In che modo gli agenti di IA rimodellano il lavoro intellettuale

I sistemi di IA di frontiera stanno colmando il divario tra l'intelligenza del modello e l'utilità nel mondo reale. Nuovi modelli, architetture di calcolo e pattern di orchestrazione stanno consentendo a questi sistemi di compiere attività considerate impossibili solo pochi mesi fa.

Questa rapida innovazione si è rivelata un vantaggio per gli utenti dell'IA, potenziandone la leva e l'autonomia. Tuttavia, ha anche creato un ritardo tra la frontiera tecnologica e la nostra comprensione di come esattamente il lavoro intellettuale si stia evolvendo in risposta. In che modo l'IA di frontiera cambia la natura del lavoro intellettuale tra le diverse professioni? Quali trasformazioni strutturali ed economiche potremmo aspettarci in questo lavoro?

Cerchiamo di colmare questo divario attraverso un'attenta analisi empirica dell'utilizzo di Perplexity. Oggi, in collaborazione con i ricercatori della Harvard Business School, condividiamo il nostro primo studio completo su Perplexity Computer nell'implementazione nel mondo reale. I nostri risultati suggeriscono che Computer espande sia l'ampiezza che la profondità di ciò che gli utenti possono realizzare, a costi inferiori. Gli utenti di Computer ottengono di più, lavorano a livelli di astrazione più elevati e superano i confini disciplinari per sbloccare valore al di fuori delle proprie professioni.

Questo articolo presenta i punti salienti del nostro studio. La metodologia dettagliata e i risultati sono disponibili nel nostro rapporto tecnico.

Introduzione

I primi sistemi di IA generativa mainstream erano assistenti conversazionali che interagiscono in dialogo con gli utenti. Questi assistenti si collocano tra l'intento e l'azione. Rispondono alle domande, spiegano i compromessi e suggeriscono i passaggi successivi. L'utente deve quindi tradurre la risposta in lavoro: aprire gli strumenti giusti, raccogliere file, modificare documenti, verificare output intermedi e decidere cosa fare dopo.

Gli agenti cambiano tale divisione del lavoro. Un utente specifica un risultato e il sistema pianifica tra gli strumenti, esegue passaggi intermedi, richiede input mancanti quando necessario e restituisce un risultato finito. Gli agenti spostano l'utilizzo dell'IA dal cercare informazioni e sintetizzarle al pianificare e svolgere compiti in autonomia.

Questo arco anima la progressione del prodotto di Perplexity. Nel 2022 abbiamo lanciato Search, che ha definito la categoria dei motori di risposta consentendo agli utenti di porre domande e ricevere risposte supportate da citazioni verificabili attraverso miliardi di documenti. Nel 2025 abbiamo introdotto il browser Comet, con un agente web integrato che ragiona e agisce a fianco degli utenti sul web aperto. E nel 2026 abbiamo lanciato Computer, un agente orchestratore di uso generale che lavora autonomamente verso obiettivi specificati dall'utente attraverso ambienti complessi e lunghi orizzonti temporali.

In che modo questa transizione sta cambiando il nostro modo di lavorare? Esploriamo questa domanda utilizzando i dati dei nostri prodotti Search e Computer, concentrandoci su tre dimensioni:

Autonomia: quanto lavoro autonomo esegue Computer rispetto a Search sulla stessa attività?

Efficienza: quanto tempo e costo del lavoro risparmia Computer rispetto a Search sulla stessa attività?

Ambito: in che modo Computer cambia il tipo di lavoro che gli utenti tentano di svolgere?

Abbiamo riscontrato che agenti come Computer richiedono più impegno iniziale da parte dell'utente (poiché gli utenti devono specificare gli obiettivi da delegare e rivedere i risultati) ma molto meno sforzo umano per unità di lavoro (grazie a un'esecuzione più autonoma). Ciò li rende particolarmente efficaci in flussi di lavoro lunghi e multi-fase. Il vantaggio è un lavoro che è al contempo più profondo e meno costoso. Computer sposta lo sforzo dell'utente dall'esecuzione manuale alla supervisione, ampliando la gamma di ciò che gli utenti possono realizzare sia all'interno che all'esterno delle proprie aree di competenza.

Adozione di Computer e casi d'uso

Computer è stato lanciato il 25 febbraio 2026 ed è cresciuto rapidamente nei primi tre mesi.

