എഐ ഏജന്റുകൾ വിജ്ഞാന ജോലിയെ എങ്ങനെ പുനഃക്രമീകരിക്കുന്നു

ഫ്രണ്ടിയർ എഐ സിസ്റ്റങ്ങൾ മോഡൽ ഇന്റലിജൻസും യഥാർത്ഥ ലോകത്തിലെ ഉപയോഗക്ഷമതയും തമ്മിലുള്ള അന്തരം കുറച്ചുകൊണ്ടിരിക്കുകയാണ്. പുതിയ മോഡലുകൾ, കമ്പ്യൂട്ട് ആർക്കിടെക്ചറുകൾ, ഓർക്കസ്ട്രേഷൻ പാറ്റേണുകൾ എന്നിവ കുറച്ചു മാസങ്ങൾക്ക് മുമ്പ് അസാധ്യമെന്ന് കരുതിയിരുന്ന ജോലികൾ പൂർത്തിയാക്കാൻ ഈ സിസ്റ്റങ്ങളെ പ്രാപ്തമാക്കുന്നു.

ഈ വേഗതയേറിയ നവീകരണം എഐ ഉപയോക്താക്കൾക്ക് അവരുടെ സ്വാധീനവും ശേഷിയും വർദ്ധിപ്പിച്ചുകൊണ്ട് ഒരു അനുഗ്രഹമാണെന്ന് തെളിയിച്ചിട്ടുണ്ട്. എന്നിരുന്നാലും, ഇത് സാങ്കേതിക മുന്നേറ്റവും, അതിനോട് പ്രതികരിച്ച് വിജ്ഞാന ജോലി കൃത്യമായി എങ്ങനെയാണ് വികസിക്കുന്നത് എന്നതിനെക്കുറിച്ചുള്ള നമ്മുടെ ധാരണയും തമ്മിൽ ഒരു അന്തരം സൃഷ്ടിച്ചിട്ടുണ്ട്. ഫ്രണ്ടിയർ എഐ എങ്ങനെയാണ് വിവിധ തൊഴിലുകളിലെ വിജ്ഞാന ജോലിയുടെ സ്വഭാവം മാറ്റുന്നത്? ഈ ജോലിയിലെ ഏത് ഘടനാപരമായ, സാമ്പത്തിക പരിവർത്തനങ്ങളാണ് നമ്മൾ പ്രതീക്ഷിക്കേണ്ടത്?

Perplexity ഉപയോഗത്തെക്കുറിച്ചുള്ള സൂക്ഷ്മമായ അനുഭവപരമായ വിശകലനത്തിലൂടെ ഈ അന്തരം നികത്താൻ ഞങ്ങൾ ശ്രമിക്കുന്നു. ഇന്ന്, ഹാർവാർഡ് ബിസിനസ് സ്കൂൾ ഗവേഷകരുമായി സഹകരിച്ച്, യഥാർത്ഥ ലോക വിന്യാസത്തിലുള്ള Perplexity Computer-നെക്കുറിച്ചുള്ള ഞങ്ങളുടെ ആദ്യ സമഗ്ര പഠനം ഞങ്ങൾ പങ്കിടുന്നു. ഉപയോക്താക്കൾക്ക് കുറഞ്ഞ ചെലവിൽ എന്തൊക്കെ ಸಾಧിക്കാൻ കഴിയുമോ അതിന്റെ വ്യാപ്തിയും ആഴവും Computer വിപുലീകരിക്കുന്നു എന്ന് ഞങ്ങളുടെ കണ്ടെത്തലുകൾ സൂചിപ്പിക്കുന്നു. Computer ഉപയോക്താക്കൾ കൂടുതൽ കാര്യങ്ങൾ ചെയ്യുന്നു, ഉയർന്ന അമൂർത്തതാ തലങ്ങളിൽ പ്രവർത്തിക്കുന്നു, കൂടാതെ സ്വന്തം തൊഴിലുകൾക്ക് പുറത്തുള്ള മൂല്യം അൺലോക്ക് ചെയ്യുന്നതിന് അച്ചടക്ക അതിർത്തികൾ മറികടക്കുന്നു.

ഈ ലേഖനം ഞങ്ങളുടെ പഠനത്തിലെ പ്രധാന വിവരങ്ങൾ അവതരിപ്പിക്കുന്നു. വിശദമായ രീതിശാസ്ത്രവും കണ്ടെത്തലുകളും ഞങ്ങളുടെ സാങ്കേതിക റിപ്പോർട്ടിൽ ലഭ്യമാണ്.

