Cómo los agentes de IA remodelan el trabajo de conocimiento
Computer aumenta la autonomía en las tareas, reduce los costos y amplía el alcance del trabajo que asumen los usuarios.
Los sistemas de IA de vanguardia están reduciendo la brecha entre la inteligencia de los modelos y la utilidad en el mundo real. Los nuevos modelos, las arquitecturas informáticas y los patrones de orquestación están permitiendo a estos sistemas realizar tareas que hace solo unos meses se consideraban imposibles.
Esta rápida innovación ha supuesto un gran beneficio para los usuarios de IA al ampliar su influencia y capacidad de acción. Sin embargo, también ha generado un desfase entre la frontera tecnológica y nuestra comprensión de cómo evoluciona precisamente el trabajo de conocimiento en respuesta a ello. ¿Cómo cambia la IA de vanguardia la naturaleza del trabajo de conocimiento en las distintas profesiones? ¿Qué transformaciones estructurales y económicas en este trabajo podemos esperar?
Buscamos cerrar esta brecha mediante un cuidadoso análisis empírico del uso de Perplexity. Hoy, en colaboración con investigadores de Harvard Business School, compartimos nuestro primer estudio exhaustivo de 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 menor costo. Los usuarios de Computer logran hacer más, trabajan a niveles más altos de abstracción 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 IA generativa convencionales fueron asistentes conversacionales que interactúan en diálogo con los usuarios. Estos asistentes se sitúan entre la intención y la acción. Responden preguntas, explican las compensaciones y sugieren los siguientes pasos. El usuario debe entonces traducir la respuesta en trabajo: abrir las herramientas adecuadas, recopilar archivos, editar documentos, verificar los resultados intermedios y decidir qué hacer a continuación.
Los agentes cambian esa división del trabajo. Un usuario especifica un resultado y el sistema planifica a través de las herramientas, ejecuta pasos intermedios, solicita las entradas faltantes cuando es necesario y devuelve un entregable finalizado. Los agentes cambian el uso de la IA de buscar cosas y sintetizarlas a planificar y llevar a cabo tareas de forma autónoma.
Este arco anima la propia progresión de productos de Perplexity. En 2022, lanzamos Search, que definió la categoría de motores de respuesta al capacitar a los usuarios para hacer preguntas y recibir respuestas respaldadas por citas verificables en miles de millones de documentos. En 2025, presentamos 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 forma autónoma hacia objetivos especificados por el usuario en entornos complejos y largos horizontes temporales.
¿Cómo está cambiando esta transición la forma en que trabajamos? Exploramos esta pregunta utilizando datos de nuestros productos Search y Computer, centrándonos en tres dimensiones:
Autonomía: ¿cuánto trabajo autónomo realiza Computer frente a Search en la misma tarea?
Eficiencia: ¿cuánto tiempo y costo laboral ahorra Computer en relación con Search en la misma tarea?
Alcance: ¿cómo cambia Computer el tipo de trabajo que intentan los usuarios?
Encontramos que agentes como Computer requieren más esfuerzo inicial por parte del usuario (dado que los usuarios deben especificar los objetivos que se delegarán y revisar los resultados) pero mucho menos esfuerzo humano por unidad de trabajo (debido a una ejecución más autónoma). Eso los hace especialmente efectivos en flujos de trabajo largos y de varios pasos. La recompensa es un trabajo que es a la vez más profundo y 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 y casos de uso de Computer
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.
Incluso después de igualar a los usuarios de Computer y a los que no lo son según el nivel de suscripción, el tema principal de búsqueda y la intensidad de búsqueda previa, una comparación de diferencia 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 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 por Creación de Documentos y Activos con un 18.6%. La mezcla 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 a través de múltiples herramientas.
Pasando a los dominios, el uso se distribuyó ampliamente en Software y TI, Finanzas e Inversiones, Marketing y Ventas, Operaciones Empresariales, Salud, Educación, Legal y Medios.
