Hogyan alakítják át az MI-ügynökök a szellemi munkát

A fejlett MI-rendszerek szűkítik a szakadékot a modellintelligencia és a valós idejű hasznosság között. Az új modellek, számítási architektúrák és vezénylési minták lehetővé teszik e rendszerek számára olyan feladatok elvégzését, amelyeket néhány hónapja még lehetetlennek tartottak.

Ez a gyors innováció áldásnak bizonyult az MI-felhasználók számára, mivel növeli hatékonyságukat és cselekvési szabadságukat. Ugyanakkor szakadékot is teremtett a technológiai határvonal és annak pontos megértése között, hogy a szellemi munka hogyan fejlődik ennek hatására. Hogyan változtatja meg a fejlett MI a szellemi munka természetét a különböző szakmákban? Milyen strukturális és gazdasági átalakulásokra számíthatunk ezen a területen?

Ezt a hiányosságot a Perplexity használatának alapos empirikus elemzésével kívánjuk megszüntetni. A Harvard Business School kutatóival együttműködésben most közzétesszük az első átfogó tanulmányunkat a Perplexity Computer valós környezetben történő bevezetéséről. Eredményeink azt mutatják, hogy a Computer alacsonyabb költségek mellett növeli a felhasználók által elvégezhető feladatok körét és mélységét is. A Computer-felhasználók többet érnek el, magasabb absztrakciós szinten dolgoznak, és átlépik a diszciplináris határokat, hogy értéket teremtsenek saját szakterületükön kívül is.

Ez a cikk a tanulmányunk legfontosabb megállapításait mutatja be. A részletes módszertan és az eredmények elérhetők a technikai jelentésünkben.

Az első mainstream generatív MI-rendszerek olyan társalgási asszisztensek voltak, amelyek párbeszédet folytatnak a felhasználókkal. Ezek az asszisztensek a szándék és a cselekvés közé ékelődnek be. Kérdésekre válaszolnak, elmagyarázzák a kompromisszumokat, és javaslatot tesznek a következő lépésekre. A felhasználónak ezután át kell ültetnie a választ munkává: meg kell nyitnia a megfelelő eszközöket, össze kell gyűjtenie a fájlokat, szerkesztenie kell a dokumentumokat, ellenőriznie kell a köztes eredményeket, és el kell döntenie, mi legyen a következő lépés.

Az ügynökök megváltoztatják ezt a munkamegosztást. A felhasználó megjelöl egy eredményt, a rendszer pedig eszközökön átívelően megtervezi a folyamatot, végrehajtja a köztes lépéseket, szükség esetén hiányzó adatokat kér be, és egy kész eredménnyel szolgál. Az ügynökök az MI használatát az információkereséstől és -szintézistől elmozdítják a feladatok autonóm megtervezése és elvégzése felé.

Ez a fejlődési ív határozza meg a Perplexity saját termékeinek fejlődését is. 2022-ben elindítottuk a Search-öt, amely az ellenőrizhető hivatkozásokon alapuló, milliárdnyi dokumentumot átölelő válaszadási lehetőséggel definiálta a válaszadó motorok kategóriáját. 2025-ben bemutattuk a Comet böngészőt egy beágyazott webalgenssel, amely a nyílt weben a felhasználók mellett érvel és cselekszik. 2026-ban pedig elindítottuk a Computer-t, egy általános célú ügynökvezénylőt, amely autonóm módon dolgozik a felhasználó által meghatározott célok elérésén összetett környezetekben és hosszabb időtávokon keresztül.

Hogyan változtatja meg ez az átmenet a munkavégzésünket? Ezt a kérdést a Search és a Computer termékeink adatait felhasználva vizsgáljuk, három dimenzióra fókuszálva:

Autonómia: mennyi autonóm munkát végez el a Computer a Search-ökhöz képest ugyanazon a feladaton?

Hatékonyság: mennyi időt és munkaerőköltséget takarít meg a Computer a Search-höz képest ugyanazon a feladaton?

Hatáskör: hogyan változtatja meg a Computer a felhasználók által megkísérelt munka jellegét?

