80万条消息，43.5%的任务已越过职业边界：先消失的不是岗位，是那句“交给同事”

一名销售遇到一张客户数据表。过去，他可能把表格发给分析师，解释问题，排进对方的任务队列，等一个图表回来，再追问口径。现在，他先把数据交给 AI，让它写公式、画图、寻找异常。

一名设计师需要判断一个活动是否超预算，不再先找财务；一名市场人员发现网站报错，不再先开工单给工程师；一名小企业主同时起草宣传文案、检查合同条款、算现金流。

在组织里，这些变化常常没有发布会。职位名称没有改，部门墙还在，工资条也照旧。只是每天有一些原本会说出口的“这件事交给同事”，悄悄消失了。

2026 年 7 月 27 日，OpenAI Economic Research 发布《Work at the Frontier》。研究分析了美国用户超过 80 万条工作相关消息，试图测量一个比“AI 会不会取代某个职业”更早发生的问题：人们正在用 AI 做哪些原本不属于自己职业边界的任务？

报告给出的醒目数字是 43.5%。在那些能明确归到某类职业、又不属于写邮件和安排会议等通用工作的消息里，43.5% 的任务历史上与用户自己的职业不同。

这个数字很容易被改写成一条乐观新闻：AI 正把每个人变成通才。也很容易被改写成一条悲观新闻：专业岗位要被掏空。

但它真正证明的事情，比这两句话都窄，也比这两句话都重要：任务已经开始移动，而我们还不知道能力、权力、责任和报酬是否跟着移动。

一条消息越界，不等于一项工作完成

研究先把用户分到客户体验、设计、工程、财务、人力资源、法律、营销和销售八类职业。这些职业信息来自用户在 ChatGPT Business 账户里自报的部门或角色；被分析的工作消息，则来自同一批用户的个人 ChatGPT 账户。

随后，分类模型读取每条被抽中的消息，并可参考同一对话最多九条前文，把主要任务映射到美国劳工部 O-NET 的“详细工作活动”。O-NET 可以理解为一张职业—任务地图：会计常做什么，软件工程师常做什么，市场人员常做什么。研究再比较消息里的任务与发送者自报职业，分成三类。

61.5% 是通用任务，例如写作、总结、排期；21.8% 落在本职业边界内；16.8% 属于跨职业任务。把通用任务拿掉，剩下的任务中，跨界比例就变成了 43.5%。

分母的变化很关键。“近一半”不是全部工作消息的近一半，而是“非通用、可归类任务”的近一半。若忽略这一点，43.5% 会比实际现象膨胀很多。

更关键的是，研究单位是一条用户消息。它不是一小时工作，不是一个交付项目，也不是一次被客户接受的结果。报告不知道 AI 的回答后来有没有被使用，不知道质量如何，不知道节省了多少时间，也不知道用户本来能否独立完成，或是否请专家复核。

销售人员让 AI 解释一份回归结果，说明他尝试越过分析师的任务边界；它不说明回归模型正确。市场人员让 AI 修一个网页，说明工程任务“旅行”到了市场部门；它不说明网页上线后没有引入新错误。

因此，这份报告测到的不是生产率，也不是就业替代。它测到的是尝试，是任务在正式组织图改变之前发生的预迁移。

这恰恰很有价值。传统劳动统计常在职位名称、招聘广告或就业数量变化以后，才看见技术的影响。消息数据像一只更敏感的地震仪：公司还没有重新画组织架构，员工已经在试验新的任务组合。

设计师借进35.2%，工程师输出7.4%

任务并不是平均地跨过所有边界。

设计人员是最鲜明的“借入者”。报告称，设计师工作相关消息中约 35.2% 涉及其他职业通常承担的任务；但在其他七类职业的消息里，设计任务平均只占 1.7%。设计师借助 AI 接过财务、工程和营销的一部分工作，别的职业却很少反向接走设计任务。

工程更像“输出者”。工程师自己的消息中，跨界任务约占 18.5%；而其他职业消息中，工程类任务平均占 7.4%。软件排障、技术系统操作和简单脚本，正在离开工程部门，成为许多岗位都尝试承担的工作。

