读 OpenAI 第二份《Work at the Frontier》：当跨岗位任务开始重复出现
七月我写过 OpenAI 第一份 《Work at the Frontier》读后感。那份报告最有价值的地方，是把“AI 会不会替代某个岗位”换成了一个更贴近现实的问题：人们实际上在用 AI 做哪些原本属于其他职业的任务？
第二份报告把这个问题往前推了一步。我读完后最在意的是一个更具体的问题：这些跨界任务会不会留下来。
偶尔让 ChatGPT 帮忙写一段营销文案、解释一个财务概念，可能只是试试看。可如果同一个人过一段时间又回来做同一类事，它就更接近真实的工作需求。只出现一次，还像工具探索；开始复用，就触碰到工作怎么分配。
这次多出来的，是时间维度
Section titled “这次多出来的，是时间维度”第二份报告观察的是跨职业任务会不会反复出现。
在连续观察的用户中，已经使用过的跨职业任务在 sampled non-generic messages 里的平均占比，由 13.1% 上升到 25.9%。这个数字很容易读错。它更不能读成“四分之一的工作越过了岗位边界”，或者这些人有四分之一的工时在做别人的活；分母只是研究抽样后、能够映射到职业任务的消息。
更有用的是后续复用比较。对于上一个月已经用 AI 做过某项跨职业任务的人，下一月再次观察到同一任务的比例是 23.6%；匹配的未使用组是 8.4%。
我觉得这里才是第二份报告和第一份报告最重要的区别。
第一份报告展示的是一个“横截面”：岗位说明书和实际 AI 使用之间已经出现缝隙。第二份报告开始观察这条缝隙会不会稳定存在。它没有证明岗位职责已经被正式改写，但至少能看到，一部分跨界任务会再次出现。
“借用专业能力”比“学习另一门专业”更接近这些数据
Section titled ““借用专业能力”比“学习另一门专业”更接近这些数据”报告还比较了同一个人做本职任务和跨职业任务时的提示词。
跨职业请求通常更短，更少要求解释、how-to、固定输出格式或建议；相对更常提供例子和背景，也更常要求检查或验证。OpenAI 把这种模式解释为 “borrow expertise”。
这个说法我觉得很准确。
从这组提示词特征看，用户更像是在带着问题和业务上下文调用另一类专业能力，而不是系统学习另一门专业。过去这一步通常意味着找人、解释背景、等待对方处理，再把结果接回自己的工作。现在，中间这段协调链路被压短了。
我更在意的是这里的协调成本。AI 让一次跨职能求助不必每次都变成一次正式交接，这可能比单纯把某个任务做快一点更影响组织分工。
这也解释了为什么报告里“verification”会增加。越过熟悉边界之后，人并没有突然变成专家，他反而更需要确认答案是否站得住。不过这里也要谨慎：报告只能看到用户提出了验证请求，看不到验证本身是否可靠，更不知道最后有没有真正的专家复核。
跨界开始复用之后，企业要设计的是交接关系
Section titled “跨界开始复用之后，企业要设计的是交接关系”如果跨职业使用只是偶发的，企业完全可以把它当成个人使用 AI 的小技巧。
一旦某类任务反复出现，性质就不一样了。市场人员持续自己做原先要找数据团队完成的分析，HR 持续借助 AI 排查技术问题，组织架构图也许一点没变，但实际工作流已经和图上的分工不完全一致。
这时继续只看“有多少人开通了 AI”“员工会不会写 Prompt”，信息量就很低。
我更愿意看的是：哪些跨岗位任务正在重复出现，它们的结果流向哪里，最后是谁在承担验证责任。
有些低风险、容易检查的任务，可以逐渐变成明确的 self-service。员工直接完成，系统提供必要的检查，专家不必参与每一次执行。另一些任务即使 AI 能承担大部分执行，也仍然需要清楚的升级路径，因为最终判断的成本远高于执行成本。
这里也不需要给流程重新加一层审批。AI 本来就在减少不必要的交接。企业要做的是把“隐形跨界”变得可观察：哪些交接可以省掉，哪些验证必须保留。
哪些能力容易留下，本身就是一张治理地图
Section titled “哪些能力容易留下，本身就是一张治理地图”报告里另一个很有意思的地方，是不同跨职业任务的复用差异非常大。
客户沟通、广告和促销写作、营销材料更容易再次出现。金融信息解释、业务信息呈现、法律研究则低得多。
报告没有解释为什么。我会把这里当成一个值得继续验证的假设，而不是结论。
一种可能是频率差异：营销和客户沟通本来就更常发生，因此更容易在短时间窗口里再次出现。另一种可能与验证成本和失败代价有关，文案通常可以快速目检，法律和金融任务则更依赖严谨复核。岗位和公司的需求结构本身也会影响结果。
这些原因目前都没有被数据区分。能够确定的是，任务之间的复用差异很大，因此“AI 让人人都变成通才”并不是一个足够好的概括。执行边界可能变宽，专业判断却没有因此变得同样便宜。
对企业来说，这反而提供了一种很实用的观察方式：不要先问“哪个部门可以被 AI 自动化”，先看哪些跨职能任务已经自然出现并且会重复，再决定哪些值得制度化，哪些只适合作为临时辅助。
复用不是效果，这份报告也没有证明生产力
Section titled “复用不是效果，这份报告也没有证明生产力”这份研究最重要的限制，报告自己写得很清楚。
它看到的是一组美国 ChatGPT 用户被抽样到的工作相关消息，并通过这些用户在 ChatGPT Business 中填报的信息映射职业和 workspace。它不是美国劳动力的代表性样本，也不是企业完整的工作日志。
研究同样看不到输出最后有没有被采用，不知道质量如何，不知道节省了多少时间，也不知道没有 AI 时同一件事会怎么做。
所以“同一个任务后来又出现了”不能直接翻译成“这个 AI 用法有效”。重复可能意味着它确实解决了问题，也可能意味着任务本身高频，甚至可能意味着用户一直在用一个并不理想的方法。
我不会把这份报告当成生产力证明。它更像一份行为层的早期地图：在正式岗位说明、流程制度和组织结构变化之前，员工已经开始用 AI 试探新的任务组合，其中一部分还在反复出现。
这张地图对企业 AI 落地已经足够有用。下一步不是急着给岗位改名字，而是去看那些已经发生的重复跨界：如果它只是个人 workaround，就让它保持轻量；如果它正在成为稳定工作方式，就应该把验证责任和专家介入点写清楚。
因此，岗位说明书更新之前，企业其实已经能从行为数据里看到工作分工在变化。对我来说，这就是第二份报告最有用的地方。