ആമുഖം

ആദ്യകാല മുഖ്യധാരാ ജനറേറ്റീവ് എഐ സിസ്റ്റങ്ങൾ ഉപയോക്താക്കളുമായി സംഭാഷണത്തിൽ ഏർപ്പെടുന്ന സംഭാഷണ സഹായകങ്ങളായിരുന്നു. ഈ സഹായകർ ഉദ്ദേശ്യത്തിനും പ്രവർത്തനത്തിനും ഇടയിലാണ് നിലകൊള്ളുന്നത്. അവർ ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുന്നു, ട്രേഡ് ഓഫുകൾ വിശദീകരിക്കുന്നു, അടുത്ത ഘട്ടങ്ങൾ നിർദ്ദേശിക്കുന്നു. തുടർന്ന് ഉപയോക്താവ് ഉത്തരം ജോലിയാക്കി മാറ്റേണ്ടതുണ്ട്: ശരിയായ ടൂളുകൾ തുറക്കുക, ഫയലുകൾ ശേഖരിക്കുക, പ്രമാണങ്ങൾ എഡിറ്റ് ചെയ്യുക, ഇടക്കാല ഔട്ട്പുട്ടുകൾ പരിശോധിക്കുക, അടുത്തതായി എന്തുചെയ്യണമെന്ന് തീരുമാനിക്കുക.

ഏജന്റുകൾ തൊഴിൽ വിഭജനം മാറ്റുന്നു. ഒരു ഉപയോക്താവ് ഒരു ഫലം വ്യക്തമാക്കുന്നു, സിസ്റ്റം ടൂളുകളിലുടനീളം പ്ലാൻ ചെയ്യുകയും, ഇടക്കാല ഘട്ടങ്ങൾ നിർവ്വഹിക്കുകയും, ആവശ്യമുള്ളപ്പോൾ കാണാതായ ഇൻപുട്ടുകൾ ചോദിക്കുകയും, പൂർത്തിയായ ഡെലിവറബിൾ തിരികെ നൽകുകയും ചെയ്യുന്നു. ഏജന്റുകൾ എഐ ഉപയോഗത്തെ കാര്യങ്ങൾ തിരയുന്നതിലും സമന്വയിപ്പിക്കുന്നതിലും നിന്ന് സ്വയം ആസൂത്രണം ചെയ്യുന്നതിലേക്കും ജോലികൾ നിർവ്വഹിക്കുന്നതിലേക്കും മാറ്റുന്നു.

ഈ ആർക്ക് Perplexity-യുടെ സ്വന്തം ഉൽപ്പന്ന പുരോഗതിയെ ഉണർത്തുന്നു. 2022-ൽ, ബില്യൺ കണക്കിന് പ്രമാണങ്ങളിലുടനീളമുള്ള പരിശോധിക്കാവുന്ന ഉദ്ധരണികൾ പിന്തുണയ്ക്കുന്ന ചോദ്യങ്ങൾ ചോദിക്കാനും ഉത്തമമായ ഉത്തരങ്ങൾ സ്വീകരിക്കാനും ഉപയോക്താക്കളെ പ്രാപ്തരാക്കിക്കൊണ്ട് ഉത്തരം എഞ്ചിൻ വിഭാഗത്തെ നിർവചിച്ച Search ഞങ്ങൾ പുറത്തിറക്കി. 2025-ൽ, ഓപ്പൺ വെബിൽ ഉപയോക്താക്കൾക്കൊപ്പം യുക്തിസഹമായി ചിന്തിക്കുകയും പ്രവർത്തിക്കുകയും ചെയ്യുന്ന എംബഡഡ് വെബ് ഏജന്റോട് കൂടിയ Comet ബ്രൗസർ ഞങ്ങൾ അവതരിപ്പിച്ചു. 2026-ൽ, സങ്കീർണ്ണമായ ചുറ്റുപാടുകളിലും നീണ്ട സമയപരിധികളിലും ഉപയോക്താവ് നിശ്ചയിച്ച ലക്ഷ്യങ്ങളിലേക്ക് സ്വയം പ്രവർത്തിക്കുന്ന ഒരു പൊതു-ഉദ്ദേശ്യ ഏജന്റ് ഓർക്കസ്ട്രേറ്ററായ Computer ഞങ്ങൾ സമാരംഭിച്ചു.

ഈ പരിവർത്തനം നമ്മുടെ ജോലി ചെയ്യുന്ന രീതിയെ എങ്ങനെ മാറ്റുന്നു? ഞങ്ങളുടെ Search, Computer ഉൽപ്പന്നങ്ങളിൽ നിന്നുള്ള ഡാറ്റ ഉപയോഗിച്ച് ഞങ്ങൾ ഈ ചോദ്യം പരിശോധിക്കുന്നു, മൂന്ന് അളവുകളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു:

ഓട്ടോണമി (സ്വയംഭരണാധികാരം): സമാനമായ ഒരു ടാസ്കിൽ Search-നേക്കാൾ എത്രമാത്രം സ്വയംഭരണാധികാരമുള്ള ജോലിയാണ് Computer നിർവ്വഹിക്കുന്നത്?

