Bagaimana Agen AI Membentuk Ulang Pekerjaan Pengetahuan

Sistem AI terdepan semakin memperkecil kesenjangan antara kecerdasan model dan utilitas di dunia nyata. Model baru, arsitektur komputasi, dan pola orkestrasi memungkinkan sistem ini untuk menyelesaikan tugas-tugas yang dianggap mustahil hanya beberapa bulan lalu.

Inovasi pesat ini terbukti menjadi berkah bagi para pengguna AI karena memperbesar daya ungkit dan agensi mereka. Namun, hal ini juga menciptakan jeda antara batasan teknologi dan pemahaman kita tentang bagaimana tepatnya pekerjaan pengetahuan berkembang sebagai responsnya. Bagaimana AI terdepan mengubah sifat pekerjaan pengetahuan di berbagai profesi? Transformasi struktural dan ekonomi apa saja yang dapat kita harapkan dalam pekerjaan ini?

Kami berupaya menutup kesenjangan ini melalui analisis empiris yang cermat terhadap penggunaan Perplexity. Hari ini, bekerja sama dengan para peneliti Harvard Business School, kami membagikan studi komprehensif pertama kami mengenai penerapan Perplexity Computer di dunia nyata. Temuan kami menunjukkan bahwa Computer memperluas luas dan kedalaman dari apa yang dapat diselesaikan oleh pengguna, dengan biaya yang lebih rendah. Para pengguna Computer dapat menyelesaikan lebih banyak hal, bekerja pada tingkat abstraksi yang lebih tinggi, dan melintasi batas-batas disiplin ilmu untuk membuka nilai di luar profesi mereka sendiri.

Artikel ini menyajikan sorotan dari studi kami. Metodologi dan temuan terperinci tersedia dalam laporan teknis kami.

Sistem AI generatif arus utama yang pertama adalah asisten percakapan yang melakukan dialog dengan pengguna. Asisten ini berada di antara niat dan tindakan. Mereka menjawab pertanyaan, menjelaskan pertukaran, dan menyarankan langkah selanjutnya. Pengguna kemudian harus menerjemahkan jawaban tersebut menjadi pekerjaan: membuka alat yang tepat, mengumpulkan file, mengedit dokumen, memeriksa hasil menengah, dan memutuskan apa yang harus dilakukan selanjutnya.

Agen mengubah pembagian kerja tersebut. Pengguna menentukan hasil yang diinginkan, dan sistem merencanakan lintas perangkat, mengeksekusi langkah-langkah menengah, meminta masukan yang hilang bila diperlukan, dan mengembalikan hasil akhir yang sudah jadi. Agen mengalihkan penggunaan AI dari mencari dan mensintesis informasi menjadi merencanakan dan melaksanakan tugas secara mandiri.

Busur ini menghidupkan perkembangan produk Perplexity sendiri. Pada tahun 2022, kami meluncurkan Search, yang mendefinisikan kategori mesin pencari jawaban dengan memberdayakan pengguna untuk mengajukan pertanyaan dan menerima jawaban yang didukung oleh kutipan yang dapat diverifikasi di miliaran dokumen. Pada tahun 2025, kami memperkenalkan browser Comet, dengan agen web tersemat yang bernalar dan bertindak bersama pengguna di web terbuka. Dan pada tahun 2026, kami meluncurkan Computer, seorang orator agen serbaguna yang bekerja secara mandiri menuju tujuan yang ditentukan pengguna di seluruh lingkungan yang kompleks dan rentang waktu yang panjang.

Bagaimana transisi ini mengubah cara kita bekerja? Kami mengeksplorasi pertanyaan ini menggunakan data dari produk Search dan Computer kami, dengan fokus pada tiga dimensi:

Otonomi: berapa banyak pekerjaan otonom yang dilakukan oleh Computer dibandingkan dengan Search pada tugas yang sama?

Efisiensi: berapa banyak waktu dan biaya tenaga kerja yang dihemat oleh Computer relatif terhadap Search pada tugas yang sama?

