پژوهش ATLAS (Activity, Task, Landscape, and Adoption Study) نسخه ۱.۰ که در ۲۳ ژوئیه ۲۰۲۶ توسط تیم تحقیقات اقتصاد و هوش مصنوعی گوگل منتشر شد، بزرگ‌ترین و دقیق‌ترین مطالعه متکی بر داده‌های واقعی از رفتار انسان در تعامل با سیستم‌های هوش مصنوعی مولد (Generative AI) است.
در حالی که گزارش‌های قبلی عمدتاً بر نظرسنجی‌های کیفی کوچک (با حجم نمونه زیر ۵,۰۰۰ نفر) یا مدل‌سازی‌های نظری تکیه داشتند، گوگل در این گزارش با بررسی ۱۵,۰۰۰,۰۰۰ تعامل (Interaction) ناشناس‌سازی‌شده از بسترهای Gemini App، سرویس Google AI Mode و Gemini API، زوایای پنهان بازار هوش مصنوعی را شفاف کرده است.
🌐 ۱. مقیاس متدولوژیک و تنوع داده‌ها
حجم نمونه: تحلیل دقیق ۱۵ میلیون تعامل کاربر متوالی.
پوشش جغرافیایی: داده‌ها از بیش از ۱۵۰ کشور جهان گردآوری شده‌اند.
تنوع زبانی: پشتیبانی و تحلیل تعاملات به ۱۴۰ زبان مختلف (حدود ۶۲٪ تعاملات به زبان انگلیسی و ۳۸٪ به سایر زبان‌ها).
پوشش شغلی: نگاشت تعاملات بر ۸۰۰ عنوان شغلی متمایز بر اساس طبقه‌بندی استاندارد بین‌المللی مشاغل (ISCO-08 و O*NET).
تفكيك وظایف: تفکیک دقیق داده‌ها بر روی ۴,۰۰۰ وظیفه شغلی (Task) پایش‌شده.
تقسیم‌بندی بستر کاربری:
۸۶٪ تعاملات در بسترهای عمومی/شخصی مصرف‌کنندگان (Consumer Applications).
۱۴٪ تعاملات مستقیماً در بسترهای توسعه‌دهندگان، سازمانی و APIها ثبت شده‌اند.
📈 ۲. نفوذ هوش مصنوعی در مشاغل در برابر وظایف (Tasks)
یکی از مهم‌ترین یافته‌های گزارش ATLAS، تفاوت فاحش میان «میزان حضور هوش مصنوعی در یک شغل» و «عمق انجام وظایف توسط آن» است:
میزان پوشش در مشاغل: هوش مصنوعی مولد در ۶۸٪ تا ۷۰٪ از مشاغل موجود در بازار کار وارد شده است (که در مجموع حدود ۹۰٪ از کل نیروی کار را پوشش می‌دهد).
عمق نفوذ در وظایف (Task Penetration): با وجود حضور عمومی، هوش مصنوعی به‌طور متوسط تنها در ۲۱٪ از وظایف روزمره یک شغل مشخص وارد شده است.
نرخ اتوماسیون کامل (Full Automation Rate): تنها کمتر از ۱۰٪ از کل تعاملات شغلی منجر به انجام کامل یک کار بدون دخالت انسان می‌شوند.
نرخ افزایشی و همکاری (Augmentation Rate): بیش از ۹۰٪ از تعاملات در قالب مدل همکاری متقابل (Co-piloting) انجام می‌شوند؛ شامل ایده‌پردازی، بازنویسی، سنجش اعتبار، و ساختاردهی.
🔍 ۳. تفکیک درصدی الگوهای رفتاری کاربران
تعاملات روزمره کاربران بر برحسب هدف و کارکرد به ۴ دسته‌ی کلیدی تقسیم شده‌اند:
پردازش، استخراج و درک اطلاعات (۳۵٪ تعاملات):
خلاصه ساختاریافته از اسناد طولانی و گزارش‌های چندصفحه‌ای.
استخراج نکات کلیدی، جدول‌سازی داده‌های غیرساختاریافته و متون حقوقی/فنی.
