Google 将 14,653,926 次去标识化的 Gemini 交互映射到 800 多个职业和 4,000 项 O\*NET 任务。AI 出现在 68% 的细分职业中——约相当于美国 88% 的在职民用劳动力。但在其中一个典型职业内部，它只触及了 21% 的任务（Google ATLAS v1.0, 2026）。
三分之二的岗位。五分之一的工作。
而在非常规的认知型工作中——判断、分析、解决问题，也就是你花最高薪资招人来做的那一类——端到端自动化只是不到 10% 对话的明显意图。其余 90% 是起草、审阅、检索信息，以及把思路说出来。
如果你的 AI 商业论证建立在裁撤岗位之上，这就是把它击穿的数字。不是因为工具不够强，而是因为这套算术建立在错误的计量单位上。一份工作的五分之一，不等于五分之一个人头。
ATLAS 测了什么，为什么落点不同
Google 的 AI & Economy ATLAS（Activity, Task, Landscape, and Adoption Study）在 2026 年 4 月 6 日至 19 日之间抽取了 Gemini App、AI Mode 与 Gemini API 上的交互，并将其映射到 150 个国家、140 种语言的官方职业与任务分类体系。Dame Diane Coyle（Cambridge）与 Dr David Autor（MIT）为该报告提供了贡献——Autor 正是那位用二十年论证技术是逐项任务、而非逐个岗位地重塑劳动的经济学家（Google, 2026）。
你见过的大多数 AI 采用率数据都是自我申报的。调研问一位管理者他的团队是否使用 AI，而管理者回答的是他希望被问到的那个问题。ATLAS 是行为性的：它观察人们真正拿给模型的东西，然后对任务分类。这个转变很重要，因为申报的采用率与观察到的任务覆盖率并不是同一个测量，也从未得出过同一个数字。
分布比 21% 的中位数所暗示的更偏斜。在 29% 的细分职业中，ATLAS 完全没有观察到任务饱和——理货与拣货人员、备餐人员、清运工人、巡逻警员。另一端，只有 3% 的职业在四分之三以上的任务中出现 AI 使用：软件 QA 分析师与测试人员、人力资源专员，以及文档管理专员（PPC Land, 2026）。
一百个职业里有三个被深度覆盖。那就是你真正的自动化候选清单。它比你幻灯片上写的要短。
Google 自己给出的对照值得记下来，用于校准：Anthropic 的 Economic Index 发现约 36% 的职业在至少四分之一的任务上使用 AI；Google 的对应数字约为 30%，作者将这一差距主要归因于更严格的隐私阈值，而非行为上的真实分歧（PPC Land, 2026）。两套独立数据、两家不同厂商，形状相同：广而浅。
为什么端到端自动化停在 10% 以下
ATLAS 将对话簇归入五种意图：任务自动化、部分起草与生成、审阅与打磨、构思与策略、信息检索与学习。
结果颠覆了标准的替代叙事。非常规认知分析型任务在 O\*NET 分类中占全部任务的 35%，却占 Gemini 工作交互的 65%。人们最常在工作中最难、最不标准化的部分求助 AI——而恰恰是在那里，他们最少把整件事交出去。这类对话中显示端到端自动化意图的不足 10%。在常规认知型工作中，这一比例超过四分之一（Google ATLAS v1.0, 2026）。
机制并不神秘。当产出可以一眼验证、且出错代价有界时，一项任务才会被整体委托出去。重新格式化数据集符合条件；决定砍掉哪家供应商则不符合。非常规工作恰恰是那种不把大部分推理重做一遍就无法确认其正确性的工作——于是人留在回路里，节省的时间真实存在，但只是局部的。
Google 把含义讲得很直白：数据不支持"AI 即将造成白领工作大规模自动化与被取代"的说法。作者同时提醒，意图分类仍属初步，随着模型能力推进，行为可能改变。这句话的两半都应写进你的规划假设。
你的人头算术假设了一种你并不具备的深度
到这里，它就从一张有趣的图表变成了一个运营问题。
中型市场标准的 AI 商业论证，是把单任务节省时间乘以任务量，把小时折成 FTE，再把差额记入账面。只有当节省下来的小时是连续的、且属于某个剩余工作可被别处吸收的岗位时，这套算术才成立。ATLAS 说，节省下来的小时散落在任务组合的五分之一里，落在那些从来就不是瓶颈的工作部分上。
把中位数情形照字面理解。AI 覆盖某岗位 21% 的任务。再慷慨地假设每项任务节省 40% 的时间。那就是该岗位任务总时长下降 8%。你没有释放出一个人。你释放出的是每个人身上的一块碎片，散落在一周里，小到无法重新分配，也小到不会出现在工时表上。
