AI 还没替代岗位，先拆掉了岗位之间的墙：OpenAI 80 万条工作消息带来的启示
我们经常用“哪些岗位会被 AI 替代”来讨论 AI 对工作的影响。
但这个问题可能问得太晚了。
在一个岗位真正消失之前，更早发生的变化是：产品经理开始自己查询数据、生成原型和修改简单代码；设计师开始做用户研究、市场分析和技术排障；营销人员开始处理网站、数据与自动化流程。
岗位名称没有改变，组织架构也还在，但岗位内部的任务组合已经发生了变化。
2026 年 7 月 27 日，OpenAI 发布了《Work at the Frontier: How AI is expanding what people do at work》。这份报告分析了超过 80 万条美国 ChatGPT 用户的工作相关消息，试图回答一个比“AI 会不会替代岗位”更具体的问题：
当人们在工作中使用 AI 时，他们处理的还是传统上属于自己岗位的任务吗？
报告给出的答案是：相当一部分已经不是了。
本文不会把这份报告简单解读为“AI 即将替代大量岗位”。我更关心的是报告揭示的另一层变化：
AI 对组织最早的冲击，未必是替代一个完整岗位，而是降低岗位之间的交接成本，重新分配每个人可以独立完成的任务。
一、先看懂两个最容易被误读的数字
OpenAI 使用美国劳工部的 O*NET 职业任务体系作为历史基线，把工作消息对应的主要活动与用户职业进行比较。
报告中最值得注意的是两个比例：
| 指标 | 比例 | 正确含义 |
|---|---|---|
| 全部工作相关消息中的跨界任务 | 16.8% | 用户正在处理传统上与另一职业关联的任务 |
| 非通用、具有职业属性的消息中的跨界任务 | 43.5% | 排除写作、总结、安排日程等通用活动后，任务落在用户本职之外 |
这里必须注意两个不同的分母。
16.8%统计的是全部工作相关消息。43.5%则排除了写作、总结、日程安排等广泛存在于各种岗位中的通用任务，只考察职业属性相对明确的任务。
因此，下面这些说法都是错误的：
- 43.5% 的美国劳动者已经开始跨职业工作。
- 43.5% 的岗位即将被 AI 替代。
- 43.5% 的工作已经可以完全交给 AI。
这项研究的分析单位是“消息”，而不是人、岗位、工时、项目或者最终交付结果。
OpenAI 把观察到的现象称为Task Crossover，可以翻译为“任务跨界”：
历史上与某个职业相关的任务，开始出现在另一个职业从业者的 AI 使用中。
这个定义看起来保守，却比“岗位替代率”更接近真实工作的变化过程。岗位通常不会一夜之间消失，它会先经历任务增减、职责扩张、协作关系变化，最后才可能反映到职位描述和组织结构中。
二、不是所有岗位都以同一种方式跨界
排除通用任务后，部分职业处理本职之外任务的比例非常高：
| 用户职业 | 本职之外任务占比 |
|---|---|
| 客户体验 | 77% |
| 设计 | 75% |
| 人力资源 | 69% |
| 法律 | 56% |
| 营销 | 53% |
只看这张表，容易产生一种误解：跨界比例高的岗位可能正在失去专业性。
但报告进一步区分了两种方向：
- 任务借入：这个岗位的从业者开始承担其他岗位的任务。
- 任务输出：这个岗位原本负责的任务开始被其他岗位承担。
这两个方向并不对称。
1. 设计师：大量借入，较少输出
设计师有 35.2% 的消息涉及其他职业的任务，但设计任务只占其他职业消息的 1.7%。
这意味着设计师会借助 AI 做更多研究、营销、分析和技术工作，但其他岗位并没有以相同规模接管设计工作。
一种可能的解释是：AI 降低了设计师进入相邻领域的门槛，但高质量设计仍然依赖审美、用户理解、交互经验和对具体业务的判断。这些能力还没有被一次生成轻易替代。
2. 工程师：较少借入，大量输出
工程师自身只有 18.5% 的消息涉及其他职业任务，但工程任务占其他职业消息的 7.4%。
工程类任务正在向其他岗位扩散，例如：
- 软件和设备排障
- 网站修改
- 数据处理
- 自动化脚本
- 技术系统配置
- 简单代码生成
这并不等于其他岗位已经变成了工程师，而是过去必须排队等待开发人员处理的一部分技术任务，现在可以由最先遇到问题的人借助 AI 完成。
3. 营销：双向流动的任务枢纽
营销人员有 24.3% 的消息涉及其他职业任务；与此同时，营销任务占其他职业消息的 8.9%，是样本中向外输出比例最高的岗位。
营销既在吸收数据、设计和技术能力，也在把内容生产、市场研究、用户沟通和传播能力输出给其他岗位。
把三种模式放在一起会更清楚：
