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

## Veille

Post e report di **OpenAI Economic Research** pubblicato il **27 luglio 2026**, primo capitolo della serie **Work at the Frontier**, basato su un'analisi di **oltre 800.000 messaggi di utenti ChatGPT statunitensi**. **Concetto coniato**: ***task crossover*** — *« lavoro storicamente associato a una professione che compare nell'uso dell'IA di persone appartenenti a un'altra »*. **La cifra principale è in realtà composta da due cifre, ed è questo il punto che la maggior parte della copertura mediatica perde**: **il 16,8% dei messaggi legati al lavoro** riguarda compiti associati a una professione diversa, e **il 43,5% dei messaggi specifici a una professione**. Il funnel spiega lo scarto: **il 61,5% dell'uso è generico** (scrivere, riassumere, pianificare — troppo diffuso per essere considerato prova di crossover) ed è escluso; del **restante 38,5%**, **il 43,5% esula dalla professione** e il 56,5% è *« all'interno **o vicino** »* — il limite superiore è dunque calcolato su una base ridotta, quello inferiore sull'intero uso legato al lavoro. **Per professione** (quota di messaggi specifici a una professione che rimandano a un compito esterno): customer experience **77%**, design **75%**, HR **69%**, legale **56%**, marketing **53%**, vendite **40%**, finanza **40%**, ingegneria **28%** — *« una maggioranza in cinque degli otto gruppi »*. **Due direzioni distinte di circolazione**: il design **importa** (35,2%) e non **esporta** quasi nulla (1,7%); l'ingegneria fa l'opposto (importa 18,5%, esporta 7,4%); **il marketing accumula entrambe** (importa 24,3%, esporta **8,9%**, la quota in uscita più alta del campione). **Due compiti compaiono nella top 3 dei prestiti per gli altri sette gruppi**: **il calcolo finanziario** e **la risoluzione di problemi tecnologici**. ⭐ **La heatmap, assente dalla copertura mediatica, è l'oggetto più ricco**: fornisce la distribuzione completa dei compiti per professione dell'utente, e la sua diagonale è sorprendente — l'ingegneria mantiene il **53%** del proprio lavoro mentre la customer experience ne mantiene solo l'**11%**, l'HR il **10%** e il design il **12%**. **Effetto dimensione**: la quota fuori professione scende dal **18,9%** (2-5 dipendenti) al **16,3%** (>100 dipendenti) — ⚠️ **ma solo "tra gli utenti medi"**, con OpenAI che osserva che *« tra gli utenti più intensivi, non osserviamo lo stesso andamento monotono »*, e conclude in modo condizionale: *« l'IA **potrebbe essere** particolarmente utile come strumento generalista laddove le risorse specialistiche scarseggiano. »* **Statuto rivendicato**: un **segnale precoce**, visibile *« prima che le aziende riscrivano le descrizioni di ruolo o creino nuovi titoli professionali »*. ⚠️ **Avvertenza strutturale**: OpenAI misura l'uso del proprio prodotto, sui soli utenti ChatGPT statunitensi, e presenta questa posizione come un vantaggio — *« la nostra finestra unica su come sta cambiando il mondo del lavoro »*.

## 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, porosità occupazionale, 800.000 messaggi, ChatGPT, utenti statunitensi, messaggi legati al lavoro, messaggi specifici a una professione, compiti generici, base di calcolo, funnel metodologico, all'interno o vicino, customer experience, design, risorse umane, legale, marketing, vendite, finanza, ingegneria, import-export di compiti, heatmap, diagonale, mantenimento occupazionale, calcolo finanziario, risoluzione di problemi tecnologici, creazione di materiali di marketing, dimensione dell'organizzazione, posizioni lavorative, utenti medi, utenti intensivi, non-monotonicità, generalista, risorse specialistiche, AI Jobs Transition Framework, riorganizzazione occupazionale, segnale precoce, descrizioni di ruolo, titoli professionali, statistiche del mercato del lavoro, divisione del lavoro, bias della fonte, misurazione lato fornitore

## 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

**Profilo**: post di ricerca istituzionale, registro sobrio e metodico, che funge da sintesi pubblica di un report PDF. Né un annuncio di prodotto né un editoriale — una **nota sui risultati** strutturata in quattro sezioni i cui titoli sono le conclusioni (*« Nearly half of occupation-specific AI use crosses job boundaries »*, *« Some tasks travel farther than others »*, *« More task crossover in small businesses »*, *« The task list itself is changing »*).

**Stile**: **la contromossa metodologica enunciata fin dall'inizio** è la mossa strutturante. *« Many studies of AI and work begin with a fixed list of tasks associated with a given occupation and ask whether models can perform them. Our evidence suggests that AI is also changing who takes on which tasks. »* L'oggetto della misurazione non è la sostituibilità di una professione ma la **redistribuzione osservata** — un cambiamento di inquadramento rivendicato, ed è ciò che dà valore al paper.

