AI 是否正在替代白领岗位？真实世界中用户如何使用 AI？Google DeepMind 联合 Google 首席经济学家办公室发布了 ATLAS（Activity, Task, Landscape, and Adoption Study）v1.0 报告。基于 Google AI Mode（月活超 10 亿）、Gemini App（月活超 9 亿）和 Gemini API 的 14,653,926 条去标识化真实交互样本，报告用实证数据分析了 AI 在工作与生活场景中的采纳特征与经济学影响。
ATLAS 的底层架构：OCTO 隐私保护管线与统计数据库映射
传统行业调研多依赖几千份主观问卷，受限于样本量与回答偏差，难以反映大规模用户的真实使用模式。ATLAS v1.0 的方法论特点在于基于用户与对话式 AI 的真实交互日志进行统计分类。
为处理 1500 万级非结构化对话文本，Google DeepMind 研发了 OCTO（Observation Clustering and Taxonomy Organisation，观察聚类与分类组织系统）数据处理管线：
- DLP 敏感信息剥离与 UUID 隔离：数据损失防护系统自动识别并过滤姓名、联系方式、财务与健康数据；原始日志 ID 替换为不可逆的随机 UUID，隔离账号关联。
- 双层摘要与聚类聚合：系统不保留原始对话文本，仅提取单次交互特征生成初次摘要；对同类对话归类聚类并生成二次聚合摘要后，直接销毁原始文本。
- 统计数据库映射：工作场景映射至美国劳工统计局 SOC 分类与 O*NET 30.2 数据库（涵盖 800+ 职业、4000+ 任务）；非工作场景映射至 ATUS（美国时间利用调查）分类标准。
- K-匿名化阈值过滤：独立用户数少于 10 人的微型聚类全数丢弃，确保无法反向识别个人身份。
OCTO 数据处理与隐私保护流程
-
DLP 敏感信息剥离
自动识别并过滤姓名、联系方式、财务及健康数据。
-
随机 UUID 隔离关联
用不可逆的 UUID 替代系统日志 ID，隔离日志关联链条。
-
双层摘要与原始文本销毁
提取对话特征生成初摘要，完成聚类二次摘要后彻底销毁原文。
-
统计数据库映射与 K 匿名过滤
自动映射到 O*NET-SOC 与 ATUS，过滤覆盖用户数小于 10 的聚类。
为验证分类器准确性，研究团队基于 O*NET-SOC 与 ATUS 数据库构建了合成测试集，结合人工评测与提示词选项随机打散，消除分类模型中的选项顺序偏置。
职场采纳实证分析：职业分布、任务渗透率与技能门槛
基于 1500 万条真实交互的分类统计，ATLAS v1.0 输出了当前 AI 职场采纳的四大实证分析结论。
ATLAS 核心实证指标
-
1465万条
拆解全球 1465 万条去标识化真实交互样本。
-
68%
覆盖 68% 的职业分类与 90% 的美国就业人口。
-
21%
呈现 21% 的岗位内部细分任务渗透深度中位数。
迷思一：白领岗位的替代效应评估与任务渗透率分析
宏观数据显示，AI 的使用已延伸至 68% 的细分职业分类（涵盖美国 90% 的就业人口）。但观察岗位内部的具体任务分布时，结论有所不同。
在已有显著 AI 使用量的岗位中，从业者用 AI 辅助的具体任务中位数渗透率为 21%。同时，29% 的细分职业呈现零任务渗透（即无任何一项任务被 25 名以上用户尝试过），主要集中于餐饮准备、货物装卸、个人护理等物理实操岗位。在 OECD 发达经济体中，AI 使用集中于计算机数学与商业金融领域；在非 OECD 国家，办公行政与艺术设计的 AI 交互占比相对更高。
迷思二：任务自动化的实际比例与辅助协作分析
在所有工作类 AI 对话中，试图让模型端到端自动完成任务的交互比例不足 10%。
