Sådan omformer AI-agenter vidensarbejde

Frontier AI-systemer indsnævrer kløften mellem modelintelligens og reel nytteværdi. Nye modeller, beregningsarkitekturer og orkestreringsmønstre gør det muligt for disse systemer at udføre opgaver, der for blot få måneder siden blev anset for umulige.

Denne hurtige innovation har vist sig at være en fordel for AI-brugere ved at forstørre deres gennemslagskraft og handleevne. Alligevel har det også skabt et efterslæb mellem den teknologiske frontlinje og vores forståelse af præcist, hvordan vidensarbejde udvikler sig som reaktion herpå. Hvordan ændrer frontier AI karakteren af vidensarbejde på tværs af professioner? Hvilke strukturelle og økonomiske transformationer i dette arbejde kan vi forvente?

Vi forsøger at lukke denne kløft gennem en omhyggelig empirisk analyse af Perplexity-forbrug. I dag deler vi i samarbejde med forskere fra Harvard Business School vores første omfattende studie af Perplexity Computer i virkelige implementeringer. Vores resultater tyder på, at Computer udvider både bredden og dybden af det, brugere kan udrette, til en lavere pris. Computer-brugere får mere fra hånden, arbejder på højere abtraktionsniveauer og krydser faglige grænser for at frigøre værdi uden for deres egne professioner.

Denne artikel præsenterer hovedpunkterne fra vores studie. Detaljeret metodologi og resultater er tilgængelige i vores tekniske rapport.

Introduktion

De første almindelige generative AI-systemer var konversationsassistenter, der indgår i dialog med brugere. Disse assistenter sidder mellem hensigt og handling. De besvarer spørgsmål, forklarer afvejninger og foreslår næste skridt. Brugeren er derefter nødt til at omsætte svaret til arbejde: åbne de rette værktøjer, indsamle filer, redigere dokumenter, kontrollere foreløbige resultater og beslutte, hvad der skal gøres derefter.

Agenter ændrer den arbejdsdeling. En bruger specificerer et resultat, og systemet planlægger på tværs af værktøjer, udfører mellemliggende trin, bedr om manglende inddata, når det er nødvendigt, og returnerer et færdigt leveranceprodukt. Agenter flytter AI-forbruget fra at slå ting op og syntetisere dem til at planlægge og udføre opgaver autonomt.

Denne bue animerer Perplexitys egen produktudvikling. I 2022 lancerede vi Search, som definerede svarmotorkategorien ved at give brugere mulighed for at stille spørgsmål og modtage svar understøttet af verificerbare kildehenvisninger på tværs af milliarder af dokumenter. I 2025 introducerede vi Comet-browseren med en indlejret webagent, der ræsonnerer og handler sammen med brugere på det åbne internet. Og i 2026 lancerede vi Computer, en generisk agentorkestrator, der autonomt arbejder mod brugerspecificerede mål på tværs af komplekse miljøer og lange tidshorisonter.

Hvordan ændrer denne overgang den måde, vi arbejder på? Vi udforsker dette spørgsmål ved hjælp af data fra vores Search- og Computer-produkter med fokus på tre dimensioner:

Autonomi: hvor meget autonomt arbejde udfører Computer sammenlignet med Search på den samme opgave?

Effektivitet: hvor meget tid og arbejdskraftsparring sparer Computer i forhold til Search på den samme opgave?

Omfang: hvordan ændrer Computer den type arbejde, som brugere forsøger sig med?

Vi finder, at agenter såsom Computer kræver mere indledende brugerindsats (da brugerne skal specificere de mål, der skal uddelegeres, og gennemgå resultaterne), men meget mindre menneskelig indsats pr. enhed arbejde (på grund af mere autonom udførelse). Det gør dem særligt effektive til lange arbejdsprocesser i flere trin. Gevinsten er arbejde, der er både dybere og billigere. Computer flytter brugerens indsats fra manuel udførelse til overvågning og udvider rækkevidden af det, brugere kan udrette både inden for og uden for deres egne ekspertiseområder.

Computer-adoption og brugsscenarier

Computer blev lanceret den 25. februar 2026 og voksede hurtigt i de første tre måneder.

