एआई एजेंट ज्ञान के काम को कैसे नया आकार देते हैं

फ्रंटियर एआई सिस्टम मॉडल इंटेलिजेंस और वास्तविक दुनिया की उपयोगिता के बीच की खाई को पाट रहे हैं। नए मॉडल, कंप्यूट आर्किटेक्चर और ऑर्केस्ट्रेशन पैटर्न इन सिस्टमों को उन कार्यों को पूरा करने में सक्षम बना रहे हैं जिन्हें कुछ महीने पहले असंभव माना जाता था।

इस तीव्र नवाचार ने एआई उपयोगकर्ताओं के प्रभाव और एजेंसी को बढ़ाकर उनके लिए एक वरदान साबित किया है। फिर भी, इसने तकनीकी सीमा और इस बात की हमारी सटीक समझ के बीच एक अंतराल भी पैदा कर दिया है कि ज्ञान का कार्य इसके जवाब में कैसे विकसित हो रहा है। फ्रंटियर एआई विभिन्न व्यवसायों में ज्ञान के कार्य की प्रकृति को कैसे बदलता है? इस कार्य में हम किन संरचनात्मक और आर्थिक परिवर्तनों की उम्मीद कर सकते हैं?

हम Perplexity के उपयोग के सावधानीपूर्वक अनुभवजन्य विश्लेषण के माध्यम से इस खाई को पाटना चाहते हैं। आज, हार्वर्ड बिजनेस स्कूल के शोधकर्ताओं के सहयोग से, हम वास्तविक दुनिया की तैनाती में Perplexity Computer का अपना पहला व्यापक अध्ययन साझा कर रहे हैं। हमारे निष्कर्ष बताते हैं कि Computer उपयोगकर्ताओं द्वारा पूरी की जा सकने वाली चीज़ों की व्यापकता और गहराई, दोनों का कम लागत पर विस्तार करता है। Computer उपयोगकर्ता अधिक काम कर रहे हैं, उच्च स्तर के अमूर्तन (abstraction) पर काम कर रहे हैं, और अपने स्वयं के व्यवसायों के बाहर मूल्य अनलॉक करने के लिए अनुशासनात्मक सीमाओं को पार कर रहे हैं।

यह लेख हमारे अध्ययन के मुख्य अंश प्रस्तुत करता है। विस्तृत कार्यप्रणाली और निष्कर्ष हमारी तकनीकी रिपोर्ट में उपलब्ध हैं।

परिचय

पहले मुख्यधारा के जेनरेटिव एआई सिस्टम संवादात्मक सहायक (conversational assistants) थे जो उपयोगकर्ताओं के साथ संवाद में संलग्न होते हैं। ये सहायक इरादे और कार्रवाई के बीच स्थित होते हैं। वे सवालों के जवाब देते हैं, ट्रेडऑफ की व्याख्या करते हैं, और अगले चरणों का सुझाव देते हैं। इसके बाद उपयोगकर्ता को उत्तर को कार्य में अनुवादित करना पड़ता है: सही उपकरण खोलें, फाइलें इकट्ठा करें, दस्तावेज़ संपादित करें, मध्यवर्ती आउटपुट की जांच करें, और तय करें कि आगे क्या करना है।

एजेंट श्रम के उस विभाजन को बदलते हैं। एक उपयोगकर्ता परिणाम निर्दिष्ट करता है, और सिस्टम उपकरणों के बीच योजना बनाता है, मध्यवर्ती चरणों को निष्पादित करता है, जरूरत पड़ने पर लापता इनपुट मांगता है, और एक तैयार डिलिवरेबल लौटाता है। एजेंट एआई के उपयोग को चीजों को खोजने और उन्हें संश्लेषित करने से बदलकर स्वायत्त रूप से कार्यों की योजना बनाने और उन्हें पूरा करने की ओर ले जाते हैं।

यह चाप Perplexity की अपनी उत्पाद प्रगति को जीवंत करता है। 2022 में, हमने Search लॉन्च किया, जिसने उपयोगकर्ताओं को सवाल पूछने और अरबों दस्तावेजों में सत्यापन योग्य उद्धरणों द्वारा समर्थित उत्तर प्राप्त करने के लिए सशक्त बनाकर उत्तर इंजन श्रेणी को परिभाषित किया। 2025 में, हमने Comet ब्राउज़र पेश किया, जिसमें एक एम्बेडेड वेब एजेंट है जो ओपन वेब पर उपयोगकर्ताओं के साथ तर्क करता है और कार्य करता है। और 2026 में, हमने Computer लॉन्च किया, एक सामान्य-उद्देश्य वाला एजेंट ऑर्केस्ट्रेटर जो जटिल वातावरण और लंबी समय-सीमाओं में उपयोगकर्ता-निर्दिष्ट उद्देश्यों की दिशा में स्वायत्त रूप से काम करता है।

यह संक्रमण हमारे काम करने के तरीके को कैसे बदल रहा है? हम तीन आयामों पर ध्यान केंद्रित करते हुए, अपने Search और Computer उत्पादों के डेटा का उपयोग करके इस प्रश्न का पता लगाते हैं:

स्वायत्तता: उसी कार्य पर Search की तुलना में Computer कितना स्वायत्त कार्य करता है?

