כיצד סוכני בינה מלאכותית מעצבים מחדש את עבודת הידע

מערכות בינה מלאכותית מתקדמות (Frontier AI) מצמצמות את הפער בין יכולת המודל לשימוש בעולם האמיתי. מודלים חדשים, ארכיטקטונאות מחשוב ותבניות תזמור מאפשרות למערכות הללו לבצע משימות שנחשבו בלתי אפשריות רק לפני חודשים ספורים.

חדשנות מהירה זו הוכיחה את עצמה כברכה למשתמשי בינה מלאכותית על ידי הגברת המנוף והסוכנות שלהם. עם זאת, היא יצרה גם השהייה בין החזית הטכנולוגית לבין ההבנה שלנו כיצד עבודת ידע מתפתחת בדיוק בתגובה לכך. כיצד בינה מלאכותית מתקדמת משנה את אופייה של עבודת ידע על פני מקצועות שונים? אילו תמורות מבניות וכלכליות בעבודה זו אנו עשויים לצפות?

אנו שואפים לסגור פער זה באמצעות ניתוח אמפירי מדוקדק של השימוש ב-Perplexity. כיום, בשיתוף עם חוקרים מבית הספר לעסקים של הרווארד, אנו חולקים את המחקר המקיף הראשון שלנו על Perplexity Computer בפריסה בעולם האמיתי. הממצאים שלנו מראים ש-Computer מרחיב גם את הרוחב וגם את העומק של מה שמשתמשים יכולים להשיג, בעלות נמוכה יותר. משתמשי Computer מספקים יותר עבודה, פועלים ברמות הפשטה גבוהות יותר, וחוצים גבולות דיסציפלינריים כדי לפתוח ערך מחוץ למקצועות שלהם.

מאמר זה מציג את עיקרי המחקר שלנו. מתודולוגיה וממצאים מפורטים זמינים בדוח הטכני שלנו.

מבוא

מערכות הבינה המלאכותית היוצרות המרכזיות הראשונות היו עוזרות שיחות המנהלות דו-שיח עם משתמשים. עוזרות אלו יושבות בין כוונה לפעולה. הן עונות על שאלות, מסבירות פשרות ומציעות את הצעדים הבאים. לאחר מכן, על המשתמש לתרגם את התשובה לעבודה: לפתוח את הכלים הנכונים, לאסוף קבצים, לערוך מסמכים, לבדוק תוצרת ביניים ולהחליט מה לעשות בהמשך.

סוכנים משנים את חלוקת העבודה הזו. משתמש מציין תוצאה, והמערכת מתכננת על פני כלים, מבצעת שלבי ביניים, מבקשת קלט חסר בעת הצורך ומחזירה תוצר מוגמר. סוכנים מעבירים את השימוש בבינה מלאכותית מחיפוש מידע וסינתזה שלו לתכנון וביצוע משימות באופן אוטונומי.

קשת זו מניעה את התפתחות המוצרים של Perplexity עצמה. בשנת 2022 השקנו את Search, שהגדיר את קטגוריית מנועי התשובות בכך שאפשר למשתמשים לשאול שאלות ולקבל תשובות הנתמכות בציטוטים בני-אימות על פני מיליארדי מסמכים. בשנת 2025 הצגנו את דפדפן Comet, הכולל סוכן אינטרנט מוטמע המסיק פועל לצד משתמשים באינטרנט הפתוח. ובשנת 2026 השקנו את Computer, מתזמר סוכנים כללי הפועל באופן אוטונומי לקראת יעדים שצוינו על ידי המשתמש על פני סביבות מורכבות ואופקי זמן ארוכים.

כיצד מעבר זה משנה את האופן שבו אנו עובדים? אנו חוקרים שאלה זו באמצעות נתונים ממוצרי Search ו-Computer שלנו, תוך התמקדות בשלשה ממדים:

אוטונומיה: כמה עבודה אוטונומית מבצע Computer לעומת Search באותה משימה?

