9,421 条美国公开职业档案用于三家公司的岗位、来源与流动对比；15 个重点国际市场的 1,629 条档案用于地区比较，并显示 xAI 的 Human Data & Evaluation 高占比并非只出现在美国。
Engineering 占比只相差 4.4 个百分点；真正的分野是 OpenAI 的产品与模型组合、Anthropic 的 GTM / Customer，以及 xAI 的 Human Data & Evaluation。
Engineering 占比介于 40.3% 与 44.7%；相比之下，OpenAI 的 Product / Design 与 GTM / Customer 均为 12.7%，Anthropic 的 GTM / Customer 为 22.6%，xAI 的 Human Data & Evaluation 为 28.4%，区分三家公司应看非 Engineering 配置。
Human Data & Evaluation 占 28.4%、over-index 达 5.83×，而 Research / Models 仅占 2.1%；xAI 的反常之处不是研究岗位更重，而是评估与数据运营规模更大。
GTM / Customer 占 22.6%，高于 OpenAI 的 12.7% 和 xAI 的 5.6%；同时 Enterprise SaaS 贡献 35.3% 的上一站来源。
Enterprise SaaS 与 Big Tech / Platform 合计占上一站来源的 51.7%，AI Lab / Model Co. 与 Academia / Research 合计为 8.4%；结合 Product / Design 1.34× 和 Research / Models 1.26× 的 over-index，成熟技术组织中的产品与模型建设者是更匹配的数据支持画像。
Engineering 只从 40.3% 到 44.7%；非工程侧却出现三个清晰重心：OpenAI 的 Product / Design 与 GTM / Customer 均为 12.7%，Anthropic 的 GTM / Customer 为 22.6%，xAI 的 Human Data & Evaluation 为 28.4%。
OpenAI 没有单一非 Engineering 极点：Product / Design 与 GTM / Customer 均为 12.7%，Corporate Functions 为 10.9%；同时 Research / Models 占 6.8%，为三家公司最高。
Anthropic 的 GTM / Customer 占 22.6%，是 Research / Models 4.4% 的 5.1 倍，也分别比 OpenAI 和 xAI 高 9.9 与 17.0 个百分点；商业化配置是其最明显的组织差异。
Human Data & Evaluation 占 28.4%，对应 425 条样本，而 Research / Models 仅占 2.1%；xAI 的辨识度来自大规模人类反馈、评估与数据运营。
相对配置进一步否定了“同一种 AI 实验室”的假设：xAI 在 Human Data & Evaluation 上达到 5.83×，Anthropic 在 GTM / Customer 上为 1.58×，OpenAI 则在 Product / Design 与 Research / Models 上分别为 1.34× 和 1.26×。
OpenAI 与 Anthropic 的 Enterprise SaaS 和 Big Tech / Platform 来源合计分别为 51.7% 和 52.0%，但 OpenAI 更偏 Big Tech / Platform，Anthropic 更偏 Enterprise SaaS；xAI 两类合计仅 34.1%，来源更分散至 X、Academia / Research、硬件与咨询背景。
Enterprise SaaS 与 Big Tech / Platform 合计占 51.7%，是 AI Lab / Model Co. 与 Academia / Research 合计 8.4% 的六倍以上；OpenAI 主要从成熟技术组织吸收人才。
Enterprise SaaS 占 35.3%，超过 Big Tech / Platform 的两倍；结合 GTM / Customer 的 22.6%，Anthropic 当前的人才结构与来源共同呈现企业软件商业化导向。
最大具名来源类别 Enterprise SaaS 仅占 19.6%；Academia / Research 达 8.9%、Auto / Hardware / Robotics 达 9.4%，均高于另外两家公司。
