Googles ATLAS-Studie: eine Landkarte der KI-Nutzung

Seit Google am 23. Juli 2026 den Report „AI & Economy ATLAS v1.0“ veröffentlicht hat, läuft die Berichterstattung in einer bemerkenswert gleichförmigen Schleife: KI unterstütze, ersetze aber keine Arbeitsplätze. KI sei in Berufen angekommen, die 88 Prozent der US-Beschäftigung ausmachen. KI sei bereits „an 21 Prozent der Aufgaben aktiv“. 86 Prozent der Nutzung fänden privat statt.

Vier Sätze, vier Zahlen – und in allen vier Fällen steht in der Studie etwas anderes, als in den Meldungen ankommt.

Das ist die eigentlich interessante Geschichte an ATLAS. Nicht, weil der Report schlecht wäre. Er ist im Gegenteil eine der methodisch ambitioniertesten Beobachtungsstudien, die wir zur tatsächlichen KI-Nutzung haben. Sondern weil er ein Lehrstück darüber ist, wie schnell aus einer Abdeckungsmetrik eine Wirkungsaussage wird, sobald sie eine Pressemitteilung passiert hat.

Was ATLAS tatsächlich untersucht hat

Google hat 14.653.926 aggregierte und de-identifizierte Interaktionen aus zwei Wochen ausgewertet, vom 6. bis 19. April 2026. Die Daten stammen aus drei Oberflächen: der Gemini App, dem AI Mode in der Google-Suche und der Gemini API. Aus jeder Quelle wurden rund fünf Millionen Interaktionen gezogen und anschließend nach dem realen Volumenanteil gewichtet.

Die Inhalte wurden dann durch eine mehrstufige automatisierte Pipeline geschickt: Personenbezug entfernen, zusammenfassen, semantisch clustern, durch Sprachmodelle beschreiben und kategorisieren. Arbeitsbezogene Interaktionen landeten in den US-Klassifikationen SOC und O*NET, nicht arbeitsbezogene in den Kategorien der American Time Use Survey (ATUS). Cluster mit weniger als zehn unterschiedlichen Nutzern flogen aus Datenschutzgründen raus.

Das ist eine saubere Anlage, und der Methodenteil ist für einen Unternehmensreport ungewöhnlich ehrlich. Google schreibt selbst, dass hier Nutzung gemessen wird und nicht wirtschaftliche Wirkung. Dieser Satz hat es nur leider in keine Schlagzeile geschafft.

Wichtig ist auch, was fehlt: Google Workspace, AI Overviews, Translate, Gemini Enterprise, Gemini for Google Cloud. Bei der API war für die inhaltliche Analyse im Wesentlichen nur die kostenlose Nutzung verfügbar – der gesamte bezahlte und ein großer Teil des Enterprise-Traffics ist nicht drin. Und selbstverständlich fehlen ChatGPT, Claude, Copilot, Mistral und alle anderen. Die untersuchte Population sind nicht „KI-Nutzer“, sondern Menschen, die in zwei Wochen im April bestimmte Google-Produkte verwendet haben.

Die vier Zahlen, die falsch gelesen werden

88,4 Prozent der Beschäftigung

Google fand Nutzung in 68 Prozent der detaillierten Berufskategorien, und diese Kategorien stehen zusammen für rund 88,4 Prozent der zivilen US-Beschäftigung. Was daraus in der Rezeption wird: KI sei in Berufen mit 88 Prozent aller Beschäftigten „vorgedrungen“.

Was die Zahl tatsächlich sagt: In Berufskategorien, in denen zusammengenommen 88,4 Prozent der US-Beschäftigten arbeiten, wurden weltweit genügend passende Interaktionen gefunden, um die Kategorie überhaupt ausweisen zu dürfen. Einige Dutzend Nutzer irgendwo auf der Welt können reichen, damit eine Kategorie als getroffen gilt.

Das ist eine Aussage über die Breite der Berufssystematik, nicht über die Verbreitung unter Beschäftigten. Der Unterschied ist nicht kosmetisch. Er ist die Differenz zwischen „mindestens jemand hat das mal gemacht“ und „das ist gängige Praxis“.

21 Prozent der Tätigkeiten

Insgesamt überschritt nur rund ein Fünftel aller O*NET-Tätigkeiten die Beobachtungsschwelle. Unter den Berufen mit hinreichender Nutzung lag der Median bei etwa 21 Prozent der berufstypischen Tätigkeiten.

