AI 에이전트가 지식 업무를 재구성하는 방법

프론티어 AI 시스템은 모델 지능과 실세계 활용성 간의 격차를 좁히고 있습니다. 새로운 모델, 연산 아키텍처 및 오케스트레이션 패턴을 통해 이러한 시스템은 불과 몇 달 전까지만 해도 불가능하다고 여겨졌던 작업을 수행할 수 있게 되었습니다.

이러한 급격한 혁신은 AI 사용자의 영향력과 주도권을 확대함으로써 AI 사용자에게 큰 혜택을 가져다주었습니다. 그러나 동시에 기술적 프론티어와 지식 업무가 이에 대응하여 정확히 어떻게 진화하고 있는지에 대한 우리의 이해 사이에는 격차가 발생했습니다. 프론티어 AI는 전문 분야 전반에 걸쳐 지식 업무의 본질을 어떻게 변화시킬까요? 이 업무에서 어떠한 구조적 및 경제적 변혁을 예상할 수 있을까요?

우리는 Perplexity 사용에 대한 면밀한 실증적 분석을 통해 이러한 격차를 해소하고자 합니다. 오늘 우리는 하버드 경영대학원 연구진과의 협력을 통해 실무에 배포된 Perplexity Computer에 대한 첫 번째 종합 연구 결과를 공유합니다. 연구 결과에 따르면, Computer는 사용자가 달성할 수 있는 작업의 폭과 깊이를 모두 확장하면서 비용은 절감하는 것으로 나타났습니다. Computer 사용자는 더 높은 수준의 추상화 단계에서 작업하고, 전문 분야의 경계를 넘어 자신의 고유 영역 밖에서도 가치를 창출하며 더 많은 일을 처리하고 있습니다.

본 아티클에서는 연구의 주요 내용을 제시합니다. 상세한 방법론 및 결과는 기술 보고서에서 확인할 수 있습니다.

소개

최초의 주류 생성형 AI 시스템은 사용자와 대화를 나누는 대화형 어시스턴트였습니다. 이러한 어시스턴트는 의도와 행동 사이에 위치합니다. 어시스턴트는 질문에 답변하고, 상충하는 가치를 설명하며, 다음 단계를 제안합니다. 그 후 사용자는 답변을 업무로 변환해야 합니다. 즉, 적절한 도구를 열고, 파일을 수집하고, 문서를 편집하고, 중간 결과물을 확인한 뒤 다음에 무엇을 할지 결정해야 합니다.

에이전트는 이러한 업무 분담을 변화시킵니다. 사용자가 결과를 명시하면, 시스템은 도구 전반에 걸쳐 계획을 세우고, 중간 단계를 실행하며, 필요한 경우 누락된 입력을 요청하고, 최종 결과물을 반환합니다. 에이전트는 AI 활용 방식을 정보를 찾아 종합하는 단계에서 자율적으로 계획하고 작업을 수행하는 단계로 전환합니다.

이러한 흐름은 Perplexity의 제품 발전 과정을 보여줍니다. 2022년에 당사는 수십억 개의 문서에 걸쳐 검증 가능한 인용을 바탕으로 질문하고 답변을 받을 수 있는 기능을 제공하여 앤서 엔진(answer engine) 카테고리를 정의한 Search를 출시했습니다. 2025년에는 사용자와 함께 오픈 웹에서 추론하고 행동하는 웹 에이전트가 내장된 Comet 브라우저를 선보였습니다. 그리고 2026년에는 복잡한 환경과 긴 시간적 범위에 걸쳐 사용자가 지정한 목표를 향해 자율적으로 작동하는 범용 에이전트 오케스트레이터인 Computer를 출시했습니다.

이러한 전환은 우리가 일하는 방식을 어떻게 변화시키고 있을까요? 당사는 Search 및 Computer 제품의 데이터를 사용하여 다음 세 가지 차원에 초점을 맞춰 이 질문을 탐구합니다:

자율성: 동일한 작업에서 Computer는 Search와 비교하여 얼마나 많은 자율적 업무를 수행하는가?