दक्षता: उसी कार्य पर Search की तुलना में Computer कितना समय और श्रम लागत बचाता है?

दायरा: Computer उपयोगकर्ताओं द्वारा प्रयास किए जाने वाले कार्य के प्रकार को कैसे बदलता है?

हमने पाया है कि Computer जैसे एजेंटों को अधिक अग्रिम उपयोगकर्ता प्रयास की आवश्यकता होती है (क्योंकि उपयोगकर्ताओं को सौंपे जाने वाले उद्देश्यों को निर्दिष्ट करना और परिणामों की समीक्षा करनी होती है) लेकिन प्रति इकाई कार्य के लिए बहुत कम मानवीय प्रयास की आवश्यकता होती है (अधिक स्वायत्त निष्पादन के कारण)। यह उन्हें लंबे, बहु-चरणीय वर्कफ़्लो पर विशेष रूप से प्रभावी बनाता है। इसका प्रतिफल ऐसा काम है जो गहरा और सस्ता दोनों है। Computer उपयोगकर्ता के प्रयास को मैन्युअल निष्पादन से पर्यवेक्षण की ओर स्थानांतरित करता है, जिससे उपयोगकर्ताओं द्वारा अपनी विशेषज्ञता के क्षेत्रों के भीतर और बाहर जो कुछ भी पूरा किया जा सकता है, उसका दायरा बढ़ जाता है।

Computer को अपनाना और उपयोग के मामले

Computer को 25 फरवरी, 2026 को लॉन्च किया गया था, और पहले तीन महीनों में यह तेजी से बढ़ा।

संचयी Computer क्वेरी 27 मई तक अपने पहले सप्ताह के कुल के 84 गुना तक पहुंच गईं। एक आधार रेखा के रूप में, Computer उपयोगकर्ताओं के बीच संचयी Search उपयोग अपने पहले सप्ताह के कुल के 14 गुना तक पहुंच गया, जो गैर-Computer उपयोगकर्ताओं के लिए 12 गुना की वृद्धि से अधिक है।

सदस्यता स्तर, प्राथमिक Search विषय, और पूर्व Search तीव्रता पर Computer और गैर-Computer उपयोगकर्ताओं का मिलान करने के बाद भी, अंतर-का-अंतर तुलना से पता चलता है कि Computer को अपनाना Search उपयोग को बढ़ाता है: Computer उपयोगकर्ता समान गैर-Computer उपयोगकर्ताओं की तुलना में प्रति दिन 1.05 अधिक Search क्वेरी करते हैं।

100,000 Computer क्वेरी के एक यादृच्छिक नमूने में, अनुसंधान और विश्लेषण 25.8% के साथ सबसे बड़ी कार्य श्रेणी थी, उसके बाद दस्तावेज़ और संपत्ति निर्माण 18.6% के साथ था। देखा गया कार्य मिश्रण जेनरेटिव कार्य की ओर झुकता है: दस्तावेज़, स्प्रेडशीट, कोडबेस, वेबसाइटें और वर्कफ़्लो जिन्हें कई उपकरणों में काम करने की आवश्यकता होती है।

डोमेन की ओर मुड़ते हुए, उपयोग सॉफ्टवेयर और आईटी, वित्त और निवेश, विपणन और बिक्री, व्यवसाय संचालन, स्वास्थ्य सेवा, शिक्षा, कानूनी और मीडिया में व्यापक रूप से वितरित था।

उच्च स्वायत्तता और गुणवत्ता

स्वायत्तता का सबसे सीधा संकेत यह है कि उपयोगकर्ता द्वारा अनुरोध सबमिट करने के बाद सिस्टम मानवीय हस्तक्षेप के बिना कितनी देर तक चलता है। Search आमतौर पर सेकंड में प्रतिक्रिया देता है। Computer अक्सर मिनटों या घंटों तक काम करता रहता है: खोजना, ब्राउज़ करना, लिखना, संपादित करना, कोड चलाना और मध्यवर्ती परिणामों की जांच करना।

