十亿人把ChatGPT用成了什么？720万条消息里，藏着AI普及后的四个真相

如果一个产品有10亿人在用，我最想知道的其实不是“它有多成功”。

我更想知道：这10亿人打开它以后，到底在干什么？

因为这决定了我们应该怎样理解AI。

如果大家主要拿ChatGPT写代码、跑Agent、自动执行复杂任务，那么我们正在进入的是一个“自动化爆发”的时代。

但如果绝大多数人只是拿它问问题、查资料、改文字、做选择，那又是另一幅完全不同的图景。

2026年8月，OpenAI终于拿出了一组足够大的数据，让这个问题第一次有了比较像样的答案。

而我把这份数据看完之后，最大的感受反而是：

AI真正的大规模普及，可能不会长得像科幻电影。它更像是几十亿个原本需要自己完成的小动作，正在一点一点被交给机器。

---

先说“10亿用户”：这里其实有两个不同口径

2026年6月，路透社援引Sensor Tower数据称，ChatGPT移动App已经在5月突破10亿全球月活跃用户，从移动端上线计算大约用了三年，Sensor Tower称其为历史上最快达到这一规模的移动应用。

这个速度有多夸张？

根据Sensor Tower数据以及Sherwood News整理的历史对比，TikTok达到10亿月活用了五年多，YouTube超过六年，Facebook和Instagram则都用了大约八年。ChatGPT移动端只用了约三年。

到了7月31日，OpenAI自己又给出了另一个数字：其模型已经覆盖超过10亿活跃用户和超过200万家企业。

这两个数字不能简单画等号。

Sensor Tower统计的是移动App月活估算；OpenAI说的是其模型覆盖的活跃用户，产品和统计口径更宽。

但它们共同说明了一件事：

生成式AI已经越过了“新技术爱好者在尝鲜”的阶段，进入十亿级大众产品阶段。

而且ChatGPT和过去那些十亿级产品还有一个很不一样的地方。

Facebook、Instagram、TikTok的价值，需要先建立内容生态和关系网络。

ChatGPT不是。

第一次打开，你就可以问它一个问题，让它解释一份合同，改一段材料，分析一个文件。

它几乎没有传统互联网产品那种漫长的“冷启动”。

我认为这是AI产品传播速度特别快的原因之一：它不是先要求你贡献内容，然后才能得到价值，而是先给价值。

但真正值得看的，并不是10亿这个数字。

而是OpenAI在8月6日公布的另一组数据。

报告名字就很直接：

From asking to doing：从提问，到行动。

---

720万条消息，OpenAI是怎么研究的？

这部分我反而建议做产品、数据分析或者AI研究的人认真看。

因为样本量很大并不等于研究一定可靠，先看统计口径，比先看结论重要得多。

OpenAI Signals公开的方法文件显示，从2024年7月至2026年6月，数据集每个月抽取30万条个人版ChatGPT消息进行分类。

24个月算下来，大约就是720万条消息。

但这里有几个非常重要的边界。

第一，它研究的不是“720万个人”。

它研究的是720万条消息。

所以一个一天聊几十次ChatGPT的重度用户，对统计结果的贡献显然会高于一个一个月只问两次的人。

文章里看到的很多“占比”，准确说都应该理解成消息占比，而不是用户占比。

第二，样本主要来自Free、Go、Plus和Pro这些个人账户，不包含企业产品产生的消息，也不包括Codex。因此，用这组数据判断企业AI使用情况，很容易低估真正的工作场景。OpenAI自己也明确提醒，这套数据可能低估商业用途。

