Google 刚把一张 AI 使用地图摊开，结论没有发布会口号那么猛烈。
7 月 23 日，Google 发布 AI & Economy ATLAS v1.0。它分析的是 1465.3926 万次去标识化人机交互，来源包括 Gemini App、Google AI Mode 和 Gemini API，采样期为 4 月 6 日至 4 月 19 日。研究团队把这些交互映射到 800 多个职业、4000 多项工作任务、300 个家庭活动、150 个国家和地区、140 种语言，试图回答一个更实在的问题：AI 已经被人拿去干什么。
报告的第一层答案很直白：扩散很广，接管很浅。Google 博客把 ATLAS 称为迄今“most comprehensive look to date at how real people are using AI at scale”。这句话自然说，就是它想用真实使用数据替代行业里互相喊话的自动化预言。
广，确实很广
ATLAS 显示，工作场景里的 AI 使用覆盖 68% 的美国职业类别，这些职业合计代表略高于 88% 的美国就业。办公室岗位在用，农业、工业工程、林业、汽车维修、机械检修这类岗位也留下了交互痕迹。
这组数字对中文市场有个现实参照。国内讨论 AI 工作影响时，常把焦点放在程序员、客服、销售和内容岗位；ATLAS 给出的图景更散，像修车工拿照片问故障，工业机械师让模型解释测试结果，普通家庭让 AI 帮忙查政府服务、罚单、税务或许可证。
报告还把非工作场景拆出来看。超过 86% 的对话发生在工作之外；按美国时间使用调查口径映射，AI 对话覆盖的活动占美国人清醒时间的 98%。如果家庭场景里的时间节省平均只有每周 30 分钟，研究团队按标准估值方法粗算，美国未计入工资的生产率收益也可能接近 1000 亿美元。
但自动化比例很低
最反直觉的是深度。ATLAS 发现，在有 AI 使用的典型职业里，AI 只触及约 21% 的任务；只有 3% 的职业显示 AI 使用覆盖超过 75% 的任务。非例行认知工作里，端到端自动化意图占比低于 10%。
也就是说，用户更多在让 AI 做草稿、校对、检索、解释、构思和排查。软件测试、人力资源、文档管理这类岗位确实更容易被 AI 摸到大块流程，但报告没有给出“白领工作正在被整块替换”的证据。
Axios 对这份报告的概括也落在这里：AI adoption at work is broad, but automation remains limited。它的补充提醒是，ATLAS 没覆盖 Gemini Enterprise、Google Workspace 等企业工具，因此企业内部流程自动化仍有盲区。这个限制很重要，不能把 Google 消费端和 API 样本直接当成全社会生产效率账本。
更稳妥的读法是：AI 已经进入工作流的很多入口，但多数时候还停在协作层。 它能把用户从空白页、资料检索和低级排错里拉出来，却还没有普遍变成独立交付的机器工位。
蓝领场景露出另一条线
ATLAS 里有一段容易被忽略：重体力职业中接近三分之一没有观察到 AI 使用，但在已经使用的手工和技术岗位里，多模态使用率超过工作总体基线的 2 倍。汽车技师、工业机械师会把图像、测试结果和现场问题交给模型，让它帮忙诊断线路、磨损或设备状态。
这对 AI 经济影响的判断很有价值。过去两年，许多预测把“文本工作”当成最先受冲击的板块；ATLAS 提醒另一种路径：AI 也可能先在高摩擦、知识不透明、师傅经验难复制的现场任务里做助手。
这种助手未必减少岗位，反而可能改变培训方式。新手维修人员能更快读懂故障码，家庭用户能更早描述设备问题，小公司能少跑一次服务商电话。后续要验证的是错误成本：现场维修、用电安全、医疗法律咨询这些场景，一次错判的代价远高于写错一段营销文案。
英文只占三分之一
全球扩散部分同样有信息量。报告称，人均 AI 使用与国家财富高度相关，GDP per capita 每提高 1%，AI 使用量关联提高约 0.9%；采用最低的五分之一国家只贡献 2% 的 AI 对话。数字鸿沟没有消失。
但语言分布又让故事变复杂。英文约占全球对话的 三分之一，用户没有系统性地放弃母语去做复杂专业任务；非经合组织国家在工作中生成图像和视频的比例约为发达经济体的 2 倍。这说明 AI 普及不完全按“英语互联网中心”扩散，手机、图像、语音和本地语言会改变 adoption 的路径。
对中文 AI 产品来说，这里有两个节点可盯。第一，工作任务分类要从真实日志里长出来，不能只按硅谷岗位表想象。第二，中文、印尼语、阿语、西语这类非英语场景里的多模态需求，可能比单纯文本问答更早商业化。
这份地图也有边界
Google 在报告里写得很清楚，ATLAS 捕捉的是人们“直接用 AI 做什么”，没有衡量最后产出是否更好，也没有覆盖 Workspace、Translate、AI Overviews、Gemini Enterprise、Cloud 平台以及代码 Agent、世界模型等前沿能力。因此，它更像一张早期使用热力图，不能直接推导工资、失业或生产率变化。
博客结尾说：“This is just the beginning”。这句英文保留在这里更合适，因为它既是项目自我定位，也是在给结论降温。ATLAS 第一版最有用的地方，恰恰在于它没有把 AI 讲成马上替代所有人。它把几个可核验坐标摆出来：覆盖多少职业、触及多少任务、自动化意图占多少、哪些国家和语言先用起来。
下一步要看的数据也很具体：企业工具纳入后，21% 的任务触及率会不会升高；非工作场景的每周 30 分钟节省能否被独立调查复现；蓝领多模态使用有没有真实降本；中国和其他非英语市场的任务地图，是否会长出与美国样本不同的高频场景。
参考来源：Google 官方博客、Google ATLAS v1.0 报告、Axios、CocoLoop、Fox Business；核验1465.3926万次交互样本、采样范围、职业和任务映射、21%任务触及率、低于10%自动化意图、86%非工作对话、语言和国家分布口径。