Azt tapasztaljuk, hogy az olyan ügynökök, mint a Computer, több előzetes felhasználói erőfeszítést igényelnek (mivel a felhasználóknak meg kell határozniuk a delegálandó célokat, és át kell tekinteniük az eredményeket), de sokkal kevesebb emberi erőfeszítést igényelnek egységnyi munkára vetítve (a nagyobb fokú autonóm végrehajtás miatt). Ez különösen hatékonysá teszi őket a hosszú, többlépcsős munkafolyamatokban. Az eredmény a mélyebb és olcsóbb munka. A Computer a felhasználói erőfeszítést a kézi végrehajtástól a felügyelet felé tereli, kiterjesztve a felhasználók által elvégezhető feladatok körét saját szakterületükön belül és kívül egyaránt.

A Computer 2026. február 25-én indult, és az első három hónapban gyorsan növekedett.

A kumulatív Computer-lekérdezések száma május 27-re elérte az első heti összesítés 84-szeresét. Viszonyítási alapként a Computer-felhasználók körében a kumulatív Search-használat az első heti összesítés 14-szeresét érte el, ami magasabb, mint a nem Computer-felhasználók 12-szeres növekedése.

Még miután a Computer- és a nem Computer-felhasználókat párosítottuk előfizetési szint, elsődleges Search-téma és korábbi Search-intenzitás alapján, egy különbségek a különbségben (difference-in-differences) összehasonlítás azt mutatja, hogy a Computer bevezetése növeli a Search-használatot: a Computer-felhasználók naponta 1,05-tel több Search-lekérdezést indítanak, mint a hasonló nem Computer-felhasználók.

A kumulatív növekedés az egyes sorozatok első hetéhez igazítva. A Computer-lekérdezések volumene elérte az első heti kumulatív összesítés 84-szeresét a február 27. és május 27. közötti időszakban.

A 100 000 Computer-lekérdezést tartalmazó véletlenszerű mintában a kutatás és elemzés volt a legnagyobb feladatkategória 25,8%-kal, amelyet a dokumentum- és vagyonteremtés követett 18,6%-kal. A megfigyelt feladatmegoszlás a generatív munka felé hajlik: dokumentumok, táblázatok, kódbázisok, webhelyek és munkafolyamatok, amelyek több eszközön átívelő munkát igényelnek.

A szakterületeket tekintve a használat széles körben oszlott meg a szoftverfejlesztés és IT, a pénzügy és befektetés, a marketing és értékesítés, az üzleti műveletek, az egészségügy, az oktatás, a jog és a média között.

Computer-felhasználási esetek a feladatkategóriák és szakterületek mentén. A kutatás, az elemzés, a dokumentumkészítés, a szoftverek, a pénzügyek, az üzleti műveletek és a személyes munkafolyamatok egyaránt kiemelt szerepet kapnak.

Az autonómia legközvetlenebb jele az, hogy a rendszer mennyi ideig fut emberi beavatkozás nélkül a felhasználói kérés benyújtása után. A Search általában másodpercek alatt visszaadja a választ. A Computer gyakran percekig vagy akár órákig is dolgozik: keres, böngész, ír, szerkeszt, kódot futtat és ellenőrzi a köztes eredményeket.

Majdnem azonos kezdeti lekérdezésekkel rendelkező Search- és Computer-munkameneteket használunk proxyként ugyanazon feladathoz, amellyel mindkét termékben megpróbálkoztak. 10 000 párosított eset alapján a Computer munkamenetenként átlagosan 26 perc gépi végrehajtást végez, szemben a Search 33 másodpercével. Ez a gépi munka 48-szoros növekedése lényegében ugyanazon feladatok esetében. Medián értéken a különbség 9 perc kontra 14 másodperc, vagyis 40-szeres. A szakterületek szerinti megoszlás ugyanezt a mintát mutatja: a Computer mind a 18 szakterületen megközelítőleg 26–75-ször több gépi munkát végez.

