Com els agents d'IA remodelen el treball de coneixement

Els sistemes d'IA d'avantguarda estan reduint la distància entre la intel·ligència dels models i la utilitat en el món real. Els nous models, les arquitectures de càlcul i els patrons d'orquestració permeten a aquests sistemes dur a terme tasques que es consideraven impossibles fa tot just uns mesos.

Aquesta ràpida innovació ha estat un gran avantatge per als usuaris d'IA, ja que amplifica la seva capacitat d'acció i influència. Tanmateix, també ha creat un desfasament entre la frontera tecnològica i la nostra comprensió de com evoluciona exactament el treball de coneixement en resposta a aquesta situació. Com canvia la IA d'avantguarda la naturalesa del treball de coneixement en diferents professions? Quines transformacions estructurals i econòmiques podem esperar en aquest àmbit?

Cerquem escurçar aquesta bretxa mitjançant una anàlisi empírica acurada de l'ús de Perplexity. Avui, en col·laboració amb investigadors de la Harvard Business School, compartim el nostre primer estudi exhaustiu sobre la implementació en el món real de Perplexity Computer. Les nostres conclusions suggereixen que Computer amplia tant l'amplitud com la profunditat del que els usuaris poden aconseguir, a un cost menor. Els usuaris de Computer fan més feina, treballen a nivells d'abstracció superiors i travessen fronteres disciplinàries per generar valor fora de les seves pròpies professions.

Aquest article presenta els aspectes més destacats del nostre estudi. La metodologia detallada i les conclusions es poden consultar al nostre informe tècnic.

Introducció

Els primers sistemes d'IA generativa convencionals eren assistents conversacionals que intercanviaven diàlegs amb els usuaris. Aquests assistents s'interposen entre la intenció i l'acció. Responen preguntes, expliquen els pros i contres i suggereixen els passos següents. A continuació, l'usuari ha de traduir la resposta en feina: obrir les eines adequades, recopilar fitxers, editar documents, comprovar els resultats intermedis i decidir què cal fer després.

Els agents canvien aquesta divisió de la feina. L'usuari especifica un resultat, i el sistema planifica l'ús de diverses eines, executa passos intermedis, demana les dades que faltan quan cal i lliura un producte acabat. Els agents fan que l'ús de la IA passi de cercar informació i sintetitzar-la a planificar i dur a terme tasques de manera autònoma.

Aquest arc reflecteix la pròpia evolució de productes de Perplexity. El 2022 vam llançar Search, que va definir la categoria dels motors de resposta en permetre que els usuaris fessin preguntes i rebessin respostes avalades per citacions verificables de milers de milions de documents. El 2025 vam presentar el navegador Comet, amb un agent web integrat que raona i actua juntament amb els usuaris a la web oberta. I el 2026 vam llançar Computer, un orquestrador d'agents de propòsit general que treballa autònomament cap a objectius especificats per l'usuari en entorns complexos i horitzons temporals llargs.

Com està transformant aquesta transició la nostra manera de treballar? Explorem aquesta qüestió utilitzant dades dels nostres productes Search i Computer, centrant-nos en tres dimensions:

Autonomia: quanta feina autònoma duu a terme Computer en comparació amb Search per a una mateixa tasca?

Eficiència: quant de temps i de costos laborals estalvia Computer en relació amb Search per a una mateixa tasca?

Abast: de quina manera modifica Computer el tipus de feina que intenten dur a terme els usuaris?

Observem que els agents com Computer exigeixen més esforç inicial per part de l'usuari (ja que cal especificar els objectius que s'han de delegar i revisar els resultats), però molt menys esforç humà per unitat de treball (gràcies a una execució més autònoma). Això fa que siguin especialment eficaços en fluxos de treball llargs i de múltiples passos. El benefici és una feina alhora més profunda i econòmica. Computer desplaça l'esforç de l'usuari de l'execució manual a la supervisió, i amplia el ventall d'allò que els usuaris poden aconseguir tant dins com fora de les seves pròpies àrees d'expertesa.

Adopció i casos d'ús de Computer

Computer es va llançar el 25 de febrer de 2026 i va créixer ràpidament durant els primers tres mesos.

Les consultes acumulades a Computer van multiplicar per 84 el total de la seva primera setmana el 27 de maig. Com a referència, l'ús acumulat de Search entre els usuaris de Computer va multiplicar per 14 el total de la seva primera setmana, una xifra superior al creixement de 12 vegades dels usuaris que no utilitzen Computer.

