夜雨聆风
编译自 OpenAI 官方研究 《Work at the Frontier: How AI is expanding what people do at work》 作者：Caroline Chin、Alex Martin Richmond · 2026 年 7 月 OpenAI Economic Research 分析了 80 万+ 条 ChatGPT 工作类对话消息后得出的结论
AI 改变的不只是"事情怎么做"，更在改变"谁来做这件事"。
OpenAI 首次用 ChatGPT 商业账户里 80 万条真实工作消息，把这个模糊的直觉落成了一个可量化的现象——任务跨界（Task Crossover）。
四条 Key Takeaways
AI 可能改变的不仅是"工作如何完成"，还有"谁在做"——用户经常向 ChatGPT 寻求本属于其他职业的任务帮助；
全部工作类消息中，16.8% 属于跨职业任务；如果去掉通用类工作，43.5% 的职业相关消息属于跨职业；
AI 使用模式因职业而异——营销和工程的任务被大量借用到其他岗位；而设计、销售、HR 更倾向去做别人的活；
这种效应在小公司更明显：小工位（2-5 席）比大工位（101+ 席）在跨职业使用上高出约 13%。
一、任务跨界（Task Crossover）：一个正在发生的静默革命
过去讨论 AI 影响工作，大家都在问同一个问题——"这个岗位的哪些任务会被自动化？"
OpenAI 这份报告换了一个视角：不再假设"岗位=一组固定任务"，而是直接观察——当员工手里多了 AI 之后，他们主动去做的事情，是不是超出了原来的岗位边界？
一个直观的例子
一个销售过去要把客户数据丢给分析师，现在自己就能借 AI 快速看完；
一个营销过去要等前端工程师，现在能靠 AI 排查网页问题、写一段脚本。
AI 改变的是"多快完成"，也是"由谁完成"。
报告怎么定义"边界"？
用美国劳工部的 O*NET 数据库（记录每个职业的传统任务）作为历史基准；
覆盖 8 个职业群：客户体验、设计、工程、财务、人力资源、法务、营销、销售；
把每条消息归入三个类别：
Within occupation（岗位内）：与用户自己岗位传统任务一致；
Generic（通用）：写邮件、排会等所有岗位共享的活；
Cross-occupation（跨岗位）：明显属于别的岗位的任务。
二、数据结果：43.5% 的岗位相关 AI 使用，都是"越界"
在 80 万+ 条工作类消息中，OpenAI 的分类结果如下：
Generic 通用工作（写邮件、排会等）——61.5%
Within occupation 岗位内任务——21.8%
Cross-occupation 跨岗位任务——16.8%
如果把通用工作剔除掉，只看"岗位相关的消息"，跨岗位的比例直接跳到 43.5%——接近一半。
这意味着：每两条"具体岗位任务"里，就有一条是员工在做别人的活。OpenAI 把它命名为任务跨界（Task Crossover）——历史上属于某个岗位的工作，正在通过 AI 迁移到其他岗位的日常里。
三、哪些岗位最爱"越界"？——五个岗位里，大多数都在做别人的活
去掉通用工作后，各岗位"跨岗位使用"的比例如下：
客户体验 Customer Experience：77%
设计 Design：75%
人力资源 HR：69%
法务 Legal：56%
营销 Marketing：53%
财务 / 工程 / 销售：低于 50%
客户体验、设计、HR 是最"跨界"的三个岗位。这个排序让人有点意外——常识中"最技术"的岗位（工程）反而是相对保守的一方，而"最需要广度"的支持型岗位在积极越界。
四、任务地图：营销与工程"最会传染"
如果把每个岗位的非通用消息按"任务传统归属"来看，会出现下面这张图：
几个关键读数：
销售、设计、客户体验用户，25–29% 的非通用消息在做营销的活；
设计用户中 28% 的消息在做工程的活；客户体验和财务中约 20–22% 也是在做工程的活；
深色对角线是"自己做自己"的基准，气泡越大代表"越界越多"。
意思很明确——营销与工程的任务，正在跨岗位悄悄"扩散"。
五、"输入"vs"输出"：三种不同的角色
OpenAI 把跨界拆成两个方向来看：
Tasks brought in（引入外来任务）：这个岗位的员工用 AI 做别人活的比例；
Tasks that travel（输出的任务）：这个岗位的活出现在别的岗位消息里的频率。
