OpenAI报告跨职业任务开始复用

任务边界开始先于岗位变化

OpenAI 9 月 16 日发布的这份 Economic Research 文章，把观察单位从岗位挪到了任务。研究团队称，自己分析了 2026 年 4 月至 7 月超过 150 万条工作相关 ChatGPT 消息，并在约 6200 名持续可观察的 workers 上观察跨职业任务是否会在后续月份重新出现。

它承接此前 Work at the Frontier 的 “task crossover” 研究。所谓跨职业任务，指员工用 AI 处理传统上更像另一个职业会做的活动。新报告给出的增量是，部分跨职业任务用完一次后仍会在后续月份出现。在 OpenAI 的口径中，此前用过的跨职业任务占 occupation-specific AI activity 的比例，从 4 月的 13.1% 到 7 月的 25.9%。

这份材料的边界必须紧跟数字一起读。它不是一份独立劳动市场调查，也不是对所有 ChatGPT 用户的完整抽样。OpenAI 在脚注中说明，职业来自 ChatGPT Business onboarding 时提供的角色或部门信息；消息来自这些用户对话的一个样本；研究排除了训练禁用数据和无法使用分类的消息；研究人员没有读取个人消息，而是对数据做聚合和匿名化处理。因此，这份材料能说明 OpenAI 在自家企业用户样本中观察到的任务迁移信号，不能直接推出全行业岗位已经被改写。

对企业读者来说，它的直接影响很务实：如果 AI 采用只看席位数、活跃用户数或聊天次数，就会漏掉真正改变工作方式的环节。管理者需要知道员工开始替哪个团队做哪类任务，哪些任务下月还会回来，哪些任务只是一次性试探。培训也会从“教大家会用工具”，转向“把跨职能任务放进可审计、可复盘的流程”。

数字口径先核清楚

这份研究最容易被误读的地方，是把“复用”写成“岗位已经扩张”。OpenAI 的措辞更谨慎：它说观察到 evidence that some cross-occupation AI use is recurring，也就是有证据显示部分跨职业 AI 使用正在复现。它没有声称这些活动已经变成员工正式职责，也没有给出绩效、收入或组织编制变化。

指标	OpenAI原文口径	中文表述应保留的边界
样本范围	more than 1.5 million work-related ChatGPT messages from April through July 2026	150万+工作相关消息，窗口是2026年4月至7月
持续样本	roughly 6,200 workers observed consistently from April through July	约6200名持续可观察 workers，不等同全体用户
跨职业任务占比	previously used cross-occupation tasks increased from 13.1% to 25.9%	是 occupation-specific AI activity 中的占比，从13.1%到25.9%
次月复用对照	23.6% versus 8.4% among comparable workers without prior observed use	上月用过者次月同任务出现23.6%，对照组为8.4%
任务差异	54%, 44%, 37%, about 15%, and 18.5% average	客户沟通、广告写作、营销材料更高；财务解释约15%

这些数字的共同含义，是 AI 采用已经开始从“有没有用”进入“用在哪个任务格子里”的阶段。OpenAI 特别把 occupation-specific AI activity 作为分母，意味着它衡量的是可分类的、与职业相关的 AI 使用活动，范围不覆盖全体工作时间或完整岗位职责。这一点很关键：13.1% 到 25.9% 可以被看作任务结构在 AI 使用内部的迁移，但不能被写成企业工作量有四分之一已经跨职业化。

次月复用的 23.6% 对 8.4% 也需要按原文理解。OpenAI 说这是 sampled matched one-month follow-up observations，也就是在匹配后的一月跟踪观察中，上月使用过某项跨职业任务的人，下月再次使用同一任务的比例高于此前没有观察到使用的人。它说明“上次用过”与“下次再用”之间有明显差异，但仍不等于因果证明。可能的解释包括任务确实进入流程，也包括某些岗位本来就更容易出现重复需求，或样本中的重度用户拉高了回访率。

从任务跨界到工作流复用

OpenAI 给出的机制解释是，员工会借用其他职业的知识来处理当下问题。文章称，当任务超出本职边界时，workers 的 prompt 平均更短，也更少要求解释、操作指南、特定回复格式或建议；与此同时，他们更可能提供例子或背景，也更可能要求 AI 检查或验证某件事。

