Как AI агентите преоформят интелектуалния труд

Най-съвременните AI системи запълват празнината между интелигентността на моделите и практическата им полезност в реалния свят. Новите модели, изчислителни архитектури и модели на оркестрация дават възможност на тези системи да изпълняват задачи, които преди само няколко месеца се смятаха за невъзможни.

Тази бърза иновация се оказа изключително полезна за потребителите на AI, тъй като увеличава тяхното влияние и самостоятелност. Въпреки това тя създаде и разминаване между технологичната граница и нашето разбиране за това как точно се развива интелектуалният труд в отговор на нея. Как променя съвременният AI естеството на интелектуалния труд в различните професии? Какви структурни и икономически трансформации в този труд можем да очакваме?

Стремим се да запълним тази празнина чрез задълбочен емпиричен анализ на използването на Perplexity. Днес, в сътрудничество с изследователи от Харвардското бизнес училище, споделяме първото си мащабно проучване на Perplexity Computer при внедряване в реални условия. Нашите констатации показват, че Computer разширява както обхвата, така и дълбочината на това, което потребителите могат да постигнат, при по-ниски разходи. Потребителите на Computer свършват повече работа, работят на по-високи нива на абстракция и преодоляват дисциплинарните граници, за да разгърнат потенциала си извън собствените си професии.

Тази статия представя основните моменти от нашето проучване. Подробната методология и констатации са достъпни в нашия технически доклад.

Първите масови генеративни AI системи бяха асистенти за разговор, които общуват с потребителите. Тези асистенти стоят между намерението и действието. Те отговарят на въпроси, обясняват компромиси и предлагат следващи стъпки. След това потребителят трябва да превърне отговора в работа: да отвори правилните инструменти, да събере файлове, да редактира документи, да провери междинните резултати и да реши какво да направи след това.

Агентите променят това разделение на труда. Потребителят задава краен резултат, а системата планира действията в различни инструменти, изпълнява междинни стъпки, изисква липсващи входни данни при необходимост и връща готов резултат. Агентите пренасочват използването на AI от търсене и синтезиране на информация към автономно планиране и изпълнение на задачи.

Тази еволюция е в основата на продуктовото развитие на Perplexity. През 2022 г. пуснахме Search, който дефинира категорията на двигателите за отговори, като даде възможност на потребителите да задават въпроси и да получават отговори, подкрепени от проверими цитирания от милиарди документи. През 2025 г. представихме браузъра Comet с вграден уеб агент, който анализира информацията и действа заедно с потребителите в откритото интернет пространство. А през 2026 г. пуснахме Computer – универсален оркестратор на агенти, който работи автономно за постигане на зададени от потребителя цели в сложни среди и дълги времеви хоризонти.

Как този преход променя начина ни на работа? Изследваме този въпрос, използвайки данни от нашите продукти Search и Computer, като се фокусираме върху три измерения:

Автономия: колко автономна работа извършва Computer в сравнение със Search по една и съща задача?

Ефективност: колко време и разходи за труд спестява Computer спрямо Search по една и съща задача?

Обхват: как Computer променя вида на работата, която потребителите предприемат?

Установяваме, че агенти като Computer изискват повече предварителни усилия от страна на потребителя (тъй като потребителите трябва да дефинират целите за делегиране и да прегледат резултатите), но много по-малко човешки усилия за единица работа (поради по-автономното изпълнение). Това ги прави особено ефективни при дълги многостъпкови работни процеси. Резултатът е работа, която е едновременно по-задълбочена и по-евтина. Computer пренасочва усилията на потребителя от ръчно изпълнение към надзор, като разширява обхвата на това, което потребителите могат да постигнат както в рамките на собствените си области на експертиза, така и извън тях.

Computer беше пуснат на 25 февруари 2026 г. и нарасна бързо през първите три месеца.

Кумулативните заявки към Computer достигнаха 84 пъти общия брой за първата седмица до 27 май. Като изходна база, кумулативното използване на Search сред потребителите на Computer достигна 14 пъти общия брой за първата си седмица, което е повече от ръста от 12 пъти за потребителите, които не използват Computer.

Дори след съпоставяне на потребителите на Computer и тези, които не го използват, по абонаментен план, основна тема на търсене и предишна интензивност на търсене, сравнението „разлика в разликите“ показва, че приемането на Computer увеличава използването на Search: потребителите на Computer правят с 1,05 повече заявки за търсене на ден в сравнение с подобни потребители, които не използват Computer.