Aus dieser Schwellenmetrik wird in der Berichterstattung: KI sei „an 21 Prozent der anfallenden Aufgaben aktiv“. Das ist eine andere Behauptung. Eine Tätigkeit gilt hier als abgedeckt, sobald sie in genügend Interaktionen auftaucht – unabhängig davon, wie oft, wie lange, wie erfolgreich und ob das Ergebnis überhaupt verwendet wurde. Über Arbeitszeitanteile sagt die Zahl nichts.

98 Prozent der Wachzeit

Google schreibt, KI-Nutzung sei in ATUS-Kategorien gefunden worden, die zusammen rund 98 Prozent der Wachzeit der US-Bevölkerung abdecken. Gemeint ist: In fast allen groben Aktivitätskategorien, mit denen Menschen ihren Tag verbringen, wurde wenigstens irgendeine Nutzung beobachtet. Wieder eine Aussage über die Vollständigkeit der Taxonomie – nicht über Nutzungsdauer, nicht über Reichweite.

Weniger als 10 Prozent Automatisierung

Das ist der Befund, der die freundlichen Schlagzeilen produziert hat. Google klassifiziert weniger als zehn Prozent der arbeitsbezogenen Interaktionen als Versuch, eine Tätigkeit vollständig an die KI zu delegieren – bei nicht-routinemäßigen kognitiven Aufgaben rund 6,5 Prozent, bei routinemäßigen kognitiven Aufgaben dagegen etwa 26,9 Prozent.

Nur: Gemessen wurde nicht, ob im realen Arbeitsprozess etwas automatisiert wurde. Ein Sprachmodell hat aus dem Text der Anfrage abgeleitet, welche Absicht wahrscheinlich dahintersteckt. „Erstelle mir die Präsentation“ sieht nach Vollautomatisierung aus, auch wenn danach zwei Stunden Handarbeit folgen. Ein unscheinbarer API-Call kann Teil einer komplett automatisierten Pipeline sein und wird trotzdem als Unterstützung gelesen.

Belastbar ist also allenfalls: Weniger als zehn Prozent der klassifizierten Interaktionen sehen sprachlich so aus, als solle die KI eine Tätigkeit komplett übernehmen. Nicht belastbar ist: KI automatisiert derzeit weniger als zehn Prozent der Arbeit. Und schon gar nicht: KI gefährdet keine Arbeitsplätze. Diese Frage hat die Studie überhaupt nicht untersucht.

Dass ausgerechnet der beruhigende Satz zur Überschrift wird, ist kein Zufall – er ist der Satz, den alle Beteiligten gern hören.

Die Milliarden sind ein Rechenbeispiel

Besonders vorsichtig sollte man mit dem angeblichen volkswirtschaftlichen Nutzen umgehen. Die Autoren nehmen rund 17,8 Stunden produktive Haushaltsarbeit pro Woche an, setzen einen Ersatzlohn von 12,02 US-Dollar pro Stunde an und rechnen mit einer KI-bedingten Zeitersparnis zwischen 0,5 und fünf Prozent. Ergebnis: 14,9 Milliarden Dollar im unteren, knapp 149 Milliarden im oberen Szenario.

Diese Zeitersparnis wurde nicht gemessen. Sie ist eine Annahme. Die Milliardenbeträge sind Sätze der Form „falls X, dann Y“ – und sie werden trotzdem als Nutzennachweis zitiert werden, darauf würde ich Geld setzen.

Wo die Studie wirklich stark ist

Bei aller Kritik an der Rezeption: Der Report enthält Befunde, die es wert sind, ernst genommen zu werden – gerade weil sie unbequemer sind als die Schlagzeilen.

Nicht-routinemäßige kognitive Arbeit dominiert. Solche Tätigkeiten machen etwa 35 Prozent des Tätigkeitsuniversums aus, aber rund 65 Prozent der beobachteten arbeitsbezogenen Interaktionen. Informationsbeschaffung, Ideengenerierung, Schreiben und Überarbeiten, Entwurf, Analyse, Lernen. Das widerspricht der jahrzehntealten Automatisierungserzählung, nach der zuerst das Standardisierte dran ist. Generative KI greift zuerst dort an, wo Sprache und Urteil im Spiel sind.

