Внедрение ИИ застряло на 21% задач: данные Google

23 июля Google опубликовал ATLAS – разбор 14,65 млн обезличенных диалогов с Gemini, разложенных по официальным классификаторам занятости США. В новостях разошлась одна цифра: ИИ используют в профессиях, на которые приходится 88% занятости в стране. Формулировка удобная, спорить с ней трудно.

Внутри отчёта есть вторая цифра, которая в заголовки не попала. В типичной профессии, где вообще замечено использование ИИ, он подключён к 21% рабочих задач. Пятая часть. И только у 3% профессий этот показатель переваливает за три четверти.

Разрыв между 88% и 21% – это и есть содержательная часть исследования. Охват широкий, глубина мелкая. Причём мелкая она предсказуемым образом, и из того, какие профессии оказались исключением, можно вытащить вполне рабочий вывод про собственную команду.

Что такое ATLAS и почему это не обычный вендорский отчёт

Начну с проверки источника, потому что заголовок «Google измерил экономику ИИ» звучит ровно как маркетинговый материал.

По формальным признакам это не он. ATLAS – работающая экономическая статья на сотню страниц, с JEL-кодами, ссылочным аппаратом и признанием собственных ограничений. Методология задач и экспертизы – прямая репликация подхода Дэвида Отора из MIT, и сам Отор вместе с Дианой Койл из Кембриджа указан среди рецензентов. Это не рецензирование журнального уровня, но и не отзыв дружественного аналитика.

Обработка описана подробно. Диалоги за 6–19 апреля 2026 года чистятся от персональных данных, сжимаются в короткие описания и собираются в кластеры; кластеры меньше 10 уникальных пользователей выбрасываются целиком. Дальше кластеры раскладываются по классификаторам Бюро трудовой статистики США и базе задач O*NET.

Есть в отчёте и то, что вендоры обычно прячут – таблица точности самого классификатора.

Последняя строка объясняет предпоследнюю. 22,6% выглядит удручающе, пока не посмотреть на базовую вероятность случайного угадывания – 0,005%. В точную формулировку задачи классификатор почти никогда не попадает, зато в её тип попадает уверенно.

Из этой таблицы следует практическое правило чтения отчёта. Крупным выводам ATLAS можно верить. Любой цифре про конкретную должность или конкретную задачу – значительно меньше. Google это понимает и сам строит выводы на укрупнённых категориях.

Где интерес компании всё-таки виден, разберу ниже – там есть что предъявить. Но выбрасывать исследование как рекламу оснований нет.

Почему ИИ закрывает только пятую часть задач

Теперь к главной цифре.

Медианная профессия с заметным использованием ИИ подключает его к 21% своих задач. У 29% профессий не нашлось ни одной задачи, которую хотя бы 25 человек в мире делали бы с Gemini – это отдельный порог «задача замечена», он выше приватностного минимума в 10 пользователей. У 30% профессий ИИ дотянулся хотя бы до четверти задач, у 11% – до половины, у 3% – до трёх четвертей.

Цифра согласуется с тем, что до этого показывали на других данных. Epoch AI и Ipsos насчитали, что 62% пользователей применяют ИИ всего к одной-двум задачам – методики разные, картина одна. Помогает и рамка, которую мы разбирали раньше: ИИ забирает задачи, а не профессии целиком, поэтому знаменатель здесь – именно задачи внутри должности.

Интересен именно этот верхний хвост. В него попали тестировщики ПО, HR-специалисты, специалисты по документообороту, сетевые администраторы, аналитики рынка. Список выглядит разношёрстным, пока не задать вопрос: что общего у этих профессий?

Их работа описана. У тестировщика есть тест-план, у HR-специалиста – регламент найма, у специалиста по документообороту – маршрут согласования. Каждая задача существует как формулировка ещё до того, как к ней подошёл человек. Именно поэтому она без потерь превращается в запрос к модели.

