AI ಏಜೆಂಟ್‌ಗಳು ಜ್ಞಾನದ ಕೆಲಸವನ್ನು ಹೇಗೆ ಮರುರೂಪಿಸುತ್ತವೆ

ಫ್ರಾಂಟಿಯರ್ AI ಸಿಸ್ಟಮ್‌ಗಳು ಮಾಡೆಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ಮತ್ತು ನೈಜ-ಪ್ರಪಂಚದ ಉಪಯುಕ್ತತೆಯ ನಡುವಿನ ಅಂತರವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತಿವೆ. ಹೊಸ ಮಾಡೆಲ್‌ಗಳು, ಕಂಪ್ಯೂಟ್ ಆರ್ಕಿಟೆಕ್ಚರ್‌ಗಳು ಮತ್ತು ಆರ್ಕೆಸ್ಟ್ರೇಷನ್ ಪ್ಯಾಟರ್ನ್‌ಗಳು ಕೇವಲ ಕೆಲವು ತಿಂಗಳ ಹಿಂದೆ ಅಸಾಧ್ಯವೆಂದು ಪರಿಗಣಿಸಲಾದ ಕಾರ್ಯಗಳನ್ನು ಸಾಧಿಸಲು ಈ ಸಿಸ್ಟಮ್‌ಗಳಿಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತಿವೆ.

ಈ ಕ್ಷಿಪ್ರ ನಾವೀನ್ಯತೆಯು AI ಬಳಕೆದಾರರ ಪ್ರಭಾವ ಮತ್ತು ಏಜೆನ್ಸಿಯನ್ನು ವರ್ಧಿಸುವ ಮೂಲಕ ಅವರಿಗೆ ವರದಾನವೆಂದು ಸಾಬೀತುಪಡಿಸಿದೆ. ಆದರೂ ಇದು ತಾಂತ್ರಿಕ ಫ್ರಾಂಟಿಯರ್ ಮತ್ತು ಜ್ಞಾನದ ಕೆಲಸವು ಅದಕ್ಕೆ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ ನಿಖರವಾಗಿ ಹೇಗೆ ವಿಕಸನಗೊಳ್ಳುತ್ತಿದೆ ಎಂಬುದರ ನಮ್ಮ ತಿಳುವಳಿಕೆಯ ನಡುವೆ ಅಂತರವನ್ನು ಸೃಷ್ಟಿಸಿದೆ. ಫ್ರಾಂಟಿಯರ್ AI ಎಲ್ಲಾ ವೃತ್ತಿಗಳಲ್ಲಿ ಜ್ಞಾನದ ಕೆಲಸದ ಸ್ವಭಾವವನ್ನು ಹೇಗೆ ಬದಲಾಯಿಸುತ್ತದೆ? ಈ ಕೆಲಸದಲ್ಲಿ ಯಾವ δομικές ಮತ್ತು ಆರ್ಥಿಕ ರೂಪಾಂತರಗಳನ್ನು ನಾವು ನಿರೀಕ್ಷಿಸಬಹುದು?

Perplexity ಬಳಕೆಯ ಎಚ್ಚರಿಕೆಯ ಪ್ರಾಯೋಗಿಕ ವಿಶ್ಲೇಷಣೆಯ ಮೂಲಕ ಈ ಅಂತರವನ್ನು ಮುಚ್ಚಲು ನಾವು ಪ್ರಯತ್ನಿಸುತ್ತೇವೆ. ಇಂದು, ಹಾರ್ವರ್ಡ್ ಬಿಸಿನೆಸ್ ಸ್ಕೂಲ್ ಸಂಶೋಧಕರ ಸಹಯೋಗದೊಂದಿಗೆ, ನೈಜ-ಪ್ರಪಂಚದ ನಿಯೋಜನೆಯಲ್ಲಿ Perplexity Computer ಕುರಿತು ನಮ್ಮ ಮೊದಲ ಸಮಗ್ರ ಅಧ್ಯಯನವನ್ನು ನಾವು ಹಂಚಿಕೊಳ್ಳುತ್ತಿದ್ದೇವೆ. ನಮ್ಮ ಸಂಶೋಧನೆಗಳು Computer ಕಡಿಮೆ ವೆಚ್ಚದಲ್ಲಿ ಬಳಕೆದಾರರು ಸಾಧಿಸಬಹುದಾದ ವಿಷಯಗಳ ಅಗಾಧತೆ ಮತ್ತು ಆಳ ಎರಡನ್ನೂ ವಿಸ್ತರಿಸುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತವೆ. Computer ಬಳಕೆದಾರರು ಹೆಚ್ಚಿನ ಕೆಲಸವನ್ನು ಮಾಡುತ್ತಿದ್ದಾರೆ, ಹೆಚ್ಚಿನ ಮಟ್ಟದ ಅಮೂರ್ತತೆಯಲ್ಲಿ ಕೆಲಸ ಮಾಡುತ್ತಿದ್ದಾರೆ ಮತ್ತು ತಮ್ಮದೇ ಆದ ವೃತ್ತಿಗಳ ಹೊರಗಿನ ಮೌಲ್ಯವನ್ನು ಅನ್‌ಲಾಕ್ ಮಾಡಲು ಶಿಸ್ತಿನ ಗಡಿಗಳನ್ನು ದಾಟುತ್ತಿದ್ದಾರೆ.

ಈ ಲೇಖನವು ನಮ್ಮ ಅಧ್ಯಯನದ ಮುಖ್ಯಾಂಶಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತದೆ. ವಿವರವಾದ ವಿಧಾನ ಮತ್ತು ಸಂಶೋಧನೆಗಳು ನಮ್ಮ ತಾಂತ್ರಿಕ ವರದಿಯಲ್ಲಿ ಲಭ್ಯವಿವೆ.

ಪರಿಚಯ

ಮೊದಲ ಮುಖ್ಯವಾಹಿನಿಯ ಜೆನೆರೇಟಿವ್ AI ಸಿಸ್ಟಮ್‌ಗಳು ಸಂಭಾಷಣೆಯ ಸಹಾಯಕರಾಗಿದ್ದು, ಅವು ಬಳಕೆದಾರರೊಂದಿಗೆ ಸಂಭಾಷಣೆಯಲ್ಲಿ ತೊಡಗುತ್ತವೆ. ಈ ಸಹಾಯಕರು ಉದ್ದೇಶ ಮತ್ತು ಕ್ರಿಯೆಯ ನಡುವೆ ಇರುತ್ತಾರೆ. ಅವರು ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸುತ್ತಾರೆ, ಟ್ರೇಡ್‌ಆಫ್‌ಗಳನ್ನು ವಿವರಿಸುತ್ತಾರೆ ಮತ್ತು ಮುಂದಿನ ಹಂತಗಳನ್ನು ಸೂಚಿಸುತ್ತಾರೆ. ನಂತರ ಬಳಕೆದಾರರು ಉತ್ತರವನ್ನು ಕೆಲಸಕ್ಕೆ ಭಾಷಾಂತರಿಸಬೇಕು: ಸರಿಯಾದ ಉಪಕರಣಗಳನ್ನು ತೆರೆಯುವುದು, ಫೈಲ್‌ಗಳನ್ನು ಸಂಗ್ರಹಿಸುವುದು, ಡಾಕ್ಯುಮೆಂಟ್‌ಗಳನ್ನು ಸಂಪಾದಿಸುವುದು, ಮಧ್ಯಂತರ ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ಪರಿಶೀಲಿಸುವುದು ಮತ್ತು ಮುಂದೆ ಏನು ಮಾಡಬೇಕೆಂದು ನಿರ್ಧರಿಸುವುದು.

ಏಜೆಂಟ್‌ಗಳು ಕಾರ್ಮಿಕರ ಆ ವಿಭಾಗವನ್ನು ಬದಲಾಯಿಸುತ್ತವೆ. ಬಳಕೆದಾರರು ಫಲಿತಾಂಶವನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸುತ್ತಾರೆ ಮತ್ತು ಸಿಸ್ಟಮ್ ಉಪಕರಣಗಳಾದ್ಯಂತ ಯೋಜನೆ ಮಾಡುತ್ತದೆ, ಮಧ್ಯಂತರ ಹಂತಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುತ್ತದೆ, ಅಗತ್ಯವಿದ್ದಾಗ ಕಾಣೆಯಾದ ಇನ್‌ಪುಟ್‌ಗಳನ್ನು ಕೇಳುತ್ತದೆ ಮತ್ತು ಸಿದ್ಧಪಡಿಸಿದ ತಲುಪಿಸಬಹುದಾದ ವಸ್ತುವನ್ನು ಹಿಂದಿರುಗಿಸುತ್ತದೆ. ಏಜೆಂಟ್‌ಗಳು AI ಬಳಕೆಯನ್ನು ವಿಷಯಗಳನ್ನು ಹುಡುಕುವುದರಿಂದ ಮತ್ತು ಅವುಗಳನ್ನು ಸಂಶ್ಲೇಷಿಸುವುದರಿಂದ ಸ್ವಾಯತ್ತವಾಗಿ ಕಾರ್ಯಗಳನ್ನು ಯೋಜಿಸುವುದು ಮತ್ತು ನಿರ್ವಹಿಸುವುದಕ್ಕೆ ಬದಲಾಯಿಸುತ್ತವೆ.

ಈ ಆರ್ಕ್ Perplexity ನ ಸ್ವಂತ ಉತ್ಪನ್ನ ಪ್ರಗತಿಗೆ ಪ್ರಾಣ ತುಂಬುತ್ತದೆ. 2022 ರಲ್ಲಿ, ನಾವು ಹುಡುಕಾಟವನ್ನು (Search) ಪ್ರಾರಂಭಿಸಿದ್ದೇವೆ, ಇದು ಶತಕೋಟಿ ಡಾಕ್ಯುಮೆಂಟ್‌ಗಳಾದ್ಯಂತ ಪರಿಶೀಲಿಸಬಹುದಾದ ಉಲ್ಲೇಖಗಳಿಂದ ಬೆಂಬಲಿತವಾದ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಲು ಮತ್ತು ಉತ್ತರಗಳನ್ನು ಸ್ವೀಕರಿಸಲು ಬಳಕೆದಾರರಿಗೆ ಅಧಿಕಾರ ನೀಡುವ ಮೂಲಕ ಉತ್ತರ ಎಂಜಿನ್ ವರ್ಗವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿತು. 2025 ರಲ್ಲಿ, ಮುಕ್ತ ವೆಬ್‌ನಲ್ಲಿ ಬಳಕೆದಾರರೊಂದಿಗೆ ತರ್ಕಿಸುವ ಮತ್ತು ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಎಂಬೆಡೆಡ್ ವೆಬ್ ಏಜೆಂಟ್‌ನೊಂದಿಗೆ ನಾವು Comet ಬ್ರೌಸರ್ ಅನ್ನು ಪರಿಚಯಿಸಿದ್ದೇವೆ. ಮತ್ತು 2026 ರಲ್ಲಿ, ನಾವು Computer ಅನ್ನು ಪ್ರಾರಂಭಿಸಿದ್ದೇವೆ, ಇದು ಸಂಕೀರ್ಣ ಪರಿಸರಗಳು ಮತ್ತು ದೀರ್ಘ ಸಮಯದ ಹಾರಿಜಾನ್‌ಗಳಲ್ಲಿ ಬಳಕೆದಾರರು ನಿರ್ದಿಷ್ಟಪಡಿಸಿದ ಉದ್ದೇಶಗಳಿಗಾಗಿ ಸ್ವಾಯತ್ತವಾಗಿ ಕೆಲಸ ಮಾಡುವ ಸಾಮಾನ್ಯ-ಉದ್ದೇಶದ ಏಜೆಂಟ್ ಆರ್ಕೆಸ್ಟ್ರೇಟರ್ ಆಗಿದೆ.

