Kuidas tehisintellekti agendid kujundavad ümber teadmistemahukat tööd

Tipptasemel tehisintellekti süsteemid vähendavad vahet mudeli intelligentsuse ja reaalse kasulikkuse vahel. Uued mudelid, arvutusarhitektuurid ja orkestreerimismustrid võimaldavad neil süsteemidel lahendada ülesandeid, mida vaid paar kuud tagasi peeti võimatuks.

See kiire innovatsioon on tehisintellekti kasutajatele kasuks tulnud, suurendades nende mõjuvõimu ja tegutsemisvabadust. Samal ajal on see aga tekitanud lõhe tehnoloogilise piiri ja meie arusaama vahel sellest, kuidas teadmistemahukas töö selle tulemusel täpselt areneb. Kuidas muudab tipptasemel tehisintellekt teadmistemahuka töö olemust eri elukutsetes? Milliseid struktuurseid ja majanduslikke muutuseid võime selles töös oodata?

Me püüame seda lünka ületada Perplexity kasutuse põhjaliku empiirilise analüüsi kaudu. Täna jagame koostöös Harvard Business Schooli teadlastega oma esimest põhjalikku uuringut Perplexity Computer rakendamisest reaalses keskkonnas. Meie tulemused näitavad, et Computer laiendab kasutajate saavutuste nii ulatust kui ka sügavust madalama kuluga. Computer-i kasutajad teevad rohkem ära, töötavad kõrgemal abstraktsioonitasemel ja ületavad valdkondlikke piire, et luua väärtust väljaspool oma eriala.

See artikkel tutvustab meie uuringu peamisi punkte. Üksikasjalik metoodika ja tulemused on saadaval meie tehnilises aruandes.

Sissejuhatus

Esimesed peavoolu generatiivsed tehisintellektisüsteemid olid vestlusrobotid, mis suhtlevad kasutajatega dialoogi vormis. Need assistendid asuvad kavatsuse ja tegevuse vahel. Nad vastavad küsimustele, selgitavad kompromisse ja soovitavad järgmisi samme. Seejärel peab kasutaja vastuse tööks tõlkima: avama õiged tööriistad, koguma failid, muutma dokumente, kontrollima vahetulemusi ja otsustama, mida edasi teha.

Agendid muudavad tööjaotust. Kasutaja määratleb tulemuse ning süsteem planeerib tegevused eri tööriistade vahel, viib ellu vaheetapid, küsib vajadusel puuduvaid sisendeid ja tagastab valmis tulemi. Agendid nihutavad tehisintellekti kasutuse teabe otsimiselt ja sünteesimiselt autonoomsele planeerimisele ja ülesannete täitmisele.

See arengukõver iseloomustab Perplexity enda toodete arengut. 2022. aastal tõime turule otsingumootori Search, mis pani aluse vastusemootorite kategooriale, võimaldades kasutajatel esitada küsimusi ja saada vastuseid, mida toetavad kontrollitavad viited miljardites dokumentides. 2025. aastal tutvustasime Comet-i brauserit, millel on sisseehitatud veebiagent, mis mõtleb ja tegutseb kasutajate kõrval avatud veebis. 2026. aastal tõime turule Computer-i, üldotstarbelise agentide orkestreerija, mis töötab autonoomselt kasutaja määratud eesmärkide nimel keerulistes keskkondades ja pikkade ajahorisontide jooksul.

Kuidas see üleminek meie tööviisi muudab? Uurime seda küsimust oma Search-i ja Computer-i toodete andmete põhjal, keskendudes kolmele mõõtmele:

Autonoomia: kui palju autonoomset tööd teeb Computer võrreldes Search-iga sama ülesande puhul?

Tõhusus: kui palju aega ja tööjõukulu säästab Computer võrreldes Search-iga sama ülesande puhul?

Ulatus: kuidas muudab Computer tööde olemust, mida kasutajad ette võtavad?

Me leiame, et sellised agendid nagu Computer nõuavad rohkem esialgset kasutajapoolset pingutust (kuna kasutajad peavad delegeeritavad eesmärgid määratlema ja tulemusi üle vaatama), kuid oluliselt vähem inimtööjõudu tööühiku kohta (tänu autonoomsemale täitmisele). See teeb nad eriti tõhusaks pikkade ja mitmeetapiliste töövoogude puhul. Tulemuseks on töö, mis on nii põhjalikum kui ka odavam. Computer nihutab kasutaja pingutuse manuaalselt täitmiselt järelevalvele, laiendades seda, mida kasutajad saavad saavutada nii oma erialal kui ka väljaspool seda.

Computer-i kasutuselevõtt ja kasutusjuuhud

Computer toodi turule 25. veebruaril 2026 ja see kasvas esimese kolme kuu jooksul kiiresti.

Computer-i kumulatiivsed päringud ulatusid 27. maiks 84 korda esimese nädala koguarvust suuremaks. Võrdlusalusena ulatus kumulatiivne Search-i kasutus Computer-i kasutajate seas 14 korda esimese nädala koguarvust suuremaks, mis on kõrgem kui mitte-Computer-i kasutajate 12-kordne kasv.

Isegi pärast Computer-i ja mitte-Computer-i kasutajate sobitamist tellimustaseme, peamise otsinguteema ja varasema otsinguintensiivsuse alusel, näitab erinevuste erinevuse võrdlus, et Computer-i kasutuselevõtt suurendab Search-i kasutust: Computer-i kasutajad teevad päevas 1,05 Search-i päringut rohkem kui sarnased mitte-Computer-i kasutajad.

100 000 Computer-i päringu juhuslikus valimis oli uuringute ja analüüsi kategooria suurim, moodustades 25,8%, millele järgnes dokumentide ja varade loomine 18,6%-ga. Vaadeldud ülesannete segu kaldub generatiivse töö poole: dokumendid, arvutustabelid, koodibaasid, veebisaidid ja töövood, mis nõuavad tööd mitmes tööriistas.

Valdkondade lõikes oli kasutus laialdaselt jaotunud tarkvara ja IT, rahanduse ja investeeringute, turunduse ja müügi, äritegevuse, tervishoiu, hariduse, õiguse ning meedia vahel.

Suurem autonoomia ja kvaliteet

Autonoomia otsesem märk on see, kui kaua süsteem pärast kasutaja päringu esitamist ilma inimese sekkumiseta töötab. Search annab vastuse tavaliselt sekunditega. Computer töötab sageli minuteid või isegi tunde: otsib, sirvib, kirjutab, muudab, käivitab koodi ja kontrollib vahetulemusi.

Kasutame peaaegu identsete esialgsete päringutega Search-i ja Computer-i seansse samade toodetega tehtud ülesannete asendajana. 10 000 sobitatud paari puhul sooritab Computer keskmiselt 26 minutit masintööd seansi kohta, võrreldes Search-i 33 sekundiga. See on 48-kordne masintöö kasv praktiliselt samade ülesannete puhul. Mediaani puhul on vahe 9 minutit versus 14 sekundit ehk 40 korda. Valdkondade jaotus näitab sama mustrit: Computer sooritab umbes 26–75 korda rohkem masintööd kõigis 18 valdkonnas.

Pikem autonoomia ei toonud kaasa suuremat katkestuste arvu. Kasutajate peatamissündmused olid toodete lõikes sarnased: 3,7% Computer-i seanssidest ja 3,4% Search-i seanssidest sisaldas vähemalt ühte kasutaja peatamissündmust. Computer tegi kasutaja sisendi jaoks pause sagedamini: 13% Computer-i päringutest käivitas vähemalt ühe kasutajapoolse pausi tööriista võrreldes Search-i 0,3%-ga, tavaliselt kinnituse saamiseks või selgitavate küsimuste esitamiseks. See on agendile omane muster: ta saab enamasti autonoomselt jätkata, kuid vajab kontrollpunkte loa saamiseks ja selle kinnitamiseks, mida kasutaja soovib.

Computer seob ühte seanssi ka palju rohkem väliseid tööriistakõnesid – Model Context Protocol (MCP) või Application Programming Interface (API) otspunktide kaudu –, tehes tööd, mida Search-i kasutaja teeks muidu käsitsi eri rakenduste vahel. 7,9% Computer-i seanssidest teeb vähemalt ühe konnektorikõne võrreldes 1,8% Search-i seanssidega (4-kordne vahe) ning Computer teeb keskmiselt 1,19 konnektorikõnet seansi kohta võrreldes Search-i 0,10-ga (12-kordne suhe). Teiste sõnadega, Computer ei tööta lihtsalt kauem; see ulatub rohkemate kasutaja ühendatud teenusteni, et hankida andmeid ja sooritada toiminguid.

Järelkäitumise koostis muutub samuti. 1000 paari mitmetasandilises valimis on üldine kalduvus ülesande edendamisele toodete lõikes peaaegu identne (52.7% Computer-i järelpäringutest versus 52.9% Search-i puhul), kuid see, mida kasutajad küsivad, muutub: kuna Computer tagastab alguses täielikuma tulemi, asendavad selle kasutajad selgitavad lisapäringud laiendustega (laiendused 14,2% versus 12,5%; lisapäringud 22,0% versus 23,4%). Computer-i kasutajad kulutavad oma järelpäringutest ka veidi rohkem aega väljundi ülevaatamisele ja muutmisele (24,6% versus 23,6%), samas kui Search sisaldab rohkem lühikesi direktiive, nagu kinnitused, korduskatsed ja vormingupäringud (11,6% versus 9,9%), mida Computer oma esialgsesse tsüklisse sisse põimib. Teiste sõnadega luuakse Search-iga lühemad seedimis- ja täitmistsüklid; Computer loob pikemad ülevaatamis- ja laiendamistsüklid.

Mis kõige tähtsam, kvaliteet ei langenud suurema autonoomia korral. Sobitatud mitmetasandiliste seansside puhul oli tähenduslik järgmise pöörde rahulolematus Computer-i puhul 1,3% versus Search-i puhul 2,9%, mis on 55% langus. Igasugune rahulolematus, sealhulgas kerged signaalid, oli Computer-i puhul 10,8% versus Search-i puhul 16,6%.

Tõhususe kasv autonoomiast

Suurem autonoomia vahetab inimese manuaalse töö masinarvutuste vastu, mis tõstab tõhusust. Selle mõju kvantifitseerimiseks võrdleme kahte seadistust samade sobitatud ülesannete puhul.

Search + Inimene: Search tegeleb teabe hankimise ja sünteesimisega; inimene täidab ülesande käsitsi.

Computer + Inimene: Computer viib töövoo ellu; inimene seab ülesandele piirid ja vaatab väljundi üle.

Me ei saa otse jälgida, kui kaua ülesanne inimesel aega võtaks, seega kasutame kolme sõltumatut hinnangut:

Tööriistapõhine hinnang: Liigitame Computer-i tööriistakõned kahte kategooriasse: "Otsi" (Search) ja "Tee" (Do). Otsingutööriistad vastavad teabe hankimise ja sünteesimise sammudele, millega Search-i toode juba tegeleb. Tee-tööriistad tähistavad täitmise samme, mida inimene peaks ise käsitsi tegema, kui ta kasutaks ainult Search-i. Seejärel hindame kogenud inimese jaoks nende tegevuste tegemiseks kuluvat aega.

LLM-põhine hinnang: Sisestame Computer-i seansside päringud LLM-i, et hinnata aega, mis kulub oskuslikul spetsialistil, kes saab vastuseid Search-ilt, kuid peab kõik täitmistoimingud käsitsi sooritama.

