数据来源与样本
Google 近日发布了《AI & Economy ATLAS》研究。这不是又一份基于 benchmark 的模型能力报告,而是基于 1500 万次匿名化 Gemini 交互(覆盖 Gemini App、Google AI Mode 和 Gemini API)对真实使用模式的拆解。研究维度包括任务类型、活动频次、跨职业普及率与端到端自动化深度。换句话说,这次 Google 把自家产品的真实用户行为拉出来,回答了一个被市场讨论烂却很少用数据回答的问题:LLM 到底在多大程度上改变了实际工作?
报告的核心结论很反直觉:在大量关于"AI 取代白领"的叙事里,真实渗透率远低于预期。
三个关键数字
报告给出的三组占比数据,基本可以划出当前 LLM 在职场里的"使用光谱":
- 29% 的职业几乎不受 AI 影响——这些职业的任务结构和知识门槛让 AI 的边际帮助极小。
- 30% 的职业大部分工作仍由人类负责——AI 只能承担其中局部、可拆解的小段任务。
- 仅 3% 的职业会被经常性使用 AI——这部分职业已经围绕 LLM 重新设计了部分工作流。
把三组数字合起来看:目前 LLM 在白领工作中的"主战场"非常窄,集中在 软件 QA 分析师、HR 专家、文档管理专家 这一类文档密集、流程可拆解的岗位。
谁在高频用,谁几乎不用
报告按职业拆解了 Gemini 普及率:
- 高频用户集中在 金融/市场分析师、软件开发、系统管理员——这些岗位的特点是信息密度高、决策节点多、可被检索/代码/分析任务结构化。
- 几乎不用 AI 的是 销售、运输工人、食品加工/服务人员——这些岗位的天花板在于物理世界接触和实时人际互动,LLM 文本能力难以渗透。
另一个值得注意的发现:员工外包给 AI 的认知任务绝大多数都不需要太多专业知识。换言之,LLM 当前的价值主要集中在"低门槛信息整理"环节,而非高门槛专业判断。
端到端自动化仍然有限
报告用了"浅层 (shallow) 协作"来描述当前主流用法——AI 主要承担局部信息整理、初稿生成、检索补全,而不是端到端接管一条业务线。这与近两年 Agent 叙事的乐观判断形成对照。报告本身给出的解释是:AI 应用停留在浅层、以协作为主,端到端任务自动化的范围有限。
我的解读
这份报告最大的意义不在"AI 没替代白领"这个标题,而在它把"使用深度"和"渗透广度"拆开了:
- 窄而深:LLM 在已经渗透的岗位上确实形成了真实生产力的杠杆(代码、QA、HR 文档这类)。但它的覆盖半径仍然小得惊人。
- 任务特征决定适用性:能被 LLM 吃下的任务有清晰的结构(检索、总结、初稿生成、信息校对);反之,跨系统、强物理、依赖实时信任的任务仍是壁垒。
- Benchmark 与现实差距正在拉大:模型在评测集上的分数和真实工作中的"用得上",从来就不是线性关系。ATLAS 这类用真实交互数据做切片的研究,会是接下来评估 LLM 商业价值更靠谱的标尺。
对从业者来说,这份数据给了一个简单但有用的判断:如果你的工作流里超过一半的任务可以被结构化、可以异步化、可以"输出文档或代码",那 LLM 已经在你身边;反之,离替代你还很远。