Munkamenetenkénti gépi végrehajtási idő a párosított Computer- és Search-munkamenetekben. A Search a rövid válaszidők közelében koncentrálódik; a Computer szélesebb eloszlással rendelkezik, amely a hosszú ideig tartó autonóm végrehajtás köré összpontosul. A Computer átlagos végrehajtási ideje (26 perc) sokkal magasabb, mint a medián (9 perc), ami összetett, hosszú távú kérések hosszú farkú eloszlását jelzi.

Átlagos gépi végrehajtási idő szakterület szerint. A Computer munkamenetenként sokkal több munkát végez, mivel minden felhasználói interakció utólagos végrehajtást vált ki ahelyett, hogy csak egy párbeszédes válasz születne.

A hosszabb ideig tartó autonómia nem eredményezett nagyobb arányú megszakítást. A felhasználói leállási események hasonlóak voltak a termékek között: a Computer-munkamenetek 3,7%-a és a Search-munkamenetek 3,4%-a tartalmazott legalább egy felhasználói leállási eseményt. A Computer gyakrabban állt meg felhasználói bevitelért: a Computer-lekérdezések 13%-a hívott meg legalább egy felhasználói szüneteltetési eszközt, szemben a Search 0,3%-ával, általában jóváhagyás kérése vagy tisztázó kérdések feltétele céljából. Ez a várt minta egy ügynök esetében: a idő nagy részében autonóm módon tud haladni, de ellenőrzőpontokra van szüksége az engedélykéréshez és a felhasználói szándék megerősítéséhez.

A Computer ráadásul sokkal több külső eszközhívást – a Model Context Protocolon (MCP) vagy az Application Programming Interface (API) végpontokon keresztül – fűz össze egyetlen munkamenetbe olyan munkát végezve, amelyet egy Search-felhasználó különálló alkalmazásokon keresztül kézzel végezne el. A Computer-munkamenetek 7,9%-a indít legalább egy csatlakozóhívást a Search-munkamenetek 1,8%-ával szemben (4-szeres különbség), és a Computer átlagosan 1,19 csatlakozóhívást indít munkamenetenként a Search 0,10-ével szemben (12-szeres arány). Más szóval a Computer nemcsak tovább fut; a felhasználó összekapcsolt szolgáltatásainak szélesebb körét éri el az adatok lekérése és a műveletek végrehajtása érdekében.

A követési viselkedés összetétele is megváltozik. Egy 1 000 párbeszédet tartalmazó, többfordulós mintában a feladat előmozdítására irányuló általános hajlandóság szinte azonos a termékek között (a Computer-követések 52,7%-a a Search 52,9%-ával szemben), de az elvárások megváltoznak: mivel a Computer a kezdetektől fogva teljesebb eredményt nyújt, felhasználói a kiegészítéseket részesítik előnyben a tisztázó mélyfúrásokkal szemben (kiegészítések 14,2% kontra 12,5%; mélyfúrások 22,0% kontra 23,4%). A Computer-felhasználók a követési idejük sedikit nagyobb részét fordítják a kimenet áttekintésére és felülvizsgálatára is (24,6% kontra 23,6%), míg a Search esetében nagyobb súllyal szerepelnek a rövid utasítások, például a megerősítések, az újbóli próbálkozások és a formátumra vonatkozó kérések (11,6% kontra 9,9%), amelyeket a Computer beépít a kezdeti futtatásába. Más szóval a Search rövidebb emésztési és végrehajtási hurkokat hoz létre; a Computer hosszabb áttekintési és kiterjesztési hurkokat.

A legfontosabb, hogy a minőség nem csökkent a nagyobb autonómiával. A párosított, többfordulós munkamenetekben a következő fordulóra vonatkozó jelentős elégedetlenség 1,3% volt a Computer, és 2,9% a Search esetében, ami 55%-os csökkenést jelent. Bármilyen elégedetlenség, beleértve a enyhe jeleket is, 10,8% volt a Computer és 16,6% a Search esetében.

A következő fordulóra vonatkozó elégedetlenségi jelek a párosított, többfordulós mintában. Az oszlopok a kerekítés miatt nem feltétlenül adnak ki pontosan 100%-ot.