Auch manuelle Berufe nutzen KI – für die kognitive Peripherie. Bei Kfz- und Industriemechanikern geht es um Fehlerdiagnose, Messwertinterpretation, Schaltpläne, Reparaturhinweise, Verschleißerkennung, oft multimodal mit Fotos. Nicht die physische Kerntätigkeit verändert sich, sondern das Wissensdrumherum. Das ist ein präziseres Bild von Disruption als „Roboter ersetzt Handwerker“.

Menschen nutzen KI nicht proportional zur Zeit, sondern proportional zur Reibung. Verglichen mit den ATUS-Zeitanteilen ist Bildung rund 5,8-fach überrepräsentiert, professionelle und persönliche Dienstleistungen mehr als siebenfach, Behörden- und Bürgerangelegenheiten etwa zwanzigfach. Essen und Trinken dagegen deutlich unterrepräsentiert. Der Wert entsteht dort, wo Informationssuche mühsam, Verfahren undurchschaubar und Formulare unangenehm sind. Für jeden, der Produkte oder Inhalte baut, ist das die praktisch verwertbarste Zeile des ganzen Reports.

Der digitale Graben besteht fort. Ein Prozent höheres BIP pro Kopf geht mit rund 0,9 Prozent mehr Interaktionen pro Kopf einher. Das unterste Nutzungsquintil steht für etwa 17 Prozent der Weltbevölkerung, aber zwei Prozent der Konversationen.

Was man über die Klassifikationsqualität wissen muss

Hier wird es methodisch heikel, und dieser Teil steht in keiner Meldung. Google validiert seine Klassifikatoren unter anderem an synthetischen Beispielen. Die exakte Trefferquote sieht so aus:

Klassifikationsebene	Exakte Trefferquote
arbeitsbezogen vs. nicht arbeitsbezogen	93,7 % (ausgewogene Genauigkeit)
SOC-Hauptberufsgruppe	71,6 %
SOC-Untergruppe	58,4 %
konkreter Berufstitel	42,5 %
konkrete O*NET-Tätigkeit	22,6 %
ATUS-Hauptkategorie	72,8 %
ATUS-Unterkategorie	42,9 %
detaillierte ATUS-Aktivität	23,7 %

Auf grober Ebene – „Bildung“, „Gesundheit“, „Management“ – ist die Zuordnung brauchbar. Auf der Ebene konkreter Berufe und Tätigkeiten liegt sie in mehr als drei von vier Fällen daneben. Genau diese feingranulare Ebene ist aber die, aus der die vielzitierte 21-Prozent-Zahl gebildet wird.

Die menschliche Validierung fällt besser aus, arbeitet allerdings mit einem großzügigeren Kriterium – eine Kategorie galt als akzeptabel, wenn sie „vernünftig“ oder hinreichend ähnlich war – und umfasst nur 120 Arbeits- und 120 Nichtarbeitscluster, bewertet von drei internen Annotatoren. Das ist eine Plausibilitätskontrolle, keine unabhängige Validierung.

Dazu kommt ein Detail, das die Autoren immerhin selbst ansprechen: Die synthetischen Testbeispiele wurden mit Gemini 3.1 Flash Lite erzeugt, während in der Klassifikationspipeline Modelle aus demselben Systemumfeld arbeiten. Ein Modell kann in synthetischen Daten unbewusst Merkmale erzeugen, die ein verwandtes Modell besonders leicht wiedererkennt. Der überzeugendere Test wären echte, extern annotierte Interaktionen mit Labels, die vor der Auswertung feststehen.

Interpretation einer Interpretation

Aus Datenschutzgründen analysiert Google nicht die Rohdialoge. Inhalte werden zusammengefasst, erneut zusammengefasst, geclustert, dann kategorisiert. Das ist richtig so – methodisch bedeutet es aber, dass am Ende die Interpretation einer Interpretation untersucht wird.

Verloren geht dabei genau das, was für ökonomische Aussagen zählen würde: der Gesprächskontext, die Rolle des Nutzers, ob das Ergebnis verwendet wurde, ob nachgearbeitet werden musste, ob die Anfrage privat oder beruflich motiviert war, ob die KI Teil eines größeren automatisierten Systems ist.

Und weil Cluster unter zehn Nutzern entfernt werden, gilt: „nicht beobachtet“ heißt nicht „kommt nicht vor“. Systematisch unterschätzt werden seltene Berufe, neue Anwendungsfälle, hochspezialisierte Expertentätigkeiten und kleine Sprachgemeinschaften. Die Studie ist konstruktionsbedingt gut darin, Verbreitetes zu beschreiben, und schlecht darin, Neues zu entdecken.