Cakupan: bagaimana Computer mengubah jenis pekerjaan yang dicoba oleh pengguna?

Kami menemukan bahwa agen seperti Computer memerlukan lebih banyak upaya di awal dari pengguna (karena pengguna harus menentukan tujuan yang akan didelegasikan dan meninjau hasilnya) tetapi jauh lebih sedikit upaya manusia per unit pekerjaan (karena eksekusi yang lebih otonom). Hal tersebut membuat mereka sangat efektif pada alur kerja yang panjang dan multi-langkah. Hasilnya adalah pekerjaan yang lebih mendalam sekaligus lebih murah. Computer mengalihkan upaya pengguna dari eksekusi manual ke pengawasan, memperluas rentang apa yang dapat diselesaikan oleh pengguna baik di dalam maupun di luar bidang keahlian mereka sendiri.

Computer diluncurkan pada 25 Februari 2026, dan berkembang pesat dalam tiga bulan pertama.

Kueri kumulatif Computer mencapai 84 kali lipat dari total minggu pertama pada 27 Mei. Sebagai garis dasar, penggunaan kumulatif Search di antara pengguna Computer mencapai 14 kali lipat dari total minggu pertama, lebih tinggi daripada pertumbuhan 12 kali lipat untuk pengguna non-Computer.

Bahkan setelah mencocokkan pengguna Computer dan non-Computer berdasarkan tingkat langganan, topik Search utama, dan intensitas Search sebelumnya, perbandingan perbedaan-dalam-perbedaan menunjukkan bahwa mengadopsi Computer meningkatkan penggunaan Search: pengguna Computer membuat 1,05 kueri Search lebih banyak per hari daripada pengguna non-Computer yang serupa.

Pertumbuhan kumulatif diindeks ke minggu pertama setiap rangkaian. Volume kueri Computer mencapai 84 kali lipat dari total kumulatif minggu pertama selama jendela 27 Februari–27 Mei.

Dalam sampel acak 100.000 kueri Computer, Riset dan Analisis adalah kategori tugas terbesar sebesar 25,8%, diikuti oleh Pembuatan Dokumen dan Aset sebesar 18,6%. Campuran tugas yang diamati condong ke arah pekerjaan generatif: dokumen, spreadsheet, basis kode, situs web, dan alur kerja yang memerlukan pekerjaan di beberapa perangkat.

Beralih ke domain, penggunaannya didistribusikan secara luas di bidang Perangkat Lunak dan IT, Keuangan dan Investasi, Pemasaran dan Penjualan, Operasi Bisnis, Perawatan Kesehatan, Pendidikan, Hukum, dan Media.

Kasus penggunaan Computer di berbagai kategori tugas dan domain subjek. Riset, analisis, pembuatan dokumen, perangkat lunak, keuangan, operasi bisnis, dan alur kerja pribadi semuanya muncul secara menonjol.

Sinyal otonomi yang paling langsung adalah berapa lama sistem berjalan tanpa intervensi manusia setelah pengguna mengirimkan permintaan. Search biasanya mengembalikan respons dalam hitungan detik. Computer sering kali terus bekerja selama bermenit-menit atau bahkan berjam-jam: mencari, menjelajah, menulis, mengedit, menjalankan kode, dan memeriksa hasil antara.

Kami menggunakan sesi Search dan Computer dengan kueri awal yang hampir identik sebagai proksi untuk tugas yang sama yang dicoba dengan kedua produk tersebut. Di antara 10.000 pasangan yang cocok, Computer melakukan eksekusi mesin selama 26 menit per sesi rata-rata, dibandingkan dengan 33 detik untuk Search. Itu adalah peningkatan 48 kali lipat dalam pekerjaan mesin pada tugas yang pada dasarnya sama. Pada mediannya, kesenjangannya adalah 9 menit versus 14 detik, atau 40 kali lipat. Pembagian domain menunjukkan pola yang sama: Computer melakukan pekerjaan mesin kira-kira 26–75 kali lipat lebih banyak di semua 18 domain.