Fins i tot després d'aparellar els usuaris de Computer i els que no ho són segons el nivell de subscripció, el tema principal de Search i la intensitat prèvia de recerca a Search, una comparació de diferències en diferències mostra que adoptar Computer incrementa l'ús de Search: els usuaris de Computer fan 1,05 consultes de Search més al dia que usuaris de Computer no afins.

En una mostra aleatòria de 100.000 consultes de Computer, «Recerca i anàlisi» va ser la categoria de tasca més important amb un 25,8 %, seguida de «Creació de documents i recursos» amb un 18,6 %. La combinació de tasques observada s'inclina cap al treball generatiu: documents, fulls de càlcul, bases de codi, llocs web i fluxos de treball que requereixen accions en múltiples eines.

Pel que fa als dominis, l'ús es va distribuir àmpliament entre programació i TI, finances i inversió, màrqueting i vendes, operacions comercials, sanitat, educació, dret i mitjans de comunicació.

Més autonomia i qualitat

El senyal més directe d'autonomia és quant de temps s'executa el sistema sense la intervenció humana un cop l'usuari tramet una sol·licitud. Search sol retornar una resposta en qüestió de segons. Computer sovint continua treballant durant minuts o fins i tot hores: cercant, navegant, escrivint, editant, executant codi i comprovant resultats intermedis.

Utilitzem sessions de Search i Computer amb consultes inicials gairebé idèntiques com a variable secundària per representar la mateixa tasca provada amb tots dos productes. En 10.000 parells aparellats, Computer duu a terme 26 minuts d'execució de màquina per sessió de mitjana, en comparació amb els 33 segons de Search. Això representa un increment de 48 vegades en el treball de màquina per a pràcticament les mateixes tasques. En la mediana, la diferència és de 9 minuts enfront de 14 segons, és a dir, 40 vegades més. La divisió per dominis mostra el mateix patró: Computer realitza aproximadament entre 26 i 75 vegades més feina de màquina en els 18 dominis.

Una autonomia de més durada no es va traduir en un major abandó. Els esdeveniments d'aturada per part de l'usuari van ser similars en tots dos productes: el 3,7 % de les sessions de Computer i el 3,4 % de les de Search contenien almenys un esdeveniment d'aturada per l'usuari. Computer sí que es va pausar més sovint per demanar informació a l'usuari: el 13 % de les consultes de Computer van activar almenys una eina de pausa per a l'usuari enfront del 0,3 % de Search, normalment per sol·licitar l'aprovació o formular preguntes de aclariment. Aquest és el patró esperat per a un agent: pot procedir autònomament la major part del temps, però necessita punts de control per obtenir permís i confirmar què vol l'usuari.

Computer també enllaça moltes més crides a eines externes —mitjançant el Model Context Protocol (MCP) o punts d'extensió d'interfície de programació d'aplicacions (API)— en una sola sessió, i fa una feina que un usuari de Search altrament hauria de fer a mà en aplicacions separades. El 7,9 % de les sessions de Computer fan almenys una crida a connector enfront de l'1,8 % de les sessions de Search (una diferència de 4 vegades), i Computer registra una mitjana d'1,19 cridades a connector per sessió enfront de les 0,10 de Search (una proporció de 12 vegades). Dit d'una altra manera, Computer no només funciona durant més temps; arriba a més serveis connectats d'un usuari per extreure dades i dur a terme accions.

El comportament de seguiment també canvia pel que fa a la seva composició. En una mostra de 1.000 parells de múltiples torns, la propensió general a avançar en la tasca és gairebé idèntica en tots dos productes (el 52,7 % de les respostes posteriors a Computer enfront del 52,9 % de Search), però allò que demanen els usuaris canvia: com que Computer lliura un producte final més complet d'entrada, els seus usuaris substitueixen les peticions d'aprofundiment per extensions (extensions 14,2 % enfront del 12,5 %; aprofundiments 22,0 % enfront del 23,4 %). Els usuaris de Computer també inverteixen una mica més de les seves respostes posteriors a revisar i corregir el resultat (24,6 % enfront del 23,6 %), mentre que Search presenta més directrius breus com confirmacions, reintents i sol·licituds de format (11,6 % enfront del 9,9 %) que Computer integra directament en la seva execució inicial. Dit d'una altra manera, Search crea bucles més curts de resum i execució; Computer crea bucles més llargs de revisió i extensió.

