With over 20 years of experience, we transform your digital presence. We specialize in website and E-Shop development, SEO and Digital Marketing, ERP software and smart automation that take your business to the next level.
Address:
154 Egnatia Street, Thessaloniki 546 36
Phone:
+30 231 231 4095
E-mail:
hello@twodots.gr
Ready for the next step?;
Ανάλυση άνω των 800.000 μηνυμάτων δείχνει πώς η AI διευρύνει τα όρια ρόλων και τι σημαίνει το task crossover για τις επιχειρήσεις.
Η AI δεν αλλάζει μόνο την ταχύτητα εκτέλεσης μιας εργασίας· αλλάζει και ποιος την αναλαμβάνει. Σε τυχαίο δείγμα άνω των 800.000 εργασιακών μηνυμάτων, το 16,8% αφορούσε task άλλου επαγγέλματος. Όταν εξαιρέθηκαν οι γενικές δραστηριότητες, όπως σύνταξη email και προγραμματισμός συναντήσεων, το ποσοστό έφθασε στο 43,5%.
Το φαινόμενο ονομάζεται task crossover. Για μια επιχείρηση, η ουσία δεν είναι να καταργήσει τις ειδικότητες, αλλά να ορίσει ποιος μπορεί να ξεκινά ένα AI-assisted task, ποιος το ελέγχει, ποια δεδομένα επιτρέπονται και πότε απαιτείται κλιμάκωση σε ειδικό.
Σύντομη απάντηση: η μελέτη δείχνει ότι η AI διευρύνει στην πράξη τα όρια των επαγγελματικών ρόλων, ιδιαίτερα σε marketing, design, customer experience και μικρότερες δομές. Δεν αποδεικνύει όμως αύξηση παραγωγικότητας, απώλεια θέσεων ή ισοδύναμη ποιότητα χωρίς ειδικό έλεγχο.
Η συζήτηση για την τεχνητή νοημοσύνη στην εργασία συνήθως ξεκινά από μία ερώτηση: ποιες υπάρχουσες εργασίες μπορεί να αυτοματοποιήσει ένα μοντέλο; Νέα έρευνα της OpenAI Economic Research εξετάζει μια διαφορετική και πιο οργανωτική μεταβολή. Μελετά αν οι εργαζόμενοι χρησιμοποιούν το ChatGPT για δραστηριότητες που ιστορικά ανήκαν σε άλλα επαγγέλματα και, επομένως, αν η AI αλλάζει όχι μόνο τον τρόπο εκτέλεσης της δουλειάς αλλά και το ποιος αναλαμβάνει τι.
Η έκθεση Work at the Frontier: How AI is Expanding What People Do at Work αναλύει τυχαίο δείγμα άνω των 800.000 μηνυμάτων σχετικών με την εργασία από χρήστες στις ΗΠΑ. Το βασικό εύρημα είναι ότι το 16,8% όλων των εργασιακών μηνυμάτων αφορούσε δραστηριότητες συνδεδεμένες ιστορικά με άλλο επάγγελμα. Όταν εξαιρούνται οι γενικές εργασίες, όπως η σύνταξη email ή ο προγραμματισμός συναντήσεων, το ποσοστό ανεβαίνει στο 43,5% των μηνυμάτων με σαφή επαγγελματική αντιστοίχιση.
Οι ερευνητές ονομάζουν το φαινόμενο task crossover, δηλαδή μετακίνηση ή διασταύρωση εργασιών πέρα από τα παραδοσιακά όρια ενός ρόλου. Τα αποτελέσματα είναι περιγραφικά και δεν αποδεικνύουν αύξηση παραγωγικότητας, απώλεια θέσεων ή κατάργηση ειδικοτήτων. Προσφέρουν όμως ένα πρώιμο σήμα για το πώς ανασυντίθενται οι ρόλοι πριν αλλάξουν οι τίτλοι θέσεων και οι επίσημες περιγραφές εργασίας.