90% 以上的职场交互集中于构思策略、草稿改写、提炼校验以及检索学习等协作环节。按 Autor & Thompson（2025）任务框架拆解，非常规认知任务占 ATLAS 职场交互的 65%（而在社会整体就业任务分布中该比例为 35%）。从业者将模型用于实时讨论、校验假设与提供灵感，发挥辅助协作作用。
迷思三：现场技术工种的 AI 使用与多模态诊断应用
大模型不仅服务于办公室白领。ATLAS 数据指出，汽车维修技师、工业机械修理工等现场技术工种，已将对话 AI 用于现场故障排查。
现场维修需要处理电路图纸、机械磨损及罕见报错，这些工种调取图像和视频等多模态能力的频率是普通岗位的 2 倍。技师拍下磨损部件传输至 Gemini 进行诊断，并调用模型解析检测仪器日志。非 OECD 国家从业者在工作中生成图像视频的比例也是发达国家的 2 倍。
迷思四：任务技能门槛分布与技能提升效应
在人口统计维度，高薪高学历人群的整体 AI 采纳率更高。但将分析粒度下沉至具体任务的技能门槛（Expertise Level）时，数据给出了进一步补充。
在不同难度的任务分类中，中低技能门槛任务的 AI 渗透率高于极高难度任务。这表明 AI 在初中级岗位中充当技能提升工具（Upskilling Tool），协助从业者跨越专业知识门槛、处理陌生的业务环节。
非工作场景采纳分析：家庭非市场福利的实证测算
在 ATLAS 日志中，86% 的交互发生在非工作场景。
- 降低行政流程摩擦：协助解读政策条款、准备执照驾照申请、办理报税与缴罚款流程；
- 家庭排错与消费决策：诊断家用电器故障、对比商品参数、辅助家庭预算规划；
- 个人学习与健康管理：解答跨学科疑难知识、辅助制定健身与膳食计划。
传统 GDP 核算体系仅统计市场交易，未涵盖家庭内部的时间损耗。在对齐 ATUS 框架后，ATLAS 评估了 AI 在降低日常事务摩擦成本上的作用，反映出被传统指标忽略的家庭非市场福利（Household Non-Market Welfare）。
全球扩散与多语言分布：非英语交互占比分析
在跨国采纳讨论中，存在非英语用户可能因模型能力差距被迫改用英文的担忧。ATLAS 数据给出了分析：
- 多语言分布广泛：在覆盖 150+ 国家地区的样本中，英语仅占全局对话的 33.3%。在处理复杂逻辑推理时，绝大多数用户保留母语交互习惯。
- GDP 相关性与跨越式普及：在归一化 Google 产品市场渗透率影响后，全球人均 AI 使用量与人均 GDP 整体成正比；但在南美（如巴西、哥伦比亚）及中东部分中等收入国家，AI 采纳率与高收入经济体相当。
该结论反映了缩小数字鸿沟的政策需求，也展现了中等收入国家借助生成式 AI 实现数字发展的空间。
研究局限性与未来数据分析方向
虽然 ATLAS v1.0 提供了实证数据，研究团队也在报告中指出了局限性：本期样本未涵盖 Google Cloud 付费 Gemini API 的企业级调用，也未纳入 Workspace 内嵌 AI 操作；数据采样限于 2026 年 4 月 6 日至 19 日的两周时间窗口。
研究局限性与采样时间窗口
本期样本未涵盖 Google Cloud 付费 Gemini API 的企业级调用，也未纳入 Workspace 内嵌 AI 操作；数据采样限于 2026 年 4 月 6 日至 19 日的两周时间窗口。
Google 首席经济学家办公室表示，ATLAS 将作为长期研究项目持续演进，未来将增加多维动态数据，为评估 AI 对生产力与社会经济的影响提供实证参考。
数据来源：1. Google Official Blog: Understanding the AI economy (2026-07-23)； 2. Google DeepMind & Chief Economist's Office: ATLAS v1.0 Report (100 pages, 2026-07).