第三，未成年人不进入这套样本；删除账户以及选择不允许数据用于模型训练的用户，也被排除在外。

第四，也是很多人最关心的隐私问题。

OpenAI的方法文件写得很明确：研究人员没有直接阅读原始用户消息正文。

涉及消息内容的分析，是在数据去标识化并清除个人身份信息之后，由自动分类器完成的；公开统计数据还采用了差分隐私等技术。

还有一个容易被忽略的问题。

比如“是否属于工作”“是在Ask还是Doing”，并不是用户自己勾选的标签，而是模型根据消息推断出来的行为分类。

所以这些数字很有价值，但不应该被当成实验室测出来的绝对真值。OpenAI自己的数据字典也提醒，这些属于推断出来的行为类别，而不是用户自报属性。

把这些限制说清楚之后，我们再来看真正有意思的部分。

我认为，这720万条消息至少给出了四个答案。

---

第一个答案：AI正在离开“年轻男性技术宅”的早期用户画像

一项技术刚出现的时候，用户结构通常很偏。

电脑如此，互联网如此，加密货币如此，生成式AI也一样。

ChatGPT刚爆发时，大家脑海里很容易出现一幅固定画像：

年轻、男性、英语用户、程序员、科技从业者。

但这幅画像正在快速失效。

OpenAI在今年6月公布的Signals数据已经显示，35岁以上人群贡献的消息占比正在上升；到8月更新时，OpenAI进一步表示，过去一年里，几乎所有国家的35岁以上用户消息占比都在提高，法国和捷克甚至增长了超过10个百分点。

性别结构也在变化。

OpenAI并不直接收集用户性别，因此采用匿名化后的名字进行推断，而且只有当某个名字与某一性别的对应概率超过95%时才纳入统计。

所以这里不能写成“女性用户已经占多少”。

更准确的表达应该是：

具有典型女性名字的用户贡献的使用量已经超过一半。

OpenAI自己给出的判断也是，早期存在的性别差距正在明显收窄。

地域变化可能更加重要。

OpenAI表示，ChatGPT增长最快的一些地区已经转向非洲、亚洲、拉丁美洲等早期渗透率较低的市场，低HDI国家的相对增速尤其明显。

这意味着AI正在经历互联网历史上很熟悉的一次变化：

从“谁最懂技术，谁先使用”，变成“谁有问题，谁就使用”。

我觉得这是判断一项技术有没有真正大众化的分水岭。

当一个人再也不需要知道什么是Transformer、上下文窗口、推理模型，只需要拍张照片说“这个怎么修”，AI才真正变成基础工具。

---

第二个答案：十亿人并没有天天指挥Agent，他们主要在“问、比、改、写”

如果平时大量刷AI新闻，很容易产生一种错觉：

大家已经开始让智能体订机票、跑代码、处理邮件、自动运营公司了。

但真实的大众使用场景要朴素得多。

OpenAI公开数据的2026年6月结果显示，个人版ChatGPT消息里最大的几类分别是：

实用建议32.1%、写作22.3%、信息查询18.8%。

三项加起来达到73.2%。

换句话说，十亿级用户最经常干的事情，并不是搭建复杂Agent，而是：

遇到一件事情，问问怎么办；

有几个方案，让AI帮忙比较；

看不懂一个概念，让它解释；

写了一段文字，让它修改；

需要一份初稿，让它先写出来。

这和“AI将马上全面接管工作”的宏大叙事差别很大。

但我反而认为，这才是AI真正值得重视的地方。

因为一项通用技术大规模改变社会，从来不是靠所有人突然开始做复杂操作。

而是靠简单、高频、低门槛的动作大量迁移。

我自己现在就有一个很明显的变化。

以前出国看到餐馆菜单，我会拍下来让AI翻译。

它翻成中文，我再自己研究吃什么。

现在我越来越懒。

直接把菜单拍进去，然后告诉它：

几个人，有没有老人小孩，不吃什么，预算大概多少，想尝哪些当地特色。

最后只说一句：

“直接给我一套点菜组合。”

以前AI负责的是信息转换。

现在我让它参与的是选择。

这两个行为看上去只差了一步，实际上完全不是一回事。

前者像搜索引擎。

后者已经开始进入决策链条。

所以我越来越觉得，把ChatGPT叫作“新搜索引擎”已经不太准确。

真正发生的变化是：

用户正在从向AI索取信息，转向向AI索取判断。

搜索时代的典型动作是：

给我资料，我自己决定。

AI时代越来越常见的动作则是：

这是我的条件，你先替我得出几个靠谱方案。

这才是入口真正发生变化的地方。

---

第三个答案：一进入工作场景，人马上就开始要求AI“交东西”

