Google 于 2026 年 9 月 15 日公布 AI & Economy ATLAS 的新数据和互动开放平台，让用户比较不同国家和职业的 AI 使用情况。同日发布的 ATLAS 研究由 Google、Google DeepMind 和 MIT FutureTech 合作，焦点放在科学家如何使用 AI，以及效率提升后工作流程哪一段开始变慢。
Google 引述 ATLAS 数据指出，印度创意产业的 arts、design、media 职位占工作相关 AI 使用的 19%，是全球平均的 1.6 倍；美国则由 computer and mathematical occupations 带领技术 AI 采用，占 30%，是其他地区的两倍。这些数字是 ATLAS 对其资料的分析，不应直接当成每个行业或每个国家的普查结果。
科学研究的信号更直接：接近一半受访科学家表示每天使用某种 AI，LLM 和 specialized models 都很普遍，但负责的工作不同。研究分析 2,600 个 specialized AI models，并调查超过 600 名美国和英国科学家，再用 MIT FutureTech 的 taxonomy 把科学工作分类。Gemini 等 LLM 分布在很多科学领域，specialized models 则较常见于 health and life sciences，以及特定领域的 prediction、generation 和 simulation。
受访科学家报告每周节省接近七小时，理论上可以把时间放回研究。然而，Google 同时指出，这些时间节省未必立即变成更多发现。研究人员需要花时间验证 AI 输出，假设和候选结果的数量反而增加，physical experimentation 和 clinical validation 形成更明显的 bottleneck。AI 加快了提出问题和整理资料，却没有同样速度地增加实验资源。
ATLAS 也呈现跨地区和职业的差异：OECD 国家的 computer and mathematical，以及 business and financial operations 使用较高；非 OECD 地区则以 office and administrative support、arts and media、教育相关职位较突出。Google 也指出，巴西和阿联酋的采用程度高于按人均收入推算的水平，而即时设备诊断等 manual task 的使用比例，在巴西和德国为 7%，日本为 4%。
这份资料最值得注意的地方，不是 AI 让某个职业立即消失，而是工作流程的限制正在移动。当搜索、摘要、代码、数据预处理和初步假设形成得更快，下一个限制可能是谁有时间核对、谁能取得实验设备、谁负责批准，还有如何把结果反馈模型。单纯增加 AI 账号，未必能解决下游排队。
对企业和研究机构而言，较有用的衡量方式是把 AI 使用放回完整流程：节省了多少时间、产生了多少候选结果、人工验证花了多久、多少结果进入下一阶段，以及错误如何被发现。这比只看 prompt 数量或活跃用户更接近实际价值，也能揭示 AI 导入后新增的审核和质量成本。
ATLAS 是 Google 及合作研究团队提供的数据和分析，研究结果不能单独证明 AI 对所有科学产出有因果提升。比较可靠的结论是：AI 正在扩大可搜索和可处理的空间，而组织要获得长期回报，就要同步投资验证、实验、数据质量和跨学科协作。当模型变快，真正需要重设的往往是整条研究生产线。
