OpenAI Work at the Frontier: AI zmienia zakres pracy

27 lipca 2026 roku OpenAI opublikowało pierwszy raport z serii Work at the Frontier, poświęcony temu, jak AI zmienia nie tylko sposób wykonywania pracy, lecz także granice między rolami. Analiza obejmuje losową próbę ponad 800 tys. wiadomości związanych z pracą wysłanych przez użytkowników ChatGPT w Stanach Zjednoczonych. Autorzy nazywają zaobserwowane zjawisko task crossover: pracownik używa AI do zadania historycznie kojarzonego z innym zawodem.

Najczęściej cytowana liczba — 43,5% — wymaga kontekstu. Taki udział dotyczy wiadomości zaklasyfikowanych jako związane z konkretnym zawodem po wyłączeniu zadań ogólnych. W całej próbie wiadomości służbowych 16,8% uznano za przekraczające granicę zawodu, 21,8% za należące do własnej roli, a 61,5% za ogólne, takie jak pisanie, streszczanie czy planowanie.

Raport nie dowodzi, że 43,5% miejsc pracy zniknie, że wydajność wzrosła o konkretną wartość ani że użytkownik poprawnie wykonał zadanie specjalisty. OpenAI wyraźnie opisuje badanie jako analizę wykorzystania narzędzia, nie efektów zatrudnienia lub produktywności. To rozróżnienie jest kluczowe dla firm planujących strategię AI.

Jak powstało badanie

Autorzy analizowali użytkowników z ośmiu grup zawodowych: customer experience, design, engineering, finance, human resources, legal, marketing i sales. Zawód ustalano na podstawie informacji Department lub Role podanych w koncie ChatGPT Business, natomiast badane wiadomości pochodziły z indywidualnych kont ChatGPT tych użytkowników i były sklasyfikowane jako związane z pracą.

Według raportu model anonimowo klasyfikował wiadomości, a badacze nie czytali ich treści źródłowej. Do klasyfikacji wybranej wiadomości wykorzystywano ją oraz maksymalnie dziewięć wcześniejszych wiadomości z rozmowy jako kontekst. Jednostką analizy była pojedyncza wiadomość — nie godzina pracy, zakończony projekt ani wynik biznesowy.

Zadania mapowano do O*NET, bazy zawodów i aktywności utrzymywanej przez Departament Pracy USA. Klasyfikacja przebiegała hierarchicznie: wiadomość otrzymywała pośrednią kategorię pracy, następnie szczegółową aktywność, a tę porównywano z historyczną granicą zawodu użytkownika. Ogólne czynności, występujące w wielu rolach, oddzielono od zadań „w zawodzie” i „poza zawodem”.

Taka metoda jest bardziej konkretna niż pytanie użytkownika „czy AI pomaga ci w innej roli?”, ale ma ograniczenia. Granice zawodu są modelem opartym na historycznych opisach O*NET. Jedna wiadomość może zawierać kilka zadań, a klasyfikacja wybiera aktywność dominującą. Model klasyfikujący również może popełniać błędy.

Najważniejsze wyniki

W pełnej próbie rozkład wyglądał następująco:

61,5% wiadomości dotyczyło pracy ogólnej;
21,8% mieściło się w historycznej granicy zawodu użytkownika;
16,8% dotyczyło zadania kojarzonego z innym zawodem.

Po wyłączeniu pracy ogólnej udział task crossover wyniósł 43,5%. W pięciu z ośmiu grup większość wiadomości specyficznych zawodowo wykraczała poza tradycyjną rolę: 77% w customer experience, 75% w designie, 69% w HR, 56% w legal i 53% w marketingu.

Nie oznacza to, że trzy czwarte całej pracy projektantów przejęły inne zawody. Mianownik obejmuje wyłącznie wiadomości specyficzne zawodowo po odrzuceniu szerokiej kategorii zadań ogólnych. To dobry przykład, dlaczego nagłówek bez metodologii może zniekształcić sens badania.

Które zadania „podróżują” między rolami

OpenAI rozróżnia dwa kierunki. Pracownik może pobierać zadania z innych zawodów albo jego tradycyjne zadania mogą pojawiać się w wielu innych rolach.

Marketing i engineering są częstym źródłem zadań wykonywanych przez osoby spoza tych funkcji. Wśród powtarzających się aktywności znalazły się obliczenia finansowe, rozwiązywanie problemów z aplikacjami i systemami, tworzenie materiałów marketingowych oraz wyjaśnianie regulacji. W analizie zadania marketingowe stanowiły około 28–29% nieogólnych wiadomości wśród użytkowników sales i design oraz 26% w customer experience. Zadania inżynieryjne odpowiadały za 28% w designie i około 20–22% w customer experience oraz finance.