由此看出三种截然不同的"跨界角色"：
① 输入型：设计（Designer）
35.2% 的消息在做别的岗位的活；
但设计的活出现在其他岗位消息里，只有 1.7%。
设计师像一个"多面手"——大量借用别人的能力，但自己的工作反而没那么容易被别人借走。
② 输出型：工程（Engineer）
工程师只有 18.5% 的消息在做别人的活（相对保守）；
但工程任务占了别人消息的 7.4%——是被广泛借用的技能源。
工程更像"平台型岗位"——自己稳守边界，但技术能力被 AI 抬升成了全组织的公共资源。
③ 双向型：营销（Marketing）
营销自己有 24.3% 的消息在做别人的活；
同时营销任务占了别人消息的 8.9%——样本中最高。
营销是唯一一个"两头都活跃"的岗位：一手把别人的活拿过来做，一手把自己的活变成大家都能碰的公共技能。
六、越小的公司，越"跨界"
工位规模的对比揭示了一个更结构性的规律：
2–5 席小工位：跨岗位使用率 18.9%
101+ 席大工位：跨岗位使用率 16.3%
差距约 2.5 个百分点，相对大工位高出 13%（在中位量级用户中）
一个可能的解读非常直白：
在小公司，没有专业岗位可以"派活"给别人——员工遇到跨界任务时，只能自己上 AI 去做。在大公司，同样的事情更可能被丢给专门的团队或流程。
AI 正在成为小组织的"备用专家池"——它填的是"人手不够"的坑。
七、需要关注的点
1. AI 不是简单"替代任务"，而是在重组人机分工
传统研究把 AI 的影响看成"这个任务能不能被自动化"。OpenAI 的观察指出：更大的变化不是任务被谁替代，而是任务在员工之间重新分配。
一个员工独自完成的、交给同事的、必须找专家的三条线——都在被 AI 重新划分。
2. 岗位边界正在变软，但没有消失
即使把"通用工作"也算进"本职工作"里，各岗位仍然保留了识别度极强的"对角线"——员工的核心岗位并没有被抹平。真正在发生的是：核心岗位周围的边缘任务，被 AI 抬入了更多人的日常。
这不是岗位消亡，而是岗位边界的扩散与柔化。
3. 一个新型的组织能力问题：审阅与问责
如果员工正在用 AI 做很多不属于自己传统专长的工作，那两个新问题会浮出水面：
谁来检查这些"跨界产出"的质量？ 员工可能没有能力评估 AI 在别人专业领域的输出；
责任如何界定？ 一个销售用 AI 做的合同初审、一个营销用 AI 排查的网页 Bug、一个 HR 用 AI 计算的薪酬模型——这些活儿的问责链，都需要重新设计。
报告在结论里明确指出：员工需要被训练如何评估"跨界的 AI 辅助工作"，组织需要为"审阅与问责"预先准备清晰的流程。
4. 一个"测量层面"的警告
政府和统计机构的所有岗位分类，都是基于过去的岗位描述。如果 AI 正在改变"哪个岗位的人在做哪些任务"，那么基于传统岗位描述的所有劳动力数据，都会慢慢与真实工作组织方式脱节。
换句话说——我们所有的劳动力测量工具，可能都到了要更新的时候。
八、几个值得警惕的边界
OpenAI 在报告末尾非常克制地列了限制条件，值得一起看到：
样本来自 ChatGPT Business 账户中的美国用户，覆盖 8 个岗位群，不代表整体劳动力；
分析单位是"一条消息"，而不是"一小时工作"或"一个完成的项目"；
不测量 AI 是否节省了时间、是否被真正采纳、是否有专家复核；
结果是描述性的（descriptive），不能直接理解为"这些岗位的就业会增或减"。
结论仍然是稳的：员工正在用 AI 做超出自己岗位描述的事情。但对这一现象长期化的影响，报告本身也非常克制——这才是可信的研究该有的样子。
九、真正在被重写的，不是"任务清单"，而是"任务清单本身"
传统研究都是：给一份任务列表，去问 AI 能做哪几个。
OpenAI 这份报告给出的最大启示是：
AI 上桌之后，任务列表本身也开始变了。
员工在越界；
岗位在扩容；
边界在软化；
分工在重排。
这才是所谓"AI 时代工作方式的重塑"最真实、最微观的画面——不是几个岗位一夜消失，也不是几个岗位一夜诞生，而是每个岗位都悄悄开始做一点别人的活。
在组织内部先看见这个变化，比等劳动力统计报告更新，要早几年。
报告作者：Caroline Chin、Alex Martin Richmond 发布机构：OpenAI Economic Research · 2026 年 7 月 数据基础：80 万+ 条 ChatGPT 商业账户工作类消息，映射至 O*NET 岗位任务库