ساده‌سازی متون پیچیده علمی برای درک سریع.
تولید محتوا و نگارش اولیه (۳۰٪ تعاملات):
نگارش پیش‌نویس ایمیل‌های کاری، مقالات و مستندات پروژه.
بازنویسی متون جهت تغییر لحن (Tone Shift)، اصلاح گرامری و بهینه‌سازی خوانایی.
مهندسی نرم‌افزار، کدنویسی و منطق (۲۰٪ تعاملات):
رفع خطای کدها (Debugging) و تحلیل منطق برنامه‌نویسی (عمدتاً در بستر API).
ترجمه کد از یک زبان برنامه‌نویسی به زبان دیگر و نوشتن تست‌های خودکار.
ایده‌پردازی، حل مسئله و تفکر استراتژیک (۱۵٪ تعاملات):
استفاده به عنوان «تخته‌سیاه فکری» (Sounding Board) برای تدوین استراتژی‌های جدید.
سناریوسازی برای تصمیم‌گیری‌های پیچیده و طوفان فکری (Brainstorming).
🏛 ۴. تحلیل وضعیت پذیرش در سازمان‌ها (Adoption Gap)
گزارش ATLAS یک شکاف عمیق را میان رفتار نیروی کار و ساختار رسمی سازمان‌ها افشا می‌کند:
نرخ بهره‌گیری خودانگیخته (Bottom-Up Adoption): ۸۶٪ از کارکنان از حساب‌ها یا بسترهای شخصی خود برای پیشبرد امور کاری و یادگیری هوش مصنوعی استفاده می‌کنند.
میزان آمادگی سازمانی (Top-Down Governance): کمتر از ۲۰٪ از سازمان‌های بررسی‌شده، چارچوب مشخص و سند راهنمای رسمی برای استفاده امین و امن از هوش مصنوعی مولد تدوین کرده‌اند.
شاخص ارتقای سرعت: کاربران گزارش داده‌اند که بهره‌گیری هوش مصنوعی در ۲۱٪ وظایف کاری‌شان، سرعت انجام آن وظایف خاص را به‌طور متوسط بین ۳۰٪ تا ۵۰٪ افزایش داده است.
💡 ۵. سه پیامد کلیدی اقتصادی و مدیریتی
تمرکز بر استراتژی Upskilling به جای Downsizing:
از آنجا که هوش مصنوعی تنها ۲۱٪ از کل وظایف یک نقش شغلی را کاور می‌کند، ادعاهای مربوط به تعدیل نیروهای گسترده و جایگزینی کامل انسان‌ها مبنای واقعی ندارد. سازمان‌های پیشرو باید استراتژی خود را بر آموزش نیروها جهت تسلط بر ابزارهای هوش مصنوعی (Augmentation) متمرکز کنند.
تغییر سنجه‌های ارزیابی عملکرد (KPIs):
در عصری که هوش مصنوعی می‌تواند در چند ثانیه متون یا کدهای طولانی تولید کند، «حجم خروجی» دیگر معیار بهره‌وری نیست. سازمان‌ها باید KPIهای جدیدی بر پایه کیفیت سنجش انتقادی، دقت در طراحی پرامپت (Prompting) و ارزیابی صحت خروجی‌ها تعریف کنند.
تدوین پروتکل‌های Governance و امنیت داده:
با توجه به سهم ۸۶ درصدی تعاملات غیررسمی/شخصی، سازمان‌ها اگر به جای مسدودسازی، استانداردهای شفافی برای استفاده امن از هوش مصنوعی ارائه ندهند، با مخاطرات جدی نشت داده‌های حساس روبرو خواهند شد.
📌 جمع‌بندی
نتایج گزارش Google ATLAS 1.0 خروج از فاز «تخیل و مبالغه» و ورود به فاز «واقع‌گرایی تجربی» را نشان می‌دهد. هوش مصنوعی جایگزین انسان‌ها نمی‌شود، بلکه انسان‌هایی که هوش مصنوعی را هدایت می‌کنند، جایگزین کسانی خواهند شد که از آن استفاده نمی‌کنند.
