Google выпустила первую версию исследования AI & Economy ATLAS. Это большой отчет о том, как люди реально используют Gemini в работе и в быту. В основе отчёта лежат 15 млн обезличенных и агрегированных взаимодействий с Gemini App, AI Mode и Gemini API; покрытие включает более 150 стран, 140 языков, 800 профессий и 4000 задач. Интересен не только в масштаб, но и в метод: это не прогноз и не маркетинговая презентация, а попытка посмотреть на ИИ через поведение пользователей.
Вернемся к числам из заголовка и, на мой взгляд, ключевым данным. ИИ используется в 68% профессий, но в медианной профессии он затрагивает только около 21% задач. При этом менее 10% взаимодействий связаны с полной автоматизацией — большинство запросов относится к совместной работе человека и модели: идеям, стратегии, поиску информации и обучению. Иными словами, ИИ уже не является экзотикой в отдельных командах; он стал прикладным инструментом для отдельных этапов работы, но не универсальным заменителем профессий. При этом, стоит учитывать, что это всё-таки средние показатели. Кто-то есть капусту, кто-то мясо — в среднем все едят голубцы: в строительстве ИИ делает 1% задач, а в ИТ/маркетинге уже половину процессов автоматизировали — вот и 21%.
Это важный сдвиг по сравнению с ранними ожиданиями рынка. В первые волны GenAI индустрия часто обсуждала сценарий «одна модель — одна профессия», но данные Google показывают более приземлённую картину: ценность создаётся на уровне конкретных шагов внутри процесса, а не на уровне полной автономии. ИИ наиболее заметен в задачах, связанных со стратегией, поиском, обучением и генерацией идей, не в end-to-end автоматизации. Мы пришли к тому, что эффект от ИИ чаще проявляется в сокращении времени на отдельную операцию, чем в исчезновении роли как таковой. Можно еще на какое-то время успокоиться, апокалипсис и AGI все ещё далеко.
ИИ входит в профессию, но не заменяет её целиком
Попробуем посмотреть на отчёт как на карту внедрения. Получается не «ИИ везде», а «ИИ точечно встроен понемногу почти везде». Google отдельно отмечает, что использование ИИ в работе распределено по всем отраслям, но внутри каждой профессии оно пока остаётся выборочным. В типичной роли ИИ покрывает лишь часть задач, а не весь цикл. Это хорошо согласуется с практикой многих команд, где модель выступает как ускоритель поиска, черновик, помощник для рефакторинга, аналитической сводки или первичного плана, но не как самостоятельный оператор всего workflow.
Кстати, задачи из отчета, которые относятся к «нерутинному когнитивному труду» — например, креативный дизайн и проверка гипотез, — встречаются в ИИ-взаимодействиях заметно чаще, чем в экономике в целом. Это не означает, что ИИ «лучше» справляется именно с ними; скорее, это указывает, где у пользователей уже есть доверие к модели и где она быстрее всего даёт ощущаемый выигрыш. Для продуктовых команд это важный ориентир: спрос формируется вокруг узких, повторяемых и достаточно дорогих по времени интеллектуальных шагов.
Вывод здесь довольно практический. Если ИИ используется только в части задач, то и ценность нужно измерять на уровне задач: временем на выполнение, количеством итераций, качеством черновика, числом эскалаций человеку, а не только числом «автоматизированных рабочих мест». Именно поэтому у многих компаний сегодня лучше всего работают не универсальные «чат-боты для всего», а специализированные копайлоты, встроенные в конкретный контекст продукта или внутренней системы. Это уже не спор о будущем труда, а вопрос архитектуры рабочих процессов.
ИИ для жизни
По данным Google, более 86% взаимодействий с ИИ происходят вне работы. Люди обращаются к моделям дома, чтобы разбирать документы, искать информацию для покупок, работать с бытовыми вопросами и взаимодействовать с государственными сервисами — включая налоги, лицензии и штрафы. ИИ окончательно стал интерфейсом для высокофрикционных повседневных задач.
