AI агенттері білім саласындағы жұмысты қалай өзгертеді

Жаңа буын AI жүйелері модель интеллекті мен шынайы әлемдегі пайдалылық арасындағы алшақтықты жойып жатыр. Жаңа модельдер, есептеу архитектуралары және оркестрлеу үлгілері бұл жүйелерге бірнеше ай бұрын ғана мүмкін емес деп есептелген тапсырмаларды орындауға мүмкіндік береді.

Бұл қарқынды инновация AI пайдаланушыларының мүмкіндіктері мен дербестігін арттыру арқылы оларға үлкен септігін тигізді. Дегенмен, бұл технологиялық шекара мен білім саласындағы жұмыстың оған жауап ретінде қалай дамып жатқанын нақты түсінуіміз арасында уақытша алшақтық тудырды. Жаңа буын AI мамандықтар бойынша білім саласындағы жұмыстың сипатын қалай өзгертеді? Бұл жұмыста қандай құрылымдық және экономикалық өзгерістерді күтуге болады?

Perplexity қолданысына мұқият эмпирикалық талдау жасау арқылы осы алшақтықты жоюға тырысамыз. Бүгін Harvard Business School зерттеушілерімен бірлесіп, шынайы әлемде енгізілген Perplexity Computer жүйесі туралы алғашқы кешенді зерттеуімізді бөлісіп отырмыз. Біздің нәтижелеріміз Computer пайдаланушылардың қандай жұмыстарды атқара алатынын кеңірек және тереңрек етіп, сонымен қатар шығынды азайтатынын көрсетеді. Computer пайдаланушылары көбірек жұмыс тындырып, жоғарырақ абстракция деңгейінде жұмыс істеп, өз мамандығынан тыс құндылықтарды ашу үшін пәнаралық шекаралардан өтіп жатыр.

Бұл мақалада зерттеуіміздің негізгі тұстары ұсынылған. Толық әдіснама мен нәтижелерді біздің техникалық есебімізден таба аласыз.

Кіріспе

Ағымдағы генеративті AI жүйелері пайдаланушылармен диалогқа түсетін сөйлесу көмекшілері болды. Бұл көмекшілер ниет пен әрекеттің арасында орналасады. Олар сұрақтарға жауап береді, артықшылықтары мен кемшіліктерін түсіндіреді және келесі қадамдарды ұсынады. Содан кейін пайдаланушы жауапты жұмысқа айналдыруы керек: дұрыс құралдарды ашу, файлдарды жинау, құжаттарды өңдеу, аралық нәтижелерді тексеру және әрі қарай не істеу керектігін шешу.

Агенттер еңбек бөлінісін өзгертеді. Пайдаланушы нәтижені көрсетеді, ал жүйе құралдар бойынша жоспарлайды, аралық қадамдарды орындайды, қажет болған жағдайда жетіспейтін кірістерді сұрайды және дайын нәтижені қайтарады. Агенттер AI қолданысын ақпаратты іздеу және оларды жинақтаудан тапсырмаларды автономды түрде жоспарлауға және орындауға ауыстырады.

Бұл бағыт Perplexity компаниясының өнім бағытының дамуын көрсетеді. 2022 жылы біз миллиардтаған құжаттар бойынша тексерілетін сілтемелермен қолдау көрсетілетін сұрақтар қоюға және жауап алуға мүмкіндік беру арқылы жауаптар қозғалтқышы санатын анықтаған Search қызметін іске қостық. 2025 жылы біз ашық вебте пайдаланушылармен бірге пайымдайтын және әрекет ететін ендірілген веб-агенті бар Comet браузерін ұсындық. Ал 2026 жылы біз күрделі орталар мен ұзақ уақыт аралығында пайдаланушы көрсеткен мақсаттарға автономды түрде жұмыс істейтін әмбебап агент оркестраторы – Computer жүйесін іске қостық.

