Google сопоставил 14 653 926 обезличенных взаимодействий с Gemini с более чем 800 профессиями и 4000 задач O\*NET. ИИ появился в 68% детализированных профессий — это около 88% занятых гражданских работников США. Но внутри типичной такой профессии он затронул 21% задач (Google ATLAS v1.0, 2026).
Две трети профессий. Пятая часть работы.
А там, где работа нерутинная и когнитивная — суждение, анализ, решение проблем, то есть категория, ради которой вы нанимаете самых дорогих людей, — сквозная автоматизация является явным намерением менее чем в 10% разговоров. Остальные 90% — это черновики, проверка, поиск информации и размышление вслух.
Если ваш бизнес-кейс по ИИ построен на устранении ролей, именно это число его ломает. Не потому, что инструменты слабы, а потому, что арифметику построили на неверной единице. Пятая часть работы — это не пятая часть штатной единицы.
Что измерил ATLAS и почему это ложится иначе
Исследование Google AI & Economy ATLAS (Activity, Task, Landscape, and Adoption Study) собрало выборку взаимодействий в Gemini App, AI Mode и Gemini API с 6 по 19 апреля 2026 года и сопоставило их с официальными таксономиями профессий и задач в 150 странах и 140 языках. В отчёт внесли вклад дама Дайан Койл (Cambridge) и д-р Дэвид Отор (MIT) — Отор является экономистом, который два десятилетия доказывает, что технологии перестраивают труд задача за задачей, а не профессия за профессией (Google, 2026).
Большинство данных о внедрении ИИ, которые вы видели, — самоотчёты. Опрос спрашивает руководителя, использует ли его команда ИИ, и руководитель отвечает на тот вопрос, который хотел бы услышать. ATLAS поведенческий: он наблюдает, что люди реально принесли модели, а затем классифицирует задачу. Этот сдвиг важен: заявленное внедрение и наблюдаемое покрытие задач — разные измерения, и они никогда не давали одинаковое число.
Распределение перекошено сильнее, чем предполагает медиана в 21%. В 29% детализированных профессий ATLAS не зафиксировал насыщения задач вовсе — комплектовщики и сборщики заказов, работники кухни, сборщики отходов, патрульные полицейские. На другом конце лишь 3% профессий показали использование ИИ на трёх четвертях задач и более: аналитики и тестировщики QA ПО, специалисты по персоналу и специалисты по документообороту (PPC Land, 2026).
Три профессии из ста покрыты глубоко. Вот ваш список кандидатов на автоматизацию. Он короче, чем утверждает ваш слайд.
Стоит отметить сравнение, которое приводит сама Google, для калибровки: Anthropic Economic Index обнаружил, что примерно 36% профессий использовали ИИ минимум для четверти своих задач; эквивалентный показатель Google — около 30%, и авторы объясняют разрыв в основном более строгими порогами приватности, а не действительно иным поведением (PPC Land, 2026). Два независимых набора данных, два разных поставщика, одна форма: широко и неглубоко.
Почему сквозная автоматизация остаётся ниже 10%
ATLAS распределил кластеры разговоров по пяти намерениям: автоматизация задачи, частичное написание и генерация, проверка и доработка, генерация идей и стратегия, поиск информации и обучение.
Результат переворачивает стандартный сюжет о замещении. Нерутинные когнитивно-аналитические задачи составляют 35% всех задач в таксономии O\*NET, но 65% рабочих взаимодействий с Gemini. Люди тянутся к ИИ прежде всего в самых сложных и наименее стандартизированных частях своей работы — и именно там реже всего отдают задачу целиком. Менее 10% таких разговоров демонстрируют намерение сквозной автоматизации. В рутинной когнитивной работе — более четверти (Google ATLAS v1.0, 2026).
Механизм не загадочен. Задачу делегируют целиком, когда результат проверяется одним взглядом, а цена ошибки ограничена. Переформатировать датасет — подходит. Решить, от какого поставщика отказаться, — нет. Нерутинная работа — это ровно та работа, чью корректность нельзя подтвердить, не повторив большую часть рассуждения, поэтому человек остаётся в контуре, а сэкономленное время реально, но частично.
Google формулирует вывод прямо: данные не подтверждают утверждения о том, что ИИ вот-вот вызовет массовую автоматизацию и вытеснение офисного труда. Авторы также отмечают, что классификация намерений предварительна и поведение может измениться по мере роста возможностей моделей. Обе половины этой фразы должны войти в ваши плановые допущения.
Ваша арифметика штата предполагает глубину, которой у вас нет
Здесь тема превращается из любопытного графика в операционную проблему.
Стандартный бизнес-кейс по ИИ в среднем сегменте умножает экономию времени на задаче на объём задач, переводит часы в FTE и записывает разницу. Арифметически это работает, только если сэкономленные часы непрерывны и принадлежат роли, чью оставшуюся работу можно поглотить в другом месте. ATLAS говорит: сэкономленные часы рассыпаны по пятой части портфеля задач — в тех частях работы, которые никогда не были узким местом.
Возьмите медианный случай буквально. ИИ покрывает 21% задач роли. Допустите — щедро — сокращение времени на 40% по каждой из них. Это 8% сокращения общего времени задач роли. Вы не высвободили человека. Вы высвободили фрагмент у каждого, распределённый по неделе кусками, слишком мелкими для перераспределения и слишком мелкими, чтобы попасть в табель.
