Granskning av ’Hur människor använder ChatGPT’

Jag heter Ilya Romanov och jag arbetar med ett AI-produkt i hemlighet. I min förra artikel talade jag om en (inte riktigt?) banbrytande MIT-rapport om AI och intäkter. En annan rapport som fått mycket uppmärksamhet är ”Hur människor använder ChatGPT”. Dess djärva inledning ”Sammanfattningsvis finner vi att ChatGPT ger ekonomiskt värde genom beslutsstöd, som är särskilt viktigt i kunskapsintensiva jobb” fick mig att undra om – till slut – det finns ett bevisat exempel på att AI tillför något påtagligt till en arbetsprocess och intäkter. Låt oss dyka djupare nu!

Rapporten och teamet

’Hur människor använder ChatGPT’ har sammanställts av OpenAI-forskare och Harvard-ekonomen David Deming. Deras kombinerade expertis inom AI-teknik, datanalys och ekonomisk politik möjliggjorde skapandet av denna omfattande, storskaliga empiriska studie av ChatGPT.

Studien bygger på en imponerande samling av 1,5 miljoner samtal med ChatGPT. Teamet använde en dataskyddsfunnel för att anonymisera användare samtidigt som de fortfarande kunde förstå avsikt bakom meddelanden. I princip gick varje ChatGPT-samtal genom en automatiserad filter som tog bort alla namn eller personliga detaljer innan forskarna såg dem. Dessa renskilda, maskin-genererade etiketter (som ämne eller avsikt) analyserades. För att koppla grundläggande demografiska bakgrunder, såsom utbildning eller yrke, arbetade teamet i en säker ”clean room”-miljö där de endast kunde hämta aggregerad data för grupper om minst 100 användare, så att ingen enskild person eller meddelande kunde identifieras.

Resultat

Den djärva uttalandet i ’Sammanfattning’ är en av de viktigaste insikterna om hur AI levererar värde i den moderna ekonomin. I kontrast till de många ’automatisera-allt’-lösningarna som dykt upp nyligen, används ChatGPT främst som ett beslutsstödsverktyg snarare än en ren uppgiftsautomatiseringsplattform. Rapporten introducerar två typer av uppgifter som ChatGPT får av användare: ’Fråga’ och ’Göra’. Den förra hänvisar till jobb som att söka information, ge råd eller vägledning för bättre beslut (’Vad är skillnaden mellan korrelation och kausalitet?’). Den senare handlar om att utföra specifika uppgifter som att skriva e-post, skriva rapporter och till och med skapa kod (’Skriv ett e-postmeddelande till min chef och säg att jag inte kunde nå Försäljning, trots att jag ringde flera gånger.’).

Intressant nog skiljer rapporten på arbete och icke-arbete-samtal. Alla icke-arbete-samtal utgör så mycket som 70% under 2025, vilket visar en skarp ökning från 53% under 2024. Personliga interaktioner koncentrerar sig i stor utsträckning på vardagliga uppgifter (’hur-man’-råd och handledning) och skrivhjälp (redigering eller översättning). Denna ökning och användningssammanhang positionerar ChatGPT som en daglig följeslagare – den nya Google, så att säga – för utforskning, kreativt arbete och beslutsfattande utanför arbetsplatsen.

Rapporten avslöjar att 49% av alla meddelanden är ’Fråga’ jämfört med endast 40% ’Göra’-uppmaningar. Knepet är att ’Fråga’-meddelanden växer snabbare och får högre tillfredsställelsebetyg från ChatGPT-användare. I juli 2024 var ’Fråga’ och ’Göra’ nästan lika, och utgjorde 46% av alla ChatGPT-meddelanden. I juni 2025 hade ’Fråga’ stigit till 51,6%, vilket innebär en absolut ökning med 5,6 procentenheter, vilket motsvarar en relativ 12%-ökning, medan ’Göra’ sjönk till 34,6%, vilket innebär en relativ minskning med 25%.

Vad betyder denna divergens? Den ekonomiska fördelen, hävdar rapporten, ligger i snabbare och mer informerat beslutsfattande i kunskapsintensiva jobb, vilket förstärker produktiviteten. I kunskapsintensiva jobb, där affärsresultat direkt påverkas av kvaliteten och hastigheten på besluten, kan tillgång till bättre bearbetad information, alternativa perspektiv och utmärkt analytiskt stöd avsevärt förbättra arbetstagarens prestation.

Grundvalen för slutsatsen är resultaten. Å ena sidan är användare med examen omkring 2 procentenheter mer benägna att använda ChatGPT för ’Fråga’ och 1,6 procentenheter mindre benägna att skicka ’Göra’-meddelanden jämfört med mindre utbildade användare. På samma sätt är användare i högt betalda vetenskapliga och tekniska yrken mer benägna att använda AI för ’Fråga’ – 47% av arbetsrelaterade meddelanden är ’Fråga’ i datorrelaterade jobb.

De osynliga beslutsförmågorna som vida överträffar den mänskliga hjärnan kan återspeglas i pengar – inte i termer av intäkter som OpenAI genererar (en imponerande 13 miljarder dollar i årlig återkommande intäkt, som av tidigt i år), utan i konsumentöverskott. Uttryckt enkelt är konsumentöverskottet gapet mellan det högsta belopp en person är villig att betala för en tjänst och det faktiska priset de betalar. Till exempel är jag villig att betala 100 dollar för en månads ChatGPT-prenumeration, men jag betalar 20 dollar, så konsumentöverskottet är 80 dollar.

