Kako AI agenti preoblikuju rad s znanjem

Computer povećava autonomiju zadataka, smanjuje troškove i širi opseg rada koji korisnici obavljaju.

AutoriPerplexity Research

Vodeći sustavi umjetne inteligencije smanjuju jaz između inteligencije modela i korisnosti u stvarnom svijetu. Novi modeli, računalne arhitekture i uzorci orkestracije omogućuju ovim sustavima obavljanje zadataka koji su se prije samo nekoliko mjeseci činili nemogućima.

Ova brza inovacija pokazala se blagoslovom za korisnike umjetne inteligencije jer povećava njihovu učinkovitost i utjecaj. Ipak, stvorila je i jaz između tehnološkog vrha i našeg razumijevanja o tome kako se rad s znanjem točno razvija kao odgovor na to. Kako vodeća umjetna inteligencija mijenja prirodu rada s znanjem u različitim profesijama? Koje strukturne i ekonomske transformacije u tom radu možemo očekivati?

Nastojimo zatvoriti ovaj jaz pomčnom empirijskom analizom korištenja Perplexitija. Danas, u suradnji s istraživačima s Harvard Business Schoola, dijelimo našu prvu sveobuhvatnu studiju o implementaciji sustava Perplexity Computer u stvarnom svijetu. Naši nalazi upućuju na to da Computer proširuje širinu i dubinu onoga što korisnici mogu postići, uz niže troškove. Korisnici Computera obavljaju više posla, rade na višim razinama apstrakcije i prelaze disciplinarne granice kako bi otključali vrijednost izvan vlastitih profesija.

Ovaj članak predstavlja najvažnije dijelove iz naše studije. Detaljna metodologija i nalazi dostupni su u našem tehničkom izvješću.

Uvod

Prvi generativni sustavi umjetne inteligencije u široj primjeni bili su razgovorni asistenti koji komuniciraju s korisnicima. Ti asistenti stoje između namjere i akcije. Odgovaraju na pitanja, objašnjavaju kompromise i predlažu sljedeće korake. Korisnik zatim mora pretvoriti odgovor u posao: otvoriti prave alate, prikupiti datoteke, uređivati dokumente, provjeriti međurezultate i odlučiti što učiniti sljedeće.

Agenti mijenjaju tu podjelu rada. Korisnik specificira ishode, a sustav planira kroz alate, izvršava međukorake, prema potrebi traži nedostajuće unose i vraća dovršeni rezultat. Agenti premještaju korištenje umjetne inteligencije s pretraživanja i sintetiziranja informacija na autonomno planiranje i izvršavanje zadataka.

Ovaj luk odražava vlastiti razvoj proizvoda tvrtke Perplexity. Godine 2022. lansirali smo Search, koji je definirao kategoriju tražilica s odgovorima omogućujući korisnicima postavljanje pitanja i primanje odgovora potkrijepljenih provjerljivim citatima u milijardama dokumenata. Godine 2025. predstavili smo preglednik Comet s ugrađenim web-agentom koji rasuđuje i djeluje zajedno s korisnicima na otvorenom webu. A 2026. godine lansirali smo Computer, višenamjenski orkestrator agenata koji autonomno radi na ciljevima koje određuje korisnik u složenim okruženjima i kroz duga vremenska razdoblja.

Kako ova tranzicija mijenja način na koji radimo? Ovo pitanje istražujemo koristeći podatke iz naših proizvoda Search i Computer, fokusirajući se na tri dimenzije:

Autonomija: koliko autonomnog rada Computer obavlja u odnosu na Search na istom zadatku?

Učinkovitost: koliko vremena i troškova rada Computer štedi u odnosu na Search na istom zadatku?

Opseg: kako Computer mijenja vrstu posla koju korisnici pokušavaju obaviti?

Otkrivamo da agenti poput Computera zahtijevaju više početnog truda korisnika (budući da korisnici moraju specificirati ciljeve koje treba delegirati i pregledati rezultate), ali znatno manje ljudskog truda po jedinici posla (zbog autonomnijeg izvršavanja). To ih čini posebno učinkovitima za duge, višekoračne tijekove rada. Rezultat je dublji i jeftiniji rad. Computer premješta trud korisnika s ručnog izvršavanja na nadzor, proširujući raspon onoga što korisnici mogu postići unutar i izvan vlastitih područja stručnosti.

Usvajanje Computera i slučajevi korištenja

Computer je lansiran 25. veljače 2026. i brzo je rastao u prva tri mjeseca.

