OpenAI опубликовала данные об использовании ChatGPT по 165 категориям рабочих задач: 5 ключевых выводов за 7 кварталов и почти 100 стран

Примечание автора: разбираем опубликованные в рамках OpenAI Signals v3.0 данные об использовании ChatGPT по 165 категориям рабочих активностей, уточняем методологию подсчёта и оцениваем, чем это полезно разработчикам и компаниям, внедряющим ИИ.

26 октября 2026 года команда экономических исследований OpenAI выпустила отчёт «ChatGPT’s expanding world of work» (официальное китайское название — «ChatGPT 不断拓展的工作版图»), опубликовав данные об использовании ChatGPT, охватывающие почти 100 стран и регионов, 165 категорий рабочих активностей и 7 кварталов подряд. Эти данные относятся к программе OpenAI Signals v3.0 и распространяются бесплатно по лицензии CC BY 4.0 — исследователи могут взять CSV и сразу приступить к вторичному анализу.

Это не релиз новой модели и не анонс новой функции, а набор экономических данных об использовании продукта, ориентированный на исследователей. Официальный анонс, словарь данных и проверка исходных CSV независимыми медиа уже появились одновременно, так что цифры в разных источниках сходятся. В этой статье я явно разделяю выводы самой OpenAI и расчёты третьих сторон, чтобы «долю сообщений» не приняли за «замену профессий».

Главное: за несколько минут разберёмся, что именно измеряют данные OpenAI по 165 категориям рабочих активностей, какие выводы из них следуют и что это даёт разработчикам ИИ-приложений на практике.

Главное о данных OpenAI по 165 видам рабочих задач

Для начала — таблица с базовыми фактами о публикации данных по использованию ChatGPT:

165 видов рабочих задач — это не 165 профессий

Именно здесь чаще всего ошибаются при чтении этих данных. O*NET — официальная американская база данных о профессиях, которая разбивает «профессию» на несколько уровней «рабочих задач». Например, задача «редактировать письменные материалы» встречается и в работе редактора, и в повседневной работе учителя, юриста, инженера и финансиста.

Поэтому OpenAI считает, что люди делают с помощью ChatGPT, а не люди каких профессий используют ChatGPT. IWA (Intermediate Work Activities, промежуточные рабочие задачи) находятся между широкими видами деятельности и очень конкретными задачами; в справочной системе O*NET всего 332 записи IWA.

OpenAI отдельно отчиталась только по тем задачам, которые встречаются часто и проходят порог выборки, а редкие объединила. По проверке исходного CSV, которую провёл PPC Land, публичная таблица фактически содержит 164 именованные категории плюс одну объединённую категорию «Other IWA» — итого 165 классификационных результатов. Так что нельзя говорить, будто OpenAI полностью учла все 332 категории IWA.

Как собирались и классифицировались данные

Signals v3.0 ежемесячно отбирает около 1 миллиона сообщений ChatGPT; в целом охвачен период с июля 2024 по сентябрь 2026 года — 27 месяцев, всего около 27 миллионов классифицированных样本ов. Важно понимать: 27 миллионов — это сумма выборок по месяцам, она не равна числу уникальных пользователей и не означает, что все сообщения были рабочими.

Классификацию выполняет автоматический классификатор на основе языковой модели: сначала он определяет, связано ли сообщение с работой, затем сопоставляет его с рабочей задачей из O*NET, попутно размечая тему, намерение, время и регион. Что касается приватности, OpenAI заявляет, что исследователи не читают исходные чаты напрямую, перед классификацией обрабатываются идентифицирующие данные, публикуются только агрегированные результаты, а для малых выборок применяется скрытие и добавление шума дифференциальной приватности. Распределение рабочих задач по странам и кварталам публикуется только при наличии не менее 1000 валидных сообщений.

Главный вывод из данных об использовании ChatGPT: рабочие сценарии становятся всё более разнообразными

Официальный топ-вывод OpenAI звучит так: типов рабочих задач, которые обычные пользователи решают с помощью ChatGPT, становится всё больше. В 74 странах и регионах, по которым есть полные данные за 7 кварталов, средняя доля десяти самых распространённых видов рабочих активностей в общем объёме классифицированных рабочих сообщений внутри страны заметно снизилась.