Design pokazuje głównie kierunek „do środka”: 35,2% wszystkich wiadomości projektantów dotyczyło zadań z innych obszarów, podczas gdy zadania projektowe stanowiły tylko 1,7% wiadomości osób z innych grup. Engineering działał bardziej w przeciwnym kierunku — 18,5% wiadomości inżynierów wykraczało poza ich obszar, ale zadania inżynieryjne stanowiły 7,4% wiadomości użytkowników innych zawodów.

Marketing miał wysoki wynik w obu kierunkach: 24,3% wiadomości marketerów dotyczyło innych obszarów, a zadania marketingowe stanowiły 8,9% wiadomości w pozostałych grupach. Raport sugeruje więc nie tyle prostą automatyzację, ile rekombinację zakresów obowiązków.

Małe firmy i rola AI jako „generalisty”

Wśród użytkowników o typowej liczbie wiadomości, czyli środkowych 50% rozkładu aktywności, udział zadań spoza zawodu spadał z 18,9% w workspace’ach z 2–5 miejscami do 16,3% w workspace’ach mających ponad 100 miejsc. OpenAI interpretuje to ostrożnie: w mniejszych organizacjach pracownik może częściej używać AI, gdy nie ma łatwego dostępu do specjalisty.

Ta zależność nie była monotoniczna wśród najbardziej aktywnych 25% użytkowników. Liczba miejsc w workspace nie jest też tym samym co całkowita wielkość firmy. Może odzwierciedlać dojrzałość, branżę, strukturę organizacji i sposób zakupu licencji.

Dla MŚP wynik jest jednak praktycznie ważny. AI może obniżać koszt pierwszego podejścia do analizy danych, umowy, kampanii lub problemu technicznego. Nie obniża automatycznie kosztu błędu, szczególnie gdy użytkownik działa poza własną kompetencją i nie wie, czego nie zauważył.

Task crossover nie jest transferem odpowiedzialności

Jeżeli marketer tworzy skrypt, sprzedawca analizuje dane klientów, a właściciel firmy przegląda umowę z pomocą AI, organizacja nadal musi ustalić, kto odpowiada za jakość i zgodność wyniku. Model może pomóc wykonać zadanie, ale nie przyznaje użytkownikowi formalnych uprawnień, licencji ani kompetencji zawodowej.

Firma potrzebuje co najmniej trzech poziomów:

samodzielne użycie dla działań odwracalnych i łatwych do sprawdzenia;
obowiązkowa recenzja specjalisty dla zadań z istotnym ryzykiem finansowym, prawnym, bezpieczeństwa lub prywatności;
zakaz autonomicznego wykonania dla decyzji regulowanych albo nieodwracalnych.

Przykładowo szkic komunikatu marketingowego można poprawić przed publikacją. Skrypt zmieniający dane produkcyjne, interpretacja zobowiązania prawnego albo decyzja kadrowa wymagają innej bramki. Wartość AI nie polega na usunięciu specjalisty, lecz na przesunięciu go z tworzenia każdego pierwszego szkicu do kontroli trudniejszych przypadków.

Ryzyko bezpieczeństwa, gdy role się rozszerzają

Task crossover ma bezpośrednią konsekwencję dla modelu uprawnień. Użytkownik zaczyna wykonywać zadania, których wcześniej nie przewidywała jego rola w IAM, DLP i procesach zatwierdzania. AI może wygenerować kod, ale użytkownik nie powinien automatycznie otrzymać tokenu do produkcji. Może pomóc analizować finanse, ale nie potrzebuje przez to dostępu do całego systemu księgowego.

Najczęstsze ryzyka to:

wklejanie danych do niezatwierdzonego narzędzia;
wykonywanie kodu bez review i skanowania zależności;
oparcie decyzji na halucynowanym źródle;
ujawnienie danych poza tradycyjną granicą zespołu;
obchodzenie procesu zakupowego lub prawnego;
akceptacja wyniku poza własną kompetencją.

Kontrole powinny podążać za czynnością i danymi, a nie wyłącznie za nazwą stanowiska. Przydatne są polityki narzędziowe, oddzielne środowiska testowe, allowlisty źródeł, skanowanie wyjścia i logowanie działania bez nadmiernego przechowywania treści. Więcej o filtracji danych opisujemy w analizie prywatności OpenAI, PII i RODO.

Jak firmy powinny mierzyć efekt

Raport nie mierzy produktywności, poprawności ani użycia wygenerowanego wyniku. Firma nie powinna więc cytować 43,5% jako własnego ROI. Potrzebne są lokalne metryki dla konkretnych workflow:

czas do ukończenia zadania;
udział wyników przyjętych bez istotnej korekty;
liczba błędów wykrytych przez specjalistę;
odsetek eskalacji i przypadków zablokowanych;
koszt recenzji;
incydenty bezpieczeństwa lub prywatności;
jakość rezultatu wobec wcześniejszego baseline’u.