Kumulativni upiti za Computer dosegli su 84 puta više od ukupnog broja u prvom tjednu do 27. svibnja. Kao osnovna linija, kumulativna upotreba pretraživanja Search među korisnicima Computera dosegla je 14 puta više od ukupnog broja u prvom tjednu, što je više od rasta od 12 puta za korisnike koji ne koriste Computer.

Čak i nakon usklađivanja korisnika Computera i onih koji ne koriste Computer prema pretplatničkom sloju, primarnoj temi pretraživanja i prethodnom intenzitetu pretraživanja, usporedba razlike u razlikama pokazuje da usvajanje Computera povećava upotrebu pretraživanja: korisnici Computera naprave 1,05 upita za pretraživanje više dnevno nego slični korisnici koji ne koriste Computer.

Kumulativni rast indeksiran prema prvom tjednu svake serije. Volumen upita za Computer dosegao je 84x svoj kumulativni ukupni iznos u prvom tjednu tijekom razdoblja od 27. veljače do 27. svibnja.
Kumulativni rast indeksiran prema prvom tjednu svake serije. Volumen upita za Computer dosegao je 84x svoj kumulativni ukupni iznos u prvom tjednu tijekom razdoblja od 27. veljače do 27. svibnja.

U slučajnom uzorku od 100.000 upita za Computer, Istraživanje i analiza bila je najveća kategorija zadataka s 25,8%, a slijede Izrada dokumenata i imovine s 18,6%. Opažena mješavina zadataka naginje prema generativnom radu: dokumentima, proračunskim tablicama, kodnim bazama, web-mjestima i tijekovima rada koji zahtijevaju rad u više alata.

Što se tiče domena, korištenje je bilo široko rasprostranjeno u područjima softvera i IT-ja, financija i ulaganja, marketinga i prodaje, poslovnih operacija, zdravstva, obrazovanja, prava i medija.

Slučajevi korištenja Computera u različitim kategorijama zadataka i predmetnim domenama.
Slučajevi korištenja Computera u različitim kategorijama zadataka i predmetnim domenama. Istaknuto se pojavljuju istraživanje, analiza, izrada dokumenata, softver, financije, poslovne operacije i osobni tijekovi rada.

Veća autonomija i kvaliteta

Najizravniji signal autonomije jest koliko dugo sustav radi bez ljudske intervencije nakon što korisnik pošalje zahtjev. Search obično vraća odgovor u sekundi. Computer često nastavlja raditi minute ili čak satove: pretražujući, pregledavajući, pišući, uređujući, pokrećući kod i provjeravajući međurezultate.

Koristimo sesije Searcha i Computera s gotovo identičnim početnim upitima kao zamjenu za isti zadatak pokušan s oba proizvoda. U 10.000 usklađenih parova, Computer izvršava u prosjeku 26 minuta strojnog izvođenja po sesiji, u usporedbi s 33 sekunde za Search. To je 48 puta veće povećanje strojnog rada na učinkovito istim zadacima. Na medijanu, jaz je 9 minuta u odnosu na 14 sekundi, ili 40 puta. Podjela po domenama pokazuje isti uzorak: Computer obavlja otprilike 26–75 puta više strojnog rada u svih 18 domena.

Vrijeme strojnog izvršavanja po sesiji za usklađene sesije Computera i Searcha.
Vrijeme strojnog izvršavanja po sesiji za usklađene sesije Computera i Searcha. Search je koncentriran blizu kratkih vremena odgovora; Computer ima širu distribuciju usredotočenu oko dugotrajnog autonomnog izvršavanja. Srednje vrijeme izvršavanja Computera (26 minuta) znatno je više od medijana (9 minuta), što ukazuje na dugi rep složenih zahtjeva s dugim vremenskim horizontom.
Prosječno vrijeme strojnog izvršavanja po domeni.
Prosječno vrijeme strojnog izvršavanja po domeni. Computer obavlja znatno više posla po sesiji jer svaki potez korisnika pokreće naknadno izvršavanje, a ne samo razgovorni odgovor.

Dugotrajnija autonomija nije se pretvorila u veće napuštanje. Događaji prekida od strane korisnika bili su slični u svim proizvodima: 3,7% sesija Computera i 3,4% sesija Searcha sadržavalo je najmanje jedan događaj prekida od strane korisnika. Computer je češće pauzirao radi unosa korisnika: 13% upita za Computer pozvalo je barem jedan alat za pauzu za unos korisnika u odnosu na 0,3% za Search, obično radi traženja odobrenja ili postavljanja pitanja za pojašnjenje. To je očekivani uzorak za agenta: on može nastaviti autonomno veći dio vremena, ali su mu potrebne kontrolne točke kako bi dobio dopuštenje i potvrdio što korisnik želi.

