先問一個很實際的問題：你怎麼證明 AI 真的有用
多數產品團隊現在都卡在同一個地方。工具買了、模型接上了、內部使用率也拉起來了，但要回答「這對生產力到底有沒有幫助」，手上只有截圖、問卷和幾個自願分享的案例。
Google 在 2026 年 9 月 18 日宣布擴編 AI & Economy 研究計畫，正是衝著這個缺口來的。根據 Google 的公告，團隊先前已推出 AI & Economy ATLAS v1.0 與開放取用的互動網站，用來觀察人們在工作與日常中如何使用 Google 的 AI 工具；但公告也直說，追蹤採用模式只是起點。
這次補進來的是什麼樣的人
公告列出的名單分成三種角色。
學術顧問方面，2025 年諾貝爾經濟學獎得主 Philippe Aghion 加入顧問群，與同樣是諾貝爾獎得主的 Michael Spence、劍橋的 Dame Diane Coyle 並列；他專長是創新驅動成長與創造性破壞，任務是把這些框架用來推估 AI 的長期總體經濟路徑。
訪問學者方面，多倫多大學 Rotman 管理學院的 Ajay Agrawal 加入 Visiting Fellows 計畫，將與現任 Fellow、MIT 經濟系主任 David Autor 合作，研究方向包括 AI 與科學發現的經濟學、AI 與機器人，以及 AI 如何擴大人類福祉的邊界。
真正會影響研究節奏的是兩位 Research Program 總監。Anu Madgavkar 來自 McKinsey Global Institute，在該機構待了二十年，主導勞動市場、技術採用與結構性經濟轉型研究，之後負責全球 AI 擴散、小型企業生態與生成式 AI 對勞動力的影響。Daniel Rock 來自賓州大學 Wharton 商學院，是 AI 與勞動領域的經濟學者，公告特別點出他的工作是把前沿模型的遙測資料接上嚴謹的計量經濟學，分析企業生產力、勞動重組與科學發現。
兩人將與 Google DeepMind 的 AGI 經濟學總監 Alex Imas、Google 首席經濟學家辦公室 AI & Economy Lead Zanna Iscenko 共同帶領這個計畫。
對產品團隊真正有用的那一句
整份公告裡，最值得產品經理畫線的是「bridging frontier model telemetry with rigorous econometrics」這個說法。
過去企業要證明 AI 的價值，多半靠內部調查或個案訪談，樣本小、偏誤大，也很難排除「本來就比較積極的員工才在用」這類選擇偏誤。如果模型端的遙測資料能和經濟學的因果推論方法結合，衡量單位就會從「多少人按過這個按鈕」往「工作流程的產出結構改變了多少」移動。
這對採購與續約決策的意義很直接：未來供應商拿出來的證據，可能不再只是使用率儀表板，而是能對照組織實務、政策框架與訓練方案的實證結果。公告也明講，這批專家會直接回饋到後續的 ATLAS 更新與實證研究。
至於遙測資料的粒度、匿名化方式與企業客戶能否取用，supplied RSS summary 沒有說明，公告本身也未交代。這部分值得在與 Google 洽談時直接問清楚。
一個可以馬上做的動作
在等這類研究結果出來之前，產品團隊能先做的是把衡量口徑固定下來：哪些流程節省了多少時間、錯誤率怎麼算、口徑由誰定義。這件事和我們先前談過的 公司融資資料 API 怎麼挑 是同一個道理——當外部基準還不成熟時，先讓自己的比較基礎可重現，才不會每次檢討都從零開始吵。
Google 這個計畫的價值不在於它會給出標準答案，而在於它把「AI 對經濟的影響」從意見層級推向可檢驗的實證層級。對產品團隊來說，現在能做的準備，是確保自己的資料在未來有機會被拿去對照。
參考來源
本文由 AI 協助自上述來源整理，經人工審核後發布。