Waktu eksekusi mesin per sesi untuk sesi Computer dan Search yang cocok. Search terkonsentrasi di dekat waktu respons yang singkat; Computer memiliki distribusi yang lebih luas yang berpusat di sekitar eksekusi otonom jangka panjang. Waktu eksekusi rata-rata Computer (26 menit) jauh lebih tinggi daripada mediannya (9 menit), yang menunjukkan ekor panjang permintaan yang kompleks dan berjangka panjang.

Waktu eksekusi mesin rata-rata berdasarkan domain. Computer melakukan lebih banyak pekerjaan per sesi karena setiap giliran pengguna memicu eksekusi hilir alih-alih hanya respons percakapan.

Otonomi yang berjalan lebih lama tidak diterjemahkan menjadi lebih banyak penghentian. Peristiwa penghentian pengguna serupa di seluruh produk: 3,7% sesi Computer dan 3,4% sesi Search berisi setidaknya satu peristiwa penghentian pengguna. Computer memang berhenti sejenak untuk meminta masukan pengguna lebih sering: 13% kueri Computer memicu setidaknya satu alat jeda untuk pengguna versus 0,3% untuk Search, biasanya untuk meminta persetujuan atau mengajukan pertanyaan klarifikasi. Itu adalah pola yang diharapkan untuk seorang agen: ia dapat melanjutkan secara mandiri sebagian besar waktu, tetapi memerlukan pos pemeriksaan untuk mendapatkan izin dan mengonfirmasi apa yang diinginkan pengguna.

Computer juga merangkai lebih banyak panggilan alat eksternal—melalui Model Context Protocol (MCP) atau titik akhir Application Programming Interface (API)—ke dalam satu sesi, melakukan pekerjaan yang seharusnya dilakukan pengguna Search dengan tangan di berbagai aplikasi terpisah. 7,9% sesi Computer membuat setidaknya satu panggilan konektor versus 1,8% sesi Search (kesenjangan 4 kali lipat), dan Computer rata-rata melakukan 1,19 panggilan konektor per sesi versus 0,10 untuk Search (rasio 12 kali lipat). Dengan kata lain, Computer tidak hanya berjalan lebih lama; ia menjangkau lebih banyak layanan terhubung milik pengguna untuk menarik data dan mengambil tindakan.

Perilaku tindak lanjut juga mengalami perubahan komposisi. Dalam sampel multi-giliran 1.000 pasangan, kecenderungan keseluruhan terhadap kemajuan tugas hampir identik di seluruh produk (52,7% tindak lanjut Computer versus 52,9% untuk Search), tetapi apa yang diminta pengguna bergeser: karena Computer mengembalikan hasil akhir yang lebih lengkap di awal, para penggunanya mengganti penjelajahan klarifikasi dengan ekstensi (ekstensi 14,2% versus 12,5%; penjelajahan 22,0% versus 23,4%). Pengguna Computer juga menghabiskan sedikit lebih banyak waktu tindak lanjut mereka untuk meninjau dan merevisi keluaran (24,6% versus 23,6%), sementara Search lebih banyak menggunakan arahan singkat seperti konfirmasi, percobaan ulang, dan permintaan format (11,6% versus 9,9%) yang digabungkan Computer ke dalam eksekusi awalnya. Dengan kata lain, Search menciptakan perulangan ringkas-dan-eksekusi yang lebih pendek; Computer menciptakan perulangan tinjau-dan-perluas yang lebih panjang.

Yang terpenting, kualitas tidak turun dengan otonomi yang lebih tinggi. Pada sesi multi-giliran yang cocok, ketidakpuasan giliran berikutnya yang bermakna adalah 1,3% untuk Computer versus 2,9% untuk Search, penurunan sebesar 55%. Setiap ketidakpuasan, termasuk sinyal ringan, adalah 10,8% untuk Computer versus 16,6% untuk Search.

