Wie KI-Agenten die Wissensarbeit neu gestalten

Frontier-KI-Systeme verringern die Lücke zwischen der Modellintelligenz und der praktischen Anwendung in der realen Welt. Neue Modelle, Rechenarchitekturen und Orchestrierungsmuster ermöglichen es diesen Systemen, Aufgaben zu bewältigen, die noch vor wenigen Monaten als unmöglich galten.

Diese rasante Innovation hat sich als Gewinn für KI-Nutzer erwiesen, indem sie deren Hebelwirkung und Handlungsmöglichkeiten vergrößert hat. Dennoch hat sie auch eine Diskrepanz zwischen der technologischen Grenze und unserem Verständnis darüber geschaffen, wie sich Wissensarbeit als Reaktion darauf genau entwickelt. Wie verändert Frontier-KI die Art der Wissensarbeit in verschiedenen Berufen? Welche strukturellen und wirtschaftlichen Transformationen in dieser Arbeit sind zu erwarten?

Wir wollen diese Lücke durch eine sorgfältige empirische Analyse der Nutzung von Perplexity schließen. Heute teilen wir in Zusammenarbeit mit Forschern der Harvard Business School unsere erste umfassende Studie zum Einsatz von Perplexity Computer in der Praxis. Unsere Ergebnisse deuten darauf hin, dass Computer sowohl den Umfang als auch die Tiefe dessen, was Nutzer erreichen können, zu geringeren Kosten erweitert. Computer-Nutzer erledigen mehr, arbeiten auf höheren Abstraktionsebenen und überschreiten disziplinäre Grenzen, um Werte außerhalb ihres eigenen Fachgebiets zu erschließen.

Dieser Artikel präsentiert die Highlights unserer Studie. Detaillierte Methodik und Ergebnisse sind in unserem technischen Bericht verfügbar.

Einführung

Die ersten gängigen generativen KI-Systeme waren Konversationsassistenten, die mit Nutzern in einen Dialog treten. Diese Assistenten stehen zwischen Absicht und Ausführung. Sie beantworten Fragen, erläutern Abwägungen und schlagen nächste Schritte vor. Der Nutzer muss dann die Antwort in Arbeit umsetzen: die richtigen Werkzeuge öffnen, Dateien zusammenstellen, Dokumente bearbeiten, Zwischenergebnisse prüfen und entscheiden, was als Nächstes zu tun ist.

Agenten verändern diese Arbeitsteilung. Ein Nutzer gibt ein Ergebnis vor, und das System plant über Werkzeuge hinweg, führt Zwischenschritte aus, fordert bei Bedarf fehlende Eingaben an und liefert ein fertiges Ergebnis. Agenten verlagern die KI-Nutzung vom bloßen Nachschlagen und Zusammenfassen hin zur autonomen Planung und Durchführung von Aufgaben.

Dieser Bogen prägt die eigene Produktentwicklung von Perplexity. Im Jahr 2022 haben wir Search eingeführt, das die Kategorie der Antwortmaschinen definierte, indem es Nutzern ermöglichte, Fragen zu stellen und Antworten zu erhalten, die durch verifizierbare Zitate aus Milliarden von Dokumenten gestützt werden. Im Jahr 2025 haben wir den Comet-Browser eingeführt, mit einem eingebetteten Web-Agenten, der im offenen Web mitdenkt und neben den Nutzern agiert. Und 2026 haben wir Computer eingeführt, einen universellen Agenten-Orchestrator, der autonom auf nutzerspezifische Ziele in komplexen Umgebungen und über lange Zeiträume hinweg hinarbeitet.

Wie verändert dieser Übergang unsere Arbeitsweise? Wir untersuchen diese Frage anhand von Daten aus unseren Produkten Search und Computer und konzentrieren uns dabei auf drei Dimensionen:

Autonomie: Wie viel autonome Arbeit leistet Computer im Vergleich zu Search bei derselben Aufgabe?

Effizienz: Wie viel Zeit- und Arbeitskosten spart Computer im Vergleich zu Search bei derselben Aufgabe?

Umfang: Wie verändert Computer die Art der Arbeit, die Nutzer in Angriff nehmen?