Именно поэтому столько пилотов одновременно сообщают о восторженных пользователях и неизменных операционных расходах. Верно и то, и другое. Экономия реальна, и экономия неинкассируема, потому что её инкассация требует консолидации задач — переноса оставшихся 79% в перепроектированную роль, — а этим никому не поручено заниматься.
Более глубокая ловушка — те самые 3%. Когда бизнес-кейс строится на маяковой функции — QA-тестирование, работа с HR-документами, административная работа с высоким покрытием — наблюдаемый там уровень покрытия молча экстраполируется на остальную организацию. Он не переносится. Эти три профессии из ста структурно необычны: высокая стандартизация задач, изначально текстовые результаты, немедленная проверяемость. У ваших финансовых аналитиков и менеджеров по работе с клиентами нет ни одного из этих свойств.
Инверсия экспертизы, которую никто не заложил в расчёт
Вывод, который вероятнее всего неверен в вашем текущем плане, касается того, кто выигрывает.
Преобладающее допущение: ИИ выхолащивает джуниоров и усиливает сеньоров. ATLAS усложняет обе части. Интенсивность использования резко растёт с оплатой — рост медианного заработка профессии на 1% связан с ростом интенсивности использования более чем на 2,5%, а при контроле уровня образования коэффициент падает до 1,86%. Взвешенный по занятости медианный годовой заработок в выборке — 62 252 доллара; взвешенный по разговорам с Gemini — 82 919 долларов; взвешенный по токенам — 86 157 долларов (PPC Land, 2026).
Итак, высокооплачиваемые senior-специалисты — активные пользователи. Но если оценить уровень экспертизы каждой задачи по методологии Отора и Томпсона, которая измеряет редкость и предметную специфичность лексики в формулировке задачи, использование сильнее всего перепредставлено на когнитивных задачах с самой низкой экспертизой. Переписать отчёт на другой язык. Составить продуктовую спецификацию.
Высокоэкспертные сотрудники несут в ИИ свою низкоэкспертную работу.
Эта инверсия — самое применимое, что есть в исследовании, и она указывает в сторону, противоположную большинству планов развёртывания. Ценность сосредоточена не в том, чтобы дать сеньорам более умного партнёра по размышлению для трудных решений; она сосредоточена в вычищении низкоэкспертного остатка из дорогих календарей. Если ваше развёртывание нацелено на джуниорские роли по теории, что их работа автоматизируемее, вы идёте против наблюдаемого градиента. Внедрение следует за полномочиями, а не за простотой задачи: люди используют ИИ там, где вправе сами решать, как выполняется их работа.
Где эти данные заканчиваются
Честные ограничения, потому что Head of Operations не должен действовать по телеметрии поставщика, не заложив их в расчёт.
ATLAS — это Google, измеряющий Google. Он наблюдает только поверхности Gemini, поэтому компания, стандартизированная на другом ассистенте, остаётся вне кадра. Это двухнедельная выборка на быстро меняющемся рынке. Корпоративные платформы — Workspace, Gemini Enterprise, агентные инструменты для кода — в основном вне детализированного набора данных, а именно там глубокая, встроенная в рабочие процессы автоматизация вероятнее всего и происходит. Более 86% взаимодействий не связаны с работой; рабочие разговоры составляют около 13,5% трафика App и AI Mode, так что рабочая подвыборка, хотя и большая, — это срез.
И главное: ATLAS измеряет поведение, а не результаты. Завершённый разговор ничего не говорит о том, получил ли человек нужное и сэкономил ли хоть минуту (Forte Group, 2026).
Ничто из этого не спасает бизнес-кейс по штату. Недоучёт корпоративного агентного инструментария поднял бы потолок того, куда движется автоматизация; он не меняет того, что медианное покрытие задач в 21% означает для организации, которой вы управляете в этом квартале. И стоит назвать направление смещения: здесь поставщик моделей публикует исследование, подрывающее нарратив автоматизации, выгодный его же коммерческому интересу. Выводы, идущие против стимула публикующего, заслуживают большего веса, а не меньшего.
Аудит, который заменяет догадку
Один конкретный шаг перед следующим пересмотром бюджета на ИИ: перестаньте считать инструменты и начните считать задачи.
Возьмите три роли, на которые приходится наибольшая инвестиция в ИИ. Для каждой выпишите портфель задач — от 15 до 25 отдельных задач, сформулированных просто. Оцените каждую по двум вопросам: проверяем ли результат менее чем за минуту квалифицированным человеком и стоит ли неверный ответ дороже, чем переделать. Задачи, дешёвые в проверке и дешёвые в ошибке, и есть ваш настоящий набор для автоматизации. Всё остальное — ассистирование, а ассистирование проявляется в качестве и времени цикла, но никогда в численности.
Затем измерьте реальный уровень покрытия. Если он около 21% — вы в медиане: это норма, не провал и не строка экономии. Если роль превышает 60%, вы нашли одну из тех 3%: перепроектируйте эту роль осознанно, а не ждите, пока экономия появится сама. Если роль остаётся ниже 10% после года лицензий, дело не в инструменте и не в людях. Работа просто не той формы, и расходы на лицензии принадлежат другому месту.
Неудобная версия этого вывода — она же полезная. ИИ есть почти в каждой профессии вашей компании и глубоко — почти ни в одной, сквозная автоматизация остаётся исключением, а не планом, а отдача лежит в низкоэкспертном остатке, забивающем ваши самые дорогие календари. Идите и заберите его. Он меньше, чем обещал заголовок, и гораздо лучше инкассируется.
