Kaip DI agentai keičia žinių darbą

Paangdiešiai dirbtinio intelekto modeliai naikina atotrūkį tarp modelio intelekto ir pritaikomumo realiame pasaulyje. Nauji modeliai, skaičiavimo architektūros ir orkestravimo šablonai padeda šioms sistemoms atlikti užduotis, kurios dar prieš kelis mėnesius atrodė neįmanomos.

Ši sparčios inovacija tapo tikra dovana dirbtinio intelekto naudotojams, nes padidino jų galimybes ir savarankiškumą. Vis dėlto tai sukūrė ir atotrūkį tarp technologijų ribų ir mūsų supratimo, kaip tiksliai reaguodama į tai kinta žinių darbas. Kaip pažangiausias dirbtinis intelektas keičia žinių darbo pobūdį įvairiose profesijose? Kokių struktūrinių ir ekonominių šio darbo pokyčių galime tikėtis?

Mes siekiame panaikinti šį atotrūkį atlikdami kruopščią empirinę „Perplexity“ naudojimo analizę. Šiandien bendradarbiaudami su „Harvard Business School“ tyrėjais pristatome savo pirmąjį išsamų Perplexity Computer diegimo realiomis sąlygomis tyrimą. Mūsų išvados rodo, kad „Computer“ išplečia naudotojų atliekamų darbų mastą ir gylį bei sumažina sąnaudas. „Computer“ naudotojai nuveikia daugiau, dirba aukštesniais abstrakcijos lygiais ir peržengia disciplinų ribas, kad sukurtų vertę už savo profesijos ribų.

Šiame straipsnyje pateikiami svarbiausi mūsų tyrimo akcentai. Išsamią metodologiją ir išvadas rasite mūsų techninėje ataskaitoje.

Pirmosios populiarios generatyvinio dirbtinio intelekto sistemos buvo pokalbių asistentai, bendraujantys su naudotojais. Šie asistentai atlieka tarpininko vaidmenį tarp ketinimo ir veiksmo. Jie atsako į klausimus, paaiškina alternatyvas ir siūlo kitus žingsnius. Tuomet naudotojas turi paversti atsakymą darbu: atidūrti reikiamus įrankius, surinkti failus, redaguoti dokumentus, patikrinti tarpinius rezultatus ir nuspręsti, ką daryti toliau.

Agentai keičia šį darbo pasiskirstymą. Naudotojas nurodo norimą rezultatą, o sistema planuoja veiksmus pasitelkdama įrankius, atlieka tarpinius žingsnius, prireikus prašo trūkstamų duomenų ir pateikia galutinį rezultatą. Agentai keičia dirbtinio intelekto naudojimo pobūdį – nuo informacijos paieškos ir apibendrinimo iki savarankiško užduočių planavimo bei vykdymo.

Ši raida atspindi „Perplexity“ produktų evoliuciją. 2022 m. pristatėme „Search“, kuris sukūrė atsakymų variklių kategoriją, leisdamas naudotojams užduoti klausimus ir gauti atsakymus, pagrįstus patikrinamomis nuorodomis į milijardus dokumentų. 2025 m. pristatėme „Comet“ naršyklę su integruotu žiniatinklio agentu, kuris mąsto ir veikia kartu su naudotojais atviroje interneto erdvėje. O 2026 m. pristatėme „Computer“ – universalių agentų orkestratorių, kuris savarankiškai siekia naudotojo nurodytų tikslų sudėtingose aplinkose ir ilgalaikiuose procesuose.

Kaip šis virsmas keičia mūsų darbo būdą? Šį klausimą nagrinėjame naudodami „Search“ ir „Computer“ produktų duomenis, daugiausia dėmesio skirdami trims aspektams:

Savarankiškumas: kiek savarankiško darbo atlieka „Computer“, palyginti su „Search“, atlikdamas tą pačią užduotį?

Efektyvumas: kiek laiko ir darbo sąnaudų sutaupo „Computer“, palyginti su „Search“, atlikdamas tą pačią užduotį?

Apimtis: kaip „Computer“ keičia darbų, kuriuos imasi naudotojai, pobūdį?