Бұл ауысу біздің жұмыс істеу тәсілімізді қалай өзгертуде? Біз бұл сұрақты Search және Computer өнімдерінің деректерін пайдалана отырып, үш өлшемге назар аудара отырып зерттейміз:

Автономия: бірдей тапсырмада Computer Search-пен салыстырғанда қаншалықты автономды жұмыс орындайды?

Тиімділік: Computer бірдей тапсырмада Search-пен салыстырғанда қанша уақыт пен еңбек шығынын үнемдейді?

Ауқым: Computer пайдаланушылар қабылдайтын жұмыс түрін қалай өзгертеді?

Computer сияқты агенттер пайдаланушыдан бастапқы кезеңде көбірек күш жұмсауды талап ететінін анықтадық (өйткені пайдаланушылар тапсырмаларды көрсетіп, нәтижелерін тексеруі керек), бірақ автономды түрде орындалуына байланысты жұмыс бірлігіне кететін адам күші әлдеқайда аз. Бұл оларды ұзақ, көп қадамды жұмыс процестерінде ерекше тиімді етеді. Нәтижесінде жұмыс тереңірек әрі арзанырақ болады. Computer пайдаланушының күш-жігерін қолмен орындаудан қадағалауға ауыстырып, пайдаланушылардың өз саласының ішінде де, сыртында да қол жеткізе алатын мүмкіндіктерін кеңейтеді.

Computer жүйесін қабылдау және қолдану жағдайлары

Computer 2026 жылдың 25 ақпанында іске қосылды және алғашқы үш айда жылдам өсті.

Жиынтық Computer сұраулары 27 мамырға қарай алғашқы аптадағы көрсеткішінен 84 есе асты. Негіз көрсеткіш ретінде Computer пайдаланушылары арасындағы жиынтық Search қолданысы алғашқы аптадағы жиынтығынан 14 есе өсті, бұл Computer қолданбайтын пайдаланушылардың 12 еселік өсуінен жоғары.

Computer және Computer қолданбайтын пайдаланушыларды жазылым деңгейі, негізгі Search тақырыбы және бұрынғы Search қарқындылығы бойынша сәйкестендіргеннен кейін де, айырмашылықтардың айырмашылығы салыстырмасы Computer қолдану Search қолданысын арттыратынын көрсетеді: Computer пайдаланушылары ұқсас Computer қолданбайтын пайдаланушыларға қарағанда күн сайын 1,05 есе көп Search сұрауларын жасайды.

100 000 Computer сұрауынан тұратын кездейсоқ таңдауда Зерттеу және талдау 25,8% құрап, ең үлкен тапсырма санаты болды, одан кейін Құжат пен активті жасау 18,6% құрды. Бақыланатын тапсырмалар жиынтығы генеративті жұмысқа бейім: құжаттар, электрондық кестелер, код базалары, веб-сайттар және бірнеше құралдар арқылы жұмысты талап ететін жұмыс процестері.

Салаларға тоқталсақ, қолданыс Бағдарламалық қамтамасыз етілім және IT, Қаржы және инвестиция, Маркетинг және сатылымдар, Бизнес операциялары, Денсаулық сақтау, Білім беру, Заңгерлік және Медиа салаларында кеңінен тарады.

Жоғары автономия және сапа

Автономияның ең тікелей көрсеткіші – пайдаланушы сұрау жібергеннен кейін жүйенің адамның араласуынсыз қанша уақыт жұмыс істейтіні. Search әдетте жауапты бірнеше секундта қайтарады. Computer көбінесе іздеу, шолу, жазу, өңдеу, кодты іске қосу және аралық нәтижелерді тексеру арқылы бірнеше минут немесе тіпті сағаттар бойы жұмысын жалғастырады.

