人工智能如何拓展人们的工作内容——前沿工作

前沿⼯作：⼈⼯智能如何拓展⼈们的⼯作内容 要点总结 01⼈⼯智能不仅可能改变⼯作的完成⽅式，还可能改变谁来⼯作。我们的新研究表明，ChatGPT⽤⼾经常寻求帮助完成历史上与其他职业相关的任务，这表明⼈⼯智能可能拓宽⻆⾊并改变⼯作的分⼯⽅式。 02在我们的样本中，16.8%的所有⼯作相关消息——以及43.5%的职业特定消息——涉及历史上与另⼀个职业相关的任务。 03⼈⼯智能的使⽤模式因职业⽽异。市场营销和⼯程任务流向其他职业的许多⼯⼈，⽽设计、销售和⼈⼒资源的⼯⼈更有可能承担来⾃其他⼯作的各种任务。 04这些影响在较⼩的公司更为明显。较⼩⼯作空间中的典型⽤⼾相对更多地从事跨职业⼯作。这可能表明，当⽤⼾资源较少时，他们会将⼈⼯智能作为⼯具来扩展他们所做的⼯作类型。 引言。 AI如何改变我们的⼯作⽅式？通过对ChatGPT⽤⼾发送的⼯作相关消息的分析，我们得以窥⻅⼯作任务组成的变迁。我们发现，43.5%的⼯作相关、特定职业的消息涉及历史上与其他职业相关的任务。1 在我们的AI岗位转型框架中，我们强调很⼤⼀部分岗位可能会重组，即其⽇常任务可能会发⽣显著变化。我们的《前沿⼯作》系列旨在理解这⼀过程。随着越来越多的员⼯在⼯作中使⽤AI，先前不可能实现的个⼈与机器活动的新组合不断涌现。理解这些变化是理解⼯作如何适应AI的核⼼：它改变了员⼯独⾃完成的⼯作、委托给同事的⼯作以及需要专家完成的⼯作。 借助AI，过去将客⼾数据集交给分析师的销售⼈员现在可以⾃⼰轻松快速地探索数据。过去等待软件或⽹⻚开发⼈员的营销⼈员现在可以排查⽹站问题或编写简单脚本。在每种情况下，AI既改变了⼯作完成的速度，也改变了由谁来完成。我们研究了AI如何扩展⼈们从事的⼯作类型，尤其是当这些⼯作不在其典型岗位描述中时。我们发现，AI可能会改变员⼯在特定⻆⾊内⼯作的历史或典型边界。 职业边界是指历史上与某⼀职业相关联的活动集合。我们研究员⼯是否在边界内或边界外使⽤AI进⾏活动。 我们关注⼋个职业群体的⽤⼾：客⼾体验、设计、⼯程、财务、⼈⼒资源、法律、市场营销和销售。我们使⽤美国劳⼯部的职业与⼯作活动数据库O*NET，来识别传统上与每个职业群体相关的任务。 我们从这些⽤⼾中随机抽取⼯作相关消息样本，并将每条消息归类到与其任务内容最匹配的单⼀O*NET详细⼯作活动（DWA）。然后，我们将该活动相关的职业与发送者声明的职业进⾏⽐较。2 职业边界并不总是精确，因为写作、总结、⽇程安排等通⽤任务出现在许多类型的⼯作中。因此，我们将消息分为三类：通⽤、本职业内和跨职业。 注：职业边界基于O*NET中历史上与每个职业相关联的任务。 在这份⼯作相关信息的随机样本中： •16.8%的信息被归类为跨职业，意味着它们涉及历史上与另⼀个职业相关的任务； •21.8%的信息被归类为职业内，意味着它们涉及历史上与⽤⼾⾃⾝职业相关的任务； •⽽61.5%的信息被归类为通⽤，意味着它们涉及⼴泛共享于各职业的任务，如撰写电⼦邮件或安排会议。 在⾮通⽤消息中，43.5%属于跨职业范畴。排除撰写电⼦邮件等通⽤⼯作后，这类消息占职业特定消息的28%⾄77%。 来源：OpenAI经济研究分析，基于美国⽤⼾个⼈ChatGPT账⼾中随机抽取的⼯作相关消息样本，这些⽤⼾的⾃我报告职业信息来⾃ChatGPT企业账⼾关联数据，任务映射⾄O*NET DWA描述。注释：职业特定占⽐排除通⽤⼯作，并将剩余部分重新归⼀化为100%。 我们将这种模式称为任务交叉：历史上与某⼀职业相关的⼯作，出现在其他职业⼈群的⼈⼯智能应⽤中。在⼋个职业群体中，11%⾄30%的信息涉及任务交叉。 任务交叉在不同类型的员⼯之间存在差异。市场营销和⼯程类⼯作⼴泛出现在其他领域⼯作者的⼈⼯智能应⽤中。与此同时，设计、销售和⼈⼒资源等领域的⼯作者更倾向于使⽤⼈⼯智能来完成其常规⻆⾊之外的任务。