Google AI 與 Economy ATLAS

資料來源#

• Google AI & Economy ATLAS: AI in Science (September 2026)
• Google's AI & Economy ATLAS v1.0: Mapping Gemini Usage in the Economy

計畫概述#

ATLAS — Activity、Task、Landscape 與 Adoption Study — 是 Google 持續進行的經濟研究計畫，從 Gemini 使用紀錄中讀取 AI 的實際使用方式。ATLAS v1.0（2026 年 7 月 23 日）是首次發布的版本：從 2026 年 4 月 6 日至 4 月 19 日間的 14,653,926 筆去識別化互動中取樣，資料來自 Gemini App、Google AI Mode 和 Gemini API，經過分群後，工作用途對應至 BLS/O*NET 職業與任務，非工作用途則對應至 American Time Use Survey 詞彙表。涵蓋範圍：800 多種職業、約 4,000 項工作任務、300 種家庭活動、150 個國家、143 種語言。

它是 Anthropic Economic Index 的結構性對照計畫：使用相同類型的工具（對實驗室自身對話紀錄進行保護隱私的分類）、探討相同問題（AI 正如何進入整體經濟），但產品、使用者族群不同，而結果數字也確實不同。

作者來自 Google 與 Google DeepMind；Zanna Iscenko 和 Scott Strand 是通訊作者，James Manyika 和 Fabien Curto Millet 則是資深作者。Diane Coyle（劍橋大學）和 David Autor（MIT）獲列為提供指導與審閱的人士；Coyle 也為家庭生產邊界撰寫署名客座評論——這種安排相當少見，讓具名的外部經濟學家參與第一方業者報告。

證據說明。 empirical — 大規模的使用情形測量，具備有文件記錄的流程、已公開的分類器驗證結果，以及明確列出的限制。不過，這是第一方研究：Google 衡量 Google 自家的服務介面，觀察期為兩週，並由 Gemini 模型負責摘要、分群與分類。研究無法獨立重現；原始紀錄也不能公開。證據等級反映的是方法，而非獨立性。

資料處理流程#

1. 區分工作與非工作用途。 自動分類器將每筆互動分流至兩條流程之一。這個二分結果決定後續所有步驟（在平衡合成資料集上的準確率為 93.7%）。
2. 先摘要，再分群。 個別摘要對話（完整文字隨後丟棄），再透過 OCTO（Observation Clustering and Taxonomy Organisation）分組。OCTO 是 DeepMind 專門開發的分群與階層式分類工具；之後再針對各群集重新摘要。
3. 對應至官方分類體系。 工作群集 → BLS 2018 SOC + O*NET v30.2 職業與任務陳述。非工作群集 → BLS 2024 ATUS Activity Lexicon（三個層級）。
4. 加入專門設計的延伸分類。 包括意圖（五種類別）、任務專業程度（重現 Autor–Thompson Standard Frequency Index）、Autor–Thompson 常規／非常規 × 認知／體力／人際任務類型，以及多模態性。分類由 Gemini 3.1 Flash-Lite 執行。
5. 驗證。 採取三種方式——合成真值、評分者間一致性、人類核准。詳見 Usage-Telemetry Classifier Validation。

隱私治理分為四層：DLP 篩除個人識別資訊後才進行處理；內部紀錄識別碼替換成數學上無法連結的 UUID；兩輪摘要後丟棄底層文字；並以 k-匿名化移除代表不到 10 位不同使用者的任何群集。最終資料集中不會保留原始對話或個別摘要。

Google 認為這項研究與 AEI 和 OpenAI 有何不同#

報告自行列出與 Anthropic（Handa et al. 2025；Massenkoff et al. 2026）及 OpenAI（Chatterji et al. 2025）的方法差異——值得記錄，因為這些差異正是結果數字不同的原因：