**Tratto notevole: la cautela è incorporata nella frase, non relegata a una nota a piè di pagina.** I qualificatori sono collocati proprio nel momento in cui il risultato viene enunciato — *« our new research **suggests** »*, *« **Among average users**, the outside-occupation task share falls… »*, *« Among the heaviest users, **we do not see the same monotonic pattern** »*, *« AI **may be** especially useful as a generalist tool »*, *« usage patterns **may** provide an early signal »*. Il testo quasi mai afferma senza delimitare.

**Illustrazione tramite caso concreto prima della cifra**: tre vignette aprono il testo — il piccolo imprenditore che redige testi pubblicitari, revisiona un contratto e fa un'analisi finanziaria; il venditore che esplora un dataset di clienti *« che un tempo sarebbe potuto andare a un analista »*; il marketer che sistema un sito web *« senza aspettare uno sviluppatore »*. La frase che le riassume è la tesi: *« AI changes not just how work gets done, but who does what. »*

**Frasi marcatrici**: *« task crossover »*, *« who does what »*, *« some activities that once required a handoff can now be done by the person who first encounters the need »*, *« these occupations are "borrowing" these tasks »*, *« before firms rewrite job descriptions or create new job titles »*.

## Pense-betes

- **⭐⭐ Le due cifre principali, e perché vanno sempre citate entrambe**: **il 16,8% dei messaggi legati al lavoro** E **il 43,5% dei messaggi specifici a una professione**. Il funnel: **il 61,5% dell'uso lavorativo è generico** (scrivere, riassumere, pianificare — *« condiviso troppo ampiamente tra le professioni per essere prova di crossover »*) ed è rimosso dal calcolo; del restante **38,5%**, il **43,5%** esula dalla professione. → **Il 43,5% è calcolato sul 38,5% dell'uso.** Citare solo la cifra del 43,5% raddoppia quasi la portata percepita. Entrambi i numeri sono nella fonte; di solito solo uno sopravvive nella copertura mediatica.
- **⭐ La sfumatura "all'interno *o vicino*"**: il complemento del 43,5% non è "entro la professione" ma *« all'interno **o vicino** alla professione dell'utente »*. Il confine misurato è dunque **sfumato per costruzione**, il che è onesto e raramente riportato.
- **La contromossa metodologica — il vero contributo del paper**: la letteratura parte da un elenco fisso di compiti per professione e chiede se il modello è in grado di svolgerli; qui la domanda è **chi si assume cosa**. *« Le nostre evidenze suggeriscono che l'IA sta anche cambiando chi si assume quali compiti. »* → **Questo misura una redistribuzione osservata, non una sostituibilità teorica.** È ciò che distingue questo lavoro dagli studi sull'esposizione (cfr. gli intervalli 5-60% discussi in [[dgtresor-ia-effets-emploi-2026-06-30]] e [[sfeir-ia-emploi-risque-decrochage-2026-07-23]]).
- **Per professione, quota fuori professione** (dei messaggi specifici a una professione): customer experience **77%** · design **75%** · HR **69%** · legale **56%** · marketing **53%** · vendite **40%** · finanza **40%** · **ingegneria 28%**. *« Il lavoro fuori professione è maggioritario in cinque degli otto gruppi. »*
- **⭐⭐ La heatmap — l'oggetto più ricco, e assente da tutta la copertura mediatica** (righe = professione dell'utente, colonne = professione di origine del compito; diagonale in grassetto): | Utente ↓ / Compito → | CX | Design | Ing. | Fin. | HR | Legale | Mktg | Vendite | |---|---|---|---|---|---|---|---|---| | **Customer experience** | **11** | 5 | 20 | 14 | 6 | 6 | **26** | 11 | | **Design** | 6 | **12** | **28** | 10 | 4 | 4 | **28** | 8 | | **Ingegneria** | 4 | 4 | **53** | 9 | 4 | 4 | 20 | 2 | | **Finanza** | 6 | 4 | 22 | **23** | 4 | 8 | **25** | 7 | | **HR** | 9 | 5 | 18 | 16 | **10** | 10 | **23** | 9 | | **Legale** | 5 | 4 | 17 | 12 | 7 | **31** | 18 | 6 | | **Marketing** | 10 | 6 | 17 | 11 | 4 | 4 | **36** | 12 | | **Vendite** | 11 | 5 | 18 | 15 | 4 | 6 | **29** | **12** | **Tre letture che il testo non propone**: 1. **La diagonale è il vero risultato.** L'ingegneria mantiene il **53%** del proprio lavoro; la customer experience l'**11%**, l'HR il **10%**, il design il **12%**, le vendite il **12%**. → **Alcune professioni, nel loro uso non generico di ChatGPT, hanno quasi smesso di svolgere il proprio lavoro.** 2. **Per quattro professioni, la colonna marketing supera la diagonale.** Un designer svolge più compiti di marketing (28%) e di ingegneria (28%) che di design (12%); un addetto alla customer experience svolge più marketing (26%) che CX (11%); lo stesso vale per l'HR (23% contro 10%) e le vendite (29% contro 12%). 3. **Due colonne assorbono quasi tutto**: marketing (dal 18 al 36% ovunque) e ingegneria (dal 17 al 53%). Le altre sei professioni si spartiscono le briciole. ⚠️ **Avvertenza di lettura**: la diagonale bassa non significa che questi dipendenti non svolgano più il proprio lavoro — significa che **i loro messaggi non generici** vengono classificati altrove, su una base che esclude già il 61,5% dell'uso. I compiti specifici di queste professioni potrebbero essere proprio quelli classificati come "generici".
