Google ha mappato 14.653.926 interazioni Gemini de-identificate su più di 800 occupazioni e 4.000 mansioni O\*NET. L'AI è comparsa nel 68% delle occupazioni dettagliate — circa l'88% dei lavoratori civili occupati negli Stati Uniti. All'interno di una di quelle occupazioni tipiche, ha toccato il 21% delle mansioni (Google ATLAS v1.0, 2026).
Due terzi dei lavori. Un quinto del lavoro effettivo.
E dove il lavoro è non routinario e cognitivo — giudizio, analisi, problem solving, la categoria per cui assumete le persone che vi costano di più — l'automazione end-to-end è l'intento apparente di meno del 10% delle conversazioni. L'altro 90% è stesura, revisione, recupero di informazioni e ragionamento ad alta voce.
Se il vostro business case sull'AI si regge sull'eliminazione di ruoli, questo è il numero che lo rompe. Non perché gli strumenti siano deboli, ma perché l'aritmetica è stata costruita sull'unità di misura sbagliata. Un quinto di un lavoro non è un quinto di un organico.
Che cosa ha misurato ATLAS, e perché atterra diversamente
L'AI & Economy ATLAS di Google (Activity, Task, Landscape, and Adoption Study) ha campionato le interazioni su Gemini App, AI Mode e Gemini API tra il 6 e il 19 aprile 2026, mappandole poi sulle tassonomie ufficiali di occupazioni e mansioni in 150 Paesi e 140 lingue. Dame Diane Coyle (Cambridge) e il Dr David Autor (MIT) hanno contribuito al report — Autor è l'economista che ha passato due decenni a sostenere che la tecnologia rimodella il lavoro mansione per mansione, non lavoro per lavoro (Google, 2026).
Gran parte dei dati sull'adozione dell'AI che avete visto è auto-riportata. Un sondaggio chiede a un manager se il suo team usa l'AI, e il manager risponde alla domanda che avrebbe voluto ricevere. ATLAS è comportamentale: osserva ciò che le persone hanno effettivamente portato al modello, poi classifica la mansione. Questo spostamento conta, perché adozione dichiarata e copertura osservata delle mansioni non sono la stessa misura e non hanno mai prodotto lo stesso numero.
La distribuzione è più asimmetrica di quanto suggerisca la mediana del 21%. Per il 29% delle occupazioni dettagliate, ATLAS non ha osservato alcuna saturazione di mansioni — addetti al rifornimento scaffali e agli ordini, addetti alla preparazione alimentare, operatori della raccolta rifiuti, agenti di pattuglia. All'estremo opposto, solo il 3% delle occupazioni ha mostrato uso dell'AI su tre quarti o più delle proprie mansioni: analisti e tester di software QA, specialisti delle risorse umane e specialisti della gestione documentale (PPC Land, 2026).
Tre occupazioni su cento sono coperte in profondità. Quella è la vostra lista di candidati all'automazione. È più corta di quanto dica la vostra slide.
Vale la pena notare il confronto proposto da Google stessa, per calibrazione: l'Economic Index di Anthropic ha rilevato che circa il 36% delle occupazioni usava l'AI per almeno un quarto delle proprie mansioni; la cifra equivalente di Google è intorno al 30%, uno scarto che gli autori attribuiscono in gran parte a soglie di privacy più severe più che a comportamenti realmente diversi (PPC Land, 2026). Due dataset indipendenti, due fornitori diversi, la stessa forma: ampia e sottile.
Perché l'automazione end-to-end resta sotto il 10%
ATLAS ha classificato i cluster di conversazione in cinque intenti: automazione della mansione, stesura e generazione parziale, revisione e rifinitura, ideazione e strategia, recupero di informazioni e apprendimento.
Il risultato ribalta la narrazione standard sulla sostituzione. Le mansioni cognitive analitiche non routinarie rappresentano il 35% di tutte le mansioni nella tassonomia O\*NET ma il 65% delle interazioni lavorative con Gemini. Le persone ricorrono all'AI soprattutto per le parti più difficili e meno standardizzate del proprio lavoro — ed è proprio lì che più raramente delegano l'intera cosa. Meno del 10% di quelle conversazioni mostra un intento di automazione end-to-end. Nel lavoro cognitivo routinario, più di un quarto lo fa (Google ATLAS v1.0, 2026).
