收益。这一逻辑不难理解。可复用的软件组件、自动化开发、共享平台和更短的交付周期，能够减少每单位工作所需的人力。

规模化还可以将固定投资分摊到更多营收之上。TCS 已在员工学习、合作伙伴关系、内部平台、实验室和专业交付能力方面投入大量资金。一旦这些基础能力服务于更多合同，每项业务对应的成本就应当下降。

公司在 2026 财年记录了 6900 万学习小时，同比增长 23%。它还报告获得了 520 万项能力认证，逾 27 万名员工在 AI 和机器学习方面具备更高熟练度。这些数字反映了准备工作的规模，而非其财务回报。

TCS 仍须将学习活动转化为可计费、可靠的交付能力。完成一门课程并不能证明员工能够重新设计受监管的工作流程、评估模型行为、保护敏感信息，或在客户风险委员会面前为一项架构辩护。

同样的谨慎也适用于 AI 营收。TCS 使用年化数字，即将当前营收节奏换算成年化运行率。这并不意味着公司已在一个季度内确认了 31 亿美元的 AI 营收。

管理层还表示，公司在归类 AI 营收时采用保守标准。即便如此，这一边界仍可能相当复杂，因为 AI 如今已出现在云现代化、软件工程、业务流程工作和数据项目之中。

几乎所有大型技术项目都可能包含 AI 组件，却未必成为 AI 优先合同。因此，投资者需要的不只是不断增长的营收标签，还需要看到 AI 项目改善利用率、定价、交付速度和营业利润的证据。

客户也会寻求分享生产率收益。如果 AI 编程系统让团队能够以更少工时完成同样的工作，客户可能会要求降低费用。竞争性投标可能将效率收益从服务提供商转移给采购方。

这种动态长期以来一直影响着外包业务。自动化可以降低交付成本，但服务提供商无法保留每一美元的节省。合同、定价模式、竞争压力以及替代供应商的可得性，决定了价值如何分配。

AI 项目还会引入额外成本。服务提供商必须为模型、计算能力、安全控制、评估、数据准备和专业监督付费。某些工作负载可能消耗昂贵的推理资源，这意味着除人力之外，还必须管理生成模型输出的持续成本。

企业早期部署所需的人力参与也可能高于买方最初预期。团队必须清洗数据、连接应用程序、测试失败情形、监控输出，并建立升级处理路径。受监管行业还增加了文档、可审计性和审批要求。

这些支出并不否定 TCS 的利润率论点。它们界定了公司必须克服的挑战。盈利机会来自可重复的大规模交付，而不是给传统工作贴上 AI 标签。

TCS 近期的数据提供了一个有用基准。根据公司的年度业绩，剔除一次性影响后，其 2026 财年营业利润率达到 25%。截至 9 月季度的 24% 利润率意味着，在 AI 带来超越近期表现的明确改善之前，管理层仍有恢复空间。

因此，投资者应区分两项主张。TCS 已证明其 AI 营收正在增长。但在扣除培训、技术、薪酬和交付成本后，它尚未明确量化这部分增长对利润率的贡献。

TCS 数字化技能必须超越聊天机器人熟练度

招聘计划能否成功，取决于“AI 技能”是否意味着可靠的企业级执行，而非日常使用生成式工具。

使用 ChatGPT 或其他助手，并不意味着员工已准备好在银行、工厂、药房或航空公司内部部署 AI。企业级工作需要更深层次的软件知识、业务背景、数据纪律和判断力的结合。

工程师必须理解何时生成的代码会引入安全或维护风险。顾问必须将 AI 系统与可衡量的流程成果关联起来。项目负责人必须界定何时由人工审核输出，以及系统出错时由谁承担责任。

这一差距解释了纯 AI 人才与更广泛新兴技能类别之间的区分。前一群体可能包括机器学习工程师、数据科学家、模型评估人员和 AI 架构师。后一群体则可包括云、安全、软件、数据和企业平台专业人士，他们的工作正日益融入 AI。

独立观察人士警告，不应将广泛使用工具等同于组织能力。Bots.ai by HR Anexi 的 Nikhar Arora 在接受 NDTV 的招聘报道时表示，当员工缺乏共同标准和明确的业务成果时，采用情况仪表盘可能会夸大准备程度。

这一批评与一家截至 9 月拥有 598,056 名员工的公司直接相关。TCS 不能仅通过统计受训员工或完成的模块来评估准备程度。它需要按岗位提供证据，证明员工能够安全地开展生产环境工作。

对于软件团队，这些证据可以包括经过审核的代码质量、更低的缺陷率、更快的现代化改造和可靠的文档。对于业务流程团队，则可以包括在不造成不可接受的错误率或客户投诉的前提下缩短周期时间。

