# openai-work-at-the-frontier-task-crossover-2026-07-27

## Veille

Beitrag und Bericht von **OpenAI Economic Research**, veröffentlicht am **27. Juli 2026**, die erste Folge der Serie **Work at the Frontier**, basierend auf einer Analyse von **mehr als 800.000 Nachrichten von US-amerikanischen ChatGPT-Nutzern**. **Geprägter Begriff**: ***task crossover*** — *« Arbeit, die historisch mit einem Beruf verbunden war und in der KI-Nutzung von Personen in einem anderen Beruf auftaucht »*. **Die Schlagzeilenzahl ist eigentlich zwei Zahlen, und genau das geht in der Berichterstattung meist verloren**: **16,8 % der arbeitsbezogenen Nachrichten** betreffen Aufgaben, die einem anderen Beruf zugeordnet sind, und **43,5 % der berufsspezifischen Nachrichten**. Der Trichter erklärt die Diskrepanz: **61,5 % der Nutzung sind generisch** (Schreiben, Zusammenfassen, Planen — zu weit verbreitet, um als Beleg für Crossover zu gelten) und werden ausgeschlossen; von den **verbleibenden 38,5 %** fallen **43,5 % außerhalb des Berufs** und 56,5 % sind *« innerhalb **oder in der Nähe** »* — die Obergrenze wird also auf einer reduzierten Basis berechnet, die Untergrenze auf der gesamten arbeitsbezogenen Nutzung. **Nach Beruf** (Anteil der berufsspezifischen Nachrichten, die auf eine berufsfremde Aufgabe verweisen): Kundenerfahrung **77 %**, Design **75 %**, Personalwesen **69 %**, Recht **56 %**, Marketing **53 %**, Vertrieb **40 %**, Finanzen **40 %**, Engineering **28 %** — *« eine Mehrheit in fünf von acht Gruppen »*. **Zwei unterschiedliche Zirkulationsrichtungen**: Design **importiert** (35,2 %) und **exportiert** kaum etwas (1,7 %); Engineering macht das Gegenteil (Import 18,5 %, Export 7,4 %); **Marketing häuft beides an** (Import 24,3 %, Export **8,9 %**, der höchste Exportanteil in der Stichprobe). **Zwei Aufgaben erscheinen in den Top 3 der Entlehnungen für die anderen sieben Gruppen**: **Finanzberechnung** und **Fehlerbehebung bei Technologie**. ⭐ **Die Heatmap, die in der Berichterstattung fehlt, ist das ergiebigste Objekt**: Sie liefert die vollständige Verteilung der Aufgaben nach Beruf der Nutzer, und ihre Diagonale ist auffällig — Engineering behält **53 %** seiner eigenen Arbeit, während Kundenerfahrung nur **11 %**, Personalwesen **10 %** und Design **12 %** behalten. **Größeneffekt**: Der Anteil berufsfremder Aufgaben sinkt von **18,9 %** (2–5 Beschäftigte) auf **16,3 %** (>100 Beschäftigte) — ⚠️ **aber nur „unter Durchschnittsnutzern“**, wobei OpenAI anmerkt, dass *« wir bei den intensivsten Nutzern nicht dasselbe monotone Muster sehen »*, und bedingt schlussfolgert: *« KI **könnte** besonders nützlich als generalistisches Werkzeug sein, wo Fachressourcen knapp sind. »* **Beanspruchter Status**: ein **Frühindikator**, sichtbar *« bevor Unternehmen Stellenbeschreibungen umschreiben oder neue Jobtitel schaffen »*. ⚠️ **Struktureller Vorbehalt**: OpenAI misst die eigene Nutzung von OpenAI, ausschließlich bei US-amerikanischen ChatGPT-Nutzern, und stellt diese Position als Vorteil dar — *« unser einzigartiges Fenster auf den Wandel der Arbeitswelt »*.

