Коротко: исследование Google ATLAS v1.0 показывает широкое, но пока неглубокое проникновение ИИ в работу. В профессиях с заметным использованием Gemini медианная доля затронутых задач составила 21%, а полная автоматизация нерутинных когнитивных задач встречалась менее чем в 10% соответствующих разговоров. Для бизнеса это аргумент не за автоматизацию должностей целиком, а за аудит отдельных задач, измеримый пилот и постепенное расширение автономии.
Статья предназначена для руководителей, владельцев процессов, CIO/CDO и команд внедрения. Она объясняет наблюдения ATLAS и предлагает практический метод отбора задач. Она не прогнозирует сокращения, не переносит данные Google на российский рынок и не утверждает, что использование ИИ автоматически повышает производительность. Источники проверены 12 августа 2026 года.
Содержание
- Что изучил Google ATLAS
- Пять выводов для руководителя
- Почему использование ИИ не равно автоматизации
- Что исследование доказывает и чего не доказывает
- Как выбрать задачи для пилота
- КАРТА: аудит портфеля задач
- Какие метрики считать
- План пилота на 30 задач
- Частые вопросы
- Как AI рассвет помогает превратить карту задач в рабочий контур
- Вывод
Что изучил Google ATLAS
23 июля 2026 года Google представил AI & Economy ATLAS v1.0 — исследование 14 653 926 обезличенных взаимодействий с Gemini App, Google AI Mode и Gemini API за период с 6 по 19 апреля 2026 года. Авторы сопоставили разговоры более чем с 800 профессиями, 4 000 рабочими задачами, 300 бытовыми активностями, 150 странами и 140 языками.
Сначала автоматический классификатор отделял рабочие взаимодействия от нерабочих. Затем система Google DeepMind OCTO объединяла обезличенные резюме в смысловые кластеры и связывала их с таксономиями профессий и задач O*NET/SOC. Пайплайн проверяли на синтетических данных, межэкспертном согласии и одобрении меток людьми. Кластеры менее чем из 10 пользователей исключались.
Это крупный наблюдательный срез реального использования, но не эксперимент продуктивности. ATLAS видит, о чём и как люди разговаривают с ИИ, а не подтверждённый результат компании после внедрения.
Пять выводов для руководителя
| Наблюдение ATLAS | Измеренный результат | Практический смысл | Ограничение |
|---|---|---|---|
| Охват профессий широк | ИИ наблюдался в 68% профессий, представляющих чуть более 88% занятости США | искать кандидатов можно не только в IT и маркетинге | это охват Google-поверхностей, а не доля компаний с внедрением |
| Проникновение в работу неглубокое | медиана — 21% задач внутри профессии с заметным использованием | единица анализа — задача, а не должность | показатель условен на профессиях, где использование уже наблюдалось |
| Нерутинная работа чаще усиливается, чем исчезает | около 65% рабочих взаимодействий пришлось на нерутинные когнитивные задачи; end-to-end automation — менее 10% в этой группе | начинать с совместной работы, черновиков, проверки и поиска | намерение определял предварительный вероятностный классификатор |
| Физические профессии тоже используют ИИ | мультимодальность у автомехаников и промышленных механиков встречалась более чем вдвое чаще рабочего baseline | фото, видео и инструкции могут поддерживать диагностику и обучение | взаимодействие не доказывает правильность диагностики |
| Большая часть разговоров происходит вне работы | более 86% разговорного использования было нерабочим | ценность ИИ шире официальных корпоративных кейсов | это не показатель выручки, экономии или ВВП |
Главный вывод: широкое распространение не означает глубокую автоматизацию. Одинаково ошибочно говорить и «ИИ пока никому не нужен», и «ИИ уже заменяет профессии целиком».
Почему использование ИИ не равно автоматизации
В дискуссии смешивают четыре разные единицы:
- Взаимодействие — один разговор или API-запрос.
- Использование в задаче — ИИ помог на каком-то участке работы.
- Автоматизация задачи — система выполнила основную работу от входа до проверяемого выхода.
- Бизнес-результат — изменились срок, стоимость, качество, риск или пропускная способность процесса.
ATLAS в основном измеряет первые две единицы и классифицирует намерение пользователя. Исследование прямо предупреждает: завершённый разговор не гарантирует, что человек достиг цели, сэкономил время или создал экономическую ценность.
Другие свежие исследования дополняют, но не отменяют эту границу. Anthropic Economic Index в ноябрьской выборке Claude оценил augmentation в 52% разговоров и automation в 45%. Проценты нельзя напрямую ставить рядом с ATLAS: различаются продукты, выборки, периоды и определения. Направление сходится в одном — взаимодействие человека и ИИ остаётся значимой частью рабочего контура.
