Πώς οι πράκτορες ΤΝ αναδιαμορφώνουν την εργασία γνώσης

Τα προηγμένα συστήματα ΤΝ γεφυρώνουν το χάσμα μεταξύ της νοημοσύνης των μοντέλων και της χρησιμότητας στον πραγματικό κόσμο. Τα νέα μοντέλα, οι αρχιτεκτονικές υπολογιστικής ισχύος και τα πρότυπα ερχήστρωσης επιτρέπουν σε αυτά τα συστήματα να φέρνουν εις πέρας εργασίες που θεωρούνταν αδύνατες πριν από λίγους μόλις μήνες.

Αυτή η ραγδαία καινοτομία αποδείχθηκε ευλογία για τους χρήστες της ΤΝ, ενισχύοντας την επιρροή και τη δυνατότητα δράσης τους. Ωστόσο, έχει δημιουργήσει επίσης μια υστέρηση μεταξύ του τεχνολογικού ορίζοντα και της κατανόησής μας για το πώς ακριβώς εξελίσσεται η γνώση στην εργασία ως απόκριση. Πώς αλλάζει η προηγμένη ΤΝ τη φύση της εργασίας γνώσης σε όλα τα επαγγέλματα; Ποιους διαρθρωτικούς και οικονομικούς μετασχηματισμούς σε αυτή την εργασία μπορούμε να αναμένουμε;

Επιδιώκουμε να κλείσουμε αυτό το χάσμα μέσω προσεκτικής εμπειρικής ανάλυσης της χρήσης του Perplexity. Σήμερα, σε συνεργασία με ερευνητές του Harvard Business School, μοιραζόμαστε την πρώτη μας ολοκληρωμένη μελέτη του Perplexity Computer σε ανάπτυξη στον πραγματικό κόσμο. Τα ευρήματά μας υποδεικνύουν ότι το Computer διευρύνει τόσο το εύρος όσο και το βάθος αυτού που μπορούν να πετύχουν οι χρήστες, με χαμηλότερο κόστος. Οι χρήστες του Computer ολοκληρώνουν περισσότερα, εργάζονται σε υψηλότερα επίπεδα αφαίρεσης και διασχίζουν πειθαρχικά όρια για να ξεκλειδώσουν αξία εκτός των δικών τους επαγγελμάτων.

Αυτό το άρθρο παρουσιάζει τα κυριότερα σημεία από τη μελέτη μας. Λεπτομερής μεθοδολογία και ευρήματα είναι διαθέσιμα στην τεχνική έκθεσή μας.

Τα πρώτα βασικά συστήματα γεν-ΤΝ ήταν βοηθοί συνομιλίας που συμμετέχουν σε διάλογο με τους χρήστες. Αυτοί οι βοηθοί βρίσκονται μεταξύ πρόθεσης και δράσης. Απαντούν σε ερωτήσεις, εξηγούν συμβιβασμούς και προτείνουν τα επόμενα βήματα. Στη συνέχεια, ο χρήστης πρέπει να μεταφράσει την απάντηση σε εργασία: να ανοίξει τα σωστά εργαλεία, να συγκεντρώσει αρχεία, να επεξεργαστεί έγγραφα, να ελέγξει ενδιάμεσα αποτελέσματα και να αποφασίσει τι να κάνει στη συνέχεια.

Οι πράκτορες αλλάζουν αυτόν τον καταμερισμό εργασίας. Ένας χρήστης καθορίζει ένα αποτέλεσμα και το σύστημα σχεδιάζει σε όλα τα εργαλεία, εκτελεί ενδιάμεσα βήματα, ζητάει τυχόν ελλιπείς εισόδους όταν χρειάζεται και επιστρέφει ένα τελικό παραδοτέο. Οι πράκτορες μετατοπίζουν τη χρήση της ΤΝ από την αναζήτηση και σύνθεση πραγμάτων στον αυτόνομο σχεδιασμός και εκτέλεση καθηκόντων.

Αυτό το τόξο ζωογονεί τη δική προϊοντική πορεία του Perplexity. Το 2022, λανσάραμε το Search, το οποίο όρισε την κατηγορία μηχανών απαντήσεων δίνοντας τη δυνατότητα στους χρήστες να κάνουν ερωτήσεις και να λαμβάνουν απαντήσεις που υποστηρίζονται από επαληθεύσιμες παραπομπές σε δισεκατομμύρια έγγραφα. Το 2025, παρουσιάσαμε το πρόγραμμα περιήγησης Comet, με έναν ενσωματωμένο πράκτορα ιστού που συλλογίζεται και ενεργεί παράλληλα με τους χρήστες στον ανοιχτό ιστό. Και το 2026, λανσάραμε το Computer, έναν ερχοστρωτή πρακτόρων γενικής χρήσης που εργάζεται αυτόνομα προς καθορισμένους από τον χρήστη στόχους σε σύνθετα περιβάλλοντα και μακροχρόνια χρονικά πλαίσια.