Біз екі өніммен де орындалған бірдей тапсырманың проксиі ретінде бастапқы сұраулары бірдей дерлік Search және Computer сеанстарын қолданамыз. 10 000 сәйкестендірілген жұп бойынша Computer әр сеанс сайын орта есеппен 26 минуттық машиналық орындауды жүзеге асырады, ал Search үшін бұл көрсеткіш 33 секундты құрайды. Бұл тиімсіз түрде бірдей тапсырмалардағы машиналық жұмыстың 48 есе өскенін білдіреді. Медианалық көрсеткіш бойынша айырмашылық 9 минут пен 14 секундты немесе 40 еседі құрайды. Салалық бөлініс осы үлгіні көрсетеді: Computer барлық 18 салада шамамен 26–75 есе көп машиналық жұмыс орындайды.

Ұзақ уақыт жұмыс істейтін автономия жұмысты тастап кетудің артуына әкелген жоқ. Пайдаланушының тоқтату оқиғалары өнімдер бойынша ұқсас болды: Computer сеанстарының 3,7%-ында және Search сеанстарының 3,4%-ында кем дегенде бір пайдаланушының тоқтату оқиғасы болды. Computer пайдаланушы енгізуі үшін жиірек кідірді: Computer сұрауларының 13%-ы әдетте мақұлдауды сұрау немесе нақтылау сұрақтарын қою үшін Search үшін 0,3%-бен салыстырғанда кем дегенде бір кідірту құралын іске қосты. Бұл агент үшін күтілетін үлгі: ол уақыттың көп бөлігінде автономды түрде жұмыс істей алады, бірақ оған рұқсат алу және пайдаланушының не қалайтынын растау үшін бақылау нүктелері қажет.

Сондай-ақ Computer бір сеансқа Model Context Protocol (MCP) немесе Application Programming Interface (API) соңғы нүктелері арқылы әлдеқайда көп сыртқы құрал қоңырауларын тізбектейді, бұл Search пайдаланушысы жеке қолданбалар арқылы қолмен жасайтын жұмысты орындайды. Computer сеанстарының 7,9%-ы Search сеанстарының 1,8%-ымен салыстырғанда кем дегенде бір коннектор қоңырауын жасайды (4 есе айырмашылық) және Computer сеанс сайын орта есеппен 0,10-ға қарсы 1,19 коннектор қоңырауын жасайды (12 есе қатынас). Басқаша айтқанда, Computer тек ұзағырақ жұмыс істеп қоймайды; ол деректерді алу және әрекеттер жасау үшін пайдаланушының қосылған қызметтерінің көбірек бөлігіне жетеді.

Қосымша әрекеттің құрамы да өзгереді. 1 000 жұптық көп айналымды үлгіде тапсырманы алға жылжытудың жалпы бейімділігі өнімдер бойынша бірдей дерлік (Computer қосымша әрекеттерінің 52,7%-ы Search үшін 52,9%-ға қарсы), бірақ пайдаланушылардың сұрайтын нәрселері өзгереді: Computer алдын ала толығырақ нәтиже қайтаратындықтан, оның пайдаланушылары нақтылауды талап ететін тереңдетілген талдаулардың орнына кеңейтімдерді қолданады (кеңейтімдер 14,2% қарсы 12,5%; тереңдетілген талдаулар 22,0% қарсы 23,4%). Сондай-ақ Computer пайдаланушылары өздерінің қосымша әрекеттерінің аздап көбірек бөлігін нәтижені шолуға және қайта қарауға жұмсайды (24,6% қарсы 23,6%), ал Search растаулар, қайталаулар және пішім сұраулары сияқты қысқа директиваларда көбірек қолданылады (11,6% қарсы 9,9%), оларды Computer бастапқы іске қосу кезінде біріктіреді. Басқаша айтқанда, Search қысқа жинақтау-және-орындау циклдарын жасайды; Computer ұзағырақ шолу-және-кеңейту циклдарын жасайды.