| 岗位 | 任务流动模式 | 可能发生的变化 |
|---|---|---|
| 设计 | 高借入、低输出 | 设计师的职责范围扩张，但设计专业性仍相对集中 |
| 工程 | 低借入、高输出 | 一部分技术执行能力扩散到非工程岗位 |
| 营销 | 高借入、高输出 | 成为连接内容、数据、技术和业务的任务枢纽 |
所以，AI 并没有简单地把所有岗位变成同一种岗位。它正在重新分配每个岗位可以独立完成的任务范围。
三、真正被压缩的，可能是工作的交接成本
传统组织中的任务通常沿着岗位边界流转：
每一次交接都包含隐性成本：
- 找到正确的负责人。
- 等待对方排期。
- 解释背景与上下文。
- 确认双方理解一致。
- 处理返工和信息损失。
一项任务真正昂贵的部分，未必只是执行本身，也可能是“必须把它交给另一个人”。
AI 开始改变这条链路。一个产品经理现在可能可以自己完成：
- 汇总用户反馈并提取需求。
- 生成一版交互原型。
- 查询和分析业务数据。
- 修改简单的前端代码。
- 编写测试用例。
- 准备发布说明和营销文案。
这些任务过去分别属于研究、设计、数据、工程、测试和营销岗位。
AI 的价值不只是把每项任务做快一点，它还可能减少中间的等待与交接：
这里的“专业审核”仍然重要。AI 减少了一部分执行交接，但没有自动消除质量标准、专业判断和责任归属。
四、为什么小团队会更早感受到变化
报告发现，对于普通用户，本职之外任务的占比会随着工作空间规模扩大而下降：
- 2 至 5 人的工作空间：18.9%
- 超过 100 人的工作空间：16.3%
需要说明的是，这种趋势在重度用户中并不严格递减，因此不能简单总结为“公司越小，任务跨界一定越多”。
但这个现象仍符合现实中的资源结构。
大型企业通常有独立的法务、财务、设计、数据、安全和工程团队。小公司不可能为每一种问题都设置专门岗位，遇到需求时，距离问题最近的人往往必须先想办法处理。
AI 在小团队中承担的角色，更接近一个按需提供能力的通用层：
| 过去缺少的资源 | AI 可以提供的第一步帮助 | 仍需人工负责的部分 |
|---|---|---|
| 数据分析师 | 数据清洗、SQL、趋势说明 | 口径确认、因果判断 |
| 开发人员 | 脚本、页面修改、故障排查 | 架构、安全、上线审核 |
| 法务人员 | 条款识别、风险点初筛 | 法律意见与责任 |
| 市场人员 | 文案、用户研究、传播方案 | 品牌判断与最终决策 |
| 设计人员 | 原型、方案探索、素材生成 | 用户体验与视觉标准 |
因此，AI 对小团队的价值可能不是“让原来的五个人做得更快”，而是让五个人暂时获得过去需要更多岗位才能配置出来的能力。
这也是“一人公司”“超级个体”和小型 AI 原生团队受到关注的重要原因之一。
五、ChatGPT 与 Codex 跨越的是不同边界
这份报告也能帮助我们理解一个经常被讨论的问题：直接使用 ChatGPT，与使用 Codex 这样的 Coding Agent，有什么本质区别？
| 维度 | ChatGPT | Codex 类 Agent |
|---|---|---|
| 主要扩展 | 知识和任务边界 | 执行和交付边界 |
| 典型交互 | 问答、分析、生成建议 | 读取环境、执行操作、持续验证 |
| 可接触对象 | 对话中的上下文 | 代码库、文件、终端、测试和运行环境 |
| 工作方式 | 用户频繁复制、确认和衔接 | 围绕目标执行多步循环 |
| 主要风险 | 答案错误、上下文不足 | 错误操作、权限越界、长链路偏航 |
ChatGPT 让非程序员能够理解代码，让工程师可以准备营销材料，让设计师能够分析数据。它扩大的是“我能够理解和尝试什么”。
Codex 进一步接触代码库、终端、文件、测试和运行环境，在授权范围内持续修改、检查和重试。它扩大的是“我能够真正执行和交付什么”。
但从模型到可以进入真实业务的 Agent，中间还缺少一整套工作系统，也就是我们一直讨论的Harness：
- Context：执行当前任务需要哪些上下文。
- Tools：Agent 可以调用哪些工具和系统。
- Memory：如何保存历史、状态和长期知识。
- Permissions：哪些操作可以自动执行，哪些必须审批。
- Eval：如何判断结果是否达到要求。
- Trace：如何知道它做过什么、为什么这样做。
- Human Approval：哪些责任边界必须由人确认。
因此，真正改变岗位边界的，不只是模型变得更聪明，而是模型开始获得进入真实工作流程的能力。
