Google ATLAS 覆盖 1500 万次 AI 交互

ATLAS v1.0 值得关注，因为它第一次把 Google 多个 AI 入口里的真实交互放到职业与任务框架中观察。报告看到的图景很清楚：工作用途已经横跨 68% 的职业，这些职业合计代表美国约 90% 的就业；但在出现 AI 使用的典型职业里，AI 只触及约 21% 的任务。覆盖面很宽，职业内部的渗透仍然有限。

这张地图来自 1500 万次去标识化交互，精确样本量为 14,653,926 次，采样期是 2026 年 4 月 6 日至 19 日。数据入口包括 Gemini App、Google AI Mode 和 Gemini API，Google 再把工作交互映射到 O*NET 职业与任务，把工作外对话映射到美国时间使用调查的活动分类。

报告的边界也写得很明确。它观察的是 Google 自有产品中已经发生的交互，不包含未采用 AI 的人；细粒度分类没有纳入付费 Gemini API，还漏掉 Workspace、AI Overviews、Google Translate 等大量产品。一次对话被识别为某项任务，也不等于任务完成、质量改善、工时缩短或岗位被替代。

因此，企业管理者可以把 ATLAS 当作“员工可能在哪些任务上主动调用 AI”的线索库，研究者可以把它当作用途分布的基线。劳动政策制定者若要回答就业、工资和生产率问题，仍需结合代表性劳动力调查、企业数据和纵向结果，不能把产品交互样本直接放大成整个经济。

先把 1500 万次交互的边界画出来

ATLAS 的样本量大，但“大”与“代表总体”不是同一个统计属性。Google 从两周内的三类产品交互中抽样，先用自动分类器区分工作与非工作，再通过 DeepMind 的 OCTO 工具聚类和概括文本。工作用途被映射到 O*NET v30.2 的职业与任务，非工作用途被映射到美国劳工统计局的 2024 年时间使用活动词表。

隐私处理包括删除个人可识别信息、替换日志标识、两轮摘要，以及丢弃少于 10 名独立用户的聚类。原始对话与单条摘要不会保留在最终 ATLAS 数据集中。这些措施降低了从研究结果反向识别用户的风险，也意味着外部研究者无法仅凭报告重做整个分类过程。

样本分母还需要三层限定。1500 万统计的是交互次数；报告没有给出对应独立用户数。样本也没有覆盖 Google 全部 AI 使用：付费 Gemini API 只在国家分布分析中提供请求量，内容没有进入细粒度任务分类。它同样不构成全体劳动人口的随机样本，未使用 Google AI 产品的人天然不在观察范围内。

产品规模同样不能当成研究样本人数。报告给出的背景是，截至 2026 年 5 月，AI Mode 月活超过 10 亿，Gemini App 月活超过 9 亿；两个产品可能有大量重叠用户，不能相加成独立人口。庞大的产品基座说明 ATLAS 有持续观测潜力，却没有自动消除地区、收入、职业、设备和采用意愿造成的选择偏差。

六个数字怎样连成一张用途地图

观察维度	ATLAS 结果	准确分母	可以得出的结论	不能据此推出
职业覆盖	68%	全部职业；这些职业代表美国约 90% 就业	Google 产品内的工作用途已跨越多数职业类别	68% 的劳动者已经使用 AI
职业内任务覆盖	约 21%	已观察到 AI 使用的职业；取任务占比中位数	典型职业中的使用仍有明显选择性	AI 完成了 21% 工时或产出
非例行认知任务	近 65% vs 约 35%	工作 AI 交互构成，对比经济中专业任务构成	用户更常把 AI 用于构思、设计、检索等任务	这些任务的生产率提高了 30 个百分点
端到端自动化	低于 10%	非例行认知工作的 AI 对话	样本中的自动化意图少于协作与辅助	少于 10% 的岗位面临自动化
工作外使用	高于 86%	会话式、非 API 的 AI 交互	大量用途发生在家庭与个人事务	86% 的全部 AI 经济价值来自家庭

68% 与 90% 描述的是“广度”：前者是观察到工作用途的职业比例，后者是这些职业在美国就业中的合计权重。ATLAS 论文对第二个数字的精确写法是“略高于 88%”，Google 博客将其四舍五入为 90%。这并不意味着美国九成劳动者都在使用 Gemini；一个职业只要有足够交互通过隐私阈值，就可能进入覆盖范围。

