Cómo los agentes de IA transforman el trabajo de conocimiento

Los sistemas de inteligencia artificial de vanguardia están acortando la brecha entre la inteligencia de los modelos y la utilidad en el mundo real. Los nuevos modelos, las arquitecturas de cómputo y los patrones de orquestación están permitiendo que estos sistemas realicen tareas que se consideraban imposibles hace apenas unos meses.

Esta rápida innovación ha resultado ser una gran ventaja para los usuarios de IA al potenciar su influencia y capacidad de acción. Sin embargo, también ha generado un desfase entre la vanguardia tecnológica y nuestra comprensión de cómo evoluciona exactamente el trabajo de conocimiento en respuesta a esto. ¿Cómo cambia la inteligencia artificial de vanguardia la naturaleza del trabajo de conocimiento en todas las profesiones? ¿Qué transformaciones estructurales y económicas podríamos esperar en este trabajo?

Buscamos cerrar esta brecha mediante un análisis empírico cuidadoso del uso de Perplexity. Hoy, en colaboración con investigadores de la Harvard Business School, compartimos nuestro primer estudio exhaustivo sobre Perplexity Computer en su implementación en el mundo real. Nuestros hallazgos sugieren que Computer amplía tanto la amplitud como la profundidad de lo que los usuarios pueden lograr, a un costo menor. Los usuarios de Computer logran hacer más, trabajan en niveles de abstracción más altos y cruzan fronteras disciplinarias para desbloquear valor fuera de sus propias profesiones.

Este artículo presenta los aspectos más destacados de nuestro estudio. La metodología detallada y los hallazgos están disponibles en nuestro informe técnico.

Introducción

Los primeros sistemas de inteligencia artificial generativa convencionales fueron asistentes conversacionales que interactúan en un diálogo con los usuarios. Estos asistentes se ubican entre la intención y la acción. Responden preguntas, explican compensaciones y sugieren los siguientes pasos. Luego, el usuario debe traducir la respuesta en trabajo: abrir las herramientas adecuadas, recopilar archivos, editar documentos, verificar resultados intermedios y decidir qué hacer a continuación.

Los agentes cambian esa división del trabajo. Un usuario especifica un resultado, y el sistema planifica entre herramientas, ejecuta pasos intermedios, solicita las entradas faltantes cuando es necesario y devuelve un entregable terminado. Los agentes desplazan el uso de la IA de buscar información y sintetizarla a planificar y llevar a cabo tareas de forma autónoma.

Este arco da vida a la progresión de productos de Perplexity. En 2022, lanzamos Search, que definió la categoría de motores de respuestas al permitir que los usuarios hicieran preguntas y recibieran respuestas respaldadas por citas verificables en miles de millones de documentos. En 2025, introdujimos el navegador Comet, con un agente web integrado que razona y actúa junto a los usuarios en la web abierta. Y en 2026, lanzamos Computer, un orquestador de agentes de propósito general que trabaja de manera autónoma hacia objetivos especificados por el usuario en entornos complejos y largos horizontes temporales.

¿Cómo está cambiando esta transición nuestra forma de trabajar? Exploramos esta pregunta utilizando datos de nuestros productos Search y Computer, centrándonos en tres dimensiones:

Autonomía: ¿cuánto trabajo autónomo realiza Computer en comparación con Search en la misma tarea?

Eficiencia: ¿cuánto tiempo y costo de mano de obra ahorra Computer en relación con Search en la misma tarea?

Alcance: ¿cómo cambia Computer el tipo de trabajo que los usuarios intentan realizar?

Encontramos que los agentes como Computer requieren un mayor esfuerzo inicial por parte del usuario (ya que deben especificar los objetivos que se van a delegar y revisar los resultados), pero mucho menos esfuerzo humano por unidad de trabajo (debido a una ejecución más autónoma). Eso los hace especialmente eficaces en flujos de trabajo largos y de múltiples pasos. El beneficio es un trabajo que es tanto más profundo como más económico. Computer desplaza el esfuerzo del usuario de la ejecución manual a la supervisión, ampliando el rango de lo que los usuarios pueden lograr tanto dentro como fuera de sus propias áreas de especialización.

Adopción de Computer y casos de uso

Computer se lanzó el 25 de febrero de 2026 y creció rápidamente en los primeros tres meses.