## Titre Article

How AI is expanding what people do at work (Work at the Frontier, rapport 1)

## Date

2026-07-27

## URL

https://openai.com/index/how-ai-is-expanding-what-people-do-at-work/

## Keywords

OpenAI Economic Research, Work at the Frontier, task crossover, task spillover, berufliche Porosität, 800.000 Nachrichten, ChatGPT, US-amerikanische Nutzer, arbeitsbezogene Nachrichten, berufsspezifische Nachrichten, generische Aufgaben, Berechnungsbasis, methodischer Trichter, innerhalb oder in der Nähe, Kundenerfahrung, Design, Personalwesen, Recht, Marketing, Vertrieb, Finanzen, Engineering, Aufgaben-Import-Export, Heatmap, Diagonale, berufliche Aufgabenbindung, Finanzberechnung, technische Fehlerbehebung, Erstellung von Marketingmaterial, Organisationsgröße, Stellen, Durchschnittsnutzer, Vielnutzer, Nicht-Monotonie, Generalist, Fachressourcen, AI Jobs Transition Framework, berufliche Neuorganisation, Frühindikator, Stellenbeschreibungen, Jobtitel, Arbeitsmarktstatistiken, Arbeitsteilung, Quellenverzerrung, anbieterseitige Messung

## Authors

**OpenAI Economic Research** — équipe de recherche économique d'OpenAI ; la page crédite simplement *« OpenAI »* et la classe sous les tags *Economic Research* et *2026*. Le billet est la porte d'entrée d'un **rapport PDF** (`work-at-the-frontier-report.pdf`) et s'adosse à un cadre antérieur de la même équipe, l'**AI Jobs Transition Framework**, dont il reprend la thèse que de nombreux métiers vont **se réorganiser** plutôt que disparaître.

**Position à connaître** : l'éditeur mesure l'usage de son propre produit et en fait explicitement un argument — *« Using our unique window into how the world of work is changing, we will offer regular data-driven insights based on evidence to guide policy and practice. »* La visée est déclarée : **orienter la politique publique et la pratique**.

## Ton

**Profil**: institutioneller Forschungsbeitrag, nüchternes und methodisches Register, dient als öffentliche Zusammenfassung eines PDF-Berichts. Weder Produktankündigung noch Meinungsbeitrag — eine **Befundnotiz**, gegliedert in vier Abschnitte, deren Überschriften die Schlussfolgerungen sind (*« Fast die Hälfte der berufsspezifischen KI-Nutzung überschreitet Berufsgrenzen »*, *« Manche Aufgaben wandern weiter als andere »*, *« Mehr Task-Crossover in kleinen Unternehmen »*, *« Die Aufgabenliste selbst verändert sich »*).

**Stil**: **der von Anfang an formulierte methodische Gegenzug** ist der strukturierende Zug. *« Viele Studien zu KI und Arbeit beginnen mit einer festen Liste von Aufgaben, die einem bestimmten Beruf zugeordnet sind, und fragen, ob Modelle sie ausführen können. Unsere Erkenntnisse deuten darauf hin, dass KI auch verändert, wer welche Aufgaben übernimmt. »* Der Gegenstand der Messung ist nicht die Substituierbarkeit eines Berufs, sondern die **beobachtete Umverteilung** — eine beanspruchte Verschiebung der Rahmung, und genau das verleiht dem Paper seinen Wert.

**Bemerkenswertes Merkmal: Vorsicht ist in den Satz eingebaut, nicht in eine Fußnote verbannt.** Einschränkungen werden genau in dem Moment gesetzt, in dem das Ergebnis formuliert wird — *« unsere neue Forschung **deutet darauf hin** »*, *« **Unter Durchschnittsnutzern** sinkt der Anteil berufsfremder Aufgaben… »*, *« Bei den intensivsten Nutzern **sehen wir nicht dasselbe monotone Muster** »*, *« KI **könnte** besonders nützlich als generalistisches Werkzeug sein »*, *« Nutzungsmuster **könnten** ein frühes Signal liefern »*. Der Text behauptet fast nie, ohne einzugrenzen.