- **Le due direzioni di circolazione, quantificate**: il **design** importa **35,2%** / esporta **1,7%**; l'**ingegneria** importa **18,5%** / esporta **7,4%**; il **marketing** importa **24,3%** / esporta **8,9%** — *« la quota in uscita più alta del campione »*. → Il marketing è l'unico ad accumulare entrambe le direzioni.
- **I due compiti universalmente presi in prestito**: **il calcolo finanziario** e **la risoluzione di problemi tecnologici** compaiono nella **top 3 dei prestiti per gli altri sette gruppi**. **La creazione di materiali di marketing** compare in altri cinque gruppi, *« particolarmente evidente tra gli utenti del design »*.
- **⭐ L'asimmetria dell'ingegneria — la cifra più operativa per una società di servizi IT**: l'ingegneria è **al tempo stesso la professione meno porosa (28%, importa 18,5%) e un esportatore importante (7,4%)**, e la sua diagonale del **53%** è di gran lunga la più alta. La porosità celebrata è dunque **in larga misura a senso unico verso il lato tecnico**: le altre professioni fanno risoluzione di problemi e lavoro su sistemi tecnici, il contrario è raro (il design esporta l'1,7%). **Cosa significa concretamente**: l'IA non diluisce l'ingegneria nelle altre professioni — **diffonde i compiti ingegneristici ovunque altrove** lasciando gli ingegneri sul loro lavoro principale.
- **⚠️⚠️ L'effetto dimensione è più debole di quanto riportato altrove — due avvertenze poste da OpenAI e spesso perse**: 1. Il passaggio dal **18,9% al 16,3%** vale solo **"tra gli utenti medi"**. 2. *« **Tra gli utenti più intensivi, non osserviamo lo stesso andamento monotono.** »* → **La tendenza non regge per gli utenti intensivi.** OpenAI propone due possibili spiegazioni (gli utenti moderati di piccole organizzazioni si rivolgono all'IA quando incontrano lavoro appartenente a un'altra funzione; gli utenti intensivi hanno flussi di lavoro stabilizzati che si assomigliano tra le organizzazioni, oppure usano l'IA in modo più intensivo **all'interno** della propria professione principale). 3. La conclusione è condizionale: *« l'IA **potrebbe essere** particolarmente utile come strumento generalista laddove le risorse specialistiche scarseggiano. »* → **Correzione a [[sfeir-ia-frontieres-metiers-skill-based-organisation-2026-08-01]]**, che presentava questi 2,6 punti come un risultato netto e la conclusione generalista come un'affermazione. La fonte è più prudente del commento che ne è stato fatto, e lo scarto di 2,6 punti che avevo segnalato come anello debole è **esplicitamente delimitato dagli stessi autori**.
- **Lo statuto epistemico rivendicato — segnale precoce**: questi dati rivelano ricombinazioni *« prima che le aziende riscrivano le descrizioni di ruolo o creino nuovi titoli professionali »*, e *« potrebbero fornire un segnale precoce di cambiamento occupazionale che le statistiche convenzionali del mercato del lavoro coglieranno solo più tardi »*. → **Un indicatore anticipatore, non una misura dell'occupazione.** Dice cosa le persone *tentano*, non cosa le organizzazioni *ratificano*.
- **Affiliazione dottrinale**: il paper si appoggia all'**AI Jobs Transition Framework** dello stesso team, la cui tesi è che molte professioni si **riorganizzeranno** — *« professioni i cui compiti quotidiani potrebbero cambiare sostanzialmente »* — piuttosto che scomparire. Il crossover ne è la prova a livello d'uso.
- **⚠️ Riserve sostanziali, da sollevare sistematicamente**:
- **OpenAI misura OpenAI.** Un solo assistente, i suoi soli utenti, presentato come un vantaggio (*« la nostra finestra unica »*). Ciò che viene misurato è l'uso di ChatGPT, non l'uso dell'IA.
- **Solo utenti statunitensi.** Nessuna estrapolazione internazionale è possibile, e il report non ne tenta alcuna.
- **Popolazione non rappresentativa** della forza lavoro: si tratta di utenti ChatGPT, autoselezionati.
- **La classificazione delle professioni è effettuata da un modello**, sui messaggi, senza validazione esterna descritta nel post. Le categorie (otto gruppi) e il confine "generico / specifico" sono scelte di progettazione che determinano meccanicamente i risultati — è qui che si decide davvero la robustezza della cifra del 43,5%.
- **Obiettivo dichiarato**: *« orientare le politiche e le pratiche »*. Un attore che produce da solo i dati sul proprio impatto **e** mira a informare le politiche pubbliche. Lo stesso bias segnalato riguardo a Bercy in [[sfeir-ia-emploi-risque-decrochage-2026-07-23]].
- **Meta / rimandi incrociati**: fonte primaria per [[sfeir-ia-frontieres-metiers-skill-based-organisation-2026-08-01]], che **integra** (16,8%, marketing 24,3%, heatmap) e **corregge** (effetto dimensione non monotono tra gli utenti intensivi); da leggere insieme a [[dgtresor-ia-effets-emploi-2026-06-30]] e [[sfeir-ia-emploi-risque-decrochage-2026-07-23]] sullo scarto tra esposizione teorica e redistribuzione osservata; estende [[mollick-organizational-theory-agentic-ai-spans-control-2026-02]] e [[mollick-valence-ai-hr-playbook-leader-lab-crowd-2025-07-23]] sul versante della teoria organizzativa; contesto HR in [[bersin-chro-pivotal-role-ai-transformation-2025-10-10]].

