《Work at the Frontier: How AI is Expanding What People Do at Work》全文精读 —— 80 万条真实工作消息 · 8 类岗位角色 · O*NET 任务图谱，看 AI 与人到底怎样一起工作
以下四条为报告第 2 页原文摘要的完整翻译，未做增删。
前四章严格忠实原报告数据；第五章是 Wayne 研究室基于原报告的解读与行动映射，与原文严格区分。
这份报告的价值不在于结论多惊人，而在于它第一次把「工作边界」变成了可测量的对象： 用美国劳工部 O*NET 任务库当基准线，把每一条真实的 AI 对话，归位到某一个具体职业的任务清单上。
分层分类（hierarchical classification），而不是让模型直接猜标签——这是这份研究可信度的关键。
来自美国 ChatGPT 个人账号；岗位信息来自这些用户关联的 ChatGPT Business 账号的「部门 + 角色」自报字段。未填部门与角色者剔除。
模型先把消息判到一个中间工作活动（IWA），再从该 IWA 或语义最近的 5 个 IWA 中，落到一个详细工作活动（DWA）。分类时可参考同会话前 9 条消息作上下文，但只对当前这一条打标。
把岗位组映射到详细 SOC 职业（按就业份额加权），再用 O*NET 的任务链接与任务评分找出对应 DWA。DWA 与边界内最近 DWA 的余弦相似度 ≥ 0.80 也算「在边界内」。
Generic（跨多数岗位通用）/ Within occupation（本岗位或语义邻近）/ Cross-occupation（属于其他职业，计为跨界）。
写作、总结、排会议——这些活儿广泛存在于所有岗位，把它们算作跨界会严重虚高。剔除后剩下的，才是真正带职业属性的使用。
这个数字真正值得关注的地方，不是员工「多做了一点工作」。
而是：组织中长期稳定的分工，开始松动了。
过去销售要分析一组客户数据，得把需求交给分析师；市场遇到网站故障或要写个小脚本，得排队等研发。现在销售可以先用 AI 完成基础分析，市场也能自己排查、生成代码，再把复杂的部分交给专业人员。
原报告用了整整一节列自身局限。引用这份数据做决策前，这一页必须先读。
客户体验、设计、工程、财务、人力资源、法务、市场、销售—— 八类岗位的跨界率从 28% 到 77%，差距接近三倍。谁在向外扩张，谁在原地深耕，这一章逐个拆。
分母为该岗位的「职业特定型（非通用）」消息，岗位内与跨岗位重新归一到 100%。柱子只显示跨岗位那一半。
69% 不等于「HR 的大部分工作已被 AI 替代」。它的准确含义是：剔除通用任务后，HR 用 AI 处理的职业型任务里，有 69% 传统上更接近财务、市场、法务、工程或客户体验。
内部传播材料、雇主品牌内容、招聘推广
生成简单工具与脚本、系统排错、流程自动化
人力成本测算、编制与预算数据分析
跨界率看边界松动程度，引入度看吸收外部任务的量，外溢度看本岗任务被别人拿走的广度——三者组合才能判断一个岗位的真实处境。
| 岗位 | 跨界率 Fig.3 | 引入度 Fig.5 左 | 外溢度 Fig.5 右 | 本行占比 Fig.4 对角 | 角色定位 |
|---|---|---|---|---|---|
| 客户体验 | 77% | 30.4% | 2.7% | 11% | 交叉口 · 全能承接 |
| 设计 | 75% | 35.2% | 1.7% | 12% | 能力整合者 |
| 人力资源 | 69% | 30.4% | 1.8% | 10% | 复合型连接器 |
| 法务 | 56% | 24.9% | 2.3% | 31% | 内核稳固 · 边缘扩张 |
| 市场 | 53% | 24.3% | 8.9% | 36% | 双向枢纽 |
| 销售 | 40% | 32.1% | 3.0% | 12% | 业务前端 · 高吸收 |
| 财务 | 40% | 29.9% | 4.5% | 23% | 专业内核 + 工具化 |
| 工程 | 28% | 18.5% | 7.4% | 53% | 能力输出者 |
