এআই এজেন্টরা কীভাবে নলেজ ওয়ার্ককে নতুন রূপ দেয়

ফ্রন্টিয়ার এআই সিস্টেমগুলো মডেল ইন্টেলিজেন্স এবং বাস্তব বিশ্বের উপযোগিতার মধ্যকার ব্যবধান কমিয়ে আনছে। নতুন মডেল, কম্পিউট আর্কিটেকচার এবং অর্কেস্ট্রেশন প্যাটার্নগুলো এই সিস্টেমগুলোকে এমন সব কাজ সম্পন্ন করতে সক্ষম করে তুলছে যা মাত্র কয়েক মাস আগেও অসম্ভব বলে মনে করা হতো।

এই দ্রুতগতির উদ্ভাবন এআই ব্যবহারকারীদের কাজের পরিধি ও ক্ষমতা বাড়িয়ে তাদের জন্য আশীর্বাদ হিসেবে প্রমাণিত হয়েছে। তবে এর ফলে প্রযুক্তিগত ফ্রন্টিয়ার এবং এর প্রতিক্রিয়ায় নলেজ ওয়ার্ক কীভাবে বিবর্তিত হচ্ছে সে সম্পর্কে আমাদের সুনির্দিষ্ট ধারণার মধ্যে একটি ব্যবধানও তৈরি হয়েছে। ফ্রন্টিয়ার এআই কীভাবে বিভিন্ন পেশায় নলেজ ওয়ার্কের প্রকৃতি পরিবর্তন করছে? এই কাজের ক্ষেত্রে আমরা কী ধরনের কাঠামোগত এবং অর্থনৈতিক রূপান্তর আশা করতে পারি?

আমরা Perplexity ব্যবহারের সতর্কতাপূর্ণ অভিজ্ঞতাভিত্তিক বিশ্লেষণের মাধ্যমে এই ব্যবধান দূর করতে সচেষ্ট। আজ, হার্ভার্ড বিজনেস স্কুলের গবেষকদের সাথে যৌথভাবে, আমরা বাস্তব বিশ্বের বাস্তবায়নে Perplexity Computer-এর আমাদের প্রথম ব্যাপক গবেষণাটি শেয়ার করছি। আমাদের ফলাফলগুলো ইঙ্গিত দেয় যে Computer কম খরচে ব্যবহারকারীরা যা অর্জন করতে পারে তার প্রশস্ততা এবং গভীরতা উভয়ই প্রসারিত করে। Computer ব্যবহারকারীরা আরও বেশি কাজ সম্পন্ন করছেন, উচ্চতর অ্যাবস্ট্রাকশন স্তরে কাজ করছেন এবং তাদের নিজস্ব পেশার বাইরেও ভ্যালু আনলক করতে শৃঙ্খলার সীমানা অতিক্রম করছেন।

এই নিবন্ধটি আমাদের গবেষণার মূল বিষয়গুলো উপস্থাপন করে। বিস্তারিত পদ্ধতি এবং ফলাফল আমাদের টেকনিক্যাল রিপোর্টে পাওয়া যাবে।

ভূমিকা

প্রথম মূলধারার জেনারেটিভ এআই সিস্টেমগুলো ছিল কথোপকথনমূলক সহকারী (কনভারসেশনাল অ্যাসিস্ট্যান্ট), যা ব্যবহারকারীদের সাথে সংলাপে লিপ্ত হয়। এই সহকারীগুলো উদ্দেশ্য এবং কর্মের মাঝখানে অবস্থান করে। তারা প্রশ্নের উত্তর দেয়, ট্রেডঅফ ব্যাখ্যা করে এবং পরবর্তী পদক্ষেপের পরামর্শ দেয়। এরপর ব্যবহারকারীকে উত্তরটিকে কাজে রূপান্তর করতে হয়: সঠিক টুলগুলো খোলা, ফাইল সংগ্রহ করা, ডকুমেন্ট এডিট করা, মধ্যবর্তী আউটপুটগুলো চেক করা এবং পরবর্তীতে কী করতে হবে তা নির্ধারণ করা।

এজেন্টরা শ্রমের সেই বিভাজন পরিবর্তন করে। একজন ব্যবহারকারী একটি ফলাফল নির্দিষ্ট করে দেন, এবং সিস্টেমটি বিভিন্ন টুলের মধ্যে পরিকল্পনা করে, মধ্যবর্তী পদক্ষেপগুলো সম্পাদন করে, প্রয়োজনে অনুপস্থিত ইনপুটগুলোর জন্য অনুরোধ করে এবং একটি প্রস্তুত ফলাফল প্রদান করে। এজেন্টরা এআই-এর ব্যবহারকে কেবল তথ্য খোঁজা এবং সেগুলোর সংশ্লেষণ করা থেকে সরিয়ে এনে স্বয়ংক্রিয়ভাবে পরিকল্পনা করা এবং কাজ সম্পন্ন করার দিকে নিয়ে যায়।

এই পথটি Perplexity-এর নিজস্ব পণ্যের বিবর্তনকে ফুটিয়ে তোলে। ২০২২ সালে, আমরা Search লঞ্চ করেছিলাম, যা ব্যবহারকারীদের প্রশ্ন জিজ্ঞাসা করতে এবং বিলিয়ন বিলিয়ন নথিপত্র জুড়ে যাচাইযোগ্য উদ্ধৃতি দ্বারা সমর্থিত উত্তর পেতে সক্ষম করে তোলার মাধ্যমে অ্যানসার ইঞ্জিন বিভাগটিকে সংজ্ঞায়িত করেছিল। ২০২৫ সালে, আমরা Comet ব্রাউজার চালু করি, যাতে একটি এমবেডেড ওয়েব এজেন্ট রয়েছে যা উন্মুক্ত ওয়েবে ব্যবহারকারীদের সাথে যুক্ত থেকে যুক্তি প্রদর্শন করে এবং কাজ করে। এবং ২০২৬ সালে, আমরা Computer লঞ্চ করি, যা একটি সাধারণ উদ্দেশ্যে ব্যবহৃত এজেন্ট অর্কেস্ট্রাটর যা জটিল পরিবেশ এবং দীর্ঘ সময় ধরে ব্যবহারকারী-নির্দিষ্ট উদ্দেশ্যের দিকে স্বয়ংক্রিয়ভাবে কাজ করে।

এই পরিবর্তন কীভাবে আমাদের কাজের পদ্ধতি বদলাচ্ছে? আমরা আমাদের Search এবং Computer পণ্যগুলোর ডেটা ব্যবহার করে তিনটি দিকের ওপর ফোকাস করে এই বিষয়টি অন্বেষণ করি:

স্বয়ংক্রিয়তা (অটোনমি): একই কাজের ক্ষেত্রে Search-এর তুলনায় Computer কতটুকু স্বয়ংক্রিয় কাজ সম্পাদন করে?