Τα κλασικά μοντέλα ανάλυσης ξεκινούν από μια σταθερή λίστα δραστηριοτήτων ανά επάγγελμα και εξετάζουν ποιες από αυτές μπορεί να εκτελέσει η τεχνολογία. Η νέα μελέτη αμφισβητεί την υπόθεση ότι η λίστα μένει σταθερή. Όταν μειώνεται το κόστος πρόσβασης σε ανάλυση, κώδικα, κείμενο ή έρευνα, ένας εργαζόμενος μπορεί να επιχειρήσει εργασία που προηγουμένως θα παρέδιδε σε συνάδελφο άλλης ειδικότητας.
Η έκθεση δίνει συγκεκριμένα παραδείγματα: ένας πωλητής μπορεί να εξερευνήσει μόνος του ένα σύνολο δεδομένων πελατών, ένας marketer να αντιμετωπίσει ένα πρόβλημα ιστοσελίδας ή να γράψει ένα απλό script και ένας ιδιοκτήτης μικρής επιχείρησης να ετοιμάσει διαφημιστικό κείμενο, να εξετάσει ένα συμβόλαιο ή να κάνει βασική χρηματοοικονομική ανάλυση. Αυτά τα παραδείγματα δεν σημαίνουν ότι το αποτέλεσμα ισοδυναμεί με τη δουλειά ειδικού. Δείχνουν ότι το πρώτο βήμα δεν απαιτεί πάντα την ίδια οργανωτική παράδοση.
Για μια επιχείρηση, η αλλαγή αφορά το operating model. Το ερώτημα δεν είναι μόνο αν μια εργασία γίνεται γρηγορότερα, αλλά αν παραμένει στην ίδια ομάδα, ποιος την ελέγχει και πότε χρειάζεται κλιμάκωση σε ειδικό. Η AI μπορεί να διευρύνει τον ρόλο του ανθρώπου που βρίσκεται πιο κοντά στο πρόβλημα, χωρίς να εξαφανίζει την ανάγκη για εξειδικευμένη κρίση.
Η ανάλυση καλύπτει οκτώ επαγγελματικές ομάδες: customer experience, design, engineering, finance, human resources, legal, marketing και sales. Η αντιστοίχιση των χρηστών βασίστηκε σε αυτοδηλωμένα στοιχεία ρόλου από λογαριασμούς ChatGPT Business, ενώ τα αναλυθέντα εργασιακά μηνύματα προέρχονταν από τους ατομικούς λογαριασμούς των ίδιων χρηστών. Χρήστες χωρίς κατάλληλα στοιχεία Department και Role αποκλείστηκαν.
Τι μέτρησε η έρευνα για το task crossover
Οι τιμές προέρχονται από την έκθεση Work at the Frontier και έχουν διαφορετικό παρονομαστή. Το 43,5% αφορά μόνο τα επαγγελματικά ειδικά, μη γενικά μηνύματα.
Τυχαίο δείγμα από ατομικούς λογαριασμούς χρηστών στις ΗΠΑ, συνδεδεμένους με αυτοδηλωμένα στοιχεία ρόλου από ChatGPT Business.
Αφορούσε εργασία που ιστορικά συνδέεται με άλλο επάγγελμα.
Ήταν cross-occupation αφού αφαιρέθηκαν οι γενικές εργασίες.
Αφορούσε δραστηριότητες κοινές σε πολλά επαγγέλματα, όπως email, σύνοψη και προγραμματισμός.
Κάθε επιλέξιμο μήνυμα αντιστοιχίστηκε σε μία Detailed Work Activity του O*NET, της βάσης επαγγελμάτων και εργασιακών δραστηριοτήτων του αμερικανικού Υπουργείου Εργασίας. Η ταξινόμηση έγινε ανώνυμα με το ChatGPT, χωρίς ανθρώπινη ανάγνωση των υποκείμενων μηνυμάτων. Το σύστημα μπορούσε να χρησιμοποιεί έως εννέα προηγούμενα μηνύματα ως συμφραζόμενα, αλλά ταξινομούσε μόνο το επιλεγμένο μήνυμα.