OpenAI Work at the Frontier изучил более 800 000 рабочих сообщений американских пользователей ChatGPT и обнаружил другой эффект: 43,5% сообщений, связанных с конкретной профессией и не относящихся к универсальным действиям вроде суммаризации, касались задач за пределами основной профессии пользователя. ИИ может не убрать роль, а расширить набор действий, которые человек выполняет без передачи другому отделу.
Для руководителя отсюда следует правило: не покупайте «автоматизацию отдела». Опишите вход, действие, решение, выход, владельца и цену ошибки для каждой задачи.
Что исследование доказывает и чего не доказывает
| Можно заключить | Нельзя заключить |
|---|---|
| в апрельской выборке Google использование охватило многие профессии | 68% работников или компаний регулярно используют ИИ |
| внутри затронутых профессий медианная глубина составила около пятой части задач | ИИ выполняет 21% рабочего времени или создаёт 21% результата |
| в нерутинной когнитивной группе полная автоматизация была редкой | автоматизация останется ниже 10% в будущем |
| ручные и технические профессии применяли мультимодальный ИИ | ответы Gemini были безопасными и правильными |
| английский дал около трети глобальных разговоров | качество моделей одинаково для всех 140 языков |
У ATLAS есть четыре особенно важные границы.
Во-первых, окно наблюдения длилось две недели. Это снимок, а не долгосрочная динамика. Во-вторых, выборка ограничена экосистемой Google. В-третьих, детальный анализ не включил платный Gemini API, Gemini Enterprise, Google Workspace, AI Overviews, Google Translate и ряд других продуктов; профессиональная автоматизация может быть недопредставлена. В-четвёртых, классификация профессий, задач и намерений вероятностна, особенно на детальном уровне.
Отдельно ATLAS не является исследованием российского рынка. Переносить его доли на российские компании без локальных данных нельзя. Полезен не процент сам по себе, а методологический поворот от профессий к портфелю задач.
Как выбрать задачи для пилота
Начните с матрицы, где по одной оси находится проверяемость результата, а по другой — цена ошибки.
| Проверяемость / риск | Низкий риск | Средний риск | Высокий риск |
|---|---|---|---|
| Высокая проверяемость | извлечение полей, классификация, сверка формата | черновик ответа, резюме документов, подготовка карточки | предложение решения с обязательным approval |
| Средняя проверяемость | поиск кандидатов, варианты формулировок | анализ обращений, прогноз категории, подсказка оператору | только shadow mode и экспертная проверка |
| Низкая проверяемость | исследовательский прототип | не давать внешних прав | не автоматизировать до появления контроля |
Лучший первый кейс имеет повторяющийся вход, наблюдаемый эталон, обратимое действие и владельца результата. «Использовать ИИ в продажах» слишком широко. «Классифицировать входящие запросы по восьми категориям и передавать оператору со ссылкой на исходный текст» — уже тестируемая формулировка.
Полезно сопоставить эту статью с практическим разбором внедрения ИИ в бизнес-процессы и перечнем восьми задач и двух контуров контроля.
КАРТА: аудит портфеля задач
Предлагаем рамку КАРТА: Контур → Активность → Риск → Тест → Автономия. Это оригинальная операционная модель этой статьи, а не вывод Google.
Контур
Опишите процесс от события до результата: кто запускает работу, какие системы и данные участвуют, где принимается решение, что видит клиент и как выполнить откат. Граница должна быть уже, чем функция отдела.
Активность
Разложите контур на действия длительностью от нескольких минут до нескольких часов. Для каждого зафиксируйте частоту, вход, выход, текущего владельца и очередь. Так появляется правильный знаменатель: не число сотрудников, а объём проверяемых единиц работы.
Риск
Назовите запрещённые ошибки и последствия: финансовая операция, персональные данные, юридически значимое сообщение, публикация, изменение учётной системы. Чем выше риск, тем меньше начальные права агента.
Тест
Соберите реальные обезличенные примеры, заморозьте baseline и критерии приёмки. Сравнивайте не красивую демонстрацию, а долю принятых результатов, существенные правки, критические ошибки, время проверки и полную стоимость.
Автономия
Повышайте права ступенями: поиск и чтение → черновик → предложение изменения → запись после approval → ограниченное автономное действие. Переход разрешается только после прохождения теста и проверки отката.
КАРТА предотвращает две симметричные ошибки: выдавать агенту слишком много прав после удачного демо и навсегда оставлять полезную систему в режиме бесконечного пилота.