효율성: 동일한 작업에서 Computer는 Search와 비교하여 얼마나 많은 시간과 인건비를 절감하는가?

범위: Computer는 사용자가 시도하는 업무의 종류를 어떻게 변화시키는가?

우리는 Computer와 같은 에이전트가 더 많은 사전 사용자 노력을 필요로 하지만(사용자가 위임할 목표를 명시하고 결과를 검토해야 하기 때문), 단위 작업당 투입되는 인간의 노력은 훨씬 적다는 사실을 발견했습니다(더욱 자율적인 실행 덕분). 이는 장기적이고 다단계인 워크플로우에 특히 효과적입니다. 그 대가는 더욱 심도 있고 비용 효율적인 업무입니다. Computer는 사용자 노력을 수동 실행에서 관리로 전환하며, 사용자가 자신의 전문 분야 안팎에서 달성할 수 있는 범위를 확장합니다.

Computer 채택 및 활용 사례

Computer는 2026년 2월 25일에 출시되었으며 출시 후 3개월 동안 빠르게 성장했습니다.

누적 Computer 쿼리 수는 5월 27일까지 첫 주 총합의 84배에 달했습니다. 기준 지표로서, Computer 사용자 간의 누적 Search 사용량은 첫 주 대비 14배 증가하여, Computer 미사용자의 12배 성장률보다 높게 나타났습니다.

구독 등급, 주요 Search 주제, 이전 Search 강도에 따라 Computer 사용자와 비사용자를 매칭한 후에도, 이중차분법(difference-in-differences) 비교에 따르면 Computer 채택은 Search 사용을 증가시키는 것으로 나타납니다. Computer 사용자는 비슷한 비사용자보다 하루에 1.05건의 Search 쿼리를 더 많이 수행합니다.

10만 건의 Computer 쿼리 무작위 샘플에서 '연구 및 분석'이 25.8%로 가장 큰 작업 카테고리였으며, '문서 및 자산 생성'이 18.6%로 그 뒤를 이었습니다. 관찰된 작업 혼합은 문서, 스프레드시트, 코드베이스, 웹사이트 및 여러 도구에 걸친 작업이 필요한 워크플로우 등 생성형 작업으로 치우쳐 있습니다.

도메인별로 살펴보면 사용량은 소프트웨어 및 IT, 금융 및 투자, 마케팅 및 영업, 비즈니스 운영, 의료, 교육, 법률, 미디어 전반에 걸쳐 광범위하게 분포되어 있었습니다.

향상된 자율성과 품질

자율성에 대한 가장 직접적인 신호는 사용자가 요청을 제출한 후 사람이 개입하지 않고 시스템이 얼마나 오랫동안 실행되는지입니다. Search는 일반적으로 몇 초 내에 응답을 반환합니다. 반면 Computer는 검색, 브라우징, 작성, 편집, 코드 실행 및 중간 결과 확인 등을 수행하며 몇 분에서 몇 시간 동안 계속 작동하는 경우가 많습니다.

우리는 거의 동일한 초기 쿼리를 가진 Search 및 Computer 세션을 동일한 작업에 대해 두 제품을 사용한 결과로 간주하여 프록시로 사용합니다. 1만 건의 매칭된 쌍 전반에서, Computer는 세션당 평균 26분의 머신 실행 시간을 수행한 반면, Search는 33초를 기록했습니다. 이는 사실상 동일한 작업에서 머신 작업이 48배 증가한 것입니다. 중간값으로 보면 격차는 9분 대 14초로 40배입니다. 도메인별 분류에서도 동일한 패턴이 나타나며, Computer는 18개 도메인 전체에서 대략 26~75배 더 많은 머신 작업을 수행합니다.

