OpenAI 發佈覆蓋 165 類工作活動的 ChatGPT 使用數據：7 個季度、近 100 國的 5 個關鍵發現

作者注：解讀 OpenAI Signals v3.0 公開的 165 類工作活動 ChatGPT 使用數據，釐清統計口徑，並分析它對開發者和企業 AI 應用的參考價值。

2026 年 10 月 26 日，OpenAI 經濟研究團隊發佈了《ChatGPT’s expanding world of work》（中文官方標題《ChatGPT 不斷拓展的工作版圖》），公開了覆蓋近 100 個國家和地區、165 類工作活動、連續 7 個季度的 ChatGPT 使用數據。這批數據屬於 OpenAI Signals v3.0 計劃，以 CC BY 4.0 許可免費開放下載，研究者可以直接拿 CSV 做二次分析。

這不是一次新模型或新功能發佈，而是一套面向研究人員的經濟使用數據。官方公告、數據字典和第三方媒體對原始 CSV 的核查已經同時出現，數字口徑可以相互印證。本文會把官方結論和第三方計算明確區分開，避免把“消息佔比”誤讀成“崗位替代”。

核心價值：幾分鐘看懂 OpenAI 165 類工作活動數據到底統計了什麼、發現了什麼，以及它對 AI 應用開發者有哪些實際參考意義。

OpenAI 165 類工作活動數據核心信息速覽

先用一張表把這次 ChatGPT 使用數據發佈的基本事實說清楚：

165 類工作活動不是 165 種職業

這是解讀 OpenAI 這份數據時最容易出錯的地方。O*NET 是美國官方支持的職業信息數據庫，它把“職業”拆成多層“工作活動”。比如“編輯書面材料”這一活動，既出現在編輯的工作裏，也出現在教師、律師、工程師和財務人員的日常中。

因此 OpenAI 統計的是“人們用 ChatGPT 做什麼事”，而不是“哪些職業的人在用 ChatGPT”。IWA（Intermediate Work Activities，中間層級工作活動）介於寬泛的工作行爲和非常具體的任務之間，O*NET 參考體系裏共有 332 個 IWA 條目。

OpenAI 只單獨報告了其中常見且滿足樣本門檻的活動，低頻活動被合併。據 PPC Land 對原始 CSV 的核查，公開表實際是 164 個具名類別加 1 個“Other IWA”合併類別，合計 165 個分類結果。所以不能說 OpenAI 完整統計了全部 332 類 IWA。

數據是怎麼收集和分類的

Signals v3.0 每月抽樣約 100 萬條 ChatGPT 消息，整體覆蓋 2024 年 7 月至 2026 年 9 月共 27 個月，合計約 2700 萬條分類樣本。需要注意，2700 萬是各月樣本數之和，既不等於獨立用戶數，也不代表全部都是工作消息。

分類由自動化的語言模型分類器完成：先判斷消息是否與工作相關，再映射到 O*NET 工作活動，同時標註主題、意圖、時間和地區等維度。隱私方面，OpenAI 表示研究人員不直接閱讀原始聊天，分類前處理身份信息，只發布彙總結果，並對小樣本做隱藏、加入差分隱私噪聲。國家季度工作活動分佈要求有效消息至少 1000 條才發佈。

ChatGPT 使用數據最核心的發現：工作用途更分散

OpenAI 官方給出的頭條結論是：個人用戶用 ChatGPT 處理的工作類型正在變得更多樣。在 7 個季度都有完整記錄的 74 個國家和地區中，各國最常見的前十類工作活動，在本國已分類工作消息中的平均佔比明顯下降。

這裏有兩個口徑必須講清楚。第一，51.1% 不是某個全球統一前十榜單的佔比，而是先算每個國家自己的前十，再對 74 國取平均，各國的前十項可以不同。第二，佔比下降不等於消息量下降，如果整體使用量在增長，頭部活動的絕對請求數仍可能增加。

換句話說，更多“長尾”工作活動分到了更大的份額。這和 74 國與近 100 國是兩個不同樣本範圍，引用時也不能混用。

哪些具體工作活動最常見

PPC Land 在 2026 年 10 月 27 日基於全部公開 CSV 做了獨立計算，對 74 國分別統計後取平均。以下是 2026 年第三季度最常見的六項具名工作活動（第三方計算，非 OpenAI 公告直接列出）：

編輯文檔依然是最普遍的工作用途，視覺設計已經升到第二位。營銷內容、教學材料和跨語言理解都有明顯需求，而編程雖然重要，但在這份個人賬戶樣本里並不佔最大份額。

視覺設計上升，編程佔比下降

按 PPC Land 的計算，“創建視覺設計或展示內容”的 74 國平均佔比從 2025 年第一季度的 3.1% 升到 2026 年第三季度的 7.9%，增加 4.8 個百分點，是 165 個類別中增幅最大的具體活動。美國同期從 2.4% 升到 7.6%，2026 年第三季度巴西達到 11.2%、印度 8.7%。

