OpenAI 把 ChatGPT 的“工作用途”从模糊印象变成了可观测的数据对象：一套覆盖近 100 个国家、165 项工作活动的 Signals 数据集，用来回答一个很具体的问题——人们究竟拿它做什么，以及这种用法如何随时间迁移。
发生了什么
OpenAI 发布了一份围绕 ChatGPT 工作场景的数据观察，名为 Signals。其口径不是按行业或职业粗分，而是拆到“工作活动”这一层：把工作拆成 165 项具体动作，再观察 ChatGPT 在这些动作上的使用情况，并覆盖近 100 个国家。官方给出的定位是双重的：既看人们如何用 ChatGPT 工作，也看使用方式随时间如何变化。需要说明的是，目前公开信息只到“范围与方法”这一层，具体数值、国家分布和趋势结论尚未在摘要中展开。
为什么重要
过去两年，关于 AI 对工作的影响，讨论大多停留在两个极端：一边是宏观的职业替代预测，一边是用户自述的零散案例。两者之间缺一层“中间粒度”的证据——不是“会不会取代某个职业”，而是“某个职业里的哪道工序正在被改写”。把工作拆成活动项，恰好补上这一层。
这也延续了 OpenAI 近一年在“AI 经济影响”上的方法论转向：用真实使用数据替代问卷和推测。对一家同时是模型提供方和数据持有方的公司来说，这类发布既是研究，也是叙事——它决定了外界理解 AI 生产力时所用的坐标系。国家维度的加入同样关键：AI 在工作中的渗透并不均匀，哪些地区、哪些活动先被改变，本身就是有价值的信息。
影响与看点
对企业决策者，活动级数据比行业报告更可操作：它可以用来判断内部哪些流程值得优先接入模型，而不是笼统地“全面 AI 化”。对开发者和产品团队，这类分类体系本身可能成为需求地图——被高频使用的活动，意味着围绕它的工具、集成和工作流仍有空间。对普通用户，它提供了一个校准自我定位的参照：被改变的不是“岗位”，而是岗位里的某些环节。
值得关注的还有两点。其一，方法论透明度：165 项活动如何定义、跨国比较如何处理语言与职业结构差异，会直接影响结论的可信度。其二，时间序列的价值大于单点快照——使用结构的变化速度，往往比绝对水平更能说明技术扩散的真实节奏。
一句判断：这类“活动级”数据真正的意义，不在于证明 ChatGPT 有多普及，而在于它把 AI 与工作的讨论从立场之争，拉回到可以被检验的颗粒度上。