ಈ ಪರಿವರ್ತನೆಯು ನಾವು ಕೆಲಸ ಮಾಡುವ ವಿಧಾನವನ್ನು ಹೇಗೆ ಬದಲಾಯಿಸುತ್ತಿದೆ? ನಮ್ಮ Search ಮತ್ತು Computer ಉತ್ಪನ್ನಗಳ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು ನಾವು ಈ ಪ್ರಶ್ನೆಯನ್ನು ಅನ್ವೇಷಿಸುತ್ತೇವೆ, ಮೂರು ಆಯಾಮಗಳ ಮೇಲೆ ಗಮನಹರಿಸುತ್ತೇವೆ:

ಸ್ವಾಯತ್ತತೆ (Autonomy): ಅದೇ ಕಾರ್ಯದಲ್ಲಿ Search ಗೆ ಹೋಲಿಸಿದರೆ Computer ಎಷ್ಟು ಸ್ವಾಯತ್ತ ಕೆಲಸವನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ?

ದಕ್ಷತೆ (Efficiency): ಅದೇ ಕಾರ್ಯಕ್ಕೆ ಸಂಬಂಧಿಸಿದಂತೆ Search ಗೆ ಹೋಲಿಸಿದರೆ Computer ಎಷ್ಟು ಸಮಯ ಮತ್ತು ಶ್ರಮದ ವೆಚ್ಚವನ್ನು ಉಳಿಸುತ್ತದೆ?

ವ್ಯಾಪ್ತಿ (Scope): ಬಳಕೆದಾರರು ಪ್ರಯತ್ನಿಸುವ ಕೆಲಸದ ರೀತಿಯನ್ನು Computer ಹೇಗೆ ಬದಲಾಯಿಸುತ್ತದೆ?

Computer ನಂತಹ ಏಜೆಂಟ್‌ಗಳಿಗೆ ಹೆಚ್ಚಿನ ಮುಂಚಿತವಾಗಿ ಬಳಕೆದಾರರ ಪ್ರಯತ್ನದ ಅಗತ್ಯವಿರುತ್ತದೆ (ಯಕೆಂದರೆ ಬಳಕೆದಾರರು ನಿಯೋಜಿಸಬೇಕಾದ ಉದ್ದೇಶಗಳನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಬೇಕು ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ಪರಿಶೀಲಿಸಬೇಕು) ಆದರೆ ಪ್ರತಿ ಯೂನಿಟ್ ಕೆಲಸಕ್ಕೆ ಕಡಿಮೆ ಮಾನವ ಪ್ರಯತ್ನದ ಅಗತ್ಯವಿರುತ್ತದೆ (ಹೆಚ್ಚು ಸ್ವಾಯತ್ತ ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆಯಿಂದಾಗಿ). ಅದು ದೀರ್ಘವಾದ, ಬಹು-ಹಂತದ ಕಾರ್ಯಪ್ರವಾಹಗಳಲ್ಲಿ ಅವುಗಳನ್ನು ವಿಶೇಷವಾಗಿ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮಾಡುತ್ತದೆ. ಇದರ ಪ್ರತಿಫಲವೆಂದರೆ ಕೆಲಸವು ಆಳವಾದದ್ದು ಮತ್ತು ಅಗ್ಗವಾದದ್ದು. Computer ಬಳಕೆದಾರರ ಪ್ರಯತ್ನವನ್ನು ಹಸ್ತಚಾಲಿತ ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆಯಿಂದ ಮೇಲ್ವಿಚಾರಣೆಗೆ ಬದಲಾಯಿಸುತ್ತದೆ, ಬಳಕೆದಾರರು ತಮ್ಮದೇ ಆದ ಪರಿಣತಿಯ ಕ್ಷೇತ್ರಗಳೊಳಗೆ ಮತ್ತು ಹೊರಗೆ ಸಾಧಿಸಬಹುದಾದ ವ್ಯಾಪ್ತಿಯನ್ನು ವಿಸ್ತರಿಸುತ್ತದೆ.

Computer ಅಳವಡಿಕೆ ಮತ್ತು ಬಳಕೆಯ ಪ್ರಕರಣಗಳು

Computer ಅನ್ನು ಫೆಬ್ರವರಿ 25, 2026 ರಂದು ಪ್ರಾರಂಭಿಸಲಾಯಿತು ಮತ್ತು ಮೊದಲ ಮೂರು ತಿಂಗಳುಗಳಲ್ಲಿ ವೇಗವಾಗಿ ಬೆಳೆಯಿತು.

ಸಂಚಿತ Computer ಪ್ರಶ್ನೆಗಳು ಮೇ 27 ರ ವೇಳೆಗೆ ತಮ್ಮ ಮೊದಲ ವಾರದ ಒಟ್ಟು ಮೊತ್ತದ 84× ತಲುಪಿದವು. ಆಧಾರವಾಗಿ, Computer ಬಳಕೆದಾರರಲ್ಲಿ ಸಂಚಿತ Search ಬಳಕೆಯು ಅದರ ಮೊದಲ ವಾರದ ಒಟ್ಟು ಮೊತ್ತದ 14× ತಲುಪಿದೆ, ಇದು Computer-ಅಲ್ಲದ ಬಳಕೆದಾರರ 12× ಬೆಳವಣಿಗೆಗಿಂತ ಹೆಚ್ಚಾಗಿದೆ.

ಚಂದಾದಾರಿಕೆ ಶ್ರೇಣಿ, ಪ್ರಾಥಮಿಕ Search ವಿಷಯ ಮತ್ತು ಹಿಂದಿನ Search ತೀವ್ರತೆಯಲ್ಲಿ Computer ಮತ್ತು Computer-ಅಲ್ಲದ ಬಳಕೆದಾರರನ್ನು ಹೊಂದಿಸಿದ ನಂತರವೂ, ವ್ಯತ್ಯಾಸ-ವ್ಯತ್ಯಾಸಗಳ ಹೋಲಿಕೆಯು Computer ಅನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುವುದು Search ಬಳಕೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ: Computer ಬಳಕೆದಾರರು ಅಂತಹುದೇ Computer-ಅಲ್ಲದ ಬಳಕೆದಾರರಿಗಿಂತ ಪ್ರತಿದಿನ 1.05 ಹೆಚ್ಚಿನ Search ಪ್ರಶ್ನೆಗಳನ್ನು ಮಾಡುತ್ತಾರೆ.

100,000 Computer ಪ್ರಶ್ನೆಗಳ ಯಾದೃಚ್ಛಿಕ ಮಾದರಿಯಲ್ಲಿ, ಸಂಶೋಧನೆ ಮತ್ತು ವಿಶ್ಲೇಷಣೆ (Research and Analysis) 25.8% ರಷ್ಟು ದೊಡ್ಡ ಕಾರ್ಯ ವರ್ಗವಾಗಿದೆ, ನಂತರ ಡಾಕ್ಯುಮೆಂಟ್ ಮತ್ತು ಅಸೆಟ್ ರಚನೆ 18.6% ರಷ್ಟಿದೆ. ಗಮನಿಸಿದ ಕಾರ್ಯ ಮಿಶ್ರಣವು ಜೆನೆರೇಟಿವ್ ಕೆಲಸದ ಕಡೆಗೆ ವಾಲುತ್ತದೆ: ಡಾಕ್ಯುಮೆಂಟ್‌ಗಳು, ಸ್ಪ್ರೆಡ್‌ಶೀಟ್‌ಗಳು, ಕೋಡ್‌ಬೇಸ್‌ಗಳು, ವೆಬ್‌ಸೈಟ್‌ಗಳು ಮತ್ತು ಬಹು ಉಪಕರಣಗಳಲ್ಲಿ ಕೆಲಸದ ಅಗತ್ಯವಿರುವ ಕಾರ್ಯಪ್ರವಾಹಗಳು.

ಡೊಮೇನ್‌ಗಳಿಗೆ ತಿರುಗಿದರೆ, ಸಾಫ್ಟ್‌ವೇರ್ ಮತ್ತು IT, ಹಣಕಾಸು ಮತ್ತು ಹೂಡಿಕೆ, ಮಾರ್ಕೆಟಿಂಗ್ ಮತ್ತು ಮಾರಾಟ, ವ್ಯಾಪಾರ ಕಾರ್ಯಾಚರಣೆಗಳು, ಆರೋಗ್ಯ ರಕ್ಷಣೆ, ಶಿಕ್ಷಣ, ಕಾನೂನು ಮತ್ತು ಮಾಧ್ಯಮಗಳಲ್ಲಿ ಬಳಕೆ ವ್ಯಾಪಕವಾಗಿ ಹಂಚಲ್ಪಟ್ಟಿದೆ.

ಉನ್ನತ ಸ್ವಾಯತ್ತತೆ ಮತ್ತು ಗುಣಮಟ್ಟ

ಸ್ವಾಯತ್ತತೆಯ ಅತ್ಯಂತ ನೇರವಾದ ಸಂಕೇತವೆಂದರೆ ಬಳಕೆದಾರರು ವಿನಂತಿಯನ್ನು ಸಲ್ಲಿಸಿದ ನಂತರ ಮಾನವ ಹಸ್ತಕ್ಷೇಪವಿಲ್ಲದೆ ಸಿಸ್ಟಮ್ ಎಷ್ಟು ಸಮಯದವರೆಗೆ ಚಾಲನೆಯಾಗುತ್ತದೆ ಎಂಬುದು. Search ಸಾಮಾನ್ಯವಾಗಿ ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನೀಡುತ್ತದೆ. Computer ಆಗಾಗ್ಗೆ ನಿಮಿಷಗಳು ಅಥವಾ ಗಂಟೆಗಳವರೆಗೆ ಕೆಲಸ ಮಾಡುವುದನ್ನು ಮುಂದುವರಿಸುತ್ತದೆ: ಹುಡುಕುತ್ತಾ, ಬ್ರೌಸ್ ಮಾಡುವುದು, ಬರೆಯುವುದು, ಸಂಪಾದಿಸುವುದು, ಕೋಡ್ ರನ್ ಮಾಡುವುದು ಮತ್ತು ಮಧ್ಯಂತರ ಫಲಿತಾಂಶಗಳನ್ನು ಪರಿಶೀಲಿಸುವುದು.

