Att låna sakkunskap i stället för att lära sig den
OpenAI publicerade i veckan den andra rapporten i serien Work at the Frontier, med en analys av fler än 1,5 miljoner arbetsrelaterade ChatGPT-meddelanden skickade mellan april och juli 2026. Den första rapporten dokumenterade uppgiftsöverskridande: att människor använder AI för aktiviteter som historiskt hört till ett annat yrke. Den här frågar vad som händer efter första gången.
Det första fyndet handlar om hur människor formulerar sig. När uppgiften ligger utanför det egna yrket skriver de i genomsnitt kortare instruktioner. De ber mer sällan om förklaringar, stegvis vägledning, ett visst svarsformat eller råd — och oftare bifogar de exempel eller bakgrund och ber modellen kontrollera eller verifiera något.
OpenAI:s tolkning är att människor lånar sakkunskap i stället för att skaffa sig den. I stället för att be modellen lära dem ett nytt fält tar de med ett dokument eller ett exempel från en kollega och ber den tillämpa någon annans kunskap på deras problem. Alla dessa siffror rapporterar OpenAI om sin egen produkt, ur sina egna loggar.
En del fastnar
Den mer betydelsefulla siffran gäller återkomst. Bland ungefär 6 200 arbetstagare som följdes sammanhängande från april till juli växte redan använda uppgifter från andra yrken från 13,1 procent av den yrkesspecifika AI-aktiviteten i april till 25,9 procent i juli.
En andra analys sätter det i sammanhang. I matchade uppföljningsobservationer efter en månad återvände arbetstagare till en uppgift från ett annat yrke som de använt månaden innan i 23,6 procent av fallen, mot 8,4 procent bland jämförbara arbetstagare utan observerad användning månaden innan.
OpenAI noterar ett mekaniskt förbehåll i sina egna fotnoter: allteftersom människor prövar nya uppgifter varje månad växer mängden uppgifter som kan räknas som återkommande. Trenden är därför delvis en ackumulationseffekt, och rapporten försöker inte räkna bort den.
Alla lånade uppgifter överlever inte
Återkomsten varierar kraftigt med uppgiften. Arbetstagare återvände månaden efter till att diskutera varor eller tjänster med kunder i 54 procent av fallen, till reklam- eller marknadsföringstext i 44 procent och till att skapa marknadsföringsmaterial i 37 procent. Att förklara finansiell information återkom i omkring 15 procent. Den genomsnittliga återkomsten månaden efter över alla uppgifter från andra yrken var 18,5 procent.
Mönstret är inte svårt att läsa. Kundvänd text är repetitiv, lågriskbetonad och lätt att kontrollera. Att förklara finansiell information är inget av det. Där kostnaden för ett fel svar är hög prövar människor en gång och går sedan tillbaka till kollegan som kan.
Metoden och dess gränser
Yrkena identifierades utifrån de roll- eller avdelningsuppgifter användare lämnade vid registrering i ChatGPT Business. Data med träning avstängd och meddelanden utan användbar klassificering uteslöts. OpenAI uppger att forskarna aldrig läste enskilda meddelanden och att all analys gjordes på aggregerade, anonymiserade data.
Populationen är alltså ChatGPT Business-användare som fyllde i sin avdelning, vilket inte är arbetskraften. Och slutsatsen OpenAI drar — att jobb kan breddas medan titlarna står stilla — är en tolkning av fyra månaders användningsloggar, inte en mätning av någons arbetsbeskrivning. Det är en rimlig läsning. Det är ännu inte bevis för en förändring i hur arbete organiseras.
