Gjennomgang av ‘Hvordan folk bruker ChatGPT’

Jeg er Ilya Romanov og jeg jobber med et AI-prosjekt i hemmelig modus. I min forrige artikkel, snakket jeg om en (ikke så?) revolusjonerende MIT-rapport om AI og økonomiske resultater. En annen rapport som har fått mye oppmerksomhet, er “Hvordan folk bruker ChatGPT”. Den modige åpningssiden “Samlet sett finner vi at ChatGPT gir økonomisk verdi gjennom beslutningsstøtte, som er spesielt viktig i kunnskapsintensive jobber” fikk meg til å undre om—endelig—det er en bevist rekord på at AI tilfører noe konkret til en arbeidsprosess og økonomiske resultater. La oss dykke dypt nå!

Rapporten og teamet

‘Hvordan folk bruker ChatGPT’ ble preparert av OpenAI-forskere og Harvard-økonom David Deming. Deres kombinerende ekspertise i AI-ingeniørarbeid, datanalyse og økonomisk politikk gjorde det mulig å lage denne omfattende, empiriske studien av ChatGPT.

Studien bygger på en imponerende mengde med 1,5 millioner samtaler med ChatGPT. Teamet brukte en anonymiseringsprosess for å fjerne navn og personlige detaljer fra brukerne, samtidig som de forble anonyme. Essensielt sett ble hver ChatGPT-samtale trukket gjennom en automatisert filter som fjernet alle navn eller personlige detaljer før forskerne så dem. Disse renskede, maskin-genererte etikettene (som emne eller hensikt) ble analysert. For å koble til grunnleggende demografiske bakgrunner, som utdanning eller yrke, arbeidet teamet i et sikkerhetsrom hvor de bare kunne trekke aggregert data på grupper av minst 100 brukere, så ingen enkelt person eller melding kunne noen gang bli identifisert eller gjenkjent.

Funn

Den modige uttalelsen i ‘Abstract’ er en av de viktigste innsiktene om hvordan AI leverer verdi i den moderne økonomien. I motsetning til de talløse ‘automatiser-det-hele’-løsningene som har dukket opp sistelig, blir ChatGPT brukt primært som et beslutningsstøttesystem snarere enn et ren automatiseringsverktøy. Rapporten introduserer to typer oppgaver ChatGPT blir gitt av brukerne: ‘Asking’ og ‘Doing’. Den første refererer til jobber som å søke informasjon, rådgivning eller veiledning for bedre beslutninger (‘Hva er forskjellen på korrelasjon og årsakssammenheng?’). Den siste er faktisk å utføre spesifikke oppgaver som å skrive e-poster, rapporter og selv kode (‘Skriv en e-post til min sjef som sier at jeg ikke kunne nå Salg, selv om jeg ringte flere ganger.’).

Interessant nok skiller rapporten mellom arbeids- og ikke-arbeidssamtaler. Alle ikke-arbeidssamtaler utgjør så mye som 70% i 2025, og viser en skarp økning fra 53% i 2024. Personlige interaksjoner handler hovedsakelig om hverdagsoppgaver (‘hvordan-gjøre’-råd og veiledning) og skrivehjelp (redigering eller oversettelse). Denne økningen og konteksten av bruk stiller ChatGPT som en daglig kompanjong—den nye Google —til utforsking, kreativt arbeid og beslutningstaking utenfor arbeidsplassen.

Rapporten avslører at 49% av alle meldinger er ‘Asking’ sammenlignet med bare 40% ‘Doing’-forespørsler. Trikset er at ‘Asking’-meldinger vokser raskere og får høyere tilfredshetsvurderinger fra ChatGPT-brukerne. I juli 2024 var ‘Asking’ og ‘Doing’ nesten like, og utgjorde 46% av alle ChatGPT-meldinger. Ved juni 2025 hadde ‘Asking’ økt til 51,6%, noe som betyr en absolutt økning på 5,6 prosentpoeng, som oversettes til en relativ 12% økning, mens ‘Doing’ falt til 34,6%, noe som betyr en -25% relativ fall.

Hva betyr denne divergensen? Den økonomiske fordelen, rapporten hevder, ligger i raskere og bedre informert beslutningstaking i kunnskapsintensive jobber, som forsterker produktiviteten. I kunnskapsintensive jobber, hvor forretningsresultatene direkte påvirkes av kvaliteten og hastigheten på beslutningene, kan tilgangen til bedre prosessert informasjon, alternative perspektiver og utmerket analytisk støtte signifikant forbedre arbeidsytelsen.

Grunnlaget for konklusjonen er funnene. På den ene siden er brukerne med høyere utdanning om lag 2 prosentpoeng mer sannsynlig til å bruke ChatGPT til ‘Asking’ og 1,6 prosentpoeng mindre sannsynlig til å sende ‘Doing’-meldinger sammenlignet med mindre utdannede brukere. I samme ånd er brukerne i høyt betalte, vitenskapelige og tekniske yrker mer sannsynlig til å bruke AI til ‘Asking’—47% av arbeidsrelaterte meldinger er ‘Asking’ i datarelerte jobber.

Den usynlige beslutningsevnen som langt overgår menneskehjernen kan reflekteres i penger—ikke i form av inntekt OpenAI har tjent (en imponerende 13 milliarder dollar i årlig gjentakende inntekt, per tidlig august i år), men i forbrukeroverskudd. Enkelt sagt er forbrukeroverskuddet gapet mellom det maksimale beløpet en person ville være villig til å betale for en tjeneste og det faktiske prisen de betaler. For eksempel er jeg villig til å betale 100 dollar for en månedlig ChatGPT-abonnement, men jeg betaler 20 dollar, så forbrukeroverskuddet er 80 dollar.