Οι ερευνητές χώρισαν τα μηνύματα σε τρεις κατηγορίες. Το 61,5% χαρακτηρίστηκε γενικό, επειδή αφορούσε δραστηριότητες κοινές σε πολλά επαγγέλματα. Το 21,8% αντιστοιχούσε στα όρια του ίδιου επαγγέλματος και το 16,8% σε άλλο επάγγελμα. Μετά την αφαίρεση του γενικού έργου, οι διασταυρούμενες εργασίες αποτελούσαν το 43,5% του επαγγελματικά ειδικού δείγματος.
Η μετακίνηση δεν εμφανίζεται ομοιόμορφα. Στα μη γενικά μηνύματα, εργασίες εκτός του επαγγέλματος αποτελούσαν το 77% για εργαζομένους στο customer experience, το 75% για designers, το 69% για human resources, το 56% για legal και το 53% για marketing. Δηλαδή, στις πέντε από τις οκτώ ομάδες, η πλειονότητα της επαγγελματικά ειδικής χρήσης αφορούσε δραστηριότητες που το O*NET συνδέει ιστορικά με άλλο ρόλο.
Το εύρημα δεν λέει ότι το 77% της συνολικής δουλειάς ενός ανθρώπου στο customer experience μεταφέρθηκε αλλού. Ο παρονομαστής είναι μόνο τα μη γενικά μηνύματα του δείγματος ChatGPT. Η διάκριση έχει μεγάλη σημασία, επειδή διαφορετικοί παρονομαστές παράγουν διαφορετικές αναγνώσεις. Η ίδια η έκθεση επαναφέρει τις εντός και εκτός επαγγέλματος κατηγορίες στο 100% αφού αφαιρέσει το γενικό έργο.
Για τα στελέχη, το σήμα είναι ότι οι περιγραφές θέσεων μπορεί να υστερούν σε σχέση με την πραγματική συμπεριφορά. Ένας οργανισμός που χαρτογραφεί μόνο τα επίσημα καθήκοντα μπορεί να μην βλέπει ότι ομάδες εξυπηρέτησης, design ή HR δοκιμάζουν ήδη χρηματοοικονομικές, τεχνικές, νομικές ή marketing δραστηριότητες με βοήθεια AI.
Ορισμένες δραστηριότητες ταξιδεύουν περισσότερο από άλλες. Ο υπολογισμός χρηματοοικονομικών δεδομένων βρέθηκε ανάμεσα στις τρεις συχνότερες χρηματοοικονομικές εργασίες και στις επτά ομάδες εκτός finance. Αντίστοιχα, η αντιμετώπιση προβλημάτων εφαρμογών και συστημάτων ήταν στις τρεις συχνότερες engineering εργασίες και στις επτά ομάδες εκτός engineering.
Στα μηνύματα finance από μη χρηματοοικονομικούς χρήστες, το 9,8% αφορούσε υπολογισμό χρηματοοικονομικών δεδομένων. Στα engineering μηνύματα από μη μηχανικούς, το 6,1% αφορούσε troubleshooting εφαρμογών ή συστημάτων. Ο πίνακας της έκθεσης δείχνει επίσης ότι η συγκεκριμένη χρηματοοικονομική δραστηριότητα είχε υψηλότερη παρουσία στους χρήστες sales, με 14,3%, ενώ το troubleshooting είχε την υψηλότερη παρουσία στο customer experience, με 7,6%.