Ең маңыздысы, жоғары автономия кезінде сапа төмендеген жоқ. Сәйкестендірілген көп айналымды сеанстарда келесі айналымдағы мағыналы көңілсіздік Computer үшін 1,3%, ал Search үшін 2,9% құрады, бұл 55%-ға төмендеуді білдіреді. Кез келген көңілсіздік, соның ішінде жеңіл сигналдар Computer үшін 10,8%, ал Search үшін 16,6% болды.

Автономия арқылы қол жеткізілген тиімділік артықшылықтары

Жоғары автономия қолмен атқарылатын адам жұмысын машиналық есептеулерге алмастырады, бұл тиімділікті арттырады. Бұл әсерді анықтау үшін біз бірдей сәйкестендірілген тапсырмаларда екі орнатуды салыстырамыз.

Search + Адам: Search іздеу мен жинақтауды басқарады; адам қолмен орындайды.

Computer + Адам: Computer жұмыс процесін орындайды; адам тапсырма ауқымын анықтайды және нәтижені тексереді.

Тапсырманың адамға қанша уақыт алатынын тікелей көре алмаймыз, сондықтан біз үш тәуелсіз бағалау арқылы есептейміз:

Құралға негізделген бағалау: Біз Computer құралдарының қоңырауларын екі санатқа бөлеміз: "Search" және "Do". Search құралдары Search өнімдері арқылы бұрыннан өңделген ақпаратты іздеу және жинақтау қадамдарына сәйкес келеді. Do құралдары Search өнімін тек өзі пайдаланған кезде адам қолмен орындауы қажет орындау қадамдарын білдіреді. Содан кейін біз тәжірибелі адамға осы Do әрекеттерін орындау үшін қажетті уақытты бағалаймыз.

LLM негізіндегі бағалау: Біз Search жүйесінен жауаптар алатын, бірақ барлық орындау қадамдарын қолмен орындауға тиіс білікті маманға қажетті уақытты бағалау үшін Computer сеанстарындағы сұрауларды LLM-ге енгіземіз.

Пайдаланушы хабарлаған бағалау: Біз әртүрлі салалардағы белсенді Computer пайдаланушыларымен 25 жартылай құрылымдалған сұхбат жүргізіп, Computer-ге дейінгі жұмыс процестерін және сол жұмыс процестеріне кететін уақытты анықтаймыз.

Құралға негізделген бағалау бойынша орташа Search + Адам тапсырмасы 269 минутты алады, ал тиісті Computer + Адам жұмыс процесі 36 минутты алады. Бұл тапсырма уақытының 87%-ға қысқарғанын білдіреді.

Тапсырма уақытын құнға айналдыру үшін біз АҚШ Еңбек статистикасы бюросының кәсіптік жұмыспен қамту және жалақы статистикасының (BLS OEWS) 2025 жылғы мамырдағы деректерінен салаға тән орташа сағаттық жалақыны пайдаланамыз (АҚШ Еңбек статистикасы бюросы 2026). Модель құнын салаға тән адам еңбегінің құнымен біріктіре отырып, Computer орта есеппен бағаланған тапсырма құнын 94%-ға төмендетеді.

Тиімділік артықшылығы барлық 18 салада көрінеді, уақытты үнемдеу 79–92% және құнды үнемдеу 87–96% құрайды. Бағдарламалау – ең шеткі жағдай: Search + Адам үшін 596 минут, ал Computer + Адам үшін 48 минут – бұл 96% құнның төмендеуін беретін 92% уақытты қысқарту. Бизнес, технология, білім беру және жазу да үлкен жетістіктерді көрсетеді. Уақытты үнемдеу жоғары жалақы алатын салаларда үлкен шығынды үнемдеуге әкеледі.

Бұл нәтиже қаншалықты тұрақты? Шығындардың өтелуін қарастырайық: Search + Адам Computer + Адам құнына сәйкес келуі үшін маман әрбір қолмен атқарылатын қадамды 14–24 минутта (медиана 18) аяқтауы қажет. Computer тіпті неғұрлым консервативті болжамдар бойынша да әр салада өз артықшылығын сақтайды: мысалы, құрал бойынша уақыттағы 8 есе көп бағалау немесе Computer қадағалау уақытындағы 12 есе аз бағалау.

