销售岗位 AI 暴露度对比
第一部分 · 分析框架与计算逻辑
我们不是直接根据 JD 内容对"每一个岗位"进行 AI 暴露度打分，而是把岗位 JD 内容拆成任务 、给每类任务一对（AI 可替代性 / AI 可增强性 ）固定分值，再按每类任务分、结合任务的权重 ，生成对应岗位的分数。系统权重默认取自 O*NET。在第二部分可以手动调整任务权重。
1 读 JD 职责 取每个岗位 JD 的「职责描述」作为唯一打分依据。任职要求只用于判定阶层。
→
2 映射 8 类任务 把职责逐条归入 8 种任务类型，只判定「命中/未命中」，不靠 JD 决定权重。
→
3 套权重 每类任务一个权重。默认＝O*NET（重要性×频率），可在第二部分改成你自己的。
→
4 命中内归一 只在该岗命中的类型里把权重重新凑满 100%，使命中类型多/少的岗位可比。
→
5 两个独立分 岗位分 = Σ(权重 × 该类型分值)，分别算可替代、可增强。
8 类任务、各自的 O*NET 权重（重要性×频率）与两套固定分值。权重可在第二部分自定义；这里展示 O*NET 基准：
任务类型（典型职责表述） O*NET（重要性×频率） 替代分 增强分 流程性事务 报价/合同审核/CRM/流程系统工具 19.5% 75 88 客户关系/信任维护 建立信任、维护决策者关系、可信顾问 19.3% 12 38 线索挖掘与初步触达 prospect、挖掘新机会、拓新市场 15.2% 50 75 方案/内容产出 解决方案设计、提案、demo、enablement 15.0% 50 100 商务谈判与签约 negotiate/close、达成配额 11.0% 12 38 跨团队协同/项目管理 orchestrate 内部团队、推进落地 9.1% 25 50 市场/行业/竞对研究 市场洞察、竞对、行业趋势、定位 5.5% 62 100 数据分析与业务诊断 analyze/metrics/optimize、机会识别 5.4% 50 100
两套分值、O*NET 权重 与 命中内归一
可替代性 ＝AI 能否直接取代 该任务（分高＝这部分活 AI 可独立完成）；可增强性 ＝AI 能否大幅提效 （分高＝AI 显著提速，但人仍在）。这两套分是对"AI 能力"的判断，不随权重变 ；你在第二部分调的是"任务在岗位里占多重"的权重。
什么是 O*NET？ O*NET（Occupational Information Network，职业信息网络）是
美国劳工部 主持建设的公开职业数据库，覆盖 900 多个职业，通过对在职者与职业分析师的持续问卷调查，为每个职业的具体工作任务给出量化评分（数据以 CC-BY 4.0 开放）。本报告用到它的两个维度：
Importance（重要性） ——"该任务对做好这份工作有多重要"的 1–5 打分；
Frequency（频率） ——执行频率（Rarely/Occasionally/Frequently 三档占比）。每类任务的权重原料 = 重要性 × 频率均值，再归一化成百分比。我们统一对标职业
41-4011「技术/科学产品销售代表」 ——与 To‑B 技术销售最贴近的标准职业。
用 O*NET 的意义 ：给"每类任务有多重要"一个外部、独立、对两家公司一致的来源，而不是被 JD 写法或主观判断带偏。
关键一步：为什么要「命中内归一」？ 8 类权重对全部 任务合计 100%，但某岗 JD 往往只命中其中几类，命中权重相加通常不足 100%。若不处理，命中类型少的岗位分会被系统性压低、不可比。所以：该岗某类权重 = 原权重 ÷ 命中类型原权重之和，让命中类型重新凑满 100%。无论用 O*NET 还是自定义权重，这一步都照做。
手动调整每一个岗位的任务占比（联动散点图）
报告主算法是"命中制"——只看岗位命中哪些任务 ，所以同组岗位同分。在这里可以为每个火山岗位 手动设定各类任务的占比/强度 ，让"同组、不同占比"的岗位拉开差距。调整会即时联动修订下方散点图中该岗位的位置 （以及相关均值/哑铃图）。未调整的岗位仍按命中制。
选个岗位作起点：
重置为该岗默认占比
占比填任意非负数、自动归一；填 0＝该岗不涉及此类任务。"默认占比"＝该岗命中的任务按 O*NET 权重分配（此时分数＝命中制默认分，散点位置不变）。一旦手动改动，该岗位即被"钉住"为你设定的占比、并在散点图中移动到新位置；点"重置为该岗默认占比"可还原。
第二部分 · 岗位散点图与职能对比
权重默认取自 O*NET，你可以在下面的面板改成自己的口径；下方所有图表会实时重算。
⚖️ 自定义任务权重 当前：O*NET 默认
输入你认为每类任务该占多重，不必凑成 100（自动归一）。只改"权重"，每类的替代/增强分不变。
流程性事务 报价/合同审核/CRM/流程系统工具
替代75 ·增强88
—