더 긴 시간의 자율 실행이 작업 중단(abandonment)으로 이어지지는 않았습니다. 제품 전반에 걸쳐 사용자의 중단 이벤트는 비슷했습니다. Computer 세션의 3.7%, Search 세션의 3.4%에서 최소 1회의 사용자 중단 이벤트가 포함되었습니다. Computer가 사용자 입력을 위해 일시 중지하는 경우는 더 빈번했습니다. Computer 쿼리의 13%는 최소 1회의 사용자 입력을 위한 일시 중지 도구를 호출한 반면 Search는 0.3%였으며, 이는 주로 승인을 요청하거나 명확한 질문을 하기 위함이었습니다. 이것이 에이전트의 예상되는 패턴입니다. 즉, 대부분의 시간은 자율적으로 진행할 수 있지만, 허가를 받고 사용자가 원하는 바를 확인하기 위한 검문소가 필요합니다.

Computer는 또한 모델 컨텍스트 프로토콜(MCP) 또는 애플리케이션 프로그래밍 인터페이스(API) 엔드포인트를 통해 훨씬 더 많은 외부 도구 호출을 단일 세션으로 연결하여, Search 사용자가 별도의 앱에서 수동으로 수행할 작업을 처리합니다. Computer 세션의 7.9%가 최소 1회의 커넥터 호출을 수행하는 반면 Search 세션은 1.8%(4배 격차)였으며, Computer는 세션당 평균 1.19회의 커넥터 호출을 수행한 반면 Search는 0.10회(12배 비율)였습니다. 즉, Computer는 단순히 더 오래 실행되는 것이 아니라, 데이터와 행동을 가져오기 위해 사용자의 연결된 서비스 전반에 걸쳐 더 많은 접근을 수행합니다.

후속 행동의 구성 또한 변화합니다. 1,000쌍의 다중 턴(multi-turn) 샘플에서 작업 진전을 위한 전반적인 성향은 제품 간에 거의 동일했지만(Computer 후속 질문의 52.7%, Search의 52.9%), 사용자가 요청하는 내용은 변화합니다. Computer는 초기에 더 완전한 결과물을 반환하기 때문에 사용자는 명확한 심층 분석 대신 확장 요청을 사용합니다(확장 14.2% 대 12.5%, 심층 분석 22.0% 대 23.4%). Computer 사용자는 또한 후속 질문에서 결과물을 검토하고 수정하는 데 조금 더 많은 시간을 할애하는 반면(24.6% 대 23.6%), Search는 Computer가 초기 실행에 포함하는 확인, 재시도, 형식 요청과 같은 짧은 지시 사항에 더 치중합니다(11.6% 대 9.9%). 즉, Search는 '요약 후 실행' 루프를 단축하는 반면, Computer는 '검토 후 확장' 루프를 연장합니다.

가장 중요한 것은 더 높은 자율성으로 인해 품질이 저하되지 않았다는 점입니다. 매칭된 다중 턴 세션에서 유의미한 다음 턴의 불만족은 Computer의 경우 1.3%, Search의 경우 2.9%로 55% 감소했습니다. 가벼운 신호를 포함한 모든 불만족은 Computer 10.8%, Search 16.6%였습니다.

자율성으로 인한 효율성 향상

더 높은 자율성은 수동적인 인간의 작업을 머신 연산으로 대체하며, 이는 효율성을 높입니다. 이 효과를 정량화하기 위해 동일한 매칭 작업에 대해 두 가지 설정을 비교합니다.

Search + Human: Search는 검색과 종합을 담당하고, 인간이 수동으로 실행합니다.

Computer + Human: Computer가 워크플로우를 수행하고, 인간은 작업을 범위 지정하고 결과물을 검토합니다.

우리는 인간이 작업을 완료하는 데 걸리는 시간을 직접 관찰할 수 없으므로 세 가지 독립적인 추정치를 사용하여 삼각 측량을 수행합니다:

도구 기반 추정치: 우리는 Computer 도구 호출을 'Search(검색)'와 'Do(실행)'라는 두 범주로 분류합니다. Search 도구는 이미 Search 제품에서 처리되는 정보 검색 및 종합 단계에 해당합니다. Do 도구는 Search만 사용할 때 인간이 수동으로 수행해야 하는 실행 단계를 나타냅니다. 그런 다음 숙련된 인간이 이러한 Do 작업을 수행하는 데 필요한 시간을 추정합니다.