हम दोनों उत्पादों के साथ प्रयास किए गए समान कार्य के लिए प्रॉक्सी के रूप में लगभग समान प्रारंभिक क्वेरी वाले Search और Computer सत्रों का उपयोग करते हैं। 10,000 मिलान किए गए जोड़ों में, Computer औसतन प्रति सत्र 26 मिनट का मशीन निष्पादन करता है, जबकि Search के लिए यह 33 सेकंड है। यह प्रभावी रूप से समान कार्यों पर मशीन कार्य में 48 गुना की वृद्धि है। माध्यिका पर, अंतर 9 मिनट बनाम 14 सेकंड, या 40 गुना है। डोमेन विभाजन समान पैटर्न दिखाता है: Computer सभी 18 डोमेन में लगभग 26–75 गुना अधिक मशीन कार्य करता है।

लंबे समय तक चलने वाली स्वायत्तता का मतलब अधिक परित्याग नहीं था। उपयोगकर्ता स्टॉप इवेंट उत्पादों के बीच समान थे: 3.7% Computer सत्रों और 3.4% Search सत्रों में कम से कम एक उपयोगकर्ता स्टॉप इवेंट था। Computer ने उपयोगकर्ता इनपुट के लिए अधिक बार रुक दिया: 13% Computer क्वेरी ने Search के लिए 0.3% की तुलना में कम से कम एक पॉज़-फॉर-यूज़र टूल को लागू किया, आमतौर पर अनुमोदन का अनुरोध करने या स्पष्टीकरण वाले प्रश्न पूछने के लिए। एक एजेंट के लिए यह अपेक्षित पैटर्न है: यह अधिकांश समय स्वायत्त रूप से आगे बढ़ सकता है, लेकिन इसे अनुमति प्राप्त करने और यह पुष्टि करने के लिए चेकपॉइंट की आवश्यकता होती है कि उपयोगकर्ता क्या चाहता है।

Computer एक ही सत्र में मॉडल कॉन्टेक्स्ट प्रोटोकॉल (MCP) या एप्लिकेशन प्रोग्रामिंग इंटरफ़ेस (API) एंडपॉइंट्स के माध्यम से कहीं अधिक बाहरी टूल कॉल भी जोड़ता है, जिससे वह काम होता है जो एक Search उपयोगकर्ता अन्यथा अलग-अलग ऐप्स पर हाथ से करता। 7.9% Computer सत्र कम से कम एक कनेक्टर कॉल करते हैं जबकि Search सत्रों का यह आंकड़ा 1.8% है (4 गुना का अंतर), और Computer प्रति सत्र औसत 1.19 कनेक्टर कॉल करता है जबकि Search के लिए यह 0.10 है (12 गुना अनुपात)। दूसरे शब्दों में, Computer न केवल लंबे समय तक चलता है; यह डेटा खींचने और कार्रवाई करने के लिए उपयोगकर्ता की अधिक कनेक्टेड सेवाओं तक पहुँचता है।

फॉलो-अप व्यवहार भी संरचना में बदल जाता है। 1,000-जोड़े के बहु-बारी नमूने में, कार्य उन्नति के प्रति समग्र प्रवृत्ति उत्पादों के बीच लगभग समान है (Computer फॉलो-अप का 52.7% बनाम Search के लिए 52.9%), लेकिन उपयोगकर्ता क्या मांगते हैं यह बदल जाता है: क्योंकि Computer पहले से ही अधिक पूर्ण डिलिवरेबल लौटाता है, इसके उपयोगकर्ता स्पष्टीकरण वाले ड्रिल-डाउन के लिए एक्सटेंशन को प्रतिस्थापित करते हैं (एक्सटेंशन 14.2% बनाम 12.5%; ड्रिल-डाउन 22.0% बनाम 23.4%)। Computer उपयोगकर्ता अपने फॉलो-अप का थोड़ा अधिक समय आउटपुट की समीक्षा और संशोधन करने में बिताते हैं (24.6% बनाम 23.6%), जबकि Search पुष्टिकरण, रिट्री और प्रारूप अनुरोधों जैसे संक्षिप्त निर्देशों पर अधिक केंद्रित है (11.6% बनाम 9.9%), जिसे Computer अपनी प्रारंभिक रन में शामिल कर लेता है। दूसरे शब्दों में, Search कम संक्षिप्त डाइजेस्ट-एंड-एक्जीक्यूट लूप बनाता है; Computer लंबे समय तक समीक्षा-और-विस्तार लूप बनाता है।

