Rozszerzający się świat pracy ChatGPT ujawnia szerszy zakres zadań

26 października OpenAI opublikowało dane obejmujące 165 aktywności zawodowych w niemal 100 krajach, dając badaczom bardziej szczegółowy obraz konsumenckiego wykorzystania ChatGPT. Rozszerzający się świat pracy ChatGPT opisuje coraz szerszy wachlarz zapytań. Kluczowe napięcie dotyczy tego, co te zapytania mówią o zmianach gospodarczych, zwłaszcza gdy korzystanie z narzędzia i poprawa wyników pracy są różnymi rezultatami.

Dla pracodawców publikacja rodzi praktyczne pytanie o to, w jakich obszarach pracownicy uznają AI za przydatną. Badaczom oferuje sposób na powiązanie aktywności konwersacyjnej z uznanymi kategoriami zawodowymi. Żadna z tych grup nie powinna traktować zmieniającego się zestawu zadań jako bezpośredniej miary produktywności, wypierania pracowników ani wdrażania technologii przez firmy.

Badania Anthropic dotyczące Claude stanowią użyteczne porównanie, ponieważ również śledzą, jak zastosowanie AI rozprzestrzenia się między zadaniami. Łącznie te inicjatywy czynią AI w miejscu pracy bardziej obserwowalną. Zwiększają też presję na dostawców i nabywców, by odróżniali dowody eksperymentowania od dowodów trwałej wartości.

Co faktycznie mierzy rozszerzający się świat pracy ChatGPT

Według publikacji OpenAI dotyczącej aktywności zawodowych kwartalna seria obejmuje okres od pierwszego kwartału 2025 roku do trzeciego kwartału 2026 roku. W 74 krajach obserwowanych przez cały ten czas dziesięć najważniejszych aktywności stanowiło średnio 51,1% sklasyfikowanych wiadomości związanych z pracą, wobec 56,0% wcześniej.

Oznacza to spadek o 4,9 punktu procentowego. Wniosek dotyczy struktury wiadomości związanych z pracą, a nie ilości wykonanej pracy.

Zmiana struktury ma znaczenie, ponieważ historia wdrażania technologii może wyglądać inaczej pod powierzchnią nagłówkowych sum. Narzędzie może przyciągać więcej użytkowników, nadal służąc znanym celom. Alternatywnie jego dotychczasowi odbiorcy mogą zacząć przynosić do niego bardziej zróżnicowane problemy. Są to różne formy ekspansji.

Publikacja daje możliwość zbadania tego rozróżnienia. Badacze mogą sprawdzać, czy wzorce aktywności zmieniają się podobnie w różnych miejscach, czy rozwijają się odmiennie. Użyteczne pytanie brzmi więc, jakie rodzaje pracy trafiają do rozmowy, a nie czy dany kraj po prostu wydaje się entuzjastycznie nastawiony do AI.

Powiązanie z zawodami odbywa się przez pośrednie aktywności zawodowe, czyli kategorie grupujące powiązane zadania wykonywane w różnych profesjach. OpenAI czerpie te kategorie z O*NET, systemu informacji o zawodach. Jego model treści zawodowych oddziela aktywności zawodowe od nazw stanowisk, wymagań wobec pracowników i warunków pracy.

To rozróżnienie zmienia jednostkę analizy. Przygotowanie wyjaśnienia, ocena informacji i organizowanie materiałów mogą występować w różnych zawodach. Analiza wyłącznie nazw stanowisk zacierałaby te wspólne aktywności.

Wyobraźmy sobie pracownika przygotowującego prezentację. Zadanie może obejmować interpretację opinii klientów, sprawdzanie założeń finansowych i tworzenie tekstu wyjaśniającego. Nazwa stanowiska opisuje pracownika szeroko. Kategorie aktywności opisują poszczególne elementy zadania.

Taki bardziej szczegółowy widok daje badaczom lepszy punkt wyjścia do badania, w którym miejscu wsparcie wchodzi do przepływu pracy. Nadal jednak pozostawia poza kadrem otaczający proces. Ktoś musi zdecydować, czy prezentacja odpowiada na pytanie biznesowe i czy wspierające ją dowody są wiarygodne.

Ta sama ostrożność dotyczy porównań w czasie. Malejący udział wiodącej aktywności nie dowodzi, że ludzie wykonują ją rzadziej. Inne aktywności mogły po prostu rosnąć szybciej.