Sinyal ketidakpuasan giliran berikutnya dalam sampel multi-giliran yang cocok. Kolom mungkin tidak berjumlah tepat 100% karena pembulatan.

Otonomi yang lebih tinggi menukar pekerjaan manual manusia dengan komputasi mesin, yang meningkatkan efisiensi. Untuk mengukur efek ini, kami membandingkan dua penyiapan pada tugas yang cocok yang sama.

Search + Manusia: Search menangani pengambilan dan sintesis; manusia mengeksekusi secara manual.

Computer + Manusia: Computer melakukan alur kerja; manusia menentukan cakupan tugas dan meninjau hasilnya.

Kami tidak dapat mengamati secara langsung berapa lama waktu yang dibutuhkan manusia untuk menyelesaikan suatu tugas, jadi kami melakukan triangulasi dengan tiga perkiraan independen:

Perkiraan berbasis alat: Kami mengklasifikasikan panggilan alat Computer ke dalam dua kategori: "Cari" (Search) dan "Lakukan" (Do). Alat pencarian sesuai dengan langkah-langkah pengambilan dan sintesis informasi yang sudah ditangani oleh produk Search. Alat lakukan mewakili langkah-langkah eksekusi yang perlu dilakukan manusia secara manual saat menggunakan Search sendiri. Kami kemudian memperkirakan waktu yang diperlukan oleh manusia berpengalaman untuk melakukan tindakan Lakukan ini.

Perkiraan berbasis LLM: Kami memasukkan kueri dari sesi Computer ke dalam LLM untuk memperkirakan waktu yang diperlukan bagi seorang profesional terampil yang menerima jawaban dari Search tetapi harus melakukan semua langkah eksekusi secara manual.

Perkiraan yang dilaporkan pengguna: Kami melakukan 25 wawancara semi-terstruktur dengan pengguna aktif Computer di berbagai domain dan menggali alur kerja pra-Computer dan waktu yang dibutuhkan oleh alur kerja tersebut.

Klasifikasi alat yang digunakan dalam perkiraan berbasis alat. Alat "Cari" mencerminkan kemampuan yang telah disediakan oleh Search, sehingga tidak ada waktu manual yang dibebankan. Alat "Lakukan" mengharuskan manusia untuk bertindak atas hasil riset Search; perkiraan menit per panggilan mendekati waktu yang dihabiskan oleh seorang profesional terampil untuk melakukan tindakan yang setara secara manual.

Di bawah perkiraan berbasis alat, tugas rata-rata Search + Manusia membutuhkan waktu 269 menit, sementara alur kerja Computer + Manusia yang sesuai membutuhkan waktu 36 menit. Itu adalah pengurangan 87% dalam waktu tugas.

Untuk menerjemahkan waktu tugas menjadi biaya, kami menggunakan upah per jam rata-rata spesifik domain dari data Statistik Ketenagakerjaan dan Upah Biro Statistik Tenaga Kerja AS (BLS OEWS) Mei 2025 (U.S. Bureau of Labor Statistics 2026). Menggabungkan biaya model dengan biaya tenaga kerja manusia spesifik domain, Computer mengurangi perkiraan biaya tugas sebesar 94% secara rata-rata.

Perkiraan waktu dan biaya tugas untuk Search + Manusia versus Computer + Manusia. Tenaga kerja manusia mendominasi garis dasar Search + Manusia, sementara Computer mengalihkan sebagian besar pekerjaan ke eksekusi model dan alat.

Persentase waktu dan biaya yang dihemat oleh Computer + Manusia relatif terhadap Search + Manusia, dengan pengali di dalam tanda kurung (misalnya, 94% (16x) berarti Computer + Manusia 94% atau 16 kali lebih murah). Biaya tenaga kerja manusia menggunakan upah per jam rata-rata BLS OEWS Mei 2025.

