加入行业报告之家，每日更新行业报告

导读：调研显示，这份前沿工作研究，基于美国用户 ChatGPT 个人账户超过 80 万条工作相关消息随机样本完成分析。研究把用户消息和 O*NET 职业任务数据库做匹配，用来观察 AI 介入之后岗位任务发生的真实变化。

研究没有把重点放在岗位会不会消失上面，而是把观测点落在任务本身。调研显示，AI 不只是改变任务的完成速度，也会改变哪些人在接手这些任务，岗位原本的工作边界正在被重新触碰。

样本消息被划分成三类，分别是通用任务、本职业内任务以及跨职业任务。写邮件、安排会议这类大量岗位都会碰到的事情，被归类为通用任务。

调研显示，全部工作相关消息里面，16.8% 属于跨职业消息，也就是用户借助 AI 处理传统上归属于其他职业的工作。剔除通用任务之后，职业特定消息当中 43.5% 属于跨职业范畴。

调研显示，研究一共覆盖八类职业群体，客户体验、设计、工程、财务、人力资源、法律、市场营销和销售。不同群体使用 AI 做跨职业工作的程度存在明显分化。

客户体验岗位的职业特定消息里面，跨职业任务占比达到 77%。设计岗位紧随其后，占比 75%，人力资源岗位占比 69%，法律、市场营销同样拥有较高的跨职业消息占比。

工程岗位的跨职业占比处在低位，调研显示，工程岗位人员更多用 AI 完成自身职责范围内的内容，向外承接其他职业任务的现象相对更少。

任务交叉会出现两个不一样的方向。一部分岗位更多是向内吸纳别的职业任务，另一部分岗位的任务会向外流动，被其他岗位的人员借助 AI 接手完成。

调研显示，设计岗位属于向内吸纳的典型，设计师发送的消息当中 35.2% 涉及其他职业的任务。但设计类任务出现在其他岗位消息里面的平均占比仅有 1.7%。

工程岗位呈现相反状态，调研显示，工程人员本身跨职业任务占比只有 18.5%，但工程相关任务会频繁出现在其他各类岗位的 AI 请求当中，向外输出属性很强。

市场营销岗位双向特征都十分突出。调研显示，营销人员有 24.3% 消息处理其他职业任务，同时营销类任务也会大量流转到其他岗位，向外流动的占比在全部职业当中排在首位。

有不少高频任务会跳出原本所属岗位，调研显示，计算财务数据，排查计算机系统故障，制作营销推广材料，是跨职业场景里面反复出现的几类具体工作。

即便是非财务岗位的用户，也会频繁借助 AI 处理财务类计算工作。非工程岗位人员会大量发起系统故障排查相关请求，非营销岗位人员经常请求 AI 生成各类宣传物料。

工作空间规模，会对跨职业任务的发生频次带来影响。调研显示，这种差异主要集中在消息量处于中间 50% 的典型用户群体身上。

调研显示，2 至 5 个席位小型工作空间，典型用户跨职业消息占比 18.9%。随着工作空间席位不断扩张，该占比逐步回落，101 个席位以上工作空间数值下降至 16.3%。

调研显示，这种梯度变化在消息量最高的四分之一重度用户群体当中并不成立。重度用户已经形成稳定 AI 辅助工作流程，组织规模带来的差异被抹平。

调研给出一种客观观测，小型工作空间内部专业岗位人手有限，员工遇到原本需要其他专业同事处理的工作，会直接转向 AI 寻求协助。大型组织则更多依靠内部团队与既有流程完成工作流转。

调研显示，通用任务在全部消息当中占比 61.5%，职业内任务占比 21.8%。大量日常沟通协调类内容，依旧是员工调用 AI 时占比最高的部分。

跨职业并不等同于专业工作被完全替代。调研显示，员工可以借助 AI 启动别的领域任务，但专业性判断、最终审核环节依旧离不开对应领域从业者。这份研究只记录任务发生的现象，不直接测算岗位增减情况。

传统劳动力研究习惯把职业当成完整不可拆分单元看待。这份报告采用任务视角，把岗位拆解成一条条具体活动，观察技术如何重新分配这些活动。

调研显示，AI 带来的任务重组，会发生在职位描述更新、新岗位头衔诞生之前。员工会先自行借助 AI 去尝试新任务，之后企业制度才会慢慢跟进变化。

调研也记录了这项分析存在客观局限。分析单位是单条消息，无法确认 AI 产出内容后续有没有被实际落地使用，也不能统计到底节省多少工时，无法判断是否有专业人员开展复核。

现有官方统计体系大多基于既有职位描述搭建。调研显示，当任务在不同岗位之间流动之后，沿用旧的统计口径，会越来越难还原真实职场当中的工作组织状态。

来源:互联网