相反，“編程計算機系統或生產設備”從 7.8% 降到 3.1%，美國從 6.7% 降到 2.4%，印度在 2026 年第三季度仍有 5.8%。解決計算機問題、研究技術設計等相關活動也同步下降。一種合理假設是開發者轉向了 Codex 等專門編程代理，但數據本身並沒有證明這種遷移，更穩妥的表述是：在這份排除 Codex 與企業賬戶的數據中，編程類工作消息的佔比明顯下降。

營銷是另一個值得關注的信號。“製作營銷或推廣材料”的平均佔比從 5.2% 到 5.1%，幾乎持平，阿根廷、巴基斯坦、尼日利亞等國在 2026 年第三季度達到 9% 左右。這說明通用寫作佔比雖在下降，專門的營銷內容需求依然穩定。

📊 圖表說明：上圖數據來自 PPC Land 對 OpenAI 公開 CSV 的二次計算。如果你想在自己的業務裏驗證“設計類、文案類、編程類”請求分別適合哪個模型，可以通過 API易 apiyi.com 用同一個 API Key 切換 OpenAI、Claude、Gemini 等模型做小規模對比。

美國和德國的 ChatGPT 工作結構對比

PPC Land 還逐項讀取了 OpenAI 交互圖表中更寬泛的 Generalized Work Activities（注意與上面的 IWA 不是同一層級，不能混排）。統計口徑爲各國工作相關消息的佔比：

兩國都顯示“決策與解決問題”是重要用途，“創造性思考”和“諮詢建議”的佔比明顯上升。這描述的是用戶請求類型，並不代表 ChatGPT 已經獨立做出商業決策，也不等於提供了經過驗證的專家級諮詢。

在國家之間，PPC Land 讀取的跨國分佈差異指標（總變差距離）從約 22.2% 微升到約 23.0%。OpenAI 也承認，這種差異可能來自工作結構、語言文化、工具可用性和使用習慣，本次數據不足以證明因果關係。

165 類工作活動數據對開發者的影響分析

對 AI 應用開發者的影響

• 需求在變寬：用戶不再只拿 ChatGPT 改文檔，視覺設計、營銷、教學材料、諮詢建議都有可觀份額，單一功能的 AI 工具需要考慮多任務場景。
• 多模態更重要：視覺設計是增幅最大的活動，同期全部個人消息中“多媒體”主題也從 2.0% 升到 8.8%（PPC Land 計算），圖像能力值得納入產品規劃。
• 編程場景走向專用化：通用聊天裏的編程消息佔比下降，提示開發類需求可能更多發生在專用代理或企業環境中，適合用專門的代碼模型和工作流承接。
• 可複用分類方法：OpenAI 用 LLM 分類器把消息映射到標準任務體系，這套思路同樣可以用在你自己的產品日誌分析上。

對企業 AI 落地的影響

個人賬戶數據不能代表企業使用。OpenAI 另一項 Enterprise Signals 數據顯示，截至 2026 年 6 月，在所分析企業客戶中 Codex 貢獻了 ChatGPT 與 Codex 合計輸出 Token 的 64%。這說明企業側的使用結構可能與個人賬戶差異很大，評估內部 AI 方案時應基於自己的任務日誌，而不是直接套用 Signals 的個人數據。

🚀 快速開始：如果想像 OpenAI 一樣給自家業務請求打上“工作活動”標籤，推薦通過 API易 apiyi.com 快速搭建原型。平臺提供 OpenAI 兼容接口，新用戶有免費測試額度，幾分鐘即可跑通下面的示例。

用 API 復現“工作活動分類”思路

下面是一個極簡示例，用大模型把一條用戶請求歸類到少量工作活動標籤，原理與 OpenAI 的分類器一致（標籤爲簡化示意，並非 O*NET 完整體系）：

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 = "編輯文檔, 視覺設計, 營銷推廣, 語言解釋, 教學材料, 編程, 決策分析, 其他"
resp = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": f"從[{labels}]中選一個標籤描述這條工作請求，只輸出標籤：幫我寫一份新品發佈的公衆號推文"}]
)
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"  # 一個 Key 可切換多家模型
)

LABELS = ["編輯文檔", "視覺設計", "營銷推廣", "語言解釋",
          "教學材料", "編程", "決策分析", "非工作", "其他"]

SYSTEM = (
    "你是工作活動分類器。先判斷請求是否與工作相關，"
    f"再從以下標籤中選擇一個：{', '.join(LABELS)}。只輸出標籤本身。"
)

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 = [
        "幫我潤色這份季度彙報",
        "設計一組活動海報的構圖建議",
        "這段 Python 爲什麼讀不到數據",
        "週末去哪裏露營比較好",
    ]
    print(activity_share(logs))

