Markdown edition

AI-translated from English; not yet reviewed by a fluent editor.

# Lumalagpas na sa pag-code ang paggamit ng AI. Mas mahirap patunayan ang lalim nito

> Ipinakikita ng mga survey ang mas malawak na paggamit ng AI sa trabaho, samantalang natutuklasan sa mga eksperimento ang pakinabang at pagkabigo sa mga partikular na gawain. Hindi pa ipinakikita ng datos sa paggamit kung aabot sa tindi ng pag-code ang paggamit nito sa ibang trabaho.

By BIG CHANGE Editorial

Published: 2026-10-02T04:10:34.217Z
Updated: 2026-10-02T04:10:34.217Z
Canonical: https://bigchange.ai/blog/ai-use-beyond-coding-workplace-evidence

![A seated person works at a laptop while holding a blank sheet of paper at a wooden table.](https://bigchange.ai/api/media/file/ai-work-beyond-coding-hero-v2-1.png)
AI-generated by OpenAI; BIG CHANGE conceptual editorial illustration.

Halos dalawa sa bawat limang nasa hustong gulang na may trabaho sa Amerika ang nagsabing gumamit sila ng generative AI para sa trabaho noong nakaraang linggo pagsapit ng ikalawang quarter ng 2026. Gayunman, tumulong ang AI sa 6.3% ng mga oras ng trabaho ng lahat ng nasa hustong gulang na may trabaho, ayon sa isang [pambansang tracker ng survey](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/) mula sa mga mananaliksik ng St. Louis Fed, Vanderbilt at Harvard. Tao ang binibilang ng unang bilang; oras naman ang ikalawa. Walang sinasabi ang alinman kung mahusay ang nagawang trabaho, kumita ba nang higit ang kumpanya o nawala ba ang isang trabaho.

Mahalaga ang mga pagkakaibang ito sa pagtatanong kung gagamitin ba nang kasinglalim ng mga software developer ang AI sa iba pang trabaho. Ipinakikita ng mga tala ng platform ang mas malawak na pag-eeksperimento, kabilang sa batas, bentahan at marketing. Ipinakikita sa mga eksperimento ang tunay na pakinabang sa ilang gawaing hindi pag-code. Ipinakikita rin nilang kaunti lamang ang maaaring mabago ng access at maaari pa ring mali ang maayos tingnang sagot.

## Ang malaking pagbabago

- **Ano ang nagbago:** Nag-uulat na ngayon ang mga vendor ng AI ng paulit-ulit na paggamit at aktibidad ng agent sa mas maraming gawain sa negosyo, habang ipinakikita ng mga independiyenteng survey ang mas malawak na lingguhang paggamit ng mga manggagawa sa US.
- **Bakit ito mahalaga:** Lumalawak ang paggamit kapag umaangkop ang mga tool sa kasalukuyang workflow, pero nakadepende sa konteksto ng gawain at mga pagsusuri ang pakinabang. Kailangan ng mga bumibili at manggagawa ng mga panukat sa kinalabasan kasabay ng mga bilang sa paggamit.
- **Ano ang dapat bantayan:** Paulit-ulit na paggamit sa gawain, beripikadong kalidad ng output at netong pakinabang lampas sa pag-code. Hindi pa itinatatag ng kasalukuyang ebidensiya kung kailan aabot sa lalim ng paggamit sa pag-code ang ibang trabaho o kung ano ang mangyayari sa empleyo.

## Magkakaibang bagay ang sinusukat ng mga bilang

Tinatanong ng [Real-Time Population Survey](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/) ang pambansang kinatawang online sample ng mga nasa hustong gulang sa US na 18 hanggang 64 anyos tungkol sa paggamit ng AI sa trabaho. Tumaas ang porsiyento ng gumamit noong nakaraang linggo mula 28.2% sa ikatlong quarter ng 2024 tungo sa 39.2% sa ikalawang quarter ng 2026. Tumaas naman mula 4.1% tungo sa 6.3% ang tinatayang bahagi ng lahat ng oras ng trabaho na tinulungan ng AI. Tinataya rin ng mga respondent na nakatipid ang AI ng 2.2% ng kabuuang oras ng trabaho sa pinakahuling quarter. Naalala lamang na oras na natipid ang huling bilang; hindi ito nasukat na pagtaas ng produktibidad o kita.

