Исследование OpenAI более чем 800 000 рабочих сообщений пользователей ChatGPT в США показало: 16,8% всех рабочих запросов и 43,5% неуниверсальных, связанных с профессией запросов относились к задачам другой специальности. Результат говорит о размывании границ ролей, но не доказывает рост производительности, качество работы или сокращение занятости.
Новое исследование OpenAI показывает, что сотрудники используют ChatGPT не только внутри своей специализации.
Для бизнеса это сигнал не о «замене сотрудников», а о другом изменении: ИИ позволяет человеку брать на себя часть соседних функций раньше, чем компания успевает переписать должностные инструкции. Для малого бизнеса такой переход особенно заметен, однако исследование не измеряло качество результата, экономию времени или влияние на занятость.
Для бизнеса это сигнал не о «замене сотрудников», а о другом изменении: ИИ позволяет человеку брать на себя часть соседних функций раньше, чем компания успевает переписать должностные инструкции. Для малого бизнеса такой переход особенно заметен, однако исследование не измеряло качество результата, экономию времени или влияние на занятость.
Главный вывод: меняется не только скорость, но и распределение работы
OpenAI называет наблюдаемый эффект task crossover — переход задач через традиционные границы профессий. Например, специалист по продажам может исследовать клиентский набор данных без передачи задачи аналитику, маркетолог — разобраться с простой технической проблемой сайта, а владелец небольшой компании — подготовить черновик договора или базовый финансовый расчет.
Это не означает, что сотрудник автоматически становится юристом, разработчиком или финансистом. Исследование показывает только тематику обращений к ИИ. Оно не устанавливает, был ли ответ использован, оказался ли он правильным и проходил ли проверку профильного специалиста.
Это не означает, что сотрудник автоматически становится юристом, разработчиком или финансистом. Исследование показывает только тематику обращений к ИИ. Оно не устанавливает, был ли ответ использован, оказался ли он правильным и проходил ли проверку профильного специалиста.
Что именно обнаружили исследователи
В выборке было три класса сообщений:
После исключения универсальных запросов доля межпрофессиональных задач составила 43,5%. Показатель различался по группам. Внутри профильных, то есть неуниверсальных, сообщений задачи за пределами своей профессии составляли:
Авторы отдельно показали, какие навыки чаще «путешествуют» между функциями. Финансовые расчеты и устранение неполадок с программами входили в тройку наиболее частых внешних задач у всех семи непрофильных групп. Маркетинговые задачи также широко встречались за пределами маркетинга: создание рекламных материалов появлялось в запросах представителей пяти других направлений.
- 61,5% — универсальные рабочие задачи, общие для многих профессий;
- 21,8% — задачи внутри традиционных границ профессии пользователя;
- 16,8% — задачи, связанные с другой профессией.
После исключения универсальных запросов доля межпрофессиональных задач составила 43,5%. Показатель различался по группам. Внутри профильных, то есть неуниверсальных, сообщений задачи за пределами своей профессии составляли:
- 77% у работников клиентского сервиса;
- 75% у дизайнеров;
- 69% у специалистов по управлению персоналом;
- 56% у юристов;
- 53% у маркетологов.
Авторы отдельно показали, какие навыки чаще «путешествуют» между функциями. Финансовые расчеты и устранение неполадок с программами входили в тройку наиболее частых внешних задач у всех семи непрофильных групп. Маркетинговые задачи также широко встречались за пределами маркетинга: создание рекламных материалов появлялось в запросах представителей пяти других направлений.
Как получены цифры
Исследование охватило случайную выборку более чем из 800 000 сообщений, классифицированных как рабочие. Сообщения были отправлены из личных аккаунтов пользователей в США, чьи самостоятельно указанные должность и подразделение удалось связать с данными учетных записей ChatGPT Business.
Авторы рассмотрели восемь групп: клиентский сервис, дизайн, инженерные специальности, финансы, HR, право, маркетинг и продажи. Каждое сообщение сопоставлялось с одной детализированной рабочей активностью из американской базы O*NET. Для классификации модель могла учитывать до девяти предыдущих сообщений диалога. OpenAI заявляет, что классификация выполнялась анонимно и исследователи не читали исходные сообщения вручную.
