Kā AI aģenti pārveido zināšanu darbu

Uzlabotie mākslīgā intelekta (AI) sistēmas mazina plaisu starp modeļu inteliģenci un reālo lietderību. Jauni modeļi, skaitļošanas arhitektūras un orķestrēšanas modeļi ļauj šīm sistēmām paveikt uzdevumus, kas vēl pirms dažiem mēnešiem šķita neiespējami.

Šī straujā inovācija ir izrādījusies svētīga AI lietotājiem, palielinot viņu iespējas un ietekmi. Tomēr tā ir radījusi arī plaisu starp tehnoloģiju robežu un mūsu izpratni par to, kā precīzāk attīstās zināšanu darbs. Kā progresīvais AI maina zināšanu darba dabu dažādās profesijās? Kādas strukturālās un ekonomiskās pārmaiņas šajā darbā mēs varam sagaidīt?

Mēs cenšamies aizpildīt šo robu, veicot rūpīgu empīrisku analīzi par Perplexity lietojumu. Sadarbībā ar Hārvardas Biznesa skolas (Harvard Business School) pētniekiem mēs šodien publicējam savu pirmo visaptverošo pētījumu par Perplexity Computer reālas ieviešanas apstākļos. Mūsu atklājumi liecina, ka Computer paplašina lietotāju paveicamā darba apjomu un dziļumu, turklāt par zemākām izmaksām. Computer lietotāji padara vairāk darba, strādā augstākā abstrakcijas līmenī un pārkāpj disciplīnu robežas, lai gūtu vērtību ārpus savas profesijas.

Šajā rakstā ir apkopoti mūsu pētījuma galvenie punkti. Detalizēta metodoloģija un rezultāti ir pieejami mūsu tehniskajā ziņojumā.

Ievads

Pirmās straumvirziena ģeneratīvā AI sistēmas bija sarunu asistenti, kas iesaistās dialogā ar lietotājiem. Šie asistenti atrodas starp nolūku un rīcību. Tie atbild uz jautājumiem, izskaidro kompromisus un iesaka nākamos soļus. Pēc tam lietotājam ir jāpārvērš atbilde darbā: jāatver pareizie rīki, jāsavāc faili, jārediģē dokumenti, jāpārbauda starprezultāti un jāizlemj, ko darīt tālāk.

Aģenti maina šo darba dalījumu. Lietotājs norāda vēlamo rezultātu, un sistēma plāno darbības dažādos rīkos, izpilda starpposmus, vajadzības gadījumā prasa trūkstošos datus un atgriež gatavu rezultātu. Aģenti pārvērš AI lietojumu no informācijas meklēšanas un sintēzes uz autonomu uzdevumu plānošanu un izpildi.

Šis pavērsiens iezīmē Perplexity produktu attīstību. 2022. gadā mēs laidām klajā Search, kas definēja atbilžu dzinēju kategoriju, ļaujot lietotājiem uzdot jautājumus un saņemt atbildes, ko pamato pārbaudāmas norādes miljardos dokumentu. 2025. gadā mēs ieviesām Comet pārlūkprogrammu ar iebūvētu tīmekļa aģentu, kas spriež un rīkojas kopā ar lietotājiem atvērtajā tīmeklī. Savukārt 2026. gadā mēs izlaidām Computer – vispārējas nozīmes aģentu orķestratoru, kas autonomi strādā pie lietotāja noteiktiem mērķiem sarežģītā vidē un ilgtermiņā.

Kā šī pāreja maina mūsu darba veidu? Mēs pētām šo jautājumu, izmantojot datus no mūsu Search un Computer produktiem, koncentrējoties uz trim dimensijām:

Autonomija: cik lielu autonomu darbu Computer paveic salīdzinājumā ar Search, veicot to pašu uzdevumu?

Efektivitāte: cik daudz laika un darbaspēka izmaksu Computer ietaupa salīdzinājumā ar Search, veicot to pašu uzdevumu?

Mērogs: kā Computer maina darba veidu, ko lietotāji uzņemas?