দক্ষতা: একই কাজের ক্ষেত্রে Search-এর তুলনায় Computer কতটুকু সময় এবং শ্রমের খরচ বাঁচায়?

সুযোগ/পরিধি (স্কোপ): ব্যবহারকারীরা যে ধরনের কাজের চেষ্টা করেন, Computer তা কীভাবে পরিবর্তন করে?

আমরা দেখতে পেয়েছি যে Computer-এর মতো এজেন্টগুলোর জন্য শুরুতেই ব্যবহারকারীর বেশি প্রচেষ্টা প্রয়োজন হয় (যেহেতু ব্যবহারকারীদের অর্পণ করার উদ্দেশ্যগুলো নির্দিষ্ট করতে হয় এবং ফলাফলগুলো পর্যালোচনা করতে হয়) তবে কাজের প্রতি একক হিসেবে মানুষের প্রচেষ্টা অনেক কম লাগে (আরও স্বয়ংক্রিয়ভাবে কাজ সম্পাদনের কারণে)। এটি সেগুলোকে দীর্ঘ, বহু-ধাপ বিশিষ্ট ওয়ার্কফ্লোর জন্য বিশেষভাবে কার্যকর করে তোলে। এর ফলাফল হলো এমন কাজ যা একই সাথে গভীর এবং সাশ্রয়ী। Computer ব্যবহারকারীর প্রচেষ্টাকে ম্যানুয়াল এক্সিকিউশন থেকে সুপারভিশন বা তত্ত্বাবধানে স্থানান্তরিত করে, যা ব্যবহারকারীদের তাদের দক্ষতার ক্ষেত্রগুলোর ভিতরে এবং বাইরে উভয় ক্ষেত্রেই তারা যা অর্জন করতে পারে তার পরিসরকে প্রসারিত করে।

Computer অ্যাডপশন এবং ব্যবহারের ক্ষেত্রসমূহ

Computer ২৫শে ফেব্রুয়ারি, ২০২৬ সালে লঞ্চ করা হয়েছিল এবং প্রথম তিন মাসে এটি দ্রুত বৃদ্ধি পেয়েছিল।

২৭শে মে নাগাদ কিউমুলেটিভ Computer কুয়েরির সংখ্যা তাদের প্রথম সপ্তাহের মোট সংখ্যার ৮৪ গুনে পৌঁছেছিল। বেসলাইন হিসেবে, Computer ব্যবহারকারীদের মধ্যে কিউমুলেটিভ Search ব্যবহারের পরিমাণ তাদের প্রথম সপ্তাহের মোট পরিমাণের ১৪ গুনে পৌঁছেছিল, যা নন-Computer ব্যবহারকারীদের ১২ গুণ বৃদ্ধির চেয়ে বেশি।

সাবস্ক্রিপশন টায়ার, প্রাথমিক Search টপিক এবং পূর্ববর্তী Search তীব্রতার ওপর ভিত্তি করে Computer এবং নন-Computer ব্যবহারকারীদের মিল করার পরেও, একটি ডিফারেন্স-ইন-ডিফারেন্স তুলনা দেখায় যে Computer গ্রহণ করা Search-এর ব্যবহার বৃদ্ধি করে: Computer ব্যবহারকারীরা অনুরূপ নন-Computer ব্যবহারকারীদের তুলনায় প্রতিদিন ১.০৫টি বেশি Search কুয়েরি করেন।

১০০,০০০টি Computer কুয়েরির একটি র্যান্ডম নমুনায়, গবেষণা ও বিশ্লেষণ (রিসার্চ অ্যান্ড অ্যানালাইসিস) ছিল ২৫.৮% নিয়ে বৃহত্তম টাস্ক ক্যাটাগরি, তারপরে রয়েছে ১৮.৬% নিয়ে ডকুমেন্ট এবং অ্যাসেট ক্রিয়েশন। লক্ষ করা টাস্ক মিক্সটি জেনারেটিভ কাজের দিকে ঝুঁকে রয়েছে: ডকুমেন্ট, স্প্রেডশীট, কোডবেস, ওয়েবসাইট এবং ওয়ার্কফ্লো যার জন্য একাধিক টুল জুড়ে কাজের প্রয়োজন হয়।

ডোমেইনের কথা বলতে গেলে, ব্যবহার সফটওয়্যার এবং আইটি, ফিন্যান্স এবং ইনভেস্টিং, মার্কেটিং এবং সেলস, বিজনেস অপারেশনস, হেলথকেয়ার, এডুকেশন, লিগ্যাল এবং মিডিয়া জুড়ে ব্যাপকভাবে বণ্টিত ছিল।

উচ্চতর স্বয়ংক্রিয়তা এবং গুণগত মান

স্বয়ংক্রিয়তার সবচেয়ে সরাসরি সংকেত হলো ব্যবহারকারী কোনো অনুরোধ জমা দেওয়ার পরে মানুষের হস্তক্ষেপ ছাড়াই সিস্টেমটি কতক্ষণ ধরে চলে। Search সাধারণত সেকেন্ডের মধ্যে একটি প্রতিক্রিয়া প্রদান করে। Computer প্রায়শই কয়েক মিনিট বা এমনকি কয়েক ঘণ্টা ধরে কাজ চালিয়ে যায়: অনুসন্ধান করা, ব্রাউজ করা, লেখা, এডিট করা, কোড চালানো এবং মধ্যবর্তী ফলাফলগুলো চেক করা।

