7 月底，OpenAI 发布了「Work at the Frontier」系列的首份报告，一份任务级的工作研究：美国用户 80 多万条 ChatGPT 工作消息里，43.5% 的职业专属用法做的是别人岗位的活（首份报告；「职业专属」指能对应到某个具体职业任务清单的消息，写邮件、做总结这类通用办公消息不算在内）。我在当天的快讯里写过这份报告，当时留了一句保留意见：消息分类只能说明用户在尝试跨界任务，尝试算不算数，那份数据回答不了。

9 月 16 日，OpenAI 发出第二份报告《How workers are unlocking new ways of working》，正面回答了这个问题：试过之后，留下来了吗？

答案分两半。

第一半不好听：大多数没留下来。研究分析了 2026 年 4 到 7 月的 150 多万条工作相关消息，把「员工 × 跨岗位任务」逐对追踪：上个月用 AI 干过某项别人岗位的任务，下个月还被观察到在干的，占 23.6%。翻过来读，四分之三以上的跨界尝试，次月的抽样里就找不到了。这个口径要说清楚：研究看的是抽样消息，报告自己承认没被抽中的重复使用会漏掉，所以「看不见」不完全等于「断了」，但也只有被看见的部分能算数。

第二半是这份研究真正的卖点：23.6% 其实不低。拿同等条件、但上个月没被观察到用过该任务的员工做对照，他们下个月用到这项任务的比例只有 8.4%——用过一次，次月再用的概率约是 2.8 倍。而且留下来的部分在累积：在 4 到 7 月被持续观察的约 6,200 名员工里，「以前用过的跨岗位任务」占其职业专属 AI 活动的比例，从 4 月的 13.1% 涨到 7 月的 25.9%，四个月翻了近一倍。

岗位说明书在这期间有没有改，数据说不了。它能显示的是：到 7 月，这些被持续观察的员工的职业专属 AI 用法里，已经有四分之一是从别的岗位揽来、而且此前就用过的活。这是比标题更值得停下来看的数字。

留下来的是哪些活

全部跨岗位任务按任务平均，次月回头率是 18.5%。远超平均的几类：

  • 与客户讨论商品或服务：54%
  • 撰写广告或推广文案：44%
  • 制作营销材料：37%

垫底的例子是「解释财务信息」，只有约 15%。

对照 7 月首份报告的入口数据，这个榜单有点意外：当时财务计算和技术排障在其余七个职业组里全都排进最常尝试的跨界任务前三，制作营销材料在其中五个组排进前三。入口处最热闹的是财务和技术的活，回头率榜上靠前的却偏营销和客户沟通。要说明，这不是对同一批尝试的前后追踪：入口热度和次月回头率是两份报告里两个不同口径的指标，这里对照的只是两张榜单的画风差异。

「用 AI 解锁新技能」这个说法，直觉里指的是市场人员学会跑数据、HR 学会写脚本。数据给出的答案土得多：在被抽样的这些职业组里，最能沉淀成日常的，是各个岗位的人自己揽下面向客户和做推广的活。

为什么偏偏是营销

报告点到了几种可能的因素——任务是否嵌在重复的工作流里、职场规范、任务需要的谨慎程度和出错后果——但停在罗列，没有验证哪条成立。顺着这个方向，我的推演有两条。先说明：两条都是假设，报告没测过。

第一条是日历。营销类产出天然带周期，想想一套典型的节奏：社交帖每周要发，推广邮件每个活动周期要写，跟客户聊产品天天都在发生。各家职场的节奏不尽相同，我也没有频率数据可引，重点在于「反复出现」本身。财务解释更像偶发需求：看懂一份季度报表、算一次方案对比，做完就完了——这同样是我的假设，不是测出来的事实。而「次月回头率」这个口径天然照顾高频任务：它只检查首次观察后的紧接一个月有没有再次出现（报告 PDF），一项半年才需要一次的活，哪怕每次都靠 AI，在这个指标里也算「没留下」。所以这份榜单量出来的，既有 AI 在哪类任务上好用，也有任务本身在日历上的密度，两者掺在一起，报告没有拆开。