Akkumulerede Computer-forespørgsler nåede 84× deres total i den første uge pr. 27. maj. Som et basisfelt nåede det akkumulerede Search-forbrug blandt Computer-brugere 14× sin total i den første uge, hvilket er højere end væksten på 12× for ikke-Computer-brugere.

Selv efter at have matchet Computer- og ikke-Computer-brugere på abonnementstrin, primære Search-emne og tidligere Search-intensitet viser en 'difference-in-differences'-sammenligning, at vedtagelse af Computer øger Search-forbruget: Computer-brugere foretager 1,05 flere Search-forespørgsler pr. dag end tilsvarende ikke-Computer-brugere.

I et tilfældigt udvalg af 100.000 Computer-forespørgsler var Forskning og Analyse den største opgavekategori med 25,8 %, efterfulgt af Dokument- og Aset-oprettelse med 18,6 %. Det observerede opgavesmix hælder mod generativt arbejde: dokumenter, regneark, kodebaser, websteder og arbejdsprocesser, der kræver arbejde på tværs af flere værktøjer.

Når vi ser på domæner, var brugen bredt fordelt på Software og IT, Finans og Investering, Marketing og Salg, Forretningsdrift, Sundhedssektoren, Uddannelse, Jura og Medier.

Højere autonomi og kvalitet

Det mest direkte signal om autonomi er, hvor længe systemet kører uden menneskelig indgriben, efter at brugeren har indsendt en anmodning. Search returnerer normalt et svar på få sekunder. Computer fortsætter ofte med at arbejde i minutter eller endda timer: søger, browser, skriver, redigerer, kører kode og kontrollerer foreløbige resultater.

Vi bruger Search- og Computer-sessioner med næsten identiske indledende forespørgsler som en proxy for den samme opgave forsøgt med begge produkter. På tværs af 10.000 matchede par udfører Computer 26 minutters maskinudførelse pr. session i gennemsnit mod 33 sekunder for Search. Det er en 48× stigning i maskinarbejde på reelt de samme opgaver. Ved medianen er kløften 9 minutter mod 14 sekunder, eller 40×. Domænefordelingen viser det samme mønster: Computer udfører cirka 26–75× mere maskinarbejde på tværs af alle 18 domæner.

Længerevarende autonomi betød ikke mere frafald. Brugerstop-hændelser var ens på tværs af produkter: 3,7 % af Computer-sessionerne og 3,4 % af Search-sessionerne indeholdt mindst én brugerstophændelse. Computer holdt dog oftere pause for at modtage brugerinput: 13 % af Computer-forespørgsler aktiverede mindst ét værktøj til pause for brugeren mod 0,3 % for Search, normalt for at anmode om godkendelse eller stille afklarende spørgsmål. Det er det forventede mønster for en agent: den kan fortsætte autonomt meste af tiden, men den har brug for kontrolpunkter for at få tilladelse og bekræfte, hvad brugeren ønsker.

Computer kæder også langt flere eksterne værktøjskald sammen – via Model Context Protocol (MCP) eller Application Programming Interface (API)-slutpunkter – i en enkelt session og udfører arbejde, som en Search-bruger ellers ville udføre i hånden på tværs af separate apps. 7,9 % af Computer-sessionerne foretager mindst ét connector-kald mod 1,8 % af Search-sessionerne (en 4× forskel), og Computer har i gennemsnit 1,19 connector-kald pr. session mod 0,10 for Search (et forhold på 12×). Med andre ord kører Computer ikke bare længere; den rækker ud på tværs af flere af en brugers forbundne tjenester for at hente data og foretage handlinger.

Opfølgningsadfærd ændrer også sammensætning. I et udsnit på 1.000 par med flere ture er den overordnede tilbøjelighed til opgavefremgang næsten identisk på tværs af produkter (52,7 % af Computer-opfølgninger mod 52,9 % for Search), men det, brugerne spørger om, skifter: fordi Computer returnerer et mere komplet leveranceprodukt på forhånd, erstatter dens brugere udvidelser med afklarende dybdegående spørgsmål (udvidelser 14,2 % mod 12,5 %; dybdegående spørgsmål 22,0 % mod 23,4 %). Computer-brugere bruger også lidt mere af deres opfølgninger på at gennemgå og revidere output (24,6 % mod 23,6 %), mens Search er tungere på korte direktiver såsom bekræftelser, genforsøg og formatanmodninger (11,6 % mod 9,9 %), som Computer indlemmer i sin oprindelige kørsel. Med andre ord skaber Search kortere opsummerings-og-udfør-løkker; Computer skaber længere Gennemgå-og-udvid-løkker.