对于数据团队，标准应涵盖源数据质量、访问控制、数据来源追溯和监控。检索增强生成是一种向模型提供经过筛选的业务信息的方法，只有当底层文档保持最新，并且可供合适的用户访问时才能发挥作用。

数据挑战尤为重要，因为 TCS 强调情境化知识。通用模型不会自动理解客户的政策、产品、系统、术语或监管义务。这些背景信息必须被整合、治理并持续更新。

安全问题又增加了一层挑战。员工在未获批准的管控措施下使用公共 AI 工具，可能会泄露机密数据。拥有过度访问权限的生产级智能体，也可能在连接的系统中执行非预期操作。TCS 必须培训员工识别这些风险，而不只是编写更好的提示词。

这使得领域经验更具价值。Krithivasan 对中期职业人士的辩护承认，AI 素养无法取代对复杂企业的了解。一名资深工程师可能知道，为何某个遗留系统会以文档未能反映的方式运行。

初级招聘者仍具有重要优势。他们或许能迅速适应新的开发环境，并且较少受到既有工作组织方式的束缚。较低的人力成本也可支撑大型交付团队的经济性，尽管 TCS 并未将其招聘战略单纯表述为薪资决策。

最强的模式是结合两类人才。经验丰富的员工负责界定运营边界并识别业务例外情况。新招聘者带来当前的技术技能，并测试不熟悉的工作流程。专家则为整个团队建立架构和评估标准。

TCS 已将培训拓展到一次性课程之外。其 2026 财年报告提到了内部黑客松、基于岗位的学习，以及 AI 学习教练。超过 28.1 万人参加了公司所称规模最大的黑客松。

这些项目能够创造实践机会，但客户成果仍是决定性检验。在黑客松中完成的演示，与处理金融交易或敏感患者数据的系统面临的要求并不相同。

员工还需要建立可持续的知识实践。使用 AI 的团队必须保留决策、评估结果、客户限制条件和技术背景。可搜索的工程知识库有助于防止重要推理散失在聊天记录和相互割裂的文档中。

这种需求并不局限于 TCS。知识工作者越来越多地在 AI 生成的建议与企业特有证据之间开展工作。最有价值的技能并非向模型索取答案，而是判断该答案是否适合相关系统、客户和风险环境。

招聘转向加剧 IT 服务行业的压力

TCS 正在争夺 AI 人才，而其竞争对手也在建设类似能力，这让客户在定价和交付承诺方面拥有更大的议价能力。

Accenture 很早便加入了这场竞争。该公司承诺对生成式 AI 进行多年投资，并扩大其 AI 和数据人才队伍。截至 2025 财年末，该公司报告拥有约 7.7 万名具备 AI 和数据技能的专业人员。

Accenture 的规模为全球客户在咨询和托管服务方面提供了另一种选择。根据其提交给 SEC 的业绩公告，该公司 2026 财年营收达到 742 亿美元，新签订单总额为 845 亿美元。这些数字涵盖整个业务，而非仅限于 AI。

HCLTech 也已开始单独披露先进 AI 收入。Infosys 则继续围绕其 Topaz 产品和大规模员工培训来组织企业 AI 业务。每家服务商都试图证明，自己能够帮助客户从实验走向可靠运营。

这种竞争给 TCS 带来两方面压力。首先，它必须吸引模型工程、数据架构、AI 安全和企业集成领域稀缺的专业人才。其次，它必须在不中断现有客户工作的前提下，培训规模大得多的交付人员。

第一项挑战会影响薪酬和留任。专业员工可以在服务提供商、技术供应商、银行、制造商和 AI 初创公司之间流动。在其工作产生相应收入之前，需求上升就可能推高招聘成本。

第二项挑战影响利用率，即员工产能中能产生可计费工作的比例。培训会占用时间，但将准备不足的人员安排到项目中会带来交付风险。TCS 必须在数十万员工之间平衡这些成本。

与此同时，客户期望也在提高。买方越来越希望获得业务成果，而非一组实验项目。他们可能要求服务提供商缩短处理时间、实现软件现代化、改善客户支持，或自动化一部分明确界定的运营流程。

以成果为导向的要求可能让有能力的服务商受益，因为它们会奖励可复用的知识产权和交付专业能力。但当合同付款取决于受客户数据、内部采用情况或服务商无法控制的组织决策影响的结果时，这些要求也可能增加风险。

TCS 与 Best Buy 的协议说明了这一方向。两家公司计划将这家零售商位于印度的全球能力中心转移给 TCS，并将其发展为 AI 能力中心。这种安排整合了人才、运营流程和技术，而不是出售一个独立模型。

