那个不对称比总量更有意思
把两个数字放在一起：工程类任务占了其他职业工人消息的 7.4%，设计类任务只占 1.7%。也就是说，AI 把工程能力外溢给了各行各业，却几乎没有把设计能力外溢出去。 这不是说设计更难。更可能的解释是**验收成本不同**：一段代码跑不跑得起来，当场就有答案；一个设计好不好，没有编译器能告诉你。AI 最容易外溢的技能，是那些有快速、客观、低成本反馈回路的技能——写脚本、查报错、写正则、改配置，做完立刻知道对不对。而设计、写作口味、谈判这些需要人来判断成败的技能，即便模型做得出来，使用者也没有能力判断该不该采用。 这条推论对读者有直接用处：**你能靠 AI 安全地跨到哪个领域，取决于那个领域的对错能不能被你自己当场验证。**能验证的，放心跨；不能验证的，跨过去的风险是你自己看不出错。 反方向的数字同样说明问题：设计师有 35.2% 的消息伸向别的职业，销售 32.1%，HR 与客户体验 30.4%。这几类外伸最多的职业，恰好都是日常里需要碰技术但手上没有技术的岗位。
18.5% 是个降温的数字
第二篇最该记的是那个回访率。跨职业任务的平均次月回访率是 18.5%——也就是说，大部分跨界尝试是一次性的，只有不到五分之一变成了习惯。 对「AI 让人人都能做所有工种」这种说法，这是个很朴素的反证。尝试的门槛确实降到了几乎为零，但**把一次尝试变成一项固定工作，还得过流程、规范和责任这三道关**。研究者自己给的解释也是这个方向：差异可能来自 AI 是否天然嵌进某个重复流程，也可能来自职场规范、谨慎程度，以及出错的代价。 第一篇里另一条结论值得一并记住：跨界并不取代本职工作，每个职业仍然保留可观比例的同职业活动。所以现在看到的不是职业边界消失，而是边界变得有弹性。
小组织受益最明显，这条最实用
第一篇发现这个模式在小组织里最强——没有随时能找的专家，于是自己用 AI 把活干了。 这条对选型和人员规划都有用。如果你在一个没有专职设计、法务或数据分析的小团队里，AI 补上的正是这块空缺，回报最直接；而在专家就坐在隔壁的大组织里，跨界的边际收益要小得多，因为原本的成本不是「没人会」，是「排队等他」。换句话说，**同一个工具在不同规模的组织里，替代的东西完全不同**：小公司替代的是缺失的能力，大公司替代的是协作的等待。 边界要写清：数据全部来自 ChatGPT 自身的消息，只覆盖它的用户和它能观察到的行为，职业归类由 OpenAI 的分类器判定，且第一篇限定在美国用户——这是厂商自有数据与口径，没有外部复现。另外这个系列建立在 OpenAI 4 月的 AI Jobs Transition Framework 之上，后者预测 24% 的美国岗位可能因日常任务变化而「重组」，那是预测而不是观测，两者不要混读。
via: OpenAI：How workers are unlocking new ways of working、OpenAI：How AI is expanding what people do at work、Work at the Frontier 报告 PDF