• 納入更廣泛的服務介面 — 將獨立聊天應用程式、AI 搜尋體驗和開發者 API 合併分析，而非只涵蓋一個產品家族。
• 規模 — 1,500 萬筆互動，並針對這個資料量重建分群流程。
• 遞迴式巢狀分類體系 — 在單一流程中逐層檢索 SOC 和 O*NET，而非分開分類。
• 以 LLM 輔助類別標註 — 由模型擴充分類體系的類別描述，提供更多脈絡給分類器。
• 隨機排列分類選項 — 打亂選項順序，以避免已記錄的 LLM 分類位置偏誤（這類偏誤也由 LLM-Judge Validation 衡量）。
• 合成資料驗證 — 由於真實紀錄沒有真值，因此根據生成的真值測量準確度。
• 將 ATUS 對應至非工作用途 — 這是實質上的擴充；過去研究對非工作用途的處理相當有限。
• 調整跨國普及率 — 將原始使用量除以 StatCounter Gemini-share 代理指標，讓地圖呈現 AI 擴散情形，而非 Google 的區域市場分布。

全球擴散（§5）#

這是 ATLAS 第三個分析區塊，也是最能展現其全球部署消費者服務介面特性的一部分：

• 採用率隨財富增加。 以調整普及率後的人均對話量對照人均 GDP 對數，斜率約為 0.9——人均 GDP 每增加 1%，使用量便增加 0.9%。 （Anthropic 的國際指數發現 Claude 的數值為 0.7。）只看免費服務時，這種關係仍然存在，因此不能單以支付能力解釋。
• 使用集中程度很高。 使用量最低的國家五分位占全球人口的 17%，卻只產生 2% 的對話；最高五分位占人口的 11%，卻貢獻**30%**的對話——是按人口比例預期值的 2.8 倍。
• 網路普及是實際存在、但只能部分解釋差距的瓶頸。 以網路使用者而非人口數量正規化後，撒哈拉以南非洲的採用指標接近原本的三倍，但差距仍未消失。
• 興趣與採用之間的落差。 Google Trends 的相對搜尋興趣在南亞、東南亞和東非的 AI 搜尋熱度最高——這些地區恰好也都位於使用量最低的國家五分位；西歐和日本則最低，但這些地區的人均使用量居首。Google 的解讀是：在成熟市場，AI 已不再是需要特地搜尋的話題，而是成了背景中的日常工具。
• 工作用途占比反轉。 按絕對人均工作對話量來看，高收入國家領先；若按一個國家所有對話中與工作相關的比例排名，結果就會反轉：非洲躍升至最高五分位，美國和歐盟則落到最低。Google 提出三種可能解釋，但沒有選定任何一種——計量制資料費用促使用戶採取目標導向的使用方式、富裕國家的休閒用途稀釋工作用途占比，或是排除企業 Gemini 訂閱所造成的假象，因為這類訂閱在美國和歐盟更常見。
• API 使用的集中程度遠高於對話式使用，主要集中於成熟科技樞紐。報告指出，API 需要工程師、雲端基礎設施和資本，而且按 token 計費——分詞偏誤會讓非拉丁字母文字的語言在結構上每單位文字成本更高。
• 語言。 有 143 種語言通過隱私門檻；英語略高於對話總量的三分之一，西班牙語占 12%、阿拉伯語約 7%、葡萄牙語約 6%。非主要語言的使用比例在工作用途為 26%、非工作用途為 24%——兩者接近，這駁斥了使用者會為高風險任務切換成英語的假設。志願服務（21.9%）、宗教（20.5%）和公民活動（18.5%）的比例最高，也就是說，使用情形受活動的社會語言特性驅動，而非其經濟價值。然而，這也增加成本：控制固定效果後，使用非主要語言的英語對話平均多出 9–12% 的對話輪次，以及 18–20% 的 token。
• 多模態使用呈現相反趨勢。 非 OECD 國家的工作對話納入生成圖像或影片的可能性約為其他國家的兩倍；媒體生成在非洲最常見，在歐洲最少。

2026 年 9 月更新（以及它不是什麼）#

在 2026-09-15，Zanna Iscenko 和 Scott Strand 宣布這項計畫自 v1.0 發布以來的首次更新（blog.google）。更新包含三個部分；釐清它們之間的差別對任何引用 ATLAS 的資料都很重要：