Il meccanismo non è misterioso. Una mansione viene delegata per intero quando l'output è verificabile a colpo d'occhio e il costo di un errore è limitato. Riformattare un dataset rientra nel caso. Decidere quale fornitore eliminare no. Il lavoro non routinario è esattamente il lavoro la cui correttezza non può essere confermata senza rifare gran parte del ragionamento — quindi la persona resta nel ciclo, e il tempo risparmiato è reale ma parziale.
Google esprime l'implicazione senza giri di parole: i dati non sostengono l'idea che l'AI stia per causare automazione e sostituzione massicce del lavoro impiegatizio. Gli autori segnalano anche che la classificazione degli intenti è preliminare e che i comportamenti potrebbero cambiare con l'avanzare delle capacità. Entrambe le metà di quella frase vanno nelle vostre ipotesi di pianificazione.
La vostra aritmetica sull'organico presuppone una profondità che non avete
Qui la faccenda diventa un problema operativo e non un grafico interessante.
Il business case standard sull'AI nel mid-market moltiplica un risparmio di tempo per mansione per un volume di mansioni, converte le ore in FTE e contabilizza la differenza. Funziona aritmeticamente solo se le ore risparmiate sono contigue e appartengono a un ruolo il cui lavoro residuo può essere assorbito altrove. ATLAS dice che le ore risparmiate sono sparse su un quinto di un portafoglio di mansioni, nelle parti del lavoro che non erano mai state il collo di bottiglia.
Prendete il caso mediano alla lettera. L'AI copre il 21% delle mansioni di un ruolo. Assumete — con generosità — una riduzione del tempo del 40% su ciascuna di esse. Fa una riduzione dell'8% del tempo totale sulle mansioni del ruolo. Non avete liberato una persona. Avete liberato un frammento di tutti, distribuito lungo la settimana in pezzi troppo piccoli per essere riallocati e troppo piccoli per comparire su un timesheet.
È per questo che così tanti pilot riportano contemporaneamente utenti entusiasti e costi operativi piatti. Entrambe le cose sono vere. I risparmi sono reali e i risparmi non sono incassabili, perché incassarli richiede un consolidamento delle mansioni — spostare il restante 79% in un ruolo ridisegnato — e nessuno è stato incaricato di farlo.
La trappola più profonda è il 3%. Quando un business case viene costruito su una funzione faro — testing QA, gestione documentale HR, lavoro amministrativo ad alta copertura — il tasso di copertura osservato lì viene silenziosamente esteso al resto dell'organizzazione. Non si trasferisce. Quelle tre occupazioni su cento sono strutturalmente anomale: alta standardizzazione delle mansioni, output nativamente testuali, verificabilità immediata. I vostri analisti finanziari e i vostri account manager non hanno nessuna di queste proprietà.
L'inversione dell'expertise che nessuno aveva messo a bilancio
Il risultato che più probabilmente è sbagliato nel vostro piano attuale riguarda chi ne beneficia.
L'assunto prevalente è che l'AI svuoti i ruoli junior e amplifichi i senior. ATLAS lo complica da entrambi i lati. L'intensità d'uso cresce ripidamente con la retribuzione — un aumento dell'1% della retribuzione mediana di un'occupazione è associato a un aumento di oltre il 2,5% dell'intensità d'uso, che scende all'1,86% una volta controllato il livello di istruzione. Ponderata per l'occupazione, la retribuzione annua mediana nel campione è di 62.252 dollari; ponderata per le conversazioni Gemini, 82.919 dollari; ponderata per i token, 86.157 dollari (PPC Land, 2026).
Quindi le persone senior e ben pagate sono gli utenti intensivi. Ma misurando il livello di expertise di ciascuna mansione con la metodologia Autor e Thompson — che valuta rarità e specificità di dominio del vocabolario nell'enunciato della mansione — l'uso è più sovra-rappresentato sulle mansioni cognitive a expertise più bassa. Riscrivere un report in un'altra lingua. Redigere una specifica di prodotto.
