OpenAI 职场 AI 研究发现：职位名称改变前，工作内容已在扩展

OpenAI 的职场 AI 研究发现，在超过 150 万条与工作相关的 ChatGPT 消息中，出现了一个显著转变。员工并不只是尝试职责范围之外的任务，有些人会反复处理这些任务，并将其纳入日常工作。

这一区别改变了职场 AI 的讨论方向。当下的关键不只是 AI 是否会取代岗位或提升既有任务效率，而是员工是否在不知不觉中承担起原本属于营销人员、分析师、工程师或客户服务专家的职责。

OpenAI 将这种模式称为工作扩展。但扩展既可能意味着更大的自主权，也可能意味着未被识别的工作负荷增长。员工或许能够不必等待其他部门便解决问题，但也可能在缺乏相应培训、审核或报酬的情况下承担责任。

这项跨岗位任务研究涵盖了 2026 年 4 月至 7 月期间的 ChatGPT Business 用户。OpenAI 表示，消息均经过匿名化和汇总处理，研究人员从未阅读单独的对话内容。

其核心发现基于行为，而非推测。在约 6,200 名持续观察到的员工中，先前尝试过的跨职业任务，在其职业特定 AI 活动中所占比例不断上升。

这一结果表明，职位描述可能落后于实际工作的变化。员工可以先形成新的工作惯例，而管理者之后才重新设计岗位、更新管控措施，或决定最终决策由谁负责。

这也构成了本文的核心张力。OpenAI 看到了一条从试验走向更广泛工作职责的路径。雇主和员工则必须判断，这条路径带来的是有益的自主权、高风险的岗位压缩，还是两者兼有。

OpenAI 在 150 万条工作消息中发现了什么

关键变化不在于员工尝试了陌生任务，而在于其中相当一部分人会再次处理这些任务。

OpenAI 分析了 2026 年 4 月至 7 月期间生成的超过 150 万条与工作相关的 ChatGPT 消息。这项分析延续了此前一项关于员工在使用 AI 时如何跨越传统职业边界的研究。

此前的任务跨界分析将工作分为通用任务、职业内部任务和跨职业任务。通用任务包括日常写作、总结和安排日程等广泛共享的活动。

跨职业任务则涵盖历史上通常与其他职业相关的活动。例如，营销人员排查软件问题、销售人员分析客户数据，或小企业主审阅合同。

OpenAI 此前发现，16.8% 的工作相关消息涉及与其他职业相关的任务。排除通用活动后，43.5% 的职业特定消息落在用户所标识职业之外。

新研究考察了首次跨界之后发生的情况。在整个四个月期间持续被观察到的员工中，先前使用过的跨职业任务在 4 月占其职业特定 AI 活动的 13.1%。

到 7 月，这一比例升至 25.9%。这一增长并不意味着任何人四分之一的完整工作内容发生了变化，而是描述了 OpenAI 所观察样本中职业特定 ChatGPT 活动的构成。