Le query cumulative di Computer hanno raggiunto 84 volte il loro totale della prima settimana entro il 27 maggio. Come riferimento, l'utilizzo cumulativo di Search tra gli utenti di Computer ha raggiunto 14 volte il totale della sua prima settimana, superiore alla crescita di 12 volte per gli utenti non Computer.

Anche dopo aver abbinato gli utenti di Computer e non Computer per livello di abbonamento, argomento principale di ricerca e intensità di ricerca precedente, un confronto difference-in-differences mostra che l'adozione di Computer aumenta l'uso di Search: gli utenti di Computer effettuano 1,05 query di ricerca in più al giorno rispetto a utenti simili non Computer.

In un campione casuale di 100.000 query di Computer, Ricerca e Analisi è stata la categoria di attività più ampia con il 25,8%, seguita da Creazione di Documenti e Risorse con il 18,6%. Il mix di attività osservato pende verso il lavoro generativo: documenti, fogli di calcolo, basi di codice, siti web e flussi di lavoro che richiedono lavoro su più strumenti.

Passando ai domini, l'uso è stato ampiamente distribuito tra Software e IT, Finanza e Investimenti, Marketing e Vendite, Operazioni Aziendali, Sanità, Istruzione, Legale e Media.

Maggiore autonomia e qualità

Il segnale più diretto di autonomia è quanto tempo il sistema opera senza intervento umano dopo che l'utente ha inviato una richiesta. Search solitamente restituisce una risposta in pochi secondi. Computer spesso continua a lavorare per minuti o addirittura ore: cercando, navigando, scrivendo, modificando, eseguendo codice e controllando risultati intermedi.

Utilizziamo sessioni di Search e Computer con query iniziali quasi identiche come proxy per la stessa attività tentata con entrambi i prodotti. Su 10.000 coppie abbinate, Computer esegue in media 26 minuti di esecuzione macchina per sessione, contro i 33 secondi per Search. Si tratta di un aumento di 48 volte del lavoro macchina su attività sostanzialmente identiche. Alla mediana, il divario è di 9 minuti contro 14 secondi, ovvero 40 volte. La suddivisione per domini mostra lo stesso pattern: Computer esegue circa 26-75 volte più lavoro macchina in tutti i 18 domini.

Un'autonomia di esecuzione più lunga non si è tradotta in un maggiore abbandono. Gli eventi di arresto da parte dell'utente sono stati simili tra i prodotti: il 3,7% delle sessioni di Computer e il 3,4% delle sessioni di Search contenevano almeno un evento di arresto da parte dell'utente. Computer ha fatto pause per l'input dell'utente più spesso: il 13% delle query di Computer ha invocato almeno uno strumento di pausa per l'utente rispetto allo 0,3% di Search, solitamente per richiedere approvazione o porre domande di chiarimento. Questo è il pattern atteso per un agente: può procedere autonomamente per la maggior parte del tempo, ma necessita di punti di controllo per ottenere il permesso e confermare ciò che l'utente desidera.

Computer concatena anche molte più chiamate a strumenti esterni—attraverso il Model Context Protocol (MCP) o endpoint dell'Application Programming Interface (API)—in una singola sessione, svolgendo lavoro che un utente di Search farebbe altrimenti a mano su app separate. Il 7,9% delle sessioni di Computer effettua almeno una chiamata al connettore rispetto all'1,8% delle sessioni di Search (un divario di 4 volte), e Computer media 1,19 chiamate al connettore per sessione rispetto a 0,10 per Search (un rapporto di 12 volte). In altre parole, Computer non solo opera più a lungo; raggiunge più servizi connessi dell'utente per estrarre dati e intraprendere azioni.

Anche il comportamento di follow-up cambia nella composizione. In un campione di 1.000 coppie multi-turno, la propensione generale verso l'avanzamento dell'attività è quasi identica tra i prodotti (52,7% dei follow-up di Computer rispetto al 52,9% per Search), ma ciò che gli utenti richiedono si sposta: poiché Computer restituisce un risultato più completo in anticipo, i suoi utenti sostituiscono le estensioni con approfondimenti di chiarimento (estensioni 14,2% rispetto a 12,5%; approfondimenti 22,0% rispetto a 23,4%). Gli utenti di Computer trascorrono anche leggermente più tempo dei loro follow-up a rivedere e revisionare l'output (24,6% rispetto a 23,6%), mentre Search è più pesante su direttive brevi come conferme, nuovi tentativi e richieste di formato (11,6% rispetto a 9,9%) che Computer incorpora nella sua esecuzione iniziale. In altre parole, Search crea cicli più brevi di comprensione ed esecuzione; Computer crea cicli più lunghi di revisione ed estensione.