Кумулативен ръст, индексиран спрямо първата седмица на всяка серия. Обемът на заявките към Computer достигна 84 пъти кумулативния си обем за първата седмица през периода 27 февруари – 27 май.

В случайна извадка от 100 000 заявки към Computer, „Изследвания и анализ“ беше най-голямата категория задачи с 25,8%, следвана от „Създаване на документи и активи“ с 18,6%. Наблюдаваната структура на задачите клони към генеративна работа: документи, електронни таблици, кодови бази, уебсайтове и работни процеси, изискващи работа с множество инструменти.

Превключвайки към областите, употребата беше широко разпределена между софтуер и IT, финанси и инвестиции, маркетинг и продажби, бизнес операции, здравеопазване, образование, правна сфера и медии.

Случаи на употреба на Computer в различните категории задачи и предметни области. Проучванията, анализът, създаването на документи, софтуерът, финансите, бизнес операциите и личните работни процеси присъстват отчетливо.

Най-прекият сигнал за автономия е колко дълго работи системата без човешка намеса, след като потребителят изпрати заявка. Search обикновено връща отговор за секунди. Computer често продължава да работи минути или дори часове: търси, сърфира, пише, редактира, изпълнява код и проверява междинни резултати.

Използваме сесии със Search и Computer с почти идентични начални заявки като сурогат за една и съща задача, изпълнявана с двата продукта. В рамките на 10 000 съчетани двойки, Computer извършва средно по 26 минути машинно изпълнение на сесия спрямо 33 секунди за Search. Това е 48-кратно увеличение на машинната работа по ефективно едни и същи задачи. При медианата разликата е 9 минути срещу 14 секунди, или 40 пъти. Разпределението по области показва същия модел: Computer извършва приблизително 26–75 пъти повече машинна работа във всички 18 области.

Време за машинно изпълнение на сесия за съчетани сесии на Computer и Search. Search е концентриран около кратко време за отговор; Computer има по-широко разпределение, центрирано около дълготрайно автономно изпълнение. Средното време за изпълнение на Computer (26 минути) е много по-високо от медианата (9 минути), което показва наличие на дълга опашка от сложни заявки с дълъг хоризонт.

Средно време за машинно изпълнение по област. Computer извършва много повече работа на сесия, тъй като всяко действие на потребителя задейства последващо изпълнение, а не просто отговор в рамките на разговор.

Продължителната автономия не доведе до по-голямо изоставяне на задачите. Събитията на спиране от страна на потребителя бяха сходни при двата продукта: 3,7% от сесиите на Computer и 3,4% от сесиите на Search съдържаха поне едно събитие на спиране от потребителя. Computer действително спираше за потребителски вход по-често: 13% от заявките към Computer извикаха поне един инструмент за пауза за потребителя спрямо 0,3% за Search, обикновено за да поиска одобрение или да зададе уточняващи въпроси. Това е очакваният модел за един агент: той може да продължи автономно през поголямата част от времето, но се нуждае от контролни точки, за да получи разрешение и да потвърди какво иска потребителят.

Computer също така свързва много повече извиквания на външни инструменти – чрез протокола Model Context Protocol (MCP) или крайни точки на интерфейса за програмиране на приложения (API) – в рамките на една сесия, вършяйки работа, която потребителят на Search иначе би направил ръчно в отделни приложения. 7,9% от сесиите на Computer правят поне едно извикване на конектор спрямо 1,8% от сесиите на Search (4-кратна разлика), а Computer прави средно 1,19 извиквания на конектори на сесия спрямо 0,10 за Search (12-кратно съотношение). С други думи, Computer не просто работи по-дълго; той обхваща повече свързани услуги на потребителя, за да извлича данни и да предприема действия.