LLM негізіндегі бағалау осындай жиынтық нәтижелерді береді: уақыттың 84%-ға және жалпы құнның 93%-ға төмендеуі. Пайдаланушы сұхбаттары нәтижелердің әлдеқайда кең ауқымын көрсетеді – 5 еседен 300 еседен астам жылдамдату – бұл пайдаланушылардың Computer-ге дейінгі негізгі көрсеткіштеріндегі айтарлықтай өзгерістерді көрсетуі мүмкін. Қатысушылар арасындағы орташа жылдамдату 25 еседі құрайды, бұл уақыттың 96%-ға қысқарғанына сәйкес келеді.

Тапсырма ауқымы көлденеңінен және тігінен кеңейеді

Сәйкестендірілген тапсырмалардағы жылдамдық пен құн оқиғаның тек бір бөлігін ғана қамтиды. Жұмыстың сипаты да өзгеруі мүмкін. Computer қолмен орындалатын жұмысты машиналық есептеулермен алмастырған сайын, пайдаланушылар жұмыстың әртүрлі түрлерін – кәсіби шекаралардан асатын және жоғарырақ тәжірибе деңгейін талап ететін тапсырмаларды өз мойнына алуы мүмкін.

Біріншіден, біз пайдаланушылардың Computer көмегімен Search-ке қарағанда өздерінің болжамды негізгі кәсіптік кластерінен тыс жерде жиірек жұмыс істейтінін сұраймыз. Екіншіден, біз бес тапсырма деңгейіндегі жіктеуді қолдана отырып, бірдей пайдаланушылардың Computer және Search сұрауларын салыстырамыз: Блумның өзгертілген таксономиясы (Anderson and Krathwohl 2001), тапсырма мазмұны дәстүріндегі абстрактілі және күнделікті жұмыс (Autor, Levy, and Murnane 2003), O*NET Білім кеңдігі (National Center for O*NET Development 2026), O*NET жұмыс-белсенділік кеңдігі және Search көмегімен орындалмаған жаңа тапсырмалар.

Көлденең ауысу деректерде көрініп тұр. Сегіз кәсіптік кластерден келген 8 000 пайдаланушының үлгісінде, олардың барлық сұрауларын пайдалана отырып, Computer пайдаланушылары Search үшін 50%-бен салыстырғанда, уақыттың 59%-ында өздерінің негізгі мамандығынан тыс жұмыс істейді. Ең үлкен өсім Менеджмент және кәсіпкерлік, Цифрлық технологиялар, Өнер және дизайн, сондай-ақ Денсаулық сақтау және адам қызметтері салаларында байқалады. Кәсіparalyаралық Search сұраулары Цифрлық технологияларда шоғырланған, ал Computer сұраулары пайдаланушыларға басқа жағдайда мамандар қажет болатын әртүрлі салаларға өтетін жұмысты делегациялайды.

Тік ауысу әлдеқайда үлкен. Бірдей екі өнімді пайдаланушылар жиынтығынан алынған 5 000 Computer сұрауы және 5 000 Search сұрауы үлгісінде Computer сұраулары Search сұрауларына қарағанда когнитивті тұрғыдан күрделірек. Блумның өзгертілген таксономиясы бойынша Computer сұрауларының 76%-ы Search үшін 55%-бен салыстырғанда жоғары деңгейлі танымды талап етеді. Айырмашылық жоғарғы жағында шоғырланған: Computer сұрауларының 50%-ы Search үшін 26%-бен салыстырғанда Жасау деңгейіндегі тапсырмалар болып табылады. Search жүйесінде Еске түсіру деңгейіндегі нақты деректерді іздеу маңы көбірек. Абстрактілі-және-күнделікті тапсырма түрі өлшемі бойынша Computer сұрауларының 71%-ы Search үшін 53%-бен салыстырғанда абстрактілі, күнделікті емес танымды қамтиды.