আমরা প্রায় অভিন্ন প্রাথমিক কুয়েরি সহ Search এবং Computer সেশনগুলোকে উভয় পণ্যের সাহায্যে চেষ্টা করা একই কাজের প্রক্সি হিসেবে ব্যবহার করি। ১০,০০০টি মেলানো জোড়ার মধ্যে, প্রতি সেশনে Computer গড়ে ২৬ মিনিট মেশিন এক্সিকিউশন করে, যেখানে Search-এর ক্ষেত্রে তা ৩৩ সেকেন্ড। এটি কার্যকরভাবে একই কাজগুলোতে মেশিন কাজের ক্ষেত্রে ৪৮ গুণ বৃদ্ধি। মিডিয়ানের ক্ষেত্রে, ব্যবধানটি ৯ মিনিট বনাম ১৪ সেকেন্ড, বা ৪০ গুণ। ডোমেইন স্প্লিট একই প্যাটার্ন দেখায়: Computer সমস্ত ১৮টি ডোমেইন জুড়ে মোটামুটি ২৬-৭৫ গুণ বেশি মেশিন কাজ সম্পাদন করে।

দীর্ঘ সময় ধরে চলা স্বয়ংক্রিয়তা মানেই যে কাজ বন্ধ হয়ে যাওয়ার হার বেশি তা নয়। পণ্যগুলোতে ব্যবহারকারী কর্তৃক কাজ বন্ধ করার ইভেন্টগুলো একই রকম ছিল: ৩.৭% Computer সেশন এবং ৩.৪% Search সেশনে অন্তত একটি ব্যবহারকারী কর্তৃক কাজ বন্ধ করার ইভেন্ট ছিল। Computer ব্যবহারকারীর ইনপুটের জন্য আরও ঘন ঘন বিরতি নিয়েছিল: ১৩% Computer কুয়েরিতে অন্তত একটি পজ-ফর-ইউজার টুল কল করা হয়েছিল যেখানে Search-এর ক্ষেত্রে তা ছিল ০.৩%, যা সাধারণত অনুমোদন অনুরোধ করার বা স্পষ্ট করার প্রশ্ন জিজ্ঞাসা করার জন্য হয়ে থাকে। এটি একটি এজেন্টের জন্য প্রত্যাশিত প্যাটার্ন: এটি বেশিরভাগ সময় স্বয়ংক্রিয়ভাবে এগিয়ে যেতে পারে, তবে অনুমতি পাওয়ার এবং ব্যবহারকারী কী চান তা নিশ্চিত করার জন্য এর চেকপয়েন্ট দরকার হয়।

Computer মডেল কনটেক্সট প্রোটোকল (MCP) বা অ্যাপ্লিকেশন প্রোগ্রামিং ইন্টারফেস (API) শেষ বিন্দুর মাধ্যমে একটি একক সেশনে আরও অনেক বেশি বাহ্যিক টুল কল যুক্ত করে, এমন কাজ করে যা একজন Search ব্যবহারকারী অন্যথায় আলাদা অ্যাপ জুড়ে নিজে নিজে করতেন। ৭.৯% Computer সেশন অন্তত একটি কানেক্টর কল করে যেখানে Search সেশনের ক্ষেত্রে তা ১.৮% (একটি ৪ গুণ ব্যবধান), এবং Computer প্রতি সেশনে গড়ে ১.১৯টি কানেক্টর কল করে যেখানে Search-এর ক্ষেত্রে তা ০.১০ (একটি ১২ গুণ অনুপাত)। অন্য কথায়, Computer কেবল দীর্ঘ সময় ধরে চলে না; এটি ডেটা টানতে এবং পদক্ষেপ নিতে ব্যবহারকারীর সংযুক্ত পরিষেবাগুলোর আরও বেশি অংশে পৌঁছায়।

ফলো-আপ আচরণের গঠনেও পরিবর্তন আসে। ১,০০০ জোড়ার একটি বহু-টার্ন নমুনায়, কাজ এগিয়ে নেওয়ার সামগ্রিক প্রবণতা পণ্যগুলোতে প্রায় অভিন্ন (Computer ফলো-আপের ৫২.৭% বনাম Search-এর জন্য ৫২.৯%), কিন্তু ব্যবহারকারীরা যা চান তা পরিবর্তিত হয়: যেহেতু Computer সামনে থেকেই আরও সম্পূর্ণ ফলাফল প্রদান করে, তাই এর ব্যবহারকারীরা স্পষ্ট করার জন্য ড্রিল-ডাউনের পরিবর্তে এক্সটেনশন দিয়ে প্রতিস্থাপন করে (এক্সটেনশন ১৪.২% বনাম ১২.৫%; ড্রিল-ডাউন ২২.০% বনাম ২৩.৪%)। Computer ব্যবহারকারীরা আউটপুট পর্যালোচনা এবং সংশোধনে তাদের ফলো-আপের একটু বেশি সময় ব্যয় করেন (২৪.৬% বনাম ২৩.৬%), যেখানে Search সংক্ষিপ্ত নির্দেশ যেমন নিশ্চিতকরণ, পুনরায় চেষ্টা করা এবং ফরম্যাট অনুরোধের (১১.৬% বনাম ৯.৯%) ক্ষেত্রে বেশি ভারী যা Computer তার প্রাথমিক চালুর সাথে যুক্ত করে। অন্য কথায়, Search ছোট ডাইজেস্ট-অ্যান্ড-এক্সিকিউট লুপ তৈরি করে; Computer দীর্ঘ রিভিউ-অ্যান্ড-এক্সটেন্ড লুপ তৈরি করে।