Kasutaja teatatud hinnang: Teeme 25 poolstruktureeritud intervjuud aktiivsete Computer-i kasutajatega eri valdkondades ning selgitame välja varasemad Computer-i eelsed töövood ja aja, mis need töövood oleksid võtnud.

Tööriistapõhise hinnangu kohaselt võtab keskmine Search + Inimene ülesanne 269 minutit, samas kui vastav Computer + Inimene töövoog võtab 36 minutit. See on ülesande aja 87% vähenemine.

Ülesande aja kuluks teisendamiseks kasutame USA Tööministeeriumi statistikaameti (U.S. Bureau of Labor Statistics) 2025. aasta mai andmete valdkonnapõhiseid keskmisi tunnipalku (U.S. Bureau of Labor Statistics 2026). Mudeli kulude ja valdkonnapõhise inimtööjõu kulu ühendamisel vähendab Computer hinnangulist ülesande kulu keskmiselt 94%.

Tõhususe eelis ilmneb kõigis 18 valdkonnas, ajasääst on 79–92% ja kulude kokkuhoid 87–96%. Programmeerimine on kõige äärmuslikum näide: 596 minutit Search + Inimene puhul versus 48 minutit Computer + Inimene puhul – 92% ajaline vähenemine, mis toob kaasa 96% kulude vähenemise. Äri, tehnoloogia, haridus ja kirjutamine näitavad samuti suurt kasvu. Ajasääst kipub suurema palgaga valdkondades suuremaks kulude kokkuhoiuks muutuma.

Kui tugev see tulemus on? Vaatleme tasuvuspunkti: selleks, et Search + Inimene tasakaalustaks Computer + Inimene kulu, peaks spetsialist lõpetama iga manuaalse sammu 14–24 minutiga (mediaan 18). Computer hoiab oma eelist igas valdkonnas isegi konservatiivsemate eelduste korral: näiteks 8-kordne tööriistapõhise aja ülehindamine või 12-kordne Computer-i järelevalveaja alahindamine.

LLM-põhine hinnang annab sarnased koondtulemused: 84% aja vähenemine ja 93% kulude vähenemine üldiselt. Kasutajate intervjuud näitavad palju laiemat tulemuste vahemikku – 5-kordsest kuni üle 300-kordse kiiruseni –, mis peegeldab tõenäoliselt märkimisväärset varieeruvust kasutajate eelnevates lähteandmetes. Osalejate mediaankiirendus on 25 korda, mis vastab 96% aja vähenemisele.

Ülesande ulatus laieneb horisontaalselt ja vertikaalselt

Kiirus ja kulu sobitatud ülesannete puhul kajastavad vaid osa loost. Töö kuju võib samuti muutuda. Kuna Computer asendab manuaalse täitmise masinarvutusega, võivad kasutajad võtta enda kanda teistsuguseid töid – ülesandeid, mis ületavad ametialaseid piire ja nõuavad kõrgemat taset.

Esiteks küsime, kas kasutajad töötavad Computer-iga väljaspool oma tuletatud peamist ametiklastrit sagedamini kui Search-iga. Teiseks võrdleme samade kasutajate Computer-i ja Search-i päringuid viie ülesandetaseme klassifikatsiooni abil: Bloomi uuendatud taksonoomia (Anderson ja Krathwohl 2001), abstraktne versus rutiinne töö ülesande sisu traditsioonis (Autor, Levy ja Murnane 2003), O*NET-i teadmiste ulatus (National Center for O*NET Development 2026), O*NET-i töökogemuse ulatus ja uued ülesanded, mida Search-iga ei proovitud.