Αυτά τα ποσοστά δεν είναι δείκτες ακρίβειας ούτε απόδοσης. Καταγράφουν τι ζητήθηκε από το AI. Μια ομάδα μπορεί να επιχειρεί συχνά έναν υπολογισμό ή μια τεχνική διάγνωση χωρίς να γνωρίζουμε αν χρησιμοποίησε το αποτέλεσμα, αν το επαλήθευσε ή αν εξοικονόμησε χρόνο. Η επιχειρηματική αξία βρίσκεται στην ανίχνευση του σημείου όπου απαιτούνται οδηγοί, δικαιώματα και έλεγχος.
Μεταξύ χρηστών εκτός marketing, η ανάπτυξη προωθητικού υλικού ήταν η συχνότερη marketing δραστηριότητα και αποτελούσε το 25% των σχετικών μηνυμάτων. Οι ανώνυμες περιλήψεις περιλάμβαναν διαφημίσεις, social posts, flyers, προωθητικά βίντεο, παρουσιάσεις, product sheets και γραφικά καμπάνιας. Η δημιουργία marketing materials αντιστοιχούσε σε επιπλέον 9,3%, ενώ η ανάπτυξη marketing plan ή strategy σε 6,5%.
Στη χαρτογράφηση των μη γενικών μηνυμάτων, marketing tasks αποτελούσαν περίπου το 28%-29% των μηνυμάτων design και sales και το 26% των μηνυμάτων customer experience. Τα engineering tasks αντιστοιχούσαν στο 28% των μηνυμάτων design και περίπου στο 20%-22% των μηνυμάτων customer experience και finance.
Το marketing ξεχωρίζει επειδή η ροή είναι αμφίδρομη. Οι marketers αφιερώνουν το 24,3% όλων των εργασιακών μηνυμάτων τους σε δραστηριότητες άλλων επαγγελμάτων, ενώ εργασίες marketing αποτελούν κατά μέσο όρο το 8,9% των μηνυμάτων εργαζομένων σε άλλους τομείς, το υψηλότερο εξερχόμενο μερίδιο στο δείγμα. Για marketing leaders, αυτό υποδεικνύει ανάγκη για διπλή διακυβέρνηση: ανάπτυξη ευρύτερων δεξιοτήτων μέσα στην ομάδα και standards για το brand όταν άλλες ομάδες παράγουν marketing περιεχόμενο. Η ίδια αρχή ισχύει όταν η ομάδα χρησιμοποιεί AI για SEO και search marketing αναφορές: η ταχύτητα δεν αντικαθιστά την επιμέλεια και την ιδιοκτησία της απόφασης.
Η έκθεση διαχωρίζει τις εργασίες που ένας ρόλος «φέρνει μέσα» από τις δικές του εργασίες που «ταξιδεύουν» σε άλλους. Οι designers αντλούν έντονα από αλλού: το 35,2% των μηνυμάτων τους αφορά δουλειά άλλων επαγγελμάτων. Ωστόσο, τα design tasks αποτελούν μόνο το 1,7% των μηνυμάτων χρηστών σε άλλους τομείς.
Τέσσερις διαφορετικές κατευθύνσεις μετακίνησης εργασιών
Το 35,2% των μηνυμάτων designers αφορά tasks άλλων πεδίων, ενώ design tasks αποτελούν μόνο το 1,7% των μηνυμάτων άλλων ομάδων.
Μόνο το 18,5% των engineering μηνυμάτων έρχεται από άλλα πεδία, αλλά engineering tasks φθάνουν στο 7,4% των μηνυμάτων άλλων ομάδων.
Οι marketers αφιερώνουν 24,3% των μηνυμάτων τους σε ξένα tasks, ενώ marketing tasks καλύπτουν 8,9% των μηνυμάτων άλλων πεδίων.
Στους χρήστες τυπικού όγκου, το μερίδιο μειώθηκε από 18,9% σε workspaces 2–5 θέσεων σε 16,3% πάνω από 100 θέσεις.