Nustatėme, kad tokie agentai kaip „Computer“ reikalauja daugiau pirminių naudotojo pastangų (kadangi naudotojai turi nurodyti perduodamus tikslus ir peržiūrėti rezultatus), tačiau reikalauja kur kas mažiau žmogiškųjų pastangų vienam darbo vienetui (dėl didesnio savarankiško vykdymo). Dėl to jie yra ypač veiksmingi vykdant ilgas, daugiapakopes darbo eigas. Nauda – gilesnis ir pigesnis darbas. „Computer“ perkelia naudotojo pastangas nuo rankinio vykdymo prie priežiūros, taip išplėsdamas darbų, kuriuos naudotojai gali atlikti tiek savo kompetencijos srityse, tiek už jų ribų, diapazoną.

„Computer“ buvo paleistas 2026 m. vasario 25 d. ir per pirmuosius tris mėnesius sparčiai augo.

Iki gegužės 27 d. bendras „Computer“ užklausų skaičius pasiekė 84 kartus didesnę reikšmę nei per pirmąją savaitę. Kaip bazinis lygis, bendras „Search“ naudojimas tarp „Computer“ naudotojų pasiekė 14 kartų didesnę reikšmę nei per pirmąją savaitę, o tai yra daugiau nei 12 kartų augimas ne „Computer“ naudotojams.

Net ir sulyginus „Computer“ ir ne „Computer“ naudotojus pagal prenumeratos lygį, pagrindinę „Search“ temą ir ankstesnį „Search“ intensyvumą, skirtumų skirtumo (angl. *difference-in-differences*) analizė rodo, kad „Computer“ pritaikymas padidina „Search“ naudojimą: „Computer“ naudotojai pateikia 1,05 daugiau „Search“ užklausų per dieną nei panašūs „Computer“ nenaudojantys asmenys.

Kaupiamasis augimas, indeksuotas pagal kiekvienos serijos pirmąją savaitę. „Computer“ užklausų apimtis pasiekė 84 kartus didesnę reikšmę nei bendras pirmosios savaitės rodiklis vasario 27–gegužės 27 d. laikotarpiu.

Atsitiktine tvarka atrinkus 100 000 „Computer“ užklausų paaiškėjo, kad didžiausia užduočių kategorija buvo „Tyrimai ir analizė“ (25,8 %), o antra pagal dydį – „Dokumentų ir išteklių kūrimas“ (18,6 %). Stebimas užduočių rinkinys krypsta į generatyvinį darbą: dokumentus, skaičiuokles, kodo bazes, interneto svetaines ir darbo eigas, kurioms reikia atlikti darbus naudojant kelis įrankius.

Kalbant apie sritis, naudojimas plačiai pasklido tarp programinės įrangos ir IT, finansų ir investicijų, rinkodaros ir pardavimų, verslo operacijų, sveikatos priežiūros, švietimo, teisinės ir žiniasklaidos sferų.

„Computer“ naudojimo atvejai įvairiose užduočių kategorijose ir dalykiniuose domenuose. Tyrimai, analizė, dokumentų kūrimas, programinė įranga, finansai, verslo operacijos ir asmeninės darbo eigos yra ryškiai pastebimi.

Tiesioginis savarankiškumo požymis yra tai, kiek laiko sistema veikia be žmogaus įsikišimo po to, kai naudotojas pateikia užklausą. „Search“ paprastai grąžina atsakymą per kelias sekundes. „Computer“ dažnai tęsia darbą kelias minutes ar net valandas: ieško, naršo, rašo, redaguoja, vykdydama kodą ir tikrina tarpinius rezultatus.

Naudojame „Search“ ir „Computer“ sesijas su beveik identiškomis pradinėmis užklausomis kaip tos pačios užduoties, bandytos atlikti su abiem produktais, pakaitalą. Iš 10 000 suporuotų porų „Computer“ vienai sesijai vidutiniškai skiria 26 minutes mašininio vykdymo laiko, palyginti su 33 sekundėmis naudojant „Search“. Tai yra 48 kartus didesnis mašininio darbo apimties pokytis faktiškai toms pačioms užduotims atlikti. Medianos skirtumas yra 9 minutės, palyginti su 14 sekundžių, arba 40 kartų. Sričių pasiskirstymas rodo tą pačią tendenciją: „Computer“ atlieka maždaug 26–75 kartus daugiau mašininio darbo visose 18 sričių.