Computer također ulančava znatno više poziva vanjskih alata — putem protokola konteksta modela (MCP) ili krajnjih točaka sučelja za programiranje aplikacija (API) — u jednu sesiju, obavljajući posao koji bi korisnik Searcha inače obavio ručno u zasebnim aplikacijama. 7,9% sesija Computera upućuje najmanje jedan poziv konektora u odnosu na 1,8% sesija Searcha (razlika od 4 puta), a Computer u prosjeku ima 1,19 poziva konektora po sesiji u odnosu na 0,10 za Search (omjer od 12 puta). Drugim riječima, Computer ne radi samo dulje; on doseže više povezanih usluga korisnika kako bi povukao podatke i poduzeo radnje.

Ponašanje praćenja također se mijenja u sastavu. U uzorku od 1000 parova s ​​više okreta, ukupna sklonost napredovanju zadatka gotovo je identična u svim proizvodima (52,7% naknadnih radnji Computera u odnosu na 52,9% za Search), ali ono što korisnici traže se mijenja: budući da Computer unaprijed vraća potpuniji isporučeni rezultat, njegovi korisnici zamjenjuju proširenja detaljnim razradama s pojašnjenjima (proširenja 14,2% u odnosu na 12,5%; razrade 22,0% u odnosu na 23,4%). Korisnici Computera također provode nešto više svojih naknadnih radnji pregledavajući i revidirajući izlazne podatke (24,6% u odnosu na 23,6%), dok je Search zastupljeniji s kratkim direktivama kao što su potvrde, ponovna pokretanja i zahtjevi za formatom (11,6% u odnosu na 9,9%) koje Computer integrira u svoje početno pokretanje. Drugim riječima, Search stvara kraće petlje sažetka i izvršavanja; Computer stvara dulje petlje pregleda i proširenja.

Ono što je najvažnije, kvaliteta nije pala s većom autonomijom. Kod usklađenih sesija s više okreta, značajno nezadovoljstvo sljedećim okretom iznosilo je 1,3% za Computer u odnosu na 2,9% za Search, što predstavlja smanjenje od 55%. Bilo kakvo nezadovoljstvo, uključujući blage signale, iznosilo je 10,8% za Computer u odnosu na 16,6% za Search.

Signali nezadovoljstva u sljedećem okretu u usklađenom uzorku s više okreta. Stupci možda ne zbrajaju točno 100% zbog zaokruživanja.

Dobici u učinkovitosti proizašli iz autonomije

Veća autonomija zamjenjuje ručni ljudski rad strojnim računalstvom, što povećava učinkovitost. Kako bismo kvantificirali ovaj učinak, uspoređujemo dvije postavke na istim usklađenim zadacima.

Search + čovjek: Search upravlja dohvaćanjem i sintezom; čovjek ručno izvršava.

Computer + čovjek: Computer obavlja tijek rada; čovjek definira opseg zadatka i pregledava ishod.

Ne možemo izravno promatrati koliko bi zadatak trajao čovjeku, pa vršimo triangulaciju s tri neovisne procjene:

Procjena temeljena na alatima: Klasificiramo pozive alata Computera u dvije kategorije: "Pretraživanje" (Search) i "Izvršavanje" (Do). Alati za pretraživanje odgovaraju koracima dohvaćanja i sinteze informacija kojima proizvod Search već upravlja. Alati za izvršavanje predstavljaju korake izvršavanja koje bi čovjek trebao izvesti ručno kada koristi samo Search. Zatim procjenjujemo vrijeme potrebno iskusnom čovjeku za obavljanje ovih radnji izvršavanja.

Procjena temeljena na LLM-u: Unosimo upite iz sesija Computera u LLM kako bismo procijenili vrijeme potrebno vještom profesionalcu koji prima odgovore iz Searcha, ali sve korake izvršavanja mora obaviti ručno.

Procjena koju su prijavili korisnici: Provodimo 25 polustrukturiranih intervjua s aktivnim korisnicima Computera u svim domenama i izdvajamo tijekove rada prije korištenja Computera i vrijeme koje bi ti tijekovi rada zahtijevali.