Mayor autonomía y calidad
La señal más directa de autonomía es cuánto tiempo funciona el sistema sin intervención humana después de que el usuario envía una solicitud. Search generalmente devuelve 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 la misma tarea intentada con ambos productos. En 10,000 pares emparejados, Computer realiza 26 minutos de ejecución de máquina por sesión en promedio, frente a 33 segundos para Search. Eso es un aumento de 48 veces en el trabajo de la máquina en tareas efectivamente iguales. En la mediana, la brecha es de 9 minutos frente a 14 segundos, o 40 veces. La división por dominios muestra el mismo patrón: Computer realiza aproximadamente 26 a 75 veces más trabajo de máquina en los 18 dominios.
La autonomía de mayor duración no se tradujo en más 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 contenían al menos un evento de detención por parte del usuario. Computer pausó para solicitar información del usuario con más frecuencia: el 13% de las consultas de Computer invocaron al menos una herramienta de pausa para el usuario frente al 0.3% para Search, generalmente para solicitar aprobación o hacer preguntas aclaratorias. Ese es el patrón esperado para un agente: puede proceder de forma autónoma la mayor parte del tiempo, pero necesita puntos de control para obtener permiso y confirmar lo que quiere el usuario.
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 manualmente en aplicaciones separadas. El 7.9% de las sesiones de Computer realizan al menos una llamada de conector frente al 1.8% de las sesiones de Search (una brecha de 4 veces), y Computer promedia 1.19 llamadas de conector por sesión frente a 0.10 para Search (una proporción de 12 veces). En otras palabras, Computer no solo funciona más tiempo; llega a través de más servicios conectados del usuario para extraer datos y tomar medidas.
El comportamiento de seguimiento también cambia en su composición. En una muestra multiturno de 1,000 pares, la propensión general hacia el avance de la tarea es casi idéntica en todos los productos (52.7% de los seguimientos de Computer frente al 52.9% para Search), pero lo que solicitan los usuarios cambia: debido a 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 un poco más de sus seguimientos a revisar y revisar la producción (24.6% frente a 23.6%), mientras que Search es más pesado en directivas cortas como confirmaciones, reintentos y solicitudes de formato (11.6% frente a 9.9%) que Computer incorpora 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 sesiones multiturno emparejadas, la insatisfacción significativa en el siguiente turno fue del 1.3% para Computer frente al 2.9% para Search, una reducción del 55%. Cualquier insatisfacción, incluidas las señales leves, fue del 10.8% para Computer frente al 16.6% para Search.
Ganancias de eficiencia por autonomía
Una mayor autonomía intercambia el trabajo humano manual por la computación de la máquina, lo que aumenta la eficiencia. Para cuantificar este efecto, comparamos dos configuraciones en las mismas tareas emparejadas.
Search + Humano: Search maneja la recuperación y síntesis; el humano ejecuta manualmente.
Computer + Humano: Computer realiza el flujo de trabajo; el humano define el alcance de la tarea y revisa la producción.
No podemos observar directamente cuánto tiempo le tomaría una tarea a un humano, así que triangulamos con tres estimaciones independientes:
Estimación basada en herramientas: Clasificamos las llamadas de herramientas de Computer en dos categorías: "Search" y "Do". Las herramientas de Search corresponden a los pasos de recuperación de información y síntesis que ya maneja el producto Search. Las herramientas de Do 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 Do.
Estimación basada en LLM: Introducimos consultas de sesiones de Computer en un LLM para estimar el tiempo requerido para un profesional calificado que recibe respuestas de Search pero debe realizar todos los pasos de ejecución manualmente.
Estimación informada por el usuario: Realizamos 25 entrevistas semiestructuradas con usuarios activos de Computer en diferentes dominios y obtenemos los flujos de trabajo previos a Computer y el tiempo que habrían tomado esos flujos de trabajo.
Bajo 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. Eso es una reducción del 87% en el tiempo de la tarea.