Wir stellen fest, dass Agenten wie Computer einen höheren anfänglichen Aufwand für den Nutzer erfordern (da Nutzer die zu delegierenden Ziele festlegen und die Ergebnisse überprüfen müssen), aber wesentlich weniger menschlichen Aufwand pro Arbeitseinheit verursachen (aufgrund der autonomeren Ausführung). Das macht sie besonders effektiv bei langen, mehrstufigen Workflows. Der Lohn ist eine Arbeit, die sowohl tiefergehend als auch kostengünstiger ist. Computer verlagert den Aufwand des Nutzers von der manuellen Ausführung hin zur Überwachung und erweitert den Bereich dessen, was Nutzer sowohl innerhalb als auch außerhalb ihrer eigenen Fachgebiete erreichen können.

Computer-Einführung und Anwendungsfälle

Computer wurde am 25. Februar 2026 eingeführt und wuchs in den ersten drei Monaten schnell.

Die kumulierten Computer-Abfragen erreichten bis zum 27. Mai das 84-fache ihres Wertes in der ersten Woche. Als Vergleichswert erreichte die kumulierte Search-Nutzung unter Computer-Nutzern das 14-fache ihres Wertes in der ersten Woche, was höher ist als das 12-fache Wachstum bei Nicht-Computer-Nutzern.

Selbst nach einem Abgleich von Computer- und Nicht-Computer-Nutzern hinsichtlich Abonnement-Ebene, primärem Search-Thema und früherer Search-Intensität zeigt ein Differenz-von-Differenzen-Vergleich, dass die Einführung von Computer die Search-Nutzung erhöht: Computer-Nutzer führen täglich 1,05 mehr Search-Abfragen durch als vergleichbare Nicht-Computer-Nutzer.

In einer Stichprobe von 100.000 Computer-Abfragen war Forschung und Analyse mit 25,8 % die größte Aufgabenkategorie, gefolgt von Dokumenten- und Asset-Erstellung mit 18,6 %. Der beobachtete Aufgabenmix tendiert zu generativer Arbeit: Dokumente, Tabellenkalkulationen, Codebasen, Websites und Workflows, die Arbeit über mehrere Werkzeuge hinweg erfordern.

Was die Fachbereiche betrifft, so war die Nutzung breit gefächert über Software und IT, Finanzen und Investitionen, Marketing und Vertrieb, Unternehmensbetrieb, Gesundheitswesen, Bildung, Recht und Medien.

Höhere Autonomie und Qualität

Das direkteste Signal für Autonomie ist, wie lange das System ohne menschliches Eingreifen arbeitet, nachdem der Nutzer eine Anfrage gestellt hat. Search liefert in der Regel innerhalb von Sekunden eine Antwort. Computer arbeitet oft über Minuten oder sogar Stunden hinweg: Suchen, Browsen, Schreiben, Bearbeiten, Code ausführen und Zwischenergebnisse prüfen.

Wir verwenden Search- und Computer-Sitzungen mit nahezu identischen anfänglichen Abfragen als Proxy für dieselbe Aufgabe, die mit beiden Produkten versucht wurde. Über 10.000 abgeglichene Paare führt Computer durchschnittlich 26 Minuten Maschinenausführung pro Sitzung durch, gegenüber 33 Sekunden bei Search. Das entspricht einer 48-fachen Steigerung der Maschinenarbeit bei effektiv denselben Aufgaben. Im Median liegt die Differenz bei 9 Minuten gegenüber 14 Sekunden, also beim 40-fachen. Die Fachbereichsaufteilung zeigt dasselbe Muster: Computer führt über alle 18 Fachbereiche hinweg etwa 26–75-mal mehr Maschinenarbeit durch.

Eine länger laufende Autonomie führte nicht zu mehr Abbrüchen. Nutzer-Stopp-Ereignisse waren über die Produkte hinweg ähnlich: 3,7 % der Computer-Sitzungen und 3,4 % der Search-Sitzungen enthielten mindestens ein Nutzer-Stopp-Ereignis. Computer hielt jedoch häufiger für Nutzereingaben an: 13 % der Computer-Abfragen riefen mindestens ein Pause-für-Nutzer-Werkzeug auf, gegenüber 0,3 % bei Search, meist um eine Genehmigung anzufordern oder klärende Fragen zu stellen. Das ist das erwartete Muster für einen Agenten: Er kann die meiste Zeit autonom fortfahren, benötigt aber Checkpoints, um Erlaubnis einzuholen und zu bestätigen, was der Nutzer wünscht.

