AI at WorkAug 14, 20264 min read
Task Crossover: AI Is Quietly Redrawing Who Does What
OpenAI looked at 800,000 work messages and found that 43.5% of role-specific AI use is about someone else's job. Job descriptions are the last thing to notice.
Most of the AI-and-work debate asks which tasks a model can do instead of a human. OpenAI Economic Research just asked a more useful question: who is now doing which tasks? In "How AI is expanding what people do at work" they analysed more than 800,000 work-related messages from US ChatGPT users. The headline: 16.8% of all work messages — and 43.5% of occupation-specific messages — are about tasks that belong to a different occupation.
They call it task crossover. The method matters: they first strip out the generic work everyone does — writing, summarising, scheduling. Of the genuinely role-shaped work that remains, nearly half sits outside the asker's role. The salesperson exploring a dataset that used to go to an analyst. The marketer debugging the website instead of filing a ticket. The founder reviewing their own contract.
Some roles have already left their lane
Excluding generic work, outside-occupation tasks make up 77% of role-specific messages from customer experience workers, 75% from designers, 69% from HR, 56% from legal and 53% from marketers. For these groups, borrowing someone else's job is no longer the exception — it's the majority of the specialised work they bring to the model.
Share of occupation-specific messages about someone else's job
The traffic has a direction. Financial calculation and technology troubleshooting are among the three most common outside tasks in every other occupation group — those skills have become general-purpose. Design is a net importer: 35.2% of designers' messages are other people's work, while design makes up just 1.7% of everyone else's. Engineering is roughly the reverse: 18.5% imported, but 7.4% of what other roles ask about. Company size matters too: the outside share drops from 18.9% in workspaces with 2–5 seats to 16.3% above 100 seats. In a small company, the person who meets the problem is the person who solves it.
What I take from it
The striking part isn't one percentage — it's that this shows up in usage data long before it shows up anywhere else. Nobody rewrote a job description to say "customer experience now does light data analysis." It just started happening, message by message, and the org chart hasn't caught up. Three consequences:
- The handoff was also a review step. When the marketer waited for a developer, they got a second pair of eyes for free. Removing the handoff removes both the friction and the control — and organisations count the first while ignoring the second. At 56% crossover in legal work, the question isn't "can the model do it" but "who catches it when it's wrong?"
- Career ladders reward depth; crossover rewards breadth. Most competency frameworks promote people for going deeper into one specialism. If the actual work is getting broader, assessment and pay drift out of sync with what people do all day — an HR problem before a technology problem.
- Small organisations are the leading indicator. Not because they're more sophisticated, but because they have no one to delegate to. If you want to see what enterprise roles look like once internal service teams stop being the default route, look at a fifteen-person company today.
Caveats — and why it still matters
One vendor measuring its own product, US users only, and a message about a task isn't proof the task was done well — or at all. Asking ChatGPT a legal question doesn't make anyone a lawyer, and the data can't separate good work from confident nonsense nobody reviewed.
But the direction survives every discount, and it matches OpenAI's report that non-developers are the fastest-growing group of Codex users. For me this is a process question: product development processes, requirement flows and review steps were designed around handoffs between specialists. My advice to clients has shifted accordingly — stop asking which roles AI will replace, and start mapping which handoffs have quietly stopped happening, and what replaced the check that used to sit inside them.
AI at Work14. Aug 20264 Min. Lesezeit
Task Crossover: KI verschiebt gerade leise, wer was macht
OpenAI hat 800.000 Arbeitsanfragen ausgewertet: 43,5 % der rollenspezifischen KI-Nutzung betrifft den Job von jemand anderem. Stellenbeschreibungen merken es zuletzt.
Die meisten Debatten über KI und Arbeit fragen, welche Aufgaben ein Modell statt eines Menschen erledigen kann. OpenAI Economic Research hat eine nützlichere Frage gestellt: Wer erledigt jetzt welche Aufgaben? In „How AI is expanding what people do at work“ wurden mehr als 800.000 arbeitsbezogene Nachrichten von US-ChatGPT-Nutzern analysiert. Das Ergebnis: 16,8 % aller Arbeitsnachrichten — und 43,5 % der berufsspezifischen Nachrichten — betreffen Aufgaben, die zu einem anderen Beruf gehören.