生活里大家喜欢问。

工作里，人就没这么客气了。

OpenAI把使用意图大致区分为Ask、Do和Express。

其中Doing不是简单咨询，而是直接让AI产出一个结果或者执行一部分任务，例如编辑材料、编写代码、进行分析。

2026年6月的数据很有意思。

在非工作消息中，Doing只占22.0%。

但到了工作相关消息里，Doing直接升到45.4%。

差不多翻了一倍。

OpenAI因此在8月6日的报告中直接把结论写成：

At work, “doing” dominates。

工作场景里，“做”开始压过单纯的“问”。

这组数字在我看来，比“AI会不会取代某个职业”更值得关注。

因为AI进入公司的真实路线，很可能并不是：

今天还是一个完整岗位，明天整个岗位消失。

而是先从岗位里面一点一点拿走动作。

查资料。

整理会议记录。

比较供应商。

做数据初筛。

修改文案。

写邮件。

生成第一版方案。

跑一次分析。

找代码Bug。

整理成表格。

这些东西单独看，都不能叫一份工作。

但如果一个知识工作者每天八小时里面，有两三个小时都是这些事情，那么AI真正改变的就是：

一天的时间结构。

这也是为什么我现在越来越少问“AI能不能替代产品经理”“AI能不能替代律师”“AI能不能替代运营”。

这个问题的颗粒度太粗。

我更关心：

一名产品经理一天做的30个动作里，2026年的AI已经能稳定接住几个？

如果今年能接5个，明年能接12个，后年能接20个，那么即使岗位名字一直没变，岗位本身也已经完全不同了。

从这个角度看，OpenAI所谓的“从提问到行动”，真正值得观察的并不是Agent这个产品名称。

而是工作开始从“人使用AI”，逐渐变成“人给目标，AI交中间结果”。

---

第四个答案：真正拉开AI差距的，可能不是提示词，而是使用深度

OpenAI还有一组数据，我觉得特别值得普通用户关注。

他们另外跟踪了0.1%的新注册用户。

结果发现，注册六个月后，这批仍然符合研究条件的用户，每天发送的消息量相比刚开始使用时增加了大约50%，尝试过的任务种类大约变成最初的两倍。

这个研究同样有边界：样本排除了注册后28天完全不发消息等用户，所以它更适合描述“持续使用者是怎样越用越深的”，而不能理解成所有注册者都会自然提高50%。

但趋势非常重要。

AI和传统软件的学习曲线可能恰好相反。

很多传统软件是刚开始觉得功能很多，用几个月后使用范围基本固定。

AI却可能是：

刚开始只会问问题。

后来开始改文章。

再后来给它PDF。

然后分析表格。

接着让它查资料。

再让它调用工具。

最后直接把一段工作交出去。

不是因为用户突然学会了几十种复杂Prompt。

而是因为他逐渐知道：

哪些事情可以信任AI，哪些事情必须自己验收。

这种“任务边界感”，我认为会成为非常重要的AI能力。

---

这也解释了：为什么AI越用越深，免费版越容易不够

我现在判断一个人有没有必要给AI付费，基本已经不看模型跑分了。

也不太关心排行榜上今天谁第一、明天谁第二。

我只看一件事：

AI有没有进入你的固定工作流。

如果只是偶尔问：

“这句话什么意思？”

“帮我写个标题。”

“这个地方去哪玩？”

免费版本通常已经够用了。

但如果每周都要：

处理几十份材料；

进行深度研究；

分析PDF和表格；

维护长上下文项目；

连续写代码；

反复执行多步骤任务；

那真正值钱的东西就不再只是“模型聪明一点”。

而是额度、上下文、工具调用、文件能力、执行能力和持续工作能力。

换句话说：

付费的分水岭，不应该是“我是不是AI发烧友”，而应该是“它有没有替我承担稳定工作”。

这也是为什么我越来越不建议为了省几十块钱，同时维护七八个免费AI工具。

登录这个，复制到那个；

这个次数没了，再换另一个；

文件重新上传；

上下文重新解释。

看起来没花钱，实际上不断在花自己的注意力。

真正进入工作流以后，切换成本本身就是成本。

---

还有一个变化，很容易被低估：Prompt可能正在变得没那么重要

早期玩AI的人有一种身份符号：

会写Prompt。

几十行提示词。

角色、背景、目标、步骤、格式，一层一层套。

但如果看2026年的使用数据，我觉得另一个趋势已经越来越明显。

AI新用户可能根本不会先学习Prompt。

因为输入方式已经变了。

OpenAI数据显示，在ChatGPT Images 2.0发布之后，多媒体相关消息占比持续上涨，到2026年6月已经达到7.8%；在巴西和哥伦比亚，多媒体生成、分析和检索已经超过当地消息的十分之一。