Computer verknüpft außerdem weitaus mehr externe Werkzeugaufrufe – über das Model Context Protocol (MCP) oder Application Programming Interface (API) Endpunkte – zu einer einzigen Sitzung und erledigt Arbeit, die ein Search-Nutzer sonst manuell über separate Apps erledigen würde. 7,9 % der Computer-Sitzungen führen mindestens einen Konnektor-Aufruf durch, gegenüber 1,8 % der Search-Sitzungen (ein Faktor von 4), und Computer erzielt durchschnittlich 1,19 Konnektor-Aufrufe pro Sitzung gegenüber 0,10 bei Search (ein Faktor von 12). Mit anderen Worten: Computer läuft nicht nur länger; er greift auf mehr der verbundenen Dienste eines Nutzers zu, um Daten abzurufen und Aktionen durchzuführen.

Auch das Nachfolgeverhalten ändert sich in der Zusammensetzung. In einer Stichprobe von 1.000 Paaren mit mehreren Runden ist die allgemeine Neigung zur Aufgabenförderung über die Produkte hinweg nahezu identisch (52,7 % der Computer-Follow-ups gegenüber 52,9 % bei Search), aber was die Nutzer verlangen, verschiebt sich: Da Computer ein vollständigeres Ergebnis im Voraus liefert, ersetzen seine Nutzer Erweiterungen durch klärende Vertiefungen (Erweiterungen 14,2 % gegenüber 12,5 %; Vertiefungen 22,0 % gegenüber 23,4 %). Computer-Nutzer verbringen auch etwas mehr Zeit mit ihren Follow-ups damit, Ergebnisse zu überprüfen und zu überarbeiten (24,6 % gegenüber 23,6 %), während Search stärker auf kurze Anweisungen wie Bestätigungen, Wiederholungen und Formatwünsche (11,6 % gegenüber 9,9 %) setzt, die Computer in seinen anfänglichen Lauf integriert. Anders ausgedrückt: Search erzeugt kürzere Zusammenfassungs-und-Ausführungs-Schleifen; Computer erzeugt längere Überprüfungs-und-Erweiterungs-Schleifen.

Am wichtigsten ist, dass die Qualität bei höherer Autonomie nicht gesunken ist. Bei abgeglichenen Sitzungen mit mehreren Runden betrug die bedeutsame Unzufriedenheit bei der nächsten Runde 1,3 % für Computer gegenüber 2,9 % für Search, eine Reduzierung um 55 %. Jede Unzufriedenheit, einschließlich milder Signale, betrug 10,8 % für Computer gegenüber 16,6 % für Search.

Effizienzgewinne durch Autonomie

Höhere Autonomie tauscht manuelle menschliche Arbeit gegen Maschinenberechnung, was die Effizienz erhöht. Um diesen Effekt zu quantifizieren, vergleichen wir zwei Setups bei denselben abgeglichenen Aufgaben.

Search + Mensch: Search übernimmt Abruf und Synthese; der Mensch führt manuell aus.

Computer + Mensch: Computer führt den Workflow aus; der Mensch grenzt die Aufgabe ein und überprüft das Ergebnis.

Wir können nicht direkt beobachten, wie lange ein Mensch für eine Aufgabe brauchen würde, daher triangulieren wir mit drei unabhängigen Schätzungen:

Werkzeugbasierte Schätzung: Wir klassifizieren Computer-Werkzeugaufrufe in zwei Kategorien: "Suche" und "Tun". Suchwerkzeuge entsprechen Informationsabruf- und Syntheseschritten, die bereits vom Search-Produkt abgedeckt werden. Tun-Werkzeuge repräsentieren Ausführungsschritte, die ein Mensch bei der alleinigen Nutzung von Search manuell durchführen müsste. Wir schätzen dann die Zeit, die ein erfahrener Mensch für die Durchführung dieser Tun-Aktionen benötigen würde.

LLM-basierte Schätzung: Wir speisen Abfragen aus Computer-Sitzungen in ein LLM ein, um die Zeit zu schätzen, die ein qualifizierter Fachmann benötigen würde, der Antworten von Search erhält, aber alle Ausführungsschritte manuell durchführen muss.