另一项比较考察了员工是否会在次月再次处理同一项跨职业任务。此前使用过某项任务的员工，有 23.6% 的概率会再次使用它。

相比之下，没有观察到既往使用记录的可比员工，处理同一任务的比例仅为 8.4%。这一差异支持了重复使用的模式，但并不能证明 ChatGPT 导致了这种行为。

跨职业任务的平均次月回访率为 18.5%。不过，不同活动的重复率差异明显。

与客户讨论商品或服务的回访率为 54%。广告或推广文案写作达到 44%，制作营销材料则达到 37%。

解释财务信息的回访率低得多，约为 15%。这一差距值得关注，因为它暗示了员工在哪些领域更愿意扩展自身职责。

客户沟通和推广工作通常能产出可在发布前由人修改的内容。而财务解释一旦出现错误并传达到客户、管理者或监管机构，可能带来更严重的后果。

结果还揭示了员工寻求帮助方式的差异。人们在处理职业外任务时，使用的提示词比处理本职领域工作时更短。

他们较少要求指导、建议、解释或特定的输出格式。但他们更常提供示例或背景信息，并要求 ChatGPT 核实某些内容。

OpenAI 将此解读为员工借用专业能力，而非学习完整的一门学科。人们带着具体问题，补充本地背景，再让 AI 应用来自另一领域的知识。

这种行为让 ChatGPT 工作任务更像一个非正式的服务台。员工并不会因此成为律师、工程师或分析师。AI 帮助员工在无需传统交接的情况下推进某个具体问题。

这一转变之所以重要，是因为重复行为可能演变为运营实践。一旦某项任务进入每周工作流，组织就必须决定它是否应当留在那里，以及应受到何种管控。

OpenAI 职场 AI 研究显示新任务如何成为习惯

重复使用为工作变化提供了一种合理机制：它始于个人行为，而非正式重组。

这一过程始于员工遇到超出岗位通常边界的问题。员工使用 AI，可能是因为专家无法及时参与、交接流程过慢，或问题看起来尚可处理。

如果结果看起来有用，员工就会重复这一过程。重复会将一次孤立的试验变成工作流，尤其是在该任务频繁出现时。

这种机制解释了为何 AI 驱动的工作扩展可能早于新职位名称的出现。人力资源体系的变化很慢，而员工几分钟内就能加入一个提示词、文档和审核步骤。

以需要总结客户访谈并准备进展更新的产品经理为例。该经理也可能使用 AI 分析支持服务主题、起草推广文案，或排查追踪查询问题。

这些新增事项未必会形成一个新岗位。但它们结合起来，会改变产品经理日常产出的内容，也会减少需要交接给其他团队的工作。

销售人员也可能在客户数据上遵循同样的模式。最初的请求可能只是探索性计算，后续请求则成为客户账户准备工作的一部分。

设计师可能使用 AI 修改活动文案，或澄清实施要求。小企业经营者则可能在客户沟通、营销和基础财务解读之间切换。

这些例子并不能证明员工已经掌握了所借用领域的专业能力。它们只是说明，AI 降低了尝试处理边界明确任务所需的投入。

背景信息似乎是这一过程的核心。OpenAI 发现，员工在职业外领域工作时会提供更多示例和背景。

这一行为表明，员工仍然贡献了模型所缺乏的知识。员工了解客户、截止日期、文件或组织约束，而 AI 则提供可迁移的模式。

这种关系更接近能力增强，而非完全自动化。Anthropic 此前的能力增强证据发现，观察到的 Claude 使用中，57% 涉及协作，而被归类为自动化的占 43%。