সবচেয়ে গুরুত্বপূর্ণ বিষয় হলো, উচ্চতর স্বয়ংক্রিয়তার সাথে মান হ্রাস পায়নি। মেলানো মাল্টি-টার্ন সেশনগুলোতে, পরবর্তী-টার্নের অর্থপূর্ণ অসন্তুষ্টি Computer-এর জন্য ছিল ১.৩% বনাম Search-এর জন্য ২.৯%, যা ৫৫% হ্রাস। মৃদু সংকেত সহ যেকোনো অসন্তুষ্টি, Computer-এর জন্য ছিল ১০.৮% বনাম Search-এর জন্য ১৬.৬%。

স্বয়ংক্রিয়তা থেকে দক্ষতার লাভ

উচ্চতর স্বয়ংক্রিয়তা ম্যানুয়াল মানুষের কাজকে মেশিন কম্পিউটেশনের সাথে পরিবর্তন করে, যা দক্ষতাকে বাড়িয়ে তোলে। এই প্রভাবটি পরিমাপ করার জন্য, আমরা একই মেলানো কাজগুলোতে দুটি সেটআপ তুলনা করি।

Search + Human: Search রিট্রিভাল এবং সিন্থেসিস পরিচালনা করে; মানুষ ম্যানুয়ালি এক্সিকিউট করে।

Computer + Human: Computer ওয়ার্কফ্লো সম্পাদন করে; মানুষ কাজটি স্কোপ করে এবং আউটপুট পর্যালোচনা করে।

একটি কাজের জন্য একজন মানুষের কত সময় লাগবে আমরা সরাসরি তা পর্যবেক্ষণ করতে পারি না, তাই আমরা তিনটি স্বাধীন প্রাক্কলন দিয়ে ত্রিভুজীকরণ করি:

টুল-ভিত্তিক প্রাক্কলন: আমরা Computer টুল কলগুলোকে দুটি শ্রেণীতেclassify করি: "Search" এবং "Do"। Search টুলগুলো তথ্য রিট্রিভাল এবং সিন্থেসিস ধাপগুলোর সাথে মিলে যায় যা ইতিমধ্যেই Search পণ্য দ্বারা পরিচালিত হয়। Do টুলগুলো এমন এক্সিকিউশন ধাপগুলোকে প্রতিনিধিত্ব করে যা একা Search ব্যবহার করার সময় একজন মানুষের ম্যানুয়ালি সম্পাদন করার প্রয়োজন হবে। এরপর আমরা একজন অভিজ্ঞ মানুষের এই Do কাজগুলো সম্পাদন করতে যে সময় প্রয়োজন হবে তা প্রাক্কলন করি।

LLM-ভিত্তিক প্রাক্কলন: আমরা একজন দক্ষ পেশাদারের জন্য প্রয়োজনীয় সময় প্রাক্কলন করতে Computer সেশন থেকে কুয়েরিগুলো একটি LLM-এ ফিড করি যিনি Search থেকে উত্তর পান কিন্তু সমস্ত এক্সিকিউশন ধাপ ম্যানুয়ালি সম্পাদন করতে হবে।

ব্যবহারকারী-প্রতিবেদিত প্রাক্কলন: আমরা ডোমেইন জুড়ে সক্রিয় Computer ব্যবহারকারীদের সাথে ২৫টি আধা-কাঠামোগত সাক্ষাৎকার পরিচালনা করি এবং Computer-পূর্ববর্তী ওয়ার্কফ্লো এবং সেই ওয়ার্কফ্লো সম্পন্ন করতে যে সময় লাগত তা বের করে আনি।

টুল-ভিত্তিক প্রাক্কলন অনুযায়ী, গড় Search + Human কাজের জন্য ২৬৯ মিনিট সময় লাগে, যেখানে সংশ্লিষ্ট Computer + Human ওয়ার্কফ্লোর জন্য ৩৬ মিনিট সময় লাগে। এটি কাজের সময়ে ৮৭% হ্রাস।

কাজের সময়কে খরচে রূপান্তর করতে, আমরা ইউ.এস. ব্যুরো অফ লেবার স্ট্যাটিস্টিকস অকুপেশনাল এমপ্লয়মেন্ট অ্যান্ড ওয়েজ স্ট্যাটিস্টিকস (BLS OEWS) মে ২০২৫ ডেটা (ইউ.এস. ব্যুরো অফ লেবার স্ট্যাটিস্টিকস ২০২৬) থেকে ডোমেইন-নির্দিষ্ট গড় প্রতি ঘণ্টার মজুরি ব্যবহার করি। মডেল খরচের সাথে ডোমেইন-নির্দিষ্ট মানব শ্রম খরচ একত্রিত করে, Computer প্রাক্কলিত কাজের খরচ গড়ে ৯৪% কমিয়ে দেয়।

দক্ষতার সুবিধাটি সমস্ত ১৮টি ডোমেইনেই দেখা যায়, যেখানে ৭৯-৯২% সময় সাশ্রয় এবং ৮৭-৯৬% খরচ সাশ্রয় হয়। প্রোগ্রামিং হলো সবচেয়ে চরম ক্ষেত্র: Search + Human-এর জন্য ৫৯৬ মিনিট বনাম Computer + Human-এর জন্য ৪৮ মিনিট—একটি ৯২% সময় হ্রাস যা ৯৬% খরচ হ্রাস দেয়। বিজনেস, টেকনোলজি, এডুকেশন এবং রাইটিং-এও বড় ধরনের লাভ দেখা যায়। উচ্চ মজুরির ডোমেইনগুলোতে সময় সাশ্রয় সাধারণত অধিক খরচ সাশ্রয়ে রূপান্তরিত হয়।

এই ফলাফল কতটা শক্তিশালী? ব্রেকইভেনের কথা বিবেচনা করুন: Search + Human-এর খরচ Computer + Human-এর খরচের সাথে মেলাতে হলে, একজন পেশাদারকে ১৪-২৪ মিনিটের মধ্যে (মিডিয়ান ১৮) প্রতিটি ম্যানুয়াল ধাপ শেষ করতে হবে। আরও রক্ষণশীল ধারণার অধীনেও Computer প্রতিটি ডোমেইনে তার প্রান্ত বজায় রাখে: উদাহরণস্বরূপ, প্রতি-টুল সময়ে ৮ গুণ বেশি প্রাক্কলন, অথবা Computer-এর তত্ত্বাবধানের সময়ে ১২ গুণ কম প্রাক্কলন।