Computer тапсырмалары сонымен қатар көбірек білім салаларын қамтиды. Орташа Computer тапсырмасы Search үшін 1,74-пен салыстырғанда 2,40 O*NET Білім салаларында мәнді тәжірибені талап етеді, бұл 38%-ға өскенін білдіреді. Computer үш немесе одан da көп білім саласын талап ету ықтималдығы бойынша Search-ке қарағанда үш есеге жуық артық: 51% қарсы 17%.

Жұмыс-белсенділік деңгейінде де осындай үлгі сақталады. Әдеттегі Computer сұрауы Search үшін 2,24 және 2,87-мен салыстырғанда 2,95 O*NET Жалпыланған жұмыс әрекеттерін және 4,01 аралық жұмыс әрекеттерін қамтиды, бұл 32% және 40% өсімді білдіреді. Неғұрлым нақты деңгейлерде Computer 59%-ға көбірек егжей-тегжейлі жұмыс әрекеттерін және 60%-ға көбірек кәсіпке тән тапсырма мәлімдемелерін қамтиды.

Ең маңызды өлшем – бұл бірдей пайдаланушылар арасында Search жүйесінде емес, тек Computer жүйесінде пайда болатын тапсырмалар жиынтығы. Ең қатаң анықтама бойынша, тапсырма мәлімдемесі Computer жүйесінде пайда болып, жұптастырылған Search үлгісінде ешқашан пайда болмайтын жағдайда, Computer сұрауларының 23%-ы кем дегенде бір тек Computer жүйесіне тән тапсырма мәлімдемесін қамтиды. Беске дейін Search жағдайларын қосу үшін шекті мәнді жұмсарту үлесті 38%-ға дейін арттырады және ол 41%-ға жуық тұрақтанады. Бұл тек Computer жүйесіне тән әрекеттер бағдарламалық қамтамасыз етілім мен веб-әзірлеуде, құжаттама өндірісінде, сондай-ақ деректерді визуализациялауда немесе графикада шоғырланады. Дәл осы жерде автономды орындау ең маңызды болып табылады: Search түсіндіреді; Computer өндіреді.

Талқылау

Жұмыстағы AI туралы дәлелдердің көпшілігі көмекші параметрлеріне бағытталған. Бұл әдебиет жазуды, тұтынушыларды қолдауды, кодтауды және консалтингті күшейтудегі үлкен өнімділік өсімін көрсетті (мысалы, Noy and Zhang 2023; Brynjolfsson, Li, and Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

Агенттер пайдаланушының мінез-құлқын және кейінгі экономикалық нәтижелерді өзгертеді. Өндірістік орналастырулар шынайы әлемдегі жағдайларда агенттің қолданылуы мен әсерін көрсете бастады, бірақ негізінен арнайы кодтау агенттеріне және ерте браузер агенттеріне бағытталған (мысалы, Sarkar 2026; McCain et al. 2026; Demirer, Musolff, and Yang 2026; Yang et al. 2025). Біз бұл жұмысты толықтырамыз және жалпы мақсаттағы агент оркестраторы мен сөйлесу көмекшісі арасындағы пайдаланушы өзара әрекеттесуін салыстыру арқылы, сондай-ақ кейінгі әсерді талдауды білім саласындағы жұмыстың кеңірек ауқымына тарату арқылы көмекші және агент әдебиеттерін байланыстырамыз.

Біз сондай-ақ әсер етуден жүзеге асырылған тапсырманы қайта құруға көшеміз. Алдыңғы жұмыс тапсырма сипаттамалары мен кәсіптік құрылымды пайдалана отырып, қай мамандықтардың AI әсеріне ұшырайтынын бағалайды (мысалы, Eloundou et al. 2024; Felten, Raj, and Seamans 2023), ал қолданысқа негізделген өлшемдер әсер ету мен орналастыру арасындағы алшақтықты көрсетеді (Massenkoff and McCrory 2026). Біз агентке қол жетімділік арқылы тапсырма құрамының қалай өзгеретінін құжаттаймыз.