Ancora più importante, la qualità non è diminuita con una maggiore autonomia. Nelle sessioni multi-turno abbinate, l'insoddisfazione significativa per il turno successivo è stata dell'1,3% per Computer rispetto al 2,9% per Search, una riduzione del 55%. Qualsiasi insoddisfazione, inclusi segnali lievi, è stata del 10,8% per Computer rispetto al 16,6% per Search.

Guadagni di efficienza dall'autonomia

Una maggiore autonomia scambia il lavoro umano manuale con il calcolo automatico, il che aumenta l'efficienza. Per quantificare questo effetto, confrontiamo due configurazioni sulle stesse attività abbinate.

Search + Umano: Search gestisce il recupero e la sintesi; l'umano esegue manualmente.

Computer + Umano: Computer esegue il flusso di lavoro; l'umano definisce l'ambito dell'attività e rivede l'output.

Non possiamo osservare direttamente quanto tempo richiederebbe un'attività a un umano, quindi triangoliamo con tre stime indipendenti:

Stima basata su strumenti: Classifichiamo le chiamate agli strumenti di Computer in due categorie: "Search" e "Do". Gli strumenti di ricerca corrispondono alle fasi di recupero e sintesi delle informazioni che sono già gestite dal prodotto Search. Gli strumenti Do rappresentano le fasi di esecuzione che un umano dovrebbe eseguire manualmente quando usa solo Search. Stimiamo quindi il tempo richiesto per un umano esperto per svolgere queste azioni Do.

Stima basata su LLM: Alimentiamo le query dalle sessioni di Computer in un LLM per stimare il tempo richiesto per un professionista qualificato che riceve risposte da Search ma deve eseguire tutte le fasi di esecuzione manualmente.

Stima riportata dall'utente: Conduciamo 25 interviste semi-strutturate con utenti attivi di Computer tra i domini ed estrapoliamo i flussi di lavoro pre-Computer e il tempo che tali flussi di lavoro avrebbero richiesto.

Secondo la stima basata su strumenti, l'attività media Search + Umano richiede 269 minuti, mentre il corrispondente flusso di lavoro Computer + Umano richiede 36 minuti. Si tratta di una riduzione dell'87% del tempo dell'attività.

Per tradurre il tempo dell'attività in costo, utilizziamo i salari medi orari specifici per dominio dai dati del U.S. Bureau of Labor Statistics Occupational Employment and Wage Statistics (BLS OEWS) di maggio 2025 (U.S. Bureau of Labor Statistics 2026). Combinando il costo del modello con il costo del lavoro umano specifico per dominio, Computer riduce il costo stimato dell'attività del 94% in media.

Il vantaggio di efficienza appare in tutti i 18 domini, con risparmi di tempo dal 79 al 92% e risparmi di costo dall'87 al 96%. La programmazione è il caso più estremo: 596 minuti per Search + Umano rispetto a 48 minuti per Computer + Umano—una riduzione del tempo del 92% che produce una riduzione del costo del 96%. Anche Business, Tecnologia, Istruzione e Scrittura mostrano grandi guadagni. I risparmi di tempo tendono a tradursi in maggiori risparmi di costo nei domini con salari più alti.

Quanto è robusto questo risultato? Consideriamo un punto di pareggio: affinché Search + Umano eguagli il costo di Computer + Umano, un professionista dovrebbe completare ogni passaggio manuale in 14-24 minuti (mediana 18). Computer mantiene il suo vantaggio in ogni dominio anche sotto ipotesi più conservative: ad esempio, una sovrastima di 8 volte nel tempo per strumento, o una sottostima di 12 volte nel tempo di supervisione di Computer.