**Veranschaulichung durch konkrete Fälle vor der Zahl**: Drei Vignetten eröffnen den Beitrag — der Kleinunternehmer, der Texte entwirft, einen Vertrag prüft und eine Finanzanalyse erstellt; die Vertriebsmitarbeiterin, die einen Kundendatensatz untersucht, *« der früher vielleicht an einen Analysten gegangen wäre »*; der Marketing-Mitarbeiter, der eine Website repariert, *« ohne auf einen Entwickler zu warten »*. Der Satz, der dies zusammenfasst, ist die These: *« KI verändert nicht nur, wie Arbeit erledigt wird, sondern wer sie erledigt. »*

**Signalphrasen**: *« task crossover »*, *« wer macht was »*, *« manche Tätigkeiten, die früher eine Übergabe erforderten, können jetzt von der Person erledigt werden, die zuerst auf den Bedarf stößt »*, *« diese Berufe „leihen sich“ diese Aufgaben »*, *« bevor Unternehmen Stellenbeschreibungen umschreiben oder neue Jobtitel schaffen »*.

## Pense-betes

- **⭐⭐ Die beiden Schlagzeilenzahlen, und warum beide immer genannt werden müssen**: **16,8 % der arbeitsbezogenen Nachrichten** UND **43,5 % der berufsspezifischen Nachrichten**. Der Trichter: **61,5 % der Arbeitsnutzung sind generisch** (Schreiben, Zusammenfassen, Planen — *« zu breit über Berufe hinweg geteilt, um als Beleg für Crossover zu gelten »*) und werden aus der Berechnung entfernt; von den verbleibenden **38,5 %** fallen **43,5 %** außerhalb des Berufs. → **43,5 % werden auf Basis von 38,5 % der Nutzung berechnet.** Wird nur die Zahl 43,5 % zitiert, verdoppelt sich der wahrgenommene Umfang nahezu. Beide Zahlen stehen in der Quelle; in der Berichterstattung überlebt meist nur eine.
- **⭐ Die Nuance „inside *or near*“**: Das Komplement der 43,5 % ist nicht „innerhalb des Berufs“, sondern *« innerhalb **oder in der Nähe** des Berufs eines Nutzers »*. Die gemessene Grenze ist somit **konstruktionsbedingt unscharf** — was ehrlich ist, aber selten weitergegeben wird.
- **Der methodische Gegenzug — der eigentliche Beitrag des Papers**: Die Literatur geht von einer festen Aufgabenliste pro Beruf aus und fragt, ob das Modell sie ausführen kann; hier lautet die Frage **wer macht was**. *« Unsere Erkenntnisse deuten darauf hin, dass KI auch verändert, wer welche Aufgaben übernimmt. »* → **Dies misst eine beobachtete Umverteilung, keine theoretische Substituierbarkeit.** Das unterscheidet diese Arbeit von Expositionsstudien (vgl. die in [[dgtresor-ia-effets-emploi-2026-06-30]] und [[sfeir-ia-emploi-risque-decrochage-2026-07-23]] diskutierten Spannen von 5–60 %).
- **Nach Beruf, Anteil berufsfremder Aufgaben** (an berufsspezifischen Nachrichten): Kundenerfahrung **77 %** · Design **75 %** · Personalwesen **69 %** · Recht **56 %** · Marketing **53 %** · Vertrieb **40 %** · Finanzen **40 %** · **Engineering 28 %**. *« Berufsfremde Arbeit stellt in fünf von acht Gruppen die Mehrheit. »*