Vigtkigst af alt faldt kvaliteten ikke med højere autonomi. På matchede sessioner med flere ture var meningsfuld utilfredshed med næste tur 1,3 % for Computer mod 2,9 % for Search, en reduktion på 55 %. Enhver utilfredshed, inklusive milde signaler, var 10,8 % for Computer mod 16,6 % for Search.

Effektivitetsgevinster fra autonomi

Højere autonomi ombytter manuelt menneskeligt arbejde med maskinberegning, hvilket øger effektiviteten. For at kvantificere denne effekt sammenligner vi to opsætninger på de samme matchede opgaver.

Search + Menneske: Search håndterer hentning og syntese; mennesket udfører manuelt.

Computer + Menneske: Computer udfører arbejdssprocessen; mennesket afstikker rækkevidden for opgaven og gennemgår outputtet.

Vi kan ikke direkte observere, hvor lang tid en opgave ville tage et menneske, så vi triangulerer med tre uafhængige skøn:

Værktøjsbaseret skøn: Vi klassificerer Computer-værktøjskald i to kategorier: "Search" og "Gør". Search-værktøjer svarer til informationshentning og syntesetrin, der allerede håndteres af Search-produktet. Gør-værktøjer repræsenterer udførelsestrin, som et menneske ville være nødt til at udføre manuelt, når vedkommende udelukkende bruger Search. Vi anslår derefter den tid, der kræves for, at en erfaren person kan udføre disse Gør-handlinger.

LLM-baseret skøn: Vi sender forespørgsler fra Computer-sessioner ind i en LLM for at anslå den tid, der kræves for en dygtig fagperson, som modtager svar fra Search, men som skal udføre alle udførelsestrin manuelt.

Brugerrapporteret skøn: Vi udfører 25 semistrukturerede interviews med aktive Computer-brugere på tværs af domæner og fremmaner arbejdsprocesser før Computer samt den tid, disse arbejdsprocesser ville have taget.

Under det værktøjsbaserede skøn tager den gennemsnitlige Search + Menneske-opgave 269 minutter, mens den tilsvarende Computer + Menneske-arbejdsproces tager 36 minutter. Det er en reduktion på 87 % i opgavetid.

For at omsætte opgavetid til omkostninger bruger vi domænespecifikke gennemsnitlige timelønninger fra U.S. Bureau of Labor Statistics Occupational Employment and Wage Statistics (BLS OEWS) data fra maj 2025 (U.S. Bureau of Labor Statistics 2026). Ved at kombinere modelomkostninger med domænespecifikke omkostninger til menneskelig arbejdskraft reducerer Computer de anslåede opgaveomkostninger med 94 % i gennemsnit.

Effektivitetsfordelen viser sig på tværs af alle 18 domæner med tidsbesparelser på 79–92 % og omkostningsbesparelser på 87–96 %. Programmering er det mest ekstreme tilfælde: 596 minutter for Search + Menneske versus 48 minutter for Computer + Menneske – en tidsreduktion på 92 %, der giver en omkostningsreduktion på 96 %. Forretning, teknologi, uddannelse og skrivning viser også store gevinster. Tidsbesparelser har det med at omsætte sig til større omkostningsbesparelser i domæner med højere lønninger.

Hvor robust er dette resultat? Overvej et break-even-punkt: For at Search + Menneske kan matche omkostningerne for Computer + Menneske, ville en fagperson være nødt til at færdiggøre hvert manuelt trin på 14–24 minutter (median 18). Computer bevarer sin fordel på tværs af alle domæner selv under mere konservative antagelser: for eksempel en overvurdering på 8× af tiden pr. værktøj eller en undervurdering på 12× af Computers overvågningstid.