Keunggulan efisiensi muncul di semua 18 domain, dengan penghematan waktu 79–92% dan penghematan biaya 87–96%. Pemrograman adalah kasus yang paling ekstrem: 596 menit untuk Search + Manusia versus 48 menit untuk Computer + Manusia—pengurangan waktu 92% yang menghasilkan pengurangan biaya 96%. Bisnis, Teknologi, Pendidikan, and Penulisan juga menunjukkan peningkatan yang besar. Penghematan waktu cenderung diterjemahkan ke dalam penghematan biaya yang lebih besar di domain denganupah yang lebih tinggi.

Seberapa tangguh hasil ini? Pertimbangkan titik impas: agar Search + Manusia dapat menandingi biaya Computer + Manusia, seorang profesional harus menyelesaikan setiap langkah manual dalam 14–24 menit (median 18). Computer mempertahankan keunggulannya di setiap domain bahkan di bawah asumsi yang lebih konservatif: misalnya, perkiraan berlebihan 8 kali lipat dalam waktu per alat, atau perkiraan meremehkan 12 kali lipat dalam waktu pengawasan Computer.

Perkiraan berbasis LLM menghasilkan hasil agregat yang serupa: pengurangan waktu sebesar 84% dan pengurangan biaya sebesar 93% secara keseluruhan. Wawancara pengguna menunjukkan kisaran hasil yang jauh lebih luas—dari 5 kali hingga lebih dari 300 kali lipat percepatan—kemungkinan besar mencerminkan variasi substansial dalam garis dasar pra-Computer pengguna. Percepatan median di antara peserta adalah 25 kali lipat, yang sesuai dengan pengurangan waktu sebesar 96%.

Kecepatan and biaya pada tugas yang cocok hanya menangkap sebagian dari cerita. Bentuk pekerjaan juga dapat berubah. Saat Computer menggantikan eksekusi manual dengan komputasi mesin, pengguna mungkin mengambil berbagai jenis pekerjaan—tugas yang melintasi batas-batas okupasi dan tugas yang memerlukan tingkat keahlian yang lebih tinggi.

Pertama, kami bertanya apakah pengguna bekerja di luar kluster okupasi utama mereka yang disimpulkan lebih sering dengan Computer daripada dengan Search. Kedua, kami membandingkan kueri Computer and Search dari pengguna yang sama menggunakan lima klasifikasi tingkat tugas: Taksonomi Revisi Bloom (Anderson and Krathwohl 2001), pekerjaan abstrak versus rutin dalam tradisi konten tugas (Autor, Levy, and Murnane 2003), keluasan Pengetahuan O*NET (National Center for O*NET Development 2026), keluasan aktivitas kerja O*NET, dan tugas baru yang tidak dicoba dengan Search.

Pergeseran horizontal terlihat jelas dalam data. Di seluruh sampel 8.000 pengguna dari delapan kluster okupasi, menggunakan semua kueri mereka, pengguna Computer bekerja di luar okupasi utama mereka 59% dari waktu, dibandingkan dengan 50% untuk Search. Peningkatan terbesar muncul dalam Manajemen dan Kewirausahaan, Teknologi Digital, Seni and Desain, serta Layanan Kesehatan and Kemanusiaan. Kueri Search lintas okupasi terkonsentrasi di Teknologi Digital, sedangkan kueri Computer mendelegasikan pekerjaan yang melintasi domain yang lebih beragam di mana pengguna sebelumnya akan membutuhkan spesialis.

Alur tugas lintas okupasi di delapan kluster okupasi. Busur melengkung menunjukkan tujuan keluar teratas setiap kluster, dengan lebar garis sebanding dengan pangsa tujuan dan jenis garis menunjukkan peringkat. Search memusatkan alur lintas okupasi ke dalam Teknologi Digital, sementara Computer menyebarkan alur ke Pemasaran, Manajemen, Layanan Keuangan, dan tujuan eksekusional lainnya.