Las consultas acumuladas de Computer alcanzaron 84 veces su total de la primera semana para el 27 de mayo. Como línea base, el uso acumulado de Search entre los usuarios de Computer alcanzó 14 veces su total de la primera semana, superior al crecimiento de 12 veces para los usuarios que no usan Computer.

Aun después de emparejar a los usuarios de Computer y a los que no lo usan según su nivel de suscripción, su tema principal de búsqueda y su intensidad de búsqueda previa, una comparación de diferencias en diferencias muestra que adoptar Computer aumenta el uso de Search: los usuarios de Computer realizan 1.05 consultas de búsqueda más por día que los usuarios similares que no usan Computer.

En una muestra aleatoria de 100,000 consultas de Computer, Investigación y análisis fue la categoría de tarea más grande con un 25.8%, seguida de Creación de documentos y activos con un 18.6%. La combinación de tareas observada se inclina hacia el trabajo generativo: documentos, hojas de cálculo, bases de código, sitios web y flujos de trabajo que requieren trabajo en múltiples herramientas.

Pasando a los dominios, el uso se distribuyó ampliamente entre Software y TI, Finanzas e Inversión, Marketing y Ventas, Operaciones comerciales, Salud, Educación, Legal y Medios.

Mayor autonomía y calidad

La señal más directa de autonomía es el tiempo que el sistema funciona sin intervención humana después de que el usuario envía una solicitud. Search suele devolver una respuesta en segundos. Computer a menudo sigue trabajando durante minutos o incluso horas: buscando, navegando, escribiendo, editando, ejecutando código y verificando resultados intermedios.

Utilizamos sesiones de Search y Computer con consultas iniciales casi idénticas como indicador de una misma tarea intentada con ambos productos. A través de 10,000 pares emparejados, Computer realiza 26 minutos de ejecución de máquina por sesión en promedio, en comparación con los 33 segundos de Search. Eso representa un aumento de 48 veces en el trabajo de máquina en esencialmente las mismas tareas. En la mediana, la brecha es de 9 minutos frente a 14 segundos, es decir, 40 veces. La división por dominios muestra el mismo patrón: Computer realiza aproximadamente entre 26 y 75 veces más trabajo de máquina en los 18 dominios.

Una autonomía de mayor duración no se tradujo en un mayor abandono. Los eventos de detención por parte del usuario fueron similares en todos los productos: el 3.7% de las sesiones de Computer y el 3.4% de las sesiones de Search contuvieron al menos un evento de detención por parte del usuario. Computer hizo una pausa para recibir la entrada del usuario con mayor frecuencia: el 13% de las consultas de Computer invocaron al menos una herramienta de pausa para el usuario en comparación con el 0.3% de Search, por lo general para solicitar aprobación o hacer preguntas aclaratorias. Ese es el patrón esperado para un agente: puede proceder de manera autónoma la mayor parte del tiempo, pero necesita puntos de control para obtener permiso y confirmar lo que el usuario desea.

Computer también encadena muchas más llamadas a herramientas externas (a través del Protocolo de Contexto de Modelo [MCP] o puntos finales de Interfaz de Programación de Aplicaciones [API]) en una sola sesión, realizando un trabajo que un usuario de Search haría de otro modo a mano en aplicaciones separadas. El 7.9% de las sesiones de Computer realizan al menos una llamada a un conector en comparación con el 1.8% de las sesiones de Search (una brecha de 4 veces), y Computer promedia 1.19 llamadas a conectores por sesión en comparación con 0.10 para Search (una proporción de 12 veces). En otras palabras, Computer no solo funciona por más tiempo; abarca una mayor cantidad de servicios conectados del usuario para extraer datos y realizar acciones.

El comportamiento de seguimiento también cambia en su composición. En una muestra de 1,000 pares con múltiples turnos, la propensión general hacia el avance de la tarea es casi idéntica en todos los productos (el 52.7% de los seguimientos de Computer frente al 52.9% de Search), pero lo que los usuarios solicitan cambia: dado que Computer devuelve un entregable más completo por adelantado, sus usuarios sustituyen las extensiones por profundizaciones aclaratorias (extensiones 14.2% frente a 12.5%; profundizaciones 22.0% frente a 23.4%). Los usuarios de Computer también dedican una proporción ligeramente mayor de sus seguimientos a revisar y modificar el resultado (24.6% frente a 23.6%), mientras que Search se concentra más en directivas breves como confirmaciones, reintentos y solicitudes de formato (11.6% frente a 9.9%) que Computer integra en su ejecución inicial. En otras palabras, Search crea bucles más cortos de resumen y ejecución; Computer crea bucles más largos de revisión y extensión.