El més important és que la qualitat no va disminuir amb una autonomia més gran. En sessions aparellades de múltiples torns, la insatisfacció significativa al torn següent va ser de l'1,3 % per a Computer enfront del 2,9 % per a Search, la qual cosa suposa una reducció del 55 %. Qualsevol indici de insatisfacció, inclosos els senyals lleus, va ser del 10,8 % per a Computer enfront del 16,6 % per a Search.

Guany d'eficiència gràcies a l'autonomia

Una major autonomia substitueix la feina manual humana per càlculs de màquina, la qual cosa eleva l'eficiència. Per quantificar aquest efecte, comparem dues configuracions amb les mateixes tasques aparellades.

Search + humà: Search s'encarrega de la recuperació i la síntesi; l'humà ho executa manualment.

Computer + humà: Computer duu a terme el flux de treball; l'humà delimita la tasca i revisa el resultat.

No podem observar directament quant de temps trigaria un humà a fer una tasca, així que triangulem les dades amb tres estimacions independents:

Estimació basada en eines: Classifiquem les crides a eines de Computer en dues categories: «Cerca» i «Executa». Les eines de cerca corresponen als passos de recuperació i síntesi d'informació que el producte Search ja gestiona. Les eines d'execució representen els passos que un humà hauria de realitzar manualment si utilitzés només Search. A continuació, estimem el temps necessari perquè un professional experimentat dugui a terme aquestes accions d'execució.

Estimació basada en LLM: Introduïm consultes de sessions de Computer en un LLM per estimar el temps necessari per a un professional qualificat que rep respostes de Search però ha de dur a terme tots els passos d'execució manualment.

Estimació informada per l'usuari: Realitzem 25 entrevistes semiestructurades amb usuaris actius de Computer de diversos dominis i recopilem informació sobre els fluxos de treball previs a Computer i el temps que haurien trigat a completar-se.

Segons l'estimació basada en eines, la tasca mitjana de Search + humà triga 269 minuts, mentre que el flux de treball corresponent de Computer + humà triga 36 minuts. Això representa una reducció del 87 % en el temps de la tasca.

Per traduir el temps de la tasca en cost, utilitzem les mitjanes salarials horàries per domini de les estadístiques d'ocupació i sous de l'Oficina d'Estadístiques Laborals dels EUA (dades del maig de 2025 de l'OEWS de la BLS; U.S. Bureau of Labor Statistics 2026). Combinant el cost del model amb el cost de la mà d'obra humana específica de cada domini, Computer redueix el cost estimat de la tasca en un 94 % de mitjana.

L'avantatge en eficiència s'observa en els 18 dominis, amb un estalvi de temps del 79–92 % i un estalvi de costos del 87–96 %. La programació és el cas més extrem: 596 minuts per a Search + humà enfront de 48 minuts per a Computer + humà, la qual cosa suposa una reducció del temps del 92 % que comporta una reducció del cost del 96 %. Els sectors de negocis, tecnologia, educació i redacció també mostren guanys importants. L'estalvi de temps tendeix a traduir-se en un major estalvi de costos en els dominis amb sous més alts.

Fins a quin punt és robust aquest resultat? Considereu un punt d'equilibri: perquè Search + humà iguali el cost de Computer + humà, un professional necessitaria acabar cada pas manual en un interval de 14 a 24 minuts (amb una mediana de 18). Computer manté el seu avantatge en tots els dominis fins i tot sota hipòtesis més conservadores: per exemple, una sobreestimació de 8 vegades en el temps per eina, o una subestimació de 12 vegades en el temps de supervisió de Computer.

L'estimació basada en LLM proporciona resultats globals similars: una reducció del 84 % en el temps i del 93 % en el cost global. Les entrevistes amb els usuaris mostren un ventall de resultats molt més ampli —des de 5 fins a més de 300 vegades més rapidesa—, fet que probablement reflecteix una variació substancial en les línies de base prèvies a Computer dels usuaris. La mediana d'acceleració entre els participants és de 25 vegades, la qual cosa correspon a una reducció del temps del 96 %.