任务交叉在规模较⼩的⼯作场所更为常⻅，但这种差异主要体现在中等使⽤量的⽤⼾中：在按信息量排序中间50%的⽤⼾中，2⾄5⼈⼯作场所的跨职业使⽤率为18.9%，⽽拥有101⼈及以上⼯作场所的⽤⼾则为16.3%；⽽在使⽤量最⾼的四分之⼀⽤⼾中，并未呈现单调趋势。这种分化可能反映出⼀种可能性：当同事或专家较少时，⼯作者会向⼈⼯智能寻求更⼴泛任务的协助。 我们的研究结果指向⼀种更⼴泛的⼈⼯智能驱动型职业变⾰概念。⼈⼯智能可能会⾃动化某些现有任务，并在其他⽅⾯增强⼯作者的能⼒。⼈⼯智能还可能通过拓宽⼯作者可执⾏的任务范围，并允许与某⼀职业相关的⼯作迁移⾄另⼀职业，从⽽改变⼯作的分配⽅式。 对于劳动⼒市场政策、劳动⼒发展以及企业组织⽽⾔，理解哪些新的⼈类与机器活动组合变得可⾏，以及谁有准备、被允许并获得报酬来执⾏这些活动⾄关重要。 背景 在劳动经济学中，基于任务的分析框架将关注点从作为不可分割单位的职业，转向⼯⼈和机器所执⾏的活动。Autor、Levy和Murnane（2003）使⽤基于任务的框架——考察构成⽤⼾⼯作的具体任务——来理解不同职业如何受到计算机出现的影响。后来，Acemoglu和Restrepo（2019）强调，技术通过将现有任务重新分配给资本并创造劳动⼒具有⽐较优势的新任务，从⽽改变对不同⻆⾊⼯⼈的需求。这种⽅法明确了技术不必以相同⽅式影响⼯作的每个部分，并产⽣了⼀个可⽤于分析不同因素（如技术）如何通过改变任务来影响⼯作的框架。 因此，⼤多数将基于任务框架应⽤于⼈⼯智能的研究，都是从当前分配给某个职业的活动集开始，并探讨这些活动将如何随技术变化。然⽽，这假设了每个⼯⼈的任务集是固定的。Gans（2026）讨论了这⼀局限性。当⾃动化改变了执⾏特定活动的成本时，企业可能会将现有岗位拆分为更窄的⻆⾊，让⼯⼈得以专业化，甚⾄将活动重新组合成更⼴泛的⻆⾊，创造更多通才。关键点在于，⼈类⼯作的组合——因此也是劳动⼒市场所奖励的技能组合——会因⼈⼯智能⽽发⽣变化。 历史证据表明，职业边界不断演变。Atalay、Phongthiengtham、Sotelo和Tannenbaum（2020）发现，⼯作任务内容的⻓期变化有很⼤⼀部分发⽣在职位名称内部，⽽不仅仅是通过改变职业构成。Autor、Chin、Salomons和Seegmiller（2024）表明，技术变⾰也可能产⽣最终出现在职业分类中的新型⼯作形式。这些研究观察到的是，在任务和⼯作的变化被纳⼊招聘⼴告、职位名称或就业模式之后的情况。 对⽣成式AI使⽤情况的分析，为了解⼯作演变过程的早期阶段提供了⼀个窗⼝，因为在公司修订职位描述或创造全新职位头衔之前，员⼯可以开始测试和重新组合任务。最近的AI使⽤证据表明了这种转变：Yang等⼈（2026）发现，在Perplexity上的查询通常超出⽤⼾推断的主要职业范围，这表明AI⼯具可能扩⼤了⽤⼾尝试的⼯作范围。我们通过将⼯作相关消息与⾃我报告的职业相关联，更直接地衡量任务交叉，从⽽观察⽤⼾在何时会就传统上属于另⼀职业的任务寻求AI帮助，以及这些模式如何随⼯作场所规模⽽变化。 员工使用AI完成超出其传统职业范围的任务 员⼯经常使⽤AI完成超出其传统职业边界的⼯作。员⼯让AI完成诸如故障排除、撰写⼴告⽂案和解释技术规格等⼯作，即使这些活动并⾮其⾃⾝职业的核⼼内容。 通过将每条消息分类为“职业内”、“通⽤型”或“跨职业”，我们考察了任务交叉在⼋种⽤⼾职业中的差异。 在⼋个职业群体中，有五个群体的职业特定信息主要由跨职业任务构成：客⼾体验占77%，设计占75%，⼈⼒资源占69%，法律占56%，市场营销占53%。图3的分⺟是每个⼯⼈职业中的职业特定（⾮通⽤）信息：它排除了⼴泛共享的⼯作，并将剩余的职业内部和跨职业份额重新调整为100%。 来源：OpenAI 经济研究团队对美国⽤⼾个⼈ ChatGPT 账⼾中⼯作相关信息的随机样本分析，这些⽤⼾⾃报的职业信息与 ChatGPT 商业账⼾信息相关联，任务已映射⾄ O*NET DWA 描述。