Vienos sesijos mašininio vykdymo laikas suporuotoms „Computer“ ir „Search“ sesijoms. „Search“ rezultatai koncentruojasi ties trumpu atsakymo laiku; „Computer“ pasižymi platesniu pasiskirstymu, sutelktu ties ilgai trunkančiu savarankišku vykdymu. „Computer“ vidutinis vykdymo laikas (26 minutės) yra kur kas didesnis nei mediana (9 minutės), o tai rodo ilgą sudėtingų ir ilgalaikių užklausų uodegą.

Vidutinis mašininio vykdymo laikas pagal sritis. „Computer“ atlieka kur kas daugiau darbo vienai sesijai, nes kiekvienas naudotojo kreipimasis sukelia tolesnį vykdymą, o ne tik pokalbio pobūdžio atsakymą.

Ilgesnis savarankiškumo procesas nereiškė didesnio užduočių atsisakymo. Naudotojų sustabdymo įvykiai abiejuose produktuose buvo panašūs: 3,7 % „Computer“ sesijų ir 3,4 % „Search“ sesijų turėjo bent vieną naudotojo sustabdymo įvykį. „Computer“ dažniau sustodavo laukdamas naudotojo įvesties: 13 % „Computer“ užklausų inicijavo bent vieną sustabdymą naudotojo įvesčiai, palyginti su 0,3 % naudojant „Search“, dažniausiai norint gauti patvirtinimą arba užduoti patikslinančius klausimus. Tai yra tikėtinas agento modelis: dažniausiai jis gali veikti savarankiškai, tačiau jam reikia kontrolinių punktų leidimui gauti ir patvirtinti, ko naudotojas nori.

„Computer“ taip pat sujungia kur kas daugiau išorinių įrankių kvietimų – per Modelio konteksto protokolą (MCP) arba taikomųjų programų sąsajos (API) galinius punktus – į vieną sesiją, atlikdamas darbą, kurį „Search“ naudotojas kitu atveju darytų rankiniu būdu per atskiras programėles. 7,9 % „Computer“ sesijų atlieka bent vieną jungties kreipinį, palyginti su 1,8 % „Search“ sesijų (tai 4 kartų skirtumas), o „Computer“ vidutiniškai atlieka 1,19 jungties kreipinio per sesiją, palyginti su 0,10 „Search“ atveju (tai 12 kartų santykis). Kitaip tariant, „Computer“ ne tik veikia ilgiau; jis pasiekia daugiau naudotojo prijungtų paslaugų, kad gautų duomenis ir imtųsi veiksmų.

Tolesnis elgesys taip pat keičiasi savo sudėtimi. 1 000 porų kelių posūkių imtyje bendra polinkio į užduoties pažangą tendencija yra beveik identiška visuose produktuose (52,7 % „Computer“ tolesnių veiksmų, palyginti su 52,9 % „Search“ atveju), tačiau tai, ko prašo naudotojai, keičiasi: kadangi „Computer“ pateikia išsamesnį galutinį rezultatą iš anksto, jo naudotojai plėtinius išnaudoja vietoj patikslinančių gilinimųsi (plėtiniai 14,2 %, palyginti su 12,5 %; gilinimaisi 22,0 %, palyginti su 23,4 %). „Computer“ naudotojai taip pat šiek tiek daugiau savo tolesnių veiksmų skiria išvesties peržiūrai ir taisymui (24,6 %, palyginti su 23,6 %), o „Search“ atveju daugiau trumpų nurodymų, tokių kaip patvirtinimai, pakartotiniai bandymai ir formato užklausos (11,6 %, palyginti su 9,9 %), kuriuos „Computer“ įtraukia į pradinį vykdymą. Kitaip tariant, „Search“ sukuria trumpesnius apibendrinimo ir vykdymo ciklus; „Computer“ sukuria ilgesnius peržiūros ir pratęsimo ciklus.

Svarbiausia, kad kokybė nesumažėjo padidėjus savarankiškumui. Suporuotų kelių posūkių sesijų metu reikšmingas nepasitenkinimas kito posūkio metu buvo 1,3 % „Computer“ atveju, palyginti su 2,9 % „Search“ atveju, o tai reiškia 55 % sumažėjimą. Bet koks nepasitenkinimas, įskaitant nedidelius signalus, sudarė 10,8 % „Computer“ atveju, palyginti su 16,6 % „Search“ atveju.

Kito posūkio nepasitenkinimo signalai suporuotų kelių posūkių imtyje. Stulpelių suma dėl apvalinimo gali tiksliai nesudaryti 100 %.