Lo más importante es que la calidad no disminuyó con una mayor autonomía. En las sesiones emparejadas de múltiples turnos, la insatisfacción significativa en el siguiente turno fue del 1.3% para Computer frente al 2.9% para Search, lo que representa una reducción del 55%. Cualquier insatisfacción, incluidos los signos leves, fue del 10.8% para Computer frente al 16.6% para Search.

Ganancias de eficiencia derivadas de la autonomía

Una mayor autonomía sustituye el trabajo humano manual por el cálculo de la máquina, lo que eleva la eficiencia. Para cuantificar este efecto, comparamos dos configuraciones en las mismas tareas emparejadas.

Search + Humano: Search se encarga de la recuperación y la síntesis; el humano ejecuta manualmente.

Computer + Humano: Computer realiza el flujo de trabajo; el humano delimita la tarea y revisa el resultado.

No podemos observar directamente cuánto tiempo le tomaría una tarea a un humano, por lo que triangulamos con tres estimaciones independientes:

Estimación basada en herramientas: Clasificamos las llamadas a herramientas de Computer en dos categorías: "Buscar" («Search») y "Hacer" («Do»). Las herramientas de búsqueda corresponden a pasos de recuperación y síntesis de información que ya maneja el producto Search. Las herramientas de ejecución representan pasos de ejecución que un humano necesitaría realizar manualmente al usar Search solo. Luego estimamos el tiempo requerido para que un humano experimentado lleve a cabo estas acciones de ejecución.

Estimación basada en LLM: Introducimos consultas de sesiones de Computer en un LLM para estimar el tiempo requerido para un profesional capacitado que recibe respuestas de Search pero debe realizar todos los pasos de ejecución manualmente.

Estimación informada por el usuario: Llevamos a cabo 25 entrevistas semiestructuradas con usuarios activos de Computer en distintos dominios y obtenemos los flujos de trabajo previos a Computer y el tiempo que dichos flujos de trabajo habrían tomado.

Según la estimación basada en herramientas, la tarea promedio de Search + Humano toma 269 minutos, mientras que el flujo de trabajo correspondiente de Computer + Humano toma 36 minutos. Esto representa una reducción del 87% en el tiempo de la tarea.

Para traducir el tiempo de la tarea en costo, utilizamos salarios horarios promedio específicos de dominio de los datos de mayo de 2025 de las Estadísticas de Empleo y Salarios Ocupacionales de la Oficina de Estadísticas Laborales de EE. UU. (BLS OEWS) (Oficina de Estadísticas Laborales de EE. UU., 2026). Al combinar el costo del modelo con el costo de la mano de obra humana específica del dominio, Computer reduce el costo estimado de la tarea en un 94% en promedio.

La ventaja de eficiencia aparece en los 18 dominios, con ahorros de tiempo del 79% al 92% y ahorros de costos del 87% al 96%. La programación es el caso más extremo: 596 minutos para Search + Humano frente a 48 minutos para Computer + Humano, una reducción de tiempo del 92% que produce una reducción de costos del 96%. Negocios, tecnología, educación y redacción también muestran grandes ganancias. Los ahorros de tiempo tienden a traducirse en mayores ahorros de costos en dominios de salarios más altos.

¿Qué tan robusto es este resultado? Considere un punto de equilibrio: para que Search + Humano iguale el costo de Computer + Humano, un profesional necesitaría terminar cada paso manual en 14 a 24 minutos (con una mediana de 18). Computer mantiene su ventaja en todos los dominios incluso bajo suposiciones más conservadoras; por ejemplo, una sobreestimación de 8 veces en el tiempo por herramienta, o una subestimación de 12 veces en el tiempo de supervisión de Computer.

La estimación basada en LLM produce resultados agregados similares: una reducción del 84% en el tiempo y del 93% en el costo en general. Las entrevistas con los usuarios muestran un rango de resultados mucho más amplio, desde aceleraciones de 5 veces hasta más de 300 veces, lo que probablemente refleja una variación sustancial en las líneas base anteriores a Computer de los usuarios. La aceleración mediana entre los participantes es de 25 veces, lo que corresponde a una reducción del 96% en el tiempo.