Pergeseran vertikal bahkan lebih besar. Dalam sampel 5.000 kueri Computer dan 5.000 kueri Search dari rangkaian pengguna produk ganda yang sama, kueri Computer lebih kompleks secara kognitif daripada kueri Search. Pada Taksonomi Revisi Bloom, 76% kueri Computer memerlukan kognisi tingkat tinggi, dibandingkan dengan 55% untuk Search. Perbedaan tersebut terkonsentrasi di bagian atas: 50% kueri Computer adalah tugas tingkat Menciptakan, dibandingkan dengan 26% untuk Search. Search memiliki lebih banyak massa pada pencarian faktual tingkat Mengingat. Pada dimensi jenis tugas abstrak-versus-rutin, 71% kueri Computer melibatkan kognisi abstrak dan non-rutin versus 53% untuk Search.

Kompleksitas kognitif kueri Computer dan Search. Computer bergeser secara kuat ke arah pekerjaan tingkat Menciptakan dan abstrak non-rutin.

Tugas Computer juga memanfaatkan lebih banyak domain pengetahuan. Tugas rata-rata Computer memerlukan keahlian substantif di 2,40 area Pengetahuan O*NET, dibandingkan dengan 1,74 untuk Search, peningkatan sebesar 38%. Computer hampir tiga kali lebih mungkin dibandingkan Search untuk memerlukan tiga domain pengetahuan atau lebih: 51% versus 17%.

Domain pengetahuan yang diperlukan per kueri. Sesi Computer terkonsentrasi pada dua hingga tiga domain dan jauh lebih mungkin memerlukan keahlian yang luas.

Pada tingkat aktivitas kerja, pola yang sama berlaku. Kueri khas Computer melibatkan 2,95 Aktivitas Kerja Umum O*NET dan 4,01 Aktivitas Kerja Menengah versus 2,24 dan 2,87 untuk Search, peningkatan masing-masing sebesar 32% dan 40%. Pada tingkat yang lebih rinci, Computer melibatkan Aktivitas Kerja Rinci 59% lebih banyak dan Pernyataan Tugas khusus okupasi 60% lebih banyak.

Keluasan aktivitas tugas per kueri di seluruh tingkat penelusuran O*NET. Computer menggeser distribusi ke kanan pada tingkat menengah, rinci, and pernyataan tugas.

Ukuran yang paling mengungkap adalah rangkaian tugas yang muncul di Computer tetapi tidak di Search di antara pengguna yang sama. Pada definisi paling ketat, di mana pernyataan tugas muncul di Computer dan tidak pernah muncul di sampel Search yang berpasangan, 23% kueri Computer melibatkan setidaknya satu pernyataan tugas khusus Computer. Melonggarkan ambang batas untuk mengizinkan hingga lima kemunculan Search menaikkan pangsa menjadi 38%, dan mendatar di dekat 41%. Aktivitas khusus Computer ini terkonsentrasi pada pengembangan perangkat lunak dan web, produksi dokumentasi, serta visualisasi data atau grafik. Di situlah eksekusi otonom paling penting: Search menjelaskan; Computer menghasilkan.

Pangsa kueri Computer yang melibatkan setidaknya satu aktivitas O*NET khusus Computer di bawah ambang batas kemunculan yang berbeda. Pemisahan terkuat muncul pada tingkat pernyataan tugas berbutir halus.

Sebagian besar bukti tentang AI di tempat kerja berfokus pada pengaturan asisten. Literatur tersebut telah menunjukkan peningkatan produktivitas yang besar dalam menambah penulisan, dukungan pelanggan, pengkodean, dan konsultasi (misalnya, Noy and Zhang 2023; Brynjolfsson, Li, and Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

Agen mengubah perilaku pengguna and hasil ekonomi hilir. Penerapan produksi mulai mengungkapkan penggunaan and dampak agen di pengaturan dunia nyata tetapi sebagian besar berfokus pada agen pengkodean khusus and agen browser awal (misalnya, Sarkar 2026; McCain et al. 2026; Demirer, Musolff, and Yang 2026; Yang et al. 2025). Kami melengkapi pekerjaan ini and menjembatani literatur asisten dan agen dengan membandingkan interaksi pengguna dengan orkestrator agen serbaguna versus asisten percakapan, and dengan memperluas analisis dampak hilir ke berbagai pekerjaan pengetahuan yang lebih luas.

