OpenAI 发布覆盖 165 类工作活动的 ChatGPT 使用数据：7 个季度、近 100 国的 5 个关键发现

作者注：解读 OpenAI Signals v3.0 公开的 165 类工作活动 ChatGPT 使用数据，厘清统计口径，并分析它对开发者和企业 AI 应用的参考价值。

2026 年 10 月 26 日，OpenAI 经济研究团队发布了《ChatGPT’s expanding world of work》（中文官方标题《ChatGPT 不断拓展的工作版图》），公开了覆盖近 100 个国家和地区、165 类工作活动、连续 7 个季度的 ChatGPT 使用数据。这批数据属于 OpenAI Signals v3.0 计划，以 CC BY 4.0 许可免费开放下载，研究者可以直接拿 CSV 做二次分析。

这不是一次新模型或新功能发布，而是一套面向研究人员的经济使用数据。官方公告、数据字典和第三方媒体对原始 CSV 的核查已经同时出现，数字口径可以相互印证。本文会把官方结论和第三方计算明确区分开，避免把“消息占比”误读成“岗位替代”。

核心价值：几分钟看懂 OpenAI 165 类工作活动数据到底统计了什么、发现了什么，以及它对 AI 应用开发者有哪些实际参考意义。

OpenAI 165 类工作活动数据核心信息速览

先用一张表把这次 ChatGPT 使用数据发布的基本事实说清楚：

165 类工作活动不是 165 种职业

这是解读 OpenAI 这份数据时最容易出错的地方。O*NET 是美国官方支持的职业信息数据库，它把“职业”拆成多层“工作活动”。比如“编辑书面材料”这一活动，既出现在编辑的工作里，也出现在教师、律师、工程师和财务人员的日常中。

因此 OpenAI 统计的是“人们用 ChatGPT 做什么事”，而不是“哪些职业的人在用 ChatGPT”。IWA（Intermediate Work Activities，中间层级工作活动）介于宽泛的工作行为和非常具体的任务之间，O*NET 参考体系里共有 332 个 IWA 条目。

OpenAI 只单独报告了其中常见且满足样本门槛的活动，低频活动被合并。据 PPC Land 对原始 CSV 的核查，公开表实际是 164 个具名类别加 1 个“Other IWA”合并类别，合计 165 个分类结果。所以不能说 OpenAI 完整统计了全部 332 类 IWA。

数据是怎么收集和分类的

Signals v3.0 每月抽样约 100 万条 ChatGPT 消息，整体覆盖 2024 年 7 月至 2026 年 9 月共 27 个月，合计约 2700 万条分类样本。需要注意，2700 万是各月样本数之和，既不等于独立用户数，也不代表全部都是工作消息。

分类由自动化的语言模型分类器完成：先判断消息是否与工作相关，再映射到 O*NET 工作活动，同时标注主题、意图、时间和地区等维度。隐私方面，OpenAI 表示研究人员不直接阅读原始聊天，分类前处理身份信息，只发布汇总结果，并对小样本做隐藏、加入差分隐私噪声。国家季度工作活动分布要求有效消息至少 1000 条才发布。

ChatGPT 使用数据最核心的发现：工作用途更分散

OpenAI 官方给出的头条结论是：个人用户用 ChatGPT 处理的工作类型正在变得更多样。在 7 个季度都有完整记录的 74 个国家和地区中，各国最常见的前十类工作活动，在本国已分类工作消息中的平均占比明显下降。

这里有两个口径必须讲清楚。第一，51.1% 不是某个全球统一前十榜单的占比，而是先算每个国家自己的前十，再对 74 国取平均，各国的前十项可以不同。第二，占比下降不等于消息量下降，如果整体使用量在增长，头部活动的绝对请求数仍可能增加。