LLM-ভিত্তিক প্রাক্কলন অনুরূপ সামগ্রিক ফলাফল প্রদান করে: সামগ্রিকভাবে সময়ে ৮৪% হ্রাস এবং খরচে ৯৩% হ্রাস। ব্যবহারকারী ইন্টারভিউগুলো ফলাফলের একটি অনেক প্রশস্ত পরিসর দেখায়—৫ গুণ থেকে ৩০০ গুণের বেশি স্পিডআপ—যা সম্ভবত ব্যবহারকারীদের Computer-পূর্ববর্তী বেসলাইনে যথেষ্ট বৈচিত্র্যকে প্রতিফলিত করে। অংশগ্রহণকারীদের মধ্যে মিডিয়ান স্পিডআপ হলো ২৫ গুণ, যা সময়ে ৯৬% হ্রাসের সাথে মিলে যায়।

কাজের পরিধি অনুভূমিকভাবে এবং উল্লম্বভাবে প্রসারিত হয়

মেলানো কাজগুলোতে গতি এবং খরচ গল্পের কেবল একটি অংশ ধারণ করে। কাজের রূপও পরিবর্তন হতে পারে। যেহেতু Computer ম্যানুয়াল এক্সিকিউশনকে মেশিন কম্পিউটেশনের সাথে প্রতিস্থাপন করে, তাই ব্যবহারকারীরা বিভিন্ন ধরণের কাজ গ্রহণ করতে পারেন—যে কাজগুলো পেশাগত সীমানা অতিক্রম করে এবং যেগুলোর জন্য উচ্চ স্তরের দক্ষতার প্রয়োজন হয়।

প্রথমত, আমরা জিজ্ঞাসা করি ব্যবহারকারীরা Search-এর চেয়ে Computer-এর সাথে তাদের অনুমিত প্রাথমিক পেশা ক্লাস্টারের বাইরে বেশি ঘন ঘন কাজ করেন কিনা। দ্বিতীয়ত, আমরা পাঁচটি টাস্ক-লেভেল ক্লাসিফিকেশন ব্যবহার করে একই ব্যবহারকারীদের থেকে Computer এবং Search কুয়েরি তুলনা করি: ব্লুমস রিভাইজড ট্যাক্সনোমি (অ্যান্ডারসন এবং ক্রাথহোল ২০০১), টাস্ক-কনটেন্ট ট্র্যাডিশনে অ্যাবস্ট্রাক্ট বনাম রুটিন কাজ (অটর, লেভি, এবং মুর্নানে ২০০৩), O*NET নলেজ ব্রেডথ (ন্যাশনাল সেন্টার ফর O*NET ডেভেলপমেন্ট ২০২৬), O*NET ওয়ার্ক-অ্যাক্টিভিটি ব্রেডথ, এবং নতুন কাজ যা Search-এর সাথে চেষ্টা করা হয়নি।

অনুভূমিক পরিবর্তনটি ডেটায় স্পষ্ট। আটটি পেশা ক্লাস্টারের ৮,০০০ ব্যবহারকারীর একটি নমুনায়, তাদের সমস্ত কুয়েরি ব্যবহার করে, Computer ব্যবহারকারীরা Search-এর জন্য ৫০%-এর তুলনায় ৫৯% সময় তাদের প্রাথমিক পেশার বাইরে কাজ করেন। ব্যবস্থাপনা এবং উদ্যোক্তা (ম্যানেজমেন্ট অ্যান্ড এন্টারপ্রেনারশিপ), ডিজিটাল প্রযুক্তি, কলা এবং ডিজাইন (আর্টস অ্যান্ড ডিজাইন), এবং স্বাস্থ্যসেবা এবং মানব সেবা (হেলথকেয়ার অ্যান্ড হিউম্যান সার্ভিসেস)-এ সবচেয়ে বড় বৃদ্ধি দেখা যায়। ক্রস-পেশা Search কুয়েরিগুলো ডিজিটাল প্রযুক্তিতে কেন্দ্রীভূত, যেখানে Computer এমন কাজ অর্পণ করে যা আরও বৈচিত্র্যময় ডোমেইনে প্রবেশ করে যেখানে ব্যবহারকারীদের অন্যথায় বিশেষজ্ঞদের প্রয়োজন হতো।

উল্লম্ব পরিবর্তন আরও বড়। একই সেট অফ ডুয়াল-প্রোডাক্ট ব্যবহারকারীদের থেকে ৫,০০০ Computer কুয়েরি এবং ৫,০০০ Search কুয়েরির একটি নমুনায়, Computer কুয়েরিগুলো Search কুয়েরির চেয়ে জ্ঞানীয়ভাবে বেশি জটিল। ব্লুমস রিভাইজড ট্যাক্সনোমি অনুযায়ী, Search-এর জন্য ৫৫%-এর তুলনায় ৭৬% Computer কুয়েরির উচ্চ-ক্রমের কগনিশনের প্রয়োজন হয়। পার্থক্যটি শীর্ষে ঘনীভূত: Search-এর জন্য ২৬%-এর তুলনায় ৫০% Computer কুয়েরি হলো ক্রিয়েট-লেভেল কাজ। রিমেম্বার-লেভেল তথ্য খোঁজার ক্ষেত্রে Search-এর ভর অনেক বেশি। অ্যাবস্ট্রাক্ট-বনাম-রুটিন টাস্ক-টাইপ মাত্রায়, ৭১% Computer কুয়েরিতে Search-এর জন্য ৫৩%-এর তুলনায় বিমূর্ত (অ্যাবস্ট্রাক্ট), অ-রুটিন কগনিশন জড়িত থাকে।