Iba ang nakikita ng OpenAI: aktibidad sa sarili nitong mga enterprise customer. Sinasabi ng [ulat na Enterprise Signals noong Agosto](https://openai.com/signals/enterprise-data/) na lumaki nang 108 ulit ang lingguhang aktibong gumagamit ng Codex sa legal, 41 ulit sa bentahan at recruitment, at 26 ulit sa marketing mula Pebrero hanggang Hunyo 2026, kumpara sa limang ulit na paglaki sa engineering. Hindi inilalantad ang panimulang bilang na pinaghahanguan ng mga rate, kaya hindi nito mairaranggo kung ilang abogado at inhinyero ang gumagamit ng AI o kung gaano kalaking bahagi ng trabaho nila ang ginagawa nito. 64% ng pinagsamang output token ng Codex at ChatGPT sa enterprise customer noong Hunyo ay mula sa Codex. Mas maraming token ang nalilikha ng mas mahahabang takbo ng agent; hindi bahagi ng mga manggagawa o panukat ng halaga ang bahagi ng token. Ibinebenta ng OpenAI ang mga produktong ito at may interes itong ipakita ang paglawak ng mga ito.

Hiwalay na [pag-aaral ng OpenAI sa mahigit 800,000 mensahe sa ChatGPT mula sa US](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf), na inilathala noong Hulyo, ang nag-uri sa 16.8% ng mga mensaheng may kaugnayan sa trabaho bilang mga gawaing iniuugnay sa ibang trabaho kaysa sa mismong trabaho ng user. 43.5% ang bahagi sa mga mensaheng may sapat na detalye para maitugma sa isang trabaho. Natuklasan sa [follow-up noong Setyembre](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf) na binalikan ng ilang manggagawa ang ganitong mga gawain nang sumunod na buwan. Bahagi ito ng mga mensahe mula sa sample ng mga user; hininuha ang trabaho mula sa impormasyong ibinigay sa onboarding para sa negosyo. Ipinakikita nito kung ano ang hinihiling at inuulit ng mga tao, hindi kung natapos nila ang gawain o binago ang trabaho nila.

Sinusuri rin ng [June Economic Index ng Anthropic](https://www.anthropic.com/research/economic-index-june-2026-report) ang aktibidad sa sariling serbisyo ng vendor. Mas detalyado ang pag-sample nito sa mga padron sa araw ng trabaho at ibinubukod nito ang paggamit sa chat, Cowork at sariling API. Iniugnay ng kasamang survey ang paggamit sa humigit-kumulang 9,700 respondent na gumamit ng Claude sa kahit limang session. Nagbabala ang Anthropic na hindi kinatawan ng buong lakas-paggawa ang mga respondent: humigit-kumulang 30% sa kanila, pero mga 4% lamang ng empleyo sa US, ang mula sa larangan ng computer at mathematics. Kulang naman ang kinatawan ng mga trabahong pisikal. Natuklasan sa nauna nitong [index noong Marso](https://www.anthropic.com/research/economic-index-march-2026-report) na 35% ng mga usapan sa Claude.ai noong Pebrero ay tungkol sa mga gawain sa computer at mathematics. Bahagi ito ng mga usapan sa iisang produkto, hindi bahagi ng mga developer na gumagamit ng AI, at lumilipat din noon sa API ang aktibidad sa pag-code. Maaaring magpakita ang trapiko ng vendor ng mga gawain at dalas ng paggamit sa isang platform; hindi nito kayang magbigay nang mag-isa ng antas ng paggamit sa bawat trabaho sa buong ekonomiya.

## Nakadepende sa gawain at pagsusuri nito ang produktibidad

Sa isang [unti-unting rollout](https://doi.org/10.1093/qje/qjae044) na kinasangkutan ng 5,172 agent sa suporta sa customer, tumaas nang 15% sa karaniwan ang mga nalutas na isyu kada oras nang bigyan sila ng access sa AI conversation assistant. Bumilis at bumuti ang kalidad ng trabaho ng mga hindi gaanong bihasa at kulang sa karanasan; bumilis nang kaunti ang mga pinakabihasa at may pinakamaraming karanasan ngunit bahagyang bumaba ang kalidad ng trabaho nila. Naging mas magalang ang mga customer at mas bihirang humingi ng manager. Sinukat sa pag-aaral ang operasyon ng suporta ng iisang kumpanya, kung saan masusubaybayan ang pagresolba at pagpapasa ng isyu sa mas mataas na antas. Hindi nito kinalkula ang pakinabang para sa ibang service desk.