L'abast de les tasques s'expandeix horitzontalment i verticalment

La velocitat i el cost en tasques aparellades només reflecteixen una part de la realitat. La forma del treball també podria canviar. A mesura que Computer substitueix l'execució manual per càlculs de màquina, els usuaris poden assumir diferents tipus de feina: tasques que travessen límits professionals i aquelles que exigeixen nivells d'expertesa més alts.

Primer, ens preguntem si amb Computer els usuaris treballen fora del seu clúster professional principal deduït amb més freqüència que amb Search. Segon, comparem les consultes de Computer i Search dels mateixos usuaris utilitzant cinc classificacions a nivell de tasca: la taxonomia revisada de Bloom (Anderson i Krathwohl 2001), el treball abstracte enfront del rutinari segons la tradició del contingut de les tasques (Autor, Levy i Murnane 2003), l'amplitud de coneixements O*NET (National Center for O*NET Development 2026), l'amplitud d'activitats laborals O*NET i les noves tasques que no s'havien intentat amb Search.

El desplaçament horitzontal és evident en les dades. En una mostra de 8.000 usuaris de vuit clústers professionals, utilitzant totes les seves consultes, els usuaris de Computer treballen fora de la seva professió principal el 59 % del temps, en comparació amb el 50 % de Search. Els increments més grans apareixen a «Gestió i emprenedoria», «Tecnologia digital», «Arts i disseny» i «Sanitat i serveis socials». Les consultes de Search entre diferents professions es concentren en tecnologia digital, mentre que les consultes de Computer deleguen feina que s'endinsa en dominis més diversos on els usuaris altrament necessitarien especialistes.

El desplaçament vertical és encara més gran. En una mostra de 5.000 consultes de Computer i 5.000 de Search del mateix conjunt d'usuaris amb accés a ambós productes, les consultes de Computer són cognitivament més complexes que les de Search. Segons la taxonomia revisada de Bloom, el 76 % de les consultes de Computer exigeixen cognició d'ordre superior, en comparació amb el 55 % de Search. La diferència es concentra al capdamunt: el 50 % de les consultes de Computer són tasques del nivell de creació, enfront del 26 % de Search. Search té un pes molt superior pel que fa a la recerca de fets a nivell de record. Pel que fa a la dimensió del tipus de tasca abstracta enfront de la rutinària, el 71 % de les consultes de Computer impliquen cognició abstracta i no rutinària, davant del 53 % de Search.

Les tasques de Computer també es nodreixen de més dominis de coneixement. La tasca mitjana de Computer exigeix una expertesa substantiva en 2,40 àrees de coneixement O*NET, en comparació amb l'1,74 de Search, la qual cosa representa un increment del 38 %. Computer té gairebé tres vegades més probabilitats que Search de requerir tres o més dominis de coneixement: 51 % enfront del 17 %.

A nivell d'activitat laboral, es manté el mateix patró. Una consulta típica de Computer implica 2,95 activitats laborals generalitzades O*NET i 4,01 activitats laborals intermèdies, enfront de 2,24 i 2,87 per a Search, la qual cosa representa un increment del 32 % i del 40 %, respectivament. En nivells més detallats, Computer implica un 59 % més d'activitats laborals detallades i un 60 % més de declaracions de tasques específiques de la professió.

La mesura més reveladora és el conjunt de tasques que apareixen a Computer però no a Search entre els mateixos usuaris. Segons la definició més estricta, en què una declaració de tasca apareix a Computer i no apareix mai a la mostra aparellada de Search, el 23 % de les consultes de Computer incorporen almenys una declaració de tasca exclusiva de Computer. Si s'allisa el llindar per permetre fins a cinc aparicions a Search, la quota s'eleva fins al 38 %, i s'estabilitza prop del 41 %. Aquestes activitats exclusives de Computer es concentren en el desenvolupament de programari i web, la producció de documentació i la visualització de dades o gràfics. Allà és exactament on l'execució autònoma importa més: Search explica; Computer produeix.

Debat

La majoria de les proves sobre la IA en el lloc de treball se centren en l'entorn de l'assistent. Aquesta literatura ha mostrat importants guanys de productivitat en l'augment de la redacció, l'atenció al client, la programació i la consultoria (p. ex., Noy i Zhang 2023; Brynjolfsson, Li i Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

Els agents canvien el comportament dels usuaris i els resultats econòmics posteriors. Els desplegaments de producció comencen a revelar l'ús i l'impacte dels agents en entorns del món real, però se centren principalment en agents de programació especialitzats i agents de navegació primitius (p. ex., Sarkar 2026; McCain et al. 2026; Demirer, Musolff i Yang 2026; Yang et al. 2025). Complementem aquest treball i fem de pont entre la literatura dels assistents i la dels agents comparant la interacció de l'usuari amb un orquestrador d'agents de propòsit general enfront d'un assistent conversacional, i estenent l'anàlisi de l'impacte posterior a un ventall més ampli de treball de coneixement.