Το engineering βρίσκεται πιο κοντά στο αντίστροφο μοτίβο. Μόνο το 18,5% των engineering μηνυμάτων αφορά εργασίες άλλων πεδίων, αλλά τα engineering tasks φθάνουν στο 7,4% των μηνυμάτων άλλων επαγγελματικών ομάδων. Το marketing συνδυάζει και τα δύο: 24,3% εισερχόμενες εργασίες και 8,9% εξερχόμενη παρουσία.
Η διάκριση αποτρέπει μια απλοϊκή ανάγνωση. Ένας ρόλος μπορεί να γίνει περισσότερο generalist χωρίς η δική του ειδικότητα να διαχέεται ευρέως. Άλλος μπορεί να παραμένει σχετικά συγκεντρωμένος, ενώ τα επιμέρους εργαλεία και καθήκοντά του υιοθετούνται σε όλη την εταιρεία. Η στρατηγική εκπαίδευσης πρέπει να προσαρμόζεται στο συγκεκριμένο μοτίβο.
Στους χρήστες με τυπικό όγκο μηνυμάτων, δηλαδή στο μεσαίο 50% της κατανομής, το ποσοστό cross-occupation μηνυμάτων μειωνόταν από 18,9% σε workspaces 2-5 θέσεων σε 16,3% σε workspaces άνω των 100 θέσεων. Η διαφορά είναι περίπου 2,5 ποσοστιαίες μονάδες ή περίπου 13% σε σχέση με το ποσοστό της μικρότερης κατηγορίας.
Η ερμηνεία των ερευνητών είναι προσεκτική: σε μια μικρή δομή, ο άνθρωπος που συναντά το πρόβλημα μπορεί να μην έχει διαθέσιμο ειδικό ή εσωτερική υπηρεσία και να στραφεί περιστασιακά στην AI. Σε μεγαλύτερη δομή, η ίδια ανάγκη μπορεί να κατευθυνθεί σε καθιερωμένη ομάδα ή workflow. Στους χρήστες υψηλού όγκου δεν εμφανίστηκε η ίδια μονοτονική τάση, πιθανώς επειδή έχουν σταθερές AI-supported ροές ή χρησιμοποιούν περισσότερα μηνύματα μέσα στον πυρήνα του ρόλου τους.
Το workspace size δεν ισοδυναμεί απαραίτητα με συνολικό μέγεθος εταιρείας και μπορεί να συνδέεται με κλάδο, ωριμότητα, ειδίκευση ή πρόσβαση σε συναδέλφους. Επομένως, το αποτέλεσμα είναι συσχέτιση και όχι αιτιώδης απόδειξη. Παρ’ όλα αυτά, για μικρές επιχειρήσεις είναι ένα σαφές σήμα ότι η AI λειτουργεί συχνά ως γενικευμένο εργαλείο εκεί όπου οι εξειδικευμένοι πόροι είναι περιορισμένοι.
Η δυνατότητα ενός μη ειδικού να επιχειρήσει μια εργασία δεν συνεπάγεται ότι μπορεί να υποκαταστήσει την εξειδικευμένη κρίση. Η έκθεση τονίζει ότι τα αποτελέσματα δείχνουν μετατόπιση στον καταμερισμό της εργασίας, όχι πρόβλεψη για το ποια επαγγέλματα θα αυξηθούν ή θα μειωθούν. Όταν το γενικό έργο προστίθεται στην κύρια διαγώνιο της ανάλυσης, κάθε επαγγελματική ομάδα διατηρεί έναν αναγνωρίσιμο πυρήνα δικής της ή κοινής δραστηριότητας.
Για μια εταιρεία, η σωστή σχεδίαση δεν είναι «όλοι κάνουν τα πάντα». Είναι σαφής διάκριση ανάμεσα σε εξερεύνηση, παραγωγή πρώτου draft, απόφαση και τελική έγκριση. Ένας marketer μπορεί να κάνει αρχικό troubleshooting, αλλά αλλαγές σε production περιβάλλον χρειάζονται τεχνικούς ελέγχους. Ένας ιδιοκτήτης μπορεί να ζητήσει περίληψη συμβολαίου, αλλά μια νομική απόφαση απαιτεί κατάλληλη επαγγελματική αξιολόγηση.
