Jak AI agenti přetvářejí znalostní práci

Špičkové AI systémy zmenšují propast mezi inteligencí modelů a užitečností v reálném světě. Nové modely, výpočetní architektury a orchestrace umožňují těmto systémům zvládat úkoly, které byly ještě před několika měsíci považovány za nemožné.

Tato rychlá inovace se ukázala být pro uživatele AI přínosem, protože zvyšuje jejich efektivitu a možnosti. Zároveň však vytvořila prodlevu mezi technologickou špičkou a naším chápáním toho, jak se v reakci na to přesně vyvíjí znalostní práce. Jak špičková AI mění povahu znalostní práce napříč profesemi? Jaké strukturální a ekonomické transformace v této práci můžeme očekávat?

Tuto mezeru se snažíme zacelit pečlivou empirickou analýzou používání Perplexity. Dnes, ve spolupráci s výzkumníky z Harvard Business School, sdílíme naši první komplexní studii nasazení Perplexity Computer v reálném světě. Naše zjištění naznačují, že Computer rozšiřuje šíři i hloubku toho, co uživatelé dokážou zvládnout, a to při nižších nákladech. Uživatelé Computeru toho stíhají více, pracují na vyšších úrovních abstrakce a překračují oborové hranice, aby získali přidanou hodnotu mimo své vlastní profese.

Tento článek přináší to nejdůležitější z naší studie. Podrobná metodologie a zjištění jsou k dispozici v naší technické zprávě.

Úvod

První mainstreamové generativní AI systémy byly konverzačními asistenty, kteří vedou dialog s uživateli. Tito asistenti stojí mezi záměrem a akcí. Odpovídají na otázky, vysvětlují kompromisy a navrhují další kroky. Uživatel pak musí odpověď přeměnit v práci: otevřít správné nástroje, shromáždit soubory, upravit dokumenty, zkontrolovat průběžné výstupy a rozhodnout, co dělat dál.

Agenti tuto dělbu práce mění. Uživatel specifikuje výsledek a systém plánuje napříč nástroji, provádí mezikroky, v případě potřeby si vyžádá chybějící vstupy a vrátí hotový výstup. Agenti posouvají používání AI od vyhledávání a syntetizování informací k autonomnímu plánování a provádění úkolů.

Tento vývoj vystihuje vlastní produktovou cestu společnosti Perplexity. V roce 2022 jsme spustili Search, čímž jsme definovali kategorii vyhledávacích strojů tím, že jsme uživatelům umožnili klást otázky a získávat odpovědi podložené ověřitelnými citacemi napříč miliardami dokumentů. V roce 2025 jsme představili prohlížeč Comet s integrovaným webovým agentem, který uvažuje a jedná po boku uživatelů na otevřeném webu. A v roce 2026 jsme spustili Computer, univerzální orchestrátor agentů, který autonomně pracuje na uživatelem stanovených cílech v komplexních prostředích a v dlouhých časových horizontech.

Jak tento přechod mění způsob naší práce? Tuto otázku zkoumáme pomocí dat z našich produktů Search a Computer a zaměřujeme se na tři dimenze:

Autonomie: kolik autonomní práce provádí Computer oproti Search na stejném úkolu?

Efektivita: kolik času a nákladů na práci Computer ušetří ve srovnání se Search na stejném úkolu?

Rozsah: jak Computer mění typ práce, o kterou se uživatelé pokoušejí?

Zjistili jsme, že agenty jako Computer vyžadují větší počáteční úsilí uživatele (protože uživatelé musí definovat cíle, které mají být delegovány, a zkontrolovat výsledky), ale mnohem menší lidské úsilí na jednotku práce (díky autonomnějšímu provádění). To je činí obzvláště efektivními u dlouhých vícestupňových pracovních postupů. Výsledkem je práce, která je hlubší a zároveň levnější. Computer přesouvá úsilí uživatele z manuálního provádění na dohled, čímž rozšiřuje škálu toho, co uživatelé mohou dokázat jak v rámci svých vlastních oblastí odbornosti, tak mimo ně.

Přijetí a případy použití Computeru

Computer byl spuštěn 25. února 2026 a během prvních tří měsíců rychle rostl.