- **⭐⭐ Die Heatmap — das ergiebigste Objekt und in der gesamten Berichterstattung abwesend** (Zeilen = Beruf des Nutzers, Spalten = Ursprungsberuf der Aufgabe; Diagonale fett): | Nutzer ↓ / Aufgabe → | CX | Design | Eng. | Fin. | HR | Recht | Mktg | Vertrieb | |---|---|---|---|---|---|---|---|---| | **Kundenerfahrung** | **11** | 5 | 20 | 14 | 6 | 6 | **26** | 11 | | **Design** | 6 | **12** | **28** | 10 | 4 | 4 | **28** | 8 | | **Engineering** | 4 | 4 | **53** | 9 | 4 | 4 | 20 | 2 | | **Finanzen** | 6 | 4 | 22 | **23** | 4 | 8 | **25** | 7 | | **HR** | 9 | 5 | 18 | 16 | **10** | 10 | **23** | 9 | | **Recht** | 5 | 4 | 17 | 12 | 7 | **31** | 18 | 6 | | **Marketing** | 10 | 6 | 17 | 11 | 4 | 4 | **36** | 12 | | **Vertrieb** | 11 | 5 | 18 | 15 | 4 | 6 | **29** | **12** | **Drei Lesarten, die der Text nicht vornimmt**: 1. **Die Diagonale ist das eigentliche Ergebnis.** Engineering behält **53 %** seiner eigenen Arbeit; Kundenerfahrung **11 %**, HR **10 %**, Design **12 %**, Vertrieb **12 %**. → **Manche Berufe haben in ihrer nicht-generischen ChatGPT-Nutzung fast aufgehört, ihre eigene Arbeit zu tun.** 2. **Bei vier Berufen übersteigt die Marketing-Spalte die Diagonale.** Ein Designer erledigt mehr Marketingaufgaben (28 %) und Engineering-Aufgaben (28 %) als Design-Aufgaben (12 %); ein Kundenerfahrungs-Mitarbeiter erledigt mehr Marketing (26 %) als CX (11 %); dasselbe gilt für HR (23 % vs. 10 %) und Vertrieb (29 % vs. 12 %). 3. **Zwei Spalten absorbieren fast alles**: Marketing (18 bis 36 % überall) und Engineering (17 bis 53 %). Die anderen sechs Berufe erhalten nur Krümel. ⚠️ **Lesehinweis**: Die niedrige Diagonale bedeutet nicht, dass diese Beschäftigten ihre eigene Arbeit nicht mehr tun — sie bedeutet, dass **ihre nicht-generischen Nachrichten** anderswo eingeordnet werden, auf einer Basis, die bereits 61,5 % der Nutzung ausschließt. Die für diese Berufe spezifischen Aufgaben könnten genau jene sein, die als „generisch“ eingestuft werden.
- **Die beiden Zirkulationsrichtungen, quantifiziert**: **Design** importiert **35,2 %** / exportiert **1,7 %**; **Engineering** importiert **18,5 %** / exportiert **7,4 %**; **Marketing** importiert **24,3 %** / exportiert **8,9 %** — *« der höchste Exportanteil in der Stichprobe »*. → Marketing ist der einzige Beruf, der beide Richtungen anhäuft.
- **Die beiden universell entlehnten Aufgaben**: **Finanzberechnung** und **Fehlerbehebung bei Technologie** erscheinen in den **Top 3 der Entlehnungen für die anderen sieben Gruppen**. **Die Erstellung von Marketingmaterial** erscheint in fünf weiteren Gruppen, *« besonders ausgeprägt bei Design-Nutzern »*.
- **⭐ Die Asymmetrie des Engineering — die praktisch relevanteste Zahl für ein IT-Dienstleistungsunternehmen**: Engineering ist **sowohl der am wenigsten poröse Beruf (28 %, Import 18,5 %) als auch ein bedeutender Exporteur (7,4 %)**, und seine Diagonale von **53 %** ist mit Abstand die höchste. Die gefeierte Porosität verläuft somit **weitgehend einseitig in Richtung der technischen Seite**: Andere Berufe übernehmen Fehlerbehebung und technische Systemarbeit, umgekehrt ist es selten (Design exportiert 1,7 %). **Was das konkret bedeutet**: KI verwässert Engineering nicht in andere Berufe — sie **verbreitet Engineering-Aufgaben überall sonst**, während Ingenieure bei ihrer Kernarbeit bleiben.