La stima basata su LLM produce risultati aggregati simili: una riduzione dell'84% del tempo e una riduzione del 93% del costo complessivo. Le interviste agli utenti mostrano una gamma molto più ampia di risultati—da 5 a oltre 300 volte più veloci—probabilmente riflettendo una variazione sostanziale nelle baseline pre-Computer degli utenti. La mediana dell'accelerazione tra i partecipanti è di 25 volte, corrispondente a una riduzione del 96% del tempo.

L'ambito dell'attività si espande orizzontalmente e verticalmente

Velocità e costo sulle attività abbinate catturano solo una parte della storia. Anche la forma del lavoro potrebbe cambiare. Mentre Computer sostituisce l'esecuzione manuale con il calcolo automatico, gli utenti possono intraprendere diversi tipi di lavoro—attività che attraversano i confini occupazionali e quelle che richiedono livelli di competenza più elevati.

In primo luogo, chiediamo se gli utenti lavorino al di fuori del loro cluster di occupazione principale dedotto più spesso con Computer che con Search. In secondo luogo, confrontiamo le query di Computer e Search dagli stessi utenti utilizzando cinque classificazioni a livello di attività: Bloom's Revised Taxonomy (Anderson e Krathwohl 2001), lavoro astratto contro routinario nella tradizione del contenuto dell'attività (Autor, Levy e Murnane 2003), ampiezza della conoscenza O*NET (National Center for O*NET Development 2026), ampiezza dell'attività lavorativa O*NET e nuove attività che non sono state tentate con Search.

Lo spostamento orizzontale è evidente nei dati. Su un campione di 8.000 utenti da otto cluster occupazionali, utilizzando tutte le loro query, gli utenti di Computer lavorano al di fuori della loro occupazione principale il 59% delle volte, rispetto al 50% per Search. I maggiori aumenti appaiono in Gestione e Imprenditorialità, Tecnologia Digitale, Arte e Design, e Sanità e Servizi Umani. Le query di Search tra le occupazioni sono concentrate nella Tecnologia Digitale, mentre le query di Computer delegano lavoro che attraversa domini più diversificati in cui gli utenti avrebbero altrimenti bisogno di specialisti.

Lo spostamento verticale è ancora maggiore. In un campione di 5.000 query di Computer e 5.000 query di Search dallo stesso gruppo di utenti di entrambi i prodotti, le query di Computer sono cognitivamente più complesse delle query di Search. Nella Bloom's Revised Taxonomy, il 76% delle query di Computer richiede cognizione di ordine superiore, rispetto al 55% per Search. La differenza è concentrata al vertice: il 50% delle query di Computer sono attività di livello Creazione, rispetto al 26% per Search. Search ha molta più massa nella ricerca fattuale di livello Ricordo. Sulla dimensione del tipo di attività astratto-contro-routinario, il 71% delle query di Computer coinvolge cognizione astratta non routinaria contro il 53% per Search.

Le attività di Computer attingono anche a più domini di conoscenza. L'attività media di Computer richiede una competenza sostanziale in 2,40 aree di Conoscenza O*NET, rispetto a 1,74 per Search, un aumento del 38%. Computer ha quasi tre volte più probabilità di Search di richiedere tre o più domini di conoscenza: 51% contro 17%.

A livello di attività lavorativa, lo stesso pattern è valido. Una tipica query di Computer impegna 2,95 Attività Lavorative Generalizzate O*NET e 4,01 Attività Lavorative Intermedie contro 2,24 e 2,87 per Search, un aumento del 32% e 40%. A livelli più fini, Computer impegna il 59% in più di Attività Lavorative Dettagliate e il 60% in più di Dichiarazioni di Attività specifiche per l'occupazione.

La misura più rivelatrice è l'insieme di attività che appaiono in Computer ma non in Search tra gli stessi utenti. Alla definizione più rigorosa, in cui una dichiarazione di attività appare in Computer e non appare mai nel campione Search abbinato, il 23% delle query di Computer impegna almeno una dichiarazione di attività solo-Computer. Allentare la soglia per consentire fino a cinque occorrenze di Search aumenta la quota al 38%, e si stabilizza vicino al 41%. Queste attività solo-Computer si concentrano nello sviluppo software e web, nella produzione di documentazione e nella visualizzazione dei dati o grafica. Questo è esattamente dove l'esecuzione autonoma conta di più: Search spiega; Computer produce.