Google、Meta 和 Apple 合计占 16.9%，前三大直接来源全部是大型平台公司；这与 51.7% 的成熟平台与 SaaS 类别占比相互印证。
Google、Stripe 和 Meta 合计占 15.6%；Stripe 以 5.1% 接近 Google 的 6.4%，进一步确认 Enterprise SaaS 是 Anthropic 的核心供给池。
X 以 5.1% 成为 xAI 最大单一上一站公司，高于 Google 的 2.3% 和 Microsoft 的 1.8%；创始人关联平台构成一条独有的直接来源通道。
OpenAI → Anthropic 有 47 条可见流动，是反向 10 条的 4.7 倍；其他任一方向均不超过 12 条，显示一条高度集中的相邻人才通道。
OpenAI → Anthropic 的 47 条记录高于其他任一方向，反向仅 10 条；这说明 OpenAI 是 Anthropic 最可见的相邻人才来源，但不能据此推断完整净流入。
共同 Engineering 基础池可以复用，但画像应分别侧重 OpenAI 的产品与模型衔接、Anthropic 的企业软件商业化，以及 xAI 的评估与数据运营；来源池应随之拆分。
判断： Product / Design 与 Research / Models 均呈 over-index，且 51.7% 的上一站来源来自成熟平台与 SaaS；核心画像是能把模型能力转成规模化产品的人。
动作： 优先覆盖 Big Tech / Platform 与 Enterprise SaaS 中具备产品、平台或模型落地经历的资深建设者。
判断： GTM / Customer 占 22.6%，Enterprise SaaS 来源占 35.3%；Anthropic 的现有人才结构和来源更接近企业软件商业化团队；对应画像应优先覆盖企业软件商业化经验。
动作： 以 Enterprise SaaS 为第一来源池，优先识别解决方案、产品、销售工程与客户成功背景。
判断： Human Data & Evaluation 占 28.4%、over-index 为 5.83×；评估、数据质量与运营规模化是 xAI 最显著的非 Engineering 人才重心。
动作： 来源池同时覆盖 Academia / Research、Auto / Hardware / Robotics 与 X，重点寻找能把专业知识转成评估和数据流程的人。
在美国和 15 个重点国际市场中，xAI 的 Human Data & Evaluation 占比分别为 23.3% 和 34.4%，对最高同业的领先分别为 22.7 和 33.3 个百分点。OpenAI 与 Anthropic 在重点国际市场分别为 1.1% 和 0.7%。结果说明 xAI 的差异在两个地区组中都成立，但不能据此判断地理因素造成了差异。
前文完整岗位构成显示 xAI 的 Human Data & Evaluation 占 28.4%、over-index 为 5.83×；按一致的跨地区识别标准复核后，美国为 23.3%、重点国际市场为 34.4%。两组指标的定义范围不同，不能相加，但都显示 xAI 显著高于同业。
重点国际市场占比比美国高 0.6 个百分点，但绝对水平仍只有 1.1%。
重点国际市场占比比美国高 0.5 个百分点，但仅有 3 条 Human Data & Evaluation 档案。
重点国际市场占比比美国高 11.1 个百分点；该差异不能用于判断地理因素的因果影响。
xAI 的 129 条国际市场 Human Data & Evaluation 档案分布在 12 个非零市场。印度、加拿大、英国、日本和澳大利亚合计贡献 114 条，占 88.4%；其余 15 条分散在另外 7 个市场，因此不能把高占比归因于单一国家。
xAI 对最高同业的领先在美国为 22.7 个百分点，在重点国际市场为 33.3 个百分点；两个地区组均由 xAI 居首，但不能据此判断地理因素造成了差异。
三家公司在印度都有 Human Data & Evaluation 档案，但 xAI 为 44 / 73，OpenAI 为 4 / 109，Anthropic 为 1 / 40；同一市场中的配置差异仍然成立。
完整岗位分类与跨地区统一指标的定义范围不同，不能相加，但都显示 xAI 显著高于同业。竞品人才地图不应把这组人并入 Research / Models，否则会遗漏 xAI 最具辨识度的人才配置。
岗位、来源与流动对比覆盖 9,421 条美国公开职业档案；地区对比还纳入 15 个重点国际市场的 1,629 条档案。所有指标均用于相对比较，不用于推算全球员工总量。
岗位结构、人才来源、公司间流动与地区分布，都可按需为任意一家 AI 公司单独生成，并对接可联系的候选人。
开始 Mira 试用