יעילות: כמה זמן ועלות עבודה חוסך Computer ביחס ל-Search באותה משימה?

היקף: כיצד Computer משנה את סוג העבודה שמשתמשים מנסים לבצע?

אנו מוצאים שסוכנים כגון Computer דורשים מאמץ ראשוני רב יותר מצד המשתמש (כיוון שעל המשתמשים לציין את הי יעדים להאצלה ולסקור את התוצאות), אך הרבה פחות מאמץ אנושי ליחידת עבודה (עקב ביצוע אוטונומי יותר). הדבר הופך אותם ליעילים במיוחד ברוטינות עבודה ארוכות ורב-שלביות. התמורה היא עבודה שהיא גם עמוקה יותר וגם זולה יותר. Computer מעביר את מאמץ המשתמש מביצוע ידני לפיקוח, ומרחיב את טווח הדברים שמשתמשים יכולים להשיג, הן בתוך תחומי המומחיות שלהם והן מחוצה להם.

הגדלה

אימוץ מחשבים ומקרי שימוש

Computer הושק ב-25 בפברואר 2026, וצמח במהירות בשלושת החודשים הראשונים.

שאילתות Computer מצטברות הגיעו לפי 84 מסך השבוע הראשון שלהן עד ה-27 במאי. כנקודת ייחוס, השימוש המצטבר ב-Search בקרב משתמשי Computer הגיע פי 14 מסך השבוע הראשון שלו, גבוה מהצמיחה של פי 12 עבור משתמשים שאינם משתמשי Computer.

גם לאחר התאמת משתמשי Computer ומשתמשים שאינם משתמשי Computer לפי רמת מנוי, נושא Search עיקרי, ועוצמת Search קודמת, השוואת הבדלים-בתוך-הבדלים מראה שאימוץ Computer מגביר את השימוש ב-Search: משתמשי Computer מבצעים 1.05 שאילתות Search נוספות ביום בהשוואה למשתמשים דומים שאינם משתמשי Computer.

הגדלה

בדגימה אקראית של 100,000 שאילתות Computer, מחקר וניתוח היו קטגוריית המשימות הגדולה ביותר ב-25.8%, ואחריה יצירת מסמכים ונכסים ב-18.6%. תערובת המשימות הנצפית נוטה לעבר עבודה גנרטיבית: מסמכים, גיליונות אלקטרוניים, בסיסי קוד, אתרי אינטרנט ותהליכי עבודה הדורשים עבודה על פני כלים מרובים.

במעבר לתחומים, השימוש היה מבוזר באופן רחב על פני תוכנה ו-IT, פיננסים והשקעות, שיווק ומכירות, תפעול עסקי, בריאות, חינוך, משפטים ומדיה.

הגדלה

אוטונומיה ואיכות גבוהות יותר

האות הישיר ביותר לאוטונומיה הוא משך הזמן שהמערכת פועלת ללא התערבות אנושית לאחר שהמשתמש שולח בקשה. Search בדרך כלל מחזיר מענה בתוך שניות. Computer ממשיך לעתים קרובות לעבוד במשך דקות או אפילו שעות: מחפש, גולש, כותב, עורך, מריץ קוד ובודק תוצאות ביניים.

אנו משתמשים בהפעלות Search ו-Computer עם שאילתות התחלתיות כמעט זהות כפרוקסי לאותה משימה שניסתה בשני המוצרים. על פני 10,000 זוגות מותאמים, Computer מבצע 26 דקות של ביצוע מכונה להפעלה בממוצע, לעומת 33 שניות עבור Search. מדובר בעלייה פי 48 בעבודת מכונה על משימות זהות למעשה. בחציון, הפער הוא 9 דקות לעומת 14 שניות, כלומר פי 40. פיצול התחומים מראה את אותה תבנית: Computer מבצע בקירוב פי 26–75 יותר עבודת מכונה בכל 18 התחומים.