Klasifikacija alata korištena u procjeni temeljenoj na alatima. Alati za pretraživanje zrcale mogućnosti koje Search već pruža, tako da se ne naplaćuje ručno vrijeme. Alati za izvršavanje zahtijevaju da čovjek djeluje na rezultat istraživanja Searcha; procjene minuta po pozivu približno određuju vrijeme koje bi vješt profesionalac proveo obavljajući ekvivalentnu radnju ručno.

Prema procjeni temeljenoj na alatima, prosječan zadatak Search + čovjek traje 269 minuta, dok odgovarajući tijek rada Computer + čovjek traje 36 minuta. To je smanjenje vremena zadatka od 87%.

Kako bismo vrijeme zadatka pretvorili u trošak, koristimo prosječne satnice specifične za domenu iz podataka U.S. Bureau of Labor Statistics Occupational Employment and Wage Statistics (BLS OEWS) za svibanj 2025. (U.S. Bureau of Labor Statistics 2026). Kombinirajući trošak modela s troškom ljudskog rada specifičnim za domenu, Computer u prosjeku smanjuje procijenjeni trošak zadatka za 94%.

Procijenjeno vrijeme i trošak zadatka za Search + čovjek u odnosu na Computer + čovjek.
Procijenjeno vrijeme i trošak zadatka za Search + čovjek u odnosu na Computer + čovjek. Ljudski rad dominira osnovnom linijom Search + čovjek, dok Computer prebacuje velik dio posla na model i izvršavanje alata.
Postotak vremena i troškova uštedojenih od strane kombinacije Computer + čovjek u odnosu na Search + čovjek, s multiplikatorima u zagradama (npr. 94% (16x) znači da je Computer + čovjek 94% ili 16 puta jeftiniji). Trošak ljudskog rada koristi srednje satnice BLS OEWS-a za svibanj 2025.

Prednost u učinkovitosti pojavljuje se u svih 18 domena, uz uštedu vremena od 79–92% i uštedu troškova od 87–96%. Programiranje je najekstremniji slučaj: 596 minuta za Search + čovjek u odnosu na 48 minuta za Computer + čovjek — smanjenje vremena od 92% koje donosi smanjenje troškova od 96%. Poslovanje, tehnologija, obrazovanje i pisanje također pokazuju velike dobitke. Uštede vremena obično se prevode u veće uštede troškova u domenama s većim platnim razredima.

Koliko je ovaj rezultat robustan? Razmotrimo točku pokrića: da bi Search + čovjek izjednačio trošak s Computerom + čovjekom, profesionalac bi trebao dovršiti svaki ručni korak u 14–24 minute (medijan 18). Computer zadržava svoju prednost u svakoj domeni čak i pod konzervativnijim pretpostavkama: na primjer, prekomjernom procjenom od 8 puta u vremenu po alatu, ili potcjenjivanjem od 12 puta u vremenu nadzora Computera.

Procjena temeljena na LLM-u daje slične agregatne rezultate: smanjenje vremena od 84% i smanjenje troškova od 93% ukupno. Intervjui s korisnicima pokazuju mnogo širi raspon ishoda — od 5 do preko 300 puta ubrzanja — što vjerojatno odražava znatnu varijaciju u početnim stanjima korisnika prije Computera. Medijan ubrzanja među sudionicima je 25x, što odgovara smanjenju vremena od 96%.

Opseg zadatka se širi vodoravno i okomito

Brzina i trošak na usklađenim zadacima bilježe samo dio priče. Oblik rada također se može promijeniti. Kako Computer zamjenjuje ručno izvršavanje strojnim računalstvom, korisnici mogu preuzeti različite vrste posla — zadatke koji prelaze profesionalne granice i one koji zahtijevaju višu razinu stručnosti.

Prvo pitamo rade li korisnici izvan svog zaključenog primarnog klastera zanimanja češće s Computerom nego sa Searchom. Drugo, uspoređujemo upite za Computer i Search od istih korisnika koristeći pet klasifikacija na razini zadataka: Bloomovu revidiranu taksonomiju (Anderson i Krathwohl 2001), apstraktni u odnosu na rutinski rad u tradiciji sadržaja zadataka (Autor, Levy i Murnane 2003), širinu znanja O*NET-a (National Center for O*NET Development 2026), širinu radnih aktivnosti O*NET-a i nove zadatke koji nisu bili isprobani sa Searchom.

