适合人群：正在评估 AI 对团队分工、岗位能力和个人职业发展的管理者与知识工作者。核心结论是：AI 带来的早期变化，未必先表现为“某个岗位消失”，更可能表现为原本需要跨部门交接的任务，被离问题最近的人直接完成。
2026 年 7 月 27 日，OpenAI 发布《How AI is expanding what people do at work》，分析超过 80 万条美国 ChatGPT 用户的工作相关消息。报告提出“任务跨界”（task crossover）：用户借助 AI，开始处理传统上属于其他职业的任务。这个观察值得重视，但也需要谨慎解读——它反映的是平台上的使用行为，不等同于就业人数、工资或生产率已经发生同等幅度的变化。
研究发现了什么
OpenAI 报告称，全部工作相关消息中有 16.8% 涉及其他职业的任务；剔除写作、总结、排期等跨岗位通用活动后，在能够明确对应职业的消息里，43.5% 落在用户本职之外。
不同岗位的跨界程度并不相同。客户体验、设计、人力资源、法律和市场人员的“岗位外任务”占比较高。跨出去最远的任务则主要来自市场与工程领域，例如制作营销材料、分析数据、排查软件问题和操作技术系统。换句话说，AI 不只是让原来的工作更快，也在降低一些专业任务的启动门槛。
报告还发现，小企业的平均用户更常处理岗位外任务：在 2—5 席位的工作区中占 18.9%，在超过 100 席位的工作区中为 16.3%。一种合理解释是，小团队缺少随时可调用的专业部门，所以员工更可能用 AI 补齐临时能力。不过，这是研究者提出的解释，不是已经证明的因果关系。
为什么“任务变化”比“岗位消失”更值得先看
岗位是许多任务的组合。AI 可能替代其中一部分，也可能让人承担过去做不了的任务，同时留下审批、谈判、现场操作、责任判断等环节。因此，只讨论“哪些职业会被替代”，容易忽略真实组织中的重新组合。
这与其他研究的方向一致。Anthropic 2026 年 3 月的劳动市场研究同样结合 O*NET 职业任务与匿名化使用数据，区分“理论上可由模型加速”与“现实中已经出现的使用”。其结果显示，现实覆盖仍明显低于理论能力，并指出法律约束、专用软件、人类复核和模型限制都会阻碍落地。
国际劳工组织 2025 年更新的全球职业暴露指数也强调，应把“暴露于生成式 AI”理解为任务可能发生转型，而不是把它直接等同于整个岗位被自动化。三份研究的方法和数据平台不同，却共同指向一个更稳妥的判断：短期内更可观察的单位是任务、流程与交接点，而不是职位名称。
对团队管理的三个实际影响
第一，重新检查交接成本。过去一个简单的数据分析可能要从销售转给分析师，再等待排期。现在销售可以先让 AI 生成查询思路、清洗方案或图表草稿，再把高风险结论交给专业人员复核。减少的是低价值等待，不是取消责任边界。
第二，能力模型要从“会不会做”转向“能否验证”。当市场人员能生成网页代码、运营人员能写数据查询时，真正稀缺的能力变成定义目标、识别错误、判断风险和知道何时升级给专家。未经验证的跨界产出，反而可能把问题更快地带进生产环境。
第三，权限不能跟着能力无限扩张。AI 可以告诉员工如何操作财务、法律或生产系统，并不意味着员工应自动获得相应权限。涉及资金、个人数据、合同、医疗、安全和生产发布的操作，仍应保留审批、审计与最小权限控制。
个人可以怎样行动
可以从一张“任务地图”开始，而不是盲目学习更多提示词：
- 连续一周记录自己反复等待他人协助的任务，例如基础分析、格式转换、资料检索或简单排错。
- 选择低风险、可验证的一项，先让 AI 产出草稿、检查表或实验方案，不直接执行不可逆操作。
- 为结果设置验收标准：数据来源是否完整、计算能否复现、代码是否通过测试、结论是否有反例。
- 明确升级条件：涉及合规、资金、账号权限、健康建议或无法解释的异常时，交回专业人员。
- 每月复盘一次，区分真正减少的交接与只是转移给自己的隐性工作。
需要警惕的误读
这项研究的样本来自美国 ChatGPT 用户，不能代表所有国家、行业或未使用 ChatGPT 的劳动者；职业归类来自消息内容与用户职业的映射，也可能存在分类误差。它展示的是“人们拿 AI 做什么”，而不是这些任务是否最终成功、是否提高组织利润，更不能单独证明 AI 导致了招聘或裁员变化。
更合适的用法，是把 43.5% 当作一个早期信号：组织里的任务边界正在变得更有弹性。未来更有竞争力的人，不一定是把本职做得最封闭的人，而是能在安全边界内借用相邻专业能力、同时保持验证和责任意识的人。
事件日期：2026 年 7 月 27 日 文章更新时间：2026 年 7 月 28 日