Didesnis savarankiškumas pakeičia rankinį žmogaus darbą mašininiais skaičiavimais, o tai padidina efektyvumą. Norėdami kiekybiškai įvertinti šį poveikį, palyginame dvi sąrankas atliekant tas pačias suporuotas užduotis.

Paieška + Žmogus: „Search“ atlieka paiešką ir sintezę, o žmogus užduotį vykdo rankiniu būdu.

„Computer“ + Žmogus: „Computer“ atlieka darbo eigą; žmogus nustato užduoties apimtį ir peržiūri išvestį.

Negalime tiesiogiai stebėti, kiek laiko užduotis užtruktų žmogui, todėl sujungiame tris nepriklausomus vertinimus:

Įrankiais pagrįstas vertinimas: „Computer“ įrankių kreipinius suskirstome į dvi kategorijas: „Paieška“ ir „Atlikti“. Paieškos įrankiai atitinka informacijos paieškos ir sintezės veiksmus, kuriuos jau atlieka „Search“ produktas. Veiksmo įrankiai reiškia vykdymo žingsnius, kuriuos žmogus turėtų atlikti rankiniu būdu, jei naudotųsi tik „Search“. Tuomet įvertiname laiką, kurio reikia patyrusiam žmogui šiems veiksmams atlikti.

Dideliu kalbos modeliu pagrįstas vertinimas: „Computer“ sesijų užklausas įvedame į didelį kalbos modelį (LLM), kad įvertintume laiką, kurio reikia kvalifikuotam specialistui, gaunančiam atsakymus iš „Search“, tačiau privalančiam visus vykdymo žingsnius atlikti rankiniu būdu.

Naudotojų nurodytas vertinimas: Atliekame 25 pusiau struktūruotus interviu su aktyviais „Computer“ naudotojais įvairiose srityse ir sužinome jų prieš „Computer“ taikytas darbo eigas bei laiką, kurį jos būtų užėmusios.

Įrankių klasifikacija, naudojama įrankiais pagrįstame vertinime. „Paieškos“ įrankiai atspindi funkcijas, kurias „Search“ jau suteikia, todėl rankinis laikas nėra priskiriamas. „Veiksmo“ įrankiai reikalauja, kad žmogus veiktų remdamasis „Search“ tyrimo rezultatais; minučių įverčiai vienam kreipiniui apytiksliai atspindi laiką, kurį kvalifikuotas specialistas praleistų atlikdamas atitinkamą veiksmą rankiniu būdu.

Pagal įrankiais pagrįstą vertinimą, vidutinė „Search + Žmogus“ užduotis užtrunka 269 minutes, o atitinkama „Computer + Žmogus“ darbo eiga – 36 minutes. Tai yra 87 % užduoties laiko sumažinimas.

Norėdami paversti užduoties laiką sąnaudomis, naudojame specifinius sričių vidutinius valandinius atlyginimus iš JAV darbo statistikos biuro (BLS OEWS) 2025 m. gegužės mėn. duomenų (U.S. Bureau of Labor Statistics 2026). Sujungus modelio sąnaudas su sričių specifinėmis žmogiškojo darbo sąnaudomis, „Computer“ sumažina numatomas užduoties sąnaudas vidutiniškai 94 %.

Numatomas užduoties laikas ir sąnaudos „Search + Žmogus“ palyginti su „Computer + Žmogus“. Žmogiškasis darbas dominuoja „Search + Žmogus“ pradiniame lygyje, o „Computer“ didžiąją darbo dalį perkelia į modelio ir įrankio vykdymą.

Laiko ir sąnaudų procentinė dalis, kurią sutaupė „Computer + Žmogus“, palyginti su „Search + Žmogus“, skliaustuose nurodant daugiklius (pvz., 94 % (16×) reiškia, kad „Computer + Žmogus“ yra 94 % arba 16 kartų pigesnis). Žmogiškojo darbo sąnaudoms naudoti BLS OEWS 2025 m. gegužės mėn. vidutiniai valandiniai atlyginimai.