LLM 기반 추정치: 우리는 Computer 세션의 쿼리를 LLM에 입력하여 Search로부터 답변을 받지만 모든 실행 단계를 수동으로 수행해야 하는 숙련된 전문가에게 필요한 시간을 추정합니다.

사용자 보고 추정치: 우리는 도메인 전반에 걸친 활성 Computer 사용자와 25건의 반구조화된 인터뷰를 진행하고, Computer 이전의 워크플로우와 해당 워크플로우를 수행하는 데 걸렸을 시간을 도출합니다.

도구 기반 추정치에 따르면, 평균 Search + Human 작업은 269분이 소요되는 반면, 그에 상응하는 Computer + Human 워크플로우는 36분이 소요됩니다. 이는 작업 시간이 87% 감소한 것입니다.

작업 시간을 비용으로 변환하기 위해, 당사는 미국 노동통계국(BLS) 직업 고용 및 임금 통계(OEWS)의 2025년 5월 데이터(미국 노동통계국 2026)에서 도메인별 평균 시간당 임금을 사용합니다. 모델 비용과 도메인별 인건비를 결합했을 때, Computer는 추정 작업 비용을 평균 94% 절감합니다.

효율성 이점은 18개 도메인 전체에서 나타나며, 시간은 79~92%, 비용은 87~96% 절감됩니다. 프로그래밍이 가장 극단적인 사례로, Search + Human은 596분, Computer + Human은 48분이 소요되어 92%의 시간 감소와 96%의 비용 감소를 달성했습니다. 비즈니스, 기술, 교육 및 작문 분야에서도 큰 폭의 향상이 나타납니다. 시간 절감은 고임금 도메인일수록 더 큰 비용 절감으로 이어지는 경향이 있습니다.

이 결과는 얼마나 견고할까요? 손익분기점을 고려해 봅시다. Search + Human이 Computer + Human의 비용과 일치하려면 전문가가 14~24분(중앙값 18분) 내에 모든 수동 단계를 완료해야 합니다. Computer는 더 보수적인 가정(예: 도구당 시간의 8배 과대평가, 또는 Computer의 관리 시간 12배 과소평가) 하에서도 모든 도메인에서 우위를 유지합니다.

LLM 기반 추정치는 유사한 총합 결과를 산출하며, 전체적으로 시간 84%, 비용 93% 감소를 보여줍니다. 사용자 인터뷰는 5배에서 300배 이상의 속도 향상까지 훨씬 더 광범위한 결과를 보여주며, 이는 사용자의 Computer 이전 기준치에 상당한 차이가 있음을 반영할 가능성이 높습니다. 참가자 전체의 중앙값 속도 향상은 25배로, 이는 시간 96% 감소에 해당합니다.

작업 범위의 수평적 및 수직적 확장

매칭된 작업에서의 속도와 비용은 전체 이야기의 일부일 뿐입니다. 업무의 형태 또한 변화할 수 있습니다. Computer가 수동 실행을 머신 연산으로 대체함에 따라 사용자는 직업적 경계를 넘나드는 작업과 더 높은 전문 지식을 필요로 하는 작업 등 다른 종류의 업무를 맡게 될 수 있습니다.

첫째, 우리는 사용자가 Computer를 사용할 때 Search보다 자신의 추론된 주요 직업군 밖에서 더 자주 작업하는지 묻습니다. 둘째, 우리는 동일한 사용자의 Computer 및 Search 쿼리를 다섯 가지 작업 수준 분류(블룸의 수정된 분류 체계(Anderson and Krathwohl 2001), 작업 내용 전통에서의 추상적 대 일상적 업무(Autor, Levy, and Murnane 2003), O*NET 지식 범위(National Center for O*NET Development 2026), O*NET 업무 활동 범위, 그리고 Search로는 시도되지 않았던 새로운 작업)를 사용하여 비교합니다.