Z tego powodu rozszerzający się świat pracy ChatGPT należy odczytywać jako mapę zmieniającej się uwagi na obserwowanej platformie. Jego wartość polega na kierowaniu lepszych pytań ku konkretnym aktywnościom. Przekształcenie tej mapy w opis skutków gospodarczych wymaga dodatkowych dowodów.

Pracodawcy stają przed problemem pomiaru wykraczającym poza wdrożenie

Bezpośrednia presja spada na pracodawców, którzy muszą połączyć zainteresowanie pracowników z wiarygodnymi wynikami biznesowymi. Szerszy zakres zapytań powiększa obszar, który muszą ocenić.

Organizacja może zatwierdzić narzędzie AI, nie rozumiejąc, gdzie ono pomaga. Pracownicy mogą używać go do zgłębiania nieznanego tematu, ulepszania szkicu tekstu lub analizowania problemu. Każda aktywność tworzy inną relację między wsparciem, weryfikacją a odpowiedzialnością.

Pytanie dla zarządzających wykracza więc poza sam dostęp. Gotowy szkic ma niewielką wartość operacyjną, jeśli jego twierdzenia wymagają obszernej korekty. Odpowiedź, która pomaga pracownikowi zrozumieć problem, może tworzyć wartość nawet wtedy, gdy żaden wygenerowany tekst nie trafia do końcowego materiału.

Te możliwości sugerują różne miary. Czas realizacji ma znaczenie w przypadku powtarzalnych zadań. Dokładność ma znaczenie, gdy błędy niosą konsekwencje. Nauka ma znaczenie, gdy pracownicy muszą później samodzielnie wykonywać podobną pracę.

Jeden pulpit wdrożeniowy nie rozstrzygnie wszystkich tych kwestii. Liczba aktywnych kont potwierdza uczestnictwo. Liczba wiadomości potwierdza interakcję. Żadna z tych miar nie dowodzi automatycznie, że organizacja lepiej wykonała dane zadanie.

Niezależne badania pokazują, jak ważne jest bezpośrednie obserwowanie wyników. Erik Brynjolfsson, Danielle Li i Lindsey Raymond badali asystenta konwersacyjnego używanego przez agentów obsługi klienta. Ich badanie produktywności w miejscu pracy mierzyło liczbę spraw rozwiązanych na godzinę i wykazało korzyści różniące się zależnie od poziomu doświadczenia pracowników.

Znaczenie dla tego tematu dotyczy konstrukcji badania. Obsługa klienta oferowała jasno określone środowisko, konkretną interwencję i obserwowalny wynik operacyjny. Umożliwia to inny rodzaj wnioskowania niż analiza rozkładu zapytań na platformie.

Pracodawca czytający nowe wydanie Signals powinien zatem traktować popularne aktywności jako kandydatów do dalszego zbadania. Popularność wskazuje, co pracownicy próbują osiągnąć. Nie wyjaśnia, czy obecne podejście przynosi powodzenie.

Weźmy hipotetycznego menedżera używającego AI do przygotowania aktualizacji projektu. Tworzenie czytelnego tekstu jest częścią zadania. Ustalenie, które kamienie milowe faktycznie się opóźniły, jakie decyzje pozostają otwarte i które zobowiązania się zmieniły, wymaga dokumentacji źródłowej.

Jeśli szkic błędnie przedstawia te fakty, płynność języka może ukryć dodatkową pracę. Ktoś musi znaleźć rozbieżność, odtworzyć pierwotny kontekst i poprawić aktualizację. Ocena wyłącznie szybkości tworzenia szkicu pomijałaby to obciążenie.

W tym miejscu zarządzanie wiedzą osobistą staje się istotne dla szerszej dyskusji o miejscu pracy. Jakość odpowiedzi zależy częściowo od tego, czy ludzie potrafią znaleźć i ocenić informacje, które za nią stoją.

To powiązanie nie potwierdza twierdzenia o wynikach remio ani żadnego innego produktu. Wskazuje odrębny element przepływu pracy: utrzymywanie przydatnych dowodów dostępnych wtedy, gdy decyzja potrzebuje uzasadnienia.