El alcance de las tareas se expande horizontal y verticalmente

La velocidad y el costo en las tareas emparejadas capturan solo una parte de la historia. La forma del trabajo también podría cambiar. A medida que Computer reemplaza la ejecución manual con el cálculo de la máquina, los usuarios pueden asumir diferentes tipos de trabajo: tareas que cruzan los límites ocupacionales y aquellas que requieren niveles más altos de experiencia.

Primero, preguntamos si los usuarios trabajan fuera de su grupo ocupacional principal inferido con más frecuencia con Computer que con Search. Segundo, comparamos las consultas de Computer y Search de los mismos usuarios utilizando cinco clasificaciones a nivel de tarea: la taxonomía revisada de Bloom (Anderson y Krathwohl, 2001), el trabajo abstracto frente al rutinario en la tradición de contenido de tareas (Autor, Levy y Murnane, 2003), la amplitud de conocimientos de O*NET (Centro Nacional de Desarrollo de O*NET, 2026), la amplitud de actividades laborales de O*NET y nuevas tareas que no se intentaron con Search.

El cambio horizontal es evidente en los datos. A través de una muestra de 8,000 usuarios de ocho grupos ocupacionales, utilizando todas sus consultas, los usuarios de Computer trabajan fuera de su ocupación principal el 59% del tiempo, en comparación con el 50% de Search. Los mayores aumentos aparecen en Gestión y Emprendimiento, Tecnología Digital, Artes y Diseño, y Salud y Servicios Humanos. Las consultas de búsqueda entre ocupaciones se concentran en Tecnología Digital, mientras que las consultas de Computer delegan trabajo que se cruza en dominios más diversos donde los usuarios de otro modo necesitarían especialistas.

El cambio vertical es aún mayor. En una muestra de 5,000 consultas de Computer y 5,000 consultas de Search del mismo conjunto de usuarios de doble producto, las consultas de Computer son más complejas cognitivamente que las consultas de Search. En la taxonomía revisada de Bloom, el 76% de las consultas de Computer requieren cognición de orden superior, en comparación con el 55% de Search. La diferencia se concentra en la parte superior: el 50% de las consultas de Computer son tareas de nivel de creación, en comparación con el 26% de Search. Search tiene mucha más presencia en la búsqueda de hechos a nivel de memorización. En la dimensión del tipo de tarea abstracta frente a rutinaria, el 71% de las consultas de Computer implican cognición abstracta y no rutinaria frente al 53% de Search.

Las tareas de Computer también se basan en más dominios de conocimiento. La tarea promedio de Computer requiere experiencia sustancial en 2.40 áreas de conocimiento de O*NET, en comparación con 1.74 para Search, lo que representa un aumento del 38%. Computer tiene casi tres veces más probabilidades que Search de requerir tres o más dominios de conocimiento: 51% frente a 17%.

A nivel de actividad laboral, se mantiene el mismo patrón. Una consulta típica de Computer involucra 2.95 actividades laborales generalizadas de O*NET y 4.01 actividades laborales intermedias, en comparación con 2.24 y 2.87 para Search, lo que representa un aumento del 32% y del 40%. En niveles más detallados, Computer involucra un 59% más de actividades laborales detalladas y un 60% más de declaraciones de tareas específicas de la ocupación.

La medida más reveladora es el conjunto de tareas que aparecen en Computer pero no en Search entre los mismos usuarios. Con la definición más estricta, en la que una declaración de tarea aparece en Computer y nunca aparece en la muestra de Search emparejada, el 23% de las consultas de Computer involucran al menos una declaración de tarea exclusiva de Computer. Relajar el umbral para permitir hasta cinco ocurrencias de Search eleva la participación al 38% y se estabiliza cerca del 41%. Estas actividades exclusivas de Computer se concentran en el desarrollo de software y web, la producción de documentación y la visualización de datos o gráficos. Ahí es exactamente donde la ejecución autónoma importa más: Search explica; Computer produce.

Discusión

La mayor parte de la evidencia sobre la IA en el trabajo se centra en el entorno de los asistentes. Dicha literatura ha demostrado grandes ganancias de productividad en el aumento de la escritura, la atención al cliente, la programación y la consultoría (por ejemplo, Noy y Zhang, 2023; Brynjolfsson, Li y Raymond, 2025; Cui et al., 2026; Dell'Acqua et al., 2026).

