Task Crossover

資料來源#

摘要#

**Task crossover（任務跨職業流動）**是OpenAI Economic Research 對一種實測現象的稱呼：歷來與某個職業相關的工作，出現在另一職業從業者使用 AI 的情境中。在將 80 萬則以上美國 ChatGPT 使用者的工作相關訊息對應到 O*NET 工作活動後，研究發現，所有工作訊息中有 16.8%，職業特定訊息中則有 43.5%，涉及其他職業的任務。

這個數字背後的主張關乎方法，而且是針對這個領域的主流做法。多數 AI 暴露研究「從固定的任務清單出發，詢問模型能執行哪些任務」。Task crossover 的回應是：清單本身正在改變。業務人員開始探索過去交給分析師的資料集；行銷人員不必等開發人員，就能自行排解網站問題。報告在結論中清楚說明這對測量的影響：「若 AI 改變了由哪些工作者執行特定任務，僅依據現有職務說明的衡量方式，將逐漸偏離工作的實際組織方式。」

證據註記。 empirical，並有第一方資料的限制，與Returns to Expertise in Agentic Coding及Conversation-to-Delegation Shift相同：OpenAI 測量自家產品，分類由自身執行，沒有外部複現。僅為描述性研究——報告明確指出，它「沒有估計 AI 對就業或生產力的影響」，也無法說明「同一批人在沒有 AI 時會如何分配工作」。

三種分類#

這項設計的關鍵步驟，在於它排除了哪些活動。「廣泛存在於各職業」的活動——例如寫電子郵件、安排時程——會被標記為 Generic，並排除於主要比例之外：

類別	工作相關訊息占比
Generic（多數職業群組共通）	61.5%
職業內	21.8%
跨職業	16.8%
跨職業占非通用訊息的比例	43.5%

這兩個數字應一起看：若未提及通用訊息篩選，就引用 43.5%，會高估約 2.6 倍；但單看 16.8%，又會掩蓋移除未區分工作的訊息後，跨職業工作其實有多集中。在八個群組中，跨職業訊息占所有訊息的 11–30%，占職業特定訊息的 28–77%。

誰借入，誰借出#

這兩個方向幾乎彼此獨立——某個職業可以引入外部任務、提供其他人會接手的任務、兩者兼具，或兩者皆無：

職業	借入（自身訊息中屬於其他職業任務的比例）	借出（其他職業訊息中，平均有多少比例屬於自身任務）
設計	35.2%	1.7%
行銷	24.3%	8.9%——對外占比最高
工程	18.5%	7.4%

設計大量借入，幾乎不借出。工程則幾乎相反——是其他人承接工作的來源。行銷同時在兩個方向都很突出。報告總結道：「設計師使用 AI，將多個領域的工作結合起來。其他領域的工作者經常接手工程任務。行銷兩者皆是。」

若以職業特定訊息中的跨職業占比衡量，借入最多的職業依序為：客戶體驗 77%、設計 75%、HR 69%、法律 56%、行銷 53%——八個群組中有五個過半。

哪些任務會流動#

有些活動幾乎會出現在每種職業。報告的 Table 2 按照活動涵蓋其他七個群組的數量排序：

任務	所屬職業	涵蓋群組數	最高占比群組
計算財務資料	財務	7/7	銷售：14.3%
排解電腦應用程式或系統問題	工程	7/7	客戶體驗：7.6%
與客戶討論商品或服務資訊	客戶體驗	7/7	行銷：70.8%
製作行銷素材	行銷	5/7	設計：13.6%
與政府機關溝通	法律	7/7	客戶體驗：21.4%

請仔細解讀這些百分比——每個數字都是在訊息符合該所屬職業的使用者中，該任務占比（因此 70.8% 的意思是：行銷人員與客戶體驗相關的訊息中，有 70.8% 屬於這項任務）。若看實際流量，比例較小：非財務使用者的財務相關訊息中，9.8% 是財務計算；非工程使用者的工程相關訊息中，6.1% 是疑難排解。

依來源職業彙總（Fig. 4），行銷任務占銷售與設計使用者非通用訊息的 28–29%，占客戶體驗使用者的 26%；工程任務占設計使用者的 28%，占客戶體驗與財務使用者的 20–22%。

工作空間大小的趨勢#

工作空間越大，跨職業比例越低：從 2–5 個席位工作空間的 18.9%，降至 101 個以上席位的 16.3%——約相差 2.5 個百分點，或相對下降約 13%。OpenAI 將此解讀為替代效應：小型企業「沒有可委派工作的專家」；在較大型組織中，同一位工作者「可能更會依賴既有團隊、工作流程或內部服務」。當專業資源稀少時，AI 作為通才最有用。