У такого подхода есть важное ограничение: один запрос может содержать несколько задач, но ему присваивалась одна основная категория. Кроме того, границы профессий строились по исторической таксономии O*NET и порогу семантической близости. Поэтому показатель 43,5% — результат конкретной классификационной методики, а не универсальная доля «чужой работы» во всех компаниях.
Авторы рассмотрели восемь групп: клиентский сервис, дизайн, инженерные специальности, финансы, HR, право, маркетинг и продажи. Каждое сообщение сопоставлялось с одной детализированной рабочей активностью из американской базы O*NET. Для классификации модель могла учитывать до девяти предыдущих сообщений диалога. OpenAI заявляет, что классификация выполнялась анонимно и исследователи не читали исходные сообщения вручную.
У такого подхода есть важное ограничение: один запрос может содержать несколько задач, но ему присваивалась одна основная категория. Кроме того, границы профессий строились по исторической таксономии O*NET и порогу семантической близости. Поэтому показатель 43,5% — результат конкретной классификационной методики, а не универсальная доля «чужой работы» во всех компаниях.
Почему малый бизнес выделяется
Среди пользователей со средним объемом сообщений доля межпрофессиональных запросов снижалась с 18,9% в рабочих пространствах на 2–5 мест до 16,3% в пространствах более чем на 100 мест. Разница составляет примерно 2,5 процентного пункта, или около 13% относительно показателя самой маленькой группы.
Но это описательная зависимость. Число оплаченных мест в рабочем пространстве — не то же самое, что численность компании. Оно может отражать отрасль, зрелость внедрения, доступ к коллегам или степень специализации. Среди четверти самых активных пользователей последовательного снижения с ростом рабочего пространства не было.
Редакционный вывод для российского МСБ осторожный: там, где нет отдельных аналитиков, юристов, IT-специалистов и маркетологов, ИИ действительно может сократить число внутренних передач задачи. Но исследование не проверяло российские компании, русский язык, локальные сервисы и регуляторные условия. Переносить американские проценты на российский рынок нельзя.
Но это описательная зависимость. Число оплаченных мест в рабочем пространстве — не то же самое, что численность компании. Оно может отражать отрасль, зрелость внедрения, доступ к коллегам или степень специализации. Среди четверти самых активных пользователей последовательного снижения с ростом рабочего пространства не было.
Редакционный вывод для российского МСБ осторожный: там, где нет отдельных аналитиков, юристов, IT-специалистов и маркетологов, ИИ действительно может сократить число внутренних передач задачи. Но исследование не проверяло российские компании, русский язык, локальные сервисы и регуляторные условия. Переносить американские проценты на российский рынок нельзя.
С чем сопоставить результаты
Отдельное исследование Perplexity и исследователей Harvard Business School, опубликованное 8 июня 2026 года, также зафиксировало расширение круга задач при работе с ИИ-агентом. В их выборке из 8 000 пользователей запросы Perplexity Computer выходили за пределы предполагаемой основной профессии в 59% случаев против 50% для обычного поиска.
Эти цифры нельзя напрямую сравнивать с результатом OpenAI. Perplexity изучала другой продукт, определяла профессию пользователя иначе и сравнивала агентный режим с поиском. Совпадает не показатель, а направление наблюдения: ИИ используется как инструмент для выполнения более широкого набора задач.
Эти цифры нельзя напрямую сравнивать с результатом OpenAI. Perplexity изучала другой продукт, определяла профессию пользователя иначе и сравнивала агентный режим с поиском. Совпадает не показатель, а направление наблюдения: ИИ используется как инструмент для выполнения более широкого набора задач.
Контраргумент: запрос еще не равен выполненной работе
Самая опасная интерпретация отчета — считать 43,5% оценкой автоматизации профессий. Это неверно. Единицей анализа было сообщение, а не рабочий час, завершенный проект или экономический результат. Исследователи не наблюдали:
- был ли ответ применен;
- соответствовал ли результат профессиональным стандартам;
- сколько времени или денег удалось сэкономить;
- мог ли сотрудник выполнить задачу без ИИ;
- проверял ли результат профильный специалист;
- изменилась ли производительность, зарплата или численность команды.