Efektyvumo pranašumas pasireiškia visose 18 sričių: laiko sutaupymas siekia 79–92 %, o sąnaudų – 87–96 %. Programavimas yra pats kraštutiniausias atvejis: 596 minutės „Search + Žmogus“ atveju, palyginti su 48 minutėmis „Computer + Žmogus“ atveju – tai 92 % laiko sumažinimas, duodantis 96 % sąnaudų sumažėjimą. Verslas, technologijos, švietimas ir rašymas taip pat rodo didelį prieaugį. Laiko taupymas dažniausiai virsta didesniu sąnaudų taupymu didesnių atlyginimų srityse.

Kiek tvirtas šis rezultatas? Apsvarstykite atsipirkimo tašką: kad „Search + Žmogus“ prilygtų „Computer + Žmogus“ sąnaudoms, profesionalas turėtų užbaigti kiekvieną rankinį žingsnį per 14–24 minutes (mediana 18). „Computer“ išlaiko savo pranašumą kiekvienoje srityje net ir taikant konservatyvesnes prielaidas: pavyzdžiui, padarius 8 kartų per didelį laiko įvertinimą vienam įrankiui arba 12 kartų per mažą laiko įvertinimą „Computer“ priežiūrai.

Dideliu kalbos modeliu pagrįstas vertinimas duoda panašius bendrus rezultatus: 84 % laiko sumažinimą ir 93 % sąnaudų sumažinimą apskritai. Naudotojų interviu rodo kur kas platesnį rezultatų diapazoną – nuo 5 iki daugiau nei 300 kartų didesnį pagreitį, tikriausiai atspindintį didelį naudotojų bazinių rodiklių prieš „Computer“ naudojimą svyravimą. Vidutinis pagreitis tarp dalyvių yra 25 kartus, o tai atitinka 96 % laiko sumažinimą.

Greitis ir sąnaudos atliekant suporuotas užduotis atspindi tik dalį istorijos. Darbo pobūdis taip pat gali pasikeisti. Kadangi „Computer“ pakeičia rankinį vykdymą mašininiais skaičiavimais, naudotojai gali imtis kitokio pobūdžio darbo – užduočių, kurios peržengia profesines ribas ir reikalauja aukštesnio lygio kompetencijos.

Pirma, mes klausiame, ar naudotojai dirba už savo numanomo pagrindinės profesijos klasterio ribų dažniau su „Computer“ nei su „Search“. Antra, lyginame „Computer“ ir „Search“ užklausas iš tų pačių naudotojų, naudodami penkias užduočių lygio klasifikacijas: „Bloom“ persižiūrėtą taksonomiją (Anderson ir Krathwohl 2001), abstraktų ir įprastinį darbą užduoties turinio tradicijoje (Autor, Levy ir Murnane 2003), O*NET žinių plotį (National Center for O*NET Development 2026), O*NET darbo veiklos plotį bei naujas užduotis, kurių nebuvo bandyta atlikti su „Search“.

Horizontalus pokytis akivaizdus duomenyse. 8 000 naudotojų imtyje iš aštuonių profesijų klasterių, panaudojant visas jų užklausas, „Computer“ naudotojai 59 % atvejų dirba už savo pagrindinės profesijos ribų, palyginti su 50 % „Search“ atveju. Didžiausias augimas stebimas vadybos ir verslumo, skaitmeninių technologijų, menų ir dizaino bei sveikatos priežiūros ir žmogiškųjų paslaugų srityse. Tarpininkaujančios tarp profesijų „Search“ užklausos koncentruojasi skaitmeninėse technologijose, o „Computer“ užklausos perduoda darbus, kurie peržengia ribas į įvairesnes sritis, kur naudotojams kitu atveju prireiktų specialistų.

Tarp profesijų vykstantys užduočių srautai aštuoniuose profesijų klasteriuose. Lenktos linijos rodo kiekvieno klasterio populiariausias siuntimo paskirties vietas, linijos storis proporcingas paskirties vietos daliai, o linijos tipas nurodo rangą. „Search“ koncentruoja tarp profesijų vykstančius srautus į skaitmenines technologijas, o „Computer“ paskirsto srautus į rinkodarą, vadybą, finansines paslaugas ir kitas vykdomąsias paskirties vietas.