報告附帶三項重要限制：

這個趨勢只適用於典型訊息量的使用者（依訊息數量排序的中間 50%）。訊息量最高四分位沒有單調趨勢；最低四分位則大幅下降，但估計不精確——最大工作空間的樣本格只有 197 則訊息。
高頻使用者可能「形成了穩定、受 AI 支援且在不同組織環境中相對相似的工作流程」，也可能只是在自身職業範圍內進行更多反覆作業。報告沒有選擇其中任何一種解釋。
工作空間席位數不等於公司規模，而且這只是描述性比較——席位數同時代理了專業化程度、產業、職業組成與組織成熟度。

這對暴露度測量的影響#

這是影響最深遠的主張，幾乎適用於Exposure Taxonomy: Observed, Theoretical, Reported, Anticipated中的每個數字。觀察到的、理論上的與自陳的暴露度，都是依據固定的 O*NET 任務清單，逐職業計算而來。若職業特定 AI 使用中有 43.5% 涉及其他職業的工作，那麼：

**觀察到的暴露度會歸到錯誤的職業。**行銷人員排解網站問題，在任務到職業的對應方式下會被算作工程任務使用，但當事人是行銷人員。
理論暴露度估算的是過時的工作組合——也就是某職業開始借入任務之前所包含的任務。
分母正在變動。Task Saturation: Broad but Shallow AI Diffusion測量 AI 深入某個已觸及職業任務的程度；Task crossover 則指出，哪些任務屬於該職業本身也在變動。

這些現象不代表暴露度衡量有誤，而是表示它們記錄的是 AI 正在積極重組的工作分配快照。暴露度問的是這份工作的多少部分能由 AI 執行；跨職業流動問的是這份工作現在屬於誰。

第二個獨立問題在一週前從不同方向浮現。Steele & Cruz將七種暴露度工具套用於相同職業，發現它們幾乎互不一致——最受暴露的職業清單幾乎完全不同，而且暴露度與薪資的趨勢，其方向會在較舊與較新的工具之間翻轉（Exposure Taxonomy: Observed, Theoretical, Reported, Anticipated）。因此，即使固定任務清單，不同工具仍有歧異；而跨職業流動指出，清單本身也在變動。這兩種失準彼此獨立且會相互疊加：修正其中一項，無法修復另一項。

另有一項獨立佐證，由報告引用而非報告本身產出：**Yang et al. (2026)**發現，Perplexity 查詢經常不屬於使用者推定的主要職業。另一個平台、不同的推定方法，方向卻相同。

組織層面的解讀#

跨職業流動是人口規模、以遙測資料為基礎的測量，呈現出 wiki 多半從前沿實驗室內部記錄的一種變化。Engineer PM Convergence記錄 Anthropic 團隊中「人人都寫程式」、職務角色逐漸消融的情況；Printing Press Software Democratization主張，軟體作者身分正擴展到任何有需求的人。跨職業流動則在一般商業使用者的八個職業群組中，為相同變化提供數據，並補上兩者都沒有的結構性發現：組織架構越精簡，職能匯流就越明顯，這是關於組織餘裕的主張，而非模型能力。

它也進一步說明Role Averaging, Not Role Elimination的審慎立場——這裡報告與其說法一致，而非反對。報告本身指出：「AI 或許能讓外行更容易嘗試某項任務，但專家級判斷與審查仍仰賴專家。」結尾則建議，工作者「可能需要接受訓練，以評估自身既有專業範圍之外、由 AI 協助完成的工作」。這正是Validation Tether從相反方向抵達的結論：跨職業流動是工作交到缺乏足夠 Internalized Mastery、無法實質驗證成果的人手上的機制。

作者明確指出的限制#

這份報告對限制的說明異常完整，每一項都界定了不同主張的範圍：

分析單位是訊息——「不是工作時數、完成的專案或一份工作」。訊息數量不代表時間、心力或價值。
完全沒有成果資料：「我們沒有觀察產出是否實際使用、品質如何、節省多少時間、使用者能否在沒有 AI 的情況下完成任務，或是否有專家審查。」本頁提出的所有品質問題，依研究設計都無法回答。
研究對象：職業資訊來自 ChatGPT 使用者自行回報的 ChatGPT Business 部門／職務；分析的訊息則來自這些使用者的個人帳戶。Business 和 Enterprise 是不同的產品使用者群體，報告表示估計值「不應推廣至 Enterprise 使用者」。研究樣本不代表美國勞動力。
分類兩度透過 embedding 完成：訊息 → IWA → DWA（取自該 IWA，或其五個最近鄰），接著若 DWA 與最接近的邊界 DWA 之間的 cosine similarity ≥ 0.80，就會被算入某職業的範圍。含有多項任務的訊息只會取得一個主要標籤。
任務所屬職業 ≠ 任務來源：被指派的職業「說明 DWA 最接近哪個職業的 O*NET 任務，而非工作是否由該職業委派，或實際源自該職業」。