Sie nennen das Task Crossover. Die Methode ist wichtig: Zuerst wird die generische Arbeit herausgerechnet, die alle machen — Schreiben, Zusammenfassen, Terminplanung. Von der wirklich rollenspezifischen Arbeit, die übrig bleibt, liegt fast die Hälfte außerhalb der Rolle der fragenden Person. Der Vertriebler, der einen Datensatz auswertet, der früher an eine Analystin ging. Die Marketerin, die die Website selbst debuggt, statt ein Ticket aufzumachen. Der Gründer, der seinen Vertrag selbst prüft.
Manche Rollen haben ihre Spur schon verlassen
Ohne generische Arbeit machen fachfremde Aufgaben 77 % der rollenspezifischen Nachrichten im Customer Experience aus, 75 % im Design, 69 % in HR, 56 % in Legal und 53 % im Marketing. Für diese Gruppen ist es keine Ausnahme mehr, sich den Job von jemand anderem zu „leihen“ — es ist die Mehrheit der Facharbeit, die sie zum Modell bringen.
Anteil berufsspezifischer Anfragen, die zu einem anderen Job gehören
Der Verkehr hat eine Richtung. Finanzrechnung und technische Fehlersuche gehören in jeder anderen Berufsgruppe zu den drei häufigsten fachfremden Aufgaben — diese Fähigkeiten sind zum Allgemeingut geworden. Design ist Netto-Importeur: 35,2 % der Nachrichten von Designern betreffen fremde Arbeit, während Design nur 1,7 % der Anfragen aller anderen ausmacht. Engineering ist ungefähr das Gegenteil: 18,5 % importiert, aber 7,4 % dessen, wonach andere Rollen fragen. Auch die Unternehmensgröße zählt: Der fachfremde Anteil sinkt von 18,9 % in Workspaces mit 2–5 Plätzen auf 16,3 % bei mehr als 100. In einer kleinen Firma ist die Person, die auf das Problem stößt, auch die, die es löst.
Was ich daraus mitnehme
Bemerkenswert ist nicht eine einzelne Zahl — sondern dass sich das in Nutzungsdaten zeigt, lange bevor es irgendwo anders sichtbar wird. Niemand hat eine Stellenbeschreibung geändert, in der steht: „Customer Experience macht jetzt auch etwas Datenanalyse.“ Es passiert einfach, Nachricht für Nachricht, und das Organigramm kommt nicht hinterher. Drei Konsequenzen:
- Die Übergabe war auch ein Review-Schritt. Wer auf einen Entwickler gewartet hat, bekam ein zweites Paar Augen gratis dazu. Fällt die Übergabe weg, verschwinden Reibung und Kontrolle gleichzeitig — und Organisationen zählen das Erste und ignorieren das Zweite. Bei 56 % Crossover in Legal lautet die Frage nicht „Kann das Modell das?“, sondern „Wer merkt es, wenn es falsch ist?“
- Karriereleitern belohnen Tiefe, Crossover belohnt Breite. Die meisten Kompetenzmodelle befördern Menschen dafür, tiefer in ein Fach zu gehen. Wenn die tatsächliche Arbeit breiter wird, laufen Bewertung und Bezahlung auseinander mit dem, was Menschen den ganzen Tag tun — ein HR-Problem, bevor es ein Technologieproblem ist.
- Kleine Organisationen sind der Frühindikator. Nicht, weil sie raffinierter sind, sondern weil sie niemanden haben, an den sie delegieren können. Wer sehen will, wie Rollen im Konzern aussehen, wenn interne Service-Teams nicht mehr der Standardweg sind, schaut sich heute eine Firma mit fünfzehn Leuten an.
Einschränkungen — und warum es trotzdem zählt
Ein Anbieter misst sein eigenes Produkt, nur US-Nutzer, und eine Nachricht über eine Aufgabe beweist nicht, dass sie gut — oder überhaupt — erledigt wurde. Wer ChatGPT eine Rechtsfrage stellt, ist noch kein Jurist, und die Daten können gute Arbeit nicht von selbstbewusstem Unsinn trennen, den niemand geprüft hat.
Aber die Richtung übersteht jeden Abschlag, und sie passt zu OpenAIs Bericht, dass Nicht-Entwickler die am schnellsten wachsende Codex-Nutzergruppe sind. Für mich ist das eine Prozessfrage: Produktentwicklungsprozesse, Anforderungsflüsse und Review-Schritte wurden um Übergaben zwischen Spezialisten herum gebaut. Mein Rat an Kunden hat sich entsprechend verschoben — hört auf zu fragen, welche Rollen KI ersetzt, und schaut, welche Übergaben still und leise weggefallen sind und was die Kontrolle ersetzt hat, die in ihnen steckte.