- **⚠️⚠️ Der Größeneffekt ist schwächer, als andernorts berichtet — zwei von OpenAI selbst genannte, oft verlorene Vorbehalte**: 1. Die Verschiebung von **18,9 % auf 16,3 %** gilt nur **„unter Durchschnittsnutzern“**. 2. *« **Bei den intensivsten Nutzern sehen wir nicht dasselbe monotone Muster.** »* → **Der Trend gilt nicht für Vielnutzer.** OpenAI bietet zwei mögliche Erklärungen an (moderate Nutzer in kleinen Organisationen greifen auf KI zurück, wenn sie auf Arbeit stoßen, die zu einer anderen Funktion gehört; Vielnutzer haben stabilisierte Arbeitsabläufe, die sich organisationsübergreifend ähneln, oder nutzen KI intensiver **innerhalb** ihres Kernberufs). 3. Die Schlussfolgerung ist bedingt: *« KI **könnte** besonders nützlich als generalistisches Werkzeug sein, wo Fachressourcen knapp sind. »* → **Korrektur zu [[sfeir-ia-frontieres-metiers-skill-based-organisation-2026-08-01]]**, das diese 2,6 Punkte als eindeutiges Ergebnis und die generalistische Schlussfolgerung als Behauptung darstellte. Die Quelle ist vorsichtiger als der Kommentar dazu, und die von mir als Schwachstelle markierte Lücke von 2,6 Punkten wird **von den Autoren selbst ausdrücklich eingegrenzt**.
- **Der beanspruchte epistemische Status — Frühindikator**: Diese Daten offenbaren Neukombinationen *« bevor Unternehmen Stellenbeschreibungen umschreiben oder neue Jobtitel schaffen »*, und *« können ein frühes Signal für beruflichen Wandel liefern, das konventionelle Arbeitsmarktstatistiken erst später erfassen »*. → **Ein Frühindikator, kein Beschäftigungsmaß.** Es zeigt, was Menschen *versuchen*, nicht was Organisationen *bestätigen*.
- **Doktrinäre Zugehörigkeit**: Das Paper stützt sich auf das **AI Jobs Transition Framework** desselben Teams, dessen These lautet, dass viele Berufe sich **umorganisieren** werden — *« Jobs, deren Alltagsaufgaben sich erheblich verändern könnten »* — statt zu verschwinden. Crossover ist der Nutzungsbeleg dafür.
- **⚠️ Inhaltliche Vorbehalte, systematisch anzuführen**:
- **OpenAI misst OpenAI.** Ein einzelner Assistent, ausschließlich die eigenen Nutzer, dargestellt als Vorteil (*« unser einzigartiges Fenster »*). Gemessen wird die ChatGPT-Nutzung, nicht die KI-Nutzung.
- **Nur US-amerikanische Nutzer.** Eine internationale Extrapolation ist nicht möglich, und der Bericht versucht auch keine.
- **Nicht repräsentative Population** der Erwerbstätigen: Es handelt sich um ChatGPT-Nutzer, selbstselektiert.
- **Die Berufsklassifikation erfolgt durch ein Modell**, anhand von Nachrichten, ohne im Beitrag beschriebene externe Validierung. Die Kategorien (acht Gruppen) und die Grenze „generisch / spezifisch“ sind Designentscheidungen, die die Ergebnisse mechanisch bestimmen — hier entscheidet sich in Wahrheit die Robustheit der 43,5-%-Zahl.
- **Erklärtes Ziel**: *« Politik und Praxis zu leiten »*. Ein Akteur, der die Daten über seine eigene Wirkung erzeugt **und** damit die öffentliche Politik informieren will. Derselbe Bias, der bezüglich Bercy in [[sfeir-ia-emploi-risque-decrochage-2026-07-23]] angemerkt wurde.
- **Meta / Querverweise**: Primärquelle für [[sfeir-ia-frontieres-metiers-skill-based-organisation-2026-08-01]], die sie **ergänzt** (16,8 %, Marketing 24,3 %, Heatmap) und **korrigiert** (nicht-monotoner Größeneffekt bei Vielnutzern); zu lesen zusammen mit [[dgtresor-ia-effets-emploi-2026-06-30]] und [[sfeir-ia-emploi-risque-decrochage-2026-07-23]] zur Lücke zwischen theoretischer Exposition und beobachteter Umverteilung; erweitert [[mollick-organizational-theory-agentic-ai-spans-control-2026-02]] und [[mollick-valence-ai-hr-playbook-leader-lab-crowd-2025-07-23]] auf der organisationstheoretischen Seite; HR-Kontext in [[bersin-chro-pivotal-role-ai-transformation-2025-10-10]].