ನಾವು ಎರಡೂ ಉತ್ಪನ್ನಗಳೊಂದಿಗೆ ಪ್ರಯತ್ನಿಸಿದ ಅದೇ ಕಾರ್ಯಕ್ಕೆ ಪ್ರಾಕ್ಸಿಯಾಗಿ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಒಂದೇ ರೀತಿಯ ಆರಂಭಿಕ ಪ್ರಶ್ನೆಗಳೊಂದಿಗೆ Search ಮತ್ತು Computer ಸೆಷನ್‌ಗಳನ್ನು ಬಳಸುತ್ತೇವೆ. 10,000 ಹೊಂದಾಣಿಕೆಯ ಜೋಡಿಗಳಲ್ಲಿ, Search ಗಾಗಿ 33 ಸೆಕೆಂಡುಗಳಿಗೆ ಹೋಲಿಸಿದರೆ Computer ಪ್ರತಿ ಸೆಷನ್‌ಗೆ ಸರಾಸರಿ 26 ನಿಮಿಷಗಳ ಯಂತ್ರ ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆಯನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ. ಇದು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಒಂದೇ ರೀತಿಯ ಕಾರ್ಯಗಳಲ್ಲಿ ಯಂತ್ರದ ಕೆಲಸದಲ್ಲಿ 48× ಹೆಚ್ಚಳವಾಗಿದೆ. ಮಧ್ಯಮದಲ್ಲಿ, ಅಂತರವು 9 ನಿಮಿಷಗಳ ವಿರುದ್ಧ 14 ಸೆಕೆಂಡುಗಳು ಅಥವಾ 40× ಆಗಿದೆ. ಡೊಮೇನ್ ವಿಭಜನೆಯು ಅದೇ ಮಾದರಿಯನ್ನು ತೋರಿಸುತ್ತದೆ: Computer ಎಲ್ಲಾ 18 ಡೊಮೇನ್‌ಗಳಲ್ಲಿ ಸರಿಸುಮಾರು 26–75× ಹೆಚ್ಚಿನ ಯಂತ್ರ ಕೆಲಸವನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ.

ದೀರ್ಘಕಾಲೀನ ಸ್ವಾಯತ್ತತೆಯು ಹೆಚ್ಚು ಕೈಬಿಡುವುದಕ್ಕೆ ಅನುವಾದಿಸಲಿಲ್ಲ. ಬಳಕೆದಾರರ ನಿಲುಗಡೆ ಘಟನೆಗಳು ಉತ್ಪನ್ನಗಳಾದ್ಯಂತ ಒಂದೇ ಆಗಿದ್ದವು: 3.7% Computer ಸೆಷನ್‌ಗಳು ಮತ್ತು 3.4% Search ಸೆಷನ್‌ಗಳು ಕನಿಷ್ಠ ಒಂದು ಬಳಕೆದಾರರ ನಿಲುಗಡೆ ಘಟನೆಯನ್ನು ಹೊಂದಿದ್ದವು. Computer ಬಳಕೆದಾರರ ಇನ್‌ಪುಟ್‌ಗಾಗಿ ಹೆಚ್ಚು ಬಾರಿ ವಿರಾಮಗೊಳಿಸಿತು: Search ಗಾಗಿ 0.3% ಗೆ ಹೋಲಿಸಿದರೆ 13% Computer ಪ್ರಶ್ನೆಗಳು ಕನಿಷ್ಠ ಒಂದು ವಿರಾಮ-ಬಳಕೆದಾರರ ಉಪಕರಣವನ್ನು ಆಹ್ವಾನಿಸಿವೆ, ಸಾಮಾನ್ಯವಾಗಿ ಅನುಮೋದನೆಯನ್ನು ಕೋರಲು ಅಥವಾ ಸ್ಪಷ್ಟಪಡಿಸುವ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಲು. ಇದು ಏಜೆಂಟ್‌ಗೆ ನಿರೀಕ್ಷित ಮಾದರಿಯಾಗಿದೆ: ಇದು ಹೆಚ್ಚಿನ ಸಮಯ ಸ್ವಾಯತ್ತವಾಗಿ ಮುಂದುವರಿಯಬಹುದು, ಆದರೆ ಅನುಮೋದನೆ ಪಡೆಯಲು ಮತ್ತು ಬಳಕೆದಾರರು ಏನು ಬಯಸುತ್ತಾರೆ ಎಂಬುದನ್ನು ದೃಢೀಕರಿಸಲು ಅದಕ್ಕೆ ಚೆಕ್‌ಪಾಯಿಂಟ್‌ಗಳು ಬೇಕಾಗುತ್ತವೆ.

Computer ಮಾಡೆಲ್ ಕಾಂಟೆಕ್ಟ್ ಪ್ರೋಟೋಕಾಲ್ (MCP) ಅಥವಾ ಅಪ್ಲಿಕೇಶನ್ ಪ್ರೊಗ್ರಾಮಿಂಗ್ ಇಂಟರ್‌ಫೇಸ್ (API) ಎಂಡ್‌ಪಾಯಿಂಟ್‌ಗಳ ಮೂಲಕ ಹೆಚ್ಚಿನ ಬಾಹ್ಯ ಉಪಕರಣ ಕರೆಗಳನ್ನು ಒಂದೇ ಸೆಷನ್‌ಗೆ ಸರಪಳಿಯಾಗಿ ಜೋಡಿಸುತ್ತದೆ, ಇದು Search ಬಳಕೆದಾರರು ಪ್ರತ್ಯೇಕ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಲ್ಲಿ ಕೈಯಿಂದ ಮಾಡುವ ಕೆಲಸವನ್ನು ಮಾಡುತ್ತದೆ. 7.9% Computer ಸೆಷನ್‌ಗಳು Search ಸೆಷನ್‌ಗಳ 1.8% ಗೆ ಹೋಲಿಸಿದರೆ ಕನಿಷ್ಠ ಒಂದು ಕನೆಕ್ಟರ್ ಕರೆಯನ್ನು ಮಾಡುತ್ತವೆ (4× ಅಂತರ), ಮತ್ತು Computer Search ಗಾಗಿ 0.10 ಗೆ ಹೋಲಿಸಿದರೆ ಪ್ರತಿ ಸೆಷನ್‌ಗೆ ಸರಾಸರಿ 1.19 ಕನೆಕ್ಟರ್ ಕರೆಗಳನ್ನು ಮಾಡುತ್ತದೆ (12× ಅನುಪಾತ). ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, Computer ಹೆಚ್ಚು ಸಮಯ ಮಾತ್ರ ರನ್ ಆಗುವುದಿಲ್ಲ; ಡೇಟಾವನ್ನು ಎಳೆಯಲು ಮತ್ತು ಕ್ರಮಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಇದು ಬಳಕೆದಾರರ ಸಂಪರ್ಕಿತ ಸೇವೆಗಳಲ್ಲಿ ಹೆಚ್ಚಿನದನ್ನು ತಲುಪುತ್ತದೆ.

ಫಾಲೋ-ಅಪ್ ವರ್ತನೆಯು ಸಂಯೋಜನೆಯಲ್ಲಿ ಬದಲಾಗುತ್ತದೆ. 1,000-ಜೋಡಿಯ ಬಹು-ತಿರುವಿನ ಮಾದರಿಯಲ್ಲಿ, ಕಾರ್ಯ ಮುನ್ನಡೆಯ ಕಡೆಗೆ ಒಟ್ಟಾರೆ ಪ್ರವೃತ್ತಿಯು ಉತ್ಪನ್ನಗಳಾದ್ಯಂತ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಒಂದೇ ಆಗಿರುತ್ತದೆ (Computer ಫಾಲೋ-ಅಪ್‌ಗಳಲ್ಲಿ 52.7% ಗೆ ಹೋಲಿಸಿದರೆ Search ಗೆ 52.9%), ಆದರೆ ಬಳಕೆದಾರರು ಏನು ಕೇಳುತ್ತಾರೆ ಎಂಬುದು ಬದಲಾಗುತ್ತದೆ: Computer ಮುಂಚಿತವಾಗಿ ಹೆಚ್ಚು ಸಂಪೂರ್ಣವಾದ ತಲುಪಿಸಬಹುದಾದ ವಸ್ತುವನ್ನು ಹಿಂದಿರುಗಿಸುವುದರಿಂದ, ಅದರ ಬಳಕೆದಾರರು ಸ್ಪಷ್ಟಪಡಿಸುವ ಡ್ರಿಲ್-ಡೌನ್‌ಗಳಿಗೆ ವಿಸ್ತರಣೆಗಳನ್ನು ಬದಲಾಯಿಸುತ್ತಾರೆ (ವಿಸ್ತರಣೆಗಳು 14.2% ರ ವಿರುದ್ಧ 12.5%; ಡ್ರಿಲ್-ಡೌನ್‌ಗಳು 22.0% ರ ವಿರುದ್ಧ 23.4%). Computer ಬಳಕೆದಾರರು ತಮ್ಮ ಫಾಲೋ-ಅಪ್‌ಗಳಲ್ಲಿ ಸ್ವಲ್ಪ ಹೆಚ್ಚು ಸಮಯವನ್ನು ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪರಿಶೀಲಿಸಲು ಮತ್ತು ಪರಿಷ್ಕರಿಸಲು ಕಳೆಯುತ್ತಾರೆ (24.6% ರ ವಿರುದ್ಧ 23.6%), ಆದರೆ Search ದೃಢೀಕರಣಗಳು, ಮರುಪ್ರಯತ್ನಗಳು ಮತ್ತು ಫಾರ್ಮ್ಯಾಟ್ ವಿನಂತಿಗಳಂತಹ ಕಡಿಮೆ ನಿರ್ದೇಶನಗಳ ಮೇಲೆ ಭಾರವಾಗಿರುತ್ತದೆ (11.6% ರ ವಿರುದ್ಧ 9.9%) ಇದನ್ನು Computer ತನ್ನ ಆರಂಭಿಕ ರನ್‌ನಲ್ಲಿ ಮಡಚಿಕೊಳ್ಳುತ್ತದೆ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, Search ಕಡಿಮೆ ಡೈಜೆಸ್ಟ್-ಮತ್ತು-ಎಕ್ಸಿಕ್ಯೂಟ್ ಲೂಪ್‌ಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ; Computer ದೀರ್ಘವಾದ ವಿಮರ್ಶೆ-ಮತ್ತು-ವಿಸ್ತರಣೆ ಲೂಪ್‌ಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ.

ಮತ್ತಷ್ಟು ಮುಖ್ಯವಾಗಿ, ಹೆಚ್ಚಿನ ಸ್ವಾಯತ್ತತೆಯೊಂದಿಗೆ ಗುಣಮಟ್ಟ ಕುಸಿಯಲಿಲ್ಲ. ಹೊಂದಾಣಿಕೆಯ ಬಹು-ತಿರುವಿನ ಸೆಷನ್‌ಗಳಲ್ಲಿ, ಅರ್ಥಪೂರ್ಣವಾದ ಮುಂದಿನ-ತಿರುವಿನ ಅತೃಪ್ತಿಯು Computer ಗೆ 1.3% ಆಗಿದ್ದರೆ Search ಗೆ 2.9% ಆಗಿತ್ತು, ಇದು 55% ಕಡಿತವಾಗಿದೆ. ಸೌಮ್ಯವಾದ ಸಂಕೇತಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಯಾವುದೇ ಅತೃಪ್ತಿಯು Computer ಗೆ 10.8% ಆಗಿದ್ದರೆ Search ಗೆ 16.6% ಆಗಿತ್ತು.