Die Interessenlage

Der Report ist als Google-Publikation erschienen, ohne Peer Review, ohne DOI, ohne öffentlich verfügbaren Datensatz und ohne Analysecode. Alle Autoren arbeiten bei Google oder Google DeepMind.

Das ist kein Vorwurf fehlerhafter Forschung. Es ist eine Beschreibung der Konstellation: Google ist gleichzeitig Dateninhaber, Produktanbieter, Methodenentwickler, Studienautor und Kommunikator der Ergebnisse. Bei einem Befund, der lautet „unsere Technologie unterstützt Menschen, statt sie zu ersetzen“, sollte man das mitdenken – nicht als Unterstellung, sondern als Grund, auf unabhängige Replikation zu bestehen. Anthropic macht mit dem Economic Index etwas Vergleichbares auf eigener Datenbasis; OpenAI und Microsoft sitzen auf den restlichen Puzzleteilen. Erst wenn dieselbe Methodik über mehrere Anbieter und mehrere Zeitpunkte läuft, entsteht daraus etwas, das den Namen Arbeitsmarktforschung verdient.

Und selbst dann bliebe ATLAS eine Beobachtungsstudie ohne Kontrollgruppe. Sie kann nicht feststellen, ob KI Produktivität erhöht, Zeit spart, Qualität verbessert, Löhne verändert oder Stellen ersetzt. Auch der Zusammenhang zwischen Berufseinkommen und Nutzungsintensität – ein Prozent höheres Medianeinkommen geht mit rund 2,68 Prozent höherer Nutzungsintensität einher, nach Kontrolle für den Akademikeranteil noch 1,86 Prozent – ist eine Korrelation zwischen aggregierten Berufskategorien. Rückschlüsse auf einzelne Menschen sind daraus nicht zulässig.

Fast 15 Millionen Beobachtungen ändern daran nichts. Eine riesige Stichprobe reduziert Zufallsrauschen, sie beseitigt keine systematischen Verzerrungen. Man kann 15 Millionen Interaktionen mit beeindruckender Präzision falsch interpretieren.

Fazit

ATLAS ist wertvoll – als explorative Landkarte, als Hypothesengenerator und als Gegengewicht zu den Selbstauskunftsumfragen, aus denen das Feld sonst besteht. Die Muster, die der Report zeigt, sind plausibel und teilweise überraschend: KI verbreitet sich quer durch die Wirtschaft, bleibt innerhalb einzelner Berufe aber selektiv, konzentriert sich auf sprachliche und informationsintensive Teilaufgaben und greift selbst in manuellen Berufen zuerst an Diagnose, Dokumentation und Lernen an.

Was der Report nicht kann, ist alles, wofür er gerade zitiert wird: Produktivitätseffekte, wirtschaftlicher Wert, Arbeitsplatzrisiken, tatsächliche Prozessautomatisierung. Dafür bräuchte es kontrollierte Feldexperimente, Längsschnittdaten, Qualitäts- und Ergebnismessungen, Daten zu Arbeitszeit und Personalbedarf sowie repräsentative Nutzerstichproben.

Der ehrlichste Ein-Satz-Befund lautet deshalb: ATLAS zeigt sehr umfangreich, wo Menschen mit Gemini über Arbeit und Alltag sprechen – aber nicht, was diese Nutzung in der realen Welt bewirkt.

Wer die Studie in Präsentationen, Pitches oder Strategiepapieren verwendet, sollte diesen Satz vor die Zahlen stellen. Sonst zitiert man am Ende eine Abdeckungsmetrik als Beleg dafür, dass alles halb so wild wird.

Nachtrag: Anthropic veröffentlicht mit dem Economic Index einen vergleichbaren Datensatz auf eigener Datenbasis – anders als ATLAS als offener Datensatz unter CC BY 4.0. Ich habe die ATLAS-Kennzahlen dagegengehalten. Das Ergebnis steht hier: Faktor 5 – ATLAS und der Anthropic Economic Index im Vergleich.

---

Quelle: Google, „AI & Economy ATLAS v1.0“, veröffentlicht am 23. Juli 2026: https://ai.google/static/documents/GoogleATLASv1.pdf