Какие метрики считать
| Метрика | Формула | Что измеряет | Чего не доказывает |
|---|---|---|---|
| Acceptance rate | принятые единицы / проверенные | пригодность результата | отсутствие скрытых ошибок |
| Critical error rate | критические ошибки / проверенные | риск по заданной таксономии | полноту самой таксономии |
| Review time | медиана минут проверки | нагрузку человека | полное время цикла с очередями |
| Cycle time | медиана от входа до принятия | скорость процесса | качество результата |
| Cost per accepted unit | все затраты / принятые единицы | экономику рабочего контура | будущую выручку |
| Escalation rate | эскалации / все случаи | границы автономии | причину каждой эскалации |
| Regression pass rate | пройденные старые тесты / весь набор | стабильность после изменения | качество на новых сценариях |
Baseline нужен до пилота. Если человек сегодня выполняет задачу за 12 минут с 1% возвратов, нельзя объявить успехом генерацию за 20 секунд, не посчитав проверку, исправления и новые ошибки. Производительность — свойство процесса, а не скорость ответа модели.
План пилота на 30 задач
Тридцать задач — Estimated стартовый объём для инвентаризации, а не статистически достаточная выборка для любой компании.
- Выберите один процесс и выпишите 30 повторяющихся действий за последнюю рабочую неделю или месяц.
- Для каждого запишите частоту, вход, выход, владельца, систему, данные и цену ошибки.
- Отметьте 5–8 задач с высокой проверяемостью и низким либо средним риском.
- Для двух кандидатов соберите по 20–50 обезличенных примеров; точный объём определите по вариативности и риску.
- Замерьте текущий baseline: время цикла, возвраты, стоимость и критические ошибки.
- Запустите ИИ в shadow mode: система предлагает результат, но не меняет внешнее состояние.
- Эксперт оценивает ответы по заранее утверждённой рубрике, не меняя порог после просмотра.
- Расширяйте права только если пилот проходит stop rules и улучшает целевую метрику без ухудшения риска.
Пример stop rule: любая отправка не тому адресату, раскрытие запрещённых данных, вымышленный источник или необратимое действие без approval останавливает расширение автономии. Средний балл не компенсирует критическую ошибку.
Частые вопросы
Что показало исследование Google ATLAS?
В апрельской выборке 14,65 млн взаимодействий использование Gemini охватило 68% профессий, но внутри профессий с заметным использованием затрагивало медианно 21% задач. Большинство рабочих взаимодействий выглядело как помощь и сотрудничество, а не полная автоматизация.
Значит ли 21%, что ИИ выполняет пятую часть работы?
Нет. Это доля типов задач внутри профессии, где исследователи наблюдали достаточное использование Gemini, а не доля рабочего времени, результата или фонда оплаты труда.
ИИ уже заменяет сотрудников?
ATLAS не обнаружил оснований говорить о массовой полной автоматизации в наблюдаемом срезе, но не предсказывает будущее рынка труда. Исследование измеряет текущие взаимодействия и не включает часть корпоративных продуктов.
Какие задачи автоматизировать первыми?
Повторяемые, обратимые и легко проверяемые задачи с доступным baseline: извлечение данных, классификацию, поиск по утверждённым источникам, черновики и предложения изменений с человеческим approval.
Как доказать эффект от ИИ в бизнесе?
Сравнить пилот с текущим процессом по времени цикла, доле принятия, существенным правкам, критическим ошибкам и полной стоимости принятой единицы. Число запросов и токенов само по себе эффект не доказывает.
Как AI рассвет помогает превратить карту задач в рабочий контур
AI рассвет может помочь пройти путь от портфеля задач до контролируемого внедрения:
- Описать процесс, baseline, источники данных, ограничения и критерий приёмки.
- Подготовить данные, тестовый набор, корпоративную базу знаний и eval-рубрику.
- Собрать MVP AI-агента или agentic RPA в read-only/shadow mode с журналом действий.
- Интегрировать прошедший тест контур с корпоративными системами, настроить approvals, обучить команду и сопровождать запуск.
Безопасный первый шаг — выбрать один процесс, его текущий baseline, данные, ограничения и критерий приёмки. Это позволяет проверить ценность до выдачи агенту прав на запись или внешнее действие и не предполагает заранее заданных сроков, экономии или ROI.
Вывод
Google ATLAS меняет полезный вопрос для бизнеса. Вместо «какие профессии заменит ИИ?» стоит спросить: «какие конкретные задачи уже имеют наблюдаемый вход и выход, какой у них риск и как доказать улучшение процесса?»
Данные показывают широкое, но неглубокое использование: 68% профессий в наблюдаемом наборе и медианно 21% задач внутри затронутых профессий. Это достаточно, чтобы перестать считать ИИ узкой игрушкой, но недостаточно, чтобы выдавать взаимодействие за автоматизацию или экономический результат. Практический следующий шаг — составить КАРТУ одного процесса, выбрать проверяемый пилот и расширять автономию только по измеренным результатам.