份额变化不等于岗位增减

消息提到，OpenAI在企业AI支出中约占13%，Anthropic约占8%，同时企业模型忠诚度相当弱。需要说明的是，原文未交代数据来源、统计口径与时间范围，也没给出任何招聘或岗位数量信息。所以这条动态不能直接推出"哪家生态的岗位会变多"。

对求职者真正有用的提示是：企业选模型这件事，可能比传统企业软件市场更容易调整。如果另一家供应商缩小质量差距，开发者和公司可以更快迁移工作负载。这意味着，把职业筹码全押在"熟练调用某一个模型"上，风险相对更高。

选方向时可以问自己：我积累的是某个平台的配置经验，还是换一个模型后仍然成立的能力？前者不是没价值，但它更像短期入场券；后者才决定你两三年后的议价空间。

面试时怎么核查团队的适应能力

模型忠诚度偏弱，反过来也说明团队的技术适应能力值得提前打听。不要只问"你们现在用什么模型"，这个问题几乎问不出风险。

可以换成几个更具体的问题：

  • 过去一年有没有切换或并行评估过不同模型？切换时哪些环节最费劲？
  • 业务逻辑和某个模型的接口耦合有多深？换模型要改的是配置层，还是整条链路？
  • 团队有没有一套自己的评估方法，用来判断新模型是否够用？

假设一个模拟场景：两个团队都在做客服问答。A团队把提示词、评测标准和数据清洗流程都沉淀成自己的资产，换模型主要是替换调用层；B团队把大量规则写死在单一模型的输出格式上，换模型等于重做。面试时听到哪种描述，你大概能判断自己进去后是在积累能力，还是在维护绑定。

注意，这只是帮助你提问的思考框架，不是对任何具体公司的判断。

优先积累与模型解耦的能力

既然工作负载可能较快迁移，求职者更该关注那些不随模型版本失效的东西。

一类是评估能力：知道怎么定义"好"，怎么设计对比测试，怎么判断一次输出退步是数据问题还是模型问题。另一类是数据与流程能力：数据怎么清洗、标注、回流，业务规则怎么和模型输出解耦。还有一类是产品判断：什么场景值得用AI，什么场景用了反而更贵更慢。

这些能力在换模型时不会归零，在换公司时也更容易讲清楚。相反，只熟悉某个平台的调用方式，迁移成本会落在你自己身上。

一个实际可做的小建议：打开你正在投的岗位描述，把要求逐条标成"换模型仍成立"和"绑定单一平台"两类，看看比例。如果后者占多数，面试时就多问一句团队怎么评估和切换模型。