Η πρόσβαση στην AI διευρύνει το πεδίο δράσης, αλλά ταυτόχρονα αυξάνει την ανάγκη να γνωρίζει ο χρήστης τα όριά του. Η εκπαίδευση δεν πρέπει να καλύπτει μόνο prompting. Πρέπει να περιλαμβάνει αναγνώριση ρίσκου, επαλήθευση, προστασία δεδομένων, δικαιώματα ενεργειών και σωστή κλιμάκωση.
Σε ένα e-commerce περιβάλλον, η μετακίνηση εργασιών μπορεί να εμφανιστεί όταν το customer support συντάσσει προωθητικές απαντήσεις, ερευνά τεχνικά προβλήματα ή επεξεργάζεται βασικούς αριθμούς παραγγελιών. Η έρευνα δεν μετρά ειδικά αυτά τα σενάρια ούτε αποδεικνύει ότι είναι επιτυχημένα. Παρέχει όμως ένα πλαίσιο για να εντοπιστούν οι πραγματικές διασταυρώσεις μέσα στην επιχείρηση.
Η πρακτική εφαρμογή είναι να καταγραφούν τα AI-assisted tasks ανά ομάδα και να αντιστοιχιστούν με owner, reviewer και όριο κλιμάκωσης. Αυτό είναι ιδιαίτερα κρίσιμο όταν ένα CRM συνδέει δεδομένα πελατών με marketing ροές, επειδή το task crossover μπορεί να μεταφέρει μαζί με τη δουλειά και πρόσβαση σε ευαίσθητα δεδομένα. Για παράδειγμα, άλλο επίπεδο ελέγχου χρειάζεται μια πρόταση κειμένου προϊόντος και άλλο μια αλλαγή τιμής, μια επιστροφή χρημάτων, μια ερμηνεία όρων ή μια επέμβαση στον κώδικα του καταστήματος.
Το task crossover μπορεί να μειώνει τις καθυστερήσεις ανάμεσα σε ομάδες, αλλά μόνο αν δεν μεταφέρει αόρατα το ρίσκο στον πρώτο διαθέσιμο χρήστη. Η μέτρηση πρέπει να περιλαμβάνει ποιότητα, διορθώσεις, περιστατικά, χρόνο επανελέγχου και συχνότητα κλιμάκωσης. Η μελέτη καταγράφει μηνύματα, όχι επιχειρηματικά outcomes, άρα αυτά τα metrics πρέπει να προστεθούν από την ίδια την εταιρεία.
Πρώτο βήμα είναι ένα inventory των πραγματικών χρήσεων, όχι μόνο των εγκεκριμένων use cases. Κάθε ομάδα μπορεί να καταγράψει ποια tasks αναθέτει στην AI, ποια από αυτά ανήκουν ιστορικά σε άλλη λειτουργία και ποια δεδομένα ή συστήματα αγγίζουν. Έτσι αποκαλύπτονται οι νέες διαδρομές εργασίας πριν μετατραπούν σε ανεπίσημη κανονικότητα.
Έξι βήματα για να διαχειριστείτε το task crossover
Συλλέξτε ανά ομάδα τα tasks που ανατίθενται ήδη στην AI, όχι μόνο όσα περιγράφει η επίσημη πολιτική.
Σημειώστε ποια ειδικότητα κατείχε παραδοσιακά κάθε task και ποια δεδομένα, συστήματα ή πελάτες αγγίζει.
Διαχωρίστε ένα αναστρέψιμο draft από νομικές, οικονομικές, τεχνικές ή πελατειακές ενέργειες με πραγματικό αντίκτυπο.
Καθορίστε ποιος εγκρίνει το αποτέλεσμα και σε ποιο σημείο η εργασία επιστρέφει σε ειδικό.