这意味着AI正在从：

“请你把问题描述清楚。”

变成：

“把东西给我看。”

拍一张坏掉的设备。

截一张报错界面。

扔进去一份PDF。

发一段语音。

传一个Excel。

把菜单拍下来。

用户不必先把现实世界翻译成一段精确文字，再交给模型。

现实世界本身正在成为Prompt。

我认为这对AI普及特别关键。

上一轮互联网教育用户学的是：

怎么搜索关键词。

这一轮AI未必需要全民学习所谓“提示词工程”。

真正大众化以后，交互方式很可能更加自然：

给材料，说目的，补条件，看结果。

---

看完720万条消息，我反而没那么关心“下一个模型有多聪明了”

每次新模型发布，我们都习惯看跑分。

数学提高多少。

代码提高多少。

推理榜单是不是第一。

这些当然重要。

但从十亿用户的数据看，我觉得另一项指标可能越来越重要：

AI能稳定接住多少真实任务。

不是Benchmark里的任务。

而是你的任务。

所以我现在特别建议每个长期使用AI的人，自己设计一道“私人Benchmark”。

不用复杂。

挑一件你每周都会遇到，而且自己非常熟悉的事情。

比如你做跨境电商，就拿一份真实产品资料，让AI：

分析市场；

比较竞品；

整理卖点；

生成Listing；

检查违规词；

最后按照你的标准打分。

你做HR，就拿一组脱敏后的候选人资料，让它完成岗位匹配和面试问题设计。

你做运营，就固定一份真实数据表，让它输出周报、异常点和下一步建议。

你做程序开发，就挑一个自己非常熟悉的Bug或者小项目。

然后把输入材料、限制条件和验收标准固定下来。

以后出现一个新模型，就跑一次。

出现一个新工具，再跑一次。

半年以后你会得到一套比任何排行榜都更有意义的数据：

AI到底能替你稳定完成什么。

---

十亿用户之后，真正重要的问题变了

ChatGPT做到十亿级用户当然是一件大事。

但如果只把它理解成“又一个超级App诞生了”，我觉得低估了这件事。

过去的十亿级互联网平台，主要争夺的是人的注意力。

你在Facebook社交。

在YouTube看视频。

在Instagram看照片。

在TikTok刷短视频。

AI出现之后，第一次有一个十亿级平台开始大规模介入另一种东西：

任务。

十亿人并没有同时变成AI专家。

他们只是开始把越来越多的小动作交出去。

问。

查。

比。

改。

写。

总结。

翻译。

分析。

选择。

到了工作里，再进一步：

给你材料，直接给我一个能用的东西。

这就是我看完OpenAI这批数据以后，脑海里最清晰的一幅画面。

AI革命真正落到普通人身上，可能并不是某一天突然出现一个无所不能的超级智能。

而是在几年时间里，我们逐渐发现：

过去必须亲自做的100件小事，其中30件不用自己做了。

再过一段时间，变成50件。

等我们反应过来，工作方式已经完全换了一套。

所以接下来真正值得问的，恐怕不是：

“AI还能变得多聪明？”

而是：

“你每天重复做的事情，还有多少没有交给AI？”

---

关注本站，每天分享跨境电商前沿资讯（ Ctrl + D 收藏本站/收藏为书签 ）

参考资料

本文主要依据OpenAI于2026年8月6日发布的《From asking to doing: How the world is putting ChatGPT to work》及OpenAI Signals v2.0公开数据与方法文件。Signals统计基于2024年7月至2026年6月每月30万条个人版ChatGPT消息的隐私保护分类结果；企业产品、教育产品及Codex等不在同一统计范围内，因此不能用个人账户数据直接推断全部企业AI使用情况。

ChatGPT移动App达到10亿月活的数据来自Sensor Tower，并由路透社于2026年6月报道；OpenAI于2026年7月31日公布的“超过10亿活跃用户”属于公司自身的更宽口径，两者不应混用。

---