A magasabb autonómia a kézi emberi munkát gépi számításra cseréli, ami növeli a hatékonyságot. E hatás számszerűsítéséhez két beállítást hasonlítunk össze ugyanazon párosított feladatokon.

Search + Ember: a Search kezeli a lekérést és a szintézist; az ember kézzel hajtja végre a feladatot.

Computer + Ember: a Computer elvégzi a munkafolyamatot; az ember meghatározza a feladat kereteit és áttekinti a kimenetet.

Nem tudjuk közvetlenül megfigyelni, hogy mennyi ideig tartana egy embernek egy feladat, ezért három független becsléssel triangulálunk:

Ezközalapú becslés: a Computer eszközhívásait két kategóriába soroljuk: „Keresés” („Search”) és „Végrehajtás” („Do”). A Keresési eszközök olyan információs visszakeresési és szintézis lépéseknek felelnek meg, amelyeket a Search termék már kezel. A Végrehajtási eszközök olyan végrehajtási lépéseket jelentenek, amelyeket egy embernek kézzel kellene elvégeznie a Search önálló használatakor. Ezután megbecsüljük a tapasztalt szakember számára ezen Végrehajtási műveletek elvégzéséhez szükséges időt.

LLM-alapú becslés: a Computer-munkamenetek lekérdezéseit betápláljuk egy LLM-be, hogy megbecsüljük a szükséges időt egy szakképzett szakember számára, aki választ kap a Search-től, de minden végrehajtási lépést kézzel kell elvégeznie.

Felhasználók által jelentett becslés: 25 félig strukturált interjút készítünk aktív Computer-felhasználókkal a különböző szakterületekről, és feltérképezzük a Computer előtti munkafolyamatokat, valamint az ezekhez szükséges időt.

Az eszközalapú becslésben használt eszközosztályozás. A „Keresés” eszközök tükrözik a Search által már biztosított képességeket, így nem számítunk fel kézi időt. A „Végrehajtás” eszközök megkövetelik, hogy az ember cselekedjen a Search kutatási kimenete alapján; a hívásonkénti percalapú becslések megközelítik azt az időt, amelyet egy szakképzett szakember a megfelelő művelet kézi elvégzésével töltene.

Az eszközalapú becslés alapján egy átlagos Search + Ember feladat 269 percet vesz igénybe, míg a megfelelő Computer + Ember munkafolyamat 36 percet. Ez a feladatidő 87%-os csökkenése.

Annak érdekében, hogy a feladatok idejét költséggé alakítsuk át, az U.S. Bureau of Labor Statistics Occupational Employment and Wage Statistics (BLS OEWS) 2025. májusi adatai szerinti szakterület-specifikus átlagos órabéreket használjuk (U.S. Bureau of Labor Statistics 2026). A modellköltséget és a szakterület-specifikus emberi munkaerőköltséget kombinálva a Computer átlagosan 94%-kal csökkenti a becsült feladatköltséget.

Becsült feladatidő és -költség a Search + Ember versus Computer + Ember összehasonlításban. Az emberi munkaerő dominálja a Search + Ember alapegységet, míg a Computer a munka nagy részét a modell és az eszköz végrehajtására tereli.

A Computer + Ember által a Search + Emberhez képest megtakarított idő és költség százalékos aránya, a szorzók zárójelben (pl. 94% (16×) azt jelenti, hogy a Computer + Ember 94%-kal vagy 16-szor olcsóbb). Az emberi munkaerő költsége a BLS OEWS 2025. májusi átlagos órabéreit használja.

A hatékonysági előny mind a 18 szakterületen megmutatkozik, 79–92%-os időmegtakarítással és 87–96%-os költségmegtakarítással. A programozás a legszélsőségesebb eset: 596 perc a Search + Ember esetében szemben a Computer + Ember 48 percével – ez 92%-os időcsökkenés, ami 96%-os költségcsökkenést eredményez. Az üzleti élet, a technológia, az oktatás és az írás szintén jelentős növekedést mutat. Az időmegtakarítás a magasabb bérezésű szakterületeken nagyobb költségmegtakarítássá alakul át.