Παρακολουθήστε ποιότητα, διορθώσεις, χρόνο επανελέγχου, περιστατικά και συχνότητα κλιμάκωσης ανά workflow.
Μετατρέψτε τις σταθερές, επιτυχημένες διασταυρώσεις σε σαφή bundles δεξιοτήτων, χωρίς να αφαιρείτε την ευθύνη του ειδικού.
Δεύτερο βήμα είναι η ταξινόμηση με βάση τον κίνδυνο. Ένα draft μπορεί να επιτρέπεται με απλή ανθρώπινη επιμέλεια, ενώ νομικές, χρηματοοικονομικές, τεχνικές ή πελατειακές ενέργειες μπορεί να χρειάζονται έγκριση ειδικού. Τρίτο βήμα είναι η διατήρηση accountability: η AI βοηθά, αλλά ένας ορισμένος άνθρωπος ή ρόλος παραμένει υπεύθυνος για την τελική απόφαση. Σε πιο αυτόνομους μηχανισμούς, η ίδια απαίτηση μεταφράζεται σε επαλήθευση πολιτικών AI agent και ανθρώπινη εποπτεία πριν από ενέργειες με πραγματικό αντίκτυπο.
Τέλος, οι περιγραφές θέσεων και τα προγράμματα κατάρτισης πρέπει να ενημερώνονται με βάση τη χρήση. Αν οι άνθρωποι επαναλαμβάνουν αξιόπιστα tasks έξω από τα παλαιά όρια, η εταιρεία μπορεί να εξετάσει νέα bundles δεξιοτήτων. Αντίθετα, αν οι προσπάθειες παράγουν συχνά διορθώσεις ή ρίσκο, χρειάζεται ισχυρότερη κλιμάκωση και όχι απλώς περισσότερη χρήση.
Το δείγμα δεν είναι αντιπροσωπευτικό ολόκληρου του εργατικού δυναμικού των ΗΠΑ. Καλύπτει οκτώ ομάδες και βασίζεται σε χρήστες με αυτοδηλωμένους ρόλους που συνδέθηκαν από ChatGPT Business. Οι εκτιμήσεις δεν πρέπει να γενικεύονται σε χρήστες ChatGPT Enterprise, καθώς Business και Enterprise είναι διαφορετικοί πληθυσμοί προϊόντος.
Η μονάδα ανάλυσης είναι το μήνυμα, όχι η ώρα εργασίας, το ολοκληρωμένο project ή η θέση. Γι’ αυτό η έρευνα δεν πρέπει να διαβαστεί ως μέτρηση παραγωγικότητας, όπως δεν αρκεί από μόνο του το πλήθος prompts για να αξιολογηθούν τα πραγματικά οφέλη ενός AI coding assistant. Η έρευνα δεν παρατηρεί αν η απάντηση χρησιμοποιήθηκε, πόσο καλή ήταν, αν εξοικονόμησε χρόνο, αν ο χρήστης θα έκανε ούτως ή άλλως την εργασία ή αν παρενέβη ειδικός. Επίσης, κάθε μήνυμα αντιστοιχίζεται στην κύρια δραστηριότητα, παρότι μπορεί να περιέχει περισσότερα επικαλυπτόμενα tasks.
Τα αποτελέσματα είναι περιγραφικά. Δεν εκτιμούν επίδραση στην απασχόληση ή την παραγωγικότητα και δεν δείχνουν πώς θα κατανεμόταν η ίδια δουλειά χωρίς AI. Ο σωστός τρόπος ανάγνωσης είναι ως πρώιμος χάρτης συμπεριφοράς, όχι ως πρόβλεψη για την αγορά εργασίας.
Η AI φαίνεται να επιτρέπει στους εργαζομένους να δοκιμάζουν νέους συνδυασμούς δραστηριοτήτων πριν οι εταιρείες αλλάξουν επίσημα τους ρόλους. Marketing και engineering tasks διαχέονται ευρέως, ενώ ομάδες όπως design, customer experience και HR αντλούν έντονα από άλλα πεδία. Στις μικρότερες δομές, το φαινόμενο είναι εντονότερο στους χρήστες τυπικού όγκου.