А на противоположном конце списка – учителя специального образования, воспитатели, акушерки, преподаватели литературы. Их работа тоже сложная, но она не разложена на процедуры, и разложить её так, чтобы не потерять суть, довольно трудно.

Руководитель находится посередине этого спектра, и обычно ближе к нижней части. Планёрка, разбор конфликта, решение о переносе релиза – всё это задачи, которые нигде не записаны в виде процедуры. Они живут в голове и всплывают по обстоятельствам. Модель тут ни при чём: она не может подключиться к тому, чего не существует в виде текста.

Отсюда следует неприятный, но полезный вывод. Если у вас ИИ закрывает 15–20% работы, переход на модель посильнее сдвинет эту цифру слабо. Сдвигает её описание собственных задач – ровно та работа, которую никто не любит делать и которая внезапно окупается. Мы разбирали смежный сюжет в статье про то, куда направить ИИ первым: выбор первой задачи важнее выбора инструмента.

Проверить это на себе быстрее, чем звучит. Возьмите неделю своей работы, выпишите задачи и посмотрите, к скольким из них ИИ вообще прикасался. Обычно результат оказывается ниже, чем ощущение. Причина почти всегда одна: задача нигде не сформулирована, и прикоснуться модели просто не к чему.

Выписать задачи легко. Сложность начинается там, где строчку «разобрать конфликт в команде» нужно превратить в постановку, на которую модель отвечает одинаково толково и в третий, и в тридцатый раз. Это отдельный навык, и тренируется он только на собственных задачах.

Пять ролей ИИ в задаче: таксономия, которую стоит украсть

Второй по-настоящему полезный кусок ATLAS – классификатор намерений. Google разложил рабочие диалоги по пяти категориям, по роли, которую ИИ играет внутри задачи:

• Автоматизация – ИИ выполняет задачу или её крупную часть от начала до конца.
• Черновик – модель выдаёт заготовку, которую человек существенно дорабатывает, дополняет данными и встраивает в общий результат.
• Проверка – ИИ редактирует или сверяет то, что человек сделал сам.
• Мышление вслух – модель работает собеседником: синтезирует источники, обсуждает применимость к конкретной ситуации.
• Справка – фактический вопрос или объяснение, как что-то делается.

Результат: в неструктурированной умственной работе на автоматизацию приходится меньше 10% диалогов. В структурированной, где задачи заранее расписаны, – больше четверти. Разница почти в три раза, и объясняется она тем же, чем и разброс в 21%: автоматизировать можно то, что записано.

Ценность этой таксономии для руководителя не в цифрах Google, а в том, что её можно применить к себе за десять минут. Пять категорий образуют лестницу зрелости. Команда, у которой 80% диалогов – «справка», использует ИИ как более удобный поисковик. Команда, дошедшая до «проверки» и «черновика», уже получает время обратно. Стоит только помнить, что внутри одной команды ступени разные: люди распределяются по ним примерно третями, и средняя по отделу прячет и тех, кто ушёл далеко вперёд, и тех, кто не начинал. Переход на «автоматизацию» без промежуточных ступеней обычно заканчивается тем, что агент делает не то и это замечают поздно.

Ниже – промпт, который проводит этот разбор. В нём уже лежит неделя типичного руководителя проекта, так что запустить можно как есть, а потом подставить свои задачи.

Модели выбраны не случайно. Kimi K3 и GPT-5.6 Sol держат верхние строчки в категории «анализ и решения» нашего бенчмарка, и обе сильны именно в разборе и декомпозиции задач. Kimi при этом доступна из России напрямую. Смотрите на то, как модель разносит задачи по ролям и что относит к колонке «остаётся на человеке» – именно эта колонка обычно и оказывается неожиданной.

Обеим моделям, кстати, свойственна одна и та же слабость: они уверенно выдают приблизительные числа. Здесь это неважно, потому что задача классификационная. В расчётной задаче я бы результат перепроверял.

Чего Google не измерил

Теперь про интерес компании, который в отчёте всё-таки просматривается.