Выборка также не представляет весь рынок труда США, не охватывает все профессии и не должна переноситься на пользователей ChatGPT Enterprise. Все ключевые цифры являются расчетами OpenAI на собственных продуктовых данных и не прошли независимый аудит.
- был ли ответ применен;
- соответствовал ли результат профессиональным стандартам;
- сколько времени или денег удалось сэкономить;
- мог ли сотрудник выполнить задачу без ИИ;
- проверял ли результат профильный специалист;
- изменилась ли производительность, зарплата или численность команды.
Выборка также не представляет весь рынок труда США, не охватывает все профессии и не должна переноситься на пользователей ChatGPT Enterprise. Все ключевые цифры являются расчетами OpenAI на собственных продуктовых данных и не прошли независимый аудит.
Почему это важно
Исследование предлагает руководителю смотреть на внедрение ИИ не только через число лицензий и запросов. Более полезный объект управления — новая траектория задачи: кто ее начал, какую часть передал ИИ, где потребовалась экспертиза и кто отвечает за итог.
Практически это означает пять шагов:
1. Найти повторяющиеся передачи между функциями: продажи → аналитика, маркетинг → IT, руководитель → финансы, клиентский сервис → продукт.
2. Выбрать задачи, где черновик можно безопасно подготовить без ожидания специалиста.
3. Установить обязательную проверку для юридических, финансовых, кадровых и клиентских решений с высокой ценой ошибки.
4. Измерять не количество промптов, а время цикла, долю переделок, качество результата и число предотвращенных ошибок.
5. Обучать сотрудников не только работе с моделью, но и распознаванию границ собственной компетенции.
Так компания получает эффект от расширения возможностей сотрудников, не превращая ИИ в механизм незаметного перекладывания ответственности.
Практически это означает пять шагов:
1. Найти повторяющиеся передачи между функциями: продажи → аналитика, маркетинг → IT, руководитель → финансы, клиентский сервис → продукт.
2. Выбрать задачи, где черновик можно безопасно подготовить без ожидания специалиста.
3. Установить обязательную проверку для юридических, финансовых, кадровых и клиентских решений с высокой ценой ошибки.
4. Измерять не количество промптов, а время цикла, долю переделок, качество результата и число предотвращенных ошибок.
5. Обучать сотрудников не только работе с моделью, но и распознаванию границ собственной компетенции.
Так компания получает эффект от расширения возможностей сотрудников, не превращая ИИ в механизм незаметного перекладывания ответственности.
Как проверить эффект внутри компании
Начать можно с двухнедельного пилота на одном процессе, где сотрудники регулярно ждут помощи соседней функции. Руководитель фиксирует исходные показатели: среднее время прохождения задачи, число передач между людьми, долю возвратов на доработку и количество ошибок. Затем команде разрешают использовать ИИ для подготовки первого варианта — но не для окончательного решения.
Полезно заранее разделить задачи на три уровня риска:
После пилота следует сравнить не активность в чате, а конечные показатели. Если цикл стал короче, но выросла доля исправлений, экономия может быть мнимой. Если сотрудник закрывает соседнюю задачу быстрее, но специалист все равно полностью переделывает результат, компания лишь перенесла работу на другой этап.
Отдельный вопрос — мотивация. Расширение набора задач не должно происходить незаметно и бесплатно под лозунгом эффективности. Если ИИ устойчиво меняет содержание должности, руководителю нужно обновить полномочия, обучение, контроль и оценку нагрузки. Такой подход сохраняет ценность профессиональной экспертизы и превращает межфункциональную помощь ИИ в управляемый процесс.
Полезно заранее разделить задачи на три уровня риска:
- низкий риск: черновики писем, структура презентации, первичная группировка обратной связи — сотрудник может использовать результат после самостоятельной проверки;
- средний риск: расчет вариантов, анализ клиентских данных, проект регламента — требуется проверка владельца процесса;
- высокий риск: юридические заключения, кадровые решения, платежи и действия с персональными данными — ИИ помогает собирать информацию, но решение остается у профильного специалиста.