Vodoravni pomak vidljiv je u podacima. Preko uzorka od 8000 korisnika iz osam klastera zanimanja, koristeći sve njihove upite, korisnici Computera rade izvan svog primarnog zanimanja 59% vremena, u usporedbi s 50% za Search. Najveća povećanja pojavljuju se u menadžmentu i poduzetništvu, digitalnoj tehnologiji, umjetnosti i dizajnu te zdravstvu i ljudskim uslugama. Unakrsni upiti za pretraživanje po zanimanjima koncentrirani su u digitalnoj tehnologiji, dok Computer delegira posao koji prelazi u raznovrsnije domene u kojima bi korisnicima inače trebali stručnjaci.

Tijekovi zadataka između zanimanja u osam klastera zanimanja.
Tijekovi zadataka između zanimanja u osam klastera zanimanja. Zakrivljeni lukovi prikazuju najčešća odlazna odredišta svakog klastera, s širinom linije proporcionalnom udjelu odredišta i vrstom linije koja označava rang. Search koncentrira unakrsne tijekove zanimanja u digitalnu tehnologiju, dok Computer širi tijekove na marketing, menadžment, financijske usluge i druga izvršna odredišta.

Okomiti pomak je još veći. U uzorku od 5000 upita za Computer i 5000 upita za Search iz istog skupa korisnika s oba proizvoda, upiti za Computer kognitivno su složeniji od upita za Search. Prema Bloomovoj revidiranoj taksonomiji, 76% upita za Computer zahtijeva kogniciju višeg reda, u usporedbi s 55% za Search. Razlika je koncentrirana na vrhu: 50% upita za Computer jesu zadaci razine stvaranja, u usporedbi s 26% za Search. Search ima mnogo veću masu na činjeničnom traženju na razini pamćenja. Na dimenziji vrste zadatka apstraktno u odnosu na rutinsko, 71% upita za Computer uključuje apstraktnu, nerutinsku kogniciju u odnosu na 53% za Search.

Kognitivna složenost upita za Computer i Search.
Kognitivna složenost upita za Computer i Search. Computer se snažno pomiče prema radu na razini stvaranja i apstraktnom nerutinskom radu.

Zadaci Computera također se oslanjaju na više domena znanja. Prosječan zadatak Computera zahtijeva značajnu stručnost u 2,40 područja znanja O*NET-a, u usporedbi s 1,74 za Search, što je povećanje od 38%. Computer ima gotovo tri puta veću vjerojatnost nego Search da zahtijeva tri ili više domena znanja: 51% u odnosu na 17%.

Potrebne domene znanja po upitu.
Potrebne domene znanja po upitu. Sesije Computera koncentrirane su na dvije do tri domene i imaju mnogo veću vjerojatnost da će zahtijevati široku stručnost.

Na razini radnih aktivnosti vrijedi isti uzorak. Tipičan upit za Computer uključuje 2,95 generaliziranih radnih aktivnosti O*NET-a i 4,01 srednjih radnih aktivnosti u odnosu na 2,24 i 2,87 za Search, što predstavlja povećanje od 32% i 40%. Na detaljnijim razinama, Computer uključuje 59% više detaljnih radnih aktivnosti i 60% više izjava o zadacima specifičnim za zanimanje.

Širina radnih aktivnosti po upitu kroz razine ugniježđenja O*NET-a.
Širina radnih aktivnosti po upitu kroz razine ugniježđenja O*NET-a. Computer pomiče distribuciju udesno na srednjoj, detaljnoj i razini izjava o zadatku.

Najrječitija mjera jest skup zadataka koji se pojavljuju u Computeru, ali ne i u Searchu među istim korisnicima. Prema najstrožoj definiciji, gdje se izjava o zadatku pojavljuje u Computeru i nikada se ne pojavljuje u uparenom uzorku Searcha, 23% upita za Computer uključuje barem jednu izjavu o zadatku isključivo za Computer. Ublažavanje praga kako bi se omogućilo do pet pojavljivanja u Searchu podiže udio na 38%, a on se stabilizira blizu 41%. Te aktivnosti isključivo za Computer koncentrirane su u softveru i web-razvoju, izradi dokumentacije te vizualizaciji podataka ili grafici. Upravo je tu autonomno izvršavanje najvažnije: Search objašnjava; Computer proizvodi.

Udio upita za Computer koji uključuju barem jednu O*NET aktivnost isključivo za Computer pod različitim pragovima pojavljivanja.
Udio upita za Computer koji uključuju barem jednu O*NET aktivnost isključivo za Computer pod različitim pragovima pojavljivanja. Najjače odvajanje pojavljuje se na razini finih izjava o zadacima.