הגדלה

הגדלה

אוטונומיה ארוכה יותר לא תורגמה ליותר נטישות. אירועי עצירת משתמש היו דומים בכל המוצרים: 3.7% מהפעלות Computer ו-3.4% מהפעלות Search כללו לפחות אירוע עצירת משתמש אחד. Computer אכן עצר לצורך קלט משתמש לעתים תכופות יותר: 13% משאילתות Computer הפעילו לפחות כלי אחד של השהיה לצורך משתמש לעומת 0.3% עבור Search, בדרך כלל כדי לבקש אישור או לשאול שאלות הבהרה. זוהי התבנית הצפויה עבור סוכן: הוא יכול להמשיך באופן אוטונומי רוב הזמן, אך הוא זקוק לנקודות בדיקה כדי לקבל רשות ולאשר את מה שהמשתמש רוצה.

Computer גם מקשר הרבה יותר קריאות כלים חיצוניות – באמצעות פרוטוקול הקשר מודל (MCP) או נקודות קצה של ממשק תכנות יישומים (API) – להפעלה בודדת, ומבצע עבודה שמשתמש Search היה עושה אחרת ידנית על פני אפליקציות נפרדות. 7.9% מהפעלות Computer מבצעות לפחות קריאת מחבר אחת לעומת 1.8% מהפעלות Search (פער של פי 4), ו-Computer מבצע בממוצע 1.19 קריאות מחבר להפעלה לעומת 0.10 עבור Search (יחס של פי 12). במילים אחרות, Computer לא רק רץ זמן רב יותר; הוא מגיע ליותר שירותים מחוברים של המשתמש כדי לשלוף נתונים ולבצע פעולות.

התנהגות מעקב משתנה גם בהרכבה. במדגם רב-תורי של 1,000 זוגות, הנטייה הכוללת לקידום משימות זהה כמעט בכל המוצרים (52.7% ממעקב Computer לעומת 52.9% עבור Search), אך מה שמשתמשים מבקשים משתנה: מכיוון ש-Computer מחזיר תוצר מוגמר יותר מראש, המשתמשים שלו ממירים הרחבות לצורך העמקות מבהירות (הרחבות 14.2% לעומת 12.5%; העמקות 22.0% לעומת 23.4%). משתמשי Computer גם מוציאים מעט יותר ממעקב שלהם על סקירה ותיקון של פלט (24.6% לעומת 23.6%), בעוד ש-Search כבד יותר על הנחיות קצרות כגון אישורים, ניסיונות חוזרים ובקשות פורמט (11.6% לעומת 9.9%) ש-Computer מקפל לתוך הריצה הראשונית שלו. במילים אחרות, Search יוצר לולאות סיכום-וביצוע קצרות; Computer יוצר לולאות סקירה-והתרחבות ארוכות.

והחשוב מכול, האיכות לא ירדה עם האוטונומיה הגבוהה יותר. בהפעלות תואמות מרובות־סבבים, חוסר שביעות רצון משמעותי בסבב הבא היה 1.3% עבור Computer לעומת 2.9% עבור Search, ירידה של 55%. כל חוסר שביעות רצון, כולל אותות קלים, היה 10.8% עבור Computer לעומת 16.6% עבור Search.

הגדלה

רווחי יעילות מאוטונומיה

אוטונומיה גבוהה מחליפה עבודה אנושית ידנית בחישוב מכונה, מה שמעלה את הי יעילות. כדי לכמת אפקט זה, אנו משווים שתי הגדרות על אותן משימות מותאמות.

Search + Human: Search מטפל בשליפה ובסינתזה; האדם מבצע באופן ידני.

Computer + Human: Computer מבצע את תהליך העבודה; האדם מגדיר את היקף המשימה וסוקר את הפלט.