Kumulativní dotazy v Computeru dosáhly do 27. května 84násobku celkového počtu za první týden. Jako srovnávací základna dosáhlo kumulativní používání Search u uživatelů Computeru 14násobku celkového počtu za první týden, což je více než 12násobný růst u uživatelů nepoužívajících Computer.

Dokonce i po spárování uživatelů Computeru a uživatelů nepoužívajících Computer podle úrovně předplatného, primárního tématu Search a předchozí intenzity Search ukazuje porovnání metodou diferencí v diferencích, že přijetí Computeru zvyšuje používání Search: uživatelé Computeru zadají o 1,05 vyhledávacích dotazů za den více než podobní uživatelé nepoužívající Computer.

V náhodném vzorku 100 000 dotazů v Computeru byla kategorie Výzkum a analýza největší kategorií úkolů s 25,8 %, následovaná Tvorbou dokumentů a aktiv s 18,6 %. Pozorovaná kombinace úkolů se přiklání ke generativní práci: dokumenty, tabulky, zdrojové kódy, weby a pracovní postupy, které vyžadují práci napříč několika nástroji.

Když se podíváme na obory, používání bylo široce distribuováno napříč oblastmi Software a IT, Finance a investice, Marketing a prodej, Obchodní operace, Zdravotnictví, Vzdělávání, Právo a Média.

Vyšší autonomie a kvalita

Nejpřímějším signálem autonomie je, jak dlouho systém běží bez lidského zásahu poté, co uživatel odešle požadavek. Search obvykle vrátí odpověď během několika sekund. Computer často pokračuje v práci minutách nebo dokonce hodinách: vyhledává, prochází web, píše, upravuje, spouští kód a kontroluje průběžné výsledky.

Používáme relace Search a Computer s téměř identickými počátečními dotazy jako zástupný symbol pro stejný úkol prováděný oběma produkty. Napříč 10 000 spárovanými páry provádí Computer v průměru 26 minut strojového provádění na relaci oproti 33 sekundám u Search. To představuje 48násobný nárůst strojové práce na efektivně stejných úkolech. V mediánu je rozdíl 9 minut oproti 14 sekundám, neboli 40násobek. Rozdělení podle oborů ukazuje stejný vzorec: Computer provádí zhruba 26–75krát více strojové práce ve všech 18 oborech.

Delší autonomie se nepromítla do vyšší míry opuštění. Události zastavení uživatelem byly u obou produktů podobné: 3,7 % relací Computeru a 3,4 % relací Search obsahovalo alespoň jednu událost zastavení uživatelem. Computer se sice pozastavoval pro vstup uživatele častěji: 13 % dotazů v Computeru vyvolalo alespoň jeden nástroj pro pozastavení kvůli uživateli oproti 0,3 % u Search, obvykle za účelem vyžádání schválení nebo položení upřesňujících otázek. To je očekávaný vzorec pro agenta: většinu času může pokračovat autonomně, ale potřebuje kontrolní body k získání povolení a potvrzení toho, co uživatel chce.

Computer také do jedné relace řetězi mnohem více volání externích nástrojů – prostřednictvím protokolů Model Context Protocol (MCP) nebo koncových bodů rozhraní API – a vykonává práci, kterou by uživatel Search jinak musel dělat ručně napříč samostatnými aplikacemi. 7,9 % relací Computeru provádí alespoň jedno volání konektoru oproti 1,8 % relací Search (4násobný rozdíl) a Computer má průměr 1,19 volání konektoru na relaci oproti 0,10 u Search (12násobný poměr). Jinými slovy, Computer neběží jen déle; sahá do širšího okruhu propojených služeb uživatele, aby získal data a provedl akce.

Složení následného chování se rovněž mění. Ve vzorku 1 000 párů s více koly je celková tendence k pokroku v úkolu téměř totožná napříč produkty (52,7 % následných akcí u Computeru oproti 52,9 % u Search), ale to, na co se uživatelé ptají, se mění: protože Computer předem vrací kompletnější výsledek, jeho uživatelé nahrazují rozšířeními detailní upřesňování (rozšíření 14,2 % oproti 12,5 %; podrobné dotazy 22,0 % oproti 23,4 %). Uživatelé Computeru také tráví o něco více svých následných akcí kontrolou a revizí výstupu (24,6 % oproti 23,6 %), zatímco Search má silnější zastoupení v krátkých příkazech, jako jsou potvrzení, opakování a požadavky na formát (11,6 % oproti 9,9 %), které Computer zahrnuje do svého počátečního běhu. Jinými slovy, Search vytváří kratší smyčky „shrň a vykona“; Computer vytváří delší smyčky „zkontroluj a rozšiř“.