ಸ್ವಾಯತ್ತತೆಯಿಂದ ದಕ್ಷತೆಯ ಲಾಭಗಳು

ಹೆಚ್ಚಿನ ಸ್ವಾಯತ್ತತೆಯು ಹಸ್ತಚಾಲಿತ ಮಾನವ ಕೆಲಸವನ್ನು ಯಂತ್ರ ಗಣನೆಗೆ ವಿನಿಮಯ ಮಾಡಿಕೊಳ್ಳುತ್ತದೆ, ಇದು ದಕ್ಷತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಈ ಪರಿಣಾಮವನ್ನು ಪ್ರಮಾಣೀಕರಿಸಲು, ನಾವು ಒಂದೇ ರೀತಿಯ ಹೊಂದಾಣಿಕೆಯ ಕಾರ್ಯಗಳಲ್ಲಿ ಎರಡು ಸೆಟಪ್‌ಗಳನ್ನು ಹೋಲಿಸುತ್ತೇವೆ.

Search + Human: Search ಮರುಪಡೆಯುವಿಕೆ ಮತ್ತು ಸಂಶ್ಲೇಷಣೆಯನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ; ಮಾನವನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಕಾರ್ಯಗತಗೊಳಿಸುತ್ತಾನೆ.

Computer + Human: Computer ಕಾರ್ಯಪ್ರವಾಹವನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ; ಮಾನವನು ಕಾರ್ಯವನ್ನು ಸ್ಕೋಪ್ ಮಾಡುತ್ತಾನೆ ಮತ್ತು ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪರಿಶೀಲಿಸುತ್ತಾನೆ.

ಒಂದು ಕಾರ್ಯವು ಮಾನವನಿಗೆ ಎಷ್ಟು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಎಂಬುದನ್ನು ನಮಗೆ ನೇರವಾಗಿ ಗಮನಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ, ಆದ್ದರಿಂದ ನಾವು ಮೂರು ಸ್ವತಂತ್ರ ಅಂದಾಜುಗಳೊಂದಿಗೆ ತ್ರಿಕೋನಗೊಳಿಸುತ್ತೇವೆ:

ಉಪಕರಣ-ಆಧಾರಿತ ಅಂದಾಜು: ನಾವು Computer ಉಪಕರಣ ಕರೆಗಳನ್ನು ಎರಡು ವರ್ಗಗಳಾಗಿ ವರ್ಗೀಕರಿಸುತ್ತೇವೆ: "Search" ಮತ್ತು "Do". Search ಉಪಕರಣಗಳು Search ಉತ್ಪನ್ನದಿಂದ ಈಗಾಗಲೇ ನಿರ್ವಹಿಸಲ್ಪಡುವ ಮಾಹಿತಿ ಮರುಪಡೆಯುವಿಕೆ ಮತ್ತು ಸಂಶ್ಲೇಷಣೆ ಹಂತಗಳಿಗೆ ಅನುರೂಪವಾಗಿವೆ. Do ಉಪಕರಣಗಳು Search ಅನ್ನು ಮಾತ್ರ ಬಳಸುವಾಗ ಮಾನವನು ಹಸ್ತಚಾಲಿತವಾಗಿ ನಿರ್ವಹಿಸಬೇಕಾದ ಕಾರ್ಯಗತಗೊಳಿಸುವ ಹಂತಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ. ಅನುಭವಿ ಮಾನವನು ಈ Do ಕ್ರಿಯೆಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಅಗತ್ಯವಿರುವ ಸಮಯವನ್ನು ನಾವು ಅಂದಾಜು ಮಾಡುತ್ತೇವೆ.

LLM-ಆಧಾರಿತ ಅಂದಾಜು: Search ನಿಂದ ಉತ್ತರಗಳನ್ನು ಸ್ವೀಕರಿಸುವ ಆದರೆ ಎಲ್ಲಾ ಕಾರ್ಯಗತಗೊಳಿಸುವ ಹಂತಗಳನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ನಿರ್ವಹಿಸಬೇಕಾದ ನುರಿತ ವೃತ್ತಿಪರರಿಗೆ ಅಗತ್ಯವಿರುವ ಸಮಯವನ್ನು ಅಂದಾಜು ಮಾಡಲು ನಾವು Computer ಸೆಷನ್‌ಗಳಿಂದ ಪ್ರಶ್ನೆಗಳನ್ನು LLM ಗೆ ಫೀಡ್ ಮಾಡುತ್ತೇವೆ.

ಬಳಕೆದಾರರು ವರದಿ ಮಾಡಿದ ಅಂದಾಜು: ನಾವು ಡೊಮೇನ್‌ಗಳಾದ್ಯಂತ ಸಕ್ರಿಯ Computer ಬಳಕೆದಾರರೊಂದಿಗೆ 25 ಅರ್ಧ-संरचित ಸಂದರ್ಶನಗಳನ್ನು ನಡೆಸುತ್ತೇವೆ ಮತ್ತು ಪೂರ್ವ-Computer ಕಾರ್ಯಪ್ರವಾಹಗಳು ಮತ್ತು ಆ ಕಾರ್ಯಪ್ರವಾಹಗಳಿಗೆ ತೆಗೆದುಕೊಂಡ ಸಮಯವನ್ನು ಹೊರತೆಗೆಯುತ್ತೇವೆ.

ಉಪಕರಣ-ಆಧಾರಿತ ಅಂದಾಜಿನಡಿಯಲ್ಲಿ, ಸರಾಸರಿ Search + Human ಕಾರ್ಯವು 269 ನಿಮಿಷಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ, ಆದರೆ ಅನುರೂಪವಾದ Computer + Human ಕಾರ್ಯಪ್ರವಾಹವು 36 ನಿಮಿಷಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ಇದು ಕಾರ್ಯದ ಸಮಯದಲ್ಲಿ 87% ಕಡಿತವಾಗಿದೆ.

ಕಾರ್ಯದ ಸಮಯವನ್ನು ವೆಚ್ಚಕ್ಕೆ ಭಾಷಾಂತರಿಸಲು, ನಾವು ಯು.ಎಸ್. ಬ್ಯೂರೋ ಆಫ್ ಲೇಬರ್ ಸ್ಟ್ಯಾಟಿಸ್ಟಿಕ್ಸ್ ಆಕ್ಯುಪೇಷನಲ್ ಎಂಪ್ಲಾಯ್ಮೆಂಟ್ ಅಂಡ್ ವೇಜ್ ಸ್ಟ್ಯಾಟಿಸ್ಟಿಕ್ಸ್ (BLS OEWS) ಮೇ 2025 ರ ಡೇಟಾದಿಂದ (ಯು.ಎಸ್. ಬ್ಯೂರೋ ಆಫ್ ಲೇಬರ್ ಸ್ಟ್ಯಾಟಿಸ್ಟಿಕ್ಸ್ 2026) ಡೊಮೇನ್-ನಿರ್ದಿಷ್ಟ ಸರಾಸರಿ ಗಂಟೆಯ ವೇಗವನ್ನು ಬಳಸುತ್ತೇವೆ. ಮಾಡೆಲ್ ವೆಚ್ಚವನ್ನು ಡೊಮೇನ್-ನಿರ್ದಿಷ್ಟ ಮಾನವ ಕಾರ್ಮಿಕ ವೆಚ್ಚದೊಂದಿಗೆ ಸಂಯೋಜಿಸಿ, Computer ಅಂದಾಜು ಕಾರ್ಯ ವೆಚ್ಚವನ್ನು ಸರಾಸರಿ 94% ರಷ್ಟು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.

ದಕ್ಷತೆಯ ಅನುಕೂಲವು ಎಲ್ಲಾ 18 ಡೊಮೇನ್‌ಗಳಲ್ಲಿ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತದೆ, 79–92% ಸಮಯ ಉಳಿತಾಯ ಮತ್ತು 87–96% ವೆಚ್ಚ ಉಳಿತಾಯವಿದೆ. ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಅತ್ಯಂತ ವಿಪರೀತ ಪ್ರಕರಣವಾಗಿದೆ: Search + Human ಗೆ 596 ನಿಮಿಷಗಳು ಮತ್ತು Computer + Human ಗೆ 48 ನಿಮಿಷಗಳು—92% ಸಮಯ ಕಡಿತವು 96% ವೆಚ್ಚ ಕಡಿತವನ್ನು ನೀಡುತ್ತದೆ. ವ್ಯಾಪಾರ, ತಂತ್ರಜ್ಞಾನ, ಶಿಕ್ಷಣ ಮತ್ತು ಬರವಣಿಗೆಯೂ ಸಹ ದೊಡ್ಡ ಲಾಭಗಳನ್ನು ತೋರಿಸುತ್ತವೆ. ಸಮಯ ಉಳಿತಾಯವು ಹೆಚ್ಚಿನ ವೇತನದ ಡೊಮೇನ್‌ಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ವೆಚ್ಚ ಉಳಿತಾಯಕ್ಕೆ ಭಾಷಾಂತರಿಸುತ್ತದೆ.

ಈ ಫಲಿತಾಂಶವು ಎಷ್ಟು ದೃಢವಾಗಿದೆ? ಬ್ರೇಕ್‌ಈವನ್ ಅನ್ನು ಪರಿಗಣಿಸಿ: Search + Human Computer + Human ವೆಚ್ಚಕ್ಕೆ ಹೊಂದಿಕೆಯಾಗಲು, ವೃತ್ತಿಪರರು ಪ್ರತಿ ಹಸ್ತಚಾಲಿತ ಹಂತವನ್ನು 14–24 ನಿಮಿಷಗಳಲ್ಲಿ (ಮಧ್ಯಮ 18) ಮುಗಿಸಬೇಕಾಗುತ್ತದೆ. Computer ಹೆಚ್ಚು ಸಂಪ್ರದಾಯವಾದಿ ಊಹೆಗಳ ಅಡಿಯಲ್ಲೂ ಪ್ರತಿ ಡೊಮೇನ್‌ನಲ್ಲಿ ತನ್ನ ಅಂಚನ್ನು ಕಾಯ್ದುಕೊಳ್ಳುತ್ತದೆ: ಉದಾಹರಣೆಗೆ, ಪ್ರತಿ-ಉಪಕರಣದ ಸಮಯದಲ್ಲಿ 8× ಅತಿ ಅಂದಾಜು, ಅಥವಾ Computer ನ ಮೇಲ್ವಿಚಾರಣಾ ಸಮಯದಲ್ಲಿ 12× ಕಡಿಮೆ ಅಂದಾಜು.