换句话说，更多“长尾”工作活动分到了更大的份额。这和 74 国与近 100 国是两个不同样本范围，引用时也不能混用。

哪些具体工作活动最常见

PPC Land 在 2026 年 10 月 27 日基于全部公开 CSV 做了独立计算，对 74 国分别统计后取平均。以下是 2026 年第三季度最常见的六项具名工作活动（第三方计算，非 OpenAI 公告直接列出）：

编辑文档依然是最普遍的工作用途，视觉设计已经升到第二位。营销内容、教学材料和跨语言理解都有明显需求，而编程虽然重要，但在这份个人账户样本里并不占最大份额。

视觉设计上升，编程占比下降

按 PPC Land 的计算，“创建视觉设计或展示内容”的 74 国平均占比从 2025 年第一季度的 3.1% 升到 2026 年第三季度的 7.9%，增加 4.8 个百分点，是 165 个类别中增幅最大的具体活动。美国同期从 2.4% 升到 7.6%，2026 年第三季度巴西达到 11.2%、印度 8.7%。

相反，“编程计算机系统或生产设备”从 7.8% 降到 3.1%，美国从 6.7% 降到 2.4%，印度在 2026 年第三季度仍有 5.8%。解决计算机问题、研究技术设计等相关活动也同步下降。一种合理假设是开发者转向了 Codex 等专门编程代理，但数据本身并没有证明这种迁移，更稳妥的表述是：在这份排除 Codex 与企业账户的数据中，编程类工作消息的占比明显下降。

营销是另一个值得关注的信号。“制作营销或推广材料”的平均占比从 5.2% 到 5.1%，几乎持平，阿根廷、巴基斯坦、尼日利亚等国在 2026 年第三季度达到 9% 左右。这说明通用写作占比虽在下降，专门的营销内容需求依然稳定。

📊 图表说明：上图数据来自 PPC Land 对 OpenAI 公开 CSV 的二次计算。如果你想在自己的业务里验证“设计类、文案类、编程类”请求分别适合哪个模型，可以通过 API易 apiyi.com 用同一个 API Key 切换 OpenAI、Claude、Gemini 等模型做小规模对比。

美国和德国的 ChatGPT 工作结构对比

PPC Land 还逐项读取了 OpenAI 交互图表中更宽泛的 Generalized Work Activities（注意与上面的 IWA 不是同一层级，不能混排）。统计口径为各国工作相关消息的占比：

两国都显示“决策与解决问题”是重要用途，“创造性思考”和“咨询建议”的占比明显上升。这描述的是用户请求类型，并不代表 ChatGPT 已经独立做出商业决策，也不等于提供了经过验证的专家级咨询。

在国家之间，PPC Land 读取的跨国分布差异指标（总变差距离）从约 22.2% 微升到约 23.0%。OpenAI 也承认，这种差异可能来自工作结构、语言文化、工具可用性和使用习惯，本次数据不足以证明因果关系。

165 类工作活动数据对开发者的影响分析

对 AI 应用开发者的影响

• 需求在变宽：用户不再只拿 ChatGPT 改文档，视觉设计、营销、教学材料、咨询建议都有可观份额，单一功能的 AI 工具需要考虑多任务场景。
• 多模态更重要：视觉设计是增幅最大的活动，同期全部个人消息中“多媒体”主题也从 2.0% 升到 8.8%（PPC Land 计算），图像能力值得纳入产品规划。
• 编程场景走向专用化：通用聊天里的编程消息占比下降，提示开发类需求可能更多发生在专用代理或企业环境中，适合用专门的代码模型和工作流承接。
• 可复用分类方法：OpenAI 用 LLM 分类器把消息映射到标准任务体系，这套思路同样可以用在你自己的产品日志分析上。

对企业 AI 落地的影响

个人账户数据不能代表企业使用。OpenAI 另一项 Enterprise Signals 数据显示，截至 2026 年 6 月，在所分析企业客户中 Codex 贡献了 ChatGPT 与 Codex 合计输出 Token 的 64%。这说明企业侧的使用结构可能与个人账户差异很大，评估内部 AI 方案时应基于自己的任务日志，而不是直接套用 Signals 的个人数据。