També passem de l'exposició a la recomposició de tasques realitzada. Els treballs anteriors estimen quines ocupacions estan exposades a la IA utilitzant descripcions de tasques i l'estructura ocupacional (p. ex., Eloundou et al. 2024; Felten, Raj i Seamans 2023), mentre que les mètriques basades en l'ús mostren la bretxa entre l'exposició i el desplegament (Massenkoff i McCrory 2026). Documentem com canvia la composició de les tasques amb l'accés als agents.

Assenyalem diverses advertències. En primer lloc, la finestra d'observació és primerenca, i els primers a adoptar-ho s'inclinen cap als nadius digitals de la IA. Els usuaris també experimenten activament i adapten els seus fluxos de treball dins d'un panorama de productes en ràpida evolució, de manera que aquests patrons poden variar amb el temps. En segon lloc, el disseny de consultes aparellades basades en sessions deixa de banda moltes tasques de Computer que no tenen un equivalent proper a Search. Tot i que les sessions ofereixen una manera natural de segmentar les tasques, els usuaris no sempre segueixen aquesta estructura a la pràctica, la qual cosa fa que les sessions siguin un indicador poc precís de les unitats de tasca. En tercer lloc, les estimacions d'eficiència depenen de manera crucial de les hipòtesis sobre el temps d'eina equivalent a un humà i el temps de supervisió humana. Tot i que les estimacions basades en LLM i les entrevistes amb usuaris apunten en la mateixa direcció, i les anàlisis de sensibilitat i de punt d'equilibri indiquen robustesa, les magnituds exactes s'han de prendre com a aproximades. De manera relacionada, l'error de classificació dels LLM introdueix soroll de mesura addicional. Finalment, només observem el comportament dels usuaris dins de l'ecosistema de Perplexity i no captem l'activitat fora d'aquest, la qual cosa pot limitar la nostra visió de les activitats laborals completes i de l'ús d'eines per part dels usuaris.

Mirant endavant

Els agents fan que les tasques existents siguin més ràpides i econòmiques i, fet més important, fan que siguin viables tasques que abasten límits professionals i nivells d'expertesa.

Quan un sistema pot cercar, navegar, programar, editar fitxers, connectar-se a serveis i produir productes lliurables, el coll d'ampolla de l'usuari es desplaça. Dediquen menys temps a operar el flux de treball i més temps a especificar objectius, aportar context, comprovar resultats i demanar extensions. L'usuari passa d'operador a supervisor.

A nivell individual, aquest canvi amplia la frontera de les tasques, i permet als usuaris assumir una feina que és alhora més àmplia i més profunda. A nivell organitzatiu i del mercat laboral, com s'agrega aquests canvis a microescala continua sent una qüestió oberta. Si un sol individu, equipat amb agents, pot completar fluxos de treball que abans requerien múltiples rols, l'impacte a llarg termini dels agents no es capturarà només amb mètriques de velocitat i cost. En comptes d'això, es manifestarà en com s'agrupa el treball, com es defineixen els rols i com s'estructuren els equips.

Per obtenir més informació sobre la nostra metodologia i les nostres conclusions, llegiu l'informe tècnic complet.

Referències

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

Autor, David H., Frank Levy i 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 i 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 i 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 i 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 i Liyuan Yang. 2026. «Writing Code vs. Shipping Code: Productivity Effects Across Generations of AI Coding Tools». Document de treball de l'NBER 35275.

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

Felten, Edward W., Manav Raj i Robert Seamans. 2023. «Occupational Heterogeneity in Exposure to Generative AI». SSRN 4414065.

Massenkoff, Maxim, i 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 i Deep Ganguli. 2026. «Measuring AI Agent Autonomy in Practice». Anthropic.

National Center for O*NET Development. 2026. Base de dades O*NET 30.2. Departament de Treball dels EUA, Employment and Training Administration.

Noy, Shakked, i 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». Departament de Treball dels EUA.

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