Sa isang [eksperimento sa 66 kumpanya at 7,137 manggagawang may kaalamang propesyonal](https://www.nber.org/papers/w33795), random na binigyan ng access ang mga kalahok sa AI tool sa email, meeting at software sa pagsulat. Sa ikalawang kalahati ng anim na buwang pag-aaral, nabawasan nang dalawang oras kada linggo ang oras sa email ng 80% ng mga binigyan ng access na gumamit ng tool, at nabawasan din ang pagtatrabaho nila lampas sa regular na oras. Walang natuklasan ang mga mananaliksik na mas malawak na pagbabago sa dami o halo ng mga gawain dahil lamang sa indibidwal na access. Tatlo sa mga may-akda ang nagtatrabaho sa Microsoft Research; kapwa nag-organisa ng eksperimento at nagbigay ng telemetry sa produkto ang Microsoft, na gumagawa ng tool. Tungkol lamang sa mga kalahok na kumpanya ang resulta, hindi sa lahat ng trabahong pang-opisina.

Sa isang [eksperimento sa larangan na kinasangkutan ng 758 consultant ng Boston Consulting Group](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf), na isinagawa noong 2023 at inilathala noong Marso 2026, natuklasan ang mas mabilis at mas mataas ang markang trabaho sa mga gawaing sadyang pinili para umangkop sa mga kalakasan ng GPT-4. Sa ibang kasong nangangailangan ng interpretasyon sa ebidensiya mula sa panayam, mas malamang na magbigay ng maling sagot ang mga gumagamit ng AI. Nakipagtulungan ang BCG sa pag-aaral, na sumusubok sa mga itinakdang pagsasanay, hindi sa mga resultang naihatid sa kliyente.

Sa [randomisadong pag-aaral ng METR](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) sa 16 bihasang developer ng open source na gumagawa sa 246 isyu sa mga repositoryong kabisado nila, pinahaba nang 19% ng mga AI tool noong unang bahagi ng 2025 ang oras ng pagkumpleto. Gayunman, inakala ng mga developer na pinabilis sila ng mga tool. [Sa sumunod na pagtatangka ng METR](https://metr.org/blog/2026-02-24-uplift-update/) gamit ang mas bagong tool, may ipinahiwatig na pakinabang, pero itinuring ng mga mananaliksik na hindi maaasahan ang tantiya dahil umatras ang mga developer na ayaw magtrabaho nang walang AI at nagpahirap sa pagsukat ng oras ang magkakasabay na gawain ng agent. Kaya hindi naitatatag ng mga pag-aaral na ito ang iisang epekto ng AI sa produktibidad sa pag-code sa iba’t ibang tool at taon.

May madaling makuhang feedback sa code: naitatala sa mga repository ang konteksto at mga pagbabago, samantalang maaaring maglantad ng problema ang build, test at pagsusuri. Kahit doon, hindi kabuuan ng produkto ang pumapasang test. Sa suporta sa customer, ibang uri ng feedback naman ang pagresolba ng isyu at reaksiyon ng customer. Maaaring makatipid ng oras ang burador ng email nang hindi nadaragdagan ang output ng kumpanya. Kailangan sa rekomendasyong legal, pinansiyal o medikal ang mga pagsusuring angkop sa maaaring maging epekto nito; kailangan ding ibilang ng bumibili ang trabaho sa pagsusuri pati ang gastos sa tool. Magkakaibang problema sa pagsukat ang mga ito, kaya hindi naitatatag ng paggamit lamang ang kaparehong lalim o halaga.