Nutzerbasierte Schätzung: Wir führen 25 halbstrukturierte Interviews mit aktiven Computer-Nutzern aus verschiedenen Bereichen durch und ermitteln Pre-Computer-Workflows sowie die Zeit, die diese Workflows in Anspruch genommen hätten.

Nach der werkzeugbasierten Schätzung dauert die durchschnittliche Search + Mensch-Aufgabe 269 Minuten, während der entsprechende Computer + Mensch-Workflow 36 Minuten dauert. Das ist eine Reduzierung der Aufgabenzeit um 87 %.

Um die Aufgabenzeit in Kosten zu übersetzen, verwenden wir fachbereichsspezifische durchschnittliche Stundenlöhne aus den Daten des U.S. Bureau of Labor Statistics Occupational Employment and Wage Statistics (BLS OEWS) vom Mai 2025 (U.S. Bureau of Labor Statistics 2026). Durch die Kombination der Modellkosten mit fachbereichsspezifischen menschlichen Arbeitskosten reduziert Computer die geschätzten Aufgabenkosten im Durchschnitt um 94 %.

Der Effizienzvorteil zeigt sich in allen 18 Fachbereichen, mit Zeiteinsparungen von 79–92 % und Kosteneinsparungen von 87–96 %. Programmierung ist der extremste Fall: 596 Minuten für Search + Mensch gegenüber 48 Minuten für Computer + Mensch – eine Zeitreduzierung um 92 %, die zu einer Kostenreduzierung um 96 % führt. Wirtschaft, Technologie, Bildung und Schreiben zeigen ebenfalls große Gewinne. Zeiteinsparungen neigen dazu, sich in höher dotierten Fachbereichen in größere Kosteneinsparungen zu übersetzen.

Wie robust ist dieses Ergebnis? Betrachten wir einen Break-Even: Damit Search + Mensch die Kosten von Computer + Mensch erreicht, müsste ein Fachmann jeden manuellen Schritt in 14–24 Minuten (Median 18) abschließen. Computer behält seinen Vorsprung in jedem Bereich selbst unter konservativeren Annahmen: zum Beispiel eine 8-fache Überschätzung der Zeit pro Werkzeug oder eine 12-fache Unterschätzung der Aufsichtszeit von Computer.

Die LLM-basierte Schätzung liefert ähnliche aggregierte Ergebnisse: eine Reduzierung der Zeit um 84 % und eine Reduzierung der Kosten um insgesamt 93 %. Nutzerinterviews zeigen ein weitaus breiteres Spektrum an Ergebnissen – von 5- bis über 300-fachen Beschleunigungen –, was wahrscheinlich die erheblichen Unterschiede in den Pre-Computer-Baselines der Nutzer widerspiegelt. Die mediane Beschleunigung über die Teilnehmer hinweg beträgt 25-fach, was einer Reduzierung der Zeit um 96 % entspricht.

Aufgabenumfang erweitert sich horizontal und vertikal

Geschwindigkeit und Kosten bei abgeglichenen Aufgaben erfassen nur einen Teil der Geschichte. Auch die Form der Arbeit könnte sich ändern. Während Computer manuelle Ausführung durch Maschinenberechnung ersetzt, könnten Nutzer andere Arten von Arbeit übernehmen – Aufgaben, die berufsübergreifend sind und solche, die ein höheres Maß an Fachwissen erfordern.

Erstens fragen wir, ob Nutzer öfter außerhalb ihres abgeleiteten primären Berufsclusters mit Computer als mit Search arbeiten. Zweitens vergleichen wir Computer- und Search-Abfragen derselben Nutzer unter Verwendung von fünf Klassifizierungen auf Aufgabenebene: Blooms überarbeitete Taxonomie (Anderson und Krathwohl 2001), abstrakte versus Routinearbeit in der Aufgabeninhaltstradition (Autor, Levy und Murnane 2003), O*NET Wissensbreite (National Center for O*NET Development 2026), O*NET Arbeitsaktivitätsbreite und neue Aufgaben, die mit Search nicht versucht wurden.