Πώς αλλάζει αυτή η μετάβαση τον τρόπο με τον οποίο εργαζόμαστε; Εξερευνούμε αυτό το ερώτημα χρησιμοποιώντας δεδομένα από τα προϊόντα Search και Computer, εστίαση σε τρεις διαστάσεις:

Αυτονομία: πόσο αυτόνομη εργασία εκτελεί το Computer σε σύγκριση με το Search στην ίδια εργασία;

Αποδοτικότητα: πόσο χρόνο και κόστος εργασίας εξοικονομεί το Computer σε σχέση με το Search στην ίδια εργασία;

Εύρος: πώς αλλάζει το Computer το είδος της εργασίας που επιχειρούν οι χρήστες;

Διαπιστώνουμε ότι πράκτορες όπως το Computer απαιτούν περισσότερη αρχική προσπάθεια από τον χρήστη (καθώς οι χρήστες πρέπει να καθορίσουν τους στόχους που θα ανατεθούν και να ελέγξουν τα αποτελέσματα), αλλά πολύ λιγότερη ανθρώπινη προσπάθεια ανά μονάδα εργασίας (λόγω της πιο αυτόνομης εκτέλεσης). Αυτό τους καθιστά ιδιαίτερα αποτελεσματικούς σε μεγάλες ροές εργασίας πολλαπλών βημάτων. Το όφελος είναι εργασία που είναι ταυτόχρονα βαθύτερη και φθηνότερη. Το Computer μετατοπίζει την προσπάθεια του χρήστη από τη χειροκίνητη εκτέλεση στην επίβλεψη, διευurύνοντας το φάσμα αυτού που μπορούν να πετύχουν οι χρήστες τόσο εντός όσο και εκτός των δικών τους τομέων εμπειρογνωμοσύνης.

Το Computer κυκλοφόρησε στις 25 Φεβρουαρίου 2026 και αυξήθηκε γρήγορα τους πρώτους τρεις μήνες.

Τα σωρευτικά ερωτήματα του Computer έφτασαν το 84× του συνόλου της πρώτης εβδομάδας έως τις 27 Μαΐου. Ως βασική γραμμή, η σωρευτική χρήση του Search μεταξύ των χρηστών του Computer έφτασε το 14× του συνόλου της πρώτης εβδομάδας, υψηλότερα από την αύξηση 12× για τους χρήστες εκτός Computer.

Ακόμη και μετά την αντιστοίχιση των χρηστών Computer και μη-Computer στο επίπεδο συνδρομής, το κύριο θέμα Search και την προηγούμενη ένταση Search, μια σύγκριση διαφοράς-σε-διαφορές δείχνει ότι η υιοθέτηση του Computer αυξάνει τη χρήση του Search: οι χρήστες του Computer κάνουν 1,05 περισσότερα ερωτήματα Search την ημέρα από παρόμοιους χρήστες μη-Computer.

Σωρευτική ανάπτυξη σε δείκτη με την πρώτη εβδομάδα κάθε σειράς. Ο όγκος ερωτημάτων του Computer έφτασε το 84× του αθροιστικού συνόλου της πρώτης εβδομάδας κατά το παράθυρο 27 Φεβρουαρίου – 27 Μαΐου.

Σε τυχαίο δείγμα 100.000 ερωτημάτων του Computer, η Έρευνα και Ανάλυση ήταν η μεγαλύτερη κατηγορία εργασιών με 25,8%, ακολουθούμενη από τη Δημιουργία Εγγράφων και Στοιχείων Ενεργητικού με 18,6%. Το παρατηρούμενο μείγμα εργασιών αποκλίνει προς τη γενετική εργασία: έγγραφα, υπολογιστικά φύλλα, βάσεις κώδικα, ιστότοποι και ροές εργασίας που απαιτούν εργασία σε πολλαπλά εργαλεία.

Στρέφοντας στους τομείς, η χρήση κατανεμήθηκε ευρέως σε Λογισμικό και Πληροφορική, Χρηματοοικονομικά και Επενδύσεις, Μάρκετινγκ και Πωλήσεις, Επιχειρησιακές Λειτουργίες, Υγειονομική Περίθαλψη, Εκπαίδευση, Νομικά και Μέσα Μαζικής Ενημέρωσης.

Περιπτώσεις χρήσης του Computer σε κατηγορίες εργασιών και θεματικούς τομείς. Η έρευνα, η ανάλυση, η δημιουργία εγγράφων, το λογισμικό, τα οικονομικά, οι επιχειρησιακές λειτουργίες και οι προσωπικές ροές εργασίας εμφανίζονται εμφανώς.