איננו יכולים לצפות ישירות כמה זמן תיקח משימה לאדם, ולכן אנו מבצעים טריאנגולציה עם שלוש הערכות בלמדיות:

הערכה מבוססת-כלים: אנו מסווגים קריאות כלים של Computer לשתי קטגוריות: "Search" ו-"Do". כלי Search תואמים לשלבי אחזור מידע וסינתזה שכבר מטופלים על ידי מוצר Search. כלי Do מייצגים שלבי ביצוע שאדם יצטרך לבצע באופן ידני בעת שימוש ב-Search לבדו. לאחר מכן אנו מעריכים את הזמן הנדרש לאדם מנוסה כדי לבצע פעולות Do אלו.

הערכה מבוססת-LLM: אנו מזינים שאילתות מהפעלות Computer לתוך LLM כדי להעריך את הזמן הנדרש לאיש מקצוע מיומן המקבל תשובות מ-Search אך חייב לבצע את כל שלבי הביצוע באופן ידני.

הערכה מדווחת על ידי משתמש: אנו עורכים 25 ראיונות חצי-מובנים עם משתמשי Computer פעילים על פני תחומים ומפיקים תהליכי עבודה קודמים ל-Computer ואת הזמן שתהליכי עבודה אלו היו לוקחים.

הגדלה

תחת ההערכה מבוססת-הכלים, משימת Search + Human ממוצעת לוקחת 269 דקות, בעוד שתהליך העבודה המקביל של Computer + Human לוקח 36 דקות. מדובר בהפחתה של 87% בזמן המשימה.

כדי לתרגם זמן משימה לעלות, אנו משתמשים בשכר שעתי ממוצע ספציפי לתחום מנתוני הלשכה המרכזית לסטטיסטיקה של ארה"ב לשטיח תעסוקה ושכר (BLS OEWS) של מאי 2025 (הלשכה המרכזית לסטטיסטיקה של ארה"ב 2026). שילוב עלות המודל עם עלות עבודה אנושית ספציפית לתחום, Computer מפחית את עלות המשימה המוערכת ב-94% בממוצע.

הגדלה

הגדלה

יתרון היעילות מופיע בכל 18 התחומים, עם חיסכון בזמן של 79–92% וחיסכון בעלות של 87–96%. תכנות הוא המקרה הקיצוני ביותר: 596 דקות עבור Search + Human לעומת 48 דקות עבור Computer + Human – הפחתת זמן של 92% המניבה הפחתת עלות של 96%. עסקים, טכנולוגיה, חינוך וכתיבה מראים גם הם רווחים גדולים. חיסכון בזמן נוטה לתרגם לחיסכון גדול יותר בעלויות בתחומים בעלי שכר גבוה יותר.

עד כמה חסון תוצאה זו? שקול נקודת איזון: כדי ש-Search + Human ישתווה לעלות של Computer + Human, איש מקצוע צריך לסיים כל שלב ידני תוך 14–24 דקות (חציון 18). Computer שומר על היתרון שלו בכל תחום גם תחת הנחות שמרניות יותר: לדוגמה, הערכת יתר של פי 8 בזמן לכל כלי, או הערכת חסר של פי 12 בזמן הפיקוח של Computer.

האומדן המבוסס על LLM מניב תוצאות מצטברות דומות: ירידה של 84% בזמן וירידה של 93% בעלות בסך הכול. ראיונות עם משתמשים מראים טווח רחב הרבה יותר של תוצאות—מפי 5 ועד יותר מפי 300 בשיפורי מהירות—ככל הנראה משקף שונות משמעותית בין נקודות ההתחלה של המשתמשים לפני Computer. חציון שיפור המהירות בקרב המשתתפים הוא פי 25, המקביל לירידה של 96% בזמן.

היקף המשימה מתרחב אופקית ואנכית

מהירות ועלות במשימות מותאמות תופסות רק חלק מהסיפור. צורת העבודה עשויה גם להשתנות. כאשר Computer מחליף ביצוע ידני בחישוב מכונה, משתמשים עשויים לקחת על עצמם סוגים שונים של עבודה – משימות החוצות גבולות מקצועיים ואלו הדורשות רמות מומחיות גבוהות יותר.