Najlepszy pilotaż wybiera jedną czynność, ma grupę porównawczą i z góry ustalone kryterium zatrzymania. Ogólny wskaźnik „liczby użytkowników AI” może rosnąć, nawet gdy wynik biznesowy się pogarsza. Scorecard wdrożenia AI powinien łączyć adopcję z jakością, ryzykiem i oszczędnością.

Nowy model kompetencji

Jeżeli granice zadań rzeczywiście się przesuwają, szkolenie AI nie może ograniczać się do promptów. Pracownik potrzebuje umiejętności rozpoznania, kiedy zadanie opuszcza jego domenę, jak sprawdzić źródło, kiedy poprosić specjalistę i których danych nie wolno przesyłać.

Z kolei specjaliści muszą umieć szybko oceniać materiał przygotowany przez osobę spoza swojej roli. To inne zadanie niż tworzenie od zera: wymaga checklist, widocznego pochodzenia, historii zmian i jasnego zakresu odpowiedzialności.

W organizacji warto zbudować katalog dopuszczonych przypadków użycia z właścicielem, modelem, klasą danych, wymaganym reviewerem i kryterium wycofania. Taki katalog pomaga skalować agentową automatyzację w firmie bez zamiany każdego pracownika w niekontrolowanego administratora wielu domen.

Przykład bezpiecznego task crossover

Załóżmy, że handlowiec chce samodzielnie przeanalizować eksport z CRM zamiast czekać na analityka. Bezpieczny workflow nie zaczyna się od wysłania całego pliku do publicznego czatu. System tworzy ograniczony widok bez danych, których handlowiec nie potrzebuje, usuwa identyfikatory osobowe i udostępnia go w zatwierdzonym środowisku AI.

Model może zaproponować kod i wizualizację, ale kod jest uruchamiany w izolowanym sandboxie tylko do odczytu. Wynik pokazuje zapytanie, transformacje oraz pochodzenie kolumn. Jeżeli analiza ma wpłynąć na cenę, segmentację klienta lub automatyczną kampanię, właściciel danych albo analityk zatwierdza regułę przed użyciem.

Taki proces pozwala handlowcowi wykonać część zadania analitycznego bez nadania mu dostępu administracyjnego i bez usunięcia specjalistycznej kontroli. Firma zyskuje szybszą pierwszą odpowiedź, a reviewer otrzymuje materiał możliwy do odtworzenia. To właśnie różnica między rozszerzeniem roli a niekontrolowanym przeniesieniem odpowiedzialności.

Podobny wzorzec można zastosować do szkicu umowy, skryptu administracyjnego czy materiału HR: minimalny zestaw danych, środowisko o ograniczonych skutkach, widoczne źródła i bramka przed decyzją o wysokim wpływie.

Ograniczenia, których nie wolno pomijać

OpenAI wskazuje kilka ważnych ograniczeń:

próba nie reprezentuje całej siły roboczej USA;
obejmuje osiem wybranych grup zawodowych;
dane o roli są deklarowane przez użytkownika;
populacje ChatGPT Business i Enterprise są rozdzielone, więc wyników nie należy automatycznie uogólniać na Enterprise;
pojedyncza wiadomość nie mówi, czy zadanie zakończono ani czy wynik był poprawny;
badanie jest opisowe i nie pokazuje, jak użytkownik wykonałby pracę bez AI.

To mocna analiza zachowań w produkcyjnym narzędziu, lecz nie eksperyment przyczynowy. Pokazuje, że ludzie proszą AI o szerszy zestaw zadań niż sugeruje historyczny opis ich zawodu. Nie odpowiada, czy organizacje utrwalą ten podział, zwiększą zatrudnienie generalistów czy wprowadzą więcej recenzji specjalistycznych.

Wniosek

Work at the Frontier dostarcza rzadkich danych o tym, jak AI przenosi zadania między rolami. Najważniejszą liczbą nie jest samo 43,5%, lecz różnica między wykonywaniem zadania a odpowiedzialnością za jego wynik. AI pozwala szybciej wejść w obcą domenę, ale nie zapewnia automatycznie jakości, prawa do działania ani świadomości ryzyka.

Dla firm oznacza to konieczność przebudowy workflow, uprawnień i szkoleń wokół konkretnych czynności. Najbardziej wartościowe wdrożenie nie pyta „ile osób używa AI?”, lecz „które zadania przesunęły się między rolami, kto je weryfikuje i czy wynik jest lepszy bez zwiększenia ryzyka?”.

Breachroad pomaga projektować bezpieczne workflow AI, testować agentów i kontrolować przepływy danych przed szerokim wdrożeniem.

Źródła pierwotne: OpenAI — How AI is expanding what people do at work, OpenAI Economic Research — pełny raport Work at the Frontier, O*NET — baza zawodów i aktywności.