सबसे महत्वपूर्ण बात यह है कि गुणवत्ता उच्च स्वायत्तता के साथ नहीं गिरी। मिलान किए गए बहु-बारी सत्रों पर, सार्थक अगली-बारी असंतोष Computer के लिए 1.3% था जबकि Search के लिए 2.9% था, जो 55% की कमी है। कोई भी असंतोष, जिसमें हल्के संकेत भी शामिल हैं, Computer के लिए 10.8% था जबकि Search के लिए 16.6% था।

स्वायत्तता से दक्षता लाभ

उच्च स्वायत्तता मैन्युअल मानवीय कार्य को मशीन गणना के लिए स्वैप करती है, जिससे दक्षता बढ़ती है। इस प्रभाव को मापने के लिए, हम उसी मिलान किए गए कार्यों पर दो सेटअपों की तुलना करते हैं।

Search + मानव: Search पुनर्प्राप्ति और संश्लेषण को संभालता है; मानव मैन्युअल रूप से निष्पादित करता है।

Computer + मानव: Computer वर्कफ़्लो करता है; मानव कार्य का दायरा तय करता है और आउटपुट की समीक्षा करता है।

हम सीधे यह नहीं देख सकते कि किसी कार्य में मानव को कितना समय लगेगा, इसलिए हम तीन स्वतंत्र अनुमानों के साथ त्रिकोणीय विश्लेषण करते हैं:

टूल-आधारित अनुमान: हम Computer टूल कॉल को दो श्रेणियों में वर्गीकृत करते हैं: "Search" और "Do"। Search उपकरण सूचना पुनर्प्राप्ति और संश्लेषण चरणों के अनुरूप होते हैं जिन्हें पहले ही Search उत्पाद द्वारा संभाला जाता है। Do उपकरण उन निष्पादन चरणों का प्रतिनिधित्व करते हैं जिन्हें अकेले Search का उपयोग करते समय मानव को मैन्युअल रूप से करने की आवश्यकता होगी। फिर हम इन Do कार्यों को करने के लिए एक अनुभवी मानव के लिए आवश्यक समय का अनुमान लगाते हैं।

LLM-आधारित अनुमान: हम Computer सत्रों से क्वेरी को एक LLM में फीड करते हैं ताकि एक कुशल पेशेवर के लिए आवश्यक समय का अनुमान लगाया जा सके जो Search से उत्तर प्राप्त करता है लेकिन उसे सभी निष्पादन चरणों को मैन्युअल रूप से पूरा करना होता है।

उपयोगकर्ता-रिपोर्ट किया गया अनुमान: हम डोमेन में सक्रिय Computer उपयोगकर्ताओं के साथ 25 अर्ध-संरचित साक्षात्कार आयोजित करते हैं और पूर्व-Computer वर्कफ़्लो और उन वर्कफ़्लो में लगने वाले समय का पता लगाते हैं।

टूल-आधारित अनुमान के तहत, औसत Search + मानव कार्य में 269 मिनट लगते हैं, जबकि संबंधित Computer + मानव वर्कफ़्लो में 36 मिनट लगते हैं। यह कार्य समय में 87% की कमी है।

कार्य समय को लागत में बदलने के लिए, हम अमेरिकी श्रम सांख्यिकी ब्यूरो (BLS) के व्यावसायिक रोजगार और वेतन सांख्यिकी (OEWS) मई 2025 डेटा (अमेरिकी श्रम सांख्यिकी ब्यूरो 2026) से डोमेन-विशिष्ट औसत प्रति घंटा मजदूरी का उपयोग करते हैं। मॉडल लागत को डोमेन-विशिष्ट मानवीय श्रम लागत के साथ जोड़कर, Computer औसतन अनुमानित कार्य लागत को 94% तक कम कर देता है।

दक्षता लाभ सभी 18 डोमेन में दिखाई देता है, जिसमें 79–92% समय की बचत और 87–96% लागत की बचत होती है। प्रोग्रामिंग सबसे चरम मामला है: Search + मानव के लिए 596 मिनट बनाम Computer + मानव के लिए 48 मिनट—92% समय की कमी जो 96% लागत में कमी लाती है। व्यवसाय, प्रौद्योगिकी, शिक्षा और लेखन भी बड़े लाभ दिखाते हैं। समय की बचत उच्च-वेतन वाले डोमेन में अधिक लागत बचत में बदलने की प्रवृत्ति रखती है।