被排除的群體，如今也有觀測資料（OpenAI Enterprise，2026 年 8 月）#

上文的報告明確表示，其估計值「不應推廣至 Enterprise 使用者」。How Organizations Use AI: Evidence from ChatGPT（Chatterji、Holtz、Rakholia、Tambe 與 Weeratunga，arXiv 2608.12236，empirical）是同一研究機構對這個被排除群體所做的測量——涵蓋 1,764 個 ChatGPT Enterprise 組織、1,740 萬則訊息；其中有 973 個組織、870 萬則訊息，在採用六個月後進行任務分類。完整說明見The Enterprise AI Adoption Gradient。

這項研究呈現了跨職業流動所預測的形態，但無法直接測量跨職業流動本身。按職稱類別來看，任務盛行率「會以符合職務責任的方式變化」——工程師更常從事技術數位工作與除錯，財務和會計人員更常從事財務與稅務任務，銷售與行銷人員則更常從事銷售和行銷工作——但這些職務專屬任務「並未壓過所有角色都會執行的少數核心任務」。文件與技術寫作觸及每週活躍使用者的 56.3%，技術數位工作則觸及 49.6%；這些比例涵蓋所有職稱類別與資歷層級。共同的生產工作核心，上面再疊加職務專屬的專業分工，正是停止追問任務原本屬於誰之後，呈現出大量跨職業流動的群體樣貌。

**但這並不是跨職業流動的測量；兩者的落差來自研究架構，而非資料限制。**企業研究將訊息歸入 60 種專有任務類別之一，而非 O*NET 工作活動，也沒有職業邊界的概念——沒有任務所屬職業、沒有職業內／跨職業／通用的劃分，也沒有 cosine 門檻。因此，無法從中得出 16.8% 或 43.5%。這項研究證明的是，Enterprise 群體的任務組成如今已能按職務觀測；要回答本頁第一個開放問題，只差更換分類架構。

延伸閱讀#

The Enterprise AI Adoption Gradient——本頁方法排除的 Enterprise 群體，由同一研究機構使用 60 種專有任務分類進行測量：依職務區分的專業工作，建立在文件、技術工作與溝通等共同核心之上；研究沒有職業邊界概念，因此無法計算跨職業比例
Exposure Taxonomy: Observed, Theoretical, Reported, Anticipated——跨職業流動挑戰所有四種暴露度測量對固定任務清單的假設：某職業「擁有」哪些任務，變動速度比對應表更新得更快。該頁對七種工具的正面比較，是第二項獨立挑戰：即使固定任務清單，工具彼此仍不一致
Task Saturation: Broad but Shallow AI Diffusion——互補的深度衡量；跨職業流動指出，其分母（哪些任務屬於某職業）本身也在變動
Conversation-to-Delegation Shift——同一研究機構先前對使用遙測資料的研究，探討的是強度（詢問 → 委派），而非職業邊界（我的工作 → 別人的工作）；高頻使用者在兩者中都打破了簡單的趨勢
Agentic Coding Work-Composition Shift——Anthropic 對單一工具內部變化的研究：一個工作階段的用途如何隨時間改變；本研究則測量工作如何跨職業流動
Engineer PM Convergence——前沿實驗室對職務融合的觀察；本研究則在科技業之外，以人口規模衡量這個現象
Role Averaging, Not Role Elimination——報告自己的保留說法就是本頁的論點：外行可以嘗試任務，但判斷與審查仍需要專家
Printing Press Software Democratization——軟體工作擴散方向的主張；工程對外借出 7.4% 是其量化指標
Organizational Complements to AI——將工作空間大小的趨勢解讀為互補效應：已有專家的地方，AI 對專家的替代程度最低
Returns to Expertise in Agentic Coding——尚未解決的張力：專業知識能增強代理程式，但跨職業流動指的是人們從事專業範圍之外的工作；兩者都依據使用遙測資料，也都沒有觀察成果品質
The Tragedy of the Cognitive Commons——理論框架將這種模式視為一種風險：工作流向非專家，是專家驗證能力與再生途徑逐漸侵蝕的機制
Usage-Telemetry Classifier Validation——本頁所有數字背後的誤差範圍；使用者的職業與任務所屬職業，都是由模型判斷
OpenAI——出版者；Work at the Frontier 宣布將成為定期系列
Cognitive Capability Profiling for Task Suitability——從認知角度測量跨職業流動的可能機制。Prunty et al. 針對六個職業領域的 410 名工作者，蒐集 18 種源自 O*NET 的工作活動之能力重要性分布，發現各領域矩陣逐格相關係數為 r = 0.53–0.77（平均 0.63）：共通的認知核心——Planning、Semantic Memory、Working Memory、Language、Procedural Memory——主導幾乎所有活動；各領域只在次要能力上有所區別（Warehouse 的 Spatial Reasoning 高 2.1、Manufacture 的 Planning 高 2.5、Hospitality 的 Theory of Mind 高 1.7）。若職業間的差異主要在次要需求，那麼跨越職業邊界的任務理應正是那些仰賴核心能力的任務；這也說明了為何職業特定 AI 使用中有 43.5% 是其他職業的工作。兩者有一項共同依賴值得注意：工作活動的詞彙都取自 O*NET，因此都承襲該分類法的既有缺陷