I lavoratori ad alta expertise portano all'AI il proprio lavoro a bassa expertise.
Quell'inversione è la cosa più azionabile dello studio, e punta nella direzione opposta rispetto alla maggior parte dei piani di deployment. Il valore non è concentrato nel dare alle persone senior un partner di pensiero più intelligente per le decisioni difficili; è concentrato nel togliere il residuo a bassa expertise dai calendari costosi. Se il vostro rollout è mirato ai ruoli junior sulla teoria che il loro lavoro sia più automatizzabile, state distribuendo contro il gradiente osservato. L'adozione segue la discrezionalità, non la semplicità della mansione — le persone usano l'AI dove hanno l'autorità di decidere come si svolge il proprio lavoro.
Dove questa evidenza si ferma
I limiti onesti, perché un Head of Operations non dovrebbe agire sulla telemetria di un fornitore senza metterli a bilancio.
ATLAS è Google che misura Google. Osserva solo le superfici Gemini, quindi un'azienda standardizzata su un altro assistente resta fuori dall'inquadratura. È un campione di due settimane in un mercato che si muove in fretta. Le piattaforme enterprise — Workspace, Gemini Enterprise, gli strumenti di coding agentico — restano in gran parte fuori dal dataset granulare, ed è esattamente lì che l'automazione profonda e incorporata nei flussi di lavoro ha più probabilità di verificarsi. Oltre l'86% delle interazioni non è di lavoro; le conversazioni lavorative rappresentano circa il 13,5% del traffico di App e AI Mode, quindi il sottocampione legato al lavoro, pur essendo ampio, è una fetta.
Soprattutto, ATLAS misura comportamenti, non risultati. Una conversazione completata non dice nulla su se la persona abbia ottenuto ciò che le serviva o abbia risparmiato un minuto (Forte Group, 2026).
Niente di tutto ciò salva il business case sull'organico. Una sottostima degli strumenti agentici enterprise alzerebbe il tetto di dove sta andando l'automazione; non cambia ciò che una copertura mediana del 21% delle mansioni implica per l'organizzazione che state gestendo questo trimestre. E vale la pena nominare la direzione del bias: qui un fornitore di modelli pubblica uno studio che indebolisce la narrazione sull'automazione favorita dal suo stesso interesse commerciale. I risultati che vanno contro l'incentivo di chi li pubblica meritano più peso, non meno.
L'audit che sostituisce la congettura
Una mossa concreta prima della prossima revisione del budget AI: smettete di contare gli strumenti e cominciate a contare le mansioni.
Prendete i tre ruoli su cui pesa il vostro maggiore investimento in AI. Per ciascuno, scrivete il portafoglio di mansioni — dalle 15 alle 25 mansioni distinte, enunciate in modo semplice. Marcate ognuna rispetto a due domande: l'output è verificabile in meno di un minuto da qualcuno di competente, e una risposta sbagliata costa più che rifarla. Le mansioni verificabili a basso costo e sbagliabili a basso costo sono il vostro vero insieme di automazione. Tutto il resto è assistenza, e l'assistenza si manifesta come qualità e tempo di ciclo, mai come organico.
Poi misurate il tasso di copertura che avete davvero. Se è vicino al 21%, siete nella mediana — normali, non in difficoltà, e non una voce di risparmio. Se un ruolo supera il 60%, avete trovato uno di quel 3%: ridisegnate quel ruolo deliberatamente invece di aspettare che il risparmio compaia da solo. Se un ruolo resta sotto il 10% dopo un anno di licenze, il problema non è lo strumento e nemmeno le persone. Il lavoro semplicemente non ha la forma adatta, e la spesa in licenze appartiene altrove.
La versione scomoda di questo risultato è anche quella utile. L'AI è in quasi ogni lavoro della vostra azienda e in profondità in quasi nessuno, l'automazione end-to-end resta l'eccezione e non il piano, e i ritorni stanno nel residuo a bassa expertise che intasa i vostri calendari più costosi. Andate a riprendervelo. È più piccolo di quanto promettesse il titolo e molto più incassabile.