A co je nejdůležitější, kvalita s vyšší autonomií neklesla. U spárovaných vícestupňových relací byla smysluplná nespokojenost v dalším kole 1,3 % u Computeru oproti 2,9 % u Search, což představuje 55% snížení. Jakákoli nespokojenost, včetně mírných signálů, činila 10,8 % u Computeru oproti 16,6 % u Search.

Přínosy efektivity plynoucí z autonomie

Vyšší autonomie nahrazuje manuální lidskou práci strojovým výpočtem, což zvyšuje efektivitu. K vyčíslení tohoto efektu porovnáváme dvě nastavení na stejných spárovaných úkolech.

Search + Člověk: Search zajišťuje vyhledávání a syntézu; člověk provádí úkon manuálně.

Computer + Člověk: Computer provádí pracovní postup; člověk vymezuje rozsah úkolu a kontroluje výstup.

Nemůžeme přímo pozorovat, jak dlouho by úkol trval člověku, proto provádíme triangulaci pomocí tří nezávislých odhadů:

Odhad založený na nástrojích: Klasifikujeme volání nástrojů Computeru do dvou kategorií: „Search“ a „Do“. Nástroje Search odpovídají krokům pro získávání informací a syntézu, které již produkt Search zvládá. Nástroje Do představují kroky provádění, které by člověk musel provádět ručně při samostatném použití Search. Následně odhadujeme čas potřebný k tomu, aby zkušený člověk tyto akce Do provedl.

Odhad založený na LLM: Vkládáme dotazy z relací Computeru do LLM, abychom odhadli čas potřebný pro kvalifikovaného odborníka, který obdrží odpovědi ze Search, ale musí provést všechny kroky provádění manuálně.

Odhad hlášený uživatelem: Provádíme 25 polostrukturovaných rozhovorů s aktivními uživateli Computeru napříč obory a zjišťujeme pracovní postupy před zavedením Computeru a čas, který by tyto pracovní postupy zabraly.

Podle odhadu založeného na nástrojích trvá průměrný úkol Search + Člověk 269 minut, zatímco odpovídající pracovní postup Computer + Člověk trvá 36 minut. To představuje 87% snížení doby trvání úkolu.

K převodu času úkolu na náklady používáme oborově specifické průměrné hodinové mzdy z údajů Statistického úřadu práce USA (U.S. Bureau of Labor Statistics Occupational Employment and Wage Statistics – BLS OEWS) za květen 2025 (U.S. Bureau of Labor Statistics 2026). Kombinací nákladů na model a oborově specifických nákladů na lidskou práci snižuje Computer odhadované náklady na úkol v průměru o 94 %.

Výhoda v efektivitě se objevuje ve všech 18 oborech, přičemž úspora času činí 79–92 % a úspora nákladů 87–96 %. Programování je nejextrémnějším případem: 596 minut pro Search + Člověk oproti 48 minutám pro Computer + Člověk – 92% snížení času, které přináší 96% snížení nákladů. Obchod, technologie, vzdělávání a psaní rovněž vykazují velké zisky. Úspory času mívají tendenci se v oborech s vyššími mzdami promítat do větších úspor nákladů.

Jak robustní je tento výsledek? Zvažte bod zvratu: aby Search + Člověk dorovnal náklady Computeru + Člověka, odborník by musel dokončit každý manuální krok za 14–24 minut (medián 18). Computer si udržuje svou výhodu v každém oboru i za konzervativnějších předpokladů: například 8násobné nadhodnocení času na jeden nástroj nebo 12násobné podhodnocení času na dohled u Computeru.

Odhad založený na LLM přináší podobné souhrnné výsledky: 84% snížení času a 93% snížení celkových nákladů. Rozhovory s uživateli ukazují mnohem širší škálu výsledků – od 5násobného do více než 300násobného zrychlení – což pravděpodobně odráží podstatnou variabilitu ve výchozích stavech uživatelů před zavedením Computeru. Medián zrychlení napříč účastníky je 25×, což odpovídá 96% snížení času.