यह परिणाम कितना मजबूत है? एक ब्रेक-ईवन पर विचार करें: Search + मानव को Computer + मानव की लागत से मेल खाने के लिए, एक पेशेवर को हर मैन्युअल चरण को 14-24 मिनट (माध्यिका 18) में पूरा करने की आवश्यकता होगी। Computer अधिक रूढ़िवादी धारणाओं के तहत भी हर डोमेन में अपना बढ़त बनाए रखता है: उदाहरण के लिए, प्रति-टूल समय में 8 गुना अधिक अनुमान, या Computer के निरीक्षण समय में 12 गुना कम अनुमान।

LLM-आधारित अनुमान समान कुल परिणाम देता है: समय में 84% की कमी और कुल लागत में 93% की कमी। उपयोगकर्ता साक्षात्कार परिणामों की एक बहुत व्यापक श्रेणी दिखाते हैं—5 गुना से लेकर 300 गुना से अधिक की गति—जो संभवतः उपयोगकर्ताओं के पूर्व-Computer आधार रेखाओं में पर्याप्त भिन्नता को दर्शाती है। प्रतिभागियों के बीच माध्यिका गति 25 गुना है, जो समय में 96% की कमी के अनुरूप है।

कार्य का दायरा क्षैतिज और लंबवत रूप से फैलता है

मिलान किए गए कार्यों पर गति और लागत कहानी का केवल एक हिस्सा पकड़ती है। काम का आकार भी बदल सकता है। जैसे ही Computer मैन्युअल निष्पादन को मशीन गणना के साथ बदल देता है, उपयोगकर्ता विभिन्न प्रकार के काम कर सकते हैं—ऐसे कार्य जो व्यावसायिक सीमाओं को पार करते हैं और जिन्हें उच्च स्तर की विशेषज्ञता की आवश्यकता होती है।

सबसे पहले, हम पूछते हैं कि क्या उपयोगकर्ता Search की तुलना में Computer के साथ अपने अनुमानित प्राथमिक व्यवसाय क्लस्टर के बाहर अधिक बार काम करते हैं। दूसरा, हम पांच कार्य-स्तरीय वर्गीकरणों का उपयोग करके एक ही उपयोगकर्ताओं से Computer और Search क्वेरी की तुलना करते हैं: ब्लूम का संशोधित वर्गीकरण (एंडर्सन और क्रैथवोहल 2001), कार्य-सामग्री परंपरा में अमूर्त बनाम नियमित कार्य (ऑटोर, लेवी, और मर्नने 2003), O*NET ज्ञान की चौड़ाई (O*NET विकास के लिए राष्ट्रीय केंद्र 2026), O*NET कार्य-गतिविधि की चौड़ाई, और नए कार्य जो Search के साथ नहीं किए गए थे।

क्षैतिज बदलाव डेटा में स्पष्ट है। आठ व्यवसाय क्लस्टरों के 8,000 उपयोगकर्ताओं के नमूने में, उनकी सभी क्वेरी का उपयोग करके, Computer उपयोगकर्ता 59% समय अपने प्राथमिक व्यवसाय के बाहर काम करते हैं, जबकि Search के लिए यह 50% है। सबसे बड़ी वृद्धि प्रबंधन और उद्यमिता, डिजिटल प्रौद्योगिकी, कला और डिजाइन, और स्वास्थ्य सेवा और मानव सेवाओं में दिखाई देती है। अंतर-व्यावसायिक Search क्वेरी डिजिटल प्रौद्योगिकी में केंद्रित हैं, जबकि Computer क्वेरी उस काम को सौंपते हैं जो अधिक विविध डोमेन में जाता है जहां उपयोगकर्ताओं को अन्यथा विशेषज्ञों की आवश्यकता होती है।

लंबवत बदलाव और भी बड़ा है। एक ही दोहरी-उत्पाद उपयोगकर्ताओं के सेट से 5,000 Computer क्वेरी और 5,000 Search क्वेरी के नमूने में, Computer क्वेरी Search क्वेरी की तुलना में संज्ञानात्मक रूप से अधिक जटिल हैं। ब्लूम के संशोधित वर्गीकरण पर, 76% Computer क्वेरी को उच्च-क्रम अनुभूति की आवश्यकता होती है, जबकि Search के लिए यह 55% है। अंतर शीर्ष पर केंद्रित है: 50% Computer क्वेरी 'बनाएं'-स्तरीय कार्य हैं, जबकि Search के लिए यह 26% है। Search में 'याद रखें'-स्तरीय तथ्यात्मक लुकअप में बहुत अधिक द्रव्यमान है। अमूर्त-बनाम-नियमित कार्य-प्रकार आयाम पर, 71% Computer क्वेरी में अमूर्त, गैर-नियमित अनुभूति शामिल है जबकि Search के लिए यह 53% है।