Поведението при последващи действия също променя своя състав. В извадка с многократно редуване от 1,000 двойки цялостната склонност към напредване по задачата е почти идентична при двата продукта (52,7% от последващите действия при Computer срещу 52,9% при Search), но това, за което потребителите питат, се променя: тъй като Computer предоставя по-завършен резултат в самото начало, неговите потребители заменят уточняващите разследвания с разширения (разширения 14,2% срещу 12,5%; разследвания 22,0% срещу 23,4%). Потребителите на Computer също така отделят малко повече от своите последващи действия за преглед и ревизиране на изхода (24,6% срещу 23,6%), докато при Search преобладават кратки директиви като потвърждения, повторни опити и заявки за формат (11,6% срещу 9,9%), които Computer вгражда в първоначалното си изпълнение. С други думи, Search създава по-кратки цикли от типа „обобщи и изпълни“; Computer създава по-дълги цикли от типа „прегледай и разшири“.

Най-важното е, че качеството не спадна с по-високата автономия. При съчетаните сесии с многократно редуване значителното неудовлетворение от следващия ход беше 1,3% за Computer спрямо 2,9% за Search, което представлява 55% намаление. Всякаква неудовлетвореност, включително леки сигнали, беше 10,8% за Computer спрямо 16,6% за Search.

Сигнали за неудовлетвореност при следващия ход в съчетаната извадка с многократно редуване. Възможно е сумата на колоните да не е точно 100% поради закръгляване.

По-високата автономия заменя ръчния човешки труд с машинни изчисления, което повишава ефективността. За да cuantificiram този ефект, сравняваме две настройки за едни и същи съчетани задачи.

Search + Човек: Search се справя с извличането и синтеза; човекът изпълнява ръчно.

Computer + Човек: Computer изпълнява работния процес; човекът определя обхвата на задачата и преглежда крайния резултат.

Не можем директно да наблюдаваме колко време би отнела една задача на човек, затова правим триангулация с три независими оценки:

Оценка въз основа на инструменти: Класифицираме извикванията на инструменти на Computer в две категории: „Търсене“ (Search) и „Изпълнение“ (Do). Инструментите за търсене съответстват на стъпките за извличане и синтез на информация, които вече се обработват от продукта Search. Инструментите за изпълнение представляват стъпки на изпълнение, които човек би трябвало да извърши ръчно, когато използва само Search. След това оценяваме времето, необходимо на опитен специалист за извършването на тези действия по изпълнение.

Оценка въз основа на езиков модел (LLM): Подаваме заявки от сесии на Computer в езиков модел, за да оценим времето, необходимо за квалифициран професионалист, който получава отговори от Search, но трябва да изпълни всички стъпки ръчно.

Оценка, съобщена от потребителите: Провеждаме 25 полуструктурирани интервюта с активни потребители на Computer в различни области и извличаме работните процеси преди използването на Computer и времето, което тези работни процеси биха отнели.

Класификация на инструментите, използвана в оценката въз основа на инструменти. Инструментите за „Търсене“ отразяват възможностите, които Search вече предоставя, така че не се начислява време за ръчна работа. Инструментите за „Изпълнение“ изискват човекът да действа въз основа на резултатите от проучването на Search; оценките в минути за всяко извикване приближават времето, което квалифициран професионалист би прекарал в ръчно извършване на еквивалентно действие.

Според оценката въз основа на инструменти, средната задача Search + Човек отнема 269 минути, докато съответният работен процес Computer + Човек отнема 36 минути. Това е 87% намаление на времето за изпълнение на задачата.

За да превърнем времето за изпълнение в разходи, използваме специфични за съответната област средни часови ставки от данните на Бюрото по трудова статистика на САЩ за статистиката на заетостта и възнагражденията по професии (BLS OEWS) за май 2025 г. (U.S. Bureau of Labor Statistics 2026). Комбинирането на разходите за модела със специфичните за областта разходи за човешки труд показва, че Computer намалява прогнозните разходи за задачите средно с 94%.

Прогнозни време и разходи за задачите при Search + Човек спрямо Computer + Човек. Човешкият труд доминира в изходната база Search + Човек, докато Computer пренасочва голяма част от работата към изпълнение от модела и инструментите.

Процент на спестеното време и разходи от Computer + Човек спрямо Search + Човек, с множители в скоби (напр. 94% (16×) означава, че Computer + Човек е с 94% по-евтин или 16 пъти по-евтин). Разходите за човешки труд използват средните часови заплати според BLS OEWS за май 2025 г.