Rozsah úkolů se rozšiřuje horizontálně i vertikálně

Rychlost a náklady u spárovaných úkolů zachycují jen část příběhu. Povaha práce se může také změnit. Jak Computer nahrazuje manuální provádění strojovým výpočtem, uživatelé mohou převzít jiné druhy práce – úkoly, které překračují profesní hranice a ty, které vyžadují vyšší úroveň odborných znalostí.

Za prvé se ptáme, zda uživatelé pracují mimo svůj odvozený primární profesní cluster častěji s Computerem než se Search. Za druhé porovnáváme dotazy v Computeru a Search od stejných uživatelů pomocí pěti klasifikací na úrovni úkolů: Bloomovy revidované taxonomie (Anderson a Krathwohl 2001), abstraktní versus rutinní práce v tradici obsahu úkolů (Autor, Levy a Murnane 2003), šíře znalostí dle O*NET (National Center for O*NET Development 2026), šíře pracovních aktivit dle O*NET a nové úkoly, které nebyly se Search zkoušeny.

Horizontální posun je v datech patrný. Napříč vzorkem 8 000 uživatelů z osmi profesních clusterů, při použití všech jejich dotazů, pracují uživatelé Computeru mimo své primární povolání 59 % času ve srovnání s 50 % u Search. Největší nárůsty se objevují v oblasti managementu a podnikání, digitálních technologií, umění a designu a zdravotnictví a sociálních služeb. Vyhledávací dotazy překračující obory u Search se soustředí do digitálních technologií, zatímco dotazy v Computeru delegují práci, která zasahuje do rozmanitějších oblastí, kde by uživatelé jinak potřebovali specialisty.

Vertikální posun je ještě větší. Ve vzorku 5 000 dotazů v Computeru a 5 000 dotazů v Search od stejné skupiny uživatelů obou produktů jsou dotazy v Computeru kognitivně složitější než dotazy v Search. Podle Bloomovy revidované taxonomie vyžaduje 76 % dotazů v Computeru kognici vyššího řádu ve srovnání s 55 % u Search. Tento rozdíl se koncentruje na vrcholu: 50 % dotazů v Computeru jsou úkoly na úrovni Vytváření (Create) ve srovnání s 26 % u Search. Search má mnohem větší zastoupení na úrovni Zapamatování (Remember) při vyhledávání faktů. V dimenzi typu úkolu abstraktní versus rutinní zahrnuje 71 % dotazů v Computeru abstraktní, nerutinní kognici oproti 53 % u Search.

Úkoly v Computeru také čerpají z více znalostních domén. Průměrný úkol v Computeru vyžaduje věcnou odbornost v 2,40 znalostních oblastech O*NET oproti 1,74 u Search, což představuje 38% nárůst. Computer má téměř třikrát větší pravděpodobnost než Search, že bude vyžadovat tři nebo více znalostních domén: 51 % ku 17 %.

Na úrovni pracovních aktivit platí stejný vzorec. Typický dotaz v Computeru zapojuje 2,95 zobecněných pracovních aktivit O*NET a 4,01 středně pokročilých pracovních aktivit oproti 2,24 a 2,87 u Search, což je 32% a 40% nárůst. Na podrobnějších úrovních zapojuje Computer o 59 % více podrobných pracovních aktivit a o 60 % více prohlášení o úkolech specifických pro dané povolání.

Nejvýmluvnějším měřítkem je soubor úkolů, které se objevují v Computeru, ale nikoli ve Search u stejných uživatelů. Při nejpřísnější definici, kdy se prohlášení o úkolu objevuje v Computeru a nikdy se neobjeví ve spárovaném vzorku Search, zapojuje 23 % dotazů v Computeru alespoň jedno prohlášení o úkolu specifické výhradně pro Computer. Uvolnění prahu tak, aby umožňovalo až pět výskytů ve Search, zvyšuje podíl na 38 % a stabilizuje se blízko 41 %. Tyto aktivity výhradně pro Computer se soustředí do vývoje softwaru a webu, tvorby dokumentace a vizualizace dat nebo grafiky. Přesně tam záleží na autonomním provádění nejvíce: Search vysvětluje; Computer produkuje.

