事件概述

OpenAI 于 2026 年 9 月 16 日发布新一期经济研究（OpenAI Economic Research），题为《How workers are unlocking new ways of working》。这份报告是 “Work at the Frontier” 系列的最新一篇，延续了首篇报告提出的 “task crossover”（任务跨界） 概念——即工作者使用 AI 去完成历史上归属于另一职业的活动。

首篇报告记录了这一现象的存在，而本次研究追问的是：这些跨职业行为之后会怎样？它们是“尝鲜一次”就结束，还是会沉淀成稳定的工作流？

研究结论是：一部分跨职业 AI 使用具有明显的复现性。工作者会反复回到本职边界之外的任务上，这些活动在其被观测到的 AI 使用中占比随时间上升。报告提出的判断是：如果这些活动最终变成常规职责，岗位名称可能不变，但岗位内部的工作内容组合会变宽。

关键技术点

数据规模与范围

研究分析了 2026 年 4 月至 7 月期间超过 150 万条与工作相关的 ChatGPT 消息。其中一组核心样本是 约 6,200 名在 4 月到 7 月被持续观测到的工作者。

核心发现一：跨职业任务占比在四个月内近乎翻倍

在持续观测的工作者中，此前使用过的跨职业任务占“职业特定 AI 活动”的比例，从 4 月的 13.1% 上升到 7 月的 25.9%。报告认为这一趋势与“工作者把部分跨职业辅助纳入持续工作流”这一解释相符，而不只是一次性试验。

核心发现二：复现率显著高于对照组

在匹配的一个月跟进观测样本中：

  • 上个月使用过某项跨职业任务的工作者，本月再次回到该任务的概率为 23.6%；
  • 而上个月未观测到使用该任务的、条件可比的工作者，使用同一任务的概率为 8.4%。

报告指出，本职内任务与通用任务也呈现类似的差距。

核心发现三：不同任务的“留存率”差异极大

跨职业任务的下月平均复现率为 18.5%，但分布极不均匀：

跨职业任务类型 下月复现率
与客户讨论商品或服务 54%
广告或推广文案撰写 44%
制作营销材料 37%
平均（跨职业任务） 18.5%
解释财务信息 约 15%

报告对这一差异给出两种可能解释：一是 AI 天然更容易嵌入高频、周期性的工作流；二是也可能反映职场规范、谨慎程度，以及对出错后果的感知差异。

核心发现四：跨职业任务的提示词写法不同

工作者在向 AI 提出本职之外的任务时，提示行为出现系统性差异：

  • 平均提示更短；
  • 更少要求解释、操作指引、特定回答格式或建议；
  • 更可能主动提供示例或背景信息；
  • 更可能要求 AI 做检查或核实。

报告对此的一种解读是：工作者在用 AI “借用专业知识”，而不是让 AI 从头教自己一个全新领域——他们带着问题与上下文（文档、示例、同事提供的信息）来，请 AI 把另一个领域的知识应用上去。

数据与隐私处理

报告脚注说明：职业信息来自用户在 ChatGPT Business 引导流程中提供的角色或部门信息；消息来自这些用户会话的一个样本；排除了禁用训练的数据以及无法有效分类的消息；数据经聚合并匿名化处理，研究人员不阅读任何单条用户消息。脚注同时提示，随着工作者在某个月内尝试新任务，可被认定为“复现”的任务基数本身会增加。

对数据科学或 AI Agent 落地的意义

从工程与产品视角看，这份研究提供了几个可以直接映射到落地决策的信号：

1. 任务边界比岗位边界更值得建模。 报告的核心叙事是“岗位名称不变、任务组合变宽”。对于做企业内 AI 平台或 Agent 编排的团队，这意味着能力单元的粒度应该是任务而不是职位。按职位配置权限和工具，很可能一开始就和真实使用模式错位。

2. “借用专业知识”模式的提示特征，直接指向 Agent 的上下文设计。 跨职业任务的提示更短、更依赖外部投喂的示例与背景、更强调校验。这三点恰好对应 Agent 产品最需要做扎实的部分：上下文注入（把文档/示例自动带进 prompt）、少轮次的专业能力封装、以及输出校验环节。如果用户已经在用自然方式表达这些需求，产品化时把它显式化就是明确的收益点。

3. 复现率是比使用率更有价值的指标。 23.6% 对 8.4% 的对照组差距，说明“用过一次”和“进入工作流”是两种完全不同的状态。企业评估内部 AI 工具时，若只看活跃用量，很容易把一次性实验误判为生产力提升。报告给出的这套“次月回访 + 匹配对照”的思路，可以直接借鉴为内部工具的落地评估框架。

4. 任务类型的复现率差异，可作为自动化优先级的输入。 客户沟通、推广文案、营销物料这类复现率在 37%–54% 的任务，是更稳定的自动化与 Agent 候选场景；而报告未说明这些任务在准确性要求和合规约束上的分布，实际排期时仍需自行评估风险等级。

需要提醒的是，这是一项观察性研究，报告本身并未给出因果性结论，也没有说明所采用的具体分类模型、任务标签体系或统计推断方法，这些细节原文未说明。

我的技术点评

这份报告最值得关注的，其实不是那组百分比，而是它选择的问题层级。

过去两年关于“AI 是否取代工作”的讨论，大量集中在岗位层面——某个职位会不会消失。而这份研究把镜头下移到了任务层面，并且用一个非常朴素但有效的方法论回答了关键问题：用户会不会回来？ 从“首次使用”到“次月复现”，中间隔着的是真实价值验证。报告用匹配对照把自然回落和真实留存区分开来，这个设计比单看使用量曲线要扎实得多。

提示词行为的那组发现，我认为是全文信息密度最高的部分。跨职业任务的提示更短、更少要解释、更多给上下文、更多要校验——这四件事合在一起，描绘的不是“学习型用户”，而是“带着答案来验证的专家型用户”。用户并不想通过 AI 转行，他们只是想在当前问题上借一点别的领域的杠杆。这对产品设计的含义很直接：与其做一个“教你做 X”的教学式助手，不如做一个“你把料给我，我给你专业输出”的执行式助手。

当然，这份报告的边界也要看清楚。样本来自 ChatGPT Business 用户，本身是企业场景中相对高投入度的人群；职业标签依赖用户自行填写，粒度未知；四个月的窗口对于判断“工作流固化”来说仍偏短。报告最后说会继续追踪这些变化，我认为更有价值的下一问题是：这些跨职业任务最终是由个人固化下来，还是会被组织沉淀成标准流程？ 前者是个人能力扩展，后者才是分工结构的真正变化。

原文链接