Mēs konstatējam, ka tādi aģenti kā Computer prasa lielāku sākotnējo lietotāja piepūli (tā kā lietotājiem ir jānorāda deleģējamie mērķi un jāpārskata rezultāti), bet daudz mazāku cilvēka piepūli uz vienu darba vienību (pateicoties autonomākai izpildei). Tas padara tos īpaši efektīvus ilgos, daudzpakāpju darbplūsmas procesos. Ieguvums ir darbs, kas ir gan dziļāks, gan lētāks. Computer novirza lietotāja pūles no manuālas izpildes uz uzraudzību, paplašinot to, ko lietotāji var paveikt gan savā ekspertīzes jomā, gan ārpus tās.

Computer ieviešana un izmantošanas gadījumi

Computer tika palaists 2026. gada 25. februārī, un pirmajos trīs mēnešos tā lietojums strauji pieauga.

Līdz 27. maijam uzkrāto Computer vaicājumu skaits sasniedza 84 reizes lielāku apjomu nekā pirmajā nedēļā. Salīdzinājumam – uzkrātais Search lietojums Computer lietotāju vidū sasniedza 14 reizes lielāku apjomu nekā pirmajā nedēļā, kas ir vairāk nekā 12 reižu pieaugums lietotājiem, kuri neizmanto Computer.

Pat pēc Computer un ne-Computer lietotāju sakāpintošanas pēc abonēšanas līmeņa, galvenās Search tēmas un iepriekšējās Search intensitātes, atšķirību atšķirību salīdzinājums rāda, ka Computer ieviešana palielina Search izmantošanu: Computer lietotāji veic par 1.05 vairāk Search vaicājumu dienā nekā līdzīgi lietotāji, kuri neizmanto Computer.

Nejaušā izlasē, kurā bija 100 000 Computer vaicājumu, lielākā uzdevumu kategorija bija pētniecība un analīze (25.8%), kam sekoja dokumentu un materiālu izveide (18.6%). Novērotais uzdevumu sadalījums vairāk nosveras uz ģeneratīvo darbu: dokumentiem, izklājlapām, koda bāzēm, vietnēm un darbplūsmām, kurām nepieciešams darbs vairākos rīkos.

Runājot par nozarēm, lietojums bija plaši izplatīts programmatūras un IT, finanšu un ieguldījumu, mārketinga un pārdošanas, uzņēmējdarbības operāciju, veselības aprūpes, izglītības, juridisko pakalpojumu un plašsaziņas līdzekļu jomā.

Augstāka autonomija un kvalitāte

Tiešākā autonomijas pazīme ir tas, cik ilgi sistēma darbojas bez cilvēka iejaukšanās pēc tam, kad lietotājs ir iesniedzis pieprasījumu. Search parasti atgriež atbildi dažu sekunžu laikā. Computer bieži turpina darbu minūtes vai pat stundas: meklē, pārlūko, raksta, rediģē, izpilda kodu un pārbauda starprezultātus.

Mēs izmantojam Search un Computer sesijas ar gandrīz identiskiem sākotnējiem vaicājumiem kā aizstājēju vienam un tam pašam uzdevumam, kas veikts ar abiem produktiem. No 10 000 saskaņotiem pāriem Computer katrā sesijā vidēji veic 26 minūtes ilgu mašīnas izpildi pretstatā 33 sekundēm Search gadījumā. Tas ir 48 reižu lielāks mašīnas darba pieaugums faktiski vieniem un tiem pašiem uzdevumiem. Mediānā atšķirība ir 9 minūtes pret 14 sekundēm jeb 40 reizes. Nozares dalījums uzrāda to pašu modeli: Computer veic aptuveni 26–75 reizes vairāk mašīnas darba visās 18 nozarēs.

Ilgāka autonomija neizraisīja lielāku atteikšanos. Lietotāju pārtraukšanas gadījumi produktos bija līdzīgi: 3.7% Computer sesiju un 3.4% Search sesiju ietvēra vismaz vienu lietotāja pārtraukšanas notikumu. Computer biežāk apstājās, lai saņemtu lietotāja ievadi: 13% Computer vaicājumu aktivizēja vismaz vienu apturēšanas un lietotāja ievades rīku, salīdzinot ar 0.3% Search gadījumā, parasti lai pieprasītu apstiprinājumu vai uzdotu precizējošus jautājumus. Tas ir paredzamais modelis aģentam: lielāko daļu laika tas var rīkoties autonomi, bet tam ir nepieciešami atskaites punkti, lai iegūtu atļauju un apstiprinātu lietotāja vēlmes.