ראשית, אנו שואלים האם משתמשים עובדים מחוץ לאשכול המקצוע העיקרי המוסק שלהם בתדירות גבוהה יותר עם Computer מאשר עם Search. שנית, אנו משווים שאילתות Computer ו-Search מאותם משתמשים באמצעות חמישה סיווגים ברמת המשימה: הטקסונומיה המעודכנת של בלום (Anderson and Krathwohl 2001), עבודה מופשטת לעומת שגרתית במסורת תוכן-המשימה (Autor, Levy, and Murnane 2003), רוחב הידע של O*NET (National Center for O*NET Development 2026), רוחב פעילות-העבודה של O*NET, ומשימות חדשות שלא נוסו עם Search.

השינוי האופקי ניכר בנתונים. על פני מדגם של 8,000 משתמשים משמונה אשכולות מקצועיים, תוך שימוש בכל השאילתות שלהם, משתמשי Computer עובדים מחוץ למקצוע העיקרי שלהם 59% מהזמן, בהשוואה ל-50% עבור Search. העליות הגדולות ביותר מופיעות בניהול ויזמות, טכנולוגיה דיגיטלית, אמנות ועיצוב, ושירותי בריאות ואדם. שאילתות Search בין-מקצועיות מרוכזות בטכנולוגיה דיגיטלית, בעוד ששאילתות Computer מאצילות עבודה החוצה לתחומים מגוונים יותר שבהם משתמשים יזדקקו אחרת למומחים.

הגדלה

השינוי האנכי גדול אף יותר. במדגם של 5,000 שאילתות Computer ו-5,000 שאילתות Search מאותה קבוצה של משתמשי מוצר-כפול, שאילתות Computer מורכבות יותר מבחינה קוגניטיבית מאשר שאילתות Search. בטקסונומיה המעודכנת של בלום, 76% משאילתות Computer דורשות קוגניציה מסדר גבוה יותר, בהשוואה ל-55% עבור Search. ההבדל מרוכז בצמרת: 50% משאילתות Computer הן משימות ברמת יצירה, בהשוואה ל-26% עבור Search. ל-Search יש משקל רב בהרבה בחיפוש עובדתי ברמת זכירה. בממד סוג המשימה המופשטת לעומת השגרתית, 71% משאילתות Computer כוללות קוגניציה מופשטת ולא שגרתית לעומת 53% עבור Search.

הגדלה

משימות Computer נסמכות גם על תחומי ידע רבים יותר. משימת Computer ממוצעת דורשת מומחיות מהותית ב-2.40 תחומי ידע של O*NET, בהשוואה ל-1.74 עבור Search, עלייה של 38%. Computer נוטה כמעט פי שלושה מ-Search לדרוש שלושה תחומי ידע או יותר: 51% לעומת 17%.

הגדלה

ברמת פעילות-העבודה, אותה תבנית נשמרת. שאילתת Computer טיפוסית מעסיקה 2.95 פעילויות עבודה כלליות של O*NET ו-4.01 פעילויות עבודה ביניים לעומת 2.24 ו-2.87 עבור Search, עלייה של 32% ו-40%. ברמות עדינות יותר, Computer מעסיק 59% יותר פעילויות עבודה מפורטות ו-60% יותר הצהרות משימה ספציפיות למקצוע.

הגדלה

המדידה המאירה ביותר היא קבוצת המשימות המופיעות ב-Computer אך לא ב-Search בקרב אותם משתמשים. בהגדרה המחמירה ביותר, שבה הצהרת משימה מופיעה ב-Computer ולעולם אינה מופיעה במדגם ה-Search המותאם, 23% משאילתות Computer מעסיקות לפחות הצהרת משימה אחת של Computer בלבד. הקלה על הסף כדי לאפשר עד חמש הופעות Search מעלה את הנתח ל-38%, והוא מתייצב סביב 41%. פעילויות אלו של Computer בלבד מתרכזות בפיתוח תוכנה ואינטרנט, הפקת תיעוד, והדמיית נתונים או גרפיקה. בדיוק שם ביצוע אוטונומי משנה הכי הרבה: Search מסביר; Computer מייצר.