Diskuze

Většina důkazů o AI v práci se zaměřuje na prostředí asistentů. Tato literatura prokázala velké přínosy v produktivitě při podpoře psaní, zákaznické podpory, kódování a poradenství (např. Noy a Zhang 2023; Brynjolfsson, Li a Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

Agenti mění chování uživatelů a následné ekonomické výsledky. Produkční nasazení začíná odhalovat používání agentů a jejich dopad v reálném světě, ale většinou se soustředí na specializované agenty pro kódování a rané webové agenty (např. Sarkar 2026; McCain et al. 2026; Demirer, Musolff a Yang 2026; Yang et al. 2025). Doplňujeme tuto práci a propojujeme literaturu o asistentech a agentech tím, že porovnáváme interakci uživatelů s univerzálním orchestrátorem agentů oproti konverzačnímu asistentovi a rozšiřujeme analýzu následného dopadu na širší škálu znalostní práce.

Přecházíme také od expozice k realizované rekompozici úkolů. Předchozí práce odhadují, která povolání jsou vystavena AI pomocí popisů úkolů a profesní struktury (např. Eloundou et al. 2024; Felten, Raj a Seamans 2023), zatímco opatření založená na používání ukazují propast mezi expozicí a nasazením (Massenkoff a McCrory 2026). Dokumentujeme, jak se složení úkolů mění s přístupem k agentům.

Upozorňujeme na několik výhrad. Za prvé, pozorovací okno je rané a early adopters se přiklánějí k uživatelům přirozeně využívajícím AI. Uživatelé také aktivně experimentují a přizpůsobují své pracovní postupy v rychle se vyvíjejícím prostředí produktů, takže tyto vzorce se mohou v průběhu času měnit. Za druhé, design spárovaných dotazů založený na relacích vynechává mnoho úkolů Computeru, které nemají blízký ekvivalent ve Search. Ačkoli relace poskytují přirozený způsob segmentace úkolů, uživatelé tento strukturovaný postup v praxi ne vždy dodržují, což činí z relací nepřesný zástupný symbol pro jednotky úkolů. Za třetí, odhady efektivity kriticky závisí na předpokladech o čase nástrojů ekvivalentním člověku a čase na lidský dohled. Ačkoli odhady založené na LLM a rozhovory s uživateli směřují stejným směrem a analýzy bodu zvratu a citlivosti ukazují robustnost, přesné hodnoty by měly být chápány jako přibližné. Podobně zavádí další šum měření chyba klasifikace LLM. Nakonec pozorujeme chování uživatelů pouze v ekosystému Perplexity a nezachycujeme aktivitu mimo něj, což může omezit náš pohled na plné pracovní aktivity uživatelů a jejich používání nástrojů.

Pohled do budoucna

Agenti činí stávající úkoly rychlejšími a levnějšími – a co je důležitější, umožňují realizovat úkoly překračující profesní hranice a úrovně odborných znalostí.

Když systém umí vyhledávat, procházet web, kódovat, upravovat soubory, připojovat se ke službám a vytvářet výstupy, úzké hrdlo uživatele se posouvá. Tráví méně času provozem pracovního postupu a více času specifikováním cílů, poskytováním kontextu, kontrolou výstupů a žádostmi o rozšíření. Uživatel přechází od operátora k dozoru.

Na individuální úrovni tento posun rozšiřuje hranici úkolů a umožňuje uživatelům přijímat práci, která je širší i hlubší. Na úrovni organizace a trhu práce zůstává otevřenou otázkou, jak se tyto mikroúrovňové změny agregují. Pokud jediný jednotlivec vybavený agenty dokáže dokončit pracovní postupy, které dříve vyžadovaly více rolí, pak dlouhodobý dopad agentů nebude zachycen pouze metrikami rychlosti a nákladů. Místo toho se projeví v tom, jak je práce seskupována, jak jsou definovány role a jak jsou strukturovány týmy.

Chcete-li se dozvědět více o naší metodologii a zjištěních, přečtěte si úplnou technickou zprávu.

Odkazy

Anderson, Lorin W., a 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, a 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, a 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, a 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, a 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, a 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, a Daniel Rock. 2024. "GPTs are GPTs: Labor Market Impact Potential of LLMs." Science 384 (6702): 1306–1308.

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

Massenkoff, Maxim, a 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, a 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, a 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, a Jerry Ma. 2025. "The Adoption and Usage of AI Agents: Early Evidence from Perplexity." arXiv preprint arXiv:2512.07828.