С точки зрения индустрии это означает сдвиг фокуса. Раньше основной спрос на ИИ формировали офисные сценарии — документы, почта, аналитика, код. Теперь заметная часть ценности уходит в бытовые и административные потоки, где особенно болезненны рутинные формы, инструкции, справки и навигация по сервисам. Именно здесь ИИ может экономить не минуты, а когнитивные издержки: уменьшать число шагов, упрощать выбор и снижать порог входа в сложные процедуры.
Для рынка это означает две вещи. Во-первых, конкуренция будет идти не только за корпоративные аккаунты, но и за потребительский сценарий, который живёт вне офиса. Во-вторых, в фокусе окажутся продукты, способные связывать модель с реальными системами — документами, формами, API государственных сервисов, платёжными сценариями, личными архивами и бытовыми устройствами. Иными словами, следующий этап роста ИИ — это не только увеличение размера модели, но и её интеграция в повседневную инфраструктуру. Это меняет требования к UX, безопасности, приватности и интеграциям, потому что пользователь всё чаще приходит не за «ответом в вакууме», а за помощью в конкретной жизненной ситуации.
Физический труд и мультимодальность: следующий рубеж
Отчёт не ограничивается офисными профессиями. Google пишет, что в manual и technical occupations — например, у автотехников и промышленных механиков — ИИ используется как «живой коллега» для диагностики, устранения неполадок и обучения на ходу. В этих сценариях модели чаще задействуют мультимодальность, то есть работу не только с текстом, но и с изображениями или видео. По данным Google, такие пользователи примерно вдвое чаще обращаются к мультимодальным возможностям. В примерах из отчёта фигурируют интерпретация результатов тестов, поиск неисправностей в проводке и осмотр оборудования на износ.
Это, пожалуй, один из самых показательных моментов во всём исследовании. Он показывает, что граница ИИ проходит уже не между «офисом» и «не офисом», а между задачами, которые можно описать, и задачами, где важен визуальный или сенсорный контекст. Там, где раньше автоматизация упиралась в отсутствие структурированных данных, мультимодальные модели начинают закрывать разрыв между наблюдением и выводом.
Для производителей инструментов это означает смену приоритетов в продуктовой стратегии. Если раньше основной фокус был на генерации текста, то теперь на первый план выходят визуальная диагностика, объяснимые рекомендации, интеграция с изображениями и видео, а также сценарии работы в шумной и плохо структурированной среде. Именно в таких задачах особенно заметен потенциал ИИ как интерфейса между человеком и сложной физической системой.
Что это значит для рынка ИИ в ближайшие годы: выводы
ИИ уже проник в широкий спектр профессий, но пока в основном на уровне отдельных задач; при этом он активно выходит за пределы офиса и постепенно закрепляется в домашних, административных и технических сценариях. Google также отмечает, что распространение ИИ в целом идёт по линии уровня благосостояния страны: по данным ATLAS, использование ИИ в расчёте на душу населения в целом коррелирует с ВВП на человека, хотя есть и заметные исключения.
Из этого следует несколько практических выводов.
-
Победителей ближайшего этапа рынка определит качество встраивания ИИ в конкретные рабочие цепочки.
-
В оценке эффективности ИИ нужно смотреть не только на процент автоматизации, но и на качество сотрудничества между человеком и моделью.
-
Самые перспективные сценарии — поиск, первичная диагностика, сбор контекста, объяснение, заполнение форм и навигация по сложным системам. Это уже хорошо видно и в рабочих сценариях, и в бытовом использовании.
При этом сам отчёт Google стоит читать аккуратно. Компания прямо говорит, что ATLAS — это первая итерация крупного, продолжающегося исследования, а инструменты наблюдения за влиянием ИИ на экономику пока остаются в разработке. То есть это не финальный вердикт, а ранние предположения.
Краткие выводы и полное исследование Google’s AI & Economy ATLAS v1.0: Mapping Gemini Usage in the Economy читайте по гиперссылкам.
ссылка на оригинал статьи https://habr.com/ru/articles/1062776/