🚀 快速开始：如果想像 OpenAI 一样给自家业务请求打上“工作活动”标签，推荐通过 API易 apiyi.com 快速搭建原型。平台提供 OpenAI 兼容接口，新用户有免费测试额度，几分钟即可跑通下面的示例。

用 API 复现“工作活动分类”思路

下面是一个极简示例，用大模型把一条用户请求归类到少量工作活动标签，原理与 OpenAI 的分类器一致（标签为简化示意，并非 O*NET 完整体系）：

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # API易 OpenAI 兼容接口
)

labels = "编辑文档, 视觉设计, 营销推广, 语言解释, 教学材料, 编程, 决策分析, 其他"
resp = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": f"从[{labels}]中选一个标签描述这条工作请求，只输出标签：帮我写一份新品发布的公众号推文"}]
)
print(resp.choices[0].message.content)

import openai
from collections import Counter
from typing import List

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # 一个 Key 可切换多家模型
)

LABELS = ["编辑文档", "视觉设计", "营销推广", "语言解释",
          "教学材料", "编程", "决策分析", "非工作", "其他"]

SYSTEM = (
    "你是工作活动分类器。先判断请求是否与工作相关，"
    f"再从以下标签中选择一个：{', '.join(LABELS)}。只输出标签本身。"
)

def classify(text: str, model: str = "gpt-4o-mini") -> str:
    try:
        r = client.chat.completions.create(
            model=model,
            messages=[{"role": "system", "content": SYSTEM},
                      {"role": "user", "content": text}],
            temperature=0,
            max_tokens=10,
        )
        label = r.choices[0].message.content.strip()
        return label if label in LABELS else "其他"
    except Exception as e:
        print(f"Error: {e}")
        return "其他"

def activity_share(messages: List[str]) -> dict:
    counts = Counter(classify(m) for m in messages)
    work = {k: v for k, v in counts.items() if k != "非工作"}
    total = sum(work.values()) or 1
    return {k: round(v / total * 100, 1) for k, v in work.most_common()}

if __name__ == "__main__":
    logs = [
        "帮我润色这份季度汇报",
        "设计一组活动海报的构图建议",
        "这段 Python 为什么读不到数据",
        "周末去哪里露营比较好",
    ]
    print(activity_share(logs))

和 OpenAI 的方法一样，这种自动分类会有误判，一项任务也可能拆成多条消息，所以统计出的“消息占比”不能直接等同于工作量或业务价值。

不同工作活动的模型选型参考

结合数据中占比较高的活动，可以按任务类型做初步选型，具体效果仍需在自己的数据上实测：

OpenAI 165 类工作活动数据的局限

这份数据很有价值，但边界同样清晰。以下几点是引用时最需要注意的：

• 样本只含成人个人账户：排除 Enterprise 和 Codex，不能代表 OpenAI 企业产品的全部工作应用。
• 分类是自动完成的：LLM 分类器可能误读意图，比如“设计活动宣传方案”可能是真实营销工作，也可能是个人兴趣。
• 消息占比不等于产出：它不代表任务数量、工作时长、使用人数、节省工时或成功率。
• 存在隐私噪声和样本门槛：小样本结果被隐藏，并加入了差分隐私噪声。
• 与真实经济并非一一对应：按就业人数加权，美国约 43% 的现实工作活动落在“Other IWA”类别中，这既不代表 43% 的工作无法被 AI 完成，也不代表其余 57% 已被 ChatGPT 覆盖。

此外，PPC Land 的计算显示，全部个人消息中被标为工作相关的比例从 2024 年 7 月约 51.6% 降到 2026 年 9 月约 32.2%。这更可能与非工作用户大量加入、部分专业工作转向企业账户和专门 Agent 有关，不能据此判断 ChatGPT 对职场变得不重要。