## RésuméDe400mots

Primo capitolo della serie **Work at the Frontier** di **OpenAI Economic Research** (27 luglio 2026), basato su oltre **800.000 messaggi** di utenti ChatGPT statunitensi.

**Il concetto.** ***Task crossover*** designa *« lavoro storicamente associato a una professione che compare nell'uso dell'IA di persone appartenenti a un'altra »*. La contromossa metodologica è posta fin dall'inizio: gli studi sull'esposizione partono da un elenco fisso di compiti e chiedono se il modello sia in grado di svolgerli; qui la domanda è **chi fa cosa**. *« L'IA non cambia solo il modo in cui il lavoro viene svolto, ma chi lo svolge. »*

**Le cifre, e sono due.** **Il 16,8%** dei messaggi legati al lavoro e **il 43,5%** dei messaggi specifici a una professione riguardano un compito proveniente da un'altra professione. Lo scarto deriva dal funnel: **il 61,5%** dell'uso è **generico** (scrivere, riassumere, pianificare) ed escluso; del restante 38,5%, il 43,5% esula dalla professione, il resto essendo *« all'interno **o vicino** »*.

**Per professione**: customer experience **77%**, design **75%**, HR **69%**, legale 56%, marketing 53%, vendite e finanza 40%, **ingegneria 28%** — una maggioranza in cinque degli otto gruppi.

**Due direzioni di circolazione.** Il design **importa** (35,2%) senza esportare (1,7%); l'ingegneria fa l'opposto (18,5% / 7,4%); il marketing **accumula entrambe** (24,3% / 8,9%, la quota in uscita più alta). Due compiti compaiono nella top 3 dei prestiti per gli altri sette gruppi: **il calcolo finanziario** e **la risoluzione di problemi tecnologici**.

**La heatmap** fornisce la distribuzione completa, e la sua diagonale è il risultato più sorprendente: l'ingegneria mantiene il **53%** del proprio lavoro, mentre la customer experience ne mantiene solo l'**11%**, l'HR il **10%** e il design il **12%** — per queste tre professioni, i compiti di marketing superano i propri.

**L'effetto dimensione è più fragile di quanto sembri.** La quota fuori professione scende dal 18,9% (2-5 dipendenti) al 16,3% (>100 dipendenti) **solo tra gli utenti medi**: *« tra gli utenti più intensivi, non osserviamo lo stesso andamento monotono »*. La conclusione resta condizionale — *« l'IA **potrebbe essere** particolarmente utile come strumento generalista laddove le risorse specialistiche scarseggiano »*.

**Lo statuto rivendicato** è quello di un **segnale precoce**, visibile *« prima che le aziende riscrivano le descrizioni di ruolo o creino nuovi titoli professionali »*.

⚠️ OpenAI misura l'uso del proprio prodotto, sui soli utenti statunitensi, e presenta questa posizione come un vantaggio.

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