Το πιο άμεσο σήμα αυτονομίας είναι το πόσο χρόνο εκτελείται το σύστημα χωρίς ανθρώπινη παρέμβαση αφού ο χρήστης υποβάλει ένα αίτημα. Το Search συνήθως επιστρέφει μια απάντηση σε λίγα δευτερόλεπτα. Το Computer συχνά συνεχίζει να εργάζεται για λεπτά ή ακόμα και ώρες: αναζήτηση, περιήγηση, συγγραφή, επεξεργασία, εκτέλεση κώδικα και έλεγχος ενδιάμεσων αποτελεσμάτων.

Χρησιμοποιούμε συνεδρίες Search και Computer με σχεδόν πανομοιότυπα αρχικά ερωτήματα ως διαμεσολαβητή για την ίδια εργασία που επιχειρείται και με τα δύο προϊόντα. Σε 10.000 αντιστοιχισμένα ζεύγη, το Computer εκτελεί κατά μέσο όρο 26 λεπτά μηχανικής εκτέλεσης ανά συνεδρία, έναντι 33 δευτερολέπτων για το Search. Αυτή είναι μια αύξηση 48× στην εργασία μηχανής σε ουσιαστικά τις ίδιες εργασίες. Στη διάμεσο, το χάσμα είναι 9 λεπτά έναντι 14 δευτερολέπτων, ή 40×. Ο διαχωρισμός των τομέων δείχνει το ίδιο μοτίβο: το Computer εκτελεί περίπου 26–75× περισσότερη εργασία μηχανής και στους 18 τομείς.

Χρόνος εκτέλεσης μηχανής ανά συνεδρία για αντιστοιχισμένες συνεδρίες Computer και Search. Το Search συγκεντρώνεται κοντά σε σύντομους χρόνους απόκρισης· το Computer έχει ευρύτερη κατανομή που επικεντρώνεται γύρω από μακροχρόνια αυτόνομη εκτέλεση. Ο μέσος χρόνος εκτέλεσης του Computer (26 λεπτά) είναι πολύ υψηλότερος από τη διάμεσο (9 λεπτά), υποδεικνύοντας μια μακρά ουρά σύνθετων αιτημάτων μακrοπρόθεσμου ορίζοντα.

Μέσος χρόνος εκτέλεσης μηχανής ανά τομέα. Το Computer εκτελεί πολύ περισσότερη εργασία ανά συνεδρία επειδή κάθε στροφή χρήστη ενεργοποιεί καθοδική εκτέλεση και όχι μόνο μια απάντηση συνομιλίας.

Η μεγαλύτερης διάρκειας αυτονομία δεν μεταφράστηκε σε περισσότερη εγκατάλειψη. Τα συμβάντα διακοπής από τον χρήστη ήταν παρόμοια σε όλα τα προϊόντα: το 3,7% των συνεδριών Computer και το 3,4% των συνεδριών Search περιείχαν τουλάχιστον ένα συμβάν διακοπής από τον χρήστη. Το Computer έκανε παύση για είσοδο χρήστη πιο συχνά: το 13% των ερωτημάτων Computer επικαλέστηκε τουλάχιστον ένα εργαλείο παύσης για χρήστη έναντι 0,3% για το Search, συνήθως για να ζητήσει έγκριση ή να κάνει διευκρινιστικές ερωτήσεις. Αυτό είναι το αναμενόμενο μοτίβο για έναν πράκτορα: μπορεί να προχωρήσει αυτόνομα τις περισσότερες φορές, αλλά χρειάζεται σημεία ελέγχου για να πάρει άδεια και να επιβεβαιώσει τι θέλει ο χρήστης.

Το Computer αλυσώνει επίσης πολύ περισσότερες κλήσεις εξωτερικών εργαλείων —μέσω τελικών σημείων Model Context Protocol (MCP) ή Application Programming Interface (API)— σε μία μόνο συνεδρία, κάνοντας εργασία που ένας χρήστης του Search θα έκανε διαφορετικά με το χέρι σε ξεχωριστές εφαρμογές. Το 7,9% των συνεδριών Computer κάνουν τουλάχιστον μία κλήση συνδέσμου έναντι 1,8% των συνεδριών Search (χάσμα 4×), και το Computer έχει κατά μέσο όρο 1,19 κλήσεις συνδέσμου ανά συνεδρία έναντι 0,10 για το Search (αναλογία 12×). Με άλλα λόγια, το Computer δεν τρέχει απλώς περισσότερο· φτάνει σε περισσότερες από τις συνδεδεμένες υπηρεσίες ενός χρήστη για να αντλήσει δεδομένα και να αναλάβει δράσεις.