Computer कार्य अधिक ज्ञान डोमेन पर भी आकर्षित होते हैं। औसत Computer कार्य के लिए 2.40 O*NET ज्ञान क्षेत्रों में पर्याप्त विशेषज्ञता की आवश्यकता होती है, जबकि Search के लिए यह 1.74 है, जो 38% की वृद्धि है। Computer में Search की तुलना में तीन या अधिक ज्ञान डोमेन की आवश्यकता होने की संभावना लगभग तीन गुना है: 51% बनाम 17%।

कार्य-गतिविधि स्तर पर, वही पैटर्न बना रहता है। एक सामान्य Computer क्वेरी 2.95 O*NET सामान्यीकृत कार्य गतिविधियों और 4.01 मध्यवर्ती कार्य गतिविधियों को संलग्न करती है जबकि Search के लिए यह 2.24 और 2.87 है, जो 32% और 40% की वृद्धि है। सूक्ष्म स्तरों पर, Computer 59% अधिक विस्तृत कार्य गतिविधियों और 60% अधिक व्यवसाय-विशिष्ट कार्य विवरणों को संलग्न करता है।

सबसे खुलासा करने वाला उपाय उन कार्यों का सेट है जो एक ही उपयोगकर्ताओं के बीच Computer में दिखाई देते हैं लेकिन Search में नहीं। सबसे सख्त परिभाषा में, जहां एक कार्य विवरण Computer में दिखाई देता है और कभी भी युग्मित Search नमूने में दिखाई नहीं देता है, 23% Computer क्वेरी कम से कम एक Computer-केवल कार्य विवरण को संलग्न करती हैं। पांच Search घटनाओं तक अनुमति देने के लिए सीमा को कम करने से हिस्सेदारी 38% तक बढ़ जाती है, और यह 41% के पास स्थिर हो जाती है। ये Computer-केवल गतिविधियाँ सॉफ़्टवेयर और वेब विकास, दस्तावेज़ उत्पादन और डेटा विज़ुअलाइज़ेशन या ग्राफ़िक्स में केंद्रित हैं। ठीक यहीं स्वायत्त निष्पादन सबसे अधिक मायने रखता है: Search बताता है; Computer उत्पादन करता है।

चर्चा

काम पर एआई पर अधिकांश सबूत सहायक सेटिंग पर केंद्रित हैं। उस साहित्य ने लेखन, ग्राहक सहायता, कोडिंग और परामर्श को बढ़ाने में बड़े उत्पादकता लाभ दिखाए हैं (उदाहरण के लिए, रॉय और झांग 2023; ब्रिनजोलफसन, ली, और रेमंड 2025; कुई एट अल. 2026; डेल'अकवा एट अल. 2026)।

एजेंट उपयोगकर्ता व्यवहार और डाउनस्ट्रीम आर्थिक परिणामों को बदलते हैं। उत्पादन तैनाती वास्तविक दुनिया की सेटिंग्स में एजेंट उपयोग और प्रभाव का खुलासा करना शुरू कर रही है लेकिन ज्यादातर विशेष कोडिंग एजेंटों और शुरुआती ब्राउज़र एजेंटों पर केंद्रित हैं (उदाहरण के लिए, सरकार 2026; मैककेन एट अल. 2026; डेमिरर, मुसोलफ, और यांग 2026; यांग एट अल. 2025)। हम इस काम के पूरक हैं और एक सामान्य-उद्देश्य वाले एजेंट ऑर्केस्ट्रेटर बनाम संवादात्मक सहायक के साथ उपयोगकर्ता बातचीत की तुलना करके, और ज्ञान कार्य की एक विस्तृत श्रृंखला के लिए डाउनस्ट्रीम प्रभाव विश्लेषण का विस्तार करके सहायक और एजेंट साहित्य को जोड़ते हैं।

हम जोखिम से वास्तविक कार्य पुनर्गठन की ओर भी बढ़ते हैं। पूर्व कार्य यह अनुमान लगाते हैं कि कार्य विवरण और व्यावसायिक संरचना का उपयोग करके कौन से व्यवसाय एआई के संपर्क में हैं (उदाहरण के लिए, एलौंडौ एट अल. 2024; फेल्टन, राज, और सीमन्स 2023), जबकि उपयोग-आधारित उपाय जोखिम और तैनाती के बीच की खाई को दिखाते हैं (मैसेनकोफ और मैकक्रोरी 2026)। हम दस्तावेज़ करते हैं कि एजेंट पहुंच के साथ कार्य संरचना कैसे बदलती है।