LLM-ಆಧಾರಿತ ಅಂದಾಜು ಒಂದೇ ರೀತಿಯ ಒಟ್ಟು ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುತ್ತದೆ: ಒಟ್ಟಾರೆಯಾಗಿ ಸಮಯದಲ್ಲಿ 84% ಕಡಿತ ಮತ್ತು ವೆಚ್ಚದಲ್ಲಿ 93% ಕಡಿತ. ಬಳಕೆದಾರರ ಸಂದರ್ಶನಗಳು ವ್ಯಾಪಕವಾದ ಫಲಿತಾಂಶಗಳನ್ನು ತೋರಿಸುತ್ತವೆ—5× ನಿಂದ 300× ಗಿಂತ ಹೆಚ್ಚು ವೇಗವರ್ಧನೆಗಳು—ಬಹುಶಃ ಬಳಕೆದಾರರ ಪೂರ್ವ-Computer ಬೇಸ್‌ಲೈನ್‌ಗಳಲ್ಲಿ ಗಮನಾರ್ಹ ವ್ಯತ್ಯಾಸವನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತವೆ. ಭಾಗವಹಿಸುವವರಲ್ಲಿ ಮಧ್ಯಮ ವೇಗವರ್ಧನೆಯು 25× ಆಗಿದೆ, ಇದು ಸಮಯದಲ್ಲಿ 96% ಕಡಿತಕ್ಕೆ ಅನುರೂಪವಾಗಿದೆ.

ಕಾರ್ಯದ ವ್ಯಾಪ್ತಿಯು ಅಡ್ಡಡ್ಡಲಾಗಿ ಮತ್ತು ಲಂಬವಾಗಿ ವಿಸ್ತರಿಸುತ್ತದೆ

ಹೊಂದಾಣಿಕೆಯ ಕಾರ್ಯಗಳ ವೇಗ ಮತ್ತು ವೆಚ್ಚವು ಕಥೆಯ ಭಾಗವನ್ನು ಮಾತ್ರ ಸೆರೆಹಿಡಿಯುತ್ತದೆ. ಕೆಲಸದ ಆಕಾರವೂ ಬದಲಾಗಬಹುದು. Computer ಹಸ್ತಚಾಲಿತ ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆಯನ್ನು ಯಂತ್ರ ಗಣನೆಯೊಂದಿಗೆ ಬದಲಾಯಿಸುವುದರಿಂದ, ಬಳಕೆದಾರರು ವಿವಿಧ ರೀತಿಯ ಕೆಲಸಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬಹುದು—ವೃತ್ತಿಪರ ಗಡಿಗಳನ್ನು ದಾಟುವ ಕಾರ್ಯಗಳು ಮತ್ತು ಉನ್ನತ ಮಟ್ಟದ ಪರಿಣತಿಯ ಅಗತ್ಯವಿರುವ ಕಾರ್ಯಗಳು.

ಮೊದಲನೆಯದಾಗಿ, ಬಳಕೆದಾರರು Search ಗಿಂತ Computer ನೊಂದಿಗೆ ತಮ್ಮ ಅನುಮಾನಾಸ್ಪದ ಪ್ರಾಥಮಿಕ ವೃತ್ತಿ ಸಮೂಹದ ಹೊರಗೆ ಹೆಚ್ಚು ಬಾರಿ ಕೆಲಸ ಮಾಡುತ್ತಾರೆಯೇ ಎಂದು ನಾವು ಕೇಳುತ್ತೇವೆ. ಎರಡನೆಯದಾಗಿ, ನಾವು ಒಂದೇ ರೀತಿಯ ಬಳಕೆದಾರರಿಂದ Computer ಮತ್ತು Search ಪ್ರಶ್ನೆಗಳನ್ನು ಐದು ಕಾರ್ಯ-ಮಟ್ಟದ ವರ್ಗೀಕರಣಗಳನ್ನು ಬಳಸಿ ಹೋಲಿಸುತ್ತೇವೆ: ಬ್ಲೂಮ್ಸ್ ಪರಿಷ್ಕೃತ ವರ್ಗೀಕರಣ (ಆಂಡರ್ಸನ್ ಮತ್ತು ಕ್ರಾತ್‌ವೋಲ್ 2001), ಕಾರ್ಯ-ವಿಷಯ ಸಂಪ್ರದಾಯದಲ್ಲಿ ಅಮೂರ್ತ ವಿರುದ್ಧ ದಿನಚರಿಯ ಕೆಲಸ (ಆಟೋರ್, ಲೆವಿ, ಮತ್ತು ಮುರ್ನೇನ್ 2003), O*NET ಜ್ಞಾನದ ಅಗಾಧತೆ (ನ್ಯಾಷನಲ್ ಸೆಂಟರ್ ಫಾರ್ O*NET ಡೆವಲಪ್‌ಮೆಂಟ್ 2026), O*NET ಕೆಲಸ-ಚಟುವಟಿಕೆ ಅಗಾಧತೆ, ಮತ್ತು Search ನೊಂದಿಗೆ ಪ್ರಯತ್ನಿಸದ ಹೊಸ ಕಾರ್ಯಗಳು.

ಡೇಟಾದಲ್ಲಿ ಅಡ್ಡಡ್ಡಲಾದ ಬದಲಾವಣೆಯು ಸ್ಪಷ್ಟವಾಗಿದೆ. ಎಂಟು ವೃತ್ತಿ ಸಮೂಹಗಳ 8,000 ಬಳಕೆದಾರರ ಮಾದರಿಯಲ್ಲಿ, ಅವರ ಎಲ್ಲಾ ಪ್ರಶ್ನೆಗಳನ್ನು ಬಳಸಿ, Computer ಬಳಕೆದಾರರು Search ಗೆ 50% ಗೆ ಹೋಲಿಸಿದರೆ 59% ರಷ್ಟು ಸಮಯ ತಮ್ಮ ಪ್ರಾಥಮಿಕ ವೃತ್ತಿಯ ಹೊರಗೆ ಕೆಲಸ ಮಾಡುತ್ತಾರೆ. ನಿರ್ವಹಣೆ ಮತ್ತು ಉದ್ಯಮಶೀಲತೆ, ಡಿಜಿಟಲ್ ತಂತ್ರಜ್ಞಾನ, ಕಲೆ ಮತ್ತು ವಿನ್ಯಾಸ, ಮತ್ತು ಆರೋಗ್ಯ ರಕ್ಷಣೆ ಮತ್ತು ಮಾನವ ಸೇವೆಗಳಲ್ಲಿ ದೊಡ್ಡ ಹೆಚ್ಚಳಗಳು ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತವೆ. ವೃತ್ತಿ-ದಾಟುವ Search ಪ್ರಶ್ನೆಗಳು ಡಿಜಿಟಲ್ ತಂತ್ರಜ್ಞಾನದಲ್ಲಿ ಕೇಂದ್ರೀಕೃತವಾಗಿವೆ, ಆದರೆ Computer ಪ್ರಶ್ನೆಗಳು ಬಳಕೆದಾರರಿಗೆ ವಿಶೇಷ ತಜ್ಞರ ಅಗತ್ಯವಿರುವ ಹೆಚ್ಚು ವೈವಿಧ್ಯಮಯ ಡೊಮೇನ್‌ಗಳಿಗೆ ಕೆಲಸವನ್ನು ದಾಟಿಸುತ್ತವೆ.

ಲಂಬವಾದ ಬದಲಾವಣೆಯು ಇನ್ನಷ್ಟು ದೊಡ್ಡದಾಗಿದೆ. ಅದೇ ಸೆಟ್ ಡ್ಯುಯಲ್-ಪ್ರೊಡಕ್ಟ್ ಬಳಕೆದಾರರಿಂದ 5,000 Computer ಪ್ರಶ್ನೆಗಳು ಮತ್ತು 5,000 Search ಪ್ರಶ್ನೆಗಳ ಮಾದರಿಯಲ್ಲಿ, Computer ಪ್ರಶ್ನೆಗಳು Search ಪ್ರಶ್ನೆಗಳಿಗಿಂತ ಹೆಚ್ಚು ಅರಿವಿನಿಂದ ಸಂಕೀರ್ಣವಾಗಿವೆ. ಬ್ಲೂಮ್ಸ್ ಪರಿಷ್ಕೃತ ವರ್ಗೀಕರಣದ ಮೇಲೆ, 76% Computer ಪ್ರಶ್ನೆಗಳಿಗೆ ಉನ್ನತ-ಕ್ರಮದ ಅರಿವಿನ ಅಗತ್ಯವಿರುತ್ತದೆ, Search ಗಿಗೆ 55% ಗೆ ಹೋಲಿಸಿದರೆ. ವ್ಯತ್ಯಾಸವು ಮೇಲ್ಭಾಗದಲ್ಲಿ ಕೇಂದ್ರೀಕೃತವಾಗಿದೆ: 50% Computer ಪ್ರಶ್ನೆಗಳು ರಚಿಸು-ಮಟ್ಟದ (Create-level) ಕಾರ್ಯಗಳಾಗಿವೆ, Search ಗಿಗೆ 26% ಗೆ ಹೋಲಿಸಿದರೆ. Search ಜ್ಞಾಪನೆ-ಮಟ್ಟದ ಸತ್ಯ ಹುಡುಕಾಟದಲ್ಲಿ ಹೆಚ್ಚು ದ್ರವ್ಯರಾಶಿಯನ್ನು ಹೊಂದಿದೆ. ಅಮೂರ್ತ-ವಿರುದ್ಧ-ದಿನಚರಿಯ ಕಾರ್ಯ-ಮಟ್ಟದ ಆಯಾಮದಲ್ಲಿ, 71% Computer ಪ್ರಶ್ನೆಗಳು ಅಮೂರ್ತ, ದಿನಚರಿಯಲ್ಲದ ಅರಿವನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ Search ಗಿಗೆ 53% ಗೆ ಹೋಲಿಸಿದರೆ.

Computer ಕಾರ್ಯಗಳು ಹೆಚ್ಚಿನ ಜ್ಞಾನ ಡೊಮೇನ್‌ಗಳನ್ನು ಸಹ ಸೆಳೆಯುತ್ತವೆ. ಸರಾಸರಿ Computer ಕಾರ್ಯಕ್ಕೆ 2.40 O*NET ಜ್ಞಾನ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಗಣನೀಯ ಪರಿಣತಿಯ ಅಗತ್ಯವಿರುತ್ತದೆ, Search ಗಿಗೆ 1.74 ಗೆ ಹೋಲಿಸಿದರೆ, ಇದು 38% ಹೆಚ್ಚಳವಾಗಿದೆ. Computer ಮೂರು ಅಥವಾ ಹೆಚ್ಚಿನ ಜ್ಞಾನ ಡೊಮೇನ್‌ಗಳ ಅಗತ್ಯವಿರುವಲ್ಲಿ Search ಗಿಂತほぼ ಮೂರು ಪಟ್ಟು ಹೆಚ್ಚು ಸಾಧ್ಯತೆಯಿದೆ: 51% ರ ವಿರುದ್ಧ 17%.