Dla nabywców praktyczna konsekwencja polega na pytaniu o pełny obraz zadania. Co otrzymał pracownik, co wytworzył asystent i jaka weryfikacja nastąpiła później? Odpowiedzi stanowią mocniejszą podstawę zakupową niż imponująca liczba aktywności.

Badania Claude pokazują, dlaczego szersze użycie wymaga interpretacji

Rozszerzający się świat pracy ChatGPT wpisuje się w istniejące wysiłki na rzecz mierzenia AI poprzez obserwowane zachowania. Badania nad wdrażaniem AI prowadzone przez Anthropic oferują szczególnie trafne porównanie.

Raport z marca 2026 roku wykazał, że dziesięć najczęstszych zadań w Claude.ai spadło z 24% rozmów w listopadzie do 19% w lutym. Anthropic opisało również przesuwanie się aktywności programistycznej do interfejsu dla deweloperów oraz zmiany w zastosowaniach osobistych i związanych z nauką.

Szerszy rozkład zadań może odzwierciedlać kilka zmian zachodzących jednocześnie. Migracja między produktami, skład odbiorców i zmieniające się potrzeby wszystkie wymagają zbadania przed wyciągnięciem wniosku gospodarczego.

Porównanie z Claude wspiera ostrożną interpretację danych platformowych. Ludzie wybierają, gdzie wykonać daną aktywność. Jeśli wyspecjalizowany interfejs staje się bardziej odpowiedni, aktywność może opuścić ogólny produkt czatowy, nie znikając z szerszego ekosystemu dostawcy.

To sprawia, że granice platform są istotne gospodarczo. Rozmowa konsumencka i zautomatyzowany przepływ pracy w oprogramowaniu oferują różne spojrzenia na pracę. Badanie każdego z nich może być użyteczne, o ile analiza wyjaśnia, co pozostaje poza jego zakresem.

Zbiory danych wykorzystują też różne kategorie i populacje. Krajowa miara aktywności zawodowych OpenAI oraz miara zadań konwersacyjnych Anthropic nie tworzą bezpośredniego pojedynku o wdrażanie AI w miejscu pracy. Traktowanie ich odsetków jako równoważnych stworzyłoby mylący ranking.

Lepsze porównanie dotyczy pytań, które bada każda firma. Czy aktywności stają się bardziej zróżnicowane? Czy doświadczenie zmienia sposób, w jaki ludzie korzystają ze wsparcia? Czy interfejsy przyciągają inne rodzaje zadań? Te pytania pomagają wyjaśnić rozwój zastosowań AI bez ogłaszania zwycięstwa któregokolwiek dostawcy.

Raport Anthropic powiązał również dłuższy staż użytkowników z bardziej udanymi interakcjami, jednocześnie uznając alternatywne wyjaśnienia. Doświadczeni użytkownicy mogą uczyć się lepszych strategii. Wcześni użytkownicy mogą też różnić się od osób dołączających później w sposób wpływający na wyniki.

Ta niepewność ma znaczenie dla pracodawców oceniających szersze wykorzystanie ChatGPT w pracy. Zapewnienie pracownikom dostępu i umożliwienie im rozwijania użytecznych nawyków to odrębne decyzje organizacyjne. Narzędzie może być dostępne, zanim zespół dowie się, do których zadań najlepiej pasuje.

Z perspektywy produktu tworzy to wymagający problem interpretacyjny. Wzrost liczby zapytań może sygnalizować użyteczne odkrywanie możliwości, nierozwiązaną trudność lub powtarzane próby uzyskania akceptowalnej odpowiedzi. Interfejs rejestruje interakcję, podczas gdy rezultat może pojawić się gdzie indziej.

Hipotetyczny analityk może prosić o kilka poprawek, ponieważ zadanie jest złożone. Inny może szybko zakończyć pracę, ponieważ odpowiedź spełnia potrzebę. Trzeci może porzucić narzędzie po niepomocnej odpowiedzi.

Sama liczba wiadomości nie potrafi odróżnić tych sytuacji. Ich zrozumienie wymaga dowodów dotyczących celu zadania, jego trudności i tego, co wydarzyło się później.

Kontekst konkurencyjny wyostrza zatem główne napięcie artykułu. Dostawcy mogą coraz lepiej opisywać pracę, którą ludzie do nich przynoszą. Nabywcy nadal potrzebują dowodów dotyczących pracy, którą ludzie kończą.