הגדלה

דיון

מרבית העדויות על בינה מלאכותית בעבודה מתמקדות במסגרת העוזר. ספרות זו הראתה רווחי פרודוקטיביות גדולים בהעצמת כתיבה, תמיכת לקוחות, תכנות וייעוץ (לדוגמה, Noy and Zhang 2023; Brynjolfsson, Li, and Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

סוכנים משנים את התנהגות המשתמש ואת התוצאות הכלכליות במורד הזרם. פריסות ייצור מתחילות לחשוף שימוש בסוכנים והשפעה בסביבות אמיתיות, אך מתמקדות בעיקר בסוכני תכנות מתמחים וסוכני דפדפן מוקדמים (לדוגמה, Sarkar 2026; McCain et al. 2026; Demirer, Musolff, and Yang 2026; Yang et al. 2025). אנו משלימים עבודה זו ומגשרים על ספרות העוזר והסוכן על ידי השוואת אינטראקציית משתמש עם מתזמר סוכנים כללי לעומת עוזר שיחות, ועל ידי הרחבת ניתוח ההשפעה במורד הזרם לטווח רחב יותר של עבודת ידע.

אנו עוברים גם מחשיפה להרכבה מחדש של משימות ממומשות. עבודה קודמת מעריכה אילו מקצועות חשופים לבינה מלאכותית תוך שימוש בתיאורי משימות ובמבנה תעסוקתי (לדוגמה, Eloundou et al. 2024; Felten, Raj, and Seamans 2023), בעוד שמדדים מבוססי שימוש מראים את הפער בין חשיפה לפריסה (Massenkoff and McCrory 2026). אנו מתעדים כיצד הרכב המשימות משתנה עם גישה לסוכנים.

אנו מציינים כמה הסתייגויות. ראשית, חלון התצפית מוקדם, והמאמצים הראשונים נוטים להיות משתמשים ילידיי AI. המשתמשים גם מתנסים באופן פעיל ומותאמים את תהליכי העבודה שלהם בתוך נוף מוצרי המתפתח במהירות, ולכן דפוסים אלה עשויים להשתנות עם הזמן. שנית, עיצוב ההתאמה של שאילתה תואמת מבוססת הפעלה משמיט משימות רבות של Computer שאין להן מקבילה קרובה ב-Search. אף שהפעלות מספקות דרך טבעית לחלק משימות, בפועל המשתמשים לא תמיד פועלים כך, ולכן הפעלות הן קירוב רועש ליחידות משימה. שלישית, אומדני היעילות תלויים באופן קריטי בהנחות לגבי זמן כלי שקול-אנושית וזמן פיקוח אנושי. אף שאומדנים מבוססי LLM וראיונות משתמשים מצביעים על אותו כיוון, וניתוחי נקודת האיזון והרגישות מעידים על חוסן, יש לראות את הגדלים המדויקים כהערכות. בנוסף לכך, שגיאת סיווג של LLM מוסיפה רעש מדידה נוסף. לבסוף, אנו מתבוננים בהתנהגות המשתמשים רק בתוך האקוסיסטם של Perplexity ואיננו לוכדים פעילות מחוצה לו, מה שעשוי להגביל את המבט שלנו על מכלול פעילויות העבודה והשימוש בכלים של המשתמשים.

מבט קדימה

סוכנים הופכים משימות קיימות למהירות וזולות יותר – וחשוב מכך, הופכים משימות החוצות גבולות מקצועיים ורמות מומחיות לניתנות לביצוע.

כאשר מערכת יכולה לחפש, לגלוש, לתכנת, לערוך קבצים, להתחבר לשירותים ולהפיק תוצרים, צוואר הבקבוק של המשתמש משתנה. הם מבלים פחות זמן בהפעלת תהליך העבודה ויותר זמן בציון יעדים, אספקת הקשר, בדיקת פלטים ובקשת הרחבות. המשתמש עובר ממפעיל למפקח.

