OpenAI最近分析了80多万条美国ChatGPT用户的工作消息。在排除写作、总结、排期等通用工作后，43.5%的岗位相关消息，处理的已经是传统上属于其他职业的任务。这件事真正影响的，不只是岗位分工，还有AI产品的用户画像、功能组织、权限和指标。过去我们按角色设计软件，接下来可能要按任务交付产品。

最近，OpenAI发布了一份很有意思的研究。

研究团队分析了80多万条美国ChatGPT用户的工作消息，试图回答一个问题：人们用AI处理的，还是自己岗位里的工作吗？

结果是，在所有工作相关消息中，16.8%涉及其他职业的任务；排除写作、总结、排期这类多数岗位都会做的通用工作后，跨岗位任务占比达到43.5%。

换句话说，当一项工作具备明确的职业属性时，接近一半的AI使用都在“越界”。

客服人员开始做营销分析，设计师开始排查技术问题，HR开始处理财务计算，市场人员开始搭建轻量工具。过去这些事情通常要转交给另一个部门，现在，最先遇到问题的人开始借助AI直接往下做。

图1：不同岗位的跨岗位AI任务占比，制图：知序，数据来源：OpenAI

很多人看到这组数据，第一反应会是：岗位是不是要消失了？

我倒觉得，短期内更值得关注的不是岗位消失，而是岗位之间的“交接”正在减少。

AI压低的第一项成本，未必是执行成本，而是交接成本。

这会直接改写我们设计产品的方式。

一、以前的软件，默认每个人只做自己岗位里的事

传统B端产品很喜欢从角色出发。

CRM服务销售，工单系统服务客服，数据平台服务分析师，设计工具服务设计师，开发工具服务工程师。做用户研究时，我们先确定岗位，再梳理职责、流程、痛点和功能。

这套方法并没有错，因为过去组织依靠专业分工运转。

一个市场经理想看活动转化，通常不会自己写SQL。他会提需求，数据分析师确认口径、排期取数，再把报表交回来。一个产品经理想验证交互，也很少直接写前端。他会整理需求、画原型、找设计师完善，再等研发实现。

真正花时间的，往往不只是“做”这件事，还有把事情交给另一个人的过程：解释背景、补齐材料、确认优先级、等待排期、检查结果，再把偏差重新讲一遍。

我把这部分成本叫作“交接税”。

组织越大、专业分工越细，交接税通常越高。每个人都在自己的岗位里很专业，但一个结果需要经过多次转手才能落地。

AI带来的变化是，用户第一次有机会在不完整掌握另一门专业技能的情况下，完成相邻岗位的一部分工作。

市场人员不必先学成数据分析师，才能清洗一份客户数据；设计师不必先变成工程师，才能做出可运行的交互原型；客服人员也不必等待运营团队，才能把高频反馈整理成一套触达方案。

岗位还在，原本必须发生的交接却被跳过了。

二、AI正在改变的，是“谁先把问题往下做”

OpenAI把这种现象称为Task Crossover，也就是任务跨界。

这份研究里，跨界最明显的几类人很有代表性。排除通用任务后，客服体验岗位有77%的消息涉及其他职业任务，设计岗位为75%，HR为69%，法律为56%，市场为53%。

它们有一个共同点：这些岗位经常处在问题的第一现场，却未必拥有完成后续动作的全部工具。

客服最早知道用户在抱怨什么，但过去要等运营或产品团队归纳；设计师最早发现交互是否成立，但要等研发把原型变成可运行页面；HR最早遇到人员与组织问题，却经常要找财务、法务或数据团队补齐分析。

AI让“发现问题的人”多走了几步。

这几步看起来不长，对产品却很关键。因为用户打开AI产品时，真实需求不再由岗位名称决定，而由眼前要完成的任务决定。

同一个产品经理，上午可能在分析访谈，下午在处理埋点数据，晚上在搭建一个验证想法的小工具。此时只把他识别成“产品经理”，反而会漏掉大部分真实意图。

所以我更愿意把Task Crossover理解为一个产品信号：用户画像没有失效，但它正在从功能边界退回为上下文。

岗位仍然能帮助我们理解用户拥有什么知识、承担什么责任、习惯什么表达；但它不应该继续决定用户只能使用哪些能力。

三、产品设计单位，要从“角色”变成“任务”