Najlepsze relacjonowanie zachowa obie perspektywy. Dane behawioralne ujawniają wzorce, których pojedyncze anegdoty nie mogą potwierdzić. Badania wyników sprawdzają, czy te wzorce przekładają się na korzyści w konkretnych warunkach. Każde z nich dotyczy innej części historii AI w miejscu pracy.

Różnice między krajami podważają uniwersalną strategię wdrożeniową

Zróżnicowanie geograficzne sprawia, że jednolite wyjaśnienie AI w miejscu pracy jest mniej przekonujące. Znaczenie aktywności w obserwowanym użyciu w danym kraju nie dowodzi jej znaczenia dla całej gospodarki tego kraju.

Udział opisuje relację między kategorią a jej grupą porównawczą. Jeśli zapytania analityczne zajmują większą część obserwowanej struktury, mówi to badaczom o tej strukturze. Ustalenie przyczyn wymaga dowodów wykraczających poza sam odsetek.

Na sprawdzenie zasługuje kilka hipotez. Struktura zawodowa może wpływać na rodzaje zapytań, które ludzie zgłaszają. Język, dostęp, zasady organizacyjne i znajomość AI mogą również wpływać na uczestnictwo.

Są to możliwe wyjaśnienia, a nie wnioski potwierdzone przez publikację. Ich rozróżnienie ma znaczenie, ponieważ każde z nich wymaga innej reakcji ze strony pracodawców i decydentów.

Jeśli dany wzorzec odzwierciedla lokalną strukturę zawodów, kluczowy staje się dobór zadań. Program szkoleniowy powinien obejmować obowiązki, które ludzie faktycznie wykonują. Jeśli wzorzec wynika z dostępu, samo szkolenie nie usunie podstawowego ograniczenia.

Jeśli udział kształtują zasady organizacyjne, nieformalne użycie konsumenckie może ukazywać jedynie część obrazu. Pracownicy objęci ograniczeniami mogą unikać określonych zapytań lub korzystać z zatwierdzonych systemów poza obserwowaną platformą.

Porównania między krajami nie powinny więc zamieniać profilu użycia w ocenę kompetencji pracowników. Dana aktywność może być rzadka w zbiorze danych z powodów niezwiązanych z tym, czy pracownicy skorzystaliby ze wsparcia.

To samo rozumowanie dotyczy firm międzynarodowych. Zespół centralny może zidentyfikować obiecujący przypadek użycia i założyć, że da się go łatwo przenieść. Lokalne oddziały nadal muszą ocenić język, materiały źródłowe, proces zatwierdzania i oczekiwania klientów związane z danym zadaniem.

Rozważmy hipotetyczny proces komunikacji z klientem. Przygotowanie wyjaśnienia jest tylko częścią zadania. Pracownicy muszą również wiedzieć, jakie zasady obowiązują, jakie obietnice mogą składać oraz kiedy sprawa wymaga eskalacji.

Zdolność modelu do tworzenia dopracowanego języka nie rozstrzyga tych lokalnych wymogów. Ocena procesu wymaga sprawdzenia, czy pracownicy otrzymują kontekst i uprawnienia potrzebne do właściwego wykorzystania takiego języka.

Dla deweloperów różnice geograficzne rodzą pytania badawcze dotyczące dopasowania produktu. Użytecznym kolejnym krokiem jest zbadanie zaobserwowanej potrzeby z lokalnymi użytkownikami. Wzorzec na poziomie kraju może ukierunkować takie badanie, nie narzucając funkcji do zbudowania.

Dla pracowników konsekwencje są równie konkretne. Doświadczenie z popularną aktywnością w innym miejscu nie gwarantuje, że to samo podejście sprawdzi się w lokalnym zadaniu. Właściwy test dotyczy rzeczywistej pracy i jej ograniczeń.

Rozszerzający się świat pracy ChatGPT przemawia zatem za bardziej zróżnicowanym opisem adaptacji tej technologii. Szerszy udział nie musi prowadzić do identycznych zachowań. Technologia może się rozpowszechniać, podczas gdy ludzie dostosowują ją do odmiennych celów.

