2026人工智能如何拓展人类工作边界研究报告--前沿工作_16页_1mb

前沿工作：人工智能如何拓展人们的工作内容

核心内容

本研究探讨了人工智能（AI）如何影响工作内容的分布，特别是在不同职业群体中，AI被用来执行原本不属于其职业边界的任务。通过分析来自美国用户的ChatGPT个人账户中超过80万条与工作相关的消息，研究揭示了AI在改变工作分工和任务范围方面的作用。

主要观点

• AI改变工作方式：AI不仅改变了工作的完成方式，还可能改变谁来完成这些工作。
• 任务交叉现象：许多用户在使用AI时，寻求帮助完成历史上与其他职业相关联的任务，这表明AI正在拓宽职业边界。
• 职业边界扩展：在八个职业群体中，有五个群体的跨职业任务占比超过50%，显示出AI在这些职业中扮演了重要的辅助角色。
• 小型组织更依赖AI：在较小的工作空间中，典型用户更倾向于执行跨职业任务，这可能是因为资源有限，AI成为扩展任务范围的工具。
• AI与工作职责变化：AI的使用模式表明，工作职责可能正在变化，但并不意味着职业本身消失，而是分工方式的转变。

关键信息

任务分类

• 通用任务：占61.5%，包括撰写电子邮件、安排会议等广泛存在于各职业中的任务。
• 职业内任务：占21.8%，涉及用户自身职业的传统任务。
• 跨职业任务：占16.8%，涉及历史上与其他职业相关的任务。

跨职业任务的分布

• 在非通用消息中，跨职业任务占43.5%。
• 营销和工程任务是跨职业流动的主要驱动力。
• 财务计算和计算机故障排查是最常见的跨职业任务。

职业间的任务流动

• 设计职业：最依赖跨职业任务，但其任务很少被其他职业使用。
• 工程职业：其任务被广泛采用，但跨职业任务比例较低。
• 市场营销职业：在两个方向上都表现出显著的跨职业任务流动。

工作空间规模的影响

• 在典型用户（消息量处于中间50%）中，小型工作空间的跨职业任务比例更高（18.9%）。
• 大型企业中的跨职业任务比例较低（16.3%）。
• 重度用户（消息量排名前四分之一）的使用模式较为稳定，可能更多涉及重复性工作。

图表分析

图1：任务交叉的识别

• 跨职业任务占16.8%。
• 职业内任务占21.8%。
• 通用任务占61.5%。

图2：跨职业任务占比

• 在职业特定消息中，跨职业任务占28%至77%。
• 营销和工程任务在其他职业中最为常见。

图3：跨职业任务在职业中的分布

• 客户体验、设计和人力资源领域的跨职业任务占比最高。
• 营销任务在销售和设计用户中占比高，工程任务在设计和客户体验用户中较为常见。

图4：任务跨职业流动

• 营销和工程任务跨职业流动最为广泛。
• 设计任务主要由设计师使用，而工程任务被其他职业广泛采用。

图5：任务交叉的两个方向

• 引入的任务：左侧面板显示各职业用户在所有工作相关消息中引用其他职业任务的比例。
• 外输的任务：右侧面板显示各职业任务在其他职业用户消息中出现的频率。

图6：工作空间规模对跨职业任务的影响

• 典型用户中，小型工作空间的跨职业任务比例更高。
• 大型企业中的跨职业任务比例较低，可能因为内部支持系统更为完善。

方法论与局限性

• 样本与分析单位：研究基于超过80万条工作相关消息的随机样本，分析单位为每条消息。
• 分类方法：使用O*NET数据库将任务映射到详细工作活动（DWA），并根据相似度将任务归类为通用、职业内或跨职业。
• 局限性：
  • 样本仅来自ChatGPT Business用户，不能代表整个美国劳动力。
  • 分析单位为消息，无法评估任务完成的质量或时间节省。
  • 无法确定在没有AI的情况下，用户是否会完成这些任务。

结论

• AI正在改变工作内容的分配方式，使得任务边界更加模糊。
• 工作职责的扩展可能需要新的培训和组织流程。
• 现有职位描述可能无法准确反映AI带来的新工作模式，因此需要新的测量方式。

技术附录

• 样本与分析单位：消息为分析单位，基于用户自报职业信息进行分类。
• 层次分类：首先将消息分类为中间工作活动（IWA），再映射到详细工作活动（DWA）。
• 任务来源分配：若任务与职业边界余弦相似度≥0.80，则视为边界内任务。
• 图表衡量内容：各图表均基于消息量加权，并排除通用任务或非相关职业任务。