Mennyire robusztus ez az eredmény? Vegyünk egy fedezeti pontot: ahhoz, hogy a Search + Ember beérje a Computer + Ember költségét, egy szakembernek minden egyes kézi lépést 14–24 perc alatt kellene befejeznie (medián 18). A Computer minden szakterületen megőrzi előnyét még konzervatívabb feltételezések mellett is: például az eszközenkénti idő 8-szoros túlbecslése vagy a Computer felügyeleti idejének 12-szeres alulbecslése esetén.

Az LLM-alapú becslés hasonló összesített eredményeket ad: összességében 84%-os időcsökkenést és 93%-os költségcsökkenést. A felhasználói interjúk az eredmények sokkal szélesebb skáláját mutatják – az 5-szöröstől a több mint 300-szoros sebességnövekedésig –, ami valószínűleg a felhasználók Computer előtti alapértékeinek jelentős eltérését tükrözi. A résztvevők körében a medián sebességnövekedés 25-szörös, ami 96%-os időcsökkenésnek felel meg.

A párosított feladatok sebessége és költsége csak a történet egy részét ragadja meg. A munka formája is megváltozhat. Mivel a Computer a kézi végrehajtást gépi számítással váltja fel, a felhasználók eltérő jellegű munkákat vállalhatnak fel – olyan feladatokat, amelyek átlépik a foglalkozási határokat, valamint olyanokat, amelyek magasabb szintű szakértelmet igényelnek.

Először is azt kérdezzük, hogy a felhasználók gyakrabban dolgoznak-e a feltételezett elsődleges foglalkozási csoportjukon kívül a Computerrel, mint a Search-hel. Másodszor, összehasonlítjuk ugyanazon felhasználók Computer- és Search-lekérdezéseit öt feladatszintű besorolás alapján: Bloom átdolgozott taxonómiája (Anderson és Krathwohl 2001), absztrakt versus rutinmunka a munkatartalmi hagyományban (Autor, Levy és Murnane 2003), O*NET Ismeretek szélessége (National Center for O*NET Development 2026), O*NET munkatevékenységi szélesség, valamint új feladatok, amelyekkel a Search esetében nem próbálkoztak.

A vízszintes eltolódás szembetűnő az adatokban. Nyolc foglalkozási csoportból származó 8 000 felhasználó mintáján, az összes lekérdezésüket felhasználva, a Computer-felhasználók az esetek 59%-ában az elsődleges foglalkozásukon kívül dolgoznak, szemben a Search 50%-ával. A legnagyobb növekedés a Menedzsment és Vállalkozás, a Digitális Technológia, a Művészet és Design, valamint az Egészségügy és Humán Szolgáltatások területén figyelhető meg. A foglalkozások átívelő Search-lekérdezések a Digitális Technológiára koncentrálódnak, míg a Computer-lekérdezések olyan változatosabb területekre delegálnak munkát, ahol a felhasználóknak különben szakemberekre lenne szükségük.

Foglalkozásokon átívelő feladatáramlások a nyolc foglalkozási csoportban. Az ívelt vonalak az egyes csoportok legfontosabb kimenő célállomásait mutatják, a vonalvastagság a célállomás részesedésével arányos, a vonaltípus pedig a rangot jelzi. A Search a foglalkozásokon átívelő áramlásokat a Digitális Technológiára összpontosítja, míg a Computer a marketingre, a menedzsmentre, a pénzügyi szolgáltatásokra és más végrehajtási célállomásokra terjeszti ki az áramlásokat.

A függőleges eltolódás még nagyobb. Ugyanazon kettős termékhasználói körből származó 5 000 Computer- és 5 000 Search-lekérdezés mintájában a Computer-lekérdezések kognitív szempontból összetettebbek, mint a Search-lekérdezések. Bloom átdolgozott taxonómiája szerint a Computer-lekérdezések 76%-a igényel magasabb rendű kogníciót, szemben a Search 55%-ával. A különbség a csúcson koncentrálódik: a Computer-lekérdezések 50%-a Létrehozás (Create) szintű feladat, szemben a Search 26%-ával. A Search sokkal nagyobb tömeget mutat az Emlékezés (Remember) szintű ténykeresésben. Az absztrakt versus rutin feladattípus dimenziójában a Computer-lekérdezések 71%-a foglal magában absztrakt, nem rutinszerű kogníciót a Search 53%-ával szemben.