Det LLM-baserede skøn giver lignende aggregerede resultater: en reduktion på 84 % i tid og en reduktion på 93 % i omkostninger samlet set. Brugerinterviews viser et meget bredere udvalg af resultater – fra 5× til over 300× hastighedsforøgelser – hvilket sandsynligvis afspejler betydelig variation i brugernes baselines før Computer. Medianhastighedsforøgelsen på tværs af deltagere er 25×, hvilket svarer til en tidsreduktion på 96 %.

Opgaveomfanget udvides horisontalt og vertikalt

Hastighed og omkostninger på matchede opgaver fanger kun en del af historien. Arbejdets form kan også ændre sig. Efterhånden som Computer erstatter manuel udførelse med maskinberegning, kan brugere påtage sig forskellige typer arbejde – opgaver, der krydser erhvervsmæssige grænser, og opgaver, der kræver højere ekspertiseniveauer.

For det første spørger vi, om brugere arbejder uden for deres udledte primære erhvervsklynger oftere med Computer end med Search. For det andet sammenligner vi Computer- og Search-forespørgsler fra de samme brugere ved hjælp af fem opgaveniveausklassificeringer: Bloom's Revised Taxonomy (Anderson og Krathwohl 2001), abtrakt versus rutinearbejde i opgaveindholdstraditionen (Autor, Levy og Murnane 2003), O*NET Knowledge-bredde (National Center for O*NET Development 2026), O*NET-arbejdsaktivitetsbredde samt nye opgaver, der ikke blev forsøgt med Search.

Det horisontale skift er tydeligt i dataene. På tværs af et udvalg på 8.000 brugere fra otte erhvervsklynger, der bruger alle deres forespørgsler, arbejder Computer-brugere uden for deres primære erhverv 59 % af tiden sammenlignet med 50 % for Search. De største stigninger viser sig inden for ledelse og entreprenørskab, digital teknologi, kunst og design samt sundheds- og humanitære tjenester. Tværfaglige Search-forespørgsler er koncentreret i digital teknologi, hvorimod Computer-forespørgsler uddelegerer arbejde, der krydser over i mere forskellige domæner, hvor brugere ellers ville have brug for specialister.

Det vertikale skift er endnu større. I et udvalg på 5.000 Computer-forespørgsler og 5.000 Search-forespørgsler fra det samme sæt af brugere af begge produkter er Computer-forespørgsler mere kognitivt komplekse end Search-forespørgsler. På Bloom's Revised Taxonomy kræver 76 % af Computer-forespørgsler kognition på et højere niveau sammenlignet med 55 % for Search. Forskellen er koncentreret i toppen: 50 % af Computer-forespørgsler er opgaver på oprettelsesniveau sammenlignet med 26 % for Search. Search har meget mere masse ved faktuel opslag på huskeniveau. På dimensionen abtrakt-versus-rutineopgavetype involverer 71 % af Computer-forespørgsler abtrakt, ikke-rutinemæssig kognition versus 53 % for Search.

Computer-opgaver trækker også på flere vidensdomæner. Den gennemsnitlige Computer-opgave kræver substantiel ekspertise inden for 2,40 O*NET Knowledge-områder sammenlignet med 1,74 for Search, en stigning på 38 %. Computer er næsten tre gange så sandsynlig som Search til at kræve tre eller flere vidensdomæner: 51 % versus 17 %.

På arbejdsaktivitetsniveau gør det samme mønster sig gældende. En typisk Computer-forespørgsel engagerer 2,95 O*NET Generalized Work Activities og 4,01 Intermediate Work Activities versus 2,24 og 2,87 for Search, en stigning på henholdsvis 32 % og 40 %. På finere niveauer engagerer Computer 59 % flere Detailed Work Activities og 60 % flere erhvervsspecifikke Task Statements.

Det mest afslørende mål er det sæt af opgaver, der vises i Computer, men ikke i Search blandt de samme brugere. Ved den strengeste definition, hvor en opgaveerklæring optræder i Computer og aldrig optræder i det matchede Search-udvalg, engagerer 23 % af Computer-forespørgsler mindst én opgaveerklæring, der er unik for Computer. Lempelse af tærsklen til at tillade op til fem Search-forekomster hæver andelen til 38 %, og den flader ud nær 41 %. Disse Computer-unikke aktiviteter koncentrerer sig om software- og webudvikling, dokumentationsproduktion samt datavisualisering eller grafik. Det er præcist der, hvor autonom udførelse betyder mest: Search forklarer; Computer producerer.

