生成式AI对就业的影响，未必先表现为某个职业突然消失。OpenAI在9月16日公布一项经济研究，分析2026年4月至7月超过150万条与工作相关的ChatGPT消息，观察员工如何借助AI处理原本属于其他职业的任务。研究发现，一部分跨职业活动会从偶尔尝试变成重复工作，岗位内容可能先扩大，职位名称却暂时不变。

研究从ChatGPT Business用户在入职设置中提供的岗位或部门信息推断职业，并对消息进行汇总和匿名分类。OpenAI称，研究人员没有阅读单条用户消息，禁用训练的数据和无法有效分类的消息被排除。这提供了大规模行为样本，也带来限制：样本来自使用ChatGPT Business的人群，不能代表所有劳动者，岗位自报与消息分类也可能存在误差。

所谓“跨职业任务”，是员工使用AI完成传统上与另一个职业相关的活动。例如，一名运营人员写营销材料，或技术人员准备面向客户的说明。研究不是在计算AI替代了多少工作，而是在看员工是否反复回到这些新任务。这个视角把讨论从职位总量转向任务组合。

从13.1%到25.9%，增长反映重复使用，却不是全体员工比例

研究持续观察约6200名员工。在他们与具体职业相关的AI活动中，之前使用过的跨职业任务占比从4月的13.1%升到7月的25.9%。这表明部分新活动逐渐进入日常工作流。但这个数字是“被观察到的AI活动占比”，不是25.9%的岗位已经跨界，也不是员工四分之一时间都交给AI。

另一项一月后跟踪显示，员工在上月使用过某项跨职业任务后，下月再次使用的概率为23.6%；可比员工此前没有使用过该任务时，下月使用率为8.4%。两组差异与路径依赖一致：第一次尝试成功后，人们更可能继续使用。不过观察性数据不能证明AI单独造成变化，团队安排、项目周期和管理要求也会影响复用。

不同任务的黏性差异很大。与客户讨论商品或服务的跨职业任务，下月回访率为54%；广告或推广文案为44%；制作营销材料为37%。解释财务信息只有约15%。所有跨职业任务的平均下月回访率为18.5%。高风险、需要专业责任或强监管的任务，复用率可能更低，但研究没有证明这是唯一原因。

提示方式也发生变化。员工处理超出本职范围的任务时，平均提示更短，更少要求解释、操作指导、指定格式或建议；同时更常提供例子和背景，也更常要求AI检查或验证。OpenAI把一种可能解释概括为“借用专业知识”：员工带着具体问题和材料来，而不是系统学习一个新职业。

这种模式既可能提高效率，也可能隐藏能力缺口。用户能提供背景，不代表他有足够专业知识判断答案。营销人员用AI解释财务数据、工程师起草法律条款，都可能得到流畅但不可靠的结果。组织若鼓励任务跨界，需要同时规定哪些输出必须由相应领域专家审核。

岗位扩大不等于晋升，企业还要重新定义责任、培训与回报

当员工持续承担新任务，岗位说明可能落后于现实。一名员工借助AI处理更多营销、分析或客户沟通，并不自动获得新的决策权、培训或薪酬。如果企业只把AI当作提高产出的工具，工作边界扩大可能变成隐性加压。真正的工作设计要明确新增责任、质量标准和升级通道。

管理者也不能仅凭使用量判断成功。高频使用可能代表工具有价值，也可能代表流程反复返工。更好的指标包括任务完成时间、错误率、人工复核成本、客户结果和员工负担。尤其在跨职业场景中，问题不只是模型能否回答，而是谁对最终结果负责。

研究期只有四个月，无法判断这些新任务是否长期保留。项目季节性、产品新鲜感和组织推广都可能推高短期复用。约6200人的持续样本也小于150万消息覆盖的总体。后续需要更长时间、更多行业以及与非用户群体比较，才能判断岗位结构是否真的改变。

隐私方法也值得注意。OpenAI称信息被聚合和匿名化，研究人员不读单条消息，这降低了直接暴露风险。但职业分类和任务分类仍依赖用户与系统数据，外部读者无法从公告中复现全部过程。研究结论应被视为平台内部样本的早期证据，而不是全社会劳动力普查。

对员工来说，AI最现实的影响可能不是“明天被替代”，而是“今天多做了一类事”。这可以增加自主性和学习机会，也可能模糊专业边界。个人需要知道何时可以借助AI独立完成，何时应该转给专业同事；企业则要确保跨界不会绕过审批和资格要求。

这项研究没有证明职位将普遍消失，也没有证明工作一定变得更好。它给出的较稳妥结论是，一些员工正在重复使用AI处理本职之外的任务，营销和客户沟通类活动尤其容易留下来。AI对劳动分工的改变，可能先发生在职位名称下面的任务清单里。能否把这种变化变成生产率与职业成长，而不是错误扩散和无偿加码，取决于组织如何重新设计工作。