A Computer- és Search-lekérdezések kognitív összetettsége. A Computer határozottan eltolódik a Létrehozás (Create) szintű és az absztrakt, nem rutinszerű munka felé.

A Computer-feladatok több szaktudományi területet is igénybe vesznek. Egy átlagos Computer-feladat 2,40 O*NET Ismereti területen igényel érdemi szakértelmet a Search 1,74-es értékéhez képest, ami 38%-os növekedés. A Computer csaknem háromszor olyan valószínűséggel igényel három vagy több ismereti területet, mint a Search: 51% a 17%-hoz képest.

Szükséges ismereti területek lekérdezésenként. A Computer-munkamenetek kettő-három területre koncentrálódnak, és sokkal nagyobb valószínűséggel igényelnek széles körű szakértelmet.

A munkatevékenység szintjén ugyanez a minta figyelhető meg. Egy tipikus Computer-lekérdezés 2,95 O*NET általános munkatevékenységet és 4,01 köztes munkatevékenységet foglal magában a Search 2,24-es és 2,87-es értékével szemben, ami 32%-os, illetve 40%-os növekedést jelent. Finomabb szinteken a Computer 59%-kal több részletes munkatevékenységet és 60%-kal több foglalkozásspecifikus feladatnyilatkozatot von be.

Feladattevékenységi szélesség lekérdezésenként az O*NET beágyazási szinteken át. A Computer jobbra tolja az eloszlást a köztes, a részletes és a feladatnyilatkozati szinteken.

A legszemléletesebb mérőszám azon feladatok halmaza, amelyek ugyanazon felhasználók körében megjelennek a Computerben, de a Searchben nem. A legszigorúbb definíció szerint, amikor egy feladatnyilatkozat megjelenik a Computerben, és soha nem jelenik meg a párosított Search-mintában, a Computer-lekérdezések 23%-a foglal magában legalább egy kizárólag Computerrel végezhető feladatnyilatkozatot. A küszöbértéket legfeljebb öt Search-előfordulás engedélyezésére lazítva az arány 38%-ra emelkedik, és 41% közelében tetőzik. Ezek a kizárólag Computerrel végezhető tevékenységek a szoftver- és webfejlesztésre, a dokumentációkészítésre, valamint az adatábrázolásra vagy grafikára koncentrálódnak. Pontosan ez az a terület, ahol az autonóm végrehajtás a legfontosabb: a Search elmagyaráz; a Computer előállít.

Azon Computer-lekérdezések aránya, amelyek legalább egy kizárólag Computerrel végezhető O*NET-tevékenységet foglalnak magukban a különböző előfordulási küszöbök mellett. A leghatározottabb különbség a finomhangolt feladatnyilatkozati szinten mutatkozik meg.

A munkahelyi MI-vel kapcsolatos bizonyítékok nagy része az asszisztens beállításra fókuszál. Ez az irodalom jelentős termelékenységnövekedést mutatott ki az írás, az ügyfélszolgálat, a kódolás és a tanácsadás területén (pl. Noy és Zhang 2023; Brynjolfsson, Li és Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

Az ügynökök megváltoztatják a felhasználói viselkedést és a lefelé mutató gazdasági eredményeket. A termelési bevezetések kezdik feltárni az ügynökök használatát és hatását valós környezetben, de túlnyomórészt a speciális kódolási ügynökökre és a korai böngészőügynökökre fókuszálnak (pl. Sarkar 2026; McCain et al. 2026; Demirer, Musolff és Yang 2026; Yang et al. 2025). Ezt a munkát kiegészítve, valamint az asszisztensekre és az ügynökökre vonatkozó irodalmat összekapcsolva összehasonlítjuk a felhasználói interakciót egy általános célú ügynökvezénylő és egy társalgási asszisztens viszonylatában, és kiterjesztjük a lefelé mutató hatás elemzését a szellemi munka szélesebb körére.