Здесь важно сразу прояснить два методологических момента. Во-первых, 51,1% — это не доля какого-то единого глобального топ-10. Сначала считается собственный топ-10 для каждой страны, а затем эти значения усредняются по 74 странам, причём сами топ-10 в разных странах могут не совпадать. Во-вторых, снижение доли не означает снижения количества сообщений: если общий объём использования растёт, абсолютное число запросов по самым популярным активностям всё равно может увеличиваться.

Иными словами, более «длиннохвостые» рабочие активности получают всё большую долю. При этом 74 страны и почти 100 стран — это две разные выборки, и при цитировании их нельзя смешивать.

Какие конкретные рабочие задачи встречаются чаще всего

27 октября 2026 года PPC Land провёл независимый расчёт на основе всех публично доступных CSV-файлов: данные посчитали отдельно по каждой из 74 стран, а затем усреднили. Ниже — шесть самых частых именованных рабочих действий в третьем квартале 2026 года. Это сторонний расчёт, а не список, который OpenAI прямо приводит в своём объявлении.

Редактирование документов по-прежнему остаётся самым распространённым рабочим сценарием, а визуальный дизайн поднялся на второе место. Маркетинговый контент, учебные материалы и межъязыковое понимание тоже явно востребованы. Программирование, конечно, важно, но в этой выборке личных аккаунтов оно не занимает самую большую долю.

Визуальный дизайн растёт, доля программирования падает

По расчётам PPC Land, средняя по 74 странам доля категории «создание визуального дизайна или презентационного контента» выросла с 3,1% в первом квартале 2025 года до 7,9% в третьем квартале 2026 года — плюс 4,8 процентного пункта. Это самый большой прирост среди 165 категорий. В США за тот же период показатель поднялся с 2,4% до 7,6%, а в третьем квартале 2026 года Бразилия достигла 11,2%, Индия — 8,7%.

Обратная картина с категорией «программирование компьютерных систем или производственного оборудования»: она упала с 7,8% до 3,1%, в США — с 6,7% до 2,4%, в Индии в третьем квартале 2026 года всё ещё держится на 5,8%. Синхронно просели и смежные виды деятельности — решение компьютерных проблем, исследование технического дизайна. Разумно предположить, что разработчики перешли на специализированные агенты для программирования вроде Codex, но сами данные эту миграцию не доказывают. Более осторожная формулировка: в этих данных, где исключены Codex и корпоративные аккаунты, доля рабочих сообщений, связанных с программированием, заметно снизилась.

Маркетинг — ещё один сигнал, на который стоит обратить внимание. Средняя доля категории «создание маркетинговых или рекламных материалов» изменилась с 5,2% до 5,1%, то есть практически не сдвинулась, а в Аргентине, Пакистане, Нигерии и ряде других стран в третьем квартале 2026 года она достигала около 9%. Получается, что доля универсального письма падает, а спрос именно на маркетинговый контент остаётся стабильным.

📊 Пояснение к графику: данные на схеме — результат повторного расчёта публичного CSV от OpenAI, выполненного PPC Land. Если вы хотите проверить на собственных задачах, какая модель лучше подходит для запросов «дизайн», «тексты» и «программирование», можно через APIYI apiyi.com с одним и тем же API-ключом переключаться между OpenAI, Claude, Gemini и другими моделями и устраивать небольшие сравнительные прогоны.

Сравнение структуры использования ChatGPT на работе в США и Германии

PPC Land также по пунктам разобрал более широкие категории Generalized Work Activities (обобщённые рабочие действия) из интерактивного графика OpenAI — обратите внимание, что это не тот же уровень, что IWA выше, и смешивать их нельзя. Доли рассчитаны от рабочих сообщений по каждой стране:

В обеих странах «принятие решений и решение проблем» остаётся заметной сферой применения, а доля «творческого мышления» и «консультирования и рекомендаций» явно выросла. Речь идёт о типах пользовательских запросов — это не значит, что ChatGPT уже самостоятельно принимает бизнес-решения или даёт проверенные консультации уровня эксперта.

Что касается различий между странами, то показатель несходства распределений (общее вариационное расстояние), который считывал PPC Land, немного вырос — примерно с 22,2% до 23,0%. OpenAI также признаёт, что такая разница может объясняться структурой занятости, языком и культурой, доступностью инструментов и привычками использования; имеющихся данных недостаточно, чтобы доказать причинно-следственную связь.