Η συμπεριφορά παρακολούθησης αλλάζει επίσης σε σύνθεση. Σε δείγμα 1.000 ζευγών πολλαπλών στροφών, η συνολική ροπή προς την πρόοδο της εργασίας είναι σχεδόν πανομοιότυπη σε όλα τα προϊόντα (52,7% των παρακολουθήσεων Computer έναντι 52,9% για το Search), αλλά αυτό που ζητούν οι χρήστες μετατοπίζεται: επειδή το Computer επιστρέφει ένα πιο ολοκληρωμένο παραδοτέο εκ των προτέρων, οι χρήστες του αντικαθιστούν τις επεκτάσεις με διευκρινιστικές εμβαθύνσεις (επεκτάσεις 14,2% έναντι 12,5%· εμβαθύνσεις 22,0% έναντι 23,4%). Οι χρήστες του Computer αφιερώνουν επίσης ελαφρώς περισσότερο από τις παρακολουθήσεις τους στην αναθεώρηση και την αναθεώρηση της εξόδου (24,6% έναντι 23,6%), ενώ το Search είναι πιο βαρύ σε σύντομες οδηγίες όπως επιβεβαιώσεις, επαναλήψεις και αιτήματα μορφής (11,6% έναντι 9,9%) τα οποία το Computer ενσωματώνει στην αρχική του εκτέλεση. Με άλλα λόγια, το Search δημιουργεί συντομότερους βρόχους σύνθεσης και εκτέλεσης· το Computer δημιουργεί μακrύτερους βρόχους αναθεώρησης και επέκτασης.

Το πιο σημαντικό είναι ότι η ποιότητα δεν μειώθηκε με υψηλότερη αυτονομία. Σε αντιστοιχισμένες συνεδρίες πολλαπλών στροφών, η ουσιαστική δυσαρέσκεια στην επόμενη στροφή ήταν 1,3% για το Computer έναντι 2,9% για το Search, μείωση 55%. Οποιαδήποτε δυσαρέσκεια, συμπεριλαμβανομένων ήπιων σημάτων, ήταν 10,8% για το Computer έναντι 16,6% για το Search.

Σήματα δυσαρέσκειας στην επόμενη στροφή στο αντιστοιχισμένο δείγμα πολλαπλών στροφών. Οι στήλες ενδέχεται να μην αθροίζονται ακριβώς στο 100% λόγω στρογγυλοποίησης.

Η υψηλότερη αυτονομία ανταλλάσσει τη χειροκίνητη ανθρώπινη εργασία με υπολογισμό μηχανής, γεγονός που αυξάνει την αποδοτικότητα. Για να ποσοτικοποιήσουμε αυτό το αποτέλεσμα, συγκρίνουμε δύο εγκαταστάσεις στις ίδιες αντιστοιχισμένες εργασίες.

Search + Άνθρωπος: Το Search διαχειρίζεται την ανάκτηση και τη σύνθεση· ο άνθρωπος εκτελεί χειροκίνητα.

Computer + Άνθρωπος: Το Computer εκτελεί τη ροή εργασίας· ο άνθρωπος οριοθετεί την εργασία και επανεξετάζει την έξοδο.

Δεν μπορούμε να παρατηρήσουμε άμεσα πόσο χρόνο θα χρειαζόταν ένας άνθρωπος για μια εργασία, οπότε τριγωνοποιούμε με τρεις ανεξάρτητες εκτιμήσεις:

Εκτίμηση βάσει εργαλείων: Ταξινομούμε τις κλήσεις εργαλείων του Computer σε δύο κατηγορίες: "Search" και "Do". Τα εργαλεία Search αντιστοιχούν σε βήματα ανάκτησης και σύνθεσης πληροφοριών που αντιμετωπίζονται ήδη από το προϊόν Search. Τα εργαλεία Do αντιπροσωπερίζουν βήματα εκτέλεσης που ένας άνθρωπος θα χρειαζόταν να εκτελέσει χειροκίνητα όταν χρησιμοποιεί μόνο το Search. Στη συνέχεια εκτιμούμε τον χρόνο που απαιτείται για έναν έμπειρο άνθρωπο να πραγματοποιήσει αυτές τις ενέργειες Do.

Εκτίμηση βάσει LLM: Τροφοδοτούμε ερωτήματα από συνεδρίες Computer σε ένα LLM για να εκτιμήσουμε τον χρόνο που απαιτείται για έναν έμπειρο επαγγελματία που λαμβάνει απαντήσεις από το Search αλλά πρέπει να εκτελέσει όλα τα βήματα εκτέλεσης χειροκίνητα.

Εκτίμηση που αναφέρεται από τον χρήστη: Διεξάγουμε 25 ημι-δομημένες συνεντεύξεις με ενεργούς χρήστες του Computer σε διάφορους τομείς και αντλούμε τις ροές εργασίας πριν από το Computer και τον χρόνο που θα απαιτούσαν αυτές οι ροές εργασίας.

Ταξινόμηση εργαλείων που χρησιμοποιείται στην εκτίμηση βάσει εργαλείων. Τα εργαλεία "Search" αντικατοπτρίζουν δυνατότητες που παρέχει ήδη το Search, επομένως δεν χρεώνεται χειροκίνητος χρόνος. Τα εργαλεία "Do" απαιτούν από τον άνθρωπο να ενεργήσει βάσει του ερευνητικού αποτελέσματος του Search· οι εκτιμήσεις λεπτών ανά κλήση προσεγγίζουν τον χρόνο που θα αφιέρωνε ένας έμπειρος επαγγελματίας εκτελώντας την ισοδύναμη ενέργεια χειροκίνητα.