Предимството по отношение на ефективността се наблюдава във всички 18 области, като спестяването на време е между 79–92%, а спестяването на разходи – между 87–96%. Програмирането е най-крайният случай: 596 минути за Search + Човек спрямо 48 минути за Computer + Човек – 92% намаление на времето, което води до 96% намаление на разходите. Бизнесът, технологиите, образованието и писането на текстове също показват значителни печалби. Спестяването на време има тенденция да се превръща в по-голямо спестяване на разходи в области с по-високи заплати.

Колко надежден е този резултат? Помислете за точката на беззагубие: за да може Search + Човек да се изравни по разходи с Computer + Човек, на един професионалист би му трябвало да завърши всяка ръчна стъпка за 14–24 минути (медиана 18). Computer запазва предимството си във всяка област дори при по-консервативни предположения: например 8-кратно надценяване на времето за отделен инструмент или 12-кратно подценяване на времето за надзор при Computer.

Оценката на базата на езиков модел дава сходни обобщени резултати: 84% намаление на времето и 93% намаление на разходите като цяло. Интервютата с потребители показват много по-широк диапазон от резултати – от 5 до над 300 пъти по-бързо изпълнение – което вероятно отразява съществени вариации в изходните данни на потребителите преди използването на Computer. Медианното ускорение сред участниците е 25 пъти, което съответства на 96% намаление на времето.

Скоростта и разходите при съчетаните задачи улавят само част от историята. Формата на работата също може да се промени. Тъй като Computer заменя ръчното изпълнение с машинни изчисления, потребителите могат да се заловят с различни видове работа – задачи, които пресичат професионалните граници, и такива, които изискват по-високи нива на експертиза.

Първо, задаваме въпроса дали потребителите работят извън своя предполагаем основен професионален клъстер по-често с Computer, отколкото със Search. Второ, сравняваме заявките към Computer и Search от едни и същи потребители, използвайки пет класификации на ниво задача: прераболената таксономия на Блум (Anderson and Krathwohl 2001), абстрактна спрямо рутинна работа в традицията на съдържанието на задачите (Autor, Levy, and Murnane 2003), ширина на знанията по O*NET (National Center for O*NET Development 2026), ширина на работната активност по O*NET, както и нови задачи, които не са били опитвани със Search.

Хоризонталното изместване е очевидно в данните. В извадка от 8 000 потребители от осем професионални клъстера, използвайки всичките им заявки, потребителите на Computer работят извън основната си професия в 59% от случаите в сравнение с 50% за Search. Най-голямо увеличение се наблюдава в „Мениджмънт и предприемачество“, „Дигитални технологии“, „Изкуство и дизайн“ и „Здравеопазване и социални услуги“. Заявките за търсене в различни професии са концентрирани в дигиталните технологии, докато заявките към Computer делегират работа, която преминава в по-разнообразни области, където иначе потребителите биха се нуждаели от специалисти.

Потоци от задачи между професиите в осемте професионални клъстера. Извитите дъги показват основните изходящи дестинации на всеки клъстер, като ширината на линията е пропорционална на дяла на дестинацията, а типът на линията указва ранка. Search концентрира потоците между професиите в дигиталните технологии, докато Computer разпределя потоците към маркетинг, мениджмънт, финансови услуги и други изпълнителни дестинации.

Вертикалното изместване е дори по-голямо. В извадка от 5 000 заявки към Computer и 5 000 заявки към Search от същата група потребители, използващи и двата продукта, заявките към Computer са по-сложни в когнитивно отношение от заявките към Search. Според прераболената таксономия на Блум, 76% от заявките към Computer изискват познание от по-висок ред в сравнение с 55% за Search. Разликата е концентрирана на върха: 50% от заявките към Computer са задачи на ниво „Създаване“ в сравнение с 26% за Search. Search има много по-голяма тежест при търсене на факти на ниво „Запомняне“. В измерението за тип задача „абстрактна спрямо рутинна“, 71% от заявките към Computer включват абстрактно, нерутинно познание спрямо 53% за Search.

Когнитивна сложност на заявките към Computer и Search. Computer се измества силно към работа на ниво „Създаване“ и абстрактна нерутинна работа.

Задачите към Computer също така се основават на повече области на знанието. Средната задача за Computer изисква съществена експертиза в 2,40 области на знанието по O*NET в сравнение с 1,74 за Search, което е 38% увеличение. Computer е почти три пъти по-склонен от Search да изисква три или повече области на знанието: 51% срещу 17%.

Необходими области на знанието на заявка. Сесиите на Computer се концентрират в две до три области и е много по-вероятно да изискват широка експертиза.