I stor skala, som forskningen av Collis och Brynjolfsson (2025) fann, är konsumentöverskottet minst 97 miljarder dollar i USA ensam. Och det verkar, enligt deras forskning, att människor behöver betalas 98 dollar i genomsnitt för att sluta använda generativ AI under en månad. Värdet ChatGPT har för användare i både arbete och icke-arbete-sammanhang är enormt, och det är säkert att säga att i ett företagssammanhang finns det en ännu större ekonomisk vinst.

Varför fråga?

Medan jag forskade om teamet bakom denna rapport och (överraskande!) bjöd in Perplexity att tänka med mig om denna rapport, kunde jag inte hjälpa att undra varför människor FRÅGAR snarare än GÖR med ChatGPT.

För att uttrycka det mer vetenskapligt vill jag hänvisa till en forskning som refereras till i rapporten. Ide och Talamas (2025) presenterade två roller som AI spelar på arbetsplatsen: Medarbetare som skapar leveranser, dvs. gör arbete, och Co-pilot som förbättrar problemlösning utan någon slutprodukt. Data från ’Hur människor använder ChatGPT’ stöder co-pilot-paradigmet: igen, människor frågar snarare än gör med ChatGPT (49% vs 40%) och fråga är på uppgång och ’Att fatta beslut och lösa problem” rankas bland de främsta arbetsaktiviteterna i varje undersökt yrkesgrupp. I korthet, ChatGPT ger råd snarare än arbete i de flesta fall.

Så, AI är en co-pilot (visste Microsoft något när de namngav sitt AI-verktyg… om du fattar min poäng) i de flesta fall. Men varför? Bläddra igenom Linkedin och du ser ’Automatisera det här’ och ’Automatisera det där’.

Jag har också tänkt på det, när jag läste rapporten och hundratals entusiastiska Linkedin-inlägg från AI-entusiaster som hittade DET skriptet för att till slut få AI att fungera. Min antagande är att denna dominans av Fråga-typ över Gör-typ med ChatGPT kan vara bara en reflektion av modellens nuvarande (eller tidigare) begränsningar snarare än en grundläggande allmän preferens för AI som co-pilot. Det är troligt att när det finns en verkligt kraftfull agentic AI-lösning, kommer användare att i allt högre grad anta AI som en riktig medarbetare snarare än en rådgivare. Uttryckt enkelt, människor vill använda AI som en medarbetare, men det finns fortfarande begränsningar.

Från min erfarenhet och vad jag hört under CustDev-intervjuerna, antar jag att det finns ett allvarligt problem som AI ännu inte kan övervinna. En, det saknar kontext. Två, inte allt arbete kan brytas ned i en enkel uppmaning (eller så är jag inte tillräckligt tålamodig).

Låt mig förklara dessa två punkter. Eftersom AI saknar kontext, kan det inte släppas fri när det gäller innehållsskapande. Det behöver övervakas, och uppmaningen kan behöva revideras för ett annat, bättre resultat. IBM förklarade idén på vetenskapliga termer. Människor ackumulerar rik situationell förståelse tack vare kontinuerlig perception, minne och verklig världserfarenhet, medan AI-assistenterna fungerar enbart genom att förutsäga nästa token (~ord) baserat på en fast ’kontextfönster’ av nyligen indata. AI har korttidsminne, och tidigare information förloras när minneskapaciteten är full.

Stora språkmodeller kämpar med multi-stegs komplexa uppgifter. Prestanda och sammanhang försämras när uppgifter kombineras, Prompt Drive förklarar. Det finns ett tillvägagångssätt för att övervinna begränsningen – det så kallade divide-and-conquer-tillvägagångssättet. Men det erkänner att ingen enskild uppmaning kan fånga alla nyanser, så AI förblir en utmärkt co-pilot medan den är en begränsad medarbetare.

Nu har jag tänkt i sfären av ChatGPT. Repliceras denna kvot (49% vs 40%) med andra AI-verktyg?

• 60% av meddelanden som skickas till Perplexity AI är forskningsdrivna förfrågningar snarare än ren innehållsgenerering, enligt App Labx.
• DeepSeek R1 presterar bra som en avancerad medarbetare för logiska uppgifter och co-pilot för kedje-tänkande-hjälp, enligt dess interna rapport.
• GitHub Co-pilot (hinten ligger i namnet, eller hur?) är utformad för redigeringsförslag för kod, felsökning och inlärningshjälp. Det är säkert att anta att dess roll är att hjälpa snarare än göra.
• Microsoft Copilot visar en ungefär lika stor fördelning mellan Fråga och Göra, som speglar användningsmönster för ChatGPT.

Så – vad lämnar resultaten oss med? Som jag ser det, är AI en kraftfull booster för kunskapsintensivt arbete som accelererar beslutsfattande och översätter till direkt tidsbesparingar och indirekta intäktsvinster. Att motstå AI till förmån för ’mänsklig beröring’ eller ’unikt innehåll’ innebär att förlora på lång sikt. Människor använder ChatGPT och andra AI-assistenterna för att främja beslutsfattande, inte för att ersätta en mänsklig beslutsfattare helt och hållet.

Kommer mönstret att förändras? Kommer människor att se den massiva hjärnförstöringen på grund av den ökande delegeringen av arbete till AI? Håll utkik efter min nästa artikel om hur AI påverkar den mänskliga hjärnan och kognitiva förmågor.