说明：每条信息被分配到与其传统任务最相似的职业。分⺟为每个⽤⼾职业内的特定职业（⾮通⽤）信息；职业内与跨职业份额重新调整为 100%。柱状图仅显⽰跨职业份额。 客⼾体验、设计和⼈⼒资源领域的跨职业份额最⾼。接下来，我们将探讨哪些任务会跨职业流动。 工作者从其他工作中借鉴特定任务 某些任务在众多不同职业⽤⼾的信息中反复出现。在我们的⼯作相关信息随机样本中，重复出现的任务包括制作营销材料、排查计算机应⽤故障、计算财务数据以及解释法规或政策。 财务计算和计算机故障排查是跨⽤⼾职业尤为常⻅的任务。在每⼀个⾮⾦融⽤⼾职业中，计算财务数据均位列三⼤最常⻅的⾦融相关任务之⼀。同样，在每⼀个⾮⼯程⽤⼾职业中，排查计算机应⽤和系统故障均位列三⼤最常⻅的⼯程相关任务之⼀。在⾮⾦融⽤⼾发送的所有⾦融相关信息中，9.8% 涉及计算财务数据。在⾮⼯程⽤⼾发送的⼯程相关信息中，6.1% 涉及排查计算机应⽤或系统故障。 在⾮营销岗位⽤⼾中，制作推⼴材料是最常⻅的营销相关任务，占营销类信息的25%。归⼊此类任务的AI⽣成摘要包括创建⼴告、社交媒体帖⼦、传单、宣传视频、演⽰⽂稿、产品说明书和营销活动图形等，体现了分配给该任务的⼯作范围。其次是创建营销材料，占营销类信息的9.3%，在设计岗位中占⽐最⾼。制定营销计划或策略则占另外的6.5%。 其余列指属于其他七个职业群体的⽤⼾。“群体”统计其余七个⽤⼾职业中，该任务在与之最接近职业相关的三项最常⻅详细⼯作活动中出现的次数。顶部群体是指列出的任务在其消息中占与最接近职业匹配消息最⼤⽐例的⽤⼾职业。 营销和工程任务跨越不同工作 图2和图3显⽰⾮通⽤活动是否落在⽤⼾的职业边界内或之外，由于职业边界重叠，⼀个活动可能落在多个职业边界内，图4将每个活动分配给⼀个其任务最相似的单职业，对于每个⽤⼾职业，对应的⾏报告了⾮通⽤消息中任务内容最匹配每个列职业的份额，营销和⼯程领域以外的⼯⼈最频繁地从事与这些职业相关的⼯作，营销任务占销售和设计⽤⼾⾮通⽤消息的约28%⾄29%，占客⼾体验⽤⼾的26%，⼯程任务占设计⽤⼾的28%，占客⼾体验和⾦融⽤⼾的约20%⾄22% ⽓泡区域显⽰与每个传统任务来源相关联的⼯⼈群体职业特定消息的份额，深⾊对⻆线⽓泡显⽰每个来源的⾃⾝职业基准，由于四舍五⼊，显⽰的⾏百分⽐可能不完全等于100% 营销和工程任务跨越许多职业 某些职业依赖于跨职业任务；另一些职业则包含向外输出的任务 图5展⽰了任务跨界的两个⽅向，揭⽰了哪些职业向其他职业输出更多任务，以及哪些职业接收更多任务。左侧⾯板以各职业⽤⼾在所有⼯作相关消息（包括通⽤消息）中的占⽐为分⺟；右侧⾯板则显⽰各职业的任务在来⾃其他职业⽤⼾的消息中出现的频率： •引⼊的任务：左侧⾯板显⽰各⼯作者群体的AI使⽤中有多少⽐例借鉴了其他职业 •外输的任务：右侧⾯板显⽰各职业⾃⾝的任务组合在其他职业中的出现⼴泛程度 来源：OpenAI经济研究团队基于美国⽤⼾个⼈ChatGPT账⼾中⼯作相关消息的随机样本分析，这些⽤⼾的⾃我报告职业信息关联⾃ChatGPT商业账⼾数据，任务映射⾄O*NET DWA描述。注释：左侧⾯板以各职业⽤⼾在所有⼯作相关消息（包括通⽤消息）中的占⽐为分⺟，统计分配给其他职业传统任务的份额。右侧⾯板显⽰各职业的任务在来⾃其他职业⽤⼾的消息中出现的频率。针对每个职业，我们计算其在其他七个职业⽤⼾消息中相关消息的占⽐，随后报告这七个占⽐的平均值。 这两种任务交叉并不总是同时发⽣。⼀个职业的⼯⼈可能经常使⽤AI执⾏通常与其他领域相关的任务，即使其他领域的⼯⼈很少承担该职业的任务。反之亦然。 设计呈现了第⼀种模式。设计师发送的信息中，⼤约35.2%涉及通常与其他职业相关的⼯作。但设计任务仅占其他领域⼯⼈发送信息的1.7%。换句话说，设计师⼤量借鉴其他领域的任务，⽽设计⼯作本⾝很少出现在设计领域之外。 ⼯程学更接近相反的模式。只有18.5%的⼯程信息涉及其他领域的任务，但⼯程任务占其他职业⼯⼈