## Maaaring magbago ang gawain bago ang payroll

Sa Denmark, iniugnay ng mga mananaliksik ang mga survey sa manggagawa sa 11 trabahong lantad sa AI at 7,000 lugar ng trabaho sa mga rekord ng administrasyon. Natuklasan sa kanilang [rebisyon noong Marso 2026](https://www.nber.org/papers/w33777) ang mga inisyatiba ng employer sa chatbot at naiulat na pagbabago sa gawain, pero walang nakitang nasusukat na epekto sa kita o naitalang oras sa antas ng manggagawa o lugar ng trabaho dalawang taon matapos ilunsad ang ChatGPT; ipinakikita ng kanilang mga tantiya na walang epektong lampas sa 2%. Nalilimitahan ang natuklasang ito ng Denmark, mga trabahong sinuri at panahong saklaw ng pag-aaral. Hindi nito naitatatag na hindi magbabago ang empleyo sa paglawak ng paggamit sa hinaharap.

Para sa manggagawa, maaaring mangahulugan ng mas malawak na halo ng gawain o mas kaunting oras sa email ang paulit-ulit na paggamit. Para sa bumibili, ang tanong ay kung nakagagawa ng maaasahang trabaho ang buong workflow sa katanggap-tanggap na gastos. Para sa tumatanggap ng sagot sa suporta o umaasa sa propesyonal na payo, mahalaga kung tama at may mananagot dito. Sinusuportahan ng makukuhang ebidensiya ang paglawak ng paggamit lampas sa pag-code at nasusukat na pakinabang sa mga piling gawain. Hindi pa nito sinusuportahan ang takdang panahon kung kailan magiging kasintindi ng pag-code ang paggamit sa ibang trabaho, o ang iisang konklusyon tungkol sa produktibidad at empleyo sa lahat ng ito.

## Mga sanggunian at karagdagang babasahin

- [Tracker ng paggamit sa Real-Time Population Survey, ipinaliwanag ng St. Louis Fed](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/), Agosto 27, 2026: paggamit sa US noong nakaraang linggo, oras ng trabahong tinulungan ng AI at naiulat ng mga sumagot na natipid na oras. Hindi nito sinusukat ang kalidad ng output o kita.
- [OpenAI Enterprise Signals](https://openai.com/signals/enterprise-data/), na-update noong Agosto 12, 2026: paggamit sa mga enterprise customer ng OpenAI, kasama ang mga panukat sa token at lingguhang aktibong user. Walang inilalathalang panimulang bilang para sa mga rate ng paglaki.
- [OpenAI, Work at the Frontier](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf), Hulyo 2026, at ang [follow-up noong Setyembre](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf): pag-uuri sa mga mensahe sa ChatGPT at pag-uulit ng mga piling user sa negosyo, hindi mga natapos na resulta sa trabaho.
- [Anthropic Economic Index, Cadences](https://www.anthropic.com/research/economic-index-june-2026-report), Hunyo 26, 2026, at [Learning curves](https://www.anthropic.com/research/economic-index-march-2026-report), Marso 24, 2026: aktibidad sa Claude, mga uri ng output at survey sa piling user. Trapiko ng Anthropic at mga respondent ang denominator ng mga ito.
- [Brynjolfsson, Li at Raymond, Generative AI at Work](https://doi.org/10.1093/qje/qjae044), inilathala online noong Pebrero 4, 2025, sa isyu ng Mayo ng *Quarterly Journal of Economics*: sinukat ang produktibidad ng agent sa suporta, pagkakaiba batay sa kasanayan ng manggagawa at mga tugon ng customer sa unti-unting rollout sa iisang kumpanya.
- [Dillon at mga kasama, Shifting Work Patterns with Generative AI](https://www.nber.org/papers/w33795), binago noong Nobyembre 2025: access sa AI sa trabaho sa pamamagitan ng randomisasyon, oras sa email at halo ng gawain sa mga kalahok na kumpanya. Tatlong may-akda ang nagtrabaho sa Microsoft Research; kapwa nag-organisa ng eksperimento ang Microsoft.
- [Dell'Acqua at mga kasama, Navigating the Jagged Technological Frontier](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf), eksperimento noong 2023, inilathala noong Marso 11, 2026: sinukat ang bilis, markang kalidad at mga pagkakamali sa magkakahiwalay na pagsasanay sa pagkonsulta.
- [Eksperimento ng METR sa mga developer](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) at [update noong Pebrero 2026](https://metr.org/blog/2026-02-24-uplift-update/): randomisadong ebidensiya sa pag-code at mga problema sa pagpili sa sumunod na pag-aaral.
- [Humlum at Vestergaard, Still Waters, Rapid Currents](https://www.nber.org/papers/w33777), binago noong Marso 2026: mga survey sa manggagawa at lugar ng trabaho sa Denmark na iniugnay sa administratibong datos sa oras at kita.