常见问题 FAQ

OpenAI 165 类工作活动数据 Key Takeaways

• 统计对象是活动而非职业：165 类指 O*NET 工作活动，含 1 个“其他”合并类别。
• 用途更分散：74 国前十活动平均占比从 56.0% 降至 51.1%。
• 视觉设计增幅最大：第三方计算显示从 3.1% 升至 7.9%。
• 编程占比下降但需谨慎解读：样本排除了 Codex 与企业账户。
• 营销需求稳定：营销推广材料占比基本维持在 5% 左右。
• 消息占比不等于产出：不能推出岗位替代、工时节省或成功率。
• 分类方法可复用：借助 API易 apiyi.com 多模型接口可快速搭建自己的任务分类分析。

总结

OpenAI 165 类工作活动 ChatGPT 使用数据的核心信息：

1. 数据性质：一套免费开放、按季度追踪的研究数据，统计的是个人账户中“用 ChatGPT 做什么工作活动”。
2. 主要发现：工作用途正在变得更分散，视觉设计、咨询建议和创造性思考上升，通用编程消息占比下降。
3. 解读边界：数据不含企业账户和 Codex，消息占比不能等同于工作量、岗位影响或经济价值。

这份数据真正揭示的，不是哪 165 种职业即将消失，而是 AI 正以更细致、更多样的方式进入不同工作流程，并且因国家和任务类型而有所不同。对开发者来说，与其追问“AI 会替代谁”，不如看清用户实际在用 AI 完成哪些活动，再为这些活动选对模型和工作流。

推荐通过 API易 apiyi.com 快速验证不同模型在你业务场景中的表现，平台提供免费测试额度和多模型统一接口。

📚 参考资料

1. OpenAI 官方公告：ChatGPT’s expanding world of work：本次发布的核心出处
2. 链接：openai.com/index/chatgpt-expanding-world-of-work

3. 说明：165 类活动、近 100 国、56.0% 到 51.1% 等官方结论

4. OpenAI Signals 数据下载与方法说明：原始 CSV 与数据字典入口

5. 链接：openai.com/signals/data-download

6. 说明：样本范围、隐私处理与 CC BY 4.0 授权说明

7. PPC Land：Writing drops from 34% to 21% of ChatGPT requests since July 2024：第三方 CSV 分析

8. 链接：ppc.land/writing-drops-from-34-to-21-of-chatgpt-requests-since-july-2024

9. 说明：具体活动排名、视觉设计与编程占比变化

10. PPC Land：Americans use ChatGPT at work most to make decisions：美德交互图表读取

11. 链接：ppc.land/americans-use-chatgpt-at-work-most-to-make-decisions-1-in-5-requests

12. 说明：宽泛工作活动的国家对比数据

13. O*NET 官方网站：工作活动与职业分类体系

14. 链接：onetcenter.org

15. 说明：理解 IWA 定义与 332 个参考条目

16. OpenAI Enterprise Signals：企业账户使用数据

17. 链接：openai.com/signals/enterprise-data
18. 说明：用于区分个人与企业数据口径

作者：APIYI 技术团队
技术交流：欢迎在 API易 网站首页联系我们，更多接入资料可访问 docs.apiyi.com 文档中心

延伸阅读

• OpenAI 报错 model not found？GPT-5.5 已于 10 月 14 日从 ChatGPT 下线，5 步排查与替代方案:2026 年 10 月 14 日 GPT-5.5 从 ChatGPT、ChatGPT Work 和 Codex 全面退役，但 OpenAI API 不受影响。本文梳理 10 月 15 日最新情况，讲清 OpenAI “model not found” 报错的 5 大原因、分场景解决方法，以及 GPT-5.6 Sol、Terra、Luna 和 GPT-6 Astra 的替代选择。
• OpenAI 新增 12 小时 Prompt Cache：GPT-6 API 缓存省钱的 5 个判断标准:解读 OpenAI 12 小时 Prompt Cache 对 GPT-6 API 成本的影响，用回本公式和 5 个判断标准说明哪些场景开缓存能省钱、哪些场景收益有限。