Computer arī sasaista daudz vairāk ārējo rīku izsaukumu – izmantojot Model Context Protocol (MCP) vai Application Programming Interface (API) galapunktus – vienā sesijā, veicot darbu, ko Search lietotājs citādi darītu ar rokām dažādās lietotnēs. 7.9% Computer sesiju veic vismaz vienu savienotāja izsaukumu pretstatā 1.8% Search sesiju (4 reižu starpība), un Computer vidēji veic 1.19 savienotāja izsaukumus sesijā pretstatā 0.10 Search gadījumā (12 reižu attiecība). Citiem vārdiem sakot, Computer ne tikai darbojas ilgāk; tas sniedzas vairāk lietotāja savienotajos pakalpojumos, lai iegūtu datus un veiktu darbības.

Arī turpmākā rīcība maina savu sastāvu. 1000 pāru vairāku soļu izlasē vispārējā tieksme uz uzdevumu virzīšanu uz priekšu ir gandrīz identiska visiem produktiem (52.7% Computer turpinājumu pret 52.9% Search), taču mainās tas, ko lietotāji prasa: tā kā Computer uzreiz atgriež pilnīgāku rezultātu, tā lietotāji aizvieto precizējošus paplašinājumus ar padziļinātiem jautājumiem (paplašinājumi 14.2% pret 12.5%; padziļinājumi 22.0% pret 23.4%). Computer lietotāji arī nedaudz vairāk no saviem turpinājumiem velta rezultātu pārskatīšanai un labošanai (24.6% pret 23.6%), savukārt Search vairāk izmanto īsas norādes, piemēram, apstiprinājumus, atkārtotus mēģinājumus un formāta pieprasījumus (11.6% pret 9.9%), ko Computer iekļauj savā sākotnējā izpildē. Citiem vārdiem sakot, Search rada īsākus kopsavilkuma un izpildes ciklus; Computer rada garākus pārskatīšanas un paplašināšanas ciklus.

Vissvarīgākais ir tas, ka kvalitāte nesamazinājās līdz ar lielāku autonomiju. Saskaņotās vairāku soļu sesijās nozīmīga neapmierinātība ar nākamo soli bija 1.3% Computer gadījumā pret 2.9% Search, kas ir 55% samazinājums. Jebkāda neapmierinātība, tostarp viegli signāli, bija 10.8% Computer gadījumā pret 16.6% Search.

Efektivitātes ieguvumi no autonomijas

Augstāka autonomija aizstāj manuālu cilvēka darbu ar mašīnas skaitļošanu, kas paaugstina efektivitāti. Lai kvantificētu šo efektu, mēs salīdzinām divus iestatījumus ar tiem pašiem saskaņotajiem uzdevumiem.

Search + cilvēks: Search nodrošina informācijas izgūšanu un sintēzi; cilvēks to izpilda manuāli.

Computer + cilvēks: Computer veic darbplūsmu; cilvēks nosaka uzdevuma apjomu un pārskata rezultātu.

Mēs nevaram tieši novērot, cik laika uzdevums prasītu cilvēkam, tāpēc mēs izmantojam trīs neatkarīgus novērtējumus:

Uz rīkiem balstīts novērtējums: Mēs iedalām Computer rīku izsaukumus divās kategorijās: "Search" un "Do". Search rīki atbilst informācijas izgūšanas un sintēzessoļiem, kurus jau nodrošina Search produkts. Do rīki apzīmē izpildes soļus, kas cilvēkam būtu jāveic manuāli, ja viņš izmantotu tikai Search. Pēc tam mēs novērtējam laiku, kas nepieciešams pieredzējušam cilvēkam, lai veiktu šīs Do darbības.

Uz LLM balstīts novērtējums: Mēs ievadām vaicājumus no Computer sesijām LLM, lai novērtētu laiku, kas nepieciešams prasmīgam profesionālim, kurš saņem atbildes no Search, bet visas izpildes darbības jāveic manuāli.