六、执行门槛降低，不等于判断门槛降低
这份报告提供的是使用行为信号，而不是生产率或工作质量证明。
研究并不知道：
- AI 输出是否被用户采用。
- 最终结果是否正确。
- 用户是否真正节省了时间。
- 用户原本能否独立完成任务。
- 是否有专业人员审核结果。
- 一次消息对应的是简单尝试，还是完整项目。
样本也不能代表整个美国劳动力市场。它来自与 ChatGPT Business 账户信息相关联的美国用户，并集中于客户体验、设计、工程、财务、人力资源、法律、营销和销售八类职业。
因此，这份报告不能证明“哪些岗位会消失”，也不能证明 AI 已经带来了多少生产率增长。
它能够证明的是：人们确实开始借助 AI 处理传统上属于其他职业的任务。
这会带来一个新的风险：低成本的跨界执行，可能制造高成本的错误。
- 能生成一份合同，不代表理解法律责任。
- 能修改代码，不代表掌握系统的全部约束。
- 能完成财务分析，不代表理解数据和会计口径。
- 能生成一套页面，不代表完成了可用性和无障碍验证。
- 能写出营销文案，不代表理解品牌长期定位。
AI 降低了执行门槛，但没有自动降低判断门槛，更没有替人承担最终责任。
七、个人和团队应该怎样适应
如果岗位开始从固定任务集合转向结果责任，那么个人和团队都需要调整自己的工作方式。
对个人：从单项执行者变成结果组织者
可以用下面的问题检查自己的工作：
- 我的工作中有哪些步骤主要消耗在等待和交接上？
- 哪些相邻任务可以先由 AI 完成第一版？
- 哪些结果必须由专业人员审核？
- 我是否能够为 AI 提供清晰目标、约束和验收标准？
- 我能否识别一份看似合理但实际错误的输出？
- 我最终对哪个业务结果负责，而不只是对哪个步骤负责？
未来更有价值的能力，可能不只是完成某个固定任务，而是：
- 定义问题。
- 组织上下文。
- 调用不同能力。
- 验证结果。
- 处理例外。
- 承担责任。
对团队：重新检查岗位之间的接口
团队可以优先寻找三类流程：
- 高等待流程：任务执行时间很短，但排期和交接时间很长。
- 高重复沟通流程：每次都需要重新解释相同背景和规范。
- 可验证流程：结果可以通过测试、规则、数据或人工审核明确判断。
这些流程更适合优先引入 AI 和 Agent。
但自动化之前还需要明确：
- Agent 能看到哪些数据。
- Agent 可以执行哪些操作。
- 失败后如何恢复。
- 哪些节点必须由人确认。
- 谁对最终结果负责。
否则，团队只是把原来的组织摩擦，转换成了更快但更难追踪的自动化错误。
八、岗位可能从“任务清单”转向“结果责任”
过去，一个岗位通常由一组相对稳定的任务定义：
- 工程师负责写代码。
- 设计师负责交互与视觉。
- 营销人员负责传播内容。
- 产品经理负责需求与协调。
当越来越多执行能力可以通过 AI 按需获得，岗位价值可能会逐渐从“我能亲手完成哪些固定任务”，转向：
我能否定义正确目标、组织多种能力、识别错误，并对最终结果负责？
这并不意味着专业知识会失去意义。
相反，当生成和初步执行变得便宜以后，专业知识会更多地用于设定标准、识别边界、处理例外、评估风险和承担责任。
职位名称可能还会保留很久，但岗位内部的任务组合、岗位之间的协作方式，以及一个人能够承担的结果范围，已经开始移动。
结语
OpenAI 的报告没有证明 AI 已经替代了多少岗位，也没有给出就业市场的最终答案。
但它捕捉到了一个重要的早期信号：AI 正在让人们进入过去不属于自己岗位的任务领域。
这场变化最先压缩的，可能不是岗位数量，而是岗位之间的等待、沟通和交接成本。
当执行能力越来越容易获得，真正稀缺的能力会逐渐集中到三个方面：
- 定义正确的目标。
- 判断结果是否可信。
- 对最终结果负责。
AI 还没有替代岗位，但它已经开始拆掉岗位之间的墙。下一步需要重新定义的，可能不是“谁来做这项任务”，而是“谁来判断结果，并为它负责”。
参考资料
OpenAI,How AI is expanding what people do at work
https://openai.com/index/how-ai-is-expanding-what-people-do-at-work/OpenAI Economic Research,Work at the Frontier: How AI is expanding what people do at work
https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf
