Comment les agents d'IA remodèlent le travail de la connaissance

Les systèmes d'IA de pointe réduisent l'écart entre l'intelligence des modèles et l'utilité dans le monde réel. De nouveaux modèles, architectures de calcul et modèles d'orchestration permettent à ces systèmes d'accomplir des tâches jugées impossibles il y a seulement quelques mois.

Cette innovation rapide s'est avérée une aubaine pour les utilisateurs d'IA en amplifiant leur effet de levier et leur autonomie. Pourtant, elle a également créé un décalage entre la pointe technologique et notre compréhension de l'évolution précise du travail de la connaissance en réponse à cela. Comment l'IA de pointe modifie-t-elle la nature du travail de la connaissance à travers les professions ? À quelles transformations structurelles et économiques de ce travail pouvons-nous nous attendre ?

Nous cherchons à combler cet écart grâce à une analyse empirique minutieuse de l'utilisation de Perplexity. Aujourd'hui, en collaboration avec des chercheurs de la Harvard Business School, nous partageons notre première étude complète sur Perplexity Computer en déploiement réel. Nos conclusions suggèrent que Computer élargit à la fois l'éventail et la profondeur de ce que les utilisateurs peuvent accomplir, à moindre coût. Les utilisateurs de Computer en font plus, travaillent à des niveaux d'abstraction plus élevés et franchissent les barrières disciplinaires pour libérer de la valeur en dehors de leurs propres professions.

Cet article présente les points saillants de notre étude. Une méthodologie détaillée et des résultats sont disponibles dans notre rapport technique.

Introduction

Les premiers systèmes d'IA générative grand public étaient des assistants conversationnels qui dialoguent avec les utilisateurs. Ces assistants se situent entre l'intention et l'action. Ils répondent aux questions, expliquent les compromis et suggèrent les étapes suivantes. L'utilisateur doit ensuite traduire la réponse en travail : ouvrir les bons outils, rassembler les fichiers, modifier les documents, vérifier les résultats intermédiaires et décider de la marche à suivre.

Les agents modifient cette division du travail. Un utilisateur spécifie un résultat, et le système planifie à travers les outils, exécute les étapes intermédiaires, demande les données manquantes si nécessaire et retourne un livrable terminé. Les agents font passer l'utilisation de l'IA de la recherche d'informations et de leur synthèse à la planification et à l'exécution autonome des tâches.

Cette trajectoire anime l'évolution des produits de Perplexity. En 2022, nous avons lancé Search, qui a défini la catégorie des moteurs de réponse en permettant aux utilisateurs de poser des questions et de recevoir des réponses étayées par des citations vérifiables à travers des milliards de documents. En 2025, nous avons introduit le navigateur Comet, doté d'un agent web intégré qui raisonne et agit aux côtés des utilisateurs sur le web ouvert. Et en 2026, nous avons lancé Computer, un orchestrateur d'agents à usage général qui travaille de manière autonome vers des objectifs spécifiés par l'utilisateur dans des environnements complexes et sur de longues périodes.

Comment cette transition modifie-t-elle notre façon de travailler ? Nous explorons cette question à l'aide de données provenant de nos produits Search et Computer, en nous concentrant sur trois dimensions :

Autonomie : quel volume de travail autonome Computer effectue-t-il par rapport à Search sur la même tâche ?

Efficacité : combien de temps et de coûts de main-d'œuvre Computer permet-il d'économiser par rapport à Search sur la même tâche ?

Portée : comment Computer modifie-t-il le type de travail que les utilisateurs tentent d'accomplir ?

Nous constatons que les agents tels que Computer exigent davantage d'efforts initiaux de la part de l'utilisateur (puisque les utilisateurs doivent spécifier les objectifs à déléguer et examiner les résultats), mais beaucoup moins d'efforts humains par unité de travail (en raison d'une exécution plus autonome). Cela les rend particulièrement efficaces pour les flux de travail longs et en plusieurs étapes. Le gain est un travail à la fois plus approfondi et moins coûteux. Computer fait passer l'effort de l'utilisateur de l'exécution manuelle à la supervision, élargissant l'éventail de ce que les utilisateurs peuvent accomplir à la fois au sein et en dehors de leurs propres domaines d'expertise.

Adoption de Computer et cas d'utilisation

Computer a été lancé le 25 février 2026 et s'est rapidement développé au cours des trois premiers mois.

Le total cumulé des requêtes Computer a atteint 84 fois leur total de la première semaine d'ici le 27 mai. À titre de référence, l'utilisation cumulée de Search parmi les utilisateurs de Computer a atteint 14 fois son total de la première semaine, ce qui est supérieur à la croissance de 12 fois pour les utilisateurs n'utilisant pas Computer.

Même après avoir apparié les utilisateurs de Computer et de non-Computer sur le niveau d'abonnement, le sujet de recherche principal et l'intensité de recherche préalable, une comparaison de différences de différences montre que l'adoption de Computer augmente l'utilisation de Search : les utilisateurs de Computer effectuent 1,05 requête Search de plus par jour que des utilisateurs similaires n'utilisant pas Computer.

Dans un échantillon aléatoire de 100 000 requêtes Computer, Recherche et analyse représentait la plus grande catégorie de tâches avec 25,8 %, suivie de Création de documents et d'actifs avec 18,6 %. La composition des tâches observée penche vers le travail génératif : documents, feuilles de calcul, bases de code, sites web et flux de travail qui nécessitent un travail sur plusieurs outils.

En ce qui concerne les domaines, l'utilisation était largement répartie entre Logiciels et TI, Finance et Investissement, Marketing et Vente, Opérations commerciales, Soins de santé, Éducation, Juridique et Médias.

Autonomie et qualité accrues

Le signal le plus direct de l'autonomie est la durée pendant laquelle le système fonctionne sans intervention humaine après qu'un utilisateur a soumis une requête. Search renvoie généralement une réponse en quelques secondes. Computer continue souvent à travailler pendant des minutes ou même des heures : recherche, navigation, rédaction, modification, exécution de code et vérification des résultats intermédiaires.

Nous utilisons des sessions Search et Computer avec des requêtes initiales presque identiques comme approximation de la même tâche tentée avec les deux produits. Sur 10 000 paires appariées, Computer effectue en moyenne 26 minutes d'exécution machine par session, contre 33 secondes pour Search. Il s'agit d'une multiplication par 48 du travail machine sur des tâches effectivement identiques. À la médiane, l'écart est de 9 minutes contre 14 secondes, soit 40 fois plus. La répartition par domaine montre le même schéma : Computer effectue environ 26 à 75 fois plus de travail machine dans l'ensemble des 18 domaines.

Une autonomie plus longue ne s'est pas traduite par un plus grand nombre d'abandons. Les événements d'arrêt par l'utilisateur étaient similaires d'un produit à l'autre : 3,7 % des sessions Computer et 3,4 % des sessions Search contenaient au moins un événement d'arrêt par l'utilisateur. Computer s'est toutefois arrêté plus souvent pour demander l'avis de l'utilisateur : 13 % des requêtes Computer ont fait appel à au moins un outil de pause pour l'utilisateur, contre 0,3 % pour Search, généralement pour demander une approbation ou poser des questions de clarification. C'est le comportement attendu d'un agent : il peut procéder de manière autonome la plupart du temps, mais il a besoin de points de contrôle pour obtenir la permission et confirmer ce que l'utilisateur souhaite.

Computer enchaîne également beaucoup plus d'appels d'outils externes — par l'intermédiaire du protocole MCP (Model Context Protocol) ou de points de terminaison d'interface de programmation (API) — au sein d'une seule session, effectuant un travail qu'un utilisateur de Search ferait autrement à la main sur des applications distinctes. 7,9 % des sessions Computer effectuent au moins un appel de connecteur, contre 1,8 % des sessions Search (un écart de 4 fois), et Computer réalise en moyenne 1,19 appel de connecteur par session, contre 0,10 pour Search (un rapport de 12 fois). En d'autres termes, Computer ne se contente pas de fonctionner plus longtemps ; il s'étend à un plus grand nombre de services connectés de l'utilisateur pour extraire des données et mener des actions.

Le comportement de suivi change également dans sa composition. Dans un échantillon de 1 000 paires à plusieurs tours, la propension globale à faire progresser les tâches est presque identique d'un produit à l'autre (52,7 % des suivis Computer contre 52,9 % pour Search), mais les demandes des utilisateurs se déplacent : comme Computer fournit un livrable plus complet dès le départ, ses utilisateurs remplacent les approfondissements par des extensions (extensions 14,2 % contre 12,5 % ; approfondissements 22,0 % contre 23,4 %). Les utilisateurs de Computer consacrent également un peu plus de leurs suivis à l'examen et à la révision des résultats (24,6 % contre 23,6 %), tandis que Search est plus orienté vers les directives courtes telles que les confirmations, les nouvelles tentatives et les demandes de format (11,6 % contre 9,9 %) que Computer intègre directement dans son exécution initiale. En d'autres termes, Search crée des boucles plus courtes de synthèse et d'exécution ; Computer crée des boucles plus longues d'examen et d'extension.

Plus important encore, la qualité n'a pas diminué avec une plus grande autonomie. Sur les sessions appariées à plusieurs tours, l'insatisfaction significative au tour suivant était de 1,3 % pour Computer contre 2,9 % pour Search, soit une réduction de 55 %. Toute insatisfaction, y compris les signaux légers, était de 10,8 % pour Computer contre 16,6 % pour Search.

Gains d'efficacité liés à l'autonomie

Une autonomie accrue remplace le travail manuel humain par un calcul machine, ce qui accroît l'efficacité. Pour quantifier cet effet, nous comparons deux configurations sur les mêmes tâches appariées.

Search + Humain : Search gère la recherche et la synthèse ; l'humain exécute manuellement.

Computer + Humain : Computer exécute le flux de travail ; l'humain définit la portée de la tâche et examine le résultat.

Nous ne pouvons pas observer directement le temps qu'une tâche prendrait à un humain, nous faisons donc une triangulation avec trois estimations indépendantes :

Estimation basée sur les outils : Nous classons les appels d'outils de Computer en deux catégories : « Search » et « Do ». Les outils Search correspondent aux étapes de recherche d'informations et de synthèse qui sont déjà prises en charge par le produit Search. Les outils Do représentent les étapes d'exécution qu'un humain devrait effectuer manuellement en utilisant Search seul. Nous estimons ensuite le temps nécessaire à un professionnel expérimenté pour effectuer ces actions Do.

Estimation basée sur un LLM : Nous alimentons un LLM avec des requêtes provenant de sessions Computer pour estimer le temps nécessaire à un professionnel qualifié qui reçoit des réponses de Search mais doit exécuter toutes les étapes manuellement.

Estimation rapportée par l'utilisateur : Nous menons 25 entretiens semi-structurés avec des utilisateurs actifs de Computer dans divers domaines et déterminons les flux de travail antérieurs à Computer ainsi que le temps que ces flux de travail auraient pris.

Selon l'estimation basée sur les outils, la tâche moyenne Search + Humain prend 269 minutes, tandis que le flux de travail correspondant Computer + Humain prend 36 minutes. Cela représente une réduction de 87 % du temps de tâche.

Pour convertir le temps de tâche en coût, nous utilisons les salaires horaires moyens spécifiques à chaque domaine provenant des données de mai 2025 de l'Occupational Employment and Wage Statistics du Bureau of Labor Statistics des États-Unis (BLS OEWS) (U.S. Bureau of Labor Statistics 2026). En combinant le coût du modèle et le coût de la main-d'œuvre humaine spécifique au domaine, Computer réduit le coût estimé des tâches de 94 % en moyenne.

L'avantage en matière d'efficacité apparaît dans l'ensemble des 18 domaines, avec des économies de temps de 79 à 92 % et des économies de coûts de 87 à 96 %. La programmation est le cas le plus extrême : 596 minutes pour Search + Humain contre 48 minutes pour Computer + Humain — soit une réduction de 92 % du temps qui génère une réduction de 96 % des coûts. Les affaires, la technologie, l'éducation et la rédaction affichent également des gains importants. Les gains de temps ont tendance à se traduire par des économies de coûts plus importantes dans les domaines aux salaires plus élevés.

Dans quelle mesure ce résultat est-il robuste ? Considérons un seuil de rentabilité : pour que Search + Humain égale le coût de Computer + Humain, un professionnel devrait terminer chaque étape manuelle en 14 à 24 minutes (médiane de 18). Computer conserve son avantage dans tous les domaines, même sous des hypothèses plus conservatrices : par exemple, une surestimation par un facteur 8 du temps par outil, ou une sous-estimation par un facteur 12 du temps de surveillance de Computer.

L'estimation basée sur un LLM produit des résultats agrégés similaires : une réduction de 84 % du temps et de 93 % du coût global. Les entretiens avec les utilisateurs montrent une fourchette de résultats beaucoup plus large — allant de 5 à plus de 300 fois plus rapides —, ce qui reflète probablement une variation substantielle des bases de référence des utilisateurs avant Computer. L'accélération médiane parmi les participants est de 25 fois, ce qui correspond à une réduction de 96 % du temps.

La portée des tâches s'élargit horizontalement et verticalement

La vitesse et le coût sur les tâches appariées ne racontent qu'une partie de l'histoire. La forme du travail pourrait également changer. Alors que Computer remplace l'exécution manuelle par le calcul machine, les utilisateurs peuvent entreprendre différents types de travail — des tâches qui franchissent les frontières professionnelles et d'autres qui exigent des niveaux d'expertise plus élevés.

Premièrement, nous demandons si les utilisateurs travaillent en dehors de leur principal groupe professionnel déduit plus souvent avec Computer qu'avec Search. Deuxièmement, nous comparons les requêtes Search et Computer des mêmes utilisateurs à l'aide de cinq classifications au niveau des tâches : la taxonomie révisée de Bloom (Anderson et Krathwohl 2001), le travail abstrait par rapport au travail routinier dans la tradition du contenu des tâches (Autor, Levy et Murnane 2003), l'étendue des connaissances O*NET (National Center for O*NET Development 2026), l'étendue des activités de travail O*NET et les nouvelles tâches qui n'ont pas été tentées avec Search.

Le déplacement horizontal est évident dans les données. Sur un échantillon de 8 000 utilisateurs issus de huit groupes professionnels, en utilisant l'ensemble de leurs requêtes, les utilisateurs de Computer travaillent en dehors de leur profession principale 59 % du temps, contre 50 % pour Search. Les augmentations les plus importantes apparaissent dans la gestion et l'entrepreneuriat, la technologie numérique, les arts et le design, ainsi que les services de santé et les services à la personne. Les requêtes Search interprofessionnelles sont concentrées dans la technologie numérique, tandis que Computer délègue un travail qui s'étend à des domaines plus diversifiés où les utilisateurs auraient autrement besoin de spécialistes.

Le déplacement vertical est encore plus important. Dans un échantillon de 5 000 requêtes Computer et de 5 000 requêtes Search provenant du même ensemble d'utilisateurs des deux produits, les requêtes Computer sont plus complexes sur le plan cognitif que les requêtes Search. Selon la taxonomie révisée de Bloom, 76 % des requêtes Computer exigent une cognition d'ordre supérieur, contre 55 % pour Search. La différence est concentrée au sommet : 50 % des requêtes Computer sont des tâches du niveau de création, contre 26 % pour Search. Search a beaucoup plus de poids au niveau de la recherche factuelle de mémorisation. Sur la dimension du type de tâche abstrait par rapport au routinier, 71 % des requêtes Computer impliquent une cognition abstraite et non routinière, contre 53 % pour Search.

Les tâches de Computer font également appel à un plus grand nombre de domaines de connaissances. La tâche moyenne de Computer exige une expertise substantielle dans 2,40 domaines de connaissances O*NET, contre 1,74 pour Search, soit une augmentation de 38 %. Computer est près de trois fois plus susceptible que Search d'exiger trois domaines de connaissances ou plus : 51 % contre 17 %.

Au niveau des activités de travail, le même schéma se maintient. Une requête typique de Computer engage 2,95 activités de travail généralisées O*NET et 4,01 activités de travail intermédiaires, contre 2,24 et 2,87 pour Search, soit une augmentation de 32 % et 40 %. À des niveaux plus fins, Computer engage 59 % d'activités de travail détaillées en plus et 60 % d'énoncés de tâches spécifiques à une profession en plus.

La mesure la plus révélatrice est l'ensemble des tâches qui apparaissent dans Computer mais pas dans Search chez les mêmes utilisateurs. Selon la définition la plus stricte, lorsqu'un énoncé de tâche apparaît dans Computer et n'apparaît jamais dans l'échantillon Search apparié, 23 % des requêtes Computer engagent au moins un énoncé de tâche exclusif à Computer. Assouplir le seuil pour permettre jusqu'à cinq occurrences dans Search élève la part à 38 %, et elle se stabilise près de 41 %. Ces activités exclusives à Computer se concentrent dans le développement de logiciels et de sites web, la production de documentation, ainsi que la visualisation de données ou les graphiques. C'est précisément là que l'exécution autonome compte le plus : Search explique ; Computer produit.

Discussion

La plupart des données probantes sur l'IA au travail se concentrent sur le cadre de l'assistant. Cette littérature a mis en évidence d'importants gains de productivité dans l'augmentation de la rédaction, du soutien à la clientèle, du code et du conseil (par ex., Noy et Zhang 2023 ; Brynjolfsson, Li et Raymond 2025 ; Cui et al. 2026 ; Dell'Acqua et al. 2026).

Les agents modifient le comportement des utilisateurs et les résultats économiques en aval. Les déploiements en production commencent à révéler l'utilisation et l'impact des agents dans des contextes réels, mais ils se concentrent principalement sur les agents de codage spécialisés et les premiers agents de navigation (par ex., Sarkar 2026 ; McCain et al. 2026 ; Demirer, Musolff et Yang 2026 ; Yang et al. 2025). Nous complétons ce travail et jetons un pont entre la littérature sur les assistants et celle sur les agents en comparant l'interaction des utilisateurs avec un orchestrateur d'agents à usage général par rapport à un assistant conversationnel, et en étendant l'analyse de l'impact en aval à un plus large éventail de travaux de la connaissance.

Nous passons également de l'exposition à la recomposition des tâches réalisées. Des travaux antérieurs estiment quelles professions sont exposées à l'IA en utilisant des descriptions de tâches et la structure professionnelle (par ex., Eloundou et al. 2024 ; Felten, Raj et Seamans 2023), tandis que des mesures basées sur l'utilisation montrent l'écart entre l'exposition et le déploiement (Massenkoff et McCrory 2026). Nous documentons comment la composition des tâches évolue avec l'accès aux agents.

Nous soulignons plusieurs mises en garde. Premièrement, la fenêtre d'observation est précoce, et les premiers adoptants penchent vers les natifs de l'IA. Les utilisateurs expérimentent également activement et adaptent leurs flux de travail au sein d'un paysage de produits en rapid évolution, de sorte que ces tendances peuvent changer au fil du temps. Deuxièmement, la conception des requêtes appariées basées sur les sessions omet de nombreuses tâches Computer qui n'ont pas d'équivalent proche dans Search. Bien que les sessions fournissent un moyen naturel de segmenter les tâches, les utilisateurs ne suivent pas toujours cette structure dans la pratique, ce qui fait des sessions une approximation imparfaite des unités de tâches. Troisièmement, les estimations d'efficacité dépendent de manière critique des hypothèses concernant le temps d'outil équivalent pour l'humain et le temps de surveillance humaine. Bien que les estimations basées sur les LLM et les entretiens avec les utilisateurs aillent dans la même direction, et que les analyses de seuil de rentabilité et de sensibilité indiquent une robustesse, les grandeurs exactes doivent être lues comme approximatives. De même, l'erreur de classification des LLM introduit un bruit de mesure supplémentaire. Enfin, nous observons le comportement des utilisateurs uniquement au sein de l'écosystème Perplexity et ne capturons pas l'activité en dehors de celui-ci, ce qui peut limiter notre vision des activités de travail globales et de l'utilisation d'outils par les utilisateurs.

Perspectives

Les agents rendent les tâches existantes plus rapides et moins coûteuses — et, plus important encore, rendent viables des tâches qui transcendent les frontières professionnelles et les niveaux d'expertise.

Lorsqu'un système peut rechercher, naviguer, coder, modifier des fichiers, se connecter à des services et produire des livrables, le goulot d'étranglement de l'utilisateur se déplace. Il passe moins de temps à exploiter le flux de travail et plus de temps à spécifier des objectifs, à fournir du contexte, à vérifier les résultats et à demander des extensions. L'utilisateur passe du rôle d'opérateur à celui de superviseur.

À l'échelle individuelle, ce déplacement élargit la frontière des tâches, permettant aux utilisateurs d'entreprendre un travail à la fois plus vaste et plus profond. À l'échelle de l'organisation et du marché du travail, la façon dont ces changements au niveau micro s'agrègent reste une question ouverte. Si un seul individu, doté d'agents, peut accomplir des flux de travail qui nécessitaient auparavant plusieurs rôles, alors l'impact à long terme des agents ne sera pas saisi par les seules mesures de vitesse et de coût. Il se manifestera plutôt dans la façon dont le travail est regroupé, dont les rôles sont définis et dont les équipes sont structurées.

Pour en savoir plus sur notre méthodologie et nos conclusions, lisez le rapport technique complet.

Références

Anderson, Lorin W. et 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 et 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 et 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 et 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 et 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 et Liyuan Yang. 2026. « Writing Code vs. Shipping Code: Productivity Effects Across Generations of AI Coding Tools ». Document de travail NBER 35275.

Eloundou, Tyna, Sam Manning, Pamela Mishkin et Daniel Rock. 2024. « GPTs are GPTs: Labor Market Impact Potential of LLMs ». Science 384 (6702) : 1306–1308.

Felten, Edward W., Manav Raj et Robert Seamans. 2023. « Occupational Heterogeneity in Exposure to Generative AI ». SSRN 4414065.

Massenkoff, Maxim et 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 et 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 et 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 et Jerry Ma. 2025. « The Adoption and Usage of AI Agents: Early Evidence from Perplexity ». Prépublication arXiv arXiv:2512.07828.