Computer কাজগুলো আরও জ্ঞানের ডোমেইনের ওপর নির্ভর করে। Search-এর জন্য ১.৭৪-এর তুলনায় গড় Computer কাজের জন্য ২.৪০ O*NET নলেজ ক্ষেত্রে বস্তুগত দক্ষতার প্রয়োজন হয়, যা একটি ৩৮% বৃদ্ধি। তিনটি বা ততোধিক জ্ঞানের ডোমেইনের প্রয়োজন হওয়ার ক্ষেত্রে Computer-এর সম্ভাবনা Search-এর প্রায় তিন গুণ: ৫১% বনাম ১৭%।

ওয়ার্ক-অ্যাক্টিভিটি স্তরে, একই প্যাটার্ন প্রযোজ্য। একটি সাধারণ Computer কুয়েরি Search-এর জন্য ২.২৪ এবং ২.৮৭-এর তুলনায় ২.৯৫ O*NET জেনারেলাইজড ওয়ার্ক অ্যাক্টিভিটিস এবং ৪.০১ ইন্টারমিডিয়েট ওয়ার্ক অ্যাক্টিভিটিস নিযুক্ত করে, যা ৩২% এবং ৪০% বৃদ্ধি। সূক্ষ্ম স্তরে, Computer ৫৯% বেশি ডিটেইলড ওয়ার্ক অ্যাক্টিভিটিস এবং ৬০% বেশি পেশা-নির্দিষ্ট টাস্ক স্টেটমেন্ট নিযুক্ত করে।

সবচেয়ে প্রকাশ্য পরিমাপ হলো সেই কাজগুলোর সেট যা একই ব্যবহারকারীদের মধ্যে Search-এ নয় বরং Computer-এ উপস্থিত হয়। কঠোরতম সংজ্ঞা অনুযায়ী, যেখানে একটি টাস্ক স্টেটমেন্ট Computer-এ উপস্থিত হয় এবং জোড়ায় থাকা Search নমুনায় কখনই উপস্থিত হয় না, ২৩% Computer কুয়েরি অন্তত একটি Computer-অনলি টাস্ক স্টেটমেন্ট নিযুক্ত করে। পাঁচটি পর্যন্ত Search উপস্থিতি অনুমতি দেওয়ার জন্য থ্রেশহোল্ড শিথিল করলে শেয়ারটি ৩৮%-এ উন্নীত হয়, এবং এটি ৪১%-এর কাছাকাছি স্থিতিশীল হয়। এই Computer-অনলি অ্যাক্টিভিটিগুলো সফটওয়্যার এবং ওয়েব ডেভেলপমেন্ট, ডকুমেন্টেশন উৎপাদন এবং ডেটা ভিজ্যুয়ালাইজেশন বা গ্রাফিক্সে ঘনীভূত হয়। এটি ঠিক সেই জায়গা যেখানে স্বয়ংক্রিয় এক্সিকিউশন সবচেয়ে বেশি গুরুত্বপূর্ণ: Search ব্যাখ্যা করে; Computer উৎপন্ন করে।

আলোচনা

কাজের জায়গায় এআই-এর ওপর বেশিরভাগ প্রমাণ সহকারী সেটিংয়ের ওপর ফোকাস করে। সেই সাহিত্য লেখা, কাস্টমার সাপোর্ট, কোডিং এবং কনসাল্টিং পরিপূরক করার ক্ষেত্রে বড় ধরনের উৎপাদনশীলতা লাভ দেখিয়েছে (যেমন, নয় এবং ঝাং ২০২৩; ব্রিনজলফসন, লি, এবং রেমন্ড ২০২৫; কুই এট আল. ২০২৬; ডেল'আকুয়া এট আল. ২০২৬)।

এজেন্টরা ব্যবহারকারীর আচরণ এবং ডাউনস্ট্রিম অর্থনৈতিক ফলাফল পরিবর্তন করে। উৎপাদন বাস্তবায়ন বাস্তব বিশ্বের সেটিংগুলোতে এজেন্টের ব্যবহার এবং প্রভাব প্রকাশ করতে শুরু করেছে তবে বেশিরভাগই বিশেষায়িত কোডিং এজেন্ট এবং প্রাথমিক ব্রাউজার এজেন্টদের (যেমন, সরকার ২০২৬; ম্যাককেইন এট আল. ২০২৬; ডেমিরার, মুসোফ, এবং ইয়াং ২০২৬; ইয়াং এট আল. ২০২৫) ওপর ফোকাস করে। আমরা এই কাজের পরিপূরক এবং একটি সাধারণ উদ্দেশ্যে ব্যবহৃত এজেন্ট অর্কেস্ট্রাটর বনাম একটি কথোপকথনমূলক সহকারীর সাথে ব্যবহারকারীর মিথস্ক্রিয়া তুলনা করে এবং নলেজ ওয়ার্কের একটি বিস্তৃত পরিসরে ডাউনস্ট্রিম প্রভাব বিশ্লেষণ প্রসারিত করে সহকারী এবং এজেন্টের সাহিত্যকে সেতুবন্ধন করি।

আমরা এক্সপোজার থেকে উপলব্ধি করা টাস্ক রিকম্পোজিশনেও এগিয়ে যাই। পূর্ববর্তী কাজ টাস্ক বর্ণনা এবং পেশাগত কাঠামো (যেমন, এলুন্দৌ এট আল. ২০২৪; ফেলটেন, রাজ, এবং সিম্যান্স ২০২৩) ব্যবহার করে কোন পেশাগুলো এআই-এর সংস্পর্শে আসে তা প্রাক্কলন করে, যেখানে ব্যবহার-ভিত্তিক পরিমাপগুলো এক্সপোজার এবং ডিপ্লয়মেন্টের মধ্যকার ব্যবধান দেখায় (মাসেনকফ এবং ম্যাকক্ররি ২০২৬)। আমরা নথীভুক্ত করি যে এজেন্টের অ্যাক্সেসের সাথে টাস্ক কম্পোজিশন কীভাবে পরিবর্তিত হয়।