Анализ влияния данных о 165 категориях рабочих активностей на разработчиков

Что это значит для разработчиков AI-приложений

• Запросы становятся шире: пользователи уже не ограничиваются правкой документов в ChatGPT — заметную долю занимают визуальный дизайн, маркетинг, учебные материалы и консультации. Инструментам с одной функцией стоит задуматься о сценариях с несколькими задачами.
• Мультимодальность важнее, чем раньше: визуальный дизайн — активность с самым большим приростом, а тема «мультимедиа» в личных сообщениях за тот же период выросла с 2,0% до 8,8% (расчёт PPC Land). Возможности работы с изображениями стоит закладывать в план продукта.
• Программирование уходит в специализированные инструменты: доля запросов про код в общем чате падает, и запросы на разработку, вероятно, всё чаще обрабатываются специализированными агентами или внутри корпоративных сред. Для этого лучше подходят отдельные кодовые модели и рабочие процессы.
• Метод классификации можно переиспользовать: OpenAI сопоставляет сообщения со стандартной системой задач с помощью LLM-классификатора. Тот же подход вполне применим и к анализу логов вашего собственного продукта.

Влияние на внедрение ИИ в компаниях

Данные личных аккаунтов не отражают корпоративное использование. Ещё один набор данных OpenAI — Enterprise Signals — показывает, что по состоянию на июнь 2026 года среди проанализированных корпоративных клиентов Codex отвечал за 64% суммарного объёма выходных токенов ChatGPT и Codex. Это говорит о том, что структура использования на стороне компаний может сильно отличаться от личных аккаунтов, и при оценке внутренних ИИ-решений стоит опираться на собственные логи задач, а не механически переносить персональные данные Signals.

🚀 Быстрый старт: Если хотите, как OpenAI, помечать собственные бизнес-запросы тегом «рабочая активность», рекомендуем быстро собрать прототип через APIYI apiyi.com. Платформа предоставляет OpenAI-совместимый интерфейс, у новых пользователей есть бесплатный тестовый лимит, и приведённый ниже пример можно запустить за несколько минут.

Воспроизводим идею «классификации рабочих активностей» через API

Ниже — максимально простой пример: с помощью большой языковой модели мы относим пользовательский запрос к небольшому набору меток рабочих активностей. Принцип тот же, что у классификатора OpenAI (метки упрощены для наглядности и не повторяют полную таксономию O*NET):

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # OpenAI-совместимый интерфейс APIYI
)

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"  # Один ключ — переключение между несколькими моделями
)

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))

Как и в подходе OpenAI, такая автоматическая классификация иногда ошибается, а одна задача может распадаться на несколько сообщений. Поэтому подсчитанная «доля сообщений» не равна напрямую объёму работы или бизнес-ценности.

Справочник по выбору моделей для разных видов рабочих задач

Опираясь на виды деятельности, которые чаще всего встречаются в данных, можно сделать предварительный выбор модели под тип задачи. Конкретные результаты всё равно стоит проверять на собственных данных:

Ограничения данных OpenAI по 165 категориям рабочих задач

Эти данные очень ценны, но границы их применимости тоже чёткие. Вот на что стоит обратить внимание в первую очередь, когда на них ссылаешься:

• В выборке только личные аккаунты взрослых пользователей: Enterprise и Codex исключены, поэтому данные не отражают всё использование OpenAI в корпоративных продуктах.
• Классификация выполняется автоматически: LLM-классификатор может ошибочно понять намерение — например, «разработать план рекламной кампании» может быть реальной маркетинговой работой, а может и личным увлечением.
• Доля сообщений не равна объёму результата: она не говорит ни о количестве задач, ни о рабочих часах, ни о числе пользователей, ни о сэкономленном времени, ни об успешности.
• Есть шум приватности и порог по размеру выборки: результаты по малым выборкам скрыты, а в данные добавлен шум дифференциальной приватности.
• Прямого соответствия реальной экономике нет: при взвешивании по численности занятых около 43% реальных рабочих задач в США попадают в категорию «Other IWA». Это не значит, что 43% работы нельзя выполнить с помощью ИИ, и не значит, что остальные 57% уже покрыты ChatGPT.

Кроме того, по расчётам PPC Land, доля сообщений, помеченных как связанные с работой, среди всех личных сообщений снизилась примерно с 51,6% в июле 2024 года до примерно 32,2% в сентябре 2026 года. Скорее всего, это связано с массовым притоком нерабочих пользователей и с переходом части профессиональных задач на корпоративные аккаунты и специализированных агентов — делать из этого вывод, что ChatGPT стал менее важен для работы, нельзя.