I stor skala, som forskningen av Collis og Brynjolfsson (2025) fant, er forbrukeroverskuddet på minst 97 milliarder dollar i USA alene. Og det ser ut til at folk må betales 98 dollar i gjennomsnitt for å slutte å bruke generativ AI i en måned. Verdien ChatGPT har for brukerne i både arbeids- og ikke-arbeidssammenhenger er enorm, og det er trygt å si at i en bedriftskontekst er det en enda større økonomisk gevinst.

Hvorfor spørre?

Da jeg forsket på teamet bak denne rapporten og (overraskelse!) inviterte Perplexity til å tenke med meg om denne rapporten, kunne jeg ikke hjelpe å undre hvorfor folk SPØRRE snarere enn GJØR med ChatGPT.

For å sette det mer vitenskapelig, ville jeg like å vende meg til en forskning som er referert i rapporten. Ide og Talamas (2025) presenterte to roller AI spiller på arbeidsplassen: Medarbeider som leverer resultater, dvs. gjør arbeid, og Kopilot som forbedrer problemløsning uten noen endelige resultater. Data fra ‘Hvordan folk bruker ChatGPT’ støtter kopilot-paradigmet: igjen, folk spørre snarere enn gjøre med ChatGPT (49% vs 40%) og spørre er på økning og ‘Å ta beslutninger og løse problemer’ er blant de topp arbeidsaktivitetene i hver yrkesgruppe som er undersøkt. I en nøttshell, ChatGPT gir råd snarere enn arbeid i de fleste tilfeller.

Så, AI er en kopilot (visste Microsoft noe når de navnga deres AI-verktøy… hvis du fattar poenget) i de fleste tilfeller. Men hvorfor? Rull ned på Linkedin og du ser ‘Automatiser dette’ og ‘Automatiser det’.

Jeg har tenkt på det også, da jeg leste rapporten og hundrevis av ekstatisk Linkedin-innlegg fra AI-entusiaster som fant DET skriptet for å få AI til å fungere. Min antagelse er at denne dominansen av Spørre-type over Gjøre-type med ChatGPT kan være bare en refleksjon av modellens nåværende (eller tidligere) begrensninger snarere enn en grunnleggende offentlig preferanse for AI som en kopilot. Det er sannsynlig at når det finnes en virkelig kraftig, agensiv AI-løsning, vil brukerne i økende grad bruke AI som en ekte medarbeider snarere enn en rådgiver. Enkelt sagt, folk vil bruke AI som en medarbeider, men det er fortsatt begrensninger.

Fra min erfaring og hva jeg hørte under CustDev-intervjuene, antar jeg at det er en alvorlig ulempe som AI ikke kan overvinne ennå. En, det mangler kontekst. To, ikke all arbeid kan brytes ned i en enkel oppgave (eller jeg er bare ikke tålmodig nok).

La meg forklare disse to punktene. Fordi AI mangler kontekst, kan det ikke la seg bruke fritt når det gjelder innholdsskapning. Det må overvåkes, og oppgaven må revises for en bedre utgang. IBM forklarte ideen i vitenskapelige termer. Mennesker akkumulerer rik situasjonsforståelse takket være kontinuerlig persepsjon, minne og virkelighets erfaring, mens AI-hjelpere opererer kun ved å forutsi neste token (~ord) basert på en fast ‘kontekst-vindu’ av nylige inndata. AI har kortvarig minne, og tidligere informasjon blir tapt når minnekapasiteten er fylt opp.

Store språkmodeller sliter med komplekse, flertrinnsoppgaver. Ytelse og konsistens forringes når oppgaver kombineres, Prompt Drive forklarer. Det er en tilnærming for å overvinne begrensningen—den såkalte del-og-erobr-metoden. Likevel erkjenner den at ingen enkelt oppgave kan fange alle nyansene, så AI forblir en utmerket kopilot mens det er en begrenset medarbeider.

Nå, jeg har tenkt i ChatGPT-området. Repeterer denne forholdet (49% vs 40%) seg med andre AI-verktøy?

• 60% av meldingene sendt til Perplexity AI er forskningsdrevne forespørsler snarere enn ren innholdsgenerering, ifølge App Labx.
• DeepSeek R1 scorer høyt som en avansert medarbeider for logiske oppgaver og kopilot for tankekedje-hjelp, ifølge dens interne rapport.
• GitHub Co-pilot (hinten er i navnet, rett?) er designet for redaktørforespørsler for kode, feilsøking og læringshjelp. Det er trygt å anta at dens rolle er å hjelpe snarere enn å gjøre.
• Microsoft Copilot viser en omtrent lik fordelt mellom Spørre og Gjøre, speiler bruksmønster for ChatGPT.

Så—hva etterlater funnene oss med? Som jeg ser det, er AI en kraftig booster for kunnskapsintensivt arbeid som akselerer beslutningstaking og oversettes til direkte tidssparinger og indirekte inntektsgevinster. Å motstå AI til fordel for ‘menneskelig berøring’ eller ‘unikt innhold’ betyr å tape på lengre sikt. Folk bruker ChatGPT og andre AI-hjelpere til å fremme beslutningstaking, ikke til å erstatte en menneskelig beslutningstaker helt og holdent.

Vil mønsteret endre seg? Vil folk se den massive hjernerot på grunn av økende arbeidsdelegasjon til AI? Følg med på min neste artikkel om hvordan AI påvirker det menneskelige hjernen og kognitive evner.