Diskussion

Det meste af evidensen om AI på arbejdspladsen fokuserer på assistentopsætningen. Den litteratur har vist store produktivitetsgevinster ved at udvide skrivning, kundesupport, kodning og rådgivning (f.eks. Noy og Zhang 2023; Brynjolfsson, Li og Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

Agenter ændrer brugeradfærd og downstream-økonomiske resultater. Produktionsimplementeringer begynder at afsløre agentforbrug og indvirkning i virkelige omgivelser, men er primært fokuseret på specialiserede kodningsagenter og tidlige browseragenter (f.eks. Sarkar 2026; McCain et al. 2026; Demirer, Musolff og Yang 2026; Yang et al. 2025). Vi supplerer dette arbejde og bygger bro mellem assistent- og agentlitteraturen ved at sammenligne brugerinteraktion med en generisk agentorkestrator versus en konversationsassistent og ved at udvide downstream-konsekvensanalysen til en bredere vifte af vidensarbejde.

Vi bevæger os også fra eksponering til realiseret opgaveomlægning. Tidligere arbejde anslår, hvilke erhverv der er eksponeret for AI ved hjælp af opgavebeskrivelser og erhvervsstruktur (f.eks. Eloundou et al. 2024; Felten, Raj og Seamans 2023), mens forbrugsbaserede mål viser kløften mellem eksponering og implementering (Massenkoff og McCrory 2026). Vi dokumenterer, hvordan opgavesammensætningen ændrer sig med agentadgang.

Vi bemærker adskillige forbehold. For det første er observationsvinduet tidligt, og tidlige adoptere hælder mod AI-native. Brugere eksperimenterer også aktivt og tilpasser deres arbejdsprocesser inden for et landskab af produkter i hurtig udvikling, så disse mønstre kan ændre sig over tid. For det andet udelader det sessionsbaserede, matchede forespørgselsdesign mange Computer-opgaver, der ikke har nogen tæt Search-ækvivalent. Selvom sessioner udgør en naturlig måde at segmentere opgaver på, følger brugere ikke altid denne struktur i praksis, hvilket gør sessioner til en støjende proxy for opgaveenheder. For det tredje afhænger effektivitetsskønnene kritisk af antagelser om menneskeækvivalent værktøjstid og menneskelig overvågningstid. Selvom LLM-baserede skøn og brugerinterviews peger i samme retning, og break-even- og følsomhedsanalyser indikerer robusthed, bør de nøjagtige størrelser læses som omtrentlige. Relateret hertil introducerer LLM-klassificeringsfejl yderligere målestøj. Endelig observerer vi kun brugeradfærd inden for Perplexity-økosystemet og fanger ikke aktivitet uden for det, hvilket kan begrænse vores udsyn til brugernes fulde arbejdsaktiviteter og værktøjsforbrug.

Udsikter for fremtiden

Agenter gør eksisterende opgaver hurtigere og billigere – og, endnu vigtigere, gør opgaver, der spænder over erhvervsmæssige grænser og ekspertiseniveauer, mulige.

Når et system kan søge, browse, kode, redigere filer, oprette forbindelse til tjenester og producere leveranceprodukter, flytter brugerens flaskehals sig. De bruger mindre tid på at betjene arbejdsprocessen og mere tid på at specificere mål, levere kontekst, kontrollere output og bede om udvidelser. Brugeren flytter sig fra operatør til supervisor.

På individniveau udvider dette skift opgavefrontlinen, hvilket gør det muligt for brugere at påtage sig arbejde, der er både bredere og dybere. På organisations- og arbejdsmarkedsniveau forbliver det et åbent spørgsmål, hvordan disse mikroniveauændringer samles. Hvis et enkelt individ, udstyret med agenter, kan fuldføre arbejdsprocesser, der tidligere krævede flere roller, vil agenternes langsigtede virkning ikke blive fanget af hastigheds- og omkostningsmetrikker alene. I stedet vil det vise sig i, hvordan arbejde bundtes, hvordan roller defineres, og hvordan teams struktureres.

For at lære mere om vores metodologi og resultater kan du læse hele den tekniske rapport.

Referencer

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

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

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