Discussione

La maggior parte delle prove sull'IA al lavoro si concentra sull'impostazione dell'assistente. Quella letteratura ha mostrato grandi guadagni di produttività nell'aumentare la scrittura, il supporto clienti, la codifica e la consulenza (ad esempio, Noy e Zhang 2023; Brynjolfsson, Li e Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

Gli agenti cambiano il comportamento dell'utente e i risultati economici a valle. Le implementazioni di produzione stanno iniziando a rivelare l'utilizzo e l'impatto degli agenti in ambienti reali, ma sono per lo più focalizzate su agenti di codifica specializzati e primi agenti browser (ad esempio, Sarkar 2026; McCain et al. 2026; Demirer, Musolff e Yang 2026; Yang et al. 2025). Integriamo questo lavoro e colleghiamo la letteratura sull'assistente e quella sull'agente confrontando l'interazione dell'utente con un orchestratore di agenti di uso generale rispetto a un assistente conversazionale, ed estendendo l'analisi dell'impatto a valle a una gamma più ampia di lavoro intellettuale.

Passiamo anche dall'esposizione alla ricomposizione realizzata dell'attività. Il lavoro precedente stima quali occupazioni siano esposte all'IA utilizzando descrizioni dell'attività e struttura occupazionale (ad esempio, Eloundou et al. 2024; Felten, Raj e Seamans 2023), mentre le misure basate sull'utilizzo mostrano il divario tra esposizione e implementazione (Massenkoff e McCrory 2026). Documentiamo come la composizione dell'attività si sposta con l'accesso all'agente.

Notiamo diverse avvertenze. In primo luogo, la finestra di osservazione è iniziale e i primi adottanti pendono verso i nativi dell'IA. Gli utenti stanno anche sperimentando attivamente e adattando i propri flussi di lavoro all'interno di un panorama di prodotti in rapida evoluzione, quindi questi pattern potrebbero cambiare nel tempo. In secondo luogo, il design della query abbinata basata sulla sessione tralascia molte attività di Computer che non hanno un equivalente Search ravvicinato. Sebbene le sessioni forniscano un modo naturale per segmentare le attività, gli utenti non seguono sempre questa struttura nella pratica, rendendo le sessioni un proxy rumoroso per le unità di attività. In terzo luogo, le stime di efficienza dipendono criticamente dalle ipotesi sul tempo dello strumento equivalente all'umano e sul tempo di supervisione umana. Sebbene le stime basate su LLM e le interviste agli utenti puntino nella stessa direzione, e le analisi di pareggio e sensibilità indichino robustezza, le grandezze esatte dovrebbero essere lette come approssimative. Correlativamente, l'errore di classificazione dell'LLM introduce ulteriore rumore di misurazione. Infine, osserviamo il comportamento dell'utente solo all'interno dell'ecosistema Perplexity e non catturiamo l'attività al di fuori di esso, il che potrebbe limitare la nostra visione delle attività lavorative complete e dell'uso degli strumenti da parte degli utenti.

Guardando avanti

Gli agenti rendono le attività esistenti più veloci ed economiche—e, cosa più importante, rendono fattibili attività che attraversano confini occupazionali e livelli di competenza.

Quando un sistema può cercare, navigare, codificare, modificare file, connettersi a servizi e produrre risultati, il collo di bottiglia dell'utente si sposta. Trascorrono meno tempo a gestire il flusso di lavoro e più tempo a specificare obiettivi, fornire contesto, controllare output e chiedere estensioni. L'utente passa da operatore a supervisore.

A livello individuale, questo spostamento espande la frontiera dell'attività, consentendo agli utenti di intraprendere un lavoro che è sia più ampio che più profondo. A livello organizzativo e di mercato del lavoro, il modo in cui questi cambiamenti a micro-livello si aggregano rimane una domanda aperta. Se un singolo individuo, dotato di agenti, può completare flussi di lavoro che in precedenza richiedevano più ruoli, allora l'impatto a lungo termine degli agenti non sarà catturato solo dalle metriche di velocità e costo. Invece, si manifesterà nel modo in cui il lavoro viene raggruppato, nel modo in cui i ruoli sono definiti e nel modo in cui i team sono strutturati.

Per saperne di più sulla nostra metodologia e sui nostri risultati, leggi il rapporto tecnico completo.

Riferimenti

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

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

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