Lietotāju ziņots novērtējums: Mēs veicam 25 daļēji strukturētas intervijas ar aktīviem Computer lietotājiem dažādās nozarēs un noskaidrojam pirms-Computer darbplūsmas un laiku, ko šīs darbplūsmas būtu prasījušas.

Saskaņā ar uz rīkiem balstīto novērtējumu vidējais Search + cilvēks uzdevums aizņem 269 minūtes, savukārt atbilstošā Computer + cilvēks darbplūsma aizņem 36 minūtes. Tas ir 87% uzdevuma laika samazinājums.

Lai pārvērstu uzdevuma izpildes laiku izmaksās, mēs izmantojam nozarēm specifiskas vidējās stundas likmes no ASV Darba statistikas biroja (U.S. Bureau of Labor Statistics) Nodarbinātības un algu statistikas 2025. gada maija datiem (U.S. Bureau of Labor Statistics 2026). Apvienojot modeļa izmaksas ar nozarei specifiskām cilvēkresursu darbaspēka izmaksām, Computer vidēji samazina aptuvenās uzdevuma izmaksas par 94%.

Efektivitātes priekšrocība parādās visās 18 nozarēs, nodrošinot 79–92% laika ietaupījumu un 87–96% izmaksu ietaupījumu. Programmēšana ir ekstrēmākais gadījums: 596 minūtes Search + cilvēks pret 48 minūtēm Computer + cilvēks – 92% laika samazinājums, kas nodrošina 96% izmaksu samazinājumu. Uzņēmējdarbība, tehnoloģijas, izglītība un rakstīšana arī uzrāda lielus ieguvumus. Laika ietaupījums parasti pārvēršas lielākā izmaksu ietaupījumā augstāku algu jomās.

Cik noturīgs ir šis rezultāts? Apsversim līdzsvara punktu: lai Search + cilvēks atbilstu Computer + cilvēks izmaksām, profesionālim būtu jāpabeidz katrs manuālais solis 14–24 minūtēs (mediāna 18). Computer saglabā savas priekšrocības katrā nozarē pat pie konservatīvākiem pieņēmumiem: piemēram, 8 reižu pārvērtējums laika patēriņam uz vienu rīku vai 12 reižu novērtējuma kļūda Computer pārraudzības laikā.

Uz LLM balstītais novērtējums uzrāda līdzīgus kopējos rezultātus: 84% laika samazinājums un 93% izmaksu samazinājums kopumā. Lietotāju intervijas uzrāda daudz plašāku rezultātu spektru – no 5 līdz vairāk nekā 300 reižu lielākam ātruma pieaugumam –, kas, visticamāk, atspoguļo būtisku lietotāju pirms-Computer bāzes līniju variāciju. Mediānais paātrinājums starp dalībniekiem ir 25 reizes, kas atbilst 96% laika samazinājumam.

Uzdevumu mērogs paplašinās horizontāli un vertikāli

Ātrums un izmaksas saskaņotajos uzdevumos atspoguļo tikai daļu no stāsta. Darba forma var arī mainīties. Tā kā Computer aizstāj manuālu izpildi ar mašīnas skaitļošanu, lietotāji var uzņemties cita veida darbu – uzdevumus, kas šķērso profesionālās robežas, un tādus, kam nepieciešams augstāks ekspertīzes līmenis.

Pirmkārt, mēs vaicājam, vai lietotāji strādā ārpus sava secinātā primārās nodarbošanās klastera biežāk ar Computer nekā ar Search. Otrkārt, mēs salīdzinām Computer un Search vaicājumus no tiem pašiem lietotājiem, izmantojot piecas uzdevumu līmeņa klasifikācijas: Blūma pārskatīto taksonomiju (Anderson and Krathwohl 2001), abstrakto un rutīnas darbu uzdevumu satura tradīcijā (Autor, Levy, and Murnane 2003), O*NET zināšanu plašumu (National Center for O*NET Development 2026), O*NET darba aktivitāšu plašumu un jaunus uzdevumus, kas netika mēģināti ar Search.