আমরা বেশ কয়েকটি সতর্কতার বিষয় উল্লেখ করছি। প্রথমত, পর্যবেক্ষণের উইন্ডোটি প্রাথমিক, এবং প্রাথমিক গ্রহণকারীরা এআই নেটিভদের দিকে ঝোঁকেন। ব্যবহারকারীরা দ্রুত বিবর্তিত হওয়া পণ্যের ল্যান্ডস্কেপের মধ্যে সক্রিয়ভাবে পরীক্ষা-নিরীক্ষা করছেন এবং তাদের ওয়ার্কফ্লো মানিয়ে নিচ্ছেন, তাই সময়ের সাথে সাথে এই প্যাটার্নগুলো পরিবর্তিত হতে পারে। দ্বিতীয়ত, সেশন-ভিত্তিক মেলানো-কুয়েরি ডিজাইনটি অনেক Computer কাজ বাদ দেয় যার কোনো কাছাকাছি Search সমতুল্য নেই। যদিও সেশনগুলো কাজ ভাগ করার একটি স্বাভাবিক উপায় প্রদান করে, ব্যবহারকারীরা সবসময় অনুশীলনে এই কাঠামো অনুসরণ করেন না, যা সেশনগুলোকে টাস্ক ইউনিটের জন্য একটি নয়েসি প্রক্সি করে তোলে। তৃতীয়ত, দক্ষতার প্রাক্কলনগুলো মানব-সমতুল্য টুল সময় এবং মানব তত্ত্বাবধানের সময় সম্পর্কিত অনুমানের ওপর গভীরভাবে নির্ভর করে। যদিও LLM-ভিত্তিক প্রাক্কলন এবং ব্যবহারকারী ইন্টারভিউগুলো একই দিকে নির্দেশ করে, এবং ব্রেকইভেন এবং সংবেদনশীলতা বিশ্লেষণ দৃঢ়তা নির্দেশ করে, সঠিক মাত্রাগুলোকে আনুমানিক হিসেবে পড়া উচিত। একইভাবে, LLM ক্লাসিফিকেশন ত্রুটি অতিরিক্ত পরিমাপের গোলযোগ প্রবর্তন করে। পরিশেষে, আমরা কেবল Perplexity ইকোসিস্টেমের মধ্যে ব্যবহারকারীর আচরণ পর্যবেক্ষণ করি এবং এর বাইরের কার্যকলাপ ক্যাপচার করি না, যা ব্যবহারকারীদের সম্পূর্ণ কাজের কার্যকলাপ এবং টুল ব্যবহারের বিষয়ে আমাদের দৃষ্টিভঙ্গি সীমিত করতে পারে।

সামনের দিকে তাকানো

এজেন্টরা বিদ্যমান কাজগুলোকে দ্রুত এবং সস্তা করে তোলে—এবং, আরও গুরুত্বপূর্ণভাবে, পেশাগত সীমানা এবং দক্ষতার স্তর জুড়ে থাকা কাজগুলোকে কার্যকর করে তোলে।

যখন একটি সিস্টেম অনুসন্ধান, ব্রাউজ, কোড, ফাইল এডিট, পরিষেবাগুলোর সাথে সংযোগ স্থাপন এবং ফলাফল উৎপাদন করতে পারে, তখন ব্যবহারকারীর বাধা পরিবর্তিত হয়। তারা ওয়ার্কফ্লো পরিচালনা করতে কম সময় ব্যয় করেন এবং লক্ষ্য নির্দিষ্ট করতে, কনটেক্সট সরবরাহ করতে, আউটপুট চেক করতে এবং এক্সটেনশনের অনুরোধ করতে বেশি সময় ব্যয় করেন। ব্যবহারকারী অপারেটর থেকে সুপারভাইজারে রূপান্তরিত হন।

ব্যক্তিগত স্তরে, এই পরিবর্তন টাস্ক ফ্রন্টিয়ারকে প্রসারিত করে, ব্যবহারকারীদের এমন কাজ গ্রহণ করতে সক্ষম করে যা একই সাথে প্রশস্ত এবং গভীর। সাংগঠনিক এবং শ্রম বাজার স্তরে, এই মাইক্রো-স্তরের পরিবর্তনগুলো কীভাবে একত্রিত হয় তা একটি উন্মুক্ত প্রশ্ন থেকে যায়। যদি এজেন্টদের সাথে সজ্জিত একজন একক ব্যক্তি এমন ওয়ার্কফ্লো সম্পন্ন করতে পারেন যার জন্য পূর্বে একাধিক ভূমিকার প্রয়োজন হতো, তবে এজেন্টদের দীর্ঘমেয়াদী প্রভাব কেবল গতি এবং খরচ মেট্রিকস দ্বারা ক্যাপচার করা যাবে না। পরিবর্তে, এটি কাজ কীভাবে বান্ডিল করা হয়, ভূমিকাগুলো কীভাবে সংজ্ঞায়িত করা হয় এবং দলগুলো কীভাবে কাঠামোগত হয় তাতে প্রকাশ পাবে।

আমাদের পদ্ধতি এবং ফলাফল সম্পর্কে আরও জানতে, সম্পূর্ণ টেকনিক্যাল রিপোর্ট</g1 পড়ুন।

রেফারেন্স

অ্যান্ডারসন, লরিন ডব্লিউ., এবং ডেভিড আর. ক্রাথহোল। ২০০১। এ ট্যাক্সনোমি ফর লার্নিং, টিচিং, অ্যান্ড অ্যাসেসিং: এ রিভিশন অফ ব্লুমস ট্যাক্সনোমি অফ এডুকেশনাল অবজেক্টিভস। নিউ ইয়র্ক: লংম্যান।

অটর, ডেভিড এইচ., ফ্রাঙ্ক লেভি, এবং রিচার্ড জে. মুর্নানে। ২০০৩। "দ্য স্কিল কনটেন্ট অফ রিসেন্ট টেকনোলজিক্যাল চেঞ্জ: অ্যান এম্পিরিক্যাল এক্সপ্লোরেশন।" দ্য কোয়ার্টারলি জার্নাল অফ ইকোনমিক্স ১১৮ (৪): ১২৭৯–১৩৩৩।