Vertikalus pokytis yra dar didesnis. 5 000 „Computer“ užklausų ir 5 000 „Search“ užklausų imtyje iš tos pačios dviejų produktų naudotojų grupės „Computer“ užklausos yra sudėtingesnės kognityviniu požiūriu nei „Search“ užklausos. Remiantis „Bloom“ persižiūrėta taksonomija, 76 % „Computer“ užklausų reikalauja aukštesnio lygio pažinimo, palyginti su 55 % „Search“ atveju. Šis skirtumas labiausiai pasireiškia viršutinėje dalyje: 50 % „Computer“ užklausų yra kūrimo lygio užduotys, palyginti su 26 % „Search“ atveju. „Search“ užima kur kas didesnę dalį ties prisiminimo lygio faktų paieška. Abstraktumo ir įprastinio užduoties tipo matmens požiūriu 71 % „Computer“ užklausų apima abstraktų, neįprastinį mąstymą, palyginti su 53 % „Search“ atveju.

„Computer“ ir „Search“ užklausų kognityvinis sudėtingumas. „Computer“ stipriai krypsta į kūrimo lygio ir abstraktų neįprastą darbą.

„Computer“ užduotys taip pat remiasi daugiau žinių sričių. Vidutinė „Computer“ užduotis reikalauja esminės kompetencijos 2,40 O*NET žinių sričių, palyginti su 1,74 „Search“ atveju, o tai yra 38 % padidėjimas. „Computer“ beveik tris kartus dažniau nei „Search“ reikalauja trijų ar daugiau žinių sričių: 51 %, palyginti su 17 %.

Reikalingos žinių sritys vienai užklausai. „Computer“ sesijos koncentruojasi ties dvejomis ar trimis sritimis ir kur kas dažniau reikalauja plataus masto ekspertinių žinių.

Darbo veiklos lygiu išlieka ta pati tendencija. Tipinė „Computer“ užklausos apima 2,95 O*NET apibendrintas darbo veiklas ir 4,01 tarpines darbo veiklas, palyginti su 2,24 ir 2,87 „Search“ atveju, o tai reiškia 32 % ir 40 % padidėjimą. Smulkesniu lygmeniu „Computer“ apima 59 % daugiau detalių darbo veiklų ir 60 % daugiau su profesija susijusių užduočių teiginių.

Užduoties ir veiklos plotis vienai užklausai per O*NET hierarchijos lygius. „Computer“ perkelia pasiskirstymą į dešinę tarpiniame, detalioje ir užduoties teiginio lygmeniuose.

Atkakliausia priemonė yra užduočių rinkinys, kuris pasirodo „Computer“, bet ne „Search“ tarp tų pačių naudotojų. Griežčiausiu apibrėžimu, kai užduoties teiginys pasirodo „Computer“ ir niekada nepasirodo suporuotoje „Search“ imtyje, 23 % „Computer“ užklausų apima bent vieną tik „Computer“ skirtą užduoties teiginį. Sušvelninus slenkstį, kad būtų galima įtraukti iki penkių „Search“ atvejų, dalis padidėja iki 38 % ir nusistovi ties 41 %. Šios tik „Computer“ būdingos veiklos koncentruojasi programinės įrangos ir žiniatinklio kūrime, dokumentacijos rengime ir duomenų vizualizavime arba grafikoje. Tai yra tiksliai ta sritis, kurioje savarankiškas vykdymas yra svarbiausias: „Search“ paaiškina; „Computer“ sukuria.

„Computer“ užklausų dalis, apimanti bent vieną tik „Computer“ skirtą O*NET veiklą esant skirtingiems pasirodymo slenksčiams. Stipriausias atsiskyrimas pasirodo smulkių užduočių teiginių lygiu.

Didžioji dalis įrodymų apie dirbtinį intelektą darbe orientuota į asistento aplinką. Ši literatūra parodė didelį našumo padidėjimą tobulinant rašymą, klientų aptarnavimą, programavimą ir konsultavimą (pvz., Noy ir Zhang 2023; Brynjolfsson, Li ir Raymond 2025; Cui ir kt. 2026; Dell'Acqua ir kt. 2026).

Agentai keičia naudotojų elgseną ir tolesnius ekonominius rezultatus. Gamybinis diegimas pradeda atskleisti agentų naudojimą ir poveikį realiose aplinkose, tačiau dažniausiai orientuojasi į specializuotus programavimo agentus ir ankstyvuosius naršyklės agentus (pvz., Sarkar 2026; McCain ir kt. 2026; Demirer, Musolff ir Yang 2026; Yang ir kt. 2025). Mes papildome šį darbą ir sujungiame asistentų bei agentų literatūrą, lyginant naudotojų sąveiką su universaliu agentų orkestratoriumi ir pokalbių asistentu bei išplečiant tolesnio poveikio analizę platesniam žinių darbo diapazonui.