Horisontaalne nihe on andmetest ilmne. Kaheksast ametiklastrist pärit 8000 kasutaja valimi põhjal ja kõiki nende päringuid kasutades töötavad Computer-i kasutajad oma esmasest ametist väljaspool 59% ajast, võrreldes Search-i 50%-ga. Suurimad kasvud ilmnevad juhtimises ja ettevõtluses, digitehnoloogias, kunstitöös ja disainis ning tervishoius ja sotsiaalteenustes. Ametitevahelised Search-i päringud on koondunud digitehnoloogiasse, samas kui Computer-i päringud delegeerivad tööd, mis ulatuvad mitmekesisematesse valdkondadesse, kus kasutajad vajaksid muidu spetsialiste.

Vertikaalne nihe on veelgi suurem. 5000 Computer-i päringu ja 5000 Search-i päringu valimis samadelt kahe toote kasutajatelt on Computer-i päringud kognitiivselt keerukamad kui Search-i päringud. Bloomi uuendatud taksonoomia järgi nõuab 76% Computer-i päringutest kõrgema astme tunnetustegevust, võrreldes Search-i 55%-ga. Erinevus on koondunud tippu: 50% Computer-i päringutest on loomistaseme ülesanded, võrreldes Search-i 26%-ga. Searchil on palju rohkem osakaalu meeldetuletustaseme faktilisel otsingul. Abstraktse versus rutiinse ülesandetüübi mõõtmes hõlmab 71% Computer-i päringutest abstraktset, mitterutiinset tunnetustegevust versus Search-i 53%.

Computer-i ülesanded tuginevad ka rohkematele teadmiste valdkondadele. Keskmine Computer-i ülesanne nõuab sisulisi eriteadmisi 2,40 O*NET-i teadmiste valdkonnas, võrreldes Search-i 1,74-ga, mis on 38% kasv. Computer nõuab kolme või enama teadmiste valdkonna olemasolu peaaegu kolm korda tõenäolisemalt kui Search: 51% versus 17%.

Töötegevuse tasemel püsib sama muster. Tüüpiline Computer-i päring hõlmab 2,95 O*NET-i üldistatud töötegevust ja 4,01 vahepealset töötegevust, võrreldes Search-i 2,24 ja 2,87-ga, mis on vastavalt 32% ja 40% kasv. Peenematel tasemetel hõlmab Computer 59% rohkem üksikasjalikke töötegevusi ja 60% rohkem ametipõhiseid ülesandeavaldusi.

Kõige kõnekam näitaja on nende ülesannete hulk, mis ilmuvad Computer-is, kuid mitte Search-is samade kasutajate seas. Kõige rangema definitsiooni kohaselt, kus ülesandeavaldus ilmub Computer-is ja ei ilmu kunagi sobitatud Search-i valimis, hõlmab 23% Computer-i päringutest vähemalt ühte ainult Computer-ile omast ülesandeavalduset. Künnise leevendamine, et lubada kuni viis Search-i esinemist, tõstab osakaalu 38%-ni ja see stabiliseerub 41% lähedal. Need ainult Computer-i tegevused koonduvad tarkvara- ja veebiarendusse, dokumentatsiooni tootmisse ning andmete visualiseerimisse või graafikasse. Just seal on autonoomsel täitmisel kõige suurem tähtsus: Search selgitab; Computer toodab.

Arutelu

Suurem osa tõenditest tööl kasutatava tehisintellekti kohta keskendub assistendi seadistusele. See kirjandus on näidanud suurt tootlikkuse kasvu kirjutamise, klienditoe, kodeerimise ja nõustamise täiustamisel (nt Noy ja Zhang 2023; Brynjolfsson, Li ja Raymond 2025; Cui jt 2026; Dell'Acqua jt 2026).