Die horizontale Verschiebung ist in den Daten ersichtlich. In einer Stichprobe von 8.000 Nutzern aus acht Berufsgruppen, unter Verwendung all ihrer Suchanfragen, arbeiten Computer-Nutzer in 59 % der Fälle außerhalb ihrer primären Tätigkeit, verglichen mit 50 % bei der Suche. Die größten Zuwächse zeigen sich in den Bereichen Management und Unternehmertum, Digitaltechnik, Kunst und Design sowie Gesundheits- und Sozialwesen. Suchanfragen, die berufsübergreifend gestellt werden, konzentrieren sich auf den Bereich der Digitaltechnik, während Computer-Anfragen Arbeiten delegieren, die in vielfältigere Bereiche übergreifen, für die Nutzer andernfalls Spezialisten benötigen würden.

Die vertikale Verschiebung ist noch größer. In einer Stichprobe von 5.000 Computer-Abfragen und 5.000 Search-Abfragen derselben Gruppe von Dual-Produkt-Nutzern sind Computer-Abfragen kognitiv komplexer als Search-Abfragen. Nach Blooms überarbeiteter Taxonomie erfordern 76 % der Computer-Abfragen Kognition höherer Ordnung, verglichen mit 55 % bei Search. Der Unterschied konzentriert sich auf die Spitze: 50 % der Computer-Abfragen sind Aufgaben auf Erstellungsebene, verglichen mit 26 % bei Search. Search hat viel mehr Masse bei der faktischen Nachschlageebene auf Erinnerungsebene. Auf der Dimension der abstrakten versus Routine-Aufgabenart beinhalten 71 % der Computer-Abfragen abstrakte, nicht routinemäßige Kognition gegenüber 53 % bei Search.

Computer-Aufgaben greifen auch auf mehr Wissensbereiche zurück. Die durchschnittliche Computer-Aufgabe erfordert fundiertes Fachwissen in 2,40 O*NET Wissensgebieten, verglichen mit 1,74 bei Search, eine Steigerung um 38 %. Computer ist fast dreimal so wahrscheinlich wie Search, drei oder mehr Wissensbereiche zu erfordern: 51 % gegenüber 17 %.

Auf Ebene der Arbeitsaktivität gilt dasselbe Muster. Eine typische Computer-Abfrage umfasst 2,95 O*NET verallgemeinerte Arbeitsaktivitäten und 4,01 zwischengeschaltete Arbeitsaktivitäten gegenüber 2,24 und 2,87 bei Search, eine Steigerung um 32 % und 40 %. Auf feineren Ebenen umfasst Computer 59 % mehr detaillierte Arbeitsaktivitäten und 60 % mehr berufsspezifische Aufgabenaussagen.

Das aufschlussreichste Maß ist die Menge an Aufgaben, die bei denselben Nutzern in Computer, aber nicht in Search erscheinen. Nach der strengsten Definition, bei der eine Aufgabenaussage in Computer erscheint und nie in der abgeglichenen Search-Stichprobe vorkommt, beinhalten 23 % der Computer-Abfragen mindestens eine Computer-exklusive Aufgabenaussage. Eine Lockerung des Schwellenwerts, um bis zu fünf Search-Vorkommen zuzulassen, erhöht den Anteil auf 38 % und er pendelt sich nahe 41 % ein. Diese Computer-exklusiven Aktivitäten konzentrieren sich auf Software- und Webentwicklung, Dokumentationserstellung sowie Datenvisualisierung oder Grafik. Das ist genau der Bereich, in dem autonome Ausführung am meisten zählt: Search erklärt; Computer produziert.

Diskussion

Die meisten Belege zu KI bei der Arbeit konzentrieren sich auf das Assistenz-Szenario. Diese Literatur hat große Produktivitätsgewinne bei der Ergänzung von Schreiben, Kundensupport, Programmierung und Beratung gezeigt (z. B. Noy und Zhang 2023; Brynjolfsson, Li und Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

Agenten verändern das Nutzerverhalten und die nachgelagerten wirtschaftlichen Ergebnisse. Produktionseinsätze beginnen, Agentennutzung und -wirkung in realen Umgebungen aufzuzeigen, konzentrieren sich aber meist auf spezialisierte Programmieragenten und frühe Browser-Agenten (z. B. Sarkar 2026; McCain et al. 2026; Demirer, Musolff und Yang 2026; Yang et al. 2025). Wir ergänzen diese Arbeit und schlagen die Brücke zwischen Assistenz- und Agentenliteratur, indem wir die Nutzerinteraktion mit einem universellen Agenten-Orchestrator gegenüber einem Konversationsassistenten vergleichen und die nachgelagerte Wirkungsanalyse auf einen breiteren Bereich der Wissensarbeit ausdehnen.