1. 全新、開放存取的互動式資料體驗 — 將 ATLAS 數據點發布成可瀏覽的探索工具（可查看各職業使用率、家庭用途、各國採用率），而非只提供 PDF 圖表。
2. 一份聚焦科學研究的報告，AI in Science: Early Insights，與 Google DeepMind 和 MIT FutureTech 合作撰寫——詳見 AI Adoption in Scientific Work。它將一項套用到既有 v1.0 語料的新科學用途篩選器，與兩份真正新增的資料集結合：2,690 個專門科學 AI 模型的清單，以及 More in Common 在 2026 年 7 月至 8 月間針對637 位美國／英國科學家進行的調查。
3. 確認 ATLAS 是一項長期計畫 — 「我們將與學界及其他領域的合作夥伴一起，找出新的研究領域並帶來新的見解」——這是首度明確承諾推出後續版本。

這不是第二次測量。 科學報告中的遙測資料是「2026 年 4 月初抽樣的約 1,500 萬筆匿名互動」——與 v1.0 使用的是同一批 4 月 6 日至 19 日的語料，只是重新篩選出約 360,000 筆科學互動。本頁列出的所有 v1.0 限制都同樣適用，包括排除企業／付費 API，以及未納入代理式服務介面；科學報告 §6.1 也以自己的文字重述了這些限制。

部落格文章提到的 ATLAS 整體數據分析結果，在任何報告中都找不到。 印度的藝術／設計／媒體職業占工作 AI 使用量的 19%（全球平均的 1.6 倍）；美國的電腦與數學職業占 30%，是世界其他地區的兩倍；巴西與德國的體力任務占工作 AI 使用量 7%，日本則為 4%；巴西和阿聯酋的採用率高於人均 GDP 所預測的水準。這些都是部落格對 v1.0 資料集的描述，沒有公開方法可供查核——引用時應以 vendor-claim 權重標記並連結至公告，而非任一篇論文。

ATLAS 與 AEI 的分歧#

兩項計畫測量的是同一個概念，但得出明顯不同的數值。ATLAS 自己指出了其中大多數差異：

數值	ATLAS v1.0	Anthropic Economic Index
觀察到有使用情形的 O*NET 任務占比	約 20%	36%（Handa et al. 2025）；合併計算為 49%（Appel et al. 2026）
自動化與協作	非常規認知工作的自動化意圖為 <10%；常規認知工作為 26.9%	43–45% 自動化、52–57% 增益——而且隨時間上升
採用率的 GDP 彈性	0.9	0.7

ATLAS 將任務占比的差距歸因於更嚴格的隱私門檻。自動化差距主要是定義上的差異：Anthropic 採用二分法，區分增益與自動化；ATLAS 則使用五類意圖分類器，其中「Task Automation」意指從頭到尾執行核心任務，凡未達此標準者（撰寫草稿、審查、構思、檢索）都算作協作。兩者測量的切分方式不同，這本身就是發現——「AI 是在自動化還是增益？」這個標題數字，其實取決於界線畫在哪裡。 趨勢方向可視為跨實驗室相互印證，但數值大小取決於研究方法。

限制（作者自述）#

• 不包含付費 Gemini API 內容 — 因此低估了透過 Google Cloud 進行的企業使用情形。各國付費 API 請求數量僅用於地理分析。
• 不包含 Workspace、AI Overviews、Translate、Maps、Flow、Antigravity 或 Gemini Notebook — 這些產品有數十億使用者，也是代理式程式設計和世界模型可能出現的地方。
• 測量的是行為互動，而非成果。 對話完成不能證明使用者達成目標、節省時間或創造價值。
• 呈現目前採用情形，而非潛力。 未採用者不會出現在資料中；這是使用前沿，不是效用前沿。
• 機率式分類。 相較於主要群組趨勢，細分職業和活動的發現有較大的不確定性——不確定程度詳見 Usage-Telemetry Classifier Validation。
• 2026 年 4 月初的兩週資料，與美國報稅季重疊——ATLAS 指出這使報稅相關職業的使用量偏高。
• 全程皆為觀察性研究。 無法對任何事物進行因果識別。