Horizontālā nobīde ir redzama datos. Izmantojot 8000 lietotāju izlasi no astoņiem profesiju klasteriem un visus viņu vaicājumus, Computer lietotāji strādā ārpus savas primārās nodarbošanās 59% gadījumu, salīdzinot ar 50% Search gadījumā. Lielākais pieaugums redzams vadības un uzņēmējdarbības, digitālo tehnoloģiju, mākslas un dizaina, kā arī veselības aprūpes un sociālo pakalpojumu jomā. Starpnoderību Search vaicājumi ir koncentrēti digitālajās tehnoloģijās, savukārt Computer vaicājumi deleģē darbu, kas ieiet daudzveidīgākās jomās, kur lietotājiem citādi būtu nepieciešami speciālisti.

Vertikālā nobīde ir vēl lielāka. 5000 Computer vaicājumu un 5000 Search vaicājumu izlasē no vienas un tās pašas abu produktu lietotāju grupas Computer vaicājumi ir kognitīvi sarežģītāki nekā Search vaicājumi. Saskaņā ar Blūma pārskatīto taksonomiju 76% Computer vaicājumu prasa augstāka līmeņa kognitīvās spējas, salīdzinot ar 55% Search gadījumā. Atšķirība koncentrējas augšgalā: 50% Computer vaicājumu ir radīšanas (Create) līmeņa uzdevumi, salīdzinot ar 26% Search gadījumā. Search gadījumā ir daudz lielāks īpatsvars atcerēšanās (Remember) līmeņa faktoloģiskajā meklēšanā. Abstrakto un rutīnas uzdevumu tipa dimensijā 71% Computer vaicājumu ietver abstraktu, nerutīna rakstura kognīciju pretstatā 53% Search gadījumā.

Computer uzdevumi balstās arī uz plašākām zināšanu jomām. Vidējs Computer uzdevums prasa padziļinātu ekspertīzi 2.40 O*NET zināšanu jomās, salīdzinot ar 1.74 Search gadījumā, kas ir 38% pieaugums. Computer gandrīz trīs reizes biežāk nekā Search prasa trīs vai vairāk zināšanu jomas: 51% pret 17%.

Darba aktivitāšu līmenī saglabājas tāds pats modelis. Tipisks Computer vaicājums iesaista 2.95 O*NET vispārējās darba aktivitātes (Generalized Work Activities) un 4.01 starpposma darba aktivitātes (Intermediate Work Activities) pretstatā 2.24 un 2.87 Search gadījumā, kas ir 32% un 40% pieaugums. Detalizētākos līmeņos Computer iesaista par 59% vairāk detalizētu darba aktivitāšu un par 60% vairāk profesijai specifisku uzdevumu paziņojumu.

Visatklājošākais rādītājs ir to uzdevumu kopa, kas parādās Computer, bet neparādās Search to pašu lietotāju vidū. Stingrākajā definīcijā, kur uzdevuma paziņojums parādās Computer un nekad neparādās sapārotajā Search izlasē, 23% Computer vaicājumu iesaista vismaz vienu tikai Computer raksturīgu uzdevuma paziņojumu. Mīkstinot slieksni, lai pieļautu līdz pat pieciem Search gadījumiem, īpatsvars palielinās līdz 38% un sasniedz plato ap 41%. Šīs tikai Computer raksturīgās aktivitātes koncentrējas programmatūras un tīmekļa izstrādē, dokumentācijas veidošanā un datu vizualizācijā vai grafikā. Tas ir tieši tas, kur autonoma izpilde ir vissvarīgākā: Search skaidro; Computer ražo.

Diskusija

Lielākā daļa pierādījumu par AI darbā koncentrējas uz asistentu vidi. Šī literatūra ir uzrādījusi lielus produktivitātes ieguvumus, uzlabojot rakstīšanu, klientu atbalstu, kodēšanu un konsultēšanu (piemēram, Noy and Zhang 2023; Brynjolfsson, Li, and Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

Aģenti maina lietotāju uzvedību un turpmākos ekonomiskos rezultātus. Ražošanas ieviešana sāk atklāt aģentu lietojumu un ietekmi reālajā vidē, taču tā galvenokārt koncentrējas uz specializētiem kodēšanas aģentiem un agrīnajiem pārlūkprogrammu aģentiem (piemēram, Sarkar 2026; McCain et al. 2026; Demirer, Musolff, and Yang 2026; Yang et al. 2025). Mēs papildinām šo darbu un savienojam asistentu un aģentu literatūru, salīdzinot lietotāju mijiedarbību ar vispārējas nozīmes aģentu orķestratoru pretstatā sarunu asistentam, un paplašinot turpmākās ietekmes analīzi uz plašāku zināšanu darba spektru.