这就是为什么如此多的试点同时报告"用户很兴奋"和"运营成本没变"。两者都是真的。节省是真实的，节省又是无法入账的，因为入账需要任务整合——把剩下的 79% 搬进一个重新设计的岗位——而没有人被指派去做这件事。
更深的陷阱是那 3%。当商业论证建立在一个标杆职能上——QA 测试、HR 文档处理、高覆盖率的行政工作——那里观察到的覆盖率会被悄悄外推到组织的其余部分。它不会迁移。那一百里挑三的职业在结构上并不寻常：任务高度标准化、产出天然是文本、可即时验证。你的财务分析师和客户经理一个特征都不具备。
没人计入预算的专业度倒置
在你当前的计划里最可能是错的那个判断，与"谁受益"有关。
主流假设是 AI 掏空初级岗位、放大资深岗位。ATLAS 从两端同时使它复杂化。使用强度随薪酬急剧上升——某职业中位收入每提高 1%，使用强度提高超过 2.5%；在控制受教育程度后，该系数降至 1.86%。按就业加权，样本的年收入中位数为 62,252 美元；按 Gemini 对话加权为 82,919 美元；按 token 加权为 86,157 美元（PPC Land, 2026）。
所以，高薪资深人员才是重度用户。但若用 Autor 与 Thompson 的方法为每项任务的专业度打分——该方法衡量任务表述中词汇的稀有度与领域专属性——使用被最过度代表的，是专业度最低的认知型任务。把一份报告改写成另一种语言。起草一份产品规格。
高专业度的员工，正把自己的低专业度工作交给 AI。
这一倒置是整项研究中最可执行的一点，而它指向的方向与多数部署计划相反。价值并不集中在为资深人员配一个更聪明的思考伙伴去做艰难判断；它集中在把低专业度的残余从昂贵的日程表里剥离出来。如果你的推广瞄准初级岗位，理由是他们的工作更可自动化，那你是在逆着观察到的梯度部署。采用跟随的是自主裁量权，而不是任务的简单度——人们在自己有权决定工作怎么做的地方使用 AI。
这份证据的边界在哪里
诚实的局限，因为一位 Head of Operations 不该在没有把它们计入的情况下，就依据厂商自家的遥测数据行动。
ATLAS 是 Google 在测量 Google。它只观察 Gemini 的入口，因此标准化在其他助手上的公司不在取景框内。这是快速变动市场中的两周样本。企业级平台——Workspace、Gemini Enterprise、代理式编码工具——大体处于该细粒度数据集之外，而那恰恰是深度、嵌入工作流的自动化最可能发生的地方。超过 86% 的交互与工作无关；工作类对话约占 App 与 AI Mode 流量的 13.5%，因此工作相关子样本虽大，仍只是一个切片。
更重要的是，ATLAS 测量的是行为，不是结果。一次完成的对话，并不能说明使用者是否得到了所需，或者是否省下了一分钟（Forte Group, 2026）。
这些都救不回那份以人头为基础的商业论证。对企业代理式工具的低估会抬高自动化走向的天花板；但它不会改变 21% 的中位任务覆盖率，对你本季度实际在管的这家组织意味着什么。偏差的方向也值得点明：这是一家模型厂商发布的、削弱其自身商业利益所偏好的自动化叙事的研究。与发布方激励相悖的发现，应当被赋予更多权重，而不是更少。
用一次审计取代猜测
在下一次 AI 预算评审之前，做一件具体的事：别再数工具，开始数任务。
挑出承载你最大 AI 投入的三个岗位。为每个岗位写出任务组合——15 到 25 项彼此独立、表述清晰的任务。对每一项提两个问题打分：一名合格的人能否在一分钟内验证其产出，以及一个错误答案的代价是否高于重做一遍。验证便宜、出错也便宜的任务，才是你真正的自动化集合。其余都是辅助，而辅助只会体现在质量和周期时间上，从不体现在人头上。
然后测量你真正拥有的覆盖率。如果接近 21%，你处在中位——正常，不算失败，也不是一条节支科目。如果某个岗位超过 60%，你找到了那 3% 之一：主动重新设计那个岗位，而不是等节省自己冒出来。如果某个岗位在一年的许可证之后仍低于 10%，问题既不在工具，也不在人。这份工作的形状本来就不适配，那笔许可证支出该花在别处。
这项发现让人不适的那个版本，也正是有用的那个版本。AI 几乎渗入你公司的每一个岗位，却几乎没有深入任何一个；端到端自动化仍是例外，而不是计划；回报就躺在堵住你最昂贵日程表的那些低专业度残余里。去把它拿回来。它比标题承诺的更小，也远比标题承诺的更能收得回来。