Anthropic 也警告称，其数据代表的是 Claude 用户，而非整体劳动力市场。OpenAI 的发现同样需要区分观察到的产品活动与普遍劳动力行为。

不过，这两项研究都指向一种基于任务的变化视角。工作由许多活动组成，而 AI 的采用可以在不同活动之间以不均衡的方式扩散。

有些任务会反复出现，因为它们易于核查且符合既有惯例。另一些任务仍然罕见，因为错误成本高、本地规则复杂，或人工审批仍不可或缺。

这种不均衡对于任何构建 AI 工作流的人都很重要。一个有用的系统必须保留文件、决策和背景信息，以便后续审核成为可能。

个人工具可以帮助员工维持这种连续性。结构化的AI 第二大脑可以将重复请求与其背后的源材料联系起来。

目标不应是毫无限制地累积任务，而应建立可追溯的流程，让员工能够找回证据、理解先前决策，并识别何时需要专家审核。

因此，OpenAI 的研究描述的不只是提示词采用。它展示了职场变化的基本单位如何成为嵌入未变岗位中的重复活动。

这一机制将关注点从访问权限转向设计。为员工提供 AI 账号只是启动了过程，却不能决定重复使用是否会转化为可靠的工作。

管理者必须决定哪些输出需要审核、允许使用哪些来源，以及哪些决策仍超出员工权限。正是这些选择决定了岗位扩展会成为能力，还是风险暴露。

岗位扩展给专家交接模式带来压力

重复的跨岗位工作挑战了这样一种组织模式：每个陌生问题都要转交给专家团队。

传统组织划分工作有其充分理由。营销、财务、法务、工程和客户运营部门各自发展出不同的专业能力、标准和责任体系。

这些边界同样会造成等待。一个小请求可能进入队列，在转交过程中丢失背景，并在原本的时机已经过去后才返回。

ChatGPT 工作任务降低了在转交前尝试给出答案的成本。离问题最近的人可以立即起草、计算、分类或排查。

OpenAI 的第一份报告发现，小型工作区的普通用户呈现出更明显的跨界模式。在拥有 2 至 5 个席位的工作区中，职业外任务占用户活动的 18.9%。

在拥有超过 100 个席位的工作区中，这一比例为 16.3%。OpenAI 表示，小型组织拥有的专家资源较少，因此通才型协助更具价值。

这一解读符合小团队的运营现实。发现问题的人往往必须负责解决，因为没有其他人可以处理。

大型公司拥有更多专家，但也面临协调成本。能够准备更好初稿的员工，或许能减少不必要的转介，同时不绕过最终审核。

因此，受到挑战的并非专业化本身，而是假设每项专家任务都必须完全留在专家岗位内部的观念。

AI 可以将准备工作与授权决策分开。销售人员可以查看数据集，而分析师负责验证方法。管理者可以起草合同问题，而法律顾问提供法律判断。

这种分工可以让专家的时间更加聚焦。专家接收到的是界定更清晰的请求、更丰富的背景，以及初步成果，而不是一个未经定义的问题。

然而，组织也很容易误用这种效率。领导者可能会得出这样的结论：能够发起一项任务的员工，也能够对其质量、风险和维护负责。

这种结论会将 AI 带来的岗位扩展变成角色压缩。多个领域被塞进一个职位，却没有移除原有职责。

这种差异往往体现在工作负荷设计上。如果一名员工新增了客户分析、营销文案和技术故障排查，那么哪些原有职责被取消了？

如果没有明确答案，公司就没有真正重新设计工作。它只是扩大了一个人感到自己需要负责的范围。

持续使用也可能削弱专业人员的学习闭环。如果销售人员独立完成每一条回复，营销团队可能不再接触到客户常见的问题。

如果其他团队自行绕开问题进行故障排查，工程团队可能会错过反复出现的产品故障。如果员工只在最后审批时才寻求法务意见，法务团队也可能失去对重复性合同问题的可见度。

因此，组织需要设定升级处理的阈值。后果较轻的文案起草可以由原始执行者处理，而受监管、不可逆或对客户敏感的决策则应交由专家负责。

组织还需要共享记录。如果每位员工都形成私有的 ChatGPT 使用流程，公司就难以审查哪些做法有效、哪些失败，以及哪些假设正在扩散。

有文档记录的工作流程能为管理者重新设计工作提供更好的依据。团队可以识别反复出现的跨角色活动，衡量修订需求，并决定新职责是否应纳入该岗位。

对于产品团队而言，每周 AI 工作流提供了一种让信息来源与产出保持关联的模式。这一更广泛的原则同样适用于各类职能。

目标并不是保留每一个历史交接环节，而是在首次响应更贴近问题时，依然保留专业知识、责任归属和组织学习。

OpenAI 的发现给那些将采用 AI 视为软件部署的领导者带来了压力。更相关的管理问题是：当员工形成可重复的习惯后，职责将如何变化。

重复使用数据无法证明什么

这项研究识别了 ChatGPT 使用中的一种模式，但并不能证明生产率、技能习得或持久的岗位重构。

OpenAI 的数据集罕见地呈现了实际产品使用行为。它仍然只是来自已在工作中使用 ChatGPT Business 人群的观察性样本。

该样本并不代表每一位员工、每一种职业、每一家公司或每一种 AI 产品。体力劳动以及 ChatGPT 使用受限的工作场所，可能无法按比例反映在样本中。

职业是根据用户在 Business 注册时提供的角色或部门信息推断得出的。这种方法很有用，但职位名称和部门标签可能掩盖混合型职责。

一名进行客户分析的产品经理可能正在跨越职业边界。同样的活动也可能本来就是该员工所在公司对其的既有要求。

这一分类问题已出现在第一份报告中。OpenAI 承认，其分析无法完全区分新出现的跨角色工作与由 AI 辅助完成的既有职责。

新研究补充了重复使用的证据，但重复使用并不能消除这种模糊性。重复的提示词可能反映真正的岗位扩展、以不同方式完成的旧任务，或一项临时项目。