開放問題#

跨職業流動的測量對象是 Business 帳戶使用者在面向消費者的 ChatGPT 介面中傳送的訊息。若是 agentic/API/Codex 使用情境，工作會以委派方式進行而非直接輸入，這個現象還成立嗎？或者當任務交給代理程式時，職業邊界會重新浮現？部分已有答案（2026-09-23）——如今可以觀察這個群體，但還無法測量跨職業流動。How Organizations Use AI: Evidence from ChatGPT（empirical，同一研究機構，2026 年 8 月）涵蓋的正是這個被排除的群體：ChatGPT Enterprise、1,764 個組織、1,740 萬則訊息，其中 973 個組織、870 萬則訊息進行了任務分類。按職稱類別呈現的任務組成，展現了跨職業流動所預測的形態——職務專屬的高占比（工程師更常除錯、財務人員更常處理財務與稅務工作），疊加在所有角色共同執行的文件、技術數位工作與溝通核心上；論文指出，職務專屬任務「並未壓過所有角色都會執行的少數核心任務」。但由於研究架構上的原因，它無法回答這個問題。企業研究採用 60 種專有任務分類，沒有 O*NET 對應，也沒有職業邊界概念，因此無法區分職業內／跨職業／通用訊息，也就無法計算跨職業比例；而研究觀察的仍是對話式使用，不是問題後半提及的 agentic/API/Codex 流量（作者將 Codex 留待配套論文處理）。實際上，這個問題的狀態不是換了標籤，而是換了阻礙：目前限制已非無法觀測這個群體，而是觀測工具採用了不適用的分類法；OpenAI 只需重新分類手上的資料。
資料集只記錄人們嘗試了什麼，完全沒有成果資訊——作者直接如此說明。借入的工作能否達到專家的水準？跨職業流動何時不再是職務擴展，而開始變成未經審查的業餘產出？若能將跨職業流動指標與品質或審查涵蓋率相結合，就能回答這些問題；但目前語料中沒有這類資料。
工作空間大小的趨勢，究竟反映專家的可用性（OpenAI 的替代效應說法），還是權限與規範（大型公司的行銷人員可能不被允許碰某些工作）？小型公司成長時，這兩種解釋預測的方向相反；而描述性席位數代理指標上的 2.5 個百分點差異，無論支持哪一種解釋，證據都很有限。

資料來源#

Work at the Frontier: 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（2026-07-27），empirical。完整 16 頁報告；本頁所有數據的主要來源。所有檢查均通過 Docling verify: ok——Table 2（反覆出現的跨職業任務）已解析為清晰表格，並在引用前與上下文文字交叉核對。Figures 1–6 和 A1 是圖片；本頁引用的所有數值皆取自報告文字、圖說或 Table 2，從未直接讀取圖表估值。
Helping People Choose Careers in the Age of AI — Steele & Cruz，arXiv 2607.15506（2026-07-16），empirical。此處僅引用跨工具歧異（§4.4、§5.1、Table 5）；解析警告與來源內部矛盾，記錄於Exposure Taxonomy: Observed, Theoretical, Reported, Anticipated。
How AI is expanding what people do at work — 同一研究的公告文章（2026-07-27），empirical。約 1,100 字；所有主張皆已由上述報告取代。保留此來源是因為它呈現 OpenAI 的框架用語，並附有配套的 AI Jobs Transition Framework 連結。兩項來源註記：網頁剪輯工具記錄的 published: 2026-07-31，在編譯時比對四份獨立的日期報告後更正為 2026-07-27；文章中的熱圖在剪輯檔裡只剩下空白 HTML 表格（以圖片呈現），因此有必要取得完整報告。
How Organizations Use AI: Evidence from ChatGPT — Chatterji、Holtz、Rakholia、Tambe 與 Weeratunga，How Organizations Use AI: Evidence from ChatGPT，arXiv 2608.12236（2026-08-12，69 頁，empirical）。本文引用 §3.2（工作者特徵與任務分類樣本）、§4.4.1 與 Figure 7（整體任務盛行率與訊息占比），以及 §4.4.3 與 Figure 9（依職稱類別呈現的任務組成）。圖表數值經兩輪讀取。沒有獨立作者——三位 OpenAI 員工與兩位以付費承包商身分參與的學者。完整說明與解析註記見The Enterprise AI Adoption Gradient