## RésuméDe400mots

Erste Folge der Serie **Work at the Frontier** von **OpenAI Economic Research** (27. Juli 2026), basierend auf mehr als **800.000 Nachrichten** von US-amerikanischen ChatGPT-Nutzern.

**Das Konzept.** ***Task crossover*** bezeichnet *« Arbeit, die historisch mit einem Beruf verbunden war und in der KI-Nutzung von Personen in einem anderen Beruf auftaucht »*. Der methodische Gegenzug wird von Anfang an aufgestellt: Expositionsstudien gehen von einer festen Aufgabenliste aus und fragen, ob das Modell sie ausführen kann; hier lautet die Frage **wer macht was**. *« KI verändert nicht nur, wie Arbeit erledigt wird, sondern wer sie erledigt. »*

**Die Zahlen, und es sind zwei.** **16,8 %** der arbeitsbezogenen Nachrichten und **43,5 %** der berufsspezifischen Nachrichten betreffen eine Aufgabe aus einem anderen Beruf. Die Diskrepanz ergibt sich aus dem Trichter: **61,5 %** der Nutzung sind **generisch** (Schreiben, Zusammenfassen, Planen) und werden ausgeschlossen; von den verbleibenden 38,5 % fallen 43,5 % außerhalb des Berufs, der Rest ist *« innerhalb **oder in der Nähe** »*.

**Nach Beruf**: Kundenerfahrung **77 %**, Design **75 %**, Personalwesen **69 %**, Recht 56 %, Marketing 53 %, Vertrieb und Finanzen 40 %, **Engineering 28 %** — eine Mehrheit in fünf von acht Gruppen.

**Zwei Zirkulationsrichtungen.** Design **importiert** (35,2 %), ohne zu exportieren (1,7 %); Engineering macht das Gegenteil (18,5 % / 7,4 %); Marketing **häuft beides an** (24,3 % / 8,9 %, der höchste Exportanteil). Zwei Aufgaben erscheinen in den Top 3 der Entlehnungen für die anderen sieben Gruppen: **Finanzberechnung** und **Fehlerbehebung bei Technologie**.

**Die Heatmap** liefert die vollständige Verteilung, und ihre Diagonale ist das auffälligste Ergebnis: Engineering behält **53 %** seiner eigenen Arbeit, während Kundenerfahrung nur **11 %**, Personalwesen **10 %** und Design **12 %** behalten — bei diesen drei Berufen überwiegen Marketingaufgaben die eigenen.

**Der Größeneffekt ist fragiler, als er erscheint.** Der Anteil berufsfremder Aufgaben sinkt von 18,9 % (2–5 Beschäftigte) auf 16,3 % (>100 Beschäftigte) **nur unter Durchschnittsnutzern**: *« bei den intensivsten Nutzern sehen wir nicht dasselbe monotone Muster »*. Die Schlussfolgerung bleibt bedingt — *« KI **könnte** besonders nützlich als generalistisches Werkzeug sein, wo Fachressourcen knapp sind »*.