На ниво работна активност същият модел се запазва. Типичната заявка към Computer ангажира 2,95 генерални работни дейности по O*NET и 4,01 междинни работни дейности срещу 2,24 и 2,87 за Search, което представлява 32% и 40% увеличение. На по-детайлни нива Computer ангажира 59% повече подробни работни дейности и 60% повече специфични за професията изявления за задачи.

Ширина на активността по задачи на заявка в нивата на вложеност на O*NET. Computer измества разпределението надясно на междинно, детайлно ниво и на ниво изявления за задачи.

Най-показателната мярка е наборът от задачи, които се появяват в Computer, но не и в Search сред едни и същи потребители. При най-строгата дефиниция, при която едно изявление за задача се появява в Computer и никога не се появява в съчетаната извадка на Search, 23% от заявките към Computer ангажират поне едно изявление за задача, уникално за Computer. Разхлабването на прага, за да се разрешат до пет появявания в Search, повишава дяла до 38% и той се стабилизира около 41%. Тези дейности, характерни само за Computer, се концентрират в софтуерната и уеб разработката, създаването на документация и визуализацията на данни или графиките. Точно тук автономното изпълнение е от най-голямо значение: Search обяснява; Computer произвежда.

Дял на заявките към Computer, които ангажират поне една O*NET активност, налична само в Computer, при различни прагове на появяване. Най-силното разделение се появява на фино детайлизираното ниво на изявленията за задачи.

Повечето доказателства за AI на работното място се фокусират върху средата на асистент. Тази литература показа големи печалби в продуктивността при подобряването на писането, поддръжката на клиенти, програмирането и консултирането (напр. Noy and Zhang 2023; Brynjolfsson, Li, and Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

Агентите променят потребителското поведение и последващите икономически резултати. Производствените внедрявания започват да разкриват използването и въздействието на агентите в реални условия, но са предимно фокуирани върху специализирани агенти за програмиране и ранни браузър агенти (напр. Sarkar 2026; McCain et al. 2026; Demirer, Musolff, and Yang 2026; Yang et al. 2025). Ние допълваме тази работа и преодоляваме пропастта между литературата за асистенти и тази за агенти, като сравняваме потребителското взаимодействие с универсален оркестратор на агенти спрямо асистент за разговор, както и като разширяваме анализа на последващото въздействие към по-широк спектър от интелектуален труд.

Ние също така преминаваме от излагане на риск към реализирана рекомпозиция на задачите. Предишна работа оценява кои професии са изложени на влиянието на AI, използвайки описания на задачи и професионална структура (напр. Eloundou et al. 2024; Felten, Raj, and Seamans 2023), докато мерките, базирани на употребата, показват разликата между излагане и внедряване (Massenkoff and McCrory 2026). Ние документираме как съставът на задачите се променя с достъпа до агенти.

Отбелязваме редица предупреждения. Първо, прозорецът на наблюдение е ранен, а ранните последователи клонят към AI специалисти. Потребителите също така активно експериментират и адаптират своите работни процеси в рамките на бързо развиващ се продуктов ландшафт, така че тези модели могат да се променят с времето. Второ, базираният на сесии дизайн със съчетани заявки пропуска много задачи на Computer, които нямат близък еквивалент в Search. Макар че сесиите предоставят естествен начин за сегментиране на задачите, потребителите не винаги следват тази структура на практика, което прави сесиите шумен сурогат за единици задачи. Трето, оценките на ефективността зависят критично от предположенията относно времето за инструменти, еквивалентно на човешкото, и времето за човешки надзор. Въпреки че оценките на базата на LLM и интервютата с потребители сочат в същата посока, а анализа на точката на беззагубие и чувствителността показват надеждност, точните величини следва да се тълкуват като приблизителни. По сходен начин грешката при класификацията с LLM въвежда допълнителен шум в измерванията. И накрая, наблюдаваме потребителското поведение само в екосистемата на Perplexity и не улавяме активността извън нея, което може да ограничи нашия поглед върху пълните работни дейности и използването на инструменти от потребителите.

Агентите правят съществуващите задачи по-бързи и по-евтини – и, по-важното, правят жизнеспособни задачи, които обхващат професионални граници и нива на експертиза.

