«Интерактивная витрина ATLAS»: Google открыла данные о том, как профессии и учёные используют ИИ

Что именно открыли

15 сентября 2026 года Google представила интерактивную версию ATLAS в открытом доступе: витрина должна сделать миллионы точек данных проекта доступными для самостоятельного изучения — от электриков до менеджеров по закупкам, включая использование ИИ дома и темпы внедрения по странам.

Две иллюстрации компания приводит сама. Индия: творческие профессии используют ИИ чаще остального мира — на искусство, дизайн и медиа приходится 19% рабочего использования ИИ, в 1,6 раза больше среднемирового уровня. США лидируют в техническом внедрении: на компьютерные и математические профессии приходится 30% рабочего использования ИИ, вдвое больше, чем в остальном мире.

Различия видны и по типам экономик: в странах OECD впереди компьютерные, математические и финансовые специальности, а в странах вне OECD — офисный и административный персонал, творческие и медийные профессии, образование и библиотеки. Внедрение обычно связано с уровнем дохода страны, но Бразилия и ОАЭ выделяются более высокими показателями, чем предсказывает их ВВП на душу населения. Отдельная деталь — диагностика и устранение неисправностей в реальном времени: в Бразилии и Германии на «ручные» задачи уходит 7% рабочего использования ИИ (в 1,4 раза выше среднего), в Японии — 4%.

На чём построен ATLAS

Новые витрины опираются на первый релиз ATLAS v1.0, представленный 23 июля 2026 года: набор построен на 15 млн обезличенных и агрегированных взаимодействий человека с ИИ в Gemini App, AI Mode и Gemini API, а заявленный охват — более 150 стран, 140 языков, 800 профессий и 4000 задач.

Ключевой вывод релиза — работа с ИИ широка, но неглубока: в типичной должности ИИ закрывает лишь около 21% задач, а меньше 10% рабочих взаимодействий полностью автоматизируют задачу. Большая часть использования — совместная работа: генерация идей, стратегия, поиск информации, обучение. При этом 86% взаимодействий с ИИ происходят вне работы — домашние и бытовые дела, а также административные задачи вроде налогов, лицензий и штрафов.

Приватность описана отдельно: данные деидентифицируются, а поверх вычистки персональных данных добавлены слои, которые удаляют возможные отсылки к чувствительной информации, разрывают связи между обезличенными данными и пользовательскими логами, суммируют текст и агрегируют сводки на группы пользователей. Английский язык — лишь около трети глобальных диалогов с ИИ, и пользователи не отказываются от родных языков на сложных задачах.

Что нашли у учёных

Второй частью дня стало исследование Google, Google DeepMind и MIT FutureTech на данных ATLAS: инвентарь более 2 600 специализированных ИИ-моделей, опрос более 600 учёных США и Великобритании и новая таксономия научных задач MIT FutureTech, которая описывает научную работу через 232 подобласти и три уровня задач. Таксономия разворачивает 12 областей первого уровня в 114 второго и 2 433 третьего, вплоть до пула из 208 202 представительных задач.

Почти половина опрошенных учёных использует какую-либо форму ИИ ежедневно — больше, чем во многих других профессиях. Большие языковые модели и специализированные модели работают как дополнения: LLM вроде Gemini равномерно расходятся по научным областям и категориям задач, а специализированные чаще встречаются в науках о здоровье и жизни и в доменных задачах предсказания, генерации данных и симуляции.

Экономия времени оценивается почти в семь часов в неделю, и она в основном возвращается в исследования. Около трёх четвертей респондентов сообщают о выигрыше во времени, а 68% — о более широком доступе к результатам из других дисциплин.

Но узкое место сместилось вниз по конвейеру: более четырёх из десяти учёных говорят, что главное ограничение за два года переехало в лабораторное исполнение, клиническую валидацию и полевой сбор данных, а 41% отмечают рост очереди непроверенных гипотез. Проверка результатов тоже забирает долю выигрыша: 89% сэкономивших время тратят больше десятой его части на сверку выходов ИИ, 46% — больше четверти. И 49% говорят, что ИИ подталкивает их к более безопасным, инкрементальным проектам, против 28%, которые берутся за более рискованные вопросы.

Вывод авторов сформулирован осторожно: ИИ имеет значительный потенциал для роста научной производительности, но итоговый эффект будет определяться взаимозависимостью задач и инвестициями в устранение новых узких мест, а не самой скоростью моделей.

Как читать эти цифры

Обе публикации — исследование компании о собственных продуктах: независимых замеров и внешнего аудита в них нет, а оценки экономии времени основаны на самоотчётах учёных.

Google прямо перечисляет, что ATLAS v1.0 не покрывает: продукты с миллиардами пользователей вроде Google Workspace, Google Translate и AI Overviews, корпоративные платформы вроде Gemini for Google Cloud и Gemini Enterprise, а также фронтирные направления, включая агентное программирование и world models.

Полезный контекст даёт сама таксономия: научная работа отличается от остальной экономики — она более когнитивная, требует меньше межличностных взаимодействий, менее «ручная» по физическому, психомоторному и сенсорному измерениям и хуже кодифицируется, а медианная научная задача занимает более чем на два часа больше. Переносить измерения из офисных профессий на науку напрямую нельзя.

ATLAS задуман как долгосрочный проект: Google обещает расширять охват и работать с академическими партнёрами, а вопросы о влиянии ИИ на экономику пока остаются открытыми.