ברמת הפרט, שינוי זה מרחיב את חזית המשימות, ומאפשר למשתמשים לקחת על עצמם עבודה שהיא גם רחבה יותר וגם עמוקה יותר. ברמת הארגון ושוק העבודה, כיצד שינויים מיקרו-רמתיים אלו מתקבצים נותר שאלה פתוחה. אם פרט יחיד, המצויד בסוכנים, יכול להשלים תהליכי עבודה שדרשו בעבר תפקידים מרובים, אזי ההשפעה לטווח ארוך של סוכנים לא תתועד על ידי מדדי מהירות ועלות לבדם. במקום זאת, היא תבוא לידי ביטוי באופן שבו עבודה מאורזת, באופן שבו תפקידים מוגדרים ובאופן שבו צוותים מובנים.

כדי ללמוד עוד על המתודולוגיה והממצאים שלנו, קרא את הדוח הטכני המלא.

מקורות

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

Autor, David H., Frank Levy, and Richard J. Murnane. 2003. "The Skill Content of Recent Technological Change: An Empirical Exploration." The Quarterly Journal of Economics 118 (4): 1279–1333.

Brynjolfsson, Erik, Danielle Li, and Lindsey R. Raymond. 2025. "Generative AI at Work." The Quarterly Journal of Economics 140 (2): 889–942.

Cui, Zheyuan Kevin, Mert Demirer, Sonia Jaffe, Leon Musolff, Sida Peng, and Tobias Salz. 2026. "The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers." Management Science, Articles in Advance.

Dell'Acqua, Fabrizio, Edward McFowland III, Ethan R. Mollick, Hila Lifshitz-Assaf, Katherine Kellogg, Saran Rajendran, Lisa Krayer, François Candelon, and Karim R. Lakhani. 2026. "Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality." Organization Science, Articles in Advance.

Demirer, Mert, Leon Musolff, and Liyuan Yang. 2026. "Writing Code vs. Shipping Code: Productivity Effects Across Generations of AI Coding Tools." NBER Working Paper 35275.

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

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

Massenkoff, Maxim, and Peter McCrory. 2026. "Labor Market Impacts of AI: A New Measure and Early Evidence." Anthropic.

McCain, Miles, Thomas Millar, Saffron Huang, Jake Eaton, Kunal Handa, Michael Stern, Alex Tamkin, Matt Kearney, Esin Durmus, Judy Shen, Jerry Hong, Brian Calvert, Jun Shern Chan, Francesco Mosconi, David Saunders, Tyler Neylon, Gabriel Nicholas, Sarah Pollack, Jack Clark, and Deep Ganguli. 2026. "Measuring AI Agent Autonomy in Practice." Anthropic.

National Center for O*NET Development. 2026. O*NET 30.2 Database. U.S. Department of Labor, Employment and Training Administration.

Noy, Shakked, and Whitney Zhang. 2023. "Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence." Science 381 (6654): 187–192.

Sarkar, Suproteem K. 2026. "AI Agents and Higher-Order Work." University of Chicago Booth School of Business.

U.S. Bureau of Labor Statistics. 2026. "Occupational Employment and Wage Statistics: May 2025 Estimates." U.S. Department of Labor.

Yang, Jeremy, Noah Yonack, Kate Zyskowski, Denis Yarats, Johnny Ho, and Jerry Ma. 2025. "The Adoption and Usage of AI Agents: Early Evidence from Perplexity." arXiv preprint arXiv:2512.07828.

ציטוט

@online{perplexity2026HowAiAgentsReshapeKnowledgeWork,
  author = {{Perplexity} and Jeremy Yang and Kate Zyskowski and Noah Yonack and Jerry Ma and Phi Hoang},
  title = {{How AI agents reshape knowledge work}},
  date = {2026-06-08},
  url = {https://perplexity.coolkeypoint.com/hub/blog/how-ai-agents-reshape-knowledge-work}
}