Για επιχειρηματίες, marketers και e-commerce teams, το μήνυμα δεν είναι να καταργήσουν τα όρια. Είναι να τα επανασχεδιάσουν με βάση την πραγματική χρήση: ποιος μπορεί να ξεκινά μια εργασία, ποιος πρέπει να την ελέγχει, ποια δεδομένα επιτρέπονται και σε ποιο σημείο απαιτείται ειδικός. Η ταχύτητα έχει αξία μόνο όταν συνοδεύεται από σαφή ευθύνη.
Αν το task crossover γίνει μόνιμο, οι οργανισμοί θα χρειαστούν εκπαίδευση που βοηθά τους ανθρώπους να αξιολογούν AI-assisted εργασία έξω από την αρχική τους ειδικότητα. Θα χρειαστούν επίσης νέα συστήματα μέτρησης, επειδή οι παλιές περιγραφές θέσεων μπορεί να καταγράφουν όλο και λιγότερο πιστά το τι συμβαίνει στην πράξη.
Η επιχειρηματική απόφαση
Διευρύνετε την πρόσβαση σε tasks, όχι την ασάφεια ευθύνης.
Το task crossover δημιουργεί αξία όταν μειώνει handoffs χωρίς να κρύβει ποιος είναι owner, ποιος κάνει review, ποια δεδομένα επιτρέπονται και πότε η εργασία πρέπει να περάσει σε ειδικό.
Αυτοματισμοί Επιχειρήσεων & AI από την TWO DOTS
Μετατρέψτε το task crossover σε ελεγχόμενα AI workflows.
Η TWO DOTS χαρτογραφεί owners, reviewers, δεδομένα, δικαιώματα και σημεία κλιμάκωσης ώστε η AI να μειώνει τα handoffs χωρίς να μεταφέρει αόρατα το ρίσκο.
Frequently Asked Questions (FAQs)
Είναι η εμφάνιση εργασίας που ιστορικά συνδέεται με ένα επάγγελμα στη χρήση AI από άνθρωπο άλλου επαγγέλματος.
Το 16,8% όλων των εργασιακών μηνυμάτων ήταν cross-occupation. Μετά την εξαίρεση των γενικών εργασιών, το ποσοστό ήταν 43,5% των επαγγελματικά ειδικών μηνυμάτων.
Η μελέτη ανέλυσε τυχαίο δείγμα άνω των 800.000 εργασιακών μηνυμάτων από ατομικούς λογαριασμούς χρηστών στις ΗΠΑ, συνδεδεμένους με αυτοδηλωμένα στοιχεία ρόλου από ChatGPT Business.
Στα μη γενικά μηνύματα, customer experience, design και human resources είχαν τα υψηλότερα ποσοστά, με 77%, 75% και 69% αντίστοιχα.
Επειδή οι marketers αντλούν εργασίες από άλλα πεδία, ενώ τα marketing tasks εμφανίζονται επίσης ευρέως στις υπόλοιπες ομάδες.
Όχι. Δεν εκτιμά απασχόληση ή παραγωγικότητα. Περιγράφει πώς χρησιμοποιείται η AI για εργασίες μέσα και έξω από τα παραδοσιακά όρια ρόλων.
Στους χρήστες τυπικού όγκου, τα cross-occupation μηνύματα μειώθηκαν από 18,9% στα workspaces 2–5 θέσεων σε 16,3% στα workspaces άνω των 100 θέσεων. Πρόκειται για περιγραφική συσχέτιση.
Καταγραφή των AI-assisted tasks, ταξινόμηση ρίσκου, σαφής reviewer ανά εργασία, μέτρηση πραγματικών outcomes και καθορισμένα σημεία κλιμάκωσης σε ειδικό.