这个差异很有信息量。如果一个市场人员要求 AI 解释税务规则，或一个运营人员要求 AI 检查客户沟通素材，他未必是在学习另一个职业的完整知识体系。更常见的模式是：他已经有一个具体问题、已有材料和业务上下文，希望 AI 帮他调用一部分外部专业能力。AI 在这里更像降低协作摩擦的工具，把“找人问一下”“等另一个团队排期”“自己查半天资料”的成本压低。

复用数据进一步说明，至少在 OpenAI 的样本中，某些摩擦降低之后没有回到原状。客户相关任务最突出：讨论商品或服务的客户沟通任务，次月回访率为 54%。广告或促销写作为 44%，创建营销材料为 37%。相比之下，解释财务信息约为 15%，低于这些内容和沟通类任务，也低于跨职业任务平均 18.5%附近的口径。

这组差异符合常识，也提醒读者不要把所有跨职业任务混成一个趋势。客户沟通、广告文案、营销材料往往迭代频繁，错误成本相对可控，输出也容易被人审阅。财务解释、法务判断、合规意见的复用门槛更高，因为错误后果更重，组织流程也更可能要求正式审批。AI 把“试一试”的成本降下来，但不会自动消除责任边界。

这对企业采用AI意味着什么

OpenAI 在文章里把结论落到 work design，而不只是 access to AI tools。这个落点比“员工会更多使用 ChatGPT”更重要。企业过去常用的采用指标是 seat、活跃率、调用量、节省时长。这些指标能说明工具是否被打开，却很难说明工作是否被重新分配。

任务视角提供了另一个问题：某个岗位在 AI 帮助下开始稳定承担哪些相邻职能？例如，客服是否开始承担更多产品解释和营销反馈；销售是否开始自己生成更完整的行业研究；工程经理是否开始直接生成面向客户的技术材料。这些变化一开始不会写进职位名称，也不一定马上出现在组织架构图里，但它会改变协作路径、审批节点和培训需求。

这里的早期信号尤其适合被企业放进内部 AI 评估。企业可以按任务而不是按部门记录 AI 使用：哪些任务来自本职，哪些明显借用了别的职能；哪些只发生一次，哪些跨月复用；哪些输出需要专家复核，哪些可以由原岗位负责人直接交付。这样做的价值，是把 AI 采用从“热闹的工具推广”拉回到运营问题：流程瓶颈是否少了，返工是否下降了，跨团队等待是否缩短了。

该如何追踪后续变化

方法透明度排在最前面。OpenAI 如果继续沿着 Economic Research 线发布类似报告，需要补充更细的职业分类、行业分布、样本剔除比例和分类误差。否则，外部读者很难判断 6200 名持续观察对象到底代表了哪些岗位，也无法判断 25.9% 的占比变化是否来自广泛扩散，还是来自少数高频职业或高频任务。

企业内部制度会决定这类变化能否持续。跨职业任务一旦复用，责任边界就会变得模糊：谁审核输出，谁承担错误，谁拥有最终交付，哪些数据可以被带入模型。客户沟通和营销材料的回访率较高，并不表示它们可以完全自动化；恰恰相反，它们更可能需要新的审核模板、品牌规则和记录留痕。

第三方复现仍是硬问题。理想状态下，研究机构或大型企业能用非 OpenAI 的日志、内部工单、协作软件事件或培训记录，验证同类跨职业任务是否也会跨月复用。如果只有 OpenAI 自身能观察到这个现象，它仍然是重要线索；如果外部数据也出现类似模式，它才更接近一个稳定的组织变化。

从今天的新闻 peg 看，这篇文章的新增信息足够进入深度页：发布日期在目标窗口内，核心数字具体，且承接了此前 task crossover 的研究问题。但它仍然应该被放在“重要但待验证”层，而不是写成确定趋势。OpenAI 给出了任务复用的早期量化证据；企业和研究者接下来要做的，是把这套口径拿到更真实的工作现场里检验。