客户关系/信任维护 建立信任、维护决策者关系、可信顾问
替代12 ·增强38
—
线索挖掘与初步触达 prospect、挖掘新机会、拓新市场
替代50 ·增强75
—
方案/内容产出 解决方案设计、提案、demo、enablement
替代50 ·增强100
—
商务谈判与签约 negotiate/close、达成配额
替代12 ·增强38
—
跨团队协同/项目管理 orchestrate 内部团队、推进落地
替代25 ·增强50
—
市场/行业/竞对研究 市场洞察、竞对、行业趋势、定位
替代62 ·增强100
—
数据分析与业务诊断 analyze/metrics/optimize、机会识别
替代50 ·增强100
—
恢复 O*NET 默认
① 全岗位散点（替代 × 增强）
每个点代表一组同分岗位 ——分值相同的岗位合并为一个点，点越大该分值上的岗位越多 （圈内数字＝岗位数）。蓝＝火山、橙＝Anthropic，空心环为各家均值。
💡 鼠标悬停：单个岗位显示其职责与打分；多个同分岗位则列出该点下的全部岗位。
② 职能对比 · 哑铃图（两家差距一眼看穿）
每行一个职能，画在同一条 0–100 轴上：实心点＝可替代分 （偏左簇）、空心点＝可增强分 （偏右簇）；蓝＝火山 、橙＝Anthropic 。同色"实心→空心"的距离＝该家 AI 提效空间；同形两色之间的连线＝两家差距（标 Δ）。随权重实时更新。
第三部分 · 数据拟合与输入（火山 · 人头加权）
朴素均值把"1 个售前架构师"和"57 个销售经理"同等对待，不贴近真实人力结构。在这里按火山 各职能填入管理 与员工 人数，拟合出人头加权 后的整体替代/增强分，更接近实际感受。各职能分值随权重实时变。
清空数据 恢复默认（员工=岗位数）
说明：① 各职能"替代/增强分"＝该职能岗位均分（随权重实时更新）。② 管理层 采用火山资深岗（高阶）与基层岗（低阶）的暴露度差作为加成（管理 ≈ 员工 + 该差值，约 替代+3/增强+3），员工层 ＝职能基准分；火山 JD 数据未直接区分管理/员工，此为基于"资历"的近似，仅供方向性参考。③ 默认人数已用各职能岗位数预填到"员工"列、管理列填 0，你可按真实组织改。
保存与导出当前口径
保存会记录在本机浏览器里；导出会生成一份独立 HTML 结论页，包含当前任务权重、火山人头假设、手动岗位占比与关键结论。
保存当前设置
恢复保存设置
清除保存
导出结论页
第四部分 · 方法限制
这份报告适合做方向判断与口径讨论，但不应被理解为对岗位自动化风险的精确预测。下面是使用结论时需要同时带上的限制条件。
① JD 不是实际工时 JD 反映公司希望候选人承担的职责，不等于真实工作日历、时间占比或年度目标拆解。岗位实际暴露度会受客户类型、销售阶段、团队资源与管理方式影响。
② 招聘条目不等于人头 默认均值按岗位条目计算，不代表真实组织人数。第三部分的人头加权用于修正这一点，但仍依赖你输入的管理与员工人数假设。
③ JD 写法会制造差异 火山 JD 更常把流程、数据、协同写进同一个销售岗；Anthropic 更常按 AE、Applied AI、CS、Ops 拆分。分数差异同时反映 AI 暴露度、组织分工和 JD 书写习惯。
④ 任务映射含主观判断 8 类任务采用命中制，能提升透明度，但会损失强弱程度。手动岗位占比可以补偿这一点，但仍建议由销售管理者或岗位专家复核。
⑤ 分值是可讨论假设 替代分与增强分代表对当前 AI 能力的判断，不是外部基准事实。若组织已有更严格的自动化评估框架，应把这里的分值替换成内部口径。
⑥ O*NET 是近似锚点 O*NET 41-4011 与 To-B 技术销售相近，但不是火山或 Anthropic 的真实岗位模型。它适合作为外部一致权重，不适合直接替代公司内部流程数据。
⑦ 数据会随招聘页变化 报告使用 2026-06-15 的岗位样本与链接。招聘页可能下线、改写或新增岗位；若用于正式汇报，建议同时保存原始 JD 快照、抓取日期、去重口径与纳入/排除标准。
第五部分 · 结论与启示
下面的判断来自对两家全部销售 JD（职责＋任职要求）的逐条精读，而不仅是打分数字。
两家公司的特征
火山引擎 · 特征