हम कई चेतावनियों को नोट करते हैं। सबसे पहले, अवलोकन विंडो प्रारंभिक है, और शुरुआती अपनाने वाले एआई मूल निवासियों की ओर झुकते हैं। उपयोगकर्ता सक्रिय रूप से प्रयोग कर रहे हैं और तेजी से विकसित हो रहे उत्पाद परिदृश्य के भीतर अपने वर्कफ़्लो को अनुकूलित कर रहे हैं, इसलिए ये पैटर्न समय के साथ बदल सकते हैं। दूसरा, सत्र-आधारित मिलान-क्वेरी डिज़ाइन कई Computer कार्यों को छोड़ देता है जिनका कोई करीबी Search समकक्ष नहीं है। जबकि सत्र कार्यों को खंडित करने का एक प्राकृतिक तरीका प्रदान करते हैं, उपयोगकर्ता व्यवहार में हमेशा इस संरचना का पालन नहीं करते हैं, जिससे सत्र कार्य इकाइयों के लिए एक शोर वाला प्रॉक्सी बन जाते हैं। तीसरा, दक्षता अनुमान मानव-समतुल्य टूल समय और मानव निरीक्षण समय के बारे में धारणाओं पर गंभीरता से निर्भर करते हैं। हालांकि LLM-आधारित अनुमान और उपयोगकर्ता साक्षात्कार एक ही दिशा में इशारा करते हैं, और ब्रेक-ईवन और संवेदनशीलता विश्लेषण मजबूती का संकेत देते हैं, सटीक परिमाण को अनुमानित के रूप में पढ़ा जाना चाहिए। संबंधित रूप से, LLM वर्गीकरण त्रुटि अतिरिक्त माप शोर पेश करती है। अंत में, हम Perplexity पारिस्थितिकी तंत्र के भीतर ही उपयोगकर्ता व्यवहार का निरीक्षण करते हैं और इसके बाहर गतिविधि को कैप्चर नहीं करते हैं, जो उपयोगकर्ताओं की पूर्ण कार्य गतिविधियों और टूल उपयोग के हमारे दृष्टिकोण को सीमित कर सकता है।

आगे देखते हुए

एजेंट मौजूदा कार्यों को तेज और सस्ता बनाते हैं—और, सबसे महत्वपूर्ण बात, व्यावसायिक सीमाओं और विशेषज्ञता स्तरों में फैले कार्यों को व्यवहार्य बनाते हैं।

जब कोई सिस्टम खोज, ब्राउज़, कोड, फाइल संपादित, सेवाओं से कनेक्ट और डिलिवरेबल का उत्पादन कर सकता है, तो उपयोगकर्ता का अड़चन बदल जाता है। वे वर्कफ़्लो संचालित करने में कम समय और लक्ष्य निर्दिष्ट करने, संदर्भ प्रदान करने, आउटपुट की जांच करने और एक्सटेंशन मांगने में अधिक समय बिताते हैं। उपयोगकर्ता ऑपरेटर से पर्यवेक्षक में बदल जाता है।

व्यक्तिगत स्तर पर, यह बदलाव कार्य सीमा का विस्तार करता है, जिससे उपयोगकर्ता ऐसा काम करने में सक्षम होते हैं जो व्यापक और गहरा दोनों है। संगठनात्मक और श्रम बाजार स्तर पर, ये सूक्ष्म-स्तरीय परिवर्तन कैसे एकत्रित होते हैं, यह एक खुला प्रश्न है। यदि एक एकल व्यक्ति, एजेंटों से लैस, उन वर्कफ़्लो को पूरा कर सकता है जिनके लिए पहले कई भूमिकाओं की आवश्यकता होती थी, तो एजेंटों का दीर्घकालिक प्रभाव केवल गति और लागत मेट्रिक्स द्वारा कैप्चर नहीं किया जाएगा। इसके बजाय, यह इसमें प्रकट होगा कि काम कैसे बंडल किया जाता है, भूमिकाएं कैसे परिभाषित की जाती हैं, और टीमें कैसे संरचित होती हैं।

हमारी कार्यप्रणाली और निष्कर्षों के बारे में अधिक जानने के लिए, पूरी तकनीकी रिपोर्ट पढ़ें।

संदर्भ

एंडर्सन, लोरिन डब्ल्यू., और डेविड आर. क्रैथवोहल। 2001। सीखने, पढ़ाने और आकलन के लिए एक वर्गीकरण: शैक्षिक उद्देश्यों के ब्लूम के वर्गीकरण का एक संशोधन। न्यूयॉर्क: लॉन्गमैन।

ऑटोर, डेविड एच., फ्रैंक लेवी, और रिचर्ड जे. मर्नने। 2003। "हालिया तकनीकी परिवर्तन की कौशल सामग्री: एक अनुभवजन्य अन्वेषण।" द क्वार्टरली जर्नल ऑफ इकोनॉमिक्स 118 (4): 1279–1333।