如果岗位不再等于任务边界，产品最小单位也要跟着变化。

过去我们经常这样做产品：先选定“市场人员”，再给他配置内容生成、投放分析、竞品监控等功能。用户进入产品后，要自己判断该点哪个模块，再把多个功能拼成一条工作路径。

更适合AI的做法，是先识别用户正在推进什么任务。

例如，“为下周新品发布准备一份管理层汇报”，这不是一个单一岗位的功能。它可能同时需要：

• 读取用户访谈和销售反馈；
• 清洗投放与转化数据；
• 对比竞品最近的发布动作；
• 提炼核心判断；
• 生成演示稿并检查引用；
• 把待确认问题交给负责人。

这项任务跨过产品、市场、销售、数据和设计，但对用户来说，它就是一件要完成的工作。

因此，一项可被AI承接的任务，至少要有六个明确对象：目标、输入、约束、可调用能力、交付物和验收标准。

图2：从角色中心到任务中心的产品结构，制图：知序

这里最容易犯的错误，是把“任务中心”理解成换一个聊天框，让用户自己写更长的Prompt。

真正的任务产品应该替用户承接结构化工作：系统要知道目标有没有说清楚、资料是否齐全、哪些动作需要授权、结果以什么形式交付，以及什么条件下才算完成。

用户表达意图，产品负责把意图变成可执行、可追踪、可验收的任务。

四、从角色中心转向任务中心，至少要改五件事

1.新手引导：少问“你是什么岗位”，多问“你最近要完成什么”

很多AI产品的第一步仍然是选择职业：产品经理、设计师、运营、销售。选完后，系统给出一组对应模板。

这种做法便于冷启动，却容易把用户锁在旧分工里。

更有效的引导，应该继续追问任务：你这周最想交付什么？现在卡在哪一步？材料分散在哪些系统？最终谁来验收？

岗位决定表达方式和默认规则，任务决定产品此刻应该组织哪些能力。

2.功能组织：从岗位套餐变成可组合的能力模块

当用户跨岗位工作时，固定套餐很快会显得别扭。

一个设计师偶尔需要做技术排查，不代表他要购买完整研发套件；一个市场人员临时做财务测算，也不代表他要进入财务系统学习一套复杂流程。

更合理的结构，是把检索、分析、生成、编码、验证、发布等能力做成可组合模块，再根据任务动态加载。

产品不必假设“市场人员永远只用市场功能”，而要判断“完成这次市场任务，需要借用哪些能力”。

3.权限设计：从永久角色权限变成临时任务授权

能力跨界，不等于权限也可以无限跨界。

这是我认为最需要警惕的一点。

用户可以借助AI完成邻近岗位的任务，但他在组织里的责任范围并没有自动扩大。市场人员可以分析合同，却不应该直接替法务批准条款；产品经理可以生成数据查询，却未必应该长期读取所有经营数据。

因此，AI产品需要把权限绑定到任务，而不是一股脑绑定到账号。明确这次任务可以看什么、可以做什么、有效到什么时候；涉及资金、发布、客户数据和不可逆操作时，再让责任人确认。

AI可以减少等待，产品不能顺手抹掉责任边界。

4.交付设计：从“给出答案”变成“交出能继续使用的结果”

跨岗位任务最怕得到一份看起来专业、实际接不进后续流程的答案。

市场人员让AI做数据分析，需要的不是一段“转化率下降”的描述，而是可复算的数据、清晰的口径和能进入评审的结论；产品经理让AI搭原型，需要的不是几张效果图，而是可以点击、修改和验证的页面。