本知識庫中的報告#

• ATLAS v1.0: Mapping Gemini Usage in the Economy（2026 年 7 月 23 日）— → Task Saturation: Broad but Shallow AI Diffusion、The Household Production Boundary、Usage-Telemetry Classifier Validation
• AI in Science: Early Insights（2026 年 9 月，與 Google DeepMind 及 MIT FutureTech 合作）— → AI Adoption in Scientific Work，內含 Usage-Telemetry Classifier Validation、Organizational Complements to AI、Autonomous Scientific Discovery 和 Conversation Artifacts 等章節

相關條目#

• Anthropic Economic Index — 直接競爭的研究計畫；採用相同類型的工具，但產品與使用者族群不同，幾乎所有重要指標的數值也都不一致
• Task Saturation: Broad but Shallow AI Diffusion — ATLAS 工作用途方面最重要的發現：廣泛但淺層的擴散
• The Household Production Boundary — 最具新意的貢獻，也是先前使用研究中從未以如此解析度嘗試的方向
• Usage-Telemetry Classifier Validation — 這項計畫真正的方法學貢獻：首次公開使用經濟研究仰賴的分類器層準確度數據
• AI Adoption in Scientific Work — 2026 年 9 月的後續研究：以同一批語料重新分析科學用途，並加入先前沒有的模型清單和科學家調查
• Google DeepMind — 報告的共同作者，也是 OCTO 這項底層分群工具的開發者
• Conversation-to-Delegation Shift — OpenAI 的 Codex 研究，是第三家實驗室的使用研究工具；ATLAS 的 API 與對話式使用分布（98.8% 的 API 流量與工作相關），正是從服務介面端觀察到相同的委派／對話界線
• Exposure Taxonomy: Observed, Theoretical, Reported, Anticipated — ATLAS 提供來自第二家實驗室的觀察到的曝險程度；其任務飽和指標是相同基礎概念的更嚴格版本
• Telemetry vs. Survey Measurement — ATLAS 是遙測研究工具，會持續透過問卷資料（Ipsos/Google、Pew）檢驗自身結果，而非只選擇其中一種方法
• Market-Priced AI Exposure (the AI Premium) — 第四種工具、第四條分析軸線；ATLAS 的 GDP 梯度與 AI premium 在新興市場缺席的現象，其實是同一條分界以兩種方式定價
• Organizational Complements to AI — ATLAS 對企業採用的盲點，正是組織互補因素發揮作用的地方，因此它無法說明企業層級的採用情形
• Gemma 4 · Google DeepMind — 本知識庫中 Google 的相關資料

待解決的問題#

• ATLAS 排除了付費 API、Workspace、AI Overviews 和 Antigravity——這些服務介面正是代理式與企業用途集中的地方。v2 納入這些服務介面後，「淺層、協作式、非自動化」的圖像還會成立嗎？還是這只是衡量消費者服務介面所造成的假象？
• ATLAS 與 AEI 在自動化占比和任務涵蓋率上相差 2 至 4 倍。若讓兩者的分類器分別處理兩家實驗室的紀錄，差異會消失嗎？還是跨實驗室的使用量測在結構上就無法比較？
• 工作用途占比反轉有三種可能解釋（資料費用下的目標導向使用、富裕國家休閒用途稀釋占比、排除企業訂閱），ATLAS 沒有認定任何一種。究竟是哪一種？

資料來源#

• Google's AI & Economy ATLAS v1.0: Mapping Gemini Usage in the Economy — Google's AI & Economy ATLAS v1.0: Mapping Gemini Usage in the Economy (Iscenko, Strand et al., Google & Google DeepMind, July 23, 2026); §2 Data and Methods, §5 Global Diffusion, Appendices A–B
• Google AI & Economy ATLAS: AI in Science (September 2026) — AI in Science: Early Insights (Codreanu, Imas, Mateos-Garcia et al.; Google, Google DeepMind, MIT FutureTech; September 2026, 42pp, empirical with vendor COI), plus the 2026-09-15 announcement post reproduced at the head of the raw document. Cited here for §2.2.1 (the shared April 2026 corpus), §6.1 (exclusions restated), Appendices 1–3, and the blog's program statement and ATLAS-general country/occupation cuts