导读：谷歌分析1500万次去标识化AI交互后发现，在一个典型职业中，AI大约可参与21%的任务，但完全自动完成的比例不足10%。这说明AI正在广泛进入工作流程，却更常扮演协助者而非独立替代者。

一、事件速览

谷歌发布ATLAS研究，分析来自Gemini应用、Google搜索AI Mode和Gemini API的约 1500万次聚合、去标识化交互。数据覆盖150多个国家和地区、140种语言、约800个职业和4000类任务。

研究试图回答一个现实问题：人们究竟在用生成式AI做什么，以及AI是在辅助工作，还是已经自动替代大量任务。

谷歌给出的结论是，在一个典型职业中，约21%的任务出现了AI使用，但完全由AI自动完成的任务比例不足10%。大量交互仍需要用户提出目标、补充背景、审核结果和做出最终决定。

二、“使用AI”不等于“岗位被替代”

职业由多种任务组成。程序员需要编写代码、沟通需求、调试系统和评估风险；教师需要备课、授课、观察学生和处理家校沟通。AI可能在某些任务上效率很高，却不能因此推断整个岗位消失。

ATLAS将AI使用区分为信息获取、内容生成、分析、建议和执行等不同类型。很多用户把AI当作写作助手、搜索工具、翻译器或头脑风暴伙伴，而不是让它独立完成整个业务流程。

这解释了为什么AI影响范围很广，但完整自动化比例仍然较低。模型可以生成初稿，却需要人类确认事实；可以给出代码，却需要在真实系统中测试；可以分析数据，却未必理解组织目标和责任边界。

三、AI已经进入技术工种和体力相关行业

研究显示，AI使用并不只集中在软件、媒体和办公室岗位。维修、制造、建筑、农业等技术和体力相关职业，也会使用AI查询故障、理解手册、生成记录和学习操作流程。

这意味着生成式AI的扩散路径可能类似智能手机：最初由知识工作者高频使用，随后逐渐进入现场服务、设备维护和职业培训。

不过，AI无法直接完成大多数物理操作。它可以帮助判断设备可能出现的问题，但真正拆装、测量和安全确认仍需要人员或机器人完成。因此，数字辅助能力与物理自动化能力需要区别看待。

四、86%的交互并非直接用于工作

谷歌还发现，约86%的交互发生在工作之外，包括学习、兴趣、生活规划、娱乐和个人创作。这说明公众使用AI的价值不能只用就业替代来衡量。

很多人把AI用于解释复杂概念、学习语言、整理旅行计划或解决日常软件问题。对企业而言，办公效率只是市场的一部分；个人助手、教育和生活服务可能形成更大的长期使用场景。

同时，非工作场景也带来信息质量、未成年人保护和隐私问题。用户越依赖AI处理生活决策，平台越需要清晰说明数据使用方式和模型局限。

五、这项研究对中国有什么启示

中国拥有大量制造、物流、建筑、农业和设备运维人员。相比只讨论AI是否替代白领，更现实的方向是开发适合一线岗位的语音助手、维修知识库、操作培训和安全检查工具。

许多现场人员不一定熟悉复杂软件，但可以通过自然语言、图片和语音与AI交互。如果模型能够理解中文行业术语、设备手册和企业流程，就有机会降低培训成本并提高问题处理效率。

对企业而言，AI落地不应只追求减少岗位数量。更稳妥的方式是先选择规则清晰、可验证、低风险的任务，让AI生成初稿、查询知识和检查遗漏，再由员工负责确认和执行。

这也说明职业教育需要调整。未来员工不仅要会使用AI，还要学会判断结果、保护数据、发现错误并承担最终责任。中国如果能把AI工具与制造业经验和职业培训结合，可能形成比通用聊天更有产业价值的应用。

六、研究结果不能代表所有人群

ATLAS数据来自谷歌自有产品用户，并不是对全球人口的随机抽样。不同国家的产品可用性、网络条件、职业结构和用户习惯会影响结果。

研究采用聚合和去标识化方法，但具体分类仍依赖模型判断和统计规则。一次交互被归入某个职业任务，不一定代表用户真实职业；用户也可能没有明确说明使用目的。

此外，当前数据反映的是特定时期的使用状态。随着智能体、企业系统和机器人发展，自动化比例可能变化。因此，这份研究更适合被视为阶段性观察，而不是对未来就业的确定预测。

七、趋势观察：增强人类仍是近期主线

目前生成式AI最成熟的价值，仍是提高信息获取、写作、编程和分析效率。完全自动化需要稳定工具、权限控制、质量评估和责任机制，落地速度通常慢于模型能力提升。

未来岗位变化可能表现为任务重新分配：重复性工作减少，审核、沟通、现场操作和异常处理变得更重要。企业需要重新设计流程，而不是简单把现有工作全部交给模型。

八、结语

1500万次交互提供了一个比宣传口号更接近真实使用的观察窗口：AI已经广泛参与工作，但主要角色仍是协助，而非全面替代。