ಕೆಲಸ-ಚಟುವಟಿಕೆಯ ಮಟ್ಟದಲ್ಲಿ, ಅದೇ ಮಾದರಿಯು ಹಿಡಿದಿಟ್ಟುಕೊಳ್ಳುತ್ತದೆ. ವಿಶಿಷ್ಟವಾದ Computer ಪ್ರಶ್ನೆಯು 2.95 O*NET ಸಾಮಾನ್ಯೀಕೃತ ಕೆಲಸದ ಚಟುವಟಿಕೆಗಳು ಮತ್ತು 4.01 ಮಧ್ಯಂತರ ಕೆಲಸದ ಚಟುವಟಿಕೆಗಳನ್ನು ತೊಡಗಿಸಿಕೊಳ್ಳುತ್ತದೆ Search ಗಿಗೆ 2.24 ಮತ್ತು 2.87 ಗೆ ಹೋಲಿಸಿದರೆ, ಇದು 32% ಮತ್ತು 40% ಹೆಚ್ಚಳವಾಗಿದೆ. ಸೂಕ್ಷ್ಮ ಮಟ್ಟದಲ್ಲಿ, Computer 59% ಹೆಚ್ಚಿನ ವಿವರವಾದ ಕೆಲಸದ ಚಟುವಟಿಕೆಗಳನ್ನು ಮತ್ತು 60% ಹೆಚ್ಚಿನ ವೃತ್ತಿ-ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯ ಹೇಳಿಕೆಗಳನ್ನು ತೊಡಗಿಸಿಕೊಳ್ಳುತ್ತದೆ.

ಅತ್ಯಂತ ಬಹಿರಂಗಪಡಿಸುವ ಅಳತೆಯೆಂದರೆ ಅದೇ ಬಳಕೆದಾರರಲ್ಲಿ Search ನಲ್ಲಿ ಕಾಣಿಸಿಕೊಳ್ಳದ ಆದರೆ Computer ನಲ್ಲಿ ಕಾಣಿಸಿಕೊಳ್ಳುವ ಕಾರ್ಯಗಳ ಸೆಟ್. ಕಟ್ಟುನಿಟ್ಟಾದ ವ್ಯಾಖ್ಯಾನದಲ್ಲಿ, ಕಾರ್ಯದ ಹೇಳಿಕೆಯು Computer ನಲ್ಲಿ ಕಾಣಿಸಿಕೊಂಡಾಗ ಮತ್ತು ಜೋಡಿಯಾದ Search ಮಾದರಿಯಲ್ಲಿ ಎಂದಿಗೂ ಕಾಣಿಸಿಕೊಳ್ಳದಿದ್ದಾಗ, 23% Computer ಪ್ರಶ್ನೆಗಳು ಕನಿಷ್ಠ ಒಂದು Computer-ಮಾತ್ರ ಕಾರ್ಯದ ಹೇಳಿಕೆಯನ್ನು ತೊಡಗಿಸಿಕೊಳ್ಳುತ್ತವೆ. ಐದು Search occurrences ವರೆಗೆ ಅನುಮತಿಸಲು ಮಿತಿಯನ್ನು ಸಡಿಲಿಸುವುದು ಪಾಲನ್ನು 38% ಕ್ಕೆ ಹೆಚ್ಚಿಸುತ್ತದೆ, ಮತ್ತು ಇದು ಸುಮಾರು 41% ಕ್ಕೆ ಸಮತಟ್ಟಾಗುತ್ತದೆ. ಈ Computer-ಮಾತ್ರ ಚಟುವಟಿಕೆಗಳು ಸಾಫ್ಟ್‌ವೇರ್ ಮತ್ತು ವೆಬ್ ಅಭಿವೃದ್ಧಿ, ದಸ್ತಾವೇಜನ್ನು ಉತ್ಪಾದನೆ ಮತ್ತು ಡೇಟಾ ದೃಶ್ಯೀಕರಣ ಅಥವಾ ಗ್ರಾಫಿಕ್ಸ್‌ನಲ್ಲಿ ಕೇಂದ್ರೀಕೃತವಾಗಿರುತ್ತವೆ. ಸ್ವಾಯತ್ತ ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆಯು ಅತ್ಯಂತ ಮುಖ್ಯವಾದ ಸ್ಥಳದಲ್ಲಿದೆ: Search ವಿವರಿಸುತ್ತದೆ; Computer ಉತ್ಪಾದಿಸುತ್ತದೆ.

ಚರ್ಚೆ

ಕೆಲಸದಲ್ಲಿ AI ಕುರಿತ ಹೆಚ್ಚಿನ ಸಾಕ್ಷ್ಯಗಳು ಸಹಾಯಕ ಸೆಟ್ಟಿಂಗ್ ಮೇಲೆ ಗಮನಹರಿಸುತ್ತವೆ. ಆ ಸಾಹಿತ್ಯವು ಬರವಣಿಗೆ, ಗ್ರಾಹಕ ಬೆಂಬಲ, ಕೋಡಿಂಗ್ ಮತ್ತು ಸಲಹೆಯನ್ನು ವರ್ಧಿಸುವಲ್ಲಿ ದೊಡ್ಡ ಉತ್ಪಾದಕತಾ ಲಾಭಗಳನ್ನು ತೋರಿಸಿದೆ (ಉದಾ., ನಾಯ್ ಮತ್ತು ಝಾಂಗ್ 2023; ಬ್ರಿಂಜೋಲ್ಫ್‌ಸನ್, ಲಿ, ಮತ್ತು ರೇಮಂಡ್ 2025; ಕুই ಮತ್ತು ಇತರರು 2026; ಡೆಲ್'ಅಕ್ವಾ ಮತ್ತು ಇತರರು 2026).

ಏಜೆಂಟ್‌ಗಳು ಬಳಕೆದಾರರ ವರ್ತನೆ ಮತ್ತು ಕೆಳಮುಖ ಆರ್ಥಿಕ ಫಲಿತಾಂಶಗಳನ್ನು ಬದಲಾಯಿಸುತ್ತವೆ. ಉತ್ಪಾದನಾ ನಿಯೋಜನೆಗಳು ನೈಜ-ಪ್ರಪಂಚದ ಸೆಟ್ಟಿಂಗ್‌ಗಳಲ್ಲಿ ಏಜೆಂಟ್ ಬಳಕೆ ಮತ್ತು ಪ್ರಭಾವವನ್ನು ಬಹಿರಂಗಪಡಿಸಲು ಪ್ರಾರಂಭಿಸುತ್ತಿವೆ ಆದರೆ ಹೆಚ್ಚಾಗಿ ವಿಶೇಷ ಕೋಡಿಂಗ್ ಏಜೆಂಟ್‌ಗಳು ಮತ್ತು ಆರಂಭಿಕ ಬ್ರೌಸರ್ ಏಜೆಂಟ್‌ಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕೃತವಾಗಿವೆ (ಉದಾ., ಸಾರ್ಕರ್ 2026; ಮೆಕ್‌ಕೈನ್ ಮತ್ತು ಇತರರು 2026; ಡೆಮಿರೆರ್, ಮುಸೊಲ್ಫ್, ಮತ್ತು ಯಾಂಗ್ 2026; ಯಾಂಗ್ ಮತ್ತು ಇತರರು 2025). ಸಾಮಾನ್ಯ-ಉದ್ದೇಶದ ಏಜೆಂಟ್ ಆರ್ಕೆಸ್ಟ್ರೇಟರ್ ವಿರುದ್ಧ ಸಂಭಾಷಣೆಯ ಸಹಾಯಕರೊಂದಿಗೆ ಬಳಕೆದಾರರ ಪರಸ್ಪರ ಕ್ರಿಯೆಯನ್ನು ಹೋಲಿಸುವ ಮೂಲಕ ನಾವು ಈ ಕೆಲಸಕ್ಕೆ ಪೂರಕವಾಗಿರುತ್ತೇವೆ ಮತ್ತು ಸಹಾಯಕ ಮತ್ತು ಏಜೆಂಟ್ ಸಾಹಿತ್ಯವನ್ನು ಸೇತುವೆ ಮಾಡುತ್ತೇವೆ ಮತ್ತು ಕೆಳಮುಖ ಪ್ರಭಾವದ ವಿಶ್ಲೇಷಣೆಯನ್ನು ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಜ್ಞಾನದ ಕೆಲಸಕ್ಕೆ ವಿಸ್ತರಿಸುತ್ತೇವೆ.

ನಾವು ಮಾನ್ಯತೆಯಿಂದ ಅರಿತುಕೊಂಡ ಕಾರ್ಯ ಮರುಸಂಯೋಜನೆಗೆ ಸಹ ಚಲಿಸುತ್ತೇವೆ. ಹಿಂದಿನ ಕೆಲಸವು ಕಾರ್ಯ ವಿವರಣೆಗಳು ಮತ್ತು ವೃತ್ತಿಪರ ರಚನೆಯನ್ನು ಬಳಸಿ ಯಾವ ವೃತ್ತಿಗಳಿಗೆ AI ಒಡ್ಡಿಕೊಳ್ಳುತ್ತದೆ ಎಂದು ಅಂದಾಜು ಮಾಡುತ್ತದೆ (ಉದಾ., ಎಲೌಂಡೌ ಮತ್ತು ಇತರರು 2024; ಫೆಲ್ಟೆನ್, ರಾಜ್, ಮತ್ತು ಸೀಮನ್ಸ್ 2023), ಆದರೆ ಬಳಕೆಯ ಆಧಾರಿತ ಅಳತೆಗಳು ಮಾನ್ಯತೆ ಮತ್ತು ನಿಯೋಜನೆಯ ನಡುವಿನ ಅಂತರವನ್ನು ತೋರಿಸುತ್ತವೆ (ಮಾಸೆಂಕೊಫ್ ಮತ್ತು ಮೆಕ್‌ಕ್ರೋರಿ 2026). ಏಜೆಂಟ್ ಪ್ರವೇಶದೊಂದಿಗೆ ಕಾರ್ಯ ಸಂಯೋಜನೆಯು ಹೇಗೆ ಬದಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ನಾವು ದಾಖಲಿಸುತ್ತೇವೆ.