"行业×地域"销售经理军团： 63 个岗里约九成是"高级/行业销售经理"，JD 职责几乎逐字相同——真正的变量只有行业 （游戏/金融/医疗/教育/运营商/汽车/智慧城市/泛互/制造/国央企）和大区 （华北/华东/华南/西南…）。政企"项目制"全周期： 触达决策关系 → 挖需求、捕获项目机会 → 技术/产品/商务多层沟通 → 掌控项目节奏 → 推进落地；政企与运营商类还明写招投标、商务谈判、合同签订、回款验收 。销售即运营： 几乎每个 JD 都要求"数据化业务思路、销售过程数据分析、优化业务模型、优化销售流程/系统/工具"——把 RevOps 职责塞进销售经理岗，运营岗是单独的销售运管岗 ，本报告内不含。准入靠资源： 反复强调"对行业客户资源有充分积累"；智慧城市要 8 年经验＋GR 政府关系，汽车要主机厂 Tier1 资源，运营商要集团/省市关系。门槛＝存量关系 。技术售前外挂： 技术能力默认"协同产品和解决方案团队"；独立技术岗极少（仅 1 个医疗解决方案架构师真要 LLM/RAG/PyTorch，1 个大模型专项做内部赋能）。AI 是"被卖的货"： JD 里 AI/大模型是销售标的（云＆AI 解决方案），几乎不提"用 AI 提升自己的工作"。 Anthropic · 特征
"客户类型×职能"分工矩阵： 6 类职能各自独立，每类内部再按客群细分（AI Native（AI 原生）初创／Enterprise（企业）／Strategic（战略）／Mid-Market（中端市场）／Scaled（规模化）；Federal（联邦）／DOD‑IC（国防部·情报界）／State&Local（州与地方）；FSI（金融保险）／Retail（零售）／GSI（全球系统集成商）…），角色边界清晰。AE（客户经理）＝赢单＋顾问式＋反哺产品： own full cycle（全周期负责）、超配额、对 C‑suite（高管层）顾问式销售、编排 Product（产品）／Eng（工程）／Applied AI（应用 AI）／Partnerships（合作伙伴）等团队，并被明确要求"把客户反馈喂回产品路线图"；薪资透明且高（AI Native AE 22–29 万美元、DOD/IC 36–43 万）。技术售前是"会写代码的前沿部署工程师"： Applied AI Engineer（应用 AI 工程师）要 Python 生产经验、prompt（提示）／eval（评估）／agent（智能体）框架、与客户工程团队 pair programming（结对编程）与 code review（代码评审）；生命科学岗要懂基因组、建 MCP server（MCP 服务器）——不是 PPT 售前。客户成功独立且双模经营： 按 consumption（用量计费，API）与 seat（席位，Enterprise/Code）两套扩展杠杆驱动 activation（激活）／retention（留存）／expansion（扩展）、QBR（季度业务回顾）、量化 ROI（投资回报）、变革管理；另有 Scaled CSM（规模化客户成功经理，一对多池化）与 CS Programs Manager（客户成功项目经理）。独立 RevOps（营收运营）/系统岗： 10–12 年的 Revenue Strategy & Ops（营收战略与运营）、做预测模型/account scoring（客户评分）的 GTM Strategy & Ops（GTM 战略与运营）、QTC/CPQ（报价到收款/配置报价）的 Salesforce Admin（Salesforce 管理员）——火山塞进销售岗的事，这里都拆成专岗。AI 是"干活的工具"（dogfooding，自家产品自用）： 大量"用 Claude 重构自己工作流""Claudify（用 Claude 改造）客户触点""造 Claude‑powered agent（Claude 驱动的智能体）替代传统 CSM（客户成功经理）触点"——把自家 AI 写进销售/CS/运营的工作方式。
共同结论与启示
① 两家都"低替代、高增强"： 关系、谈判、复杂方案的护城河两边都在，AI 更多是放大单兵产能、而非取代岗位。② 替代分差异源于分工，不是"卖不卖 AI"： 默认口径下火山 43.6 vs Anthropic 39.4——差距主要来自"一岗扛全流程（命中高替代任务更全）"对"拆成专岗（单岗更聚焦关系/技术）"，以及 JD 是否明写谈判/签约（命中谈判 11% vs 94%，很大程度是写法差异）。③ AI 最先吃下与最后留人的环节，两边一致： 先被替代的是线索挖掘（SDR）、流程性事务、数据分析；最后的人类护城河是信任关系、商务谈判、复杂技术方案。④ 启示： 真正拉开差距的也许不是"暴露度分数"，而是"谁先把 AI 用在自己身上 "——Anthropic 已把 dogfooding 写进职责，火山的 AI 还主要停在"卖给客户"。把权重调成你认同的口径、或手动调某个岗位的任务占比，看上述结论是否依然成立——这正是这份报告可交互的意义。
附录 · 全部 JD（按职能分类）
本报告纳入分析的全部岗位，按公司与职能分组。点开任一职能查看岗位清单与原始链接。
方法：JD 职责映射 8 类任务（命中/未命中）→ 权重（默认 O*NET 41-4011，可自定义）命中内归一 → 岗位分=Σ(权重×类型分值)。数据：火山 63 岗、Anthropic 85 岗。生成于 2026-06-15。