ब्रिनजोलफसन, एरिक, डेनियल ली, और लिंडसे आर. रेमंड। 2025। "काम पर जेनरेटिव एआई।" द क्वार्टरली जर्नल ऑफ इकोनॉमिक्स 140 (2): 889–942।

कुई, ज़ेयुआन केविन, मेर्ट डेमिरर, सोनिया जाफ़े, लियोन मुसोलफ, सिडा पेंग, और टोबियास साल्ज़। 2026। "उच्च-कुशल कार्य पर जेनरेटिव एआई के प्रभाव: सॉफ़्टवेयर डेवलपर्स के साथ तीन क्षेत्र प्रयोगों से साक्ष्य।" मैनेजमेंट साइंस, आर्टिकल्स इन एडवांस।

डेल'अकवा, फैब्रिज़ियो, एडवर्ड मैकफ़ोलैंड III, एथन आर. मोलिक, हिला लिफ़शिट्ज़-असाफ़, कैथरीन केलॉग, सरन राजेंद्रन, लिसा क्रेयर, फ़्राँस्वा कैंडेलोन, और करीम आर. लखानी। 2026। "जुग्ड टेक्नोलॉजिकल फ्रंटियर को नेविगेट करना: नॉलेज वर्कर उत्पादकता और गुणवत्ता पर आर्टिफिशियल इंटेलिजेंस के प्रभावों के क्षेत्र प्रयोगात्मक साक्ष्य।" ऑर्गनाइज़ेशन साइंस, आर्टिकल्स इन एडवांस।

डेमिरर, मेर्ट, लियोन मुसोलफ, और लियान यांग। 2026। "कोड लिखना बनाम कोड शिपिंग: एआई कोडिंग टूल्स की पीढ़ियों में उत्पादकता प्रभाव।" NBER वर्किंग पेपर 35275।

एलौंडौ, टायना, सैम मैनिंग, पामेला मिशकिन, और डैनियल रॉक। 2024। "GPTs, GPTs हैं: LLMs की श्रम बाजार प्रभाव क्षमता।" साइंस 384 (6702): 1306–1308।

फेल्टन, एडवर्ड डब्ल्यू., मानव राज, और रॉबर्ट सीमन्स। 2023। "जेनरेटिव एआई के संपर्क में व्यावसायिक विषमता।" SSRN 4414065।

मैसेनकोफ, मैक्सिम, और पीटर मैकक्रोरी। 2026। "एआई के श्रम बाजार प्रभाव: एक नया उपाय और प्रारंभिक साक्ष्य।" Anthropic.

मैककेन, माइल्स, थॉमस मिलर, केसर हुआंग, जेक ईटन, कुणाल हांडा, माइकल स्टर्न, एलेक्स टैमकिन, मैट केर्नी, एसीन डुरमस, जूडी शेन, जेरी होंग, ब्रायन कैल्वर्ट, जून शेरन चैन, फ्रांसेस्को मोस्कोनी, डेविड सॉन्डर्स, टायलर नेयलन, गेब्रियल निकोलस, सारा पोलैक, जैक क्लार्क, और डीप गांगुली। 2026। "व्यवहार में एआई एजेंट स्वायत्तता को मापना।" Anthropic.

O*NET विकास के लिए राष्ट्रीय केंद्र। 2026। O*NET 30.2 डेटाबेस। श्रम विभाग, रोजगार और प्रशिक्षण प्रशासन।

रॉय, शक्कड़, और व्हिटनी झांग। 2023। "जेनरेटिव आर्टिफिशियल इंटेलिजेंस के उत्पादकता प्रभावों पर प्रयोगात्मक साक्ष्य।" साइंस 381 (6654): 187–192।

सरकार, सुप्रोतिम के. 2026। "एआई एजेंट और उच्च-क्रम कार्य।" यूनिवर्सिटी ऑफ शिकागो बूथ स्कूल ऑफ बिजनेस।

अमेरिकी श्रम सांख्यिकी ब्यूरो। 2026। "व्यावसायिक रोजगार और वेतन सांख्यिकी: मई 2025 अनुमान।" श्रम विभाग।

यांग, जेरेमी, नूह योनाक, केट ज़िसकोव्स्की, डेनिस याराटस, जॉनी हो, और जेरी मा। 2025। "एआई एजेंटों को अपनाना और उपयोग: Perplexity से प्रारंभिक साक्ष्य।" arXiv प्रीप्रिंट arXiv:2512.07828।