Para traducir el tiempo de la tarea en costo, utilizamos salarios horarios promedio específicos del dominio de los datos de mayo de 2025 de las Estadísticas de Empleo y Salarios Ocupacionales (BLS OEWS) de la Oficina de Estadísticas Laborales de EE. UU. (U.S. Bureau of Labor Statistics 2026). Combinando 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%. Los negocios, la tecnología, la educación y la escritura 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 tendría que terminar cada paso manual en 14 a 24 minutos (mediana 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 arroja resultados agregados similares: una reducción del 84% en el tiempo y una reducción del 93% en el costo en general. Las entrevistas a los usuarios muestran una gama mucho más amplia de resultados, desde 5 hasta más de 300 veces más velocidad, lo que probablemente refleja una variación sustancial en las líneas base previas 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 la tarea se expande horizontal y verticalmente
La velocidad y el costo en 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 computación de máquina, los usuarios pueden asumir diferentes tipos de trabajo: tareas que cruzan fronteras ocupacionales y aquellas que requieren niveles más altos de experiencia.
Primero, preguntamos si los usuarios trabajan fuera de su grupo de ocupación 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), trabajo abstracto frente a rutinario en la tradición de contenido de tareas (Autor, Levy y Murnane 2003), amplitud de Conocimiento O*NET (Centro Nacional para el Desarrollo de O*NET 2026), amplitud de actividades laborales O*NET y nuevas tareas que no se intentaron con Search.
El cambio horizontal es evidente en los datos. En 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% para 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 cruza hacia dominios más diversos donde, de lo contrario, los usuarios 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 productos duales, las consultas de Computer son cognitivamente más complejas 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% para 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% para Search. Search tiene mucha más masa en la búsqueda de hechos a nivel de recordar. En la dimensión de tipo de tarea abstracto versus rutinario, el 71% de las consultas de Computer implican cognición abstracta no rutinaria frente al 53% para Search.
Las tareas de Computer también recurren a más dominios de conocimiento. La tarea promedio de Computer requiere experiencia sustantiva en 2.40 áreas de Conocimiento O*NET, en comparación con 1.74 para Search, un aumento del 38%. Es casi tres veces más probable que Computer requiera tres o más dominios de conocimiento: 51% frente al 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 frente a 2.24 y 2.87 para Search, un aumento del 32% y 40%. A niveles más finos, 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. En la definición más estricta, donde 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 aumenta 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 del asistente. Esa literatura ha demostrado grandes ganancias de productividad en la mejora de la escritura, la atención al cliente, la codificación 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 navegador 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 de asistentes y agentes comparando la interacción del usuario con un orquestador de agentes de propósito general frente a un asistente conversacional, y extendiendo 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 adoptantes se inclinan hacia los nativos de la IA. Los usuarios también están experimentando activamente y adaptando sus flujos de trabajo dentro de un panorama de productos en rápida evolución, por lo que estos patrones pueden cambiar con el tiempo. Segundo, el diseño de consulta emparejada basado 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 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 tareas. Tercero, las estimaciones de eficiencia dependen críticamente de las suposiciones sobre el tiempo de herramienta equivalente a humano y el tiempo de supervisión humana. Aunque las estimaciones basadas en LLM y las entrevistas a los usuarios apuntan en la misma dirección, y los análisis de punto de equilibrio y sensibilidad indican robustez, las magnitudes exactas deben leerse como aproximadas. Relacionado con esto, el error de clasificación de LLM introduce ruido de medición adicional. Finalmente, observamos el comportamiento del usuario solo dentro del ecosistema de Perplexity y no capturamos la actividad fuera de él, lo que puede limitar nuestra visión de las actividades laborales 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 las tareas que abarcan fronteras ocupacionales y niveles de experiencia sean viables.
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 solicitando extensiones. El usuario pasa de operador a supervisor.
A nivel individual, este cambio expande la frontera de la tarea, permitiendo a los usuarios asumir un trabajo que es a la vez más amplio y 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 será capturado solo por las métricas de velocidad y costo. En cambio, 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, Artículos en avance.
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, Artículos en avance.
Demirer, Mert, Leon Musolff, y Liyuan Yang. 2026. "Writing Code vs. Shipping Code: Productivity Effects Across Generations of AI Coding Tools." Documento de trabajo NBER 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.
National Center for O*NET Development. 2026. O*NET 30.2 Database. Departamento de Trabajo de EE. UU., Administración de Empleo y Capacitación.
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." Departamento de Trabajo de EE. UU.
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.