Kami juga beralih dari paparan ke komposisi ulang tugas yang terwujud. Pekerjaan sebelumnya memperkirakan okupasi mana yang terpapar AI menggunakan deskripsi tugas and struktur okupasi (misalnya, Eloundou et al. 2024; Felten, Raj, and Seamans 2023), sementara ukuran berbasis penggunaan menunjukkan kesenjangan antara paparan and penerapan (Massenkoff and McCrory 2026). Kami mendokumentasikan bagaimana komposisi tugas bergeser dengan akses agen.

Kami mencatat beberapa peringatan. Pertama, jendela pengamatan masih awal, and pengadopsi awal condong ke arah penduduk asli AI. Pengguna juga secara aktif bereksperimen dan menyesuaikan alur kerja mereka dalam lanskap produk yang berkembang pesat, sehingga pola ini dapat bergeser dari waktu ke waktu. Kedua, desain kueri yang dicocokkan berbasis sesi meninggalkan banyak tugas Computer yang tidak memiliki padanan Search yang dekat. Meskipun sesi menyediakan cara alami untuk mensegmentasi tugas, pengguna tidak selalu mengikuti struktur ini dalam praktiknya, menjadikan sesi sebagai proksi yang bising untuk unit tugas. Ketiga, perkiraan efisiensi sangat bergantung pada asumsi tentang waktu alat yang setara dengan manusia dan waktu pengawasan manusia. Meskipun perkiraan berbasis LLM dan wawancara pengguna mengarah ke arah yang sama, serta analisis titik impas dan sensitivitas menunjukkan ketahanan, besaran yang tepat harus dibaca sebagai perkiraan. Terkait hal tersebut, kesalahan klasifikasi LLM memperkenalkan derau pengukuran tambahan. Terakhir, kami mengamati perilaku pengguna hanya dalam ekosistem Perplexity dan tidak menangkap aktivitas di luarnya, yang dapat membatasi pandangan kami tentang aktivitas kerja lengkap dan penggunaan alat pengguna.

Agen membuat tugas yang ada menjadi lebih cepat dan lebih murah—dan, yang lebih penting, membuat tugas yang melintasi batas okupasi dan tingkat keahlian menjadi layak.

Ketika sistem dapat mencari, menjelajah, membuat kode, mengedit file, terhubung ke layanan, dan menghasilkan hasil akhir, hambatan pengguna bergeser. Mereka menghabiskan lebih sedikit waktu mengoperasikan alur kerja dan lebih banyak waktu menentukan tujuan, menyediakan konteks, memeriksa keluaran, dan meminta ekstensi. Pengguna beralih dari operator ke pengawas.

Pada tingkat individu, pergeseran ini memperluas batasan tugas, memungkinkan pengguna untuk mengambil pekerjaan yang lebih luas dan lebih mendalam. Pada tingkat organisasi dan pasar tenaga kerja, bagaimana perubahan tingkat mikro ini beragregasi tetap menjadi pertanyaan terbuka. Jika satu individu tunggal, yang dilengkapi dengan agen, dapat menyelesaikan alur kerja yang sebelumnya memerlukan banyak peran, maka dampak jangka panjang dari agen tidak akan ditangkap oleh metrik kecepatan dan biaya saja. Sebaliknya, hal itu akan termanifestasi dalam bagaimana pekerjaan dibundel, bagaimana peran didefinisikan, dan bagaimana tim disusun.

Untuk mempelajari lebih lanjut tentang metodologi dan temuan kami, baca laporan teknis lengkapnya.

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.

Pendahuluan

Adopsi dan Kasus Penggunaan Computer

Otonomi dan Kualitas yang Lebih Tinggi

Peningkatan Efisiensi dari Otonomi

Cakupan Tugas Meluas Secara Horizontal dan Vertikal

Diskusi

Menatap ke Depan

Referensi