수평적 이동은 데이터에서 명확하게 나타납니다. 8개 직업군의 8,000명 사용자 샘플에서 그들의 모든 쿼리를 사용했을 때, Computer 사용자는 59%의 시간 동안 자신의 주요 직업 밖에서 작업하는 반면, Search 사용자는 50%였습니다. 가장 큰 증가는 경영 및 기업가 정신, 디지털 기술, 예술 및 디자인, 의료 및 복지 서비스에서 나타납니다. 직업 간 Search 쿼리는 디지털 기술에 집중되어 있는 반면, Computer 쿼리는 전문가가 필요할 법한 더 다양한 도메인으로 넘어가는 작업을 위임합니다.

수직적 이동은 훨씬 더 큽니다. 동일한 듀얼 제품 사용자 그룹의 5,000건의 Computer 쿼리와 5,000건의 Search 쿼리 샘플에서 Computer 쿼리는 Search 쿼리보다 인지적으로 더 복잡합니다. 블룸의 수정된 분류 체계에서 Computer 쿼리의 76%는 고차원적 인지를 필요로 하는 반면, Search는 55%였습니다. 그 차이는 상위 수준에 집중되어 있습니다. Computer 쿼리의 50%가 '생성(Create)' 수준 작업인 반면 Search는 26%였습니다. Search는 '기억(Remember)' 수준의 사실 조회에 더 많은 비중을 둡니다. 추상적 대 일상적 업무 유형 차원에서 Computer 쿼리의 71%가 추상적이고 비일상적인 인지를 포함하는 반면 Search는 53%였습니다.

Computer 작업은 또한 더 많은 지식 도메인을 활용합니다. 평균 Computer 작업은 2.40개의 O*NET 지식 영역에서 실질적인 전문 지식을 필요로 하는 반면 Search는 1.74개로 38% 증가했습니다. Computer는 Search보다 3개 이상의 지식 도메인을 필요로 할 가능성이 거의 3배 더 높습니다(51% 대 17%).

업무 활동 수준에서도 동일한 패턴이 유지됩니다. 일반적인 Computer 쿼리는 2.95개의 O*NET 일반 업무 활동과 4.01개의 중간 업무 활동을 포함하는 반면 Search는 2.24개와 2.87개로 각각 32%와 40% 증가했습니다. 더 세부적인 수준에서 Computer는 59% 더 많은 상세 업무 활동과 60% 더 많은 직업별 작업 진술문을 포함합니다.

가장 중요한 측정 지표는 동일 사용자 그룹 내에서 Search에는 나타나지 않지만 Computer에는 나타나는 작업 세트입니다. 가장 엄격한 정의 하에서(작업 진술문이 Computer에 나타나지만 매칭된 Search 샘플에는 전혀 나타나지 않는 경우), Computer 쿼리의 23%가 최소 1개의 Computer 전용 작업 진술문을 포함합니다. Search 발생을 최대 5회까지 허용하도록 임계값을 완화하면 점유율은 38%로 상승하며 41% 부근에서 정체됩니다. 이러한 Computer 전용 활동은 소프트웨어 및 웹 개발, 문서 제작, 데이터 시각화 또는 그래픽에 집중되어 있습니다. 그것이 바로 자율 실행이 가장 중요한 부분입니다. Search는 설명하고, Computer는 생산합니다.

토론

업무 관련 AI에 관한 대부분의 증거는 어시스턴트 설정에 초점을 맞추고 있습니다. 해당 문헌은 작문, 고객 지원, 코딩, 컨설팅을 보강하는 데 있어 큰 생산성 향상을 보여주었습니다(예: Noy and Zhang 2023; Brynjolfsson, Li, and Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

에이전트는 사용자 행동과 다운스트림 경제적 결과를 변화시킵니다. 실무 배포는 실제 환경에서의 에이전트 사용 및 영향을 드러내기 시작했지만, 주로 전문 코딩 에이전트와 초기 브라우저 에이전트에 초점을 맞추고 있습니다(예: Sarkar 2026; McCain et al. 2026; Demirer, Musolff, and Yang 2026; Yang et al. 2025). 우리는 범용 에이전트 오케스트레이터와 대화형 어시스턴트에 대한 사용자 상호작용을 비교하고, 다운스트림 영향 분석을 더 광범위한 지식 업무로 확장함으로써 이 연구를 보완하고 어시스턴트 및 에이전트 문헌을 연결합니다.