任务越跨界，交付物越要帮助下一位专业人员快速检查，而不是制造新的解释成本。

好的AI不是把交接彻底藏起来，而是让必要的交接更短、更清楚。

5.核心指标：别只看活跃，要看减少了多少无效转手

如果产品价值是减少交接，消息数和使用时长就不是最重要的指标。

一个用户只发出一条任务，AI帮他完成过去需要三个部门协作的工作，从对话数据看并不活跃，从业务结果看却可能非常有价值。

我会优先关注四类指标：任务完成率、交付物采用率、人工交接次数，以及从发现问题到拿到可用结果的时间。

还可以再看一个更直接的指标：过去必须转交给其他岗位的任务，有多少已经由最先遇到问题的人完成了第一版闭环。

这比“用户今天和AI聊了多少轮”更接近产品真正创造的价值。

五、任务跨界，不等于所有人都要变成全能员工

谈到这里，很容易滑向另一个极端：既然AI可以补齐能力，那是不是以后一个人什么都做？

我不认同这个结论。

AI降低的是尝试、执行和表达的门槛，并没有自动补齐责任、经验和行业判断。

一个市场人员可以让AI生成SQL、跑出图表，但仍需要知道指标口径是否合理；一个产品经理可以做出前端原型，但正式上线前依然需要工程团队检查性能、安全和维护成本；一个HR可以完成基础合同分析，却不能因此承担法律判断。

Task Crossover真正改变的，不是专业价值消失，而是专业人员介入的时机。

以前，很多事情必须从第一步就转交；以后，发起人可以先借助AI完成资料整理、初步分析和可验证原型，再让专业人员聚焦高风险判断与最终把关。

低价值的来回沟通会减少，高价值的审核与决策会更集中。

所以产品要同时设计两条路径：一条让用户尽量独立推进，另一条让任务在越过能力或责任边界时，顺畅地交给合适的人。

六、小团队会最先感受到这次变化

OpenAI的数据还显示，在一般活跃用户中，2至5人工作区的跨岗位任务占比为18.9%，100人以上工作区为16.3%。差距并不夸张，方向却很符合现实。

小团队没有那么多专业岗位，也没有条件为每件事等待专门资源。谁先遇到问题，谁就更可能借助AI直接解决。

这意味着，AI产品的早期机会未必都在“替代一套成熟部门系统”，也可能在帮助小团队补上原本缺失的职能。

对小团队来说，产品价值不是再提供一个更细的工具，而是让一次需求少经历几次外包、招聘和排期。

对大企业来说，重点则是另一件事：允许任务跨界，但让数据、权限、审批和责任仍然清楚。

同一个AI能力，进入不同组织规模后，产品重点会完全不同。前者强调能力可得，后者强调边界可控。

七、产品经理可以先检查四个问题

第一，用户为了完成核心目标，现在要把任务交给多少个角色？

第二，哪些交接只是因为工具和技能门槛，而不是因为责任必须分离？

第三，AI介入后，发起人可以独立推进到哪一步，专业人员应该从哪一步开始把关？

第四，产品提供的是更多功能，还是一条更短、可验收的结果路径？

这四个问题，能帮助团队区分“给旧软件加一个AI入口”和“真正重做任务结构”。

前者仍然按部门摆放功能，只是多了一个自然语言搜索框；后者会重新拆解目标、能力、权限、交付物和责任，把过去跨部门流转的工作压缩成更短的闭环。

八、写在最后

OpenAI这份研究最值得注意的，不是43.5%这个数字本身。

样本来自美国ChatGPT用户，消息分类也只能代表一段时间内的使用信号，它还不是所有行业和组织的最终答案。

但它让一个变化变得可见：人们已经开始借助AI承担岗位之外的任务，而且这种变化先发生在真实工作里，再慢慢进入岗位说明、组织流程和软件结构。

过去，产品经理常用角色定义功能边界。接下来，角色更像理解用户的起点，任务才是组织产品的核心。

AI没有先把岗位从组织架构图里删掉。

它先让一部分原本必须转交的工作，留在了最先发现问题的人手里。

当交接开始减少，产品需要回答的就不只是“给谁用”，还要多问一句：他现在想把哪件事直接做完？

作者：知序

参考资料

OpenAI：How AI is expanding what people do at work

OpenAI：Codex is becoming a productivity tool for everyone

Microsoft：2026 Work Trend Index