你若在排下一季 AI 內容、產品功能或公司 ChatGPT 訓練，最該先問的是：大家到底會不會把同一個任務帶回來做第二次、第三次？如果團隊只追模型新聞，文章會越寫越像公告；如果產品只看註冊量，可能錯過寫作、學習、技術協助和非英文市場正在變成固定習慣。
OpenAI 在 2026 年 6 月 30 日發布 How ChatGPT adoption has expanded，把原本 Signals data 的消費者 ChatGPT 使用資料往前推一步，同時看採用範圍、使用頻率和任務多元度。內容網站、產品團隊和內部 AI 訓練負責人可以拿這份資料排資源，把力氣放到會反覆回來的任務、語言和使用情境。
先把問題從人數改成任務習慣
OpenAI 這次強調的是「widening and deepening」：採用變廣，使用也變深。官方資料說明，Signals 觀察的是 Free、Go、Plus、Pro 等 Individual ChatGPT plans，並用聚合資料衡量使用者在一段時間後是否送出更多訊息、嘗試更多任務類型。
最值得內容和產品團隊抓住的一個數字是：OpenAI 追蹤 2025-10-15 到 2026-05-01 建立帳號、且在註冊後 28 天內有使用的 0.1% 使用者樣本。這批使用者註冊六個月後，每日訊息量比剛註冊時多 50%，也把嘗試過的任務種類增加到兩倍。換句話說，ChatGPT 對這批使用者已經比一次性嘗鮮更接近日常任務入口。
排內容時，不要只問「ChatGPT 有沒有流量」。更接近讀者需求的問題是：讀者會反覆拿 ChatGPT 做哪一類任務，第一次失敗後需要哪一種範例，完成任務前又需要哪些風險提醒。
三個資料點會改變優先順序
第一，使用變深代表教學內容要從「這是什麼」往「第二次怎麼做得更好」移動。使用者如果半年後訊息更多、任務種類更多，就會開始需要可重複的格式：會議摘要怎麼檢查缺漏、客戶信怎麼保留語氣、試算表公式怎麼交叉驗證。一次性提示詞清單很快就不夠用。
第二，非英文使用已經不能當附帶市場。OpenAI 表示，主要使用非英文的活躍使用者現在已經超過一半，西班牙文、葡萄牙文和阿拉伯文是領先的非英文語言；烏茲別克文、哈薩克文和緬甸文自 2023 年 7 月以來的活躍使用占比增幅最大。這不等於繁中內容自動會成長，但提醒我們：AI 使用正在離開英文早期採用者圈子，內容和產品說明要更快回答本地語言、本地工作和本地限制。
第三，地區和族群資料只能當採用方向，不能當個人結論。OpenAI 說，非洲、亞洲以及較低 HDI 國家的 weekly active users 相對成長最快；使用者姓名推估中，通常女性姓名的使用量也已成為全球多數。這些資料可以幫政策、教育和產品團隊看見採用擴散，但它們依賴姓名與語言分類，也排除了未滿 18 歲、停用帳號與 OpenAI 未服務的國家，因此不適合拿來推論單一市場或單一族群的完整行為。
內容、產品和訓練團隊怎麼用
比較好的做法，是把 Signals data 轉成一張任務習慣清單。先選一個讀者反覆搜尋、同事反覆詢問，或客服反覆收到的任務；再問這個任務需要範例、工具比較、資料安全提醒，還是需要一個可複製的檢查流程。
| Signals data 看到的變化 | 不要急著得出的結論 | 可以採取的下一步 |
|---|---|---|
| 半年後訊息量增加、任務種類加倍 | 所有人都會自然用好 ChatGPT | 為高頻任務補第二版範例、檢查清單和常見錯誤 |
| 非英文活躍使用過半 | 直接把英文內容翻成多語就夠 | 先找本地讀者會遇到的資料、法規、價格和語氣問題 |
| 消費者帳號資料不含 Enterprise 與 Codex | 可以用它推估公司內部或工程使用量 | 只把它當需求方向，再用自己的客服、搜尋和團隊資料交叉檢查 |
經營 AI 工具內容時，這份資料會讓選題順序變得更清楚。第一層先處理高頻任務：寫作、學習、技術協助、資料整理。第二層補上完成任務的阻力：資料能不能貼、輸出誰確認、錯誤怎麼找。第三層才是工具和方案比較：什麼時候用 ChatGPT 個人方案就夠，什麼時候要看 ChatGPT Enterprise 管理與用量控管或公司內部規範。
產品路線負責人也不要只看新增使用者。更有用的是找出使用者從「問一次」變成「每週回來」的路徑：他們第一次用完後有沒有保存格式、下次能不能接續同一個任務、遇到敏感資料時知不知道改用去識別化版本。這些細節，比在首頁加更多 AI 字樣更接近真正的留存。
讀這份資料時要保留兩條界線。第一，資料反映 Individual ChatGPT plans，不含 Enterprise 和 Codex usage。OpenAI 在 Signals data 頁面也提醒，這會低估商業和技術使用情境。公司若要判斷內部採購、工程 agent 或部門訓練，不應只引用這份資料；應該搭配自己的帳號使用紀錄、資料安全規範、任務盤點和人工確認安排。
第二，分類方式會影響解讀。任務類型由分類器分成 53 類；性別相關資料是根據通常男性或通常女性姓名推估，OpenAI 並未直接蒐集使用者性別。這些方法足以看大方向，但不適合寫成「某族群一定怎麼用 ChatGPT」。公開內容要保留這條界線，避免把官方圖表變成過度肯定的市場結論。
接著可以用一週檢查三個本來就常被反覆處理的任務：例如客服回覆草稿、會議摘要、公開資料整理。每個任務先寫清楚四件事：可以放進 ChatGPT 的資料、不能放的資料、AI 先處理哪一步、最後由誰確認。跑一週後，看同事是否真的回來用第二次，第二版是否比第一版更接近可交付，常見錯誤能不能被整理成範例。
這個小實驗會比單純追問「ChatGPT 採用率多少」更有用。OpenAI Signals data 告訴我們，ChatGPT 正在從單次問答變成更多人的日常任務入口；內容、產品或訓練計畫要跟上的，是那些會被讀者帶回來、改第二版、交給真人確認的工作。
若要把這份資料放進公司 AI 計畫，可以和 OpenAI EU AI 工作轉型報告一起看：前者提醒採用正在擴散，後者提醒任務要拆清楚、最後輸出要有人檢查。要買工具前，也可以先用 AI 商業工具選型清單盤點資料邊界、任務負責人和驗收方式。