Taka interpretacja zmienia również sposób, w jaki należy publicznie mówić o sukcesie. Uniwersalna narracja zachęca do szerokich twierdzeń o tym, kto jest na czele. Narracja oparta na zadaniach pyta, gdzie wsparcie pasuje, co utrudnia użyteczną adaptację i jakie rezultaty uzasadniają dalsze inwestycje.

Te pytania wymagają więcej pracy niż ranking krajów. Oferują też pracodawcom i badaczom jaśniejszą drogę do decyzji, których mogą bronić.

Brakujące dane o pracy ograniczają wnioski dotyczące miejsc pracy

OpenAI podaje, że zbiór danych obejmuje indywidualne plany ChatGPT, z wyłączeniem wiadomości Enterprise i Codex. W porównaniu dotyczącym USA około 43% zadań przypisanych do zawodów, ważonych zatrudnieniem, trafia również do kategorii „Other IWAs”, poza indywidualnie raportowanymi kategoriami.

Te granice uniemożliwiają traktowanie publikacji jako spisu pracy lub miary zastępowania miejsc pracy. Brakująca aktywność ma znaczenie dla każdej interpretacji.

Towarzysząca metodologia doboru próby dodaje dalsze szczegóły. Szersza próba Signals wykorzystuje miesięcznie 1 milion wiadomości konsumenckich i wyklucza konta objęte określonymi ograniczeniami kwalifikacyjnymi lub dotyczącymi wykorzystania danych. Zautomatyzowane klasyfikatory przypisują kategorie zachowań, a mechanizmy ochrony prywatności dodają szum statystyczny.

Te decyzje kształtują to, co badacze mogą zaobserwować. Klasyfikator wnioskuje o kategorii wiadomości. Nie przeprowadza wywiadu z pracownikiem, nie sprawdza gotowego rezultatu ani nie potwierdza, że żądane działanie zostało wykonane.

Ochrona prywatności wiąże się również z kompromisem interpretacyjnym. Zagregowane informacje pozwalają badać wzorce, jednocześnie chroniąc indywidualne wiadomości. Precyzyjne rozróżnienia wymagają ostrożności, zwłaszcza gdy podgrupa opiera się na mniejszej liczbie obserwacji.

Właściwą reakcją jest dopasowanie wniosku do pomiaru. Wzorzec zapytań może uzasadniać badanie popytu na wsparcie. Ustalenie zmiany w zatrudnieniu wymaga dowodów dotyczących zatrudnienia.

Praca obejmuje obowiązki, które nie pojawiają się w prosty sposób w obrębie promptu. Ktoś musi zauważyć, że problem wymaga uwagi, uzyskać brakujące informacje, koordynować działania ze współpracownikami i wziąć odpowiedzialność za rezultat.

Wsparcie przy jednym elemencie może zmienić tę pracę, nie eliminując jej. Może zmniejszyć nakład wysiłku, rozszerzyć zakres zadania lub wprowadzić nowe obciążenie związane z kontrolą. To, który efekt przeważa, pozostaje kwestią empiryczną.

Przeciwnym błędem byłoby odrzucenie publikacji tylko dlatego, że nie odpowiada na każde pytanie dotyczące rynku pracy. Szczegółowe dane o zachowaniach stanowią użyteczny punkt wyjścia. Pomagają badaczom identyfikować aktywności warte bliższego zbadania.

Niezależne badania populacyjne oferują inną perspektywę. Badanie adaptacji generatywnej AI autorstwa Alexandra Bicka, Adama Blandina i Davida Deminga wykorzystało reprezentatywne dla USA ankiety do analizy użycia w pracy i w domu. Takie podejście pomaga umieścić obserwacje platformy w szerszej populacji.

Metody te wzajemnie się uzupełniają. Ankiety mogą pytać o czas pracy i doświadczenia wykraczające poza usługi konkretnego dostawcy. Dane platformowe mogą opisywać interakcje bez całkowitego polegania na pamięci respondenta.

Żadna z metod nie usuwa potrzeby ostrożnej interpretacji. Odpowiedzi ankietowe mogą zawierać błędy raportowania. Próby platformowe mogą pomijać istotne populacje. Zgodność między różnymi metodami wzmacniałaby zaufanie bardziej niż powtarzanie tego samego pomiaru.

Sceptyczna lektura powinna więc koncentrować się na luce między obserwacją a rezultatem. Publikacja nie dowodzi niezależnie, że szerszy zestaw zapytań przyniósł lepsze wyniki, wyższe płace lub mniej miejsc pracy.

