2026 年 AI 与数据岗的薪资从 1.2 万美元铺到 37.2 万，三十倍的跨度里，地域独自解释 58% 的方差，其余 26 个字段加起来才追平它的一半。个人能动的四个杠杆里，换国家的效力是转 AI 建设岗的十二倍。
简历上最容易改写的三项——学历、主语言、认证数——单变量解释力分别只有 1.9%、0.1%、1.2%。技能决定你在本地市场的排位，护照和工位决定这个市场的量级。
把因素分块逐次放进 log 薪资模型，看每一块新增多少解释力。地域先入模，独占 58%；资历（职级加年限）再添 19.7%。剩下的公司规模与行业、职位、雇佣形式与远程，三块相加不足 14%。
顺序会影响分配，先入模的块吃掉共享方差。但悬殊与顺序无关：把地域挪到最后一位入模，它仍然新增 55.2 个百分点，与首位入模的 58.0 相差无几。地域几乎不与任何其他因素共享方差，自成一个加价层。职位则无论放在哪个位置都只值 5.3 个百分点。全模型 R²=0.91，这张表里几乎不存在看不见的因素，剩下的 9% 才是运气、谈判和噪声的空间。
简历上最容易改写的那几个字段，单变量解释力低得刺眼：主语言 0.1%，学历 1.9%，认证数 1.2%。写在简历上的东西，和决定薪资的东西，几乎正交。
方差分解回答「什么造成了差异」，回答不了「我该做什么」。把问题换成可操作的形式：同时控制资历、行业、雇佣形式，四个动作各自值多少。
四个系数全部显著（t 值从 5.7 到 137.6），量级却完全不在一个尺度。迁美一项抵得上其余三项相乘还有余。进大公司排第二，比转 AI 建设岗更值钱，这条与流行建议相反：与其把职位名称从 Data Analyst 改成 AI Engineer，不如把雇主从初创换成大厂。
全远程只值 4.3%。它在原始数据里甚至看不见（单变量解释力 0.1%）：高薪的美国和低薪的印度远程比例几乎相同，地域把它完全盖住。控制地域后它才浮出来，然后被证明确实很小。远程办公在这份数据里没有兑现「拿一线薪资住三线城市」的承诺，薪资跟着公司注册地走，不跟着人走。
资历仍然是最强的内生变量：Senior 比 Entry 高 66.9%，Executive 高 127.1%。它排在地域之后、其余一切之前，也是这几项里唯一无法在一年内改变的。
如果地域差距对某些职位更宽容，「选对职位」至少能部分对冲它。逐职位做 bootstrap，检验这条出路是否存在。
不存在。十二个职位的点估计挤在 3.21 到 4.02 之间，95% 区间彼此大面积重叠：有一个 3.45–3.58 的公共区间同时落在全部十二个职位的区间内，所有职位都与同一个倍数相容。倍数与美国薪资水平的相关系数 −0.33，n=12，撑不起「低薪岗位被拉得更开」的说法。
这是本次分析里被证伪的假设，值得写下来：地域倍数是均匀的，它不挑职位，也就无法靠换职位规避。Computer Vision Engineer 的区间最宽（3.09–5.22），原因是印度侧仅 31 人，与它本身是否更极端无关。
第二杠杆是公司规模。限定美国全职以排除地域和雇佣形式的干扰：大公司现金中位数 15.47 万，小公司 11.27 万，差 4.20 万美元。小公司的对价是股权，平均 0.375%，是大公司 0.024% 的十六倍。
按股权四分位切开，置换关系直接显形：股权最高的一档现金最低，且这一档 71% 来自小公司。所谓「股权换现金」，换个说法就是「小公司换大公司」。Q1 与 Q2 的现金几乎持平（13.88 万对 14.10 万），折价只在股权真正给到量级（Q4 平均 0.40%）时才启动，象征性的 0.04% 不构成交易。
0.375% 划不划算取决于退出估值，这份数据答不了。它能答的是另外两件：奖金比例在三种公司规模间是平的（10.7%–10.9%），现金差距没有从奖金找补；工作满意度同样是平的（6.85–6.96，小公司还略低于大公司），那四万美元也没有换来更愉快的工作。
最后一个变量与钱无关，却把前面几节串起来。恐惧被 AI 取代的评分，在职位层面与薪资中位数的相关系数是 −0.94。
两端相差整整两分：Business Intelligence Analyst 与 Data Analyst 站在 6.1 分的高位，Computer Vision Engineer 与 AI Engineer 落在 4.0。分界线画在「造不造 AI」上，与用不用 AI 无关：职位名里带 ML/AI 的人均分 4.09，不带的 5.28。
同一条梯度也出现在资历上，Entry 5.49，逐级降到 Executive 3.97。于是恐惧最强的那群人，初级的分析岗，恰好是杠杆最少的一群：职位在薪资阶梯的底部，资历在梯度的底部，而唯一真正有效的地域杠杆需要签证。
这个相关有它的边界：个体层面相关系数只有 −0.24。职位层面的 −0.94 之所以陡峭，是聚合抹掉了个体噪声。它描述职位群体的平均心态差异，不能读成「多挣一万美元就少怕多少」。
对个人：地域 > 公司规模 > 职位方向 > 远程。前两项是量级，后两项是排位。把精力投在改简历上的回报，低于投在改地址上。
对雇主：按「AI 岗」定价付出的溢价是 21%，按注册地定价的差异是 254%。跨境雇佣是这份数据里最大的套利空间。远程政策目前几乎没有被定价，4.3% 说明它还没被当作福利收费。
数据是 Kaggle 公开数据集 AI and Data Science Job Salaries 2026，5,000 行 27 列，覆盖 12 个国家，无缺失值也无重复行，未剔除任何记录。salary_usd 已统一为美元，未做购买力平价调整——跨国比较的是名义薪资，不是实际购买力。
地域口径取公司注册地而非雇员居住地，两者在 90.0% 的记录中一致，注册地的解释力更高（0.427 对 0.328）：定价跟随雇主。
模型以 log(薪资) 为因变量做 OLS，分类变量哑编码，报告的百分比是 exp(系数)−1，即控制其余变量后的净差异。职位名与「是否 AI/ML 岗」互为决定关系，无法同时入模，因此杠杆图的 AI 岗系数与方差分解的职位项取自两个设定（R² 分别为 0.881 与 0.912）。美印倍数按职位分层 bootstrap 重抽 4,000 次，报告中位数与 2.5/97.5 分位；印度侧最小单元格 31 人，已由区间宽度体现，未做剔除。
两处边界需要读者带着走。
因果。 这是横截面观测数据，「迁美 +254%」指美印两国可观测特征相近者之间的薪资差，不能读作同一个人迁移后的预期涨幅。它混合了生活成本、市场费率与购买力，签证、税务与选择效应完全未观测，全部系数都应读作条件均值差异。
数据质量。 weekly_hours 在四种雇佣形式间几乎不变，Part-time 平均 44.0 小时/周，与 Full-time 的 44.4 无实质差别。这不符合现实，提示该字段与雇佣形式独立生成，因此本文未按工时折算时薪，雇佣形式的薪资差异也未作解读。