约 21% 描述的是“深度”。分母是某个职业在 O*NET 中列出的任务，统计量是在“已观察到 AI 使用”的职业之间取中位数。它没有按任务耗时、经济价值或执行频率加权。一个五分钟检索任务和一个持续数周的项目任务，在“是否观察到使用”这一口径下都只贡献一次覆盖判断。

近 65% vs 约 35%则是构成比较。非例行认知任务只占经济中专业任务的约 35%，却占 ATLAS 工作相关 AI 交互的近 65%。这说明现阶段用户倾向把 AI 带到创意设计、假设检验、构思策略、信息检索与学习中。两个百分比的分母不同，差值不能被翻译成生产率提升，也不能证明 AI 导致这些任务增加。

低于 10%最容易被扩大解释。报告限定的是：在非例行认知工作的 AI 对话中，被初版意图分类器判为端到端自动化尝试的比例低于 10%。该数字不适用于所有工作交互，也不衡量职业、工时或就业替代率。Google 自己也把起草、审阅、完善、构思和检索列为当前更常见的意图。

高于 86%指工作外的会话式 AI 使用。报告发现这些对话覆盖家庭管理、购买研究、家电使用、政府服务、法律与财务咨询等活动。它提示传统 GDP 和企业生产率指标可能漏掉家庭节时价值，但 ATLAS 没有直接测到节省了多少时间。报告中的“每周若平均节省 30 分钟，价值可能约 1000 亿美元”是条件估算，不是观测结果。

从用途相关性到经济因果，中间还缺三座桥

第一座桥是结果变量。ATLAS 知道用户问了什么，却不知道回答是否正确、是否被采用、任务最终是否完成。没有耗时、质量、产量或成本数据，就无法从“出现一次交互”推导“提高多少生产率”。同理，工作相关 AI 使用与高工资职业正相关，只说明两者在横截面中共同变化，不能证明使用 AI 导致工资上升。

第二座桥是总体代表性。报告发现，工作相关 AI 使用更集中于计算机、商业金融、艺术设计等职业，一些居家护理、快餐和零售岗位明显低于其就业权重。将这类产品用户结构直接外推到整个劳动市场，会高估数字化知识工作的经验，也会低估没有采用工具、设备受限或工作任务难以转成对话的人群。

第三座桥是时间。两周样本适合拍快照，不足以说明采用路径。企业试点、学校假期、报税季、产品发布和价格变化都可能改变当期交互构成。只有固定抽样设计、稳定分类器和多期复测同时成立，21% 的上升或下降才可归因于用途变化；样本与方法变化必须另行排除。

ATLAS 对体力和技术工种的观察提供了一个有价值的修正。在已经出现使用的汽车技师、工业机械师等职业中，AI 常被用于诊断、排障和即时学习，多模态使用率超过工作基线的 2 倍。但报告也指出，近三分之一高度体力化职业没有观察到 AI 使用。两组事实应同时保留：AI 并非只服务白领，却也远未在所有一线工作中普及。

下一版需要补上的测量环节

最直接的改进是公布按产品拆分的权重。Gemini App、AI Mode 与 API 的使用姿态差异很大，把三者汇总有助于看全貌，却会隐藏搜索式提问、连续对话和程序调用各自贡献了多少。独立用户数、每用户交互频率和重复任务比例也会改变“覆盖”的解释。

纵向比较需要方法版本化。后续报告应同时发布固定口径序列与新版分类结果，说明职业映射、自动化意图和多语言分类器改动带来的重算幅度。否则，模型升级可能造成百分比变化，劳动者行为是否改变将无法判断。

结果层数据是判断经济影响的关键。隐私允许的前提下，研究可以连接匿名化的任务完成反馈、节时自报、质量评分，或与企业和公共统计机构合作建立独立结果。工资、招聘与生产率必须使用额外数据和识别策略，不能从交互强度相关性替代。

最后是外部复核。O*NET 与 ATUS 提供了公共分类骨架，但从自然语言交互映射到职业、任务和意图仍由 Google 的自动流程完成。若能发布抽样标注、混淆矩阵、不同语言误差、隐私阈值敏感性和可复现的聚合表，ATLAS 才会从一张有价值的厂商地图，成长为可被学界与政策机构共同维护的测量基础设施。