Emellett áttérünk a kitettségtől a megvalósult feladat-újraösszetételhez. Korábbi munkák feladatleírások és foglalkozási struktúrák felhasználásával becsülik meg, hogy mely foglalkozások vannak kitéve az MI-nek (pl. Eloundou et al. 2024; Felten, Raj és Seamans 2023), míg a használaton alapuló mérőszámok a kitettség és a bevezetés közötti szakadékot mutatják be (Massenkoff és McCrory 2026). Dokumentáljuk, hogy a feladatok összetétele hogyan tolódik el az ügynökök elérésével.

Több óvintézkedést is meg kell jegyeznünk. Először is, a megfigyelési ablak korai, és a korai örökbefogadók az MI-ben jártas felhasználók felé hajlanak. A felhasználók aktívan kísérleteznek és igazítják is munkafolyamataikat egy gyorsan fejlődő termékkörnyezetben, így ezek a minták idővel változhatnak. Másodszor, a munkamenet-alapú, párosított lekérdezéses kialakítás figyelmen kívül hagy számos olyan Computer-feladatot, amelynek nincs szoros Search-beli megfelelője. Bár a munkamenetek természetes módot biztosítanak a feladatok szegmentálására, a felhasználók a gyakorlatban nem mindig követik ezt a struktúrát, ami a munkameneteket a feladategységek zajos proxyjává teszi. Harmadszor, a hatékonysági becslések kritikus módon függnek az emberi megfelelő eszközidőre és a felügyeleti időre vonatkozó feltételezésektől. Bár az LLM-alapú becslések és a felhasználói interjúk ugyanabba az irányba mutatnak, a fedezeti és érzékenységi elemzések pedig robusztusságot jeleznek, a pontos nagyságrendeket megközelítő jellegűnek kell tekinteni. Hasonlóképpen, az LLM-osztályozási hiba további mérési zajt okoz. Végül, a felhasználói viselkedést csak a Perplexity ökoszisztémáján belül figyeljük meg, és nem rögzítjük az ezen kívüli tevékenységeket, ami korlátozhatja a rálátásunkat a felhasználók teljes körű munkatevékenységeire és eszközhasználatára.

Az ügynökök gyorsabbá és olcsóbbá teszik a meglévő feladatokat – és ami még fontosabb, életképessé teszik a foglalkozási határokat és szakértelmi szinteket átívelő feladatokat.

Amikor egy rendszer képes keresni, böngészni, kódolni, fájlokat szerkeszteni, szolgáltatásokhoz csatlakozni és kézbesíthető eredményeket előállítani, a felhasználó szűk keresztmetszete áthelyeződik. Kevesebb időt töltenek a munkafolyamat működtetésével, és több időt fordítanak a célok meghatározására, a kontextus biztosítására, a kimenetek ellenőrzésére és a kiegészítések kérésére. A felhasználó operatőrből felügyelővé válik.

Egyéni szinten ez az eltolódás kiterjeszti a feladatok határait, lehetővé téve a felhasználók számára olyan munkák vállalását, amelyek egyszerre szélesebbek és mélyebbek. Szervezeti és munkaerőpiaci szinten nyitott kérdés marad, hogy ezek a mikroszintű változások hogyan adódnak össze. Ha egyetlen, ügynökökkel felszerelt egyén képes olyan munkafolyamatokat elvégezni, amelyek korábban több szerepkört igényeltek, akkor az ügynökök hosszú távú hatását nem lehet kizárólag a sebesség- és költségmutatókkal mérni. Ehelyett abban fog megnyilvánulni, hogy a munkát hogyan csomagolják össze, a szerepköröket hogyan határozzák meg, és a csapatokat hogyan strukturálják.

Ha többet szeretne megtudni a módszertanunkról és az eredményeinkről, olvassa el a teljes technikai jelentést.

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.

Bevezetés

A Computer bevezetése és felhasználási esetei

Nagyobb autonómia és minőség

Az autonómiából fakadó hatékonyságnövekedés

A feladatok köre vízszintes és függőleges irányban is kiterjed

Megbeszélés

A jövőbe tekintve

Hivatkozások