Agendid muudavad kasutajate käitumist ja järeltulemeid majanduses. Tootmiskeskkonnas kasutuselevõtud hakkavad paljastama agentide kasutust ja mõju reaalsetes tingimustes, kuid keskenduvad enamasti spetsialiseerunud kodeerimisagentidele ja varajastele veebibrauseri agentidele (nt Sarkar 2026; McCain jt 2026; Demirer, Musolff ja Yang 2026; Yang jt 2025). Täiendame seda tööd ja loome silla assistendi- ja agentuurikirjanduse vahel, võrreldes kasutajate suhtlust üldotstarbelise agentide orkestreerijaga vestlusassistendiga ning laiendades mõjuanalüüsi laiemale valikule teadmistemahukale tööle.

Liigume ka kokkupuutelt teostatud ülesannete ümberkujundamisele. Varasem töö hindab ülesannete kirjelduste ja ametistruktuuri abil, millised ametid on tehisintellektiga kokkupuutes (nt Eloundou jt 2024; Felten, Raj ja Seamans 2023), samas kui kasutusmõõdikud näitavad lõhet kokkupuute ja kasutuselevõtu vahel (Massenkoff ja McCrory 2026). Dokumenteerime, kuidas ülesannete koostis agentide juurdepääsuga muutub.

Märgime ära mitmed hoiatused. Esiteks on vaatlusaken varajane ja varased kasutuselevõtjad kalduvad olema tehisintellektiga kohanenud. Kasutajad katsetavad aktiivselt ja kohandavad oma töövooge kiiresti muutuvas tootekeskkonnas, seega võivad need mustrid aja jooksul muutuda. Teiseks jätab seendipõhine sobitatud päringu disain välja paljud Computer-i ülesanded, millel puudub lähedane Search-i ekvivalent. Kuigi seansid pakuvad loomulikku viisi ülesannete segmenteerimiseks, ei järgi kasutajad seda struktuuri praktikas alati, muutes seansid ülesandeühikute müraks. Kolmandasti sõltuvad tõhususe hinnangud kriitiliselt eeldustest inimtööga samaväärse tööriistaaja ja inimese järelevalveaja kohta. Kuigi LLM-põhised hinnangud ja kasutajate intervjuud osutavad samas suunas ning tasuvus- ja tundlikkusanalüüsid näitavad vastupidavust, tuleks täpseid suurusjärkusid võtta ligikaudsetena. Seonduvalt toob LLM-i liigitusviga kaasa täiendavat mõõtemüra. Lõpuks jälgime kasutajate käitumist ainult Perplexity ökosüsteemis ega hõlma tegevust väljaspool seda, mis võib piirata meie vaadet kasutajate täielikele töötegevustele ja tööriistade kasutamisele.

Vaade tulevikku

Agendid teevad olemasolevad ülesanded kiiremaks ja odavamaks ning, mis veelgi olulisem, teevad teostatavaks ülesanded, mis ulatuvad üle ametialaste piiride ja ekspertiisi tasemete.

Kui süsteem suudab otsida, sirvida, kodeerida, faile muuta, teenustega ühenduda ja tulemeid luua, muutub kasutaja kitsaskoht. Nad kulutavad vähem aega töövoo juhtimisele ning rohkem aega eesmärkide määratlemisele, konteksti edastamisele, väljundite kontrollimisele ja laienduste küsimisele. Kasutajast saab operaatori asemel juhendaja.

Indiviidi tasandil laiendab see nihe ülesannete piiri, võimaldades kasutajatel võtta enda kanda tööd, mis on nii laiemad kui ka sügavamad. Organisatsiooni ja tööturu tasandil on lahtine küsimus, kuidas need mikrotasandi muudatused koonduvad. Kui üksik indiviid saab agentidega varustatuna täita töövooge, mis varem nõudsid mitut rolli, ei väljendu agentide pikaajaline mõju pelgalt kiiruse ja kulude mõõdikutes. Selle asemel avaldub see selles, kuidas tööd rühmitatakse, rolle määratletakse ja meeskondi üles ehitatakse.

Meie metoodika ja tulemuste kohta lisateabe saamiseks lugege täielikku tehnilist aruannet.

Kirjandus

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

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

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