Anthropic销售用Claude开发AI工具，从客户经理转型GTM架构师

一位Anthropic的客户经理，从每天加班到晚上9点回邮件，到自己开发AI工具、转型为GTM（Go-to-Market）架构师——这个真实案例展示了Claude如何从根本上改变一个人的职业轨迹。

从600个客户的邮件困境说起

Jared原本是Anthropic的一名初创企业客户经理（Account Executive），负责管理大约600到700个客户账户。作为一线销售人员，他每天的工作状态是这样的：不断回复客户邮件，在Slack中翻找信息，在知识库、Google Docs、Google Drive中搜索技术文档，经常工作到晚上八九点。

这是一个非常典型的B2B销售困境——客户问的问题越来越技术化，而销售人员需要花大量时间在内部系统中寻找答案，真正用于客户沟通和策略思考的时间被严重压缩。在B2B企业级销售中，这种困境被称为"信息不对称的内部化"：随着SaaS产品功能日趋复杂，客户的问题往往涉及API集成、数据安全合规、模型参数配置等技术细节，传统销售人员需要频繁求助于售前工程师或技术支持团队，导致响应周期拉长。Gartner的研究显示，B2B销售人员平均只有28%的时间用于实际销售活动，其余时间都消耗在行政事务和信息检索上。

正是在这种压力下，Jared提出了一个关键问题：能不能把Claude引入到这个工作流程中？

Clasps：销售人员自己构建的AI邮件助手

Jared开发了一个名为Clasps（Claude Giraffes的缩写）的内部工具，专门用于解决邮件回复效率问题。这个工具的核心思路是将Claude API与企业内部知识库打通，实现智能化的邮件生成。

工作流程拆解

Clasps的使用流程分为三个关键步骤：

第一步：配置系统提示词（System Prompt）。 用户输入自己的姓名、角色（如客户经理），以及主要帮助客户解决什么问题，系统会自动生成一个结构化的提示词。这一步本质上是在告诉Claude"你是谁，你在做什么"。

系统提示词是大语言模型应用中的核心设计元素，它在对话开始前为模型设定角色、行为边界和输出风格。与普通用户提示词不同，系统提示词具有更高的指令优先级，能够持续影响模型在整个会话中的表现。在企业应用中，精心设计的系统提示词可以确保AI输出符合公司的沟通规范、品牌调性和专业标准——例如不承诺未发布的功能、使用特定的技术术语、保持适当的沟通语气等。

第二步：接入上下文知识（Context Retrieval）。 这是Clasps最核心的能力。它通过集成Google Docs、网页URL、Claude文档网站等数据源，让Claude能够实时检索公司内部的产品文档、技术说明和最新信息。

第三步：一键生成邮件。 选中一封客户邮件，点击生成按钮，Claude会综合系统提示词和检索到的上下文信息，自动生成一封专业的回复邮件。

实际效果数据

Jared分享了几个关键成果：

• 每天节省2-3小时的邮件回复时间
• 通过这套系统已经发送了数千封邮件
• 不再需要反复在Slack和Google Docs之间切换查找信息
• 能够用更专业的技术语言与客户沟通，而不需要自己具备深厚的技术背景

技术壁垒消融带来的职业跃迁

这个案例中最值得关注的，不仅是效率提升的数字，而是AI带来的角色边界重塑。

Jared坦言，自己从来不觉得自己有足够的技术能力参与工程层面的对话。但借助Claude，他能够设计和构建解决方案，以全新的视角看待问题。他用了一个很精准的表达："技术壁垒正在消融"（the technical barrier dissolving）。

这种消融带来的直接结果是：

1. 从执行者到设计者的转变。 Jared不再只是一个回邮件的销售，而是能够设计产品原型，然后让资深工程师帮助完成最后的实现。
2. 全新的职业路径。 他从客户经理转型为"GTM架构师"（Go-to-Market Architect），一个在传统组织架构中几乎不存在的角色。GTM架构师融合了传统销售策略、产品设计和技术实现三个维度的能力，与传统的销售运营（Sales Operations）或收入运营（Revenue Operations）不同，这个角色不仅关注流程优化，还具备构建工具和设计解决方案的能力。它的出现反映了一个更大的趋势：随着AI编程助手的普及，"构建者"（Builder）不再是工程师的专属身份。Forrester预测，到2025年，超过50%的企业将设立跨职能的"技术赋能型"岗位。
3. 能力圈的持续扩展。 他表示自己现在能够构建以前完全无法想象的解决方案。

对企业AI落地的三点启示

这个案例虽然来自Anthropic内部（有一定的"自家人用自家产品"的滤镜），但它揭示了几个普遍适用的AI落地原则：

从真实痛点出发，而非从技术出发

Jared不是因为"Claude很酷"才开始用它，而是因为每天加班到9点回邮件实在太痛苦了。最好的AI应用往往诞生于真实的工作痛点，而不是技术团队自上而下的推动。哈佛商学院的研究表明，由一线员工发起的AI应用项目，其采纳率和持续使用率远高于IT部门主导的项目，原因在于前者天然具备明确的ROI衡量标准和使用动力。

RAG架构的实战价值

Clasps的核心架构其实就是一个典型的RAG（检索增强生成）应用：系统提示词 + 外部知识检索 + LLM生成。RAG由Meta AI研究团队在2020年首次提出，其核心思想是在大语言模型生成回答之前，先从外部知识库中检索相关文档片段，将这些片段作为上下文注入到模型的输入中。相比于单纯依赖模型预训练知识，RAG架构解决了三个关键问题：知识时效性（模型训练数据有截止日期）、领域专业性（企业内部知识不在公开训练数据中）、以及可溯源性（可以追踪回答来源）。在实际部署中，RAG系统通常包含文档分块、向量化嵌入、语义检索和上下文拼接等环节。这种模式在企业场景中的价值已经被反复验证，关键在于知识源的接入质量和检索的精准度。

赋能一线员工，而非替代

Claude没有替代Jared的工作，而是让他从重复性劳动中解放出来，进而发现自己具备产品设计的潜力。这可能是AI在企业中最健康的应用模式——不是裁员工具，而是人才升级的催化剂。

AI在企业中的应用模式大致可分为三类：自动化替代（Automation）、增强辅助（Augmentation）和能力跃迁（Elevation）。Jared的案例属于第三类——AI不仅帮助他更快完成现有工作，还解锁了全新的能力维度。麻省理工学院的Erik Brynjolfsson教授在其研究中指出，AI对组织的最大价值不在于削减人力成本，而在于"重新组合"人类能力与机器能力，创造出此前不可能存在的工作方式。世界经济论坛《2023未来就业报告》也指出，到2027年，69%的企业预计AI将增强而非替代现有员工的能力，但这要求组织投资于员工的AI素养培训和工具赋能。

写在最后

从客户经理到GTM架构师，Jared的故事本质上是一个关于"AI如何重新定义个人能力边界"的案例。当技术壁垒不再是障碍，当一个销售人员也能设计和构建软件产品时，传统的职能分工正在被重新书写。

值得思考的是：在你的工作中，有哪些每天重复消耗2-3小时的任务，是可以通过类似的方式交给AI的？而更深层的问题是——当这些时间被释放出来之后，你会用它来做什么？这或许才是AI时代真正的职业竞争力所在。