OpenAI 对美国专业人士发送的 800,000 条 ChatGPT 消息进行的分析显示，近六分之一的工作相关提示词现在要求模型处理传统上属于不同职业的任务。如果剔除常规的写作和摘要任务，这一比例将跃升至 43.5%。这种转变正在重塑员工的日常工作方式，而对于规模最小的公司来说，影响最为显著，因为在这些公司中，任何一项额外的技能都能缩短数周等待专家的周期。

为什么这些数据很重要

研究发现，跨部门请求集中在某些职能部门中。市场营销和工程部门位居前列，其中市场营销相关的查询出现在其他角色消息的 8.9% 中——这是数据集中最高的比例。销售人员可能会要求 ChatGPT 计算客户终身价值（CLV）数据，而这通常是由数据分析师处理的；同时，营销人员在寻求工程师帮助之前，就可以自行修复死链或调整页面 SEO。

对于小企业主来说，这种影响更为剧烈。老板们现在会起草法律审查笔记、进行快速财务预测，并执行以往需要律师或 CFO 才能完成的即时分析。在两到五人的团队中，18.9% 的 AI 生成任务超出了员工的核心职责，而在拥有百人以上员工的企业中，这一比例为 16.3%。逻辑很简单：大公司可以将请求转交给专门的同事；而小型机构必须自己解决问题。

优势：速度更快，交接更精准

当员工生成初步分析或粗略的法律简报时，向专家的交接会变得更快、更聚焦。专家会收到更清晰的问题陈述、准备更充分的数据，以及更少的“请解释你需要什么”之类的邮件。这缩短了等待时间，减少了内部摩擦，并提高了请求的质量。

潜在风险

该研究并未声称 AI 会让专家变得多余。它将这项技术定位为一种“前线响应者”，将问题带回其源头进行处理。

企业如何适应

  • 梳理决策点 —— 找出请求通常停滞的地方，并测试 AI 是否能生成可用的初稿。
  • 明确权限界限 —— 规定哪些输出结果需要经过合格专业人士的审批。
  • 针对新技能集进行培训 —— 提供关于提示词工程（prompting）、解读 AI 建议以及识别潜在错误的微学习课程。
  • 衡量影响 —— 追踪在交接环节节省的时间，并对比错误率或返工率是否有所上升。

小型与大型组织：分化的路径

下一个前沿

OpenAI 的数据捕捉到了一种正在快速演变的实践。随着模型变得更加可靠且具备特定领域知识，跨部门任务的占比可能会进一步攀升。如果企业仅将 AI 视为一种生产力工具，而非工作流重新设计的催化剂，则面临落后的风险。那些现在就开始重新设计流程——决定哪些决策由人类保留，哪些可以由 AI 增强——的企业，将获得更快的循环周期和更敏捷的团队。

核心观点： AI 正在将初步响应转移到问题的源头，尤其是在小型企业中，每一项额外的能力都能减少延迟。真正的优势并不在于重新定义职位名称，而在于重新思考分工，以及在何处可以安全地引入机器。