Σύμφωνα με την εκτίμηση βάσει εργαλείων, η μέση εργασία Search + Άνθρωπος διαρκεί 269 λεπτά, ενώ η αντίστοιχη ροή εργασίας Computer + Άνθρωπος διαρκεί 36 λεπτά. Αυτή είναι μια μείωση 87% στον χρόνο εργασίας.

Για να μεταφράσουμε τον χρόνο εργασίας σε κόστος, χρησιμοποιούμε μέσους ωριαίους μισθούς συγκεκριμένους για τον τομέα από τα δεδομένα Μαΐου 2025 των Στατιστικών Απασχόλησης και Μισθών του Γραφείου Στατιστικών Εργασίας των ΗΠΑ (BLS OEWS) (Γραφείο Στατιστικών Εργασίας ΗΠΑ 2026). Συνδυάζοντας το κόστος του μοντέλου με το κόστος ανθρώπινης εργασίας συγκεκριμένου τομέα, το Computer μειώνει το εκτιμώμενο κόστος εργασίας κατά 94% κατά μέσο όρο.

Εκτιμώμενος χρόνος και κόστος εργασίας για Search + Άνθρωπος έναντι Computer + Άνθρωπος. Η ανθρώπινη εργασία κυριαρχεί στη βασική γραμμή Search + Άνθρωπος, ενώ το Computer μετατοπίζει μεγάλο μέρος της εργασίας στην εκτέλεση μοντέλων και εργαλείων.

Ποσοστό χρόνου και κόστους που εξοικονομείται από το Computer + Άνθρωπος σε σχέση με το Search + Άνθρωπος, με πολλαπλασιαστές σε παρένθεση (π.χ., 94% (16×) σημαίνει ότι το Computer + Άνθρωπος είναι 94% ή 16 φορές φθηνότερο). Το κόστος ανθρώπινης εργασίας χρησιμοποιεί μέσους ωριαίους μισθούς BLS OEWS Μαΐου 2025.

Το πλεονέκτημα αποδοτικότητας εμφανίζεται και στους 18 τομείς, με εξοικονόμηση χρόνου 79–92% και εξοικονόμηση κόστους 87–96%. Ο προγραμματισμός είναι η πιο ακραία περίπτωση: 596 λεπτά για Search + Άνθρωπος έναντι 48 λεπτών για Computer + Άνθρωπος —μια μείωση χρόνου 92% που αποφέρει μείωση κόστους 96%. Οι επιχειρήσεις, η τεχνολογία, η εκπαίδευση και η συγγραφή δείχνουν επίσης μεγάλα κέρδη. Η εξοικονόμηση χρόνου τείνει να μεταφράζεται σε μεγαλύτερη εξοικονόμηση κόστους σε τομείς υψηλότερων μισθών.

Πόσο ισχυρό είναι αυτό το αποτέλεσμα; Εξετάστε ένα νεκρό σημείο: για να ταιριάξει το Search + Άνθρωπος το κόστος του Computer + Άνθρωπος, ένας επαγγελματίας θα χρειαζόταν να ολοκληρώσει κάθε χειροκίνητο βήμα σε 14–24 λεπτά (διάμεσος 18). Το Computer διατηρεί το πλεονέκτημά του σε κάθε τομέα ακόμη και κάτω από πιο συντηρητικές υποθέσεις: για παράδειγμα, μια υπερεκτίμηση 8× στον χρόνο ανά εργαλείο, ή μια υποεκτίμηση 12× στον χρόνο επίβλεψης του Computer.

Η εκτίμηση βάσει LLM αποφέρει παρόμοια συνολικά αποτελέσματα: μείωση 84% στον χρόνο και μείωση 93% στο συνολικό κόστος. Οι συνεντεύξεις χρηστών δείχνουν ένα πολύ ευρύτερο φάσμα αποτελεσμάτων—από 5× έως πάνω από 300× επιταχύνσεις—αντανακλώντας πιθανώς σημαντική διακύμανση στις αρχικές γραμμές των χρηστών πριν από το Computer. Η διάμεση επιταχυνση μεταξύ των συμμετεχόντων είναι 25×, που αντιστοιχεί σε μείωση 96% στον χρόνο.

Η ταχύτητα και το κόστος στις αντιστοιχισμένες εργασίες αποτυπώνουν μόνο μέρος της ιστορίας. Το σχήμα της εργασίας θα μπορούσε επίσης να αλλάξει. Καθώς το Computer αντικαθιστά τη χειροκίνητη εκτέλεση με υπολογισμό μηχανής, οι χρήστες ενδέχεται να αναλάβουν διαφορετικά είδη εργασίας—εργασίες που διασχίζουν επαγγελματικά όρια και εκείνες που απαιτούν υψηλότερα επίπεδα εμπειρογνωμοσύνης.

