OpenAI 在 8 月 6 日第一次把「各國的人到底怎麼用 ChatGPT」的數據攤開來給大家看。整份報告我讀完，最有感的不是哪個國家用得多，而是一個很小的分類差異：在工作場景裡，人們用 AI「做出一個東西」的比例，是下班後的兩倍以上。同樣一個 ChatGPT，有人拿來問，有人拿來做，感受完全不同。這篇幫你把數據拆開，再給三個今天就能改的動作。
這份數據是誰發的？什麼時候發的？
發布單位是 OpenAI 的 Economic Research Team，時間是 2026 年 8 月 6 日，文章標題叫〈From asking to doing: How the world is putting ChatGPT to work〉，資料放在他們新開的 OpenAI Signals 平台上，任何人都能下載原始 CSV。
這是 OpenAI 第一次公布「國家對國家」的使用數據，涵蓋 144 個國家的排名變化，背後是超過 10 億人的使用行為。官方在開頭就把結論講死了：
「AI is moving from something people ask to something they put to work.」
（AI 正在從一個「你去問它」的東西，變成一個「你派它去做事」的東西。）
有一點要先講清楚，免得誤讀：這份資料只統計 ChatGPT Free、Go、Plus、Pro 這類個人帳號的訊息，公司帳號不在裡面。所以它反映的是「一般人自己在用的樣子」，不是企業導入的成果。
「問」跟「做」到底差在哪？
OpenAI 把訊息分成幾個大類，其中兩類最關鍵：一類是 asking，你在找答案、要它解釋清楚；另一類是 doing，你要它產出一個東西或執行一件事，像是改稿、寫程式、跑一份分析。
數據顯示，在工作場景裡，doing 的比例是非工作場景的兩倍以上；而下班之後，asking 依然是最大宗——大家還是在查東西、問清楚。
這其實跟大部分人的體感一樣。你問它「行銷文案怎麼寫比較好」，它會給你一篇很完整的原則說明，你點頭、關掉視窗，然後今天的工作一件都沒少。但你如果說「幫我把這段產品規格寫成三個版本的門市話術，每個 60 字以內，一個講省錢、一個講方便、一個講面子」，你拿到的是可以直接用的東西。
差的不是模型，是那個動詞。
三個動作，把「問」改成「做」
1. 指定產出：先講清楚你要拿到什麼
核心動作是把問句換成交付需求。不要問「這封信怎麼寫」，直接說「幫我寫成三個版本，一個正式、一個中性、一個輕鬆，每個不超過 150 字」。
為什麼要這樣？因為你不講格式跟數量，AI 只能自己猜，而它的預設值通常是「一篇長長的說明文」。你多打十個字指定產出，省下來的是自己重打一次的時間。
小結：問句拿到知識，需求句才拿到成品。
2. 給足脈絡：對象、目的、長度一次講完
這幾年大家很愛討論提示詞怎麼寫，但真正影響成果的是你給了多少上下文。同一句「幫我寫一段話」，講給客人聽跟講給主管聽，寫出來應該完全不一樣。
實務上我會固定補三件事：對象是誰、這段話要達成什麼、能接受多長。三件事講完，AI 猜錯的空間就少了一大半。
小結：你省下的每一句脈絡，最後都會變成你要改的那一版。
3. 收尾驗收：叫它自己招出可能猜錯的地方
拿到成品先別急著用。加一句「列出你在這份產出裡自己猜的三件事」，它會老實把假設攤出來——猜你的產業、猜對象的年齡、猜你要的語氣。你只要看那三行，就知道要補哪裡。
小結：驗收不是多花時間，是把改三次壓成改一次。
報告裡另外三個容易被跳過的數字
- 多媒體用法衝到 7.8%：自從今年 4 月 ChatGPT Images 2.0 推出後，跟圖像、影音有關的訊息比例一路往上；在巴西、哥倫比亞這些國家，每 10 則訊息就有超過 1 則是多媒體。它還沒超車「實用指引、寫作、找資訊」這三大類，但整年都在漲。
