Google ATLAS: científicos ahorran 7h/semana con IA

¿Qué trae la nueva iteración del ATLAS de Google?

Google publicó el 23 de julio de 2026 la primera versión de su AI & Economy ATLAS (Activity, Task, Landscape and Adoption Study), un programa de investigación plurianual construido sobre 15 millones de interacciones agregadas y anonimizadas con Gemini (la app, AI Mode y la API), que en conjunto usan más de 1.000 millones de personas al mes según reportó Google. La muestra cubre más de 150 países, 140 idiomas, 800 ocupaciones y 4.000 tareas.

Ahora, apenas dos meses después, Google suma una segunda capa de hallazgos junto con Google DeepMind y MIT FutureTech centrada en cómo los científicos usan IA, y además estrena una experiencia interactiva de código abierto para navegar esos datos. La actualización llega en un momento clave: ya hay más evidencia de que la IA se está colando en ocupaciones que nadie tenía en el radar — desde electricistas hasta mecánicos automotrices — y de que la productividad prometida no siempre baja linealmente a descubrimientos.

¿Cómo se reparte la IA por ocupaciones y regiones?

El primer corte del ATLAS ya mostraba un patrón incómodo para los discursos apocalípticos: la IA es amplia pero superficial. Cubre el 68% de las ocupaciones, que representan alrededor del 88,4% del empleo estadounidense, pero dentro de cada puesto el trabajador promedio solo la usa para el 21% de sus tareas. Y menos del 10% de las interacciones con Gemini parecen orientadas a automatizar trabajo cognitivo no rutinario.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

La nueva iteración septiembre-2026 agrega el corte geográfico. Los datos que cita el blog de Google:

En países de la OCDE, las ocupaciones líderes son informática y matemáticas, seguidas de operaciones de negocios y finanzas.
En países no OCDE, lideran apoyo administrativo de oficina, artes, diseño, entretenimiento, deporte y medios, y docencia y bibliotecas.
India destaca en la industria creativa: artes, diseño y medios concentran el 19% del uso laboral de IA, 1,6 veces el promedio global.
Estados Unidos lidera la adopción técnica: ocupaciones de informática y matemáticas explican el 30% del uso laboral de IA, el doble que en el resto del mundo.
Aunque la adopción correlaciona con el ingreso per cápita, Brasil y los Emiratos Árabes Unidos muestran tasas de adopción más altas de lo que su PIB per cápita sugeriría.
Para tareas manuales como diagnóstico y resolución de problemas en tiempo real, Brasil y Alemania dedican el 7% del uso laboral de IA (1,4 veces el promedio global), frente al 4% en Japón.

Un detalle que cambia cómo leer estas cifras: según Google, más del 86% de las conversaciones con Gemini ocurren fuera del trabajo — investigando compras, operando equipos, gestionando impuestos o multas. Es decir, una parte enorme del valor que la IA ya entrega no aparece en el PIB, lo que obliga a repensar cómo se mide el impacto económico.

¿Qué hacen los científicos con la IA?

El nuevo estudio firmado por Google, Google DeepMind y MIT FutureTech combina el análisis de 2.600 modelos de IA especializados con una encuesta a más de 600 científicos de EE. UU. y Reino Unido, organizados con una taxonomía propia de MIT FutureTech que mapea qué hacen los investigadores en su jornada.

Las cifras que publica Google:

Casi la mitad de los científicos encuestados usan alguna forma de IA todos los días, una tasa más alta que la de muchas otras ocupaciones.
Los LLMs (modelos de lenguaje de gran tamaño, como Gemini) y los modelos especializados se usan de forma complementaria, no excluyente. Los LLM se reparten de manera más uniforme entre campos y tareas; los modelos especializados se concentran más en ciencias de la salud y de la vida, y en predicción, generación y simulación de datos específicos.
Los científicos reportan un ahorro de casi 7 horas semanales, que redirigen a más investigación.

Hasta ahí, el titular optimista. Pero el reporte trae una advertencia importante: ese tiempo no se traduce automáticamente en más descubrimientos. Los científicos reportan pasar mucho tiempo validando lo que la IA produce, y aparecen cuellos de botella nuevos en etapas que la IA no acelera — experimentación física y validación clínica — generando un backlog de hipótesis por probar.

El cuello de botella que nadie quería ver

Este es el hallazgo más incómodo del nuevo ATLAS, y el que más debería importarle a un founder: cuando una tecnología ahorra tiempo aguas arriba pero no resuelve lo que pasa aguas abajo, el sistema no se acelera, se congestiona.

En ciencia, el equivalente a «tengo más ideas para validar» sin más capacidad experimental se traduce en acumulación de hipótesis pendientes. En un negocio, el equivalente directo es: tener más código generado, más borradores de propuesta, más variantes de creatividad publicitaria sin más capacidad de QA (control de calidad), legal u operaciones detrás no produce más producto terminado — produce más trabajo en cola.

Scott Strand, responsable de operaciones estratégicas de Google, resumió el patrón en conversación con Axios recogida por PYMNTS: los trabajadores manuales están usando IA multimodal (que procesa imágenes y video) para tareas como diagnóstico en tiempo real y aprendizaje en el puesto — electricistas buscando diagramas de cableado, mecánicos consultando mapas de motor — un uso que las primeras hipótesis sobre adopción de IA no anticipaban.

Qué significa esto para tu startup

Para un founder hispano, el ATLAS confirma tres cosas accionables y deja una alerta clara.

Primero, si vendes a empresas, mide uso real por tarea, no por licencia adquirida. Google reporta que el trabajador promedio usa IA en solo el 21% de sus tareas. Tu north star metric (la métrica principal que seguís) no debería ser «usuarios activos», sino «tareas completadas con IA por semana» o «tiempo ahorrado por rol».

Segundo, si tu producto toca ocupaciones no cuello blanco (no de cuello blanco), no asumas que el mercado es pequeño. Brasil y Alemania llevan 7% del uso laboral a tareas manuales; Japón, 4%. La diferencia entre mercados es un dato de segmentación, no de adopción general. Un founder en LATAM puede vender con casos de uso en oficios técnicos con la misma fuerza que en oficinas.

Tercero, rediseña el flujo antes de añadir más IA. El estudio con MIT FutureTech muestra lo que pasa cuando solo se acelera una parte del pipeline (producción de hipótesis, código, creatividades) sin ampliar lo que viene después: se crea un cuello de botella de validación. Antes de comprar más créditos de API (interfaz de programación que conecta tu software con un modelo de IA), mapea qué etapa downstream (siguiente en la cadena) se va a saturar y contrata o automatiza esa pieza primero.

Una alerta final: el dato de que más del 86% de las conversaciones con Gemini ocurren fuera del trabajo sugiere que el próximo gran mercado masivo no es la IA «para empresas», sino la IA para la vida cotidiana del consumidor. Si tu roadmap (hoja de ruta de producto) sigue 100% enfocado en B2B (venta a empresas), podrías estar ignorando dónde está creciendo realmente la demanda.