После пилота следует сравнить не активность в чате, а конечные показатели. Если цикл стал короче, но выросла доля исправлений, экономия может быть мнимой. Если сотрудник закрывает соседнюю задачу быстрее, но специалист все равно полностью переделывает результат, компания лишь перенесла работу на другой этап.
Отдельный вопрос — мотивация. Расширение набора задач не должно происходить незаметно и бесплатно под лозунгом эффективности. Если ИИ устойчиво меняет содержание должности, руководителю нужно обновить полномочия, обучение, контроль и оценку нагрузки. Такой подход сохраняет ценность профессиональной экспертизы и превращает межфункциональную помощь ИИ в управляемый процесс.
«Бизнесу не стоит расширять должностные инструкции быстрее, чем контроль качества. Практический эффект возникает, когда сотрудник с помощью ИИ может закрыть соседнюю задачу, но критические решения остаются у владельца процесса и проходят проверку по понятным правилам».
— Евгений Сайкин, Генеральный директор Команды, Komanda.ai
Что дальше
OpenAI заявила, что «Work at the Frontier» станет серией исследований. Для бизнеса важны следующие публикации, если они добавят измерение качества, времени, экономического результата и устойчивости новых рабочих практик.
Пока главный вывод ограничен: сотрудники действительно обращаются к ИИ с задачами за пределами привычной роли. Чтобы превратить это наблюдение в управленческое решение, компании нужно проверить эффект на собственных процессах и заранее определить границы ответственности.
Пока главный вывод ограничен: сотрудники действительно обращаются к ИИ с задачами за пределами привычной роли. Чтобы превратить это наблюдение в управленческое решение, компании нужно проверить эффект на собственных процессах и заранее определить границы ответственности.
Источники:
1. OpenAI — How AI is expanding what people do at work, 27 июля 2026 года — первоисточник новости; точное время публикации не указано.
2. OpenAI — Work at the Frontier: How AI is expanding what people do at work, июль 2026 года — полный отчет, методология и ограничения.
3. Perplexity Research — How AI Agents Reshape Knowledge Work, 8 июня 2026 года — независимый по отношению к OpenAI контекст; не является проверкой ее результатов.
4. O*NET Resource Center — O*NET Database — официальное описание базы профессий и рабочих активностей, использованной в методике.
1. OpenAI — How AI is expanding what people do at work, 27 июля 2026 года — первоисточник новости; точное время публикации не указано.
2. OpenAI — Work at the Frontier: How AI is expanding what people do at work, июль 2026 года — полный отчет, методология и ограничения.
3. Perplexity Research — How AI Agents Reshape Knowledge Work, 8 июня 2026 года — независимый по отношению к OpenAI контекст; не является проверкой ее результатов.
4. O*NET Resource Center — O*NET Database — официальное описание базы профессий и рабочих активностей, использованной в методике.
Вопросы и ответы
Что означает показатель 43,5%?
Это доля запросов за пределами профессии среди сообщений, которые OpenAI признала профессионально специфичными. Универсальные задачи вроде написания писем и планирования были исключены из знаменателя.
Доказывает ли исследование, что ИИ повышает производительность?
Нет. Авторы не измеряли время выполнения работы, качество ответа, использование результата или экономический эффект.
Можно ли считать это прогнозом сокращения рабочих мест?
Нет. Исследование описывает тематику запросов и распределение задач, а не изменение численности, зарплат или спроса на профессии.
Как применить выводы в малом бизнесе?
Нужно выявить частые передачи задач между функциями, разрешить ИИ готовить черновики в безопасных сценариях, сохранить экспертную проверку для решений с высокой ценой ошибки и измерять качество результата, а не число запросов.
Можно ли переносить проценты на российские компании?
Нет. Выборка охватывает пользователей из США и восемь профессиональных групп. Для российского бизнеса вывод о применимости является гипотезой, которую нужно проверять на собственных процессах.