其与 Porsche 的合作也拓宽了机遇。TCS 宣布建立为期五年的合作关系，并达成收购 Porsche 管理和 IT 咨询子公司 MHP 的协议，但仍需获得批准。这一组合指向具备更深行业背景的 AI 支持型工程和移动出行工作。

这些交易符合管理层的说法，即企业需求正转向重新设计的价值链和受治理的智能体系统。智能体系统使用软件智能体在既定控制下规划或执行任务，而不只是根据用户提示生成文本。

不过，大型协议可能需要时间才能充分贡献营收和利润率。它们往往以过渡成本、整合工作和重复运营开始。与收购相关的费用也可能进一步复杂化短期局面。

TCS 还处于一个需求具有选择性的环境中。管理层表示，缺乏近期价值的可选项目仍在受到严格审查。客户愿意为现代化和效率提升提供资金，但对于缺乏可衡量回报的项目仍保持谨慎。

这种谨慎有利于能够将 AI 与现有转型预算关联起来的服务商。但这也意味着，增长最快的 AI 类别不会自动带动公司整体增长。尽管 AI 年化收入规模不断扩大，TCS 该季度的环比固定汇率收入增长仅为 0.5%。

这种反差是故事的核心。AI 正在 TCS 内部变得重要，但尚未改变整个公司的增长速度。其劳动力战略旨在通过让更多合同能够获得 AI 交付能力来弥合这一差距。

三个信号将显示 TCS 的 AI 招聘是否取得回报

下一项检验不是又一个培训总人数，而是 AI 收入、公司增长和利润率能否同步改善。

第一个信号是年化 AI 收入的走势。TCS 从 2026 财年末超过 23 亿美元，增至 6 月季度的 26 亿美元，并在 9 月达到 31 亿美元。

持续增长将表明客户正在超越试点阶段。更重要的是，投资者应将 AI 的增长与整体收入进行比较。即使公司增长缓慢，AI 也可能只是通过替代旧服务而提高占比。

更强劲的结果应当是 AI 收入上升，同时固定汇率增长加快。这将表明 AI 正在创造额外工作，而不只是改变 TCS 对现有合同的分类或交付方式。

第二个信号是营业利润率。管理层明确将更大的 AI 业务量与更高的盈利能力联系起来。未来几个季度应揭示，在薪资调整、招聘、培训、模型成本、收购和项目过渡之后，这一收益是否会显现。

AI 增长同时伴随利润率改善，将强化公司关于复用和自动化的论点。利润率持平或下降并不会立即否定这一战略，但会表明实施成本或客户定价吸收了大部分收益。

第三个信号是员工生产率和构成。截至 9 月，TCS 拥有 598,056 名员工，过去 12 个月 IT 服务人员流失率为 13.3%。仅看员工总数，很难揭示 AI 执行情况。

更有用的指标包括人均收入、利用率、专业人才留任率、内部流动性，以及接受培训的员工中被分配到 AI 支持项目的比例。TCS 并非每季度都披露所有指标，因此投资者可能需要从管理层评论和运营结果中推断进展。

80% 的招聘目标也需要一致的定义。TCS 应澄清其如何区分纯 AI 人才、更广泛的新兴技术员工，以及完成内部培训的员工。若缺乏稳定分类，跨季度比较仍将十分困难。

客户应关注交付证据，而非劳动力标签。有用的证明包括更短的实施周期、在多个业务部门成功扩展、受控的错误率，以及从试点预算转入核心运营的合同。

员工也面临类似的现实选择。当工具快速变化时，学习单一界面无法保障职业发展。持久价值来自将 AI 素养与软件基础、数据判断、安全意识及对真实业务领域的了解结合起来。

对于企业买家而言，核心问题是 TCS 能否在不削弱问责性的情况下实现 AI 的工业化。这需要清晰的人工审查、可追溯的信息，以及自动化系统遇到例外情况时可靠的交接机制。

TCS 已确立其雄心的规模。AI 收入已超过营收的 10%，大多数新招聘将面向数字化和 AI 能力，管理层预计更大规模的交易将支撑利润率。尚未解决的问题是，这三个要素能否相互强化。

关注下一次季度披露中的一个简单模式：AI 收入应当上升，固定汇率下的公司增长应当扩大，营业利润率应当恢复。如果只有第一个数字改善，TCS 将建立起更大的 AI 业务，却尚未证明更广泛的经济逻辑。

对于科技从业者而言，眼下的行动同样明确。围绕可验证的工作培养技能，而非仅仅熟悉工具。你能否将模型连接到可信数据、评估其输出、保障其访问安全，并解释业务结果？这正是 TCS AI 招聘所隐含的标准，其重要性将远远超出一家公司。