Wir bewegen uns auch von der Exposition zur realisierten Aufgabenzusammensetzung. Frühere Arbeiten schätzen, welche Berufe KI ausgesetzt sind, unter Verwendung von Aufgabenbeschreibungen und beruflicher Struktur (z. B. Eloundou et al. 2024; Felten, Raj und Seamans 2023), während nutzungsbasierte Maße die Lücke zwischen Exposition und Einsatz zeigen (Massenkoff und McCrory 2026). Wir dokumentieren, wie sich die Aufgabenzusammensetzung mit dem Agentenzugang verschiebt.

Wir merken einige Vorbehalte an. Erstens ist das Beobachtungsfenster noch früh, und Early Adopter tendieren zu KI-Natives. Nutzer experimentieren auch aktiv und passen ihre Workflows innerhalb einer sich schnell entwickelnden Produktlandschaft an, sodass sich diese Muster im Laufe der Zeit ändern können. Zweitens lässt das sitzungsbasierte Design mit abgeglichenen Abfragen viele Computer-Aufgaben aus, die keine enge Search-Entsprechung haben. Während Sitzungen einen natürlichen Weg zur Segmentierung von Aufgaben bieten, folgen Nutzer diesem Strukturmodell in der Praxis nicht immer, was Sitzungen zu einem ungenauen Proxy für Aufgabeneinheiten macht. Drittens hängen die Effizienzschätzungen kritisch von Annahmen über menschlich äquivalente Werkzeugzeit und menschliche Überwachungszeit ab. Obwohl LLM-basierte Schätzungen und Nutzerinterviews in die gleiche Richtung weisen und Break-Even- sowie Sensitivitätsanalysen auf Robustheit hindeuten, sollten die genauen Größenordnungen als approximativ gelesen werden. Ebenso führt ein LLM-Klassifizierungsfehler zu zusätzlichem Messrauschen. Schließlich beobachten wir Nutzerverhalten nur innerhalb des Perplexity-Ökosystems und erfassen keine Aktivitäten außerhalb davon, was unseren Blick auf die vollständigen Arbeitsaktivitäten und die Werkzeugnutzung der Nutzer einschränken könnte.

Ausblick

Agenten machen bestehende Aufgaben schneller und kostengünstiger – und, was noch wichtiger ist, machen Aufgaben, die berufsübergreifend sind und verschiedene Fachkenntnisse erfordern, realisierbar.

Wenn ein System suchen, browsen, programmieren, Dateien bearbeiten, eine Verbindung zu Diensten herstellen und Ergebnisse produzieren kann, verschiebt sich der Flaschenhals des Nutzers. Sie verbringen weniger Zeit mit der Bedienung des Workflows und mehr Zeit mit der Definition von Zielen, der Bereitstellung von Kontext, der Überprüfung von Ausgaben und dem Anfordern von Erweiterungen. Der Nutzer wandelt sich vom Bediener zum Supervisor.

Auf individueller Ebene erweitert diese Verschiebung die Aufgabengrenze und ermöglicht es Nutzern, Arbeit zu übernehmen, die sowohl breiter als auch tiefer ist. Auf Ebene der Organisation und des Arbeitsmarktes bleibt es eine offene Frage, wie diese mikro-Ebenen-Veränderungen aggregiert werden. Wenn ein einzelnes Individuum, ausgestattet mit Agenten, Workflows abschließen kann, die zuvor mehrere Rollen erforderten, dann wird die langfristige Wirkung von Agenten nicht allein durch Geschwindigkeits- und Kostenmetriken erfasst werden. Stattdessen wird sie sich darin manifestieren, wie Arbeit gebündelt wird, wie Rollen definiert werden und wie Teams strukturiert sind.

Um mehr über unsere Methodik und Ergebnisse zu erfahren, lesen Sie den vollständigen technischen Bericht.

Referenzen

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

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

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