ব্রিনজলফসন, এরিক, ড্যানিয়েল লি, এবং লিন্ডসে আর. রেমন্ড। ২০২৫। "জেনারেটিভ এআই অ্যাট ওয়ার্ক।" দ্য কোয়ার্টারলি জার্নাল অফ ইকোনমিক্স ১৪০ (২): ৮৮৯–৯৪২।

কুই, ঝেইউয়ান কেভিন, মার্ট ডেমিরার, সোনিয়া জাফে, লিওন মুসোফ, সিদা পং, এবং টোবিয়াস সালজ। ২০২৬। "দ্য ইফেক্টস অফ জেনারেটিভ এআই অন হাই-স্কিলড ওয়ার্ক: এভিডেন্স ফ্রম থ্রি ফিল্ড এক্সপেরিমেন্টস উইথ সফটওয়্যার ডেভেলপার্স।" ম্যানেজমেন্ট সায়েন্স, আর্টিকেলস ইন অ্যাডভান্স।

ডেল'আকুয়া, ফ্যাব্রিজিও, এডওয়ার্ড ম্যাকফোল্যান্ড থার্ড, ইথান আর. মলিক, হিলা লিফশিটজ-আসাফ, ক্যাথরিন কেলগ, সরণ রাজেন্দ্রন, লিসা ক্রেয়ার, ফ্রাঁসোয়া ক্যান্ডেলন, এবং করিম আর. লাখানি। ২০২৬। "ন্যাভিগেটিং দ্য জ্যাগড টেকনোলজিক্যাল ফ্রন্টিয়ার: ফিল্ড এক্সপেরিমেন্টাল এভিডেন্স অফ দ্য ইফেক্টস অফ আর্টিফিশিয়াল ইন্টেলিজেন্স অন নলেজ ওয়ার্কার প্রোডাক্টিভিটি অ্যান্ড কোয়ালিটি।" অর্গানাইজেশন সায়েন্স, আর্টিকেলস ইন অ্যাডভান্স।

ডেমিরার, মার্ট, লিওন মুসোফ, এবং লিয়ান ইয়াং। ২০২৬। "রাইটিং কোড বনাম শিপিং কোড: প্রোডাক্টিভিটি ইফেক্টস অ্যাক্রস জেনারেশনস অফ এআই কোডিং টুলস।" NBER ওয়ার্কিং পেপার ৩৫২৭৫।

এলুন্দৌ, টায়না, স্যাম ম্যানিং, পামেলা মিশকিন, এবং ড্যানিয়েল রক। ২০২৪। "জিপ্টিস আর জিপ্টিস: লেবার মার্কেট ইমপ্যাক্ট পটেনশিয়াল অফ এলএলএমস।" সায়েন্স ৩৮৪ (৬৭০২): ১৩০৬–১৩৫৮।

ফেলটেন, এডওয়ার্ড ডব্লিউ., মানব রাজ, এবং রবার্ট সিম্যান্স। ২০২৩। "অকুপেশনাল হেটেরোজেনিয়টি ইন এক্সপোজার টু জেনারেটিভ এআই।" SSRN ৪৪১৪০৬৫।

মাসেনকফ, ম্যাক্সিম, এবং পিটার ম্যাকক্ররি। ২০২৬। "লেবার মার্কেট ইমপ্যাক্টস অফ এআই: এ নিউ মেজার অ্যান্ড আর্লি এভিডেন্স।" Anthropic।

ম্যাককেইন, মাইলস, থমাস মিলার, স্যাফরণ হুয়াং, জেক ইটন, কুণাল হান্ডা, মাইকেল স্টার্ন, অ্যালেক্স ট্যামকিন, ম্যাট কার্নি, এসিন ডারমুস, জুডি শেন, জেরি হং, ব্রায়ান ক্যালভার্ট, জুন শেরন চ্যান, ফ্রান্সেস্কো মোসকোনি, ডেভিড সন্ডার্স, টাইলর নেলন, গ্যাব্রিয়েল নিকোলাস, সারাহ পোলাক, জ্যাক ক্লার্ক, এবং দীপ গাঙ্গুলি। ২০২৬। "মেজারিং এআই এজেন্ট অটোনমি ইন প্র্যাকটিস।" Anthropic।

ন্যাশনাল সেন্টার ফর O*NET ডেভেলপমেন্ট। ২০২৬। O*NET ৩০.২ ডেটাবেস। ইউ.এস. ডিপার্টমেন্ট অফ লেবার, এমপ্লয়মেন্ট অ্যান্ড ট্রেনিং অ্যাডমিনিস্ট্রেশন।

নয়, শক্কেড, এবং হুইটনি ঝাং। ২০২৩। "এক্সপেরিমেন্টাল এভিডেন্স অন দ্য প্রোডাক্টিভিটি ইফেক্টস অফ জেনারেটিভ আর্টিফিশিয়াল ইন্টেলিজেন্স।" সায়েন্স ৩৮১ (৬৬৫৪): ১৮৭–১৯২।

সরকার, সুপ্রতীম কে। ২০২৬। "এআই এজেন্টস অ্যান্ড হায়ার-অর্ডার ওয়ার্ক।" ইউনিভার্সিটি অফ শিকাগো বুথ স্কুল অফ বিজনেস।

ইউ.এস. ব্যুরো অফ লেবার স্ট্যাটিস্টিকস। ২০২৬। "অকুপেশনাল এমপ্লয়মেন্ট অ্যান্ড ওয়েজ স্ট্যাটিস্টিকস: মে ২০২৫ এস্টিমেটস।" ইউ.এস. ডিপার্টমেন্ট অফ লেবার।

ইয়াং, জেরেমি, নোয়া ইোনাক, কেট জিসকৌস্কি, ডেনিস ইয়ারাতস, জনি হো, এবং জেরি মা। ২০২৫। "দ্য অ্যাডপশন অ্যান্ড ইউসেজ অফ এআই এজেন্টস: আর্লি এভিডেন্স ফ্রম Perplexity।" arXiv প্রিপ্রিন্ট arXiv:২৫১২.০৭৮২৮।