Los agentes cambian el comportamiento del usuario y los resultados económicos posteriores. Las implementaciones de producción están comenzando a revelar el uso y el impacto de los agentes en entornos del mundo real, pero se centran principalmente en agentes de codificación especializados y agentes de navegación tempranos (por ejemplo, Sarkar, 2026; McCain et al., 2026; Demirer, Musolff y Yang, 2026; Yang et al., 2025). Complementamos este trabajo y unimos la literatura sobre asistentes y agentes al comparar la interacción del usuario con un orquestador de agentes de propósito general frente a un asistente conversacional, y al ampliar el análisis de impacto posterior a una gama más amplia de trabajo de conocimiento.

También pasamos de la exposición a la recomposición de tareas realizada. El trabajo previo estima qué ocupaciones están expuestas a la IA utilizando descripciones de tareas y estructura ocupacional (por ejemplo, Eloundou et al., 2024; Felten, Raj y Seamans, 2023), mientras que las medidas basadas en el uso muestran la brecha entre la exposición y la implementación (Massenkoff y McCrory, 2026). Documentamos cómo cambia la composición de las tareas con el acceso a los agentes.

Observamos varias advertencias. Primero, la ventana de observación es temprana, y los primeros usuarios se inclinan hacia nativos de la IA. Los usuarios también están experimentando activamente y adaptando sus flujos de trabajo dentro de un panorama de productos que evoluciona rápidamente, por lo que estos patrones pueden cambiar con el tiempo. Segundo, el diseño de consultas emparejadas basadas en sesiones deja fuera muchas tareas de Computer que no tienen un equivalente cercano en Search. Si bien las sesiones proporcionan una forma natural de segmentar las tareas, los usuarios no siempre siguen esta estructura en la práctica, lo que hace que las sesiones sean un indicador ruidoso para las unidades de tarea. Tercero, las estimaciones de eficiencia dependen críticamente de los supuestos sobre el tiempo de herramientas equivalente al humano y el tiempo de supervisión humana. Aunque las estimaciones basadas en LLM y las entrevistas con los usuarios apuntan en la misma dirección, y los análisis de equilibrio y sensibilidad indican solidez, las magnitudes exactas deben leerse como aproximadas. De manera relacionada, el error de clasificación de los LLM introduce ruido de medición adicional. Por último, observamos el comportamiento del usuario únicamente dentro del ecosistema de Perplexity y no capturamos la actividad fuera de él, lo que puede limitar nuestra visión de las actividades de trabajo completas y el uso de herramientas de los usuarios.

Mirando hacia el futuro

Los agentes hacen que las tareas existentes sean más rápidas y económicas y, lo que es más importante, hacen que sean viables las tareas que abarcan límites ocupacionales y niveles de experiencia.

Cuando un sistema puede buscar, navegar, codificar, editar archivos, conectarse a servicios y producir entregables, el cuello de botella del usuario cambia. Pasan menos tiempo operando el flujo de trabajo y más tiempo especificando objetivos, proporcionando contexto, verificando resultados y pidiendo extensiones. El usuario pasa de operador a supervisor.

A nivel individual, este cambio amplía la frontera de las tareas, permitiendo a los usuarios asumir un trabajo que es tanto más amplio como más profundo. A nivel organizacional y del mercado laboral, cómo se agregan estos cambios a nivel micro sigue siendo una pregunta abierta. Si un solo individuo, equipado con agentes, puede completar flujos de trabajo que antes requerían múltiples roles, entonces el impacto a largo plazo de los agentes no se capturará únicamente con métricas de velocidad y costo. En su lugar, se manifestará en cómo se agrupa el trabajo, cómo se definen los roles y cómo se estructuran los equipos.

Para obtener más información sobre nuestra metodología y hallazgos, lea el informe técnico completo.

Referencias

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

Autor, David H., Frank Levy y 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 y 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 y 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 y 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 y 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 y Daniel Rock. 2024. "GPTs are GPTs: Labor Market Impact Potential of LLMs." Science 384 (6702): 1306–1308.

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

Massenkoff, Maxim y 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 y Deep Ganguli. 2026. "Measuring AI Agent Autonomy in Practice." Anthropic.

Centro Nacional de Desarrollo de O*NET. 2026. O*NET 30.2 Database. U.S. Department of Labor, Employment and Training Administration.

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