Πρώτον, ρωτάμε εάν οι χρήστες εργάζονται εκτός της συμπεranθθείσας κύριας επαγγελματικής τους ομάδας πιο συχνά με το Computer παρά με το Search. Δεύτερον, συγκρίνουμε ερωτήματα Computer και Search από τους ίδιους χρήστες χρησιμοποιώντας πέντε ταξινομήσεις σε επίπεδο εργασίας: Αναθεωρημένη Ταξινόμηση του Bloom (Anderson και Krathwohl 2001), αφηρημένη έναντι ρουτίνας εργασία στην παράδοση περιεχομένου εργασίας (Autor, Levy και Murnane 2003), εύρος Γνώσης O*NET (National Center for O*NET Development 2026), εύρος δραστηριότητας εργασίας O*NET και νέες εργασίες που δεν επιχειρήθηκαν με το Search.

Η οριζόντια μετατόπιση είναι εμφανής στα δεδομένα. Σε δείγμα 8.000 χρηστών από οκτώ επαγγελματικές ομάδες, χρησιμοποιώντας όλα τα ερωτήματά τους, οι χρήστες του Computer εργάζονται εκτός της κύριας επαγγελίας τους 59% του χρόνου, σε σύγκριση με 50% για το Search. Οι μεγαλύτερες αυξήσεις εμφανίζονται στη Διοίκηση και Επιχειρηματικότητα, στην Ψηφιακή Τεχνολογία, στις Τέχνες και το Σχέδιο, και στην Υγειονομική Περίθαλψη και τις Ανθρωπιστικές Υπηρεσίες. Τα ερωτήματα Search δια-επαγγελματικών συγκεντρώνονται στην Ψηφιακή Τεχνολογία, ενώ τα ερωτήματα Computer αναθέτουν εργασία που διασχίζει σε πιο ποικίλους τομείς όπου οι χρήστες διαφορετικά θα χρειάζονταν ειδικούς.

Ροές εργασιών δια-επαγγελματικών στις οκτώ επαγγελματικές ομάδες. Τα κυρτά τόξα δείχνουν τους κορυφαίους εξερχόμενους προορισμούς κάθε ομάδας, με το πλάτος της γραμμής ανάλογο με το μερίδιο προορισμού και τον τύπο γραμμής να υποδεικνύει την κατάταξη. Το Search συγκεντρώνει τις ροές δια-επαγγελματικών στην Ψηφιακή Τεχνολογία, ενώ το Computer διασπείρει τις ροές σε Μάρκετινγκ, Διοίκηση, Χρηματοοικονομικές Υπηρεσίες και άλλους εκτελεστικούς προορισμούς.

Η κατακόρυφη μετατόπιση είναι ακόμη μεγαλύτερη. Σε δείγμα 5.000 ερωτημάτων Computer και 5.000 ερωτημάτων Search από το ίδιο σύνολο χρηστών διπλού προϊόντος, τα ερωτήματα Computer είναι πιο γνωστικά σύνθετα από τα ερωτήματα Search. Στην Αναθεωρημένη Ταξινόμηση του Bloom, το 76% των ερωτημάτων Computer απαιτούν γνωστική ικανότητα ανώτερης τάξης, σε σύγκριση με το 55% για το Search. Η διαφορά συγκεντρώνεται στην κορυφή: το 50% των ερωτημάτων Computer είναι εργασίες επιπέδου Δημιουργίας, σε σύγκριση με το 26% για το Search. Το Search έχει πολύ μεγαλύτερη μάζα σε αναζήτηση γεγονότων επιπέδου Μνήμης. Στη διάσταση τύπου εργασίας αφηρημένης έναντι ρουτίνας, το 71% των ερωτημάτων Computer περιλαμβάνουν αφηρημένη, μη-ρουτίνας γνωστική ικανότητα έναντι 53% για το Search.

Γνωστική πολυπλοκότητα ερωτημάτων Computer και Search. Το Computer μετατοπίζεται έντονα προς εργασία επιπέδου Δημιουργίας και αφηρημένης μη-ρουτίνας.

Οι εργασίες του Computer αντλούν επίσης από περισσότερους τομείς γνώσης. Η μέση εργασία Computer απαιτεί ουσιαστική εμπειρογνωμοσύνη σε 2,40 τομείς Γνώσης O*NET, σε σύγκριση με 1,74 για το Search, μια αύξηση 38%. Το Computer είναι σχεδόν τρεις φορές πιο πιθανό από το Search να απαιτεί τρεις ή περισσότερους τομείς γνώσης: 51% έναντι 17%.

Απαιτούμενοι τομείς γνώσης ανά ερώτημα. Οι συνεδρίες Computer συγκεντρώνονται σε δύο έως τρεις τομείς και είναι πολύ πιο πιθανό να απαιτούν ευρεία εμπειρογνωμοσύνη.