Nie dowodzi też, że nieobecne aktywności są odporne na przyszłe zmiany. Ich brak opisuje granicę pomiaru. Przewidywanie ich przyszłości wymaga dodatkowych dowodów dotyczących możliwości, warunków wdrożenia i decyzji organizacyjnych.

Uzasadniony wniosek jest węższy, ale użyteczny: badacze mają teraz bardziej szczegółową podstawę do zadawania pytań o to, gdzie konsumencka AI przecina się z pracą.

Trzy sygnały sprawią, że kolejna publikacja będzie bardziej informacyjna

Kolejny etap powinien połączyć szerokość zakresu, spójność pomiaru i rezultaty. W ciągu najbliższych miesięcy będą to sygnały, które wzmocnią lub osłabią interpretację szerszego wykorzystania w miejscu pracy.

Po pierwsze, przy kolejnej aktualizacji serii przez OpenAI należy obserwować trwałość wzorca w porównywalnych grupach krajów i aktywności. Utrzymujący się wzorzec przy spójnych definicjach wzmocniłby argument, że miks zmienia się w sposób trwały.

Odwrócenie trendu wymagałoby bliższego zbadania. Tymczasowy ruch mogą wyjaśniać sezonowe zadania, zmieniający się użytkownicy lub zmiany w sposobie rejestrowania aktywności. Badacze powinni zbadać te możliwości, zanim przypiszą trend trwałym zmianom w pracy.

Nie należy zakładać terminu przyszłej aktualizacji na podstawie obecnej publikacji. Ważnym sygnałem jest porównywalność kolejnej obserwacji, kiedykolwiek stanie się dostępna.

Po drugie, należy obserwować wyraźniejsze powiązania między czatem konsumenckim, systemami korporacyjnymi i wyspecjalizowanymi interfejsami. Publikacje dostawców wyjaśniające te granice ułatwiłyby interpretację migracji między produktami.

Jeśli aktywność spada w jednym interfejsie, a rośnie w innym, szersza narracja się zmienia. To, co początkowo wygląda na spadek zainteresowania, może zamiast tego odzwierciedlać lepsze dopasowanie między zadaniem a innym środowiskiem.

Spójne definicje wzmocniłyby tę analizę. Niekompatybilne kategorie pozostawiłyby niepewność, czy badacze obserwują zmianę zachowań, czy zmianę pomiaru.

Po trzecie, należy obserwować niezależne oceny łączące konkretne aktywności z rezultatami ukończonej pracy. Użyteczne miary obejmują dokładność, wysiłek potrzebny do weryfikacji, czas realizacji oraz to, czy pracownicy zachowują zdolność oceny rezultatu.

Dowody poprawy w całym zadaniu wzmocniłyby ekonomiczne znaczenie szerszego użycia. Dowody na znaczący nakład pracy korekcyjnej stanowiłyby zastrzeżenie. Każdy z tych wyników pomógłby nabywcom podejmować lepsze decyzje.

Ten ostatni sygnał ma największe znaczenie dla osób odpowiedzialnych za rzeczywiste rezultaty pracy. Rosnący zakres zapytań sprawia, że AI staje się istotna dla większej liczby zadań. Nie eliminuje jednak potrzeby ustalenia, co wydarzyło się po zakończeniu rozmowy.

Czytelnicy oceniający rozszerzający się świat pracy ChatGPT powinni zacząć od aktywności, którą rozpoznają we własnej pracy. Porównaj pytanie, z którym przychodzi pracownik, z dowodami potrzebnymi do ukończenia zadania. Zapytaj, gdzie asystent wnosi wkład, gdzie weryfikacja pozostaje konieczna i jaki rezultat uzasadniałby dalsze użycie. Niech te pytania pozostaną związane z materiałem źródłowym, a nie z płynnością odpowiedzi. Następnie szukaj badań mierzących cały proces, w tym korekty i ludzki osąd. Publikacja stanowi punkt wyjścia do takiego badania. Która zaobserwowana aktywność stałaby się istotnie bardziej wartościowa, gdyby badacze mogli wykazać, że ludzie wykonują ją dokładniej, mniejszym wysiłkiem i przy jasno przypisanej odpowiedzialności?