Google отдельно пишет, что данные не подтверждают тезис о скорой массовой автоматизации белых воротничков. Вывод для компании крайне удобный: он снимает регуляторное давление и одновременно продаёт Gemini как безопасного помощника. И он получен на выборке, из которой исключены Google Workspace, корпоративный Gemini Enterprise и агентское программирование. То есть ровно те поверхности, где сквозная автоматизация и происходит.

Это не подлог – ограничение названо в тексте прямо. Но означает оно следующее: «автоматизации мало» здесь описывает поведение людей в чат-приложении, а не состояние автоматизации в экономике. Человек, который переписывается с Gemini в браузере, действительно чаще советуется, чем делегирует. Человек, у которого агент ходит в репозиторий и трекер, в эту статистику не попал.

Второе ограничение авторы формулируют сами: ATLAS видит только то, что пользователь делает с ИИ, и не видит ни конечного результата, ни того, насколько взаимодействие было полезным. Диалог, где модель уверенно наврала и человек это проглотил, в данных выглядит точно так же, как удачный. Мы писали о том, что нельзя отдавать ИИ, и эта слепая зона – ровно та же самая.

Рядом лежит ещё одна: согласие модели само по себе ничего не подтверждает. В нашем исследовании управленческих суждений (июль 2026) модели отказывались от верного ответа в 28% прогонов, когда на них давили тремя возражающими собеседниками без единого нового факта – и это доля, посчитанная только по тем задачам, где без давления ответ был верным. Не видит ATLAS и цены проверки, а она заметная: часть возвращённого времени уходит обратно на вычитку и исправления.

Третье: две недели апреля 2026 года. Один срез, без динамики. Сравнивать его с более ранними данными Anthropic и OpenAI Google честно отказывается, потому что методики расходятся.

И отдельно – цифра про 100 млрд долларов «невидимой» пользы от бытового использования ИИ в США. Она получена из допущения, что домохозяйство экономит 30 минут в неделю. Допущение ничем в данных не подкреплено, о чём в тексте сказано словом «если». В пересказах это «если» обычно теряется.

Что с этим делать в понедельник

Из отчёта на сотню страниц для руководителя вытаскивается три вещи.

Проверьте глубину, а не факт использования. Вопрос «пользуется ли команда ИИ» уже бессмысленный – по данным Google, пользуются почти все. Рабочий вопрос звучит иначе: к какой доле задач он подключён. Если это 15–20%, вы находитесь ровно на медиане. Это нормальная стартовая точка.

Найдите свои описанные задачи. Профессии из верхнего хвоста ATLAS выигрывают за счёт того, что их работа уже разложена на процедуры. У любого руководителя такие участки тоже есть: сбор статуса, подготовка отчётности, разбор входящих, приёмка по чек-листу. Начинать имеет смысл с них – там разница будет заметна за неделю.

Двигайтесь по лестнице ролей, а не прыгайте. Справка, черновик, проверка, мышление вслух, автоматизация. Данные Google показывают, что сквозная автоматизация пока держится в пределах 10% даже там, где ИИ используют плотно. Попытка перепрыгнуть сразу к ней даёт результат, который некому проверить.

И общий вывод, который стоит держать в голове. ATLAS показывает не потолок технологии, а потолок того, как люди сегодня умеют её просить. Разрыв между 88% и 21% закрывается не следующей версией модели.

Читайте также

OpenRouter Fusion vs Claude: окупается ли оркестрация ИИ

ИИ экономит команде день в неделю. Куда он утекает?

Экономия или выручка: куда направить ИИ в первую очередь

Менеджеры и AI: чаще всех – но не для управления

Источник: Iscenko Z., Strand S. et al. Google’s AI & Economy ATLAS v1.0: Mapping Gemini Usage in the Economy. Google / Google DeepMind, 23 июля 2026. Методология экспертизы и типов задач – по Autor D., Thompson N. (2025).