## Sources

- [Nakakatipid ba ng oras sa trabaho ang generative AI?](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/) — Kinatawang online survey sa US: paggamit noong nakaraang linggo, oras na tinulungan ng AI at sariling ulat tungkol sa natipid na oras; walang beripikadong datos sa output o kita.
- [Mga signal ng enterprise](https://openai.com/signals/enterprise-data/) — Telemetry ng OpenAI enterprise: mga gumagamit ng Codex ayon sa tungkulin at halo ng token. Hindi inilalathalang panimulang bilang at agent na mas maraming gumagamit ng token ang naglilimita sa mga maaaring mahinuha.
- [Work at the Frontier: How AI is expanding what people do at work](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf) — Pag-uuri ng OpenAI sa mahigit 800,000 mensaheng may kaugnayan sa trabaho; mensahe ang mga bahagi para sa gawaing ibang trabaho, hindi mga natapos na gawain.
- [Work at the Frontier: How workers are unlocking new ways of working](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf) — Pag-aaral ng OpenAI sa pag-uulit ng gawain ng piling user; hindi pinatutunayan ng mga inuulit na request ang pagbabago ng trabaho.
- [Anthropic Economic Index: Cadences](https://www.anthropic.com/research/economic-index-june-2026-report) — Mga padron ng paggamit sa Claude at survey sa humigit-kumulang 9,700 piniling user na hindi kinatawan ng buong lakas-paggawa.
- [Anthropic Economic Index: Learning curves](https://www.anthropic.com/research/economic-index-march-2026-report) — Mga sample sa Claude.ai at API noong Pebrero 2026. Bahagi ng 35% na may kaugnayan sa pag-code ang mga usapan sa Claude.ai.
- [Generative AI at Work](https://doi.org/10.1093/qje/qjae044) — Pag-aaral na inilathala sa isyu ng QJE noong Mayo 2025, tungkol sa 5,172 agent sa operasyon ng suporta ng iisang kumpanya: 15% na dagdag sa nalutas na isyu kada oras sa karaniwan. Sa mga baguhan nakatuon ang pakinabang; bahagyang bumaba ang kalidad para sa mga nangungunang bihasa. Naging mas magalang ang mga customer at mas bihirang humingi ng manager. Walang pangkalahatang epekto sa ROI o empleyo.
- [Shifting Work Patterns with Generative AI](https://www.nber.org/papers/w33795) — Isyu ng NBER noong Mayo 2025, binago noong Nobyembre 2025 (walang tinukoy na araw). Randomisadong pag-aaral sa 7,137 manggagawa sa 66 kumpanya. Tatlong may-akda ang nagtrabaho sa Microsoft Research; ginawa ng Microsoft ang tool, kapwa nag-organisa ng pag-aaral at nagbigay ng telemetry.
- [Navigating the Jagged Technological Frontier](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf) — Mga kontroladong pagsasanay ng consultant na may kaugnayan sa BCG, isinagawa noong 2023, inilathala sa Organization Science noong Marso 11, 2026; nag-iiba ayon sa gawain ang pakinabang at pagkakamali, hindi ito resulta para sa kliyente.
- [Maagang pag-aaral ng METR sa produktibidad ng developer noong 2025](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) — Randomisadong pag-aaral sa 16 developer at 246 isyu; 19% na mas matagal gamit ang lumang tool sa makitid na sample.
- [Update sa eksperimento ng METR sa produktibidad ng developer](https://metr.org/blog/2026-02-24-uplift-update/) — Ipinaliliwanag ng mga mananaliksik kung bakit hindi maaasahan ang mga sumunod na tantiya sa pagbilis dahil sa pagpili ng kalahok at pagsukat ng oras.
- [Still Waters, Rapid Currents](https://www.nber.org/papers/w33777) — Isyu ng NBER noong Mayo 2025, binago noong Marso 2026 (walang tinukoy na araw). Natuklasan sa survey sa manggagawa at administratibong pag-aaral sa Denmark ang maaga at limitadong kawalan ng epekto sa kita at naitalang oras.