AI 不是先把整个岗位拿走，而是先把岗位拆成一项项可以被调用、迁移、重新组合的任务。 这一章下沉到 O*NET 任务级，看清哪几件事跑得最远。
「覆盖组数」= 该任务在其余七个岗位中，进入「该类任务前三名」的岗位数量。7/7 意味着无一例外。
| 跨界任务（O*NET DWA） | 最接近职业 | 覆盖组数 | 占比最高的岗位 |
|---|---|---|---|
| 计算财务数据 | 财务 | 7 / 7 | 销售 · 14.3% |
| 排查计算机应用或系统问题 | 工程 | 7 / 7 | 客户体验 · 7.6% |
| 与顾客讨论商品或服务信息 | 客户体验 | 7 / 7 | 市场 · 70.8% |
| 创建营销物料 | 市场 | 5 / 7 | 设计 · 13.6% |
| 与政府机构沟通 | 法务 | 7 / 7 | 客户体验 · 21.4% |
行 = 用户所在岗位，列 = 任务的传统归属职业。黑框为对角线（本行任务）。颜色越深，占比越高。
| 用户岗位 ＼ 任务来源 | 客户 体验 | 设计 | 工程 | 财务 | 人力 资源 | 法务 | 市场 | 销售 |
|---|---|---|---|---|---|---|---|---|
| 客户体验 | 11% | 5% | 20% | 14% | 6% | 6% | 26% | 11% |
| 设计 | 6% | 12% | 28% | 10% | 4% | 4% | 28% | 8% |
| 工程 | 4% | 4% | 53% | 9% | 4% | 4% | 20% | 2% |
| 财务 | 6% | 4% | 22% | 23% | 4% | 8% | 25% | 7% |
| 人力资源 | 9% | 5% | 18% | 16% | 10% | 10% | 23% | 9% |
| 法务 | 5% | 4% | 17% | 12% | 7% | 31% | 18% | 6% |
| 市场 | 10% | 6% | 17% | 11% | 4% | 4% | 36% | 12% |
| 销售 | 11% | 5% | 18% | 15% | 4% | 6% | 29% | 12% |
这是整份报告中与内容 / 创意 / 设计行业关系最直接的一组数据。
非市场岗位的市场类消息中最常见的一项
第二常见；在设计师群体中占比最高（13.6%）
连策略层也开始被非市场岗位直接触碰
跨界有两个方向：把外面的活儿拿进来（引入），和自己的活儿被别人拿走（外溢）。 这两个方向不一定同时发生——分开看，才能看出三种截然不同的岗位命运。
左：该岗位的 AI 使用有多少来自别的职业（分母含通用消息）。右：该岗位的任务在其他七个岗位消息中的平均占比。
仅统计「典型用量用户」（消息量中间 50%）。分母为该席位区间内全部工作消息，含通用消息。
原报告的解释：大公司里遇到合同、数据、技术问题可以找法务、财务、IT；小团队没有这样的专业配置，员工更容易直接借 AI 完成过去要交给别人的任务。AI 在特别缺少专业资源的地方，作为通才工具尤其有用。
报告最后一张图，把通用任务重新算回「本岗位」那一格。
结果是：每个职业依然保留着清晰可辨的核心。工程师依然以工程任务为主，法务仍以法律任务为主，HR 也仍然保留人力资源的职业中心。
报告同时明确警告：这些结果应被理解为「分工正在变化」的证据，而不是对哪些职业将增加或减少就业岗位的直接估计。AI 可能让一项任务变得容易被外行尝试，但专家在专业级判断与复核上依然关键。
以下内容为 Wayne 研究室基于原报告的推论与行动建议，不属于 OpenAI 原文。 原报告本身是描述性的，明确不给管理处方；这一章的责任在解读者。
把报告的三组数据，映射成对创意 / 设计 / 内容平台业务的三个直接判断。
过去的组织逻辑是：一个人属于一个岗位，一个岗位拥有一组任务。
新的逻辑可能是：一个人仍然拥有自己的专业内核，但可以借助 AI 调用、组合并完成更多相邻领域的任务。