우리는 또한 노출에서 실현된 작업 재구성으로 이동합니다. 이전 연구는 작업 설명과 직업 구조를 사용하여 어떤 직업이 AI에 노출되는지 추정하는 반면(예: Eloundou et al. 2024; Felten, Raj, and Seamans 2023), 사용 기반 측정은 노출과 배포 간의 격차를 보여줍니다(Massenkoff and McCrory 2026). 우리는 에이전트 접근 권한에 따라 작업 구성이 어떻게 변화하는지를 기록합니다.

우리는 몇 가지 유의사항을 언급합니다. 첫째, 관찰 기간이 초기 단계이며 얼리어답터는 AI 네이티브로 편향되어 있습니다. 사용자는 또한 급변하는 제품 환경 내에서 자신의 워크플로우를 활발히 실험하고 적응하고 있으므로 이러한 패턴은 시간이 지남에 따라 바뀔 수 있습니다. 둘째, 세션 기반 매칭 쿼리 설계는 Search와 긴밀하게 대응하지 않는 많은 Computer 작업을 제외합니다. 세션은 작업을 분할하는 자연스러운 방법을 제공하지만, 사용자가 실무에서 항상 이 구조를 따르지는 않으므로 세션은 작업 단위에 대한 노이즈가 많은 프록시가 됩니다. 셋째, 효율성 추정치는 인간 수준의 도구 시간과 인간의 관리 시간에 대한 가정에 결정적으로 의존합니다. LLM 기반 추정치와 사용자 인터뷰가 같은 방향을 가리키고 손익분기점 및 민감도 분석이 견고성을 나타내지만, 정확한 크기는 근사치로 읽어야 합니다. 관련하여, LLM 분류 오류는 추가적인 측정 노이즈를 유발합니다. 마지막으로, 우리는 Perplexity 생태계 내에서의 사용자 행동만 관찰하며 외부 활동은 포착하지 않으므로 사용자의 전체 업무 활동 및 도구 사용에 대한 관점이 제한될 수 있습니다.

앞으로의 전망

에이전트는 기존 작업을 더 빠르고 저렴하게 만들며, 더 중요하게는 직업적 경계와 전문 지식 수준에 걸친 작업을 실행 가능하게 만듭니다.

시스템이 검색, 브라우징, 코딩, 파일 편집, 서비스 연결 및 결과물 제작을 수행할 수 있게 되면 사용자의 병목 현상이 바뀝니다. 사용자는 워크플로우를 운영하는 데 드는 시간을 줄이고 목표를 명시하고, 맥락을 제공하고, 결과물을 확인하고, 확장을 요청하는 데 더 많은 시간을 할애합니다. 사용자는 운영자에서 감독자로 이동합니다.

개인 수준에서 이러한 변화는 작업 프론티어를 확장하여 사용자가 더 광범위하고 심도 있는 업무를 수행할 수 있게 합니다. 조직 및 노동 시장 수준에서 이러한 미시적 변화가 어떻게 합산될지는 미해결 질문으로 남아 있습니다. 에이전트를 갖춘 개인이 이전에 여러 역할이 필요했던 워크플로우를 완료할 수 있다면, 에이전트의 장기적 영향은 속도와 비용 지표만으로는 포착되지 않을 것입니다. 대신 업무가 어떻게 결합되는지, 역할이 어떻게 정의되는지, 팀이 어떻게 구조화되는지에서 나타날 것입니다.

당사의 방법론 및 결과에 대해 자세히 알아보려면 전체 기술 보고서를 읽어보십시오.

참고문헌

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.