营销两头都强。营销人员会借别人的任务，营销任务也会跑进其他职位。非营销用户请 AI 制作广告、社交帖子、传单、演示和产品资料；非工程用户请它排查电脑应用；非财务用户请它计算财务数据。技术排障和财务计算，甚至在其余七类职业中都进入了最常见的三种“外来任务”。

这张流动地图比“哪些职业最容易被替代”更接近组织现实。一个职业很少突然整体消失，它更常被拆开：一部分标准化动作被工具接走，一部分任务扩散给邻近岗位，剩下的专业判断、异常处置和最终责任反而更集中。

摄影出现以后，绘画没有作为一种职业整体消失；电子表格出现以后，财务也没有消失。但谁负责算、谁能看见数据、谁需要记住公式，都改变了。技术先重组任务，再慢慢重组职位。

AI 的特殊之处，是它不像一台只替代单一动作的机器。它以语言为入口，可以在合同、代码、报表、文案之间移动。对员工来说，门槛低到只剩一个输入框；对组织来说，边界却可能在没有批准、没有培训、没有流程更新的情况下被穿过。

小团队多了通才，少了一次质量控制

报告还看到一个耐人寻味的差异。在消息量处于中间 50% 的典型用户中，2—5 个席位工作区的跨职业消息占 18.9%，101 个席位以上工作区为 16.3%。差距只有约 2.5 个百分点，而且在高消息量用户中不再呈单调关系。

这里不能把“席位数”直接写成企业规模。一家公司可能只给部分员工购买账户。行业、岗位构成、组织成熟度和使用习惯也都可能同时影响结果。研究是描述性比较，不是“公司越小，AI 越有用”的因果实验。

但它提出了一个合理问题：当组织没有那么多专门职能时，AI 是否在填补交接对象的缺席？

大公司可以把合同发给法务，把数据发给分析团队，把系统问题发给 IT。小企业的一名员工本来就常身兼数职，AI 让他能够多走一步。少一次排队、少一次来回解释，的确可能让小团队更快。

可交接从来不只是摩擦。它也是质量控制。

把合同交给法务，不只是因为法务打字更快，而是因为对方知道哪些条款不能只按字面理解，知道公司承担何种风险，并拥有批准或拒绝的授权。把分析交给数据团队，不只是为了画图，而是为了确认样本、口径和因果边界。把网站交给工程师，不只是为了修好眼前错误，还要考虑安全、兼容和维护。

AI 把“完成一个初稿”的成本降下来以后，最危险的错觉是把初稿与完成混为一谈。一个非专业者现在更容易走进专业任务，却未必知道自己不知道什么。过去那次麻烦的交接，有时正是让隐性知识进入流程的时刻。

因此，小团队真正需要的不是“人人都能做一切”，而是一套新的升级规则：哪些任务可以由员工和 AI 独立完成；哪些结果必须由专业人员抽查；哪些高后果决定必须签字；错误被发现后，谁负责修正；工具给出的依据怎样留档。

如果这些规则没有跟上，所谓“通才化”可能只是把专业风险分散给最靠近问题、也最缺乏保护的人。

职责扩张了，职级和工资跟上了吗

劳动分工经常被讲成效率故事：让最擅长的人做最擅长的事，组织因此更快。但在现实里，分工也是一套权力安排。

职位说明决定一个人应当做什么；权限系统决定他可以看什么、修改什么；职业资格决定他能签什么；薪酬体系决定哪些能力被承认为更高价值。任务边界后面站着责任边界和报酬边界。

若 AI 让一名客服开始做销售分析，让一名设计师开始做预算，让一名人力资源员工开始解释法规，企业可能得到更多产出。但员工也可能在原有职位上承担更广的责任、更高的错误成本和更密集的工作，而职级、培训与薪酬没有变化。