Σε επίπεδο δραστηριότητας εργασίας, ισχύει το ίδιο μοτίβο. Ένα τυπικό ερώτημα Computer εμπλέκει 2,95 Γενικευμένες Δραστηριότητες Εργασίας O*NET και 4,01 Ενδιάμεσες Δραστηριότητες Εργασίας έναντι 2,24 και 2,87 για το Search, αύξηση 32% και 40%. Σε λεπτότερα επίπεδα, το Computer εμπλέκει 59% περισσότερες Λεπτομερείς Δραστηριότητες Εργασίας και 60% περισσότερες Δηλώσεις Εργασιών συγκεκριμένες για το επάγγελμα.

Εύρος δραστηριότητας εργασίας ανά ερώτημα στα επίπεδα ένθεσης O*NET. Το Computer μετατοπίζει την κατανομή δεξιά στα ενδιάμεσα, λεπτομερή επίπεδα και επίπεδα δήλωσης εργασίας.

Το πιο αποκαλυπτικό μέτρο είναι το σύνολο των εργασιών που εμφανίζονται στο Computer αλλά όχι στο Search μεταξύ των ίδιων χρηστών. Στον αυστηρότερο ορισμό, όπου μια δήλωση εργασίας εμφανίζεται στο Computer και δεν εμφανίζεται ποτέ στο αντιστοιχισμένο δείγμα Search, το 23% των ερωτημάτων Computer εμπλέκουν τουλάχιστον μία δήλωση εργασίας αποκλειστικά για Computer. Η χαλάρωση του ορίου ώστε να επιτρέπονται έως και πέντε εμφανίσεις Search αυξάνει το μερίδιο σε 38%, και σταθεροποιείται κοντά στο 41%. Αυτές οι δραστηριότητες αποκλειστικά για Computer συγκεντρώνονται στην ανάπτυξη λογισμικού και ιστού, στην παραγωγή τεκμηρίωσης και στην οπτικοποίηση δεδομένων ή τα γραφικά. Αυτό είναι ακριβώς το σημείο όπου η αυτόνομη εκτέλεση έχει τη μεγαλύτερη σημασία: το Search εξηγεί· το Computer παράγει.

Μερίδιο ερωτημάτων Computer που εμπλέκουν τουλάχιστον μία δραστηριότητα O*NET αποκλειστικά για Computer κάτω από διαφορετικά όρια εμφάνισης. Ο ισχυρότερος διαχωρισμός εμφανίζεται στο λεπτομερές επίπεδο δήλωσης εργασίας.

Τα περισσότερα στοιχεία σχετικά με την ΤΝ στην εργασία επικεντρώνονται στο περιβάλλον του βοηθού. Αυτή η βιβλιογραφία έχει δείξει μεγάλα κέρδη παραγωγικότητας στην ενίσχυση της συγγραφής, της υποστήριξης πελατών, της κωδικοποίησης και της παροχής συμβουλών (π.χ., Noy και Zhang 2023· Brynjolfsson, Li και Raymond 2025· Cui et al. 2026· Dell'Acqua et al. 2026).

Οι πράκτορες αλλάζουν τη συμπεριφορά των χρηστών και τα καθοδικά οικονομικά αποτελέσματα. Οι αναπτύξεις παραγωγής αρχίζουν να αποκαλύπτουν τη χρήση και τον αντίκτυπο των πρακτόρων σε ρυθμίσεις του πραγματικού κόσμου, αλλά επικεντρώνονται κυρίως σε εξειδικευμένους πράκτορες κωδικοποίησης και πρώιμους πράκτορες προγράμματος περιήγησης (π.χ., Sarkar 2026· McCain et al. 2026· Demirer, Musolff και Yang 2026· Yang et al. 2025). Συμπληρώνουμε αυτό το έργο και γεφυρώνουμε τη βιβλιογραφία βοηθών και πρακτόρων συγκρίνοντας την αλληλεπίδραση των χρηστών με έναν ερχοστρωτή πρακτόρων γενικής χρήσης έναντι ενός βοηθού συνομιλίας, και επεκτείνοντας την ανάλυση καθοδικού αντίκτυπου σε ένα ευρύτερο φάσμα εργασίας γνώσης.

Μετακινούμαστε επίσης από την έκθεση στην πραγματοποιηθείσα ανασύνθεση εργασιών. Η προηγ。“ηγούμενη εργασία εκτιμά ποια επαγγέλματα εκτίθενται στην ΤΝ χρησιμοποιώντας περιγραφές εργασιών και επαγγελματική δομή (π.χ., Eloundou et al. 2024· Felten, Raj και Seamans 2023), ενώ τα μέτρα βάσει χρήσης δείχνουν το χάσμα μεταξύ έκθεσης και ανάπτυξης (Massenkoff και McCrory 2026). Τεκμηριώваем πώς η σύνθεση εργασιών μετατοπίζεται με την πρόσβαση σε πράκτορες.