- 35 歲以上幾乎每個國家都在漲：這群人送出的訊息佔比，一年之間平均多了 5 個百分點；法國跟捷克更誇張，一年多了超過 10 個百分點。歐洲有將近四分之三的國家，成長幅度高於平均。有趣的是東南亞相反，像新加坡反而往下走。（這段只統計有自己填年齡的使用者。）
- 後段班正在追上來：2026 年第二季，拉丁美洲、大洋洲、非洲的成長速度比其他地區快，秘魯、烏拉圭、哥斯大黎加是全球人均排名進步最多的三個國家。
「35 歲以上正在追上來」這件事，我特別想圈起來。過去大家講 AI，預設畫面都是年輕人、工程師；但真正在職場中段、手上有決策權跟實務經驗的，就是這群人。他們一旦開始用，放大的是原本就有的專業。
我自己的用法：從「回答問題」換到「幫我做完」
我是電信業的教育訓練講師，平常的工作就是把原廠冷冰冰的規格，翻成門市同仁能用人話講給客人聽的東西。這一年我自己的 AI 用法，剛好走過報告講的這條線。
一開始是 Chat 型的用法：不懂就問、要整理資料就丟給它、要寫 Email 就請它擬草稿。它確實很會回答，但事情還是自己在做——它幫我把 Email 寫好，我還是要從對話框複製、貼到信箱、自己按寄出；它幫我把 Excel 公式寫出來，我還是要貼回去。AI 負責產出，人負責把每一段接起來。
後來我換了做法，重點放在兩件事：脈絡跟工具。脈絡的部分，我把跟我有關的事情盡量記下來、請 AI 記住——我的課程安排、我的講師風格、我服務的對象是誰。累積到一定程度，它就不像每次都從零開始的聊天視窗，比較像一個知道我狀況的助理。工具的部分，我讓它能連到我真正在用的東西：整理信件、分類旅遊照片、甚至幫我剪影片。有一次我只是嫌字體不好看，問它 YouTube 上常用什麼字型，它就自己去下載、套用、輸出一個版本，我幾乎沒動手。
還有一個很實際的例子。上個月我要上一堂 AI 入門課，前面一週不是在受訓就是在趕影片，教材一直沒頭緒。最後是在晚上用語音模式，邊講邊讓 AI 把我的想法整理成簡報架構，來回修幾次之後，我自己給那份簡報打七八十分。那不是「我問 AI 簡報怎麼做」，是「我把想法丟出去，它幫我做成投影片」。
七月底去上原廠的講師培訓時，我在課後分享過一個想法：現在每個人都有 AI 工具，但用法完全不同。工程師拿它寫程式、做工具；我拿它做日記、講師紀錄跟課程編排。AI 能做到多深，取決於你的想像力跟你原本的專業——你懂設計，它能把你的設計 know-how 放大；你懂門市，它能把你的銷售經驗變成教材。專業還是你的，AI 只是把它放大。
套用前，有幾點要注意
- 這份數據不等於「效果」：Signals 統計的是訊息的「用途分類」，不是成效。用「做」的方式下指令比較容易拿到成品，但成品好不好，還是回到你自己的專業判斷。
- 只涵蓋個人帳號：企業帳號不在這份資料裡，所以不要拿它去推論「企業導入 AI 的程度」。
- 年齡那段是自己填的：只統計有自行回報年齡的使用者，跟真實年齡結構會有落差。
- 越是「做」，越要驗收：AI 幫你執行得越多，人要負責的地方反而越關鍵——判斷成果符不符合需求、檢查它的品質。這個責任不會因為它變強而消失。
- 敏感資料不要餵：要它「做」通常意味著給更多脈絡，客戶名單、內部文件、個資這類東西，該遮的先遮。
小結
OpenAI 這份報告講的其實不是技術，是行為。同樣一個工具，一群人在問，一群人在做，一年之後兩邊的距離會拉得很開。
今天不用學新東西，只要挑一件你本來想問 AI 的事，把問句改寫成需求句：講清楚你要什麼格式、給它足夠的背景、最後叫它招出自己猜了什麼。做完這三步，你會發現差別不在模型，在你怎麼開口。
那你今天用 AI，是在「問」，還是在「做」？
本文整理改寫自 OpenAI 官方部落格 2026 年 8 月 6 日發布的〈From asking to doing: How the world is putting ChatGPT to work〉，資料來源為 OpenAI Signals（OpenAI Economic Research Team），數據為 2026 年第二季。文中的個人使用案例與觀點為本站原創。
留言
張貼留言