观察窗口也仅覆盖四个月。这个周期足以识别回访行为，但不足以证明永久性的职业变化。

季节性会影响营销、客户沟通、预算和报告。一个在相邻月份重复出现的任务，可能会在一次活动或规划周期结束后消失。

4 月至 7 月的增长尤其需要谨慎解读。随着员工尝试更多活动，能够被计为此前已使用过的任务池也会扩大。

OpenAI 在其方法论中指出了这一动态。不断上升的占比与惯例形成相符，但不应将其视为受控的因果估计。

这项研究还衡量的是消息，而不是已完成的业务结果。它没有显示产出是否被采纳、修正、弃用，或是否与可衡量的收益相关。

员工重返某项任务可能意味着其具有价值，也可能反映反复遇到困难、结果不够理想，或某个流程需要多次尝试。

一项 NBER 的工作模式实验为理解这一局限提供了有用背景。该研究随机向员工提供了常见工作场景应用中的生成式 AI 使用权限。

研究发现，获得使用权限改变了人们在不同活动间分配时间的方式。不过，实验性的访问研究与消息日志分析回答的是不同问题。

实验能够估计特定条件下的因果变化。产品日志则能以更大规模揭示自然发生的行为，但对样本选择和背景的控制较少。

任何一种方法单独来看，都无法判定更广泛的岗位职责是否改善了工作质量。生产率、自主性、学习、压力和薪酬可能朝不同方向变化。

其中还涉及能力问题。提供背景信息并要求验证或许能改善模型的回答，但这并不会赋予员工专家级判断力。

一段经过润色的财务解释仍可能包含细微错误。一个看似合理的软件修复方案可能引入安全问题。营销文案也可能违反未明说的品牌或监管约束。

OpenAI 研究中重复率最高的活动大多涉及沟通和推广工作。它们之所以突出，可能反映的是易于整合，而不是模型表现可靠。

财务解释的较低重复率则提供了另一种可能性。员工可能意识到，某些领域需要更多谨慎、审查或责任承担。

组织不应将重复使用解读为自动授权。一项有用的活动仍可能需要明确的审阅者、经批准的信息来源集合，以及对重大决策的清晰限制。

隐私是另一项考量。OpenAI 表示，在通过汇总保留匿名性的同时，排除了禁用训练的数据和缺乏可用分类的消息。

这解决了报告所述研究过程中的问题。雇主仍需要自行制定规则，规范输入 AI 系统的机密信息、客户数据和记录。

最站得住脚的结论比“就业正在被改变”的承诺更为有限：一些员工会反复跨越职业边界使用 ChatGPT，而某些任务比其他任务更常重复出现。

这一发现值得关注，因为惯例往往先于正式变革。但它并不能证明由此产生的岗位是否更好、更安全、更高效，或获得了公平回报。

三个信号将显示 AI 岗位扩展是否持久

下一项检验在于：反复出现的跨角色行为是否会带来责任明确的工作流程、更广泛且可衡量的采用，以及更好的工作成果。

第一个信号是在更长观察期内的持续性。OpenAI 的四个月窗口捕捉到了重复行为的开端，而非其完整生命周期。

未来的报告应展示，相同活动在六个月或十二个月后是否仍然存在。持久的重复使用将强化岗位扩展的解释。

如果出现下降，则意味着许多用途可能只是临时试验、季节性需求，或员工最终重新交还给专家的任务。

重复性工作的构成同样重要。如果持续集中于推广文案，这将表明变化比向分析、技术工作或受监管流程扩展更为有限。

第二个信号是，这种模式是否出现在 ChatGPT Business 用户之外。OpenAI、Anthropic、Microsoft 和独立研究人员通过不同产品观察不同的人群。

趋同的结果将降低产品设计或客户构成导致这一发现的可能性。分歧则会揭示模型界面和工作场所环境如何塑造行为。

Anthropic 的研究发现，AI 活动集中于软件开发和写作。OpenAI 的跨界工作研究则突出财务计算、技术故障排查、营销和面向客户的活动。

这些视角彼此兼容，但并不能互相替代。每家提供商都通过自己的产品、用户群体、分类系统和隐私保护型测量流程观察行为。

研究人员还应区分主动使用通用聊天工具的员工，与由组织分配 AI 系统的员工。动机和管理预期都会影响重复使用。

第三个信号是组织的反应。雇主需要展示，反复出现的跨角色任务是否进入了具备审查、培训和职责调整的正式工作流程。

修订后的职位描述可提供一个可见指标。新的审批检查点、技能项目或工作负荷衡量标准，则能提供更有力的运营证据。

薪酬和晋升制度同样重要。如果员工交付了更广泛且有价值的成果，组织必须决定这种广度是否应被视为得到认可的技能增长。

如果职责扩展却未获得认可，同样的趋势可能导致工作强化。员工将承担更多领域，却仍按照原有职责接受考核。

OpenAI 的工作场所 AI 研究让这一管理选择更难被忽视。即使领导者尚未宣布重组，AI 的可用性也可能改变劳动分工。

当 AI 减少延迟、让员工对成果拥有更大控制权时，这种变化能够使员工受益。当常规准备工作以更有条理的方式交付时，专家也能从中受益。

但当生成内容逃脱专家审查时，它也会带来隐性风险。决定性因素不仅是模型质量，还包括围绕每项重复任务设计的责任机制。

知识工作者应先识别哪些 AI 辅助活动已悄然变得常规。他们应记录与这些活动相关的信息来源、审阅者、修正内容和后果。

管理者应提出一个互补问题：当一项新任务进入工作流程时，哪项旧职责被减少了？如果答案是没有，扩展可能已经在演变为过载。

最有用的下一步，是对重复出现的 AI 使用进行一次小规模审计。选取一个月内重复进行的活动，区分准备工作与最终决策，并识别缺失的审查环节。

然后将结果与下一个月进行比较。该任务是否仍然有用、是否减少了一次交接、是否需要更少修正，抑或只是将更多责任转移给了一名员工？

OpenAI 已识别出一条从实验到惯例的可信路径。员工和雇主现在需要证明，这些惯例改善了工作，而不是仅仅扩大了工作。