Часто задаваемые вопросы (FAQ)

Ключевые выводы из данных OpenAI о 165 типах рабочих активностей

• Считают активности, а не профессии: 165 категорий — это рабочие активности O*NET, включая 1 объединённую категорию «прочее».
• Назначения стали более разнообразными: средняя доля десяти самых популярных активностей в 74 странах снизилась с 56,0% до 51,1%.
• Наибольший рост — визуальный дизайн: по расчётам третьей стороны, с 3,1% до 7,9%.
• Доля программирования снизилась, но интерпретировать нужно осторожно: выборка не включает Codex и корпоративные аккаунты.
• Спрос на маркетинг стабилен: доля маркетинговых материалов держится около 5%.
• Доля сообщений не равна результату: из неё нельзя выводить замену должностей, экономию рабочего времени или успешность.
• Методику классификации можно переиспользовать: с помощью мультимодельного интерфейса APIYI apiyi.com можно быстро построить собственный анализ классификации задач.

Итог

Ключевая информация из данных об использовании ChatGPT по 165 типам рабочих активностей OpenAI:

1. Характер данных: бесплатный открытый набор исследовательских данных с квартальным отслеживанием; он показывает, «какие рабочие активности выполняют с помощью ChatGPT» в личных аккаунтах.
2. Основные находки: рабочие сценарии становятся более разнообразными; растут визуальный дизайн, консультирование и творческое мышление, а доля сообщений общего программирования снижается.
3. Границы интерпретации: данные не включают корпоративные аккаунты и Codex; доля сообщений не равнозначна объёму работы, влиянию на должности или экономической ценности.

Эти данные на самом деле показывают не то, какие 165 профессий скоро исчезнут, а то, что AI всё более тонко и разнообразно встраивается в разные рабочие процессы — причём по-разному в зависимости от страны и типа задач. Разработчику стоит не спрашивать «кого заменит AI», а понять, какие активности пользователи реально выполняют с его помощью, и подобрать под эти активности правильную модель и рабочий процесс.

Рекомендуем быстро проверить, как разные модели справляются с вашими бизнес-сценариями, через APIYI apiyi.com — платформа предоставляет бесплатный тестовый лимит и единый интерфейс для нескольких моделей.

📚 Справочные материалы

1. Официальный анонс OpenAI: ChatGPT’s expanding world of work — основной источник этого релиза
2. Ссылка: openai.com/index/chatgpt-expanding-world-of-work

3. Пояснение: 165 категорий активности, почти 100 стран, официальные выводы о 56,0% → 51,1% и т. д.

4. Загрузка данных OpenAI Signals и описание методологии — доступ к исходным CSV и словарю данных

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

6. Пояснение: объём выборки, обработка приватности и лицензия CC BY 4.0

7. PPC Land: Writing drops from 34% to 21% of ChatGPT requests since July 2024 — сторонний анализ CSV

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

9. Пояснение: рейтинг конкретных активностей, изменение долей визуального дизайна и программирования

10. PPC Land: Americans use ChatGPT at work most to make decisions — чтение интерактивных графиков США и Германии

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

12. Пояснение: данные сравнения стран по широким рабочим активностям

13. Официальный сайт O*NET — система классификации рабочих активностей и профессий

14. Ссылка: onetcenter.org

15. Пояснение: понимание определений IWA и 332 справочных статей

16. OpenAI Enterprise Signals — данные использования корпоративных аккаунтов

17. Ссылка: openai.com/signals/enterprise-data
18. Пояснение: для разграничения данных частных и корпоративных пользователей

Автор: техническая команда APIYI
Обратная связь: пишите нам на главной странице сайта APIYI, больше материалов по интеграции — в центре документации docs.apiyi.com

Читайте также

• Ошибка OpenAI «model not found»? GPT-5.5 выведен из ChatGPT 14 октября: 5 шагов по устранению проблемы и альтернативы: 14 октября 2026 года GPT-5.5 полностью выведут из ChatGPT, ChatGPT Work и Codex, но OpenAI API это не затронет. В статье — актуальная информация на 15 октября, 5 причин ошибки OpenAI «model not found», решения для разных случаев и альтернативы: GPT-5.6 Sol, Terra, Luna и GPT-6 Astra.
• OpenAI добавляет 12-часовой кэш промптов: 5 критериев экономии на кэшировании API GPT-6: Объясните влияние 12-часового Prompt Cache OpenAI на стоимость GPT-6 API, используя формулу окупаемости и 5 критериев, чтобы показать, в каких сценариях включение кэша экономит деньги, а в каких выгода ограничена.