和 OpenAI 的方法一樣，這種自動分類會有誤判，一項任務也可能拆成多條消息，所以統計出的“消息佔比”不能直接等同於工作量或業務價值。

不同工作活動的模型選型參考

結合數據中佔比較高的活動，可以按任務類型做初步選型，具體效果仍需在自己的數據上實測：

OpenAI 165 類工作活動數據的侷限

這份數據很有價值，但邊界同樣清晰。以下幾點是引用時最需要注意的：

• 樣本只含成人個人賬戶：排除 Enterprise 和 Codex，不能代表 OpenAI 企業產品的全部工作應用。
• 分類是自動完成的：LLM 分類器可能誤讀意圖，比如“設計活動宣傳方案”可能是真實營銷工作，也可能是個人興趣。
• 消息佔比不等於產出：它不代表任務數量、工作時長、使用人數、節省工時或成功率。
• 存在隱私噪聲和樣本門檻：小樣本結果被隱藏，並加入了差分隱私噪聲。
• 與真實經濟並非一一對應：按就業人數加權，美國約 43% 的現實工作活動落在“Other IWA”類別中，這既不代表 43% 的工作無法被 AI 完成，也不代表其餘 57% 已被 ChatGPT 覆蓋。

此外，PPC Land 的計算顯示，全部個人消息中被標爲工作相關的比例從 2024 年 7 月約 51.6% 降到 2026 年 9 月約 32.2%。這更可能與非工作用戶大量加入、部分專業工作轉向企業賬戶和專門 Agent 有關，不能據此判斷 ChatGPT 對職場變得不重要。

常見問題 FAQ

OpenAI 165 類工作活動數據 Key Takeaways

• 統計對象是活動而非職業：165 類指 O*NET 工作活動，含 1 個“其他”合併類別。
• 用途更分散：74 國前十活動平均佔比從 56.0% 降至 51.1%。
• 視覺設計增幅最大：第三方計算顯示從 3.1% 升至 7.9%。
• 編程佔比下降但需謹慎解讀：樣本排除了 Codex 與企業賬戶。
• 營銷需求穩定：營銷推廣材料佔比基本維持在 5% 左右。
• 消息佔比不等於產出：不能推出崗位替代、工時節省或成功率。
• 分類方法可複用：藉助 API易 apiyi.com 多模型接口可快速搭建自己的任務分類分析。

總結

OpenAI 165 類工作活動 ChatGPT 使用數據的核心信息：

1. 數據性質：一套免費開放、按季度追蹤的研究數據，統計的是個人賬戶中“用 ChatGPT 做什麼工作活動”。
2. 主要發現：工作用途正在變得更分散，視覺設計、諮詢建議和創造性思考上升，通用編程消息佔比下降。
3. 解讀邊界：數據不含企業賬戶和 Codex，消息佔比不能等同於工作量、崗位影響或經濟價值。

這份數據真正揭示的，不是哪 165 種職業即將消失，而是 AI 正以更細緻、更多樣的方式進入不同工作流程，並且因國家和任務類型而有所不同。對開發者來說，與其追問“AI 會替代誰”，不如看清用戶實際在用 AI 完成哪些活動，再爲這些活動選對模型和工作流。

推薦通過 API易 apiyi.com 快速驗證不同模型在你業務場景中的表現，平臺提供免費測試額度和多模型統一接口。

📚 參考資料

1. OpenAI 官方公告：ChatGPT’s expanding world of work：本次發佈的核心出處
2. 鏈接：openai.com/index/chatgpt-expanding-world-of-work

3. 說明：165 類活動、近 100 國、56.0% 到 51.1% 等官方結論

4. OpenAI Signals 數據下載與方法說明：原始 CSV 與數據字典入口

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

6. 說明：樣本範圍、隱私處理與 CC BY 4.0 授權說明

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

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

9. 說明：具體活動排名、視覺設計與編程佔比變化

10. PPC Land：Americans use ChatGPT at work most to make decisions：美德交互圖表讀取

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

12. 說明：寬泛工作活動的國家對比數據

13. O*NET 官方網站：工作活動與職業分類體系

14. 鏈接：onetcenter.org

15. 說明：理解 IWA 定義與 332 個參考條目

16. OpenAI Enterprise Signals：企業賬戶使用數據

17. 鏈接：openai.com/signals/enterprise-data
18. 說明：用於區分個人與企業數據口徑

作者：APIYI 技術團隊
技術交流：歡迎在 API易 網站首頁聯繫我們，更多接入資料可訪問 docs.apiyi.com 文檔中心

延伸閱讀

• OpenAI 報錯 model not found？GPT-5.5 已於 10 月 14 日從 ChatGPT 下線，5 步排查與替代方案:2026 年 10 月 14 日 GPT-5.5 從 ChatGPT、ChatGPT Work 和 Codex 全面退役，但 OpenAI API 不受影響。本文梳理 10 月 15 日最新情況，講清 OpenAI “model not found” 報錯的 5 大原因、分場景解決方法，以及 GPT-5.6 Sol、Terra、Luna 和 GPT-6 Astra 的替代選擇。
• OpenAI 新增 12 小時 Prompt Cache：GPT-6 API 緩存省錢的 5 個判斷標準:解讀 OpenAI 12 小時 Prompt Cache 對 GPT-6 API 成本的影響，用回本公式和 5 個判斷標準說明哪些場景開緩存能省錢、哪些場景收益有限。