Rasprava

Većina dokaza o umjetnoj inteligenciji na radu usmjerena je na okruženje asistenta. Ta literatura pokazala je velike dobitke u produktivnosti u poboljšanju pisanja, korisničke podrške, kodiranja i savjetovanja (npr. Noy i Zhang 2023; Brynjolfsson, Li i Raymond 2025; Cui i sur. 2026; Dell'Acqua i sur. 2026).

Agenti mijenjaju ponašanje korisnika i naknadne ekonomske ishode. Proizvodne implementacije počinju otkrivati ​​upotrebu i utjecaj agenata u stvarnim uvjetima, ali su uglavnom usmjerene na specijalizirane agente za kodiranje i rane web-agente (npr. Sarkar 2026; McCain i sur. 2026; Demirer, Musolff i Yang 2026; Yang i sur. 2025). Nadopunjujemo ovaj rad i premošćujemo literaturu o asistentima i agentima uspoređujući interakciju korisnika s višenamjenskim orkestratorom agenata u odnosu na razgovornog asistenta, te proširujući analizu naknadnog utjecaja na širi raspon rada s znanjem.

Također prelazimo s izloženosti na ostvarenu rekompoziciju zadataka. Prethodni rad procjenjuje koja su zanimanja izložena umjetnoj inteligenciji koristeći opise zadataka i strukturu zanimanja (npr. Eloundou i sur. 2024; Felten, Raj i Seamans 2023), dok mjere temeljene na upotrebi pokazuju jaz između izloženosti i implementacije (Massenkoff i McCrory 2026). Dokumentiramo kako se sastav zadataka mijenja s pristupom agentima.

Napominjemo nekoliko upozorenja. Prvo, prozor promatranja je rani, a rani usvojitelji naginju prema izvornim korisnicima umjetne inteligencije. Korisnici također aktivno eksperimentiraju i prilagođavaju svoje tijekove rada unutar krajolika proizvoda koji se brzo mijenja, tako da se ovi obrasci mogu promijeniti tijekom vremena. Drugo, dizajn usklađenih upita temeljen na sesijama izostavlja mnoge zadatke Computera koji nemaju bliski ekvivalent u Searchu. Iako sesije pružaju prirodan način segmentiranja zadataka, korisnici ne slijede uvijek ovu strukturu u praksi, čineći sesije bučnom zamjenom za jedinice zadataka. Treće, procjene učinkovitosti kritično ovise o pretpostavkama o vremenu alata ekvivalentnog čovjeku i vremenu ljudskog nadzora. Iako procjene temeljene na LLM-u i intervjui s korisnicima upućuju u istom smjeru, a analize točke pokrića i osjetljivosti ukazuju na robusnost, točne veličine treba tumačiti kao približne. S tim u vezi, pogreška klasifikacije LLM-a uvodi dodatnu šum mjerenja. Konačno, ponašanje korisnika promatramo samo unutar ekosustava Perplexity i ne hvatamo aktivnost izvan njega, što može ograničiti naš pogled na cjelokupne radne aktivnosti korisnika i upotrebu alata.

Pogled unaprijed

Agenti čine postojeće zadatke bržima i jeftinijima — i, što je još važnije, čine izvedivima zadatke koji obuhvaćaju profesionalne granice i razine stručnosti.

Kada sustav može pretraživati, pregledavati, kodirati, uređivati datoteke, povezivati se s uslugama i stvarati isporučene rezultate, usko grlo korisnika se pomiče. Oni provode manje vremena upravljajući tijekom rada, a više specificirajući ciljeve, pružajući kontekst, provjeravajući izlazne podatke i tražeći proširenja. Korisnik prelazi iz operatera u supervizora.

Na individualnoj razini, ovaj pomak proširuje granicu zadataka, omogućujući korisnicima da preuzmu posao koji je i širi i dublji. Na razini organizacije i tržišta rada, ostaje otvoreno pitanje kako se ove promjene na mikro-razini agregiraju. Ako jedan pojedinac, opremljen agentima, može dovršiti tijekove rada koji su prethodno zahtijevali više uloga, tada dugoročni utjecaj agenata neće biti zabilježen samo mjernim podacima o brzini i troškovima. Umjesto toga, očitovat će se u načinu na koji se posao grupira, kako se definiraju uloge i kako su strukturirani timovi.

Kako biste saznali više o našoj metodologiji i nalazima, pročitajte cjelovito tehničko izvješće.

Reference

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

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

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