Біз бірнеше ескертулерді атап өтеміз. Біріншіден, бақылау терезесі ерте сатыда тұр, ал ерте қабылдаушылар AI технологияларына бейім адамдарға бағытталған. Сондай-ақ пайдаланушылар қарқынды дамып келе жатқан өнім ландшафтында өздерінің жұмыс процестерін белсенді түрде тәжірибе жасап, бейімдеп жатыр, сондықтан бұл үлгілер уақыт өте келе өзгеруі мүмкін. Екіншіден, сеансқа негізделген сәйкестендірілген сұрау дизайны Search баламасына жақын емес көптеген Computer тапсырмаларын қамтымайды. Сеанстар тапсырмаларды сегменттеудің табиғи әдісін қамтамасыз етіezse де, пайдаланушылар іс жүзінде бұл құрылымды әрқашан сақтай бермейді, бұл сеанстарды тапсырма бірліктері үшін сенімсіз прокси етеді. Үшіншіден, тиімділікті бағалау адамның балама құрал уақыты мен адамның қадағалау уақыты туралы жорамалдарға тығыз тәуелді. LLM негізіндегі бағалаулар мен пайдаланушы сұхбаттары бір бағытқа нұсқаса да, шығындардың өтелуі мен сезімталдықты талдаулар тұрақтылықты көрсетсе де, нақты шамалар шамамен алынған ретінде қабылдануы тиіс. Сәйкесінше, LLM жіктеу қатесі қосымша өлшеу шуын енгізеді. Соңында, біз пайдаланушының мінез-құлқын тек Perplexity экожүйесі шеңберінде ғана бақылаймыз және оның сыртындағы әрекеттерді қамтымаймыз, бұл біздің пайдаланушылардың толық жұмыс әрекеттері мен құралды қолдану туралы көзқарасымызды шектеуі мүмкін.

Алдағы болашақ

Агенттер қолданыстағы тапсырмаларды жылдамырақ әрі арзанырақ етеді, ең бастысы, кәсіби шекаралар мен тәжірибе деңгейлерін қамтитын тапсырмаларды жүзеге асыруға мүмкіндік береді.

Жүйе іздеу, шолу, кодтау, файлдарды өңдеу, қызметтерге қосылу және нәтижелерді шығару мүмкіндігіне ие болған кезде, пайдаланушының кедергісі өзгереді. Олар жұмыс процесін басқаруға аз уақыт жұмсайды және мақсаттарды белгілеуге, контекстті қамтамасыз етуге, нәтижелерді тексеруге және кеңейтімдерді сұрауға көбірек уақыт жұмсайды. Пайдаланушы оператордан супервайзерге ауысады.

Жеке деңгейде бұл өзгеріс тапсырма шекарасын кеңейтіп, пайдаланушыларға кеңірек те тереңірек жұмысты өз мойнына алуға мүмкіндік береді. Ұйымдық және еңбек нарығы деңгейінде бұл микро-деңгейдегі өзгерістердің қалай жиналатыны ашық сұрақ күйінде қалып отыр. Егер агенттермен жабдықталған жеке тұлға бұрын бірнеше рөлдерді талап еткен жұмыс процестерін аяқтай алса, онда агенттердің ұзақ мерзімді әсері тек жылдамдық пен құн көрсеткіштері арқылы ғана анықталмайды. Оның орнына ол жұмыстың қалай біріктірілетінінде, рөлдердің қалай анықталатынында және командалардың қалай құрылымдалатынында көрініс табады.

Біздің әдіснамамыз бен нәтижелеріміз туралы көбірек білу үшін техникалық есепті толық оқыңыз.

Әдебиеттер тізімі

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.