**Der beanspruchte Status** ist der eines **Frühindikators**, sichtbar *« bevor Unternehmen Stellenbeschreibungen umschreiben oder neue Jobtitel schaffen »*.

⚠️ OpenAI misst die Nutzung des eigenen Produkts, ausschließlich bei den eigenen US-amerikanischen Nutzern, und stellt diese Position als Vorteil dar.

## GrapheDeConnaissance

- OpenAI Economic Research —publie→ Work at the Frontier (DOCUMENT, 0.98)
- Work at the Frontier —mesure→ 16,8 % des messages liés au travail et 43,5 % des messages métier-spécifiques portent sur une tâche d'un autre métier (MESURE, 0.97)
- Work at the Frontier —mesure→ 61,5 % de l'usage professionnel est générique et écarté du calcul du crossover (MESURE, 0.95)
- task crossover —est_instance_de→ l'apparition, dans l'usage IA d'un métier, de travail historiquement associé à un autre (CITATION, 0.97)
- OpenAI Economic Research —s_oppose_à→ les études qui partent d'une liste figée de tâches par métier pour tester la substituabilité du modèle (AFFIRMATION, 0.93)
- Work at the Frontier —mesure→ part hors métier par fonction : expérience client 77 %, design 75 %, RH 69 %, juridique 56 %, marketing 53 %, vente 40 %, finance 40 %, ingénierie 28 % (MESURE, 0.96)
- Work at the Frontier —mesure→ le design importe 35,2 % de tâches extérieures et n'en exporte que 1,7 % (MESURE, 0.95)
- Work at the Frontier —mesure→ l'ingénierie importe 18,5 % de tâches extérieures et en exporte 7,4 % (MESURE, 0.95)
- Work at the Frontier —mesure→ le marketing importe 24,3 % et exporte 8,9 %, la plus forte part sortante de l'échantillon (MESURE, 0.95)
- Work at the Frontier —mesure→ l'ingénierie retient 53 % de ses propres tâches, contre 11 % pour l'expérience client et 10 % pour les ressources humaines (MESURE, 0.92)
- calcul financier —observé_dans→ le top 3 des tâches empruntées par les sept autres groupes de métiers (AFFIRMATION, 0.94)
- dépannage technologique —observé_dans→ le top 3 des tâches empruntées par les sept autres groupes de métiers (AFFIRMATION, 0.94)
- Work at the Frontier —mesure→ la part hors métier passe de 18,9 % à 16,3 % selon la taille de l'espace de travail, chez les utilisateurs moyens seulement (MESURE, 0.95)
- OpenAI Economic Research —affirme_que→ la tendance liée à la taille de l'organisation n'est pas monotone chez les utilisateurs les plus intensifs (CITATION, 0.95)
- OpenAI Economic Research —affirme_que→ l'IA pourrait être particulièrement utile comme outil généraliste là où les ressources spécialisées manquent (AFFIRMATION, 0.9)
- données d'usage —permet→ de voir la recomposition des métiers avant la réécriture des fiches de poste et des intitulés (AFFIRMATION, 0.94)
- Work at the Frontier —est_basé_sur→ AI Jobs Transition Framework (DOCUMENT, 0.92)
- AI Jobs Transition Framework —affirme_que→ de nombreux métiers vont se réorganiser, leurs tâches quotidiennes pouvant changer substantiellement (AFFIRMATION, 0.92)
- Work at the Frontier —est_basé_sur→ plus de 800 000 messages d'utilisateurs américains de ChatGPT (AFFIRMATION, 0.97)
- OpenAI —affirme_que→ sa position d'observation unique sur le monde du travail lui permet d'orienter la politique publique et la pratique (CITATION, 0.9)

---
Canonical: https://www.thekb.eu/de/fiches/openai-work-at-the-frontier-task-crossover-2026-07-27/