ನಾವು ಹಲವಾರು ಎಚ್ಚರಿಕೆಗಳನ್ನು ಗಮನಿಸುತ್ತೇವೆ. ಮೊದಲನೆಯದಾಗಿ, ವೀಕ್ಷಣಾ ವಿಂಡೋ ಆರಂಭಿಕವಾಗಿದೆ, ಮತ್ತು ಆರಂಭಿಕ ಅಳವಡಿಕೆದಾರರು AI ನೇಟಿವ್‌ಗಳ ಕಡೆಗೆ ವಾಲುತ್ತಾರೆ. ಬಳಕೆದಾರರು ವೇಗವಾಗಿ ವಿಕಸನಗೊಳ್ಳುತ್ತಿರುವ ಉತ್ಪನ್ನ ಭೂದೃಶ್ಯದೊಳಗೆ ತಮ್ಮ ಕಾರ್ಯಪ್ರವಾಹಗಳನ್ನು ಸಕ್ರಿಯವಾಗಿ ಪ್ರಯೋಗಿಸುತ್ತಿದ್ದಾರೆ ಮತ್ತು ಹೊಂದಿಕೊಳ್ಳುತ್ತಿದ್ದಾರೆ, ಆದ್ದರಿಂದ ಈ ಮಾದರಿಗಳು ಕಾಲಾನಂತರದಲ್ಲಿ ಬದಲಾಗಬಹುದು. ಎರಡನೆಯದಾಗಿ, ಸೆಷನ್-ಆಧಾರಿತ ಹೊಂದಾಣಿಕೆಯ-ಪ್ರಶ್ನೆ ವಿನ್ಯಾಸವು ಯಾವುದೇ ಹತ್ತಿರದ Search ಸಮಾನತೆಯನ್ನು ಹೊಂದಿರದ ಅನೇಕ Computer ಕಾರ್ಯಗಳನ್ನು ಬಿಟ್ಟುಬಿಡುತ್ತದೆ. ಸೆಷನ್‌ಗಳು ಕಾರ್ಯಗಳನ್ನು ವಿಭಾಗಿಸಲು ಸ್ವಾಭಾವಿಕ ಮಾರ್ಗವನ್ನು ಒದಗಿಸುತ್ತವೆಯಾದರೂ, ಬಳಕೆದಾರರು ಯಾವಾಗಲೂ ಆಚರಣೆಯಲ್ಲಿ ಈ ರಚನೆಯನ್ನು ಅನುಸರಿಸುವುದಿಲ್ಲ, ಇದು ಸೆಷನ್‌ಗಳನ್ನು ಕಾರ್ಯ ಘಟಕಗಳಿಗೆ ಗದ್ದಲದ ಪ್ರಾಕ್ಸಿಯನ್ನಾಗಿ ಮಾಡುತ್ತದೆ. ಮೂರನೆಯದಾಗಿ, ದಕ್ಷತೆಯ ಅಂದಾಜುಗಳು ಮಾನವ-ಸಮಾನ ಉಪಕರಣದ ಸಮಯ ಮತ್ತು ಮಾನವ ಮೇಲ್ವಿಚಾರಣಾ ಸಮಯದ ಬಗ್ಗೆಯ ಊಹೆಗಳ ಮೇಲೆ ನಿರ್ಣಾಯಕವಾಗಿ ಅವಲಂಬಿತವಾಗಿವೆ. LLM-ಆಧಾರಿತ ಅಂದಾಜುಗಳು ಮತ್ತು ಬಳಕೆದಾರರ ಸಂದರ್ಶನಗಳು ಒಂದೇ ದಿಕ್ಕಿನಲ್ಲಿ ತೋರಿಸಿದರೂ, ಮತ್ತು ಬ್ರೇಕ್‌ಈವನ್ ಮತ್ತು ಸಂವೇದನಾಶೀಲತಾ ವಿಶ್ಲೇಷಣೆಗಳು ದೃಢತೆಯನ್ನು ಸೂಚಿಸಿದರೂ, ನಿಖರವಾದ ಪ್ರಮಾಣಗಳನ್ನು ಸರಿಸುಮಾರು ಎಂದು ಓದಬೇಕು. ಸಂಬಂಧಿತವಾಗಿ, LLM ವರ್ಗೀಕರಣ ದೋಷವು ಹೆಚ್ಚುವರಿ ಮಾಪನ ಶಬ್ದವನ್ನು ಪರಿಚಯಿಸುತ್ತದೆ. ಅಂತಿಮವಾಗಿ, ನಾವು Perplexity ಪರಿಸರ ವ್ಯವಸ್ಥೆಯೊಳಗೆ ಮಾತ್ರ ಬಳಕೆದಾರರ ವರ್ತನೆಯನ್ನು ಗಮನಿಸುತ್ತೇವೆ ಮತ್ತು ಅದರ ಹೊರಗಿನ ಚಟುವಟಿಕೆಯನ್ನು ಸೆರೆಹಿಡಿಯುವುದಿಲ್ಲ, ಇದು ಬಳಕೆದಾರರ ಪೂರ್ಣ ಕೆಲಸದ ಚಟುವಟಿಕೆಗಳು ಮತ್ತು ಉಪಕರಣ ಬಳಕೆಯ ನಮ್ಮ ದೃಷ್ಟಿಯನ್ನು ಸೀಮಿತಗೊಳಿಸಬಹುದು.

ಮುಂದೆ ನೋಡುವುದು

ಏಜೆಂಟ್‌ಗಳು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಕಾರ್ಯಗಳನ್ನು ವೇಗವಾಗಿ ಮತ್ತು ಅಗ್ಗವಾಗಿಸುತ್ತವೆ—ಮತ್ತು, ಹೆಚ್ಚು ಮುಖ್ಯವಾಗಿ, ವೃತ್ತಿಪರ ಗಡಿಗಳು ಮತ್ತು ಪರಿಣತಿಯ ಮಟ್ಟಗಳನ್ನು ವ್ಯಾಪಿಸಿರುವ ಕಾರ್ಯಗಳನ್ನು ಕಾರ್ಯಸಾಧ್ಯವಾಗಿಸುತ್ತವೆ.

ಸಿಸ್ಟಮ್‌ಗೆ ಹುಡುಕಲು, ಬ್ರೌಸ್ ಮಾಡಲು, ಕೋಡ್ ಮಾಡಲು, ಫೈಲ್‌ಗಳನ್ನು ಸಂಪಾದಿಸಲು, ಸೇವೆಗಳಿಗೆ ಸಂಪರ್ಕಿಸಲು ಮತ್ತು ತಲುಪಿಸಬಹುದಾದ ವಸ್ತುಗಳನ್ನು ಉತ್ಪಾದಿಸಲು ಸಾಧ್ಯವಾದಾಗ, ಬಳಕೆದಾರರ ಬಾಟಲ್‌ನೆಕ್ ಬದಲಾಗುತ್ತದೆ. ಅವರು ಕಾರ್ಯಪ್ರವಾಹವನ್ನು ನಿರ್ವಹಿಸಲು ಕಡಿಮೆ ಸಮಯವನ್ನು ಕಳೆಯುತ್ತಾರೆ ಮತ್ತು ಗುರಿಗಳನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಲು, ಸಂದರ್ಭವನ್ನು ಪೂರೈಸಲು, ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ಪರಿಶೀಲಿಸಲು ಮತ್ತು ವಿಸ್ತರಣೆಗಳನ್ನು ಕೇಳಲು ಹೆಚ್ಚು ಸಮಯವನ್ನು ಕಳೆಯುತ್ತಾರೆ. ಬಳಕೆದಾರರು ಆಪರೇಟರ್‌ನಿಂದ ಮೇಲ್ವಿಚಾರಕನಿಗೆ ಚಲಿಸುತ್ತಾರೆ.

ವೈಯಕ್ತಿಕ ಮಟ್ಟದಲ್ಲಿ, ಈ ಬದಲಾವಣೆಯು ಕಾರ್ಯದ ಫ್ರಾಂಟಿಯರ್ ಅನ್ನು ವಿಸ್ತರಿಸುತ್ತದೆ, ಬಳಕೆದಾರರು ವಿಶಾಲವಾದ ಮತ್ತು ಆಳವಾದ ಕೆಲಸವನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಸಾಸ್ಥೆ ಮತ್ತು ಕಾರ್ಮಿಕ ಮಾರುಕಟ್ಟೆ ಮಟ್ಟದಲ್ಲಿ, ಈ ಸೂಕ್ಷ್ಮ ಮಟ್ಟದ ಬದಲಾವಣೆಗಳು ಹೇಗೆ ಒಟ್ಟುಗೂಡುತ್ತವೆ ಎಂಬುದು ತೆರೆದ ಪ್ರಶ್ನೆಯಾಗಿದೆ. ಏಜೆಂಟ್‌ಗಳಿಂದ ಸಜ್ಜಾದ ಏಕೈಕ ವ್ಯಕ್ತಿಯು ಹಿಂದೆ ಬಹು ಪಾತ್ರಗಳ ಅಗತ್ಯವಿರುವ ಕಾರ್ಯಪ್ರವಾಹಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಬಹುದಾದರೆ, ಆಗ ಏಜೆಂಟ್‌ಗಳ ದೀರ್ಘಕಾಲೀನ ಪ್ರಭಾವವನ್ನು ವೇಗ ಮತ್ತು ವೆಚ್ಚದ ಮೆಟ್ರಿಕ್‌ಗಳಿಂದ ಮಾತ್ರ ಸೆರೆಹಿಡಿಯಲಾಗುವುದಿಲ್ಲ. ಬದಲಿಗೆ, ಇದು ಕೆಲಸವನ್ನು ಹೇಗೆ ಹೆಣೆಯಲಾಗಿದೆ, ಪಾತ್ರಗಳನ್ನು ಹೇಗೆ ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ ಮತ್ತು ತಂಡಗಳನ್ನು ಹೇಗೆ ರಚಿಸಲಾಗಿದೆ ಎಂಬುದರಲ್ಲಿ ಪ್ರಕಟವಾಗುತ್ತದೆ.

ನಮ್ಮ ವಿಧಾನ ಮತ್ತು ಸಂಶೋಧನೆಗಳ ಬಗ್ಗೆ ಇನ್ನಷ್ಟು ತಿಳಿದುಕೊಳ್ಳಲು, ಸಂಪೂರ್ಣ ತಾಂತ್ರಿಕ ವರದಿಯನ್ನು ಓದಿ.

ಉಲ್ಲೇಖಗಳು

ಆಂಡರ್ಸನ್, ಲೋರಿನ್ ಡಬ್ಲ್ಯೂ., ಮತ್ತು ಡೇವಿಡ್ ಆರ್. ಕ್ರಾತ್‌ವೋಲ್. 2001. ಎ ಟ್ಯಾಕ್ಸಾನಮಿ ಫಾರ್ ಲರ್ನಿಂಗ್, ಟೀಚಿಂಗ್, ಅಂಡ್ ಅಸೆಸಿಂಗ್: ಎ ರಿವಿಷನ್ ಆಫ್ ಬ್ಲೂಮ್ಸ್ ಟ್ಯಾಕ್ಸಾನಮಿ ಆಫ್ ಎಜುಕೇಷನಲ್ ಆಬ್ಜೆಕ್ಟಿವ್ಸ್. ನ್ಯೂಯಾರ್ಕ್: ಲಾಂಗ್ಮನ್.

ಆಟೋರ್, ಡೇವಿಡ್ ಹೆಚ್., ಫ್ರಾಂಕ್ ಲೆವಿ, ಮತ್ತು ರಿಚರ್ಡ್ ಜೆ. ಮುರ್ನೇನ್. 2003. "ದಿ ಸ್ಕಿಲ್ ಕಂಟೆಂಟ್ ಆಫ್ ರೀಸೆಂಟ್ ಟೆಕ್ನಾಲಜಿಕಲ್ ಚೇಂಜ್: ಆನ್ ಎಂಪರಿಕಲ್ ಎಕ್ಸ್‌ಪ್ಲೋರೇಶನ್." ದಿ ಕ್ವಾರ್ಟರ್ಲಿ ಜರ್ನಲ್ ಆಫ್ ಎಕನಾಮಿಕ್ಸ್ 118 (4): 1279–1333.

ಬ್ರಿಂಜೋಲ್ಫ್‌ಸನ್, ಎರಿಕ್, ಡ್ಯಾನಿಯೆಲ್ ಲಿ, ಮತ್ತು ಲಿಂಡ್ಸೆ ಆರ್. ರೇಮಂಡ್. 2025. "ಜೆನೆರೇಟಿವ್ AI ಅಟ್ ವರ್ಕ್." ದಿ ಕ್ವಾರ್ಟರ್ಲಿ ಜರ್ನಲ್ ಆಫ್ ಎಕನಾಮಿಕ್ಸ್ 140 (2): 889–942.