Mes taip pat pereiname nuo poveikio prie realios užduočių pertvarkos. Ankstesni darbai vertina, kurios profesijos patiria dirbtinio intelekto poveikį pasitelkiant užduočių aprašymus ir profesinę struktūrą (pvz., Eloundou ir kt. 2024; Felten, Raj ir Seamans 2023), o naudojimu pagrįsti matavimai rodo atotrūkį tarp poveikio ir diegimo (Massenkoff ir McCrory 2026). Dokumentuojame, kaip užduočių sudėtis keičiasi suteikus prieigą prie agentų.

Atkreipiame dėmesį į kelias išlygas. Pirma, stebėjimo langas yra ankstyvas, o ankstyvieji naudotojai labiau linkę į dirbtinio intelekto naujoves. Naudotojai taip pat aktyviai eksperimentuoja ir pritaiko savo darbo eigas greitai besikeičiančioje produktų aplinkoje, todėl šie modeliai laikui bėgant gali pasikeisti. Antra, sesijomis pagrįstas suporuotų užklausų dizainas neįtraukia daugelio „Computer“ užduočių, kurios neturi artimo „Search“ atitikmens. Nors sesijos suteikia natūralų būdą suskirstyti užduotis į dalis, praktikoje naudotojai ne siempre laikosi šios struktūros, todėl sesijos tampa netiksliu užduočių vienetų pakaitalu. Trečia, efektyvumo įverčiai kritiškai priklauso nuo prielaidų apie žmogui prilygstantį įrankių laiką ir žmogaus priežiūros laiką. Nors dideliu kalbos modeliu pagrįsti įverčiai ir naudotojų interviu rodo tą pačią kryptį, o atsipirkimo ir jautrumo analizės rodo patikimumą, tikslius dydžius reikėtų vertinti kaip apytikslius. Su tuo susiję ir tai, kad dideliu kalbos modeliu pagrįstos klasifikacijos klaidos sukuria papildomą matavimo triukšmą. Galiausiai, mes stebime naudotojų elgseną tik „Perplexity“ ekosistemoje ir nefiksuojame veiklos už jos ribų, o tai gali apriboti mūsų požiūrį į visapusišką naudotojų darbinę veiklą ir įrankių naudojimą.

Agentai padaro esamas užduotis greitesnes ir pigesnes – ir, kas dar svarbiau, padaro gyvybingomis užduotis, apimančias profesines ribas ir kompetencijos lygius.

Kai sistema gali ieškoti, naršyti, programruoti, redaguoti failus, jungtis prie paslaugų ir paruošti galutinius rezultatus, pasikeičia naudotojo kliūtis. Jis mažiau laiko praleidžia vykdydamas darbo eigą ir daugiau laiko skiria tikslų nustatymui, konteksto pateikimui, išvesties patikrinimui ir papildomų funkcijų prašymui. Naudotojas pereina nuo operatoriaus prie prižiūrėtojo.

Individualiu lygmeniu šis pokytis išplečia užduočių ribą, leidžiančią naudotojams imtis darbo, kuris yra ir platesnis, ir gilesnis. Organizaciniame ir darbo rinkos lygmenyje lieka atviras klausimas, kaip šie mikrolygio pokyčiai susijungia į visumą. Jei vienas asmuo, aprūpintas agentais, gali atlikti darbo eigas, kurioms anksčiau reikėjo kelių vaidmenų, tuomet ilgalaikis agentų poveikis nebus užfiksuotas vien tik greičio ir sąnaudų metrikimis. Vietoj to jis pasireikš tuo, kaip sugrupuojami darbai, kaip apibrėžiami vaidmenys ir kaip struktūrizuojamos komandos.

Norėdami sužinoti daugiau apie mūsų metodologiją ir išvadas, perskaitykite visą techninę ataskaitą.

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.

Įvadas

„Computer“ pritaikymas ir naudojimo atvejai

Didesnis savarankiškumas ir kokybė

Savarankiškumo teikiamas efektyvumo padidėjimas

Užduoties apimtis plečiasi horizontaliai ir vertikaliai

Aptarimas

Žvelgiant į ateitį

Literatūra