Mēs pārejam arī no iedarbības uz reālu uzdevumu pārkārtošanu. Iepriekšējais darbs novērtē, kuras profesijas ir pakļautas AI ietekmei, izmantojot uzdevumu aprakstus un nodarbošanās struktūru (piemēram, Eloundou et al. 2024; Felten, Raj, and Seamans 2023), savukārt uz lietojumu balstīti mērījumi parāda plaisu starp iedarbību un ieviešanu (Massenkoff and McCrory 2026). Mēs dokumentējam, kā uzdevumu sastāvs mainās, nodrošinot piekļuvi aģentam.

Mēs atzīmējam vairākus ierobežojumus. Pirmkārt, novērojumu logs ir agrīns, un agrīnie ieviesēji vairāk sliecas uz AI vietējiem lietotājiem. Lietotāji arī aktīvi eksperimentē un pielāgo savas darbplūsmas strauji mainīgā produktu ainavā, tāpēc šie modeļi laika gaitā var mainīties. Otrkārt, uz sesijām balstītais saskaņoto vaicājumu dizains izslēdz daudzus Computer uzdevumus, kuriem nav tuvu Search ekvivalentu. Lai gan sesijas nodrošina dabisku veidu, kā segmentēt uzdevumus, lietotāji praksē ne總是 ievēro šo struktūru, padarot sesijas par trokšņainu aizstājēju uzdevumu vienībām. Treškārt, efektivitātes novērtējumi kritiski ir atkarīgi no pieņēmumiem par cilvēka ekvivalentu rīku laiku un cilvēka uzraudzības laiku. Lai gan uz LLM balstīti novērtējumi un lietotāju intervijas norāda tajā pašā virzienā, un līdzsvara un jutīguma analīzes norāda uz noturību, precīzie lielumi ir jāuztver kā aptuveni. Saistīti ar to, LLM klasifikācijas kļūdas rada papildu mērījumu troksni. Visbeidzot, mēs novērojam lietotāju uzvedību tikai Perplexity ekosistēmā un neuztveram aktivitāti ārpus tās, kas var ierobežot mūsu skatījumu uz lietotāju pilnīgām darba aktivitātēm un rīku izmantošanu.

Skats nākotnē

Aģenti padara esošos uzdevumus ātrākus un lētākus, un, kas vēl svarīgāk, padara iespējamus uzdevumus, kas aptver profesionālās robežas un ekspertīzes līmeņus.

Ja sistēma var meklēt, pārlūkot, kodēt, rediģēt failus, izveidot savienojumu ar pakalpojumiem un sagatavot rezultātus, lietotāja šaurā vieta mainās. Viņi pavada mazāk laika, vadot darbplūsmu, un vairāk laika, nosakot mērķus, sniedzot kontekstu, pārbaudot izvades un pieprasot paplašinājumus. Lietotājs pāriet no operatora uz uzraugu.

Individuālā līmenī šī nobīde paplašina uzdevumu robežu, ļaujot lietotājiem uzņemties darbu, kas ir gan plašāks, gan dziļāks. Organizācijas un darba tirgus līmenī paliek atklāts jautājums par to, kā šīs mikrolīmeņa izmaiņas summējas. Ja viens indivīds, kas aprīkots ar aģentiem, var paveikt darbplūsmas, kurām iepriekš bija nepieciešamas vairākas lomas, tad aģentu ilgtermiņa ietekmi nevarēs uztvert tikai ar ātruma un izmaksu metrikām. Tā vietā tā izpaudīsies tajā, kā darbs tiek apvienots, kā tiek definētas lomas un kā tiek strukturētas komandas.

Lai uzzinātu vairāk par mūsu metodoloģiju un rezultātiem, izlasiet pilnu tehnisko ziņojumu.

Atsauces

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.