ಕুই, ಝೆಯುವಾನ್ ಕೆವಿನ್, ಮೆರ್ಟ್ ಡೆಮಿರೆರ್, ಸೋನಿಯಾ ಜಾಫೆ, ಲಿಯಾನ್ ಮುಸೊಲ್ಫ್, ಸಿದಾ ಪೆಂಗ್, ಮತ್ತು ಟೊಬಿಯಾಸ್ ಸಾಲ್ಜ್. 2026. "ದಿ ಎಫೆಕ್ಟ್ಸ್ ಆಫ್ ಜೆನೆರೇಟಿವ್ AI ಆನ್ ಹೈ-ಸ್ಕಿಲ್ಡ್ ವರ್ಕ್: ಎವಿಡೆನ್ಸ್ ಫ್ರಮ್ ಥ್ರೀ ಫೀಲ್ಡ್ ಎಕ್ಸ್‌ಪೆರಿಮೆಂಟ್ಸ್ ವಿತ್ ಸಾಫ್ಟ್‌ವೇರ್ ಡೆವಲಪರ್ಸ್." ಮ್ಯಾನೇಜ್‌ಮೆಂಟ್ ಸೈನ್ಸ್, ಆರ್ಟಿಕಲ್ಸ್ ಇನ್ ಅಡ್ವಾನ್ಸ್.

ಡೆಲ್'ಅಕ್ವಾ, ಫ್ಯಾಬ್ರಿಜಿಯೊ, ಎಡ್ವರ್ಡ್ ಮೆಕ್‌ಫೋಲ್ಯಾಂಡ್ III, ಎಥಾನ್ ಆರ್. ಮೊಲ್ಲಿಕ್, ಹಿಲಾ ಲಿಫ್‌ಶಿಟ್ಜ್-ಅಸಾಫ್, ಕ್ಯಾಥರೀನ್ ಕೆಲ್ಲಾಗ್, ಸರಣ್ ರಾಜೇಂದ್ರನ್, ಲಿಸಾ ಕ್ರೇಯರ್, ಫ್ರಾಂಕೋಯಿಸ್ ಕ್ಯಾಂಡೆಲಾನ್, ಮತ್ತು ಕರೀಮ್ ಆರ್. ಲಖಾನಿ. 2026. "ನ್ಯಾವಿಗೇಟಿಂಗ್ ದಿ ಜಾಗ್ಡ್ ಟೆಕ್ನಾಲಜಿಕಲ್ ಫ್ರಾಂಟಿಯರ್: ಫೀಲ್ಡ್ ಎಕ್ಸ್‌ಪೆರಿಮೆಂಟಲ್ ಎವಿಡೆನ್ಸ್ ಆಫ್ ದಿ ಎಫೆಕ್ಟ್ಸ್ ಆಫ್ ಆರ್ಟಿಫಿಷಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ಆನ್ ನಾಲೆಡ್ಜ್ ವರ್ಕರ್ ಪ್ರೊಡಕ್ಟಿವಿಟಿ ಅಂಡ್ ಕ್ವಾಲಿಟಿ." ಆರ್ಗನೈಸೇಶನ್ ಸೈನ್ಸ್, ಆರ್ಟಿಕಲ್ಸ್ ಇನ್ ಅಡ್ವಾನ್ಸ್.

ಡೆಮಿರೆರ್, ಮೆರ್ಟ್, ಲಿಯಾನ್ ಮುಸೊಲ್ಫ್, ಮತ್ತು ಲಿಯುಯಾನ್ ಯಾಂಗ್. 2026. "ರೈಟಿಂಗ್ ಕೋಡ್ vs. ಶಿಪ್ಪಿಂಗ್ ಕೋಡ್: ಪ್ರೊಡಕ್ಟಿವಿಟಿ ಎಫೆಕ್ಟ್ಸ್ ಅಕ್ರಾಸ್ ಜನರೇಷನ್ಸ್ ಆಫ್ AI ಕೋಡಿಂಗ್ ಟೂಲ್ಸ್." NBER ವರ್ಕಿಂಗ್ ಪೇಪರ್ 35275.

ಎಲೌಂಡೌ, ಟೈನಾ, ಸ್ಯಾಮ್ ಮ್ಯಾನಿಂಗ್, ಪಮೇಲಾ ಮಿಶ್ಕಿನ್, ಮತ್ತು ಡೇನಿಯಲ್ ರಾಕ್. 2024. "GPTs ಆರ್ GPTs: ಲೇಬರ್ ಮಾರ್ಕೆಟ್ ಇಂಪ್ಯಾಕ್ಟ್ ಪೊಟೆನ್ಶಿಯಲ್ ಆಫ್ LLMs." ಸೈನ್ಸ್ 384 (6702): 1306–1308.

ಫೆಲ್ಟೆನ್, ಎಡ್ವರ್ಡ್ ಡಬ್ಲ್ಯೂ., ಮಾನವ್ ರಾಜ್, ಮತ್ತು ರಾಬರ್ಟ್ ಸೀಮನ್ಸ್. 2023. "ಆಕ್ಯುಪೇಷನಲ್ ಹೆಟೆರೊಜೆನಿಟಿ ಇನ್ ಎಕ್ಸ್‌ಪೋಷರ್ ಟು ಜೆನೆರೇಟಿವ್ AI." SSRN 4414065.

ಮಾಸೆಂಕೊಫ್, ಮ್ಯಾಕ್ಸಿಮ್, ಮತ್ತು ಪೀಟರ್ ಮೆಕ್‌ಕ್ರೋರಿ. 2026. "ಲೇಬರ್ ಮಾರ್ಕೆಟ್ ಇಂಪ್ಯಾಕ್ಟ್ಸ್ ಆಫ್ AI: ಎ ನ್ಯೂ ಮೆಷರ್ ಅಂಡ್ ಅರ್ಲಿ ಎವಿಡೆನ್ಸ್." Anthropic.

ಮೆಕ್‌ಕೈನ್, ಮೈಲ್ಸ್, ಥಾಮಸ್ ಮಿಲ್ಲರ್, ಸ್ಯಾಫ್ರಾನ್ ಹುವಾಂಗ್, ಜೇಕ್ ಈಟನ್, ಕುನಾಲ್ ಹಂಡಾ, ಮೈಕೆಲ್ ಸ್ಟರ್ನ್, ಅಲೆಕ್ಸ್ ಟ್ಯಾಮ್ಕಿನ್, ಮ್ಯಾಟ್ ಕರ್ನಿ, ಎಸಿನ್ ದುರ್ಮುಸ್, ಜುಡಿ ಷೆನ್, ಜೆರ್ರಿ ಹಾಂಗ್, ಬ್ರಯಾನ್ ಕ್ಯಾಲ್ವರ್ಟ್, ಜುನ್ ಶೆರ್ನ್ ಚಾನ್, ಫ್ರಾಂಚೆಸ್ಕೊ ಮೊಸ್ಕೋನಿ, ಡೇವಿಡ್ ಸಾಂಡರ್ಸ್, ಟೈಲರ್ ನೆಯ್ಲಾನ್, ಗೇಬ್ರಿಯಲ್ ನಿಕೋಲಸ್, ಸಾರಾ ಪೆಲ್ಲಾಕ್, ಜ್ಯಾಕ್ ಕ್ಲಾರ್ಕ್, ಮತ್ತು ದೀಪ್ ಗಂಗೂಲಿ. 2026. "ಮೆಷರಿಂಗ್ AI ಏಜೆಂಟ್ ಆಟೋನಿ ಇನ್ ಪ್ರಾಕ್ಟೀಸ್." Anthropic.

ನ್ಯಾಷನಲ್ ಸೆಂಟರ್ ಫಾರ್ O*NET ಡೆವಲಪ್‌ಮೆಂಟ್. 2026. O*NET 30.2 ಡೇಟಾಬೇಸ್. ಯು.ಎಸ್. ಡಿಪಾರ್ಟ್ಮೆಂಟ್ ಆಫ್ ಲೇಬರ್, ಎಂಪ್ಲಾಯ್ಮೆಂಟ್ ಅಂಡ್ ಟ್ರೈನಿಂಗ್ ಅಡ್ಮಿನಿಸ್ಟ್ರೇಷನ್.

ನಾಯ್, ಶಕ್ಕೆಡ್, ಮತ್ತು ವಿಟ್ನಿ ಝಾಂಗ್. 2023. "ಎಕ್ಸ್‌ಪೆರಿಮೆಂಟಲ್ ಎವಿಡೆನ್ಸ್ ಆನ್ ದಿ ಪ್ರೊಡಕ್ಟಿವಿಟಿ ಎಫೆಕ್ಟ್ಸ್ ಆಫ್ ಜೆನೆರೇಟಿವ್ ಆರ್ಟಿಫಿಷಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್." ಸೈನ್ಸ್ 381 (6654): 187–192.

ಸಾರ್ಕರ್, ಸುಪ್ರತೀಮ್ ಕೆ. 2026. "AI ಏಜೆಂಟ್ಸ್ ಅಂಡ್ ಹೈಯರ್-ಆರ್ಡರ್ ವರ್ಕ್." ಯೂನಿವರ್ಸಿಟಿ ಆಫ್ ಚಿಕಾಗೊ ಬೂತ್ ಸ್ಕೂಲ್ ಆಫ್ ಬಿಸಿನೆಸ್.

ಯು.ಎಸ್. ಬ್ಯೂರೋ ಆಫ್ ಲೇಬರ್ ಸ್ಟ್ಯಾಟಿಸ್ಟಿಕ್ಸ್. 2026. "ಆಕ್ಯುಪೇಷನಲ್ ಎಂಪ್ಲಾಯ್ಮೆಂಟ್ ಅಂಡ್ ವೇಜ್ ಸ್ಟ್ಯಾಟಿಸ್ಟಿಕ್ಸ್: ಮೇ 2025 ಎಸ್ಟೇಟ್ಸ್." ಯು.ಎಸ್. ಡಿಪಾರ್ಟ್ಮೆಂಟ್ ಆಫ್ ಲೇಬರ್.

ಯಾಂಗ್, ಜೆರೆಮಿ, ನೋವಾ ಯೊನಾಕ್, ಕೇ ಜಿಸ್ಕೋವ್ಸ್ಕಿ, ಡೆнис ಯಾರಾಟ್ಸ್, ಜಾನಿ ಹೋ, ಮತ್ತು ಜೆರ್ರಿ ಮಾ. 2025. "ದಿ ಅಡಾಪ್ಟ್ಮೆಂಟ್ ಅಂಡ್ ಯೂಸೇಜ್ ಆಫ್ AI ಏಜೆಂಟ್ಸ್: ಅರ್ಲಿ ಎವಿಡೆನ್ಸ್ ಫ್ರಮ್ Perplexity." arXiv ಪ್ರಿಪ್ರಿಂಟ್ arXiv:2512.07828.