Когато една система може да търси, сърфира, програмира, редактира файлове, да се свързва с услуги и да произвежда крайни резултати, тесните места в работата на потребителя се променят. Те прекарват по-малко време в опериране на работния процес и повече време в определяне на цели, предоставяне на контекст, проверка на изходните данни и задаване на въпроси за разширения. Потребителят преминава от оператор към надзорник.

На индивидуално ниво тази промяна разширява границата на задачите, като дава възможност на потребителите да поеха работа, която е едновременно по-широка и по-дълбока. На ниво организация и пазар на труда остава отворен въпросът как се агрегират тези промени на микрониво. Ако един единствен индивид, оборудван с агенти, може да завърши работни процеси, които преди са изисквали множество роли, то дългосрочното въздействие на агентите няма да бъде уловено само с метрики за скорост и разходи. Вместо това то ще се прояви в начина, по който работата е опакована, как са дефинирани ролите и как са структурирани екипите.

За да научите повече за нашата методология и констатации, прочетете пълния технически доклад.

Anderson, Lorin W., and David R. Krathwohl. 2001. A Taxonomy for Learning, Teaching, and Assessing: A Revision of Bloom's Taxonomy of Educational Objectives. New York: Longman.

Autor, David H., Frank Levy, and Richard J. Murnane. 2003. "The Skill Content of Recent Technological Change: An Empirical Exploration." The Quarterly Journal of Economics 118 (4): 1279–1333.

Brynjolfsson, Erik, Danielle Li, and Lindsey R. Raymond. 2025. "Generative AI at Work." The Quarterly Journal of Economics 140 (2): 889–942.

Cui, Zheyuan Kevin, Mert Demirer, Sonia Jaffe, Leon Musolff, Sida Peng, and Tobias Salz. 2026. "The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers." Management Science, Articles in Advance.

Dell'Acqua, Fabrizio, Edward McFowland III, Ethan R. Mollick, Hila Lifshitz-Assaf, Katherine Kellogg, Saran Rajendran, Lisa Krayer, François Candelon, and Karim R. Lakhani. 2026. "Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality." Organization Science, Articles in Advance.

Demirer, Mert, Leon Musolff, and Liyuan Yang. 2026. "Writing Code vs. Shipping Code: Productivity Effects Across Generations of AI Coding Tools." NBER Working Paper 35275.

Eloundou, Tyna, Sam Manning, Pamela Mishkin, and Daniel Rock. 2024. "GPTs are GPTs: Labor Market Impact Potential of LLMs." Science 384 (6702): 1306–1308.

Felten, Edward W., Manav Raj, and Robert Seamans. 2023. "Occupational Heterogeneity in Exposure to Generative AI." SSRN 4414065.

Massenkoff, Maxim, and Peter McCrory. 2026. "Labor Market Impacts of AI: A New Measure and Early Evidence." Anthropic.

McCain, Miles, Thomas Millar, Saffron Huang, Jake Eaton, Kunal Handa, Michael Stern, Alex Tamkin, Matt Kearney, Esin Durmus, Judy Shen, Jerry Hong, Brian Calvert, Jun Shern Chan, Francesco Mosconi, David Saunders, Tyler Neylon, Gabriel Nicholas, Sarah Pollack, Jack Clark, and Deep Ganguli. 2026. "Measuring AI Agent Autonomy in Practice." Anthropic.

National Center for O*NET Development. 2026. O*NET 30.2 Database. U.S. Department of Labor, Employment and Training Administration.

Noy, Shakked, and Whitney Zhang. 2023. "Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence." Science 381 (6654): 187–192.

Sarkar, Suproteem K. 2026. "AI Agents and Higher-Order Work." University of Chicago Booth School of Business.

U.S. Bureau of Labor Statistics. 2026. "Occupational Employment and Wage Statistics: May 2025 Estimates." U.S. Department of Labor.

Yang, Jeremy, Noah Yonack, Kate Zyskowski, Denis Yarats, Johnny Ho, and Jerry Ma. 2025. "The Adoption and Usage of AI Agents: Early Evidence from Perplexity." arXiv preprint arXiv:2512.07828.

Въведение

Възприемане на Computer и случаи на употреба

По-висока автономия и качество

Печалби от ефективност благодарение на автономията

Обхватът на задачите се разширява хоризонтално и вертикално

Обсъждане

Поглед напред

Литература