第二条是出错成本和验收能力的匹配。广告文案写得平庸，代价是没效果，而且外行看一眼就知道过不过得去；财务信息解释错了，决策会跟着错，而恰恰是外行验不出它错在哪。敢把一项外行活常态化交给 AI 的前提，是错了无大碍，或者自己验得动。营销例行产出两条都占，财务分析两条都不占。这一条是我的经验概括，数据里没有直接证据。

这两条如果成立，「AI 让人人变多面手」就得打个折：沉淀的筛选标准可能不是技能的价值，而是重复频率乘以容错度。

对职场人意味着什么

三笔账。

技能账。沉淀下来的新活并不都一个样：有的是让模型直接产出文案、材料，有的是让模型解释、给建议。就产出型的那部分而言，产出由模型生成，人做的是提需求和验收。验收判断当然也是技能，但它和「学会做营销」是两回事。报告既没测技能习得，也没测留存，所以接下来是我的判断而非它的数据：学到的东西离了工具还在，产出流水线的大头离了工具就没了。把回头率当成「我掌握了新技能」的证据，会高估自己实际积累的部分。

议价账。报告自己的说法是，AI 可能在职位头衔改变之前先改写工作内容。换成利益语言：任务组合变宽发生在前，头衔和薪酬调整发生在后。中间这段时间里多干的活有没有被计酬，报告没有数据，别处我也没查到；我的推断是大概率没有。想把变宽的边界换成筹码，得让它可见：落成署名的产出、写进考核材料，而不能停在聊天记录里。

被吸收方的账。7 月数据里有一个不对称：设计师的消息里 35.2% 在做别人岗位的活，而别人的消息里只有 1.7% 在做设计的活；营销则是双向都高，非营销岗的营销类用法里，四分之一是直接做推广材料（广告、社交帖、传单）。从消息流向看，各岗位自助上手的营销活集中在例行产出这一层；不过流向只是使用数据能显示的部分，这些活是否真的从营销岗手里转走了，数据回答不了。设计看似没被吸收，更可能是数据盲区：研究只看得到被抽样用户在 ChatGPT 里的消息（首份报告 PDF），设计产出若发生在 Figma、Midjourney 这类专门工具里，这扇窗看不见。这也是推测，报告没有验证设计低外溢的原因。

数据底细

和上个月那份 Enterprise 用量报告一样的提醒：这是 OpenAI 用自家产品数据写自家产品的研究，而且量的是使用，测不到产出质量——跨界干的活干得好不好，客户是否买账，数据里没有。任务分类的做法，是用模型把每条消息映射到 O*NET 职业数据库的具体任务条目——这个数据库由美国劳工部资助、National Center for ONET Development 开发；「跨岗位」指该任务落在用户本职职业的 ONET 任务清单之外，报告特别提醒这不等于这件事以前不归这位员工管，它可能早就是其实际工作的一部分，只是超出了该职业的传统任务边界。职业信息取自美国 ChatGPT 商业版（Business）用户开通时填写的角色信息，分析的是这些用户账号里被抽样的消息，结论不外推到 Enterprise 大客户。

23.6% 对 8.4% 是匹配对照，不是随机实验，报告也只把结果表述为描述性的、「与重复需求一致」：主动尝试跨界任务的人，本来就可能更愿意折腾，2.8 倍差距里有多少是「用过所以继续用」的因果，拆不干净。对照组的定义是「没被观察到用过」，这些人完全可能在没被抽中的对话或别的工具里干过同样的事。这份数据终究只是 ChatGPT 一扇窗里看到的景象。

收尾判断

我在 7 月写过，失业总量数据里看不到 AI 冲击：美国失业率自 2025 年 7 月以来一直停在 4.3%–4.5% 的窄区间，2026 年 5 月为 4.3%（BLS）。这份任务级数据给中间缺的那层机制补了一个候选答案：变化未必走「职位消失」的大门，可能先走「任务组合悄悄换血」的侧门，头衔和统计口径都还来不及登记。报告自己也只把这当成一种可能路径，不是已成定局。

读者可以直接套用这套方法：翻一下自己过去三个月反复回头让 AI 干的岗位外任务是什么。那就是你的岗位边界实际移动的方向。在它进岗位说明书之前，先想好怎么让它被看见。

参考来源