Σημειώνουμε αρκετές επιφυλάξεις. Πρώτον, το παράθυρο παρατήρησης είναι πρώιμο και οι πρώτοι υιοθετητές αποκλίνουν προς τους ιθαγενείς της ΤΝ. Οι χρήστες πειραματίζονται επίσης ενεργά και προσαρμόζουν τις ροές εργασίας τους μέσα σε ένα ταχέως εξελισσόμενο τοπίο προϊόντων, επομένως αυτά τα μοτίβα ενδέχεται να αλλάξουν με την πάροδο του χρόνου. Δεύτερον, ο σχεδιασμός αντιστοιχισμένου ερωτήματος βάσει συνεδρίας αφήνει έξω πολλές εργασίες Computer που δεν έχουν στενό ισοδύναμο Search. Ενώ οι συνεδρίες παρέχουν έναν φυσικό τρόπο τμηματοποίησης εργασιών, οι χρήστες δεν ακολουθούν πάντα αυτή τη δομή στην πράξη, καθιστώντας τις συνεδρίες έναν θορυβώδη διαμεσολαβητή για μονάδες εργασίας. Τρίτον, οι εκτιμήσεις αποδοτικότητας εξαρτώνται κρίσιμα από υποθέσεις σχετικά με τον χρόνο εργαλείου ισοδύναμου ανθρώπου και τον χρόνο ανθρώπινης επίβλεψης. Αν και οι εκτιμήσεις βάσει LLM και οι συνεντεύξεις χρηστών δείχνουν προς την ίδια κατεύθυνση, και οι αναλύσεις νεκρού σημείου και ευαισθησίας υποδεικνύουν ευρωστία, τα ακριβή μεγέθη θα πρέπει να διαβαστούν ως κατά προσέγγιση. Σχετικά, το σφάλμα ταξινόμησης LLM εισάγει πρόσθετο θόρυβο μέτρησης. Τέλος, παρατηρούμε τη συμπεριφορά των χρηστών μόνο εντός του οικοσυστήματος του Perplexity και δεν καταγράφουμε τη δραστηριότητα εκτός αυτού, γεγονός που ενδέχεται να περιορίσει την άποψή μας για τις πλήρεις εργασίες εργασίας και τη χρήση εργαλείων των χρηστών.

Οι πράκτορες κάνουν τις υπάρχουσες εργασίες ταχύτερες και φθηνότερες—και, το πιο σημαντικό, καθιστούν εφικτές εργασίες που εκτείνονται σε επαγγελματικά όρια και επίπεδα εμπειρογνωμοσύνης.

Όταν ένα σύστημα μπορεί να κάνει αναζήτηση, περιήγηση, κωδικοποίηση, επεξεργασία αρχείων, σύνδεση σε υπηρεσίες και παραγωγή παραδοτέων, το σημείο συμφόρησης του χρήστη μετατοπίζεται. Ξοδεύουν λιγότερο χρόνο στη λειτουργία της ροής εργασίας και περισσότερο χρόνο στον καθορισμό στόχων, στην παροχή πλαισίου, στον έλεγχο εξόδων και στην υποβολή αιτημάτων για επεκτάσεις. Ο χρήστης μεταβαίνει από χειριστής σε επόπτης.

Σε ατομικό επίπεδο, αυτή η μετατόπιση διευurύνει το σύνορο εργασιών, επιτρέποντας στους χρήστες να αναλάβουν εργασία που είναι τόσο ευρύτερη όσο και βαθύτερη. Σε επίπεδο οργανισμού και αγοράς εργασίας, το πώς αθροίζονται αυτές οι αλλαγές μικροεπιπέδου παραμένει ανοιχτό ερώτημα. Εάν ένα μόνο άτομο, εξοπλισμένο με πράκτορες, μπορεί να ολοκληρώσει ροές εργασίας που προηγουμένως απαιτούσαν πολλαπλούς ρόλους, τότε ο μακροπρόθεσμος αντίκτυπος των πρακτόρων δεν θα αποτυπωθεί μόνο από τις μετρήσεις ταχύτητας και κόστους. Αντίθετα, θα εκδηλωθεί στο πώς ομαδοποιείται η εργασία, πώς ορίζονται οι ρόλοι και πώς δομούνται οι ομάδες.

Για να μάθετε περισσότερα σχετικά με τη μεθοδολογία και τα ευρήματά μας, διαβάστε την πλήρη τεχνική έκθεση.

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

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

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

Εισαγωγή

Υιοθέτηση και περιπτώσεις χρήσης του Computer

Υψηλότερη αυτονομία και ποιότητα

Κέρδη αποδοτικότητας από την αυτονομία

Το εύρος των εργασιών επεκτείνεται οριζόντια και κατακόρυφα

Συζήτηση

Κοιτάζοντας μπροστά

Παραπομπές