“AI 赋能”与“工作扩张”有时只差一张利益分配表。

这也是厂商数据必须被谨慎阅读的原因。报告标题强调 AI 正在“扩展人们所做的工作”，这个表述天然偏向机会。它确实提供了罕见的大规模使用窗口，也完整写出了许多限制；但数据来自 OpenAI 产品，职业分类与任务分类也由其方法完成。它还没有独立平台复现，更没有工资、晋升、压力、返工和裁员数据。

43.5% 可以说明任务跨界，却不能说明谁从跨界中受益。

对企业家而言，最实际的问题不是要不要鼓励员工跨界，而是跨界后怎样定价与治理。如果员工持续承担原本外包或由另一团队完成的任务，绩效指标是否只增加数量，还是也承认新增能力？节省的岗位协作成本如何分享？当一个人借助 AI 做出超出原岗位的高价值成果，他是否获得更大的决定权？如果结果错误，公司能否承认流程设计也负有责任，而不是把过错全部推给“用户没有仔细检查”？

这些问题不属于模型能力，却决定 AI 最终成为能力的放大器，还是责任的转移器。

O*NET 量的是昨天的边界，不是今天的岗位

报告还有一个更深的测量难题：我们用什么来判断一项任务“属于”哪个职业？

研究以 O-NET 作为历史基线，这是一个合理且透明的选择。但职业边界本来就在变化。同一家公司里，“营销”可能早已包含数据分析，“设计”可能一直承担活动预算，“销售”可能本来就要配置软件。若正式分类落后于现实，一部分所谓跨界，只是统计地图终于遇见已经改变的地形。

研究设置了 0.80 的语义相似阈值，还把写作、总结、安排会议等广泛共享活动归为通用任务，并对少量类别做人工调整。这些决定让分析成为可能，也意味着数字不是自然界直接读出的温度，而是经过分类规则塑造的指标。

但这并不削弱报告最重要的提醒，反而使它更清楚：AI 不只影响固定任务清单上的自动化比例，它可能让清单本身失效。

政府如果只观察职位数量，可能错过同一职位内部的责任扩张；学校如果仍按旧岗位教授封闭技能，可能错过验证、协作和升级判断；公司如果只按旧职责考核，可能把新能力当作免费的额外劳动。

未来更有用的劳动统计，可能需要同时记录职位、任务、工具、复核者和结果。不是只问“你是什么职业”，还要问“这项任务由谁发起、由谁借助什么工具完成、谁检查、谁承担后果”。

那句被搬走的话，原来是一道质检

回到那名面对客户数据的销售。

AI 让他不用等待分析师，自己先做出图表。这可能是一件好事：问题离他最近，他最懂客户语境，快速探索能带来更好的提问。等真正找到异常，他再与分析师讨论，协作甚至会更有效。

也可能是另一种结果：图表口径错误，却因为长得完整而直接进入汇报；分析师从流程中消失，没人知道应该检查；销售承担了额外工作，仍按原指标考核；公司把一次侥幸正确当成取消专业岗位的理由。

两种未来都与“跨职业消息”相容。数据只告诉我们，门已经被推开。

所以，企业现在最该建立的不是一张更长的“AI 可做任务清单”，而是三张边界表：能力边界——做到什么程度算合格；权限边界——谁可以据此采取何种行动；责任边界——谁复核、谁签字、谁在失败后修正系统。

技术降低了交接成本，不代表交接本身没有价值。有些“交给同事”，保护的不是部门领地，而是一次让第二双专业眼睛进入决定的机会。

当这句话消失，我们得到速度。至于是否得到更好的工作，要看组织愿不愿意把同样的速度，用来重新分配学习、权力、报酬与责任。

参考资料清单

• 《Work at the Frontier》完整报告，OpenAI Economic Research — https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf
• 公开摘要页，OpenAI — https://openai.com/index/how-ai-is-expanding-what-people-do-at-work/
• O*NET，美国劳工部 — https://www.onetcenter.org/
• 《OECD 专题报告》，OECD — https://www.oecd.org/en/publications/generative-ai-and-the-sme-workforce_2d08b99d-en.html