Google 於 2026 年 9 月 15 日公布 AI & Economy ATLAS 的新數據和互動開放平台，讓使用者比較不同國家和職業的 AI 使用情況。同日發布的 ATLAS 研究由 Google、Google DeepMind 和 MIT FutureTech 合作，焦點放在科學家如何使用 AI，以及效率提升後工作流程哪一段開始變慢。
Google 引述 ATLAS 數據指出，印度創意產業的 arts、design、media 職位佔工作相關 AI 使用的 19%，是全球平均的 1.6 倍；美國則由 computer and mathematical occupations 帶領技術 AI 採用，佔 30%，是其他地區的兩倍。這些數字是 ATLAS 對其資料的分析，不應直接當成每個行業或每個國家的普查結果。
科學研究的訊號更直接：接近一半受訪科學家表示每天使用某種 AI，LLM 和 specialized models 都很普遍，但負責的工作不同。研究分析 2,600 個 specialized AI models，並調查超過 600 名美國和英國科學家，再用 MIT FutureTech 的 taxonomy 把科學工作分類。Gemini 等 LLM 分布在很多科學領域，specialized models 就較常見於 health and life sciences，以及特定領域的 prediction、generation 和 simulation。
受訪科學家報告每週節省接近七小時，理論上可以把時間放回研究。然而，Google 同時指出，這些時間節省未必立即變成更多發現。研究人員需要花時間驗證 AI 輸出，假設和候選結果的數量反而增加，physical experimentation 和 clinical validation 形成更明顯的 bottleneck。AI 加快了提出問題和整理資料，卻沒有同樣速度地增加實驗資源。
ATLAS 亦呈現跨地區和職業的差異：OECD 國家的 computer and mathematical，以及 business and financial operations 使用較高；非 OECD 地區則以 office and administrative support、arts and media、教育相關職位較突出。Google 也指出，巴西和阿聯酋的採用程度高於按人均收入推算的水平，而即時設備診斷等 manual task 的使用比例，在巴西和德國為 7%，日本為 4%。
這份資料最值得注意的地方，不是 AI 令某個職業立即消失，而是工作流程的限制正在移動。當搜尋、摘要、程式、資料前處理和初步假設形成得更快，下一個限制可能是誰有時間核對、誰能取得實驗設備、誰負責批准，還有如何把結果回饋模型。單純增加 AI 帳號，未必能解決下游排隊。
對企業和研究機構而言，較有用的衡量方式是把 AI 使用放回完整流程：節省了多少時間、產生了多少候選結果、人工驗證花了多久、多少結果進入下一階段，以及錯誤如何被發現。這比只看 prompt 數量或活躍使用者更接近實際價值，也能揭示 AI 導入後新增的審核和品質成本。
ATLAS 是 Google 及合作研究團隊提供的資料和分析，研究結果不能單獨證明 AI 對所有科學產出有因果提升。比較可靠的結論是：AI 正在擴大可搜尋和可處理的空間，而組織要獲得長期回報，就要同步投資驗證、實驗、資料品質和跨學科協作。當模型變快，真正需要重設的往往是整條研究生產線。