കാര്യക്ഷമത: സമാനമായ ഒരു ടാസ്കിൽ Search-മായി താരതമ്യം ചെയ്യുമ്പോൾ Computer എത്രമാത്രം സമയവും തൊഴിൽ ചെലവും ലാഭിക്കുന്നു?

വ്യാപ്തി: ഉപയോക്താക്കൾ ശ്രമിക്കുന്ന ജോലിയുടെ തരത്തെ Computer എങ്ങനെ മാറ്റുന്നു?

Computer പോലുള്ള ഏജന്റുകൾക്ക് കൂടുതൽ മുൻകൂർ ഉപയോക്തൃ ശ്രമം ആവശ്യമാണെന്ന് ഞങ്ങൾ കണ്ടെത്തുന്നു (കാരണം ഉപയോക്താക്കൾ ഡെലിഗേറ്റ് ചെയ്യേണ്ട ലക്ഷ്യങ്ങൾ വ്യക്തമാക്കുകയും ഫലങ്ങൾ അവലോകനം ചെയ്യുകയും വേണം) എന്നാൽ ജോലിയിലെ ഓരോ യൂണിറ്റിനും മനുഷ്യന്റെ ശ്രമം വളരെ കുറവാണ് (കൂടുതൽ സ്വയംഭരണ നിർവ്വഹണം കാരണം). അത് നീണ്ടതും ഒന്നിലധികം ഘട്ടങ്ങളുള്ളതുമായ വർക്ക്ഫ്ലോകളിൽ അവരെ പ്രത്യേകിച്ച് ഫലപ്രദമാക്കുന്നു. കൂടുതൽ ആഴത്തിലുള്ളതും വിലകുറഞ്ഞതുമായ ജോലിയാണ് ഇതിന്റെ പ്രതിഫലം. Computer ഉപയോക്തൃ ശ്രമത്തെ മാനുവൽ എക്സിക്യൂഷനിൽ നിന്ന് സൂപ്പർവിഷനിലേക്ക് മാറ്റുന്നു, അവരുടെ സ്വന്തം വൈദഗ്ണ്യ മേഖലകൾക്ക് അകത്തും പുറത്തും ഉപയോക്താക്കൾക്ക് എന്ത് സാധ്യമാകും എന്നതിന്റെ പരിധി വിപുലീകരിക്കുന്നു.

Computer അഡോപ്ഷനും ഉപയോഗ കേസുകളും

2026 ഫെബ്രുവരി 25-നാണ് Computer സമാരംഭിച്ചത്, ആദ്യ മൂന്ന് മാസങ്ങളിൽ അത് വേഗത്തിൽ വളർന്നു.

മേയ് 27 ആയപ്പോഴേക്കും ക്യുമുലേറ്റീവ് Computer ക്വറികൾ അവയുടെ ആദ്യ ആഴ്ചയിലെ മൊത്തത്തിന്റെ 84 மடங்கിലെത്തി. അടിസ്ഥാനരേഖ എന്ന നിലയിൽ, Computer ഉപയോക്താക്കൾക്കിടയിലെ ക്യുമുലേറ്റീവ് Search ഉപയോഗം അതിന്റെ ആദ്യ ആഴ്ചയിലെ മൊത്തത്തിന്റെ 14 மடங்கിലെത്തി, ഇത് Computer ഇതര ഉപയോക്താക്കൾക്കുള്ള 12 மடங்கு വളർച്ചയേക്കാൾ കൂടുതലാണ്.

സബ്‌സ്‌ക്രിപ്‌ഷൻ ടയർ, പ്രാഥമിക Search വിഷയം, മുൻകാല Search തീവ്രത എന്നിവയുടെ അടിസ്ഥാനത്തിൽ Computer, Computer ഇതര ഉപയോക്താക്കളെ പൊരുത്തപ്പെടുത്തിയതിന് ശേഷവും, ഡിഫറൻസ്-ഇൻ-ഡിഫറൻസസ് താരതമ്യം കാണിക്കുന്നത് Computer ദത്തെടുക്കുന്നത് Search ഉപയോഗം വർദ്ധിപ്പിക്കുന്നു എന്നാണ്: സമാനമായ Computer ഇതര ഉപയോക്താക്കളെ അപേക്ഷിച്ച് Computer ഉപയോക്താക്കൾ പ്രതിദിനം 1.05 കൂടുതൽ Search ക്വറികൾ ചെയ്യുന്നു.

100,000 Computer ക്വറികളുടെ ക്രമരഹിതമായ സാമ്പിളിൽ, ഗവേഷണവും വിശകലനവും 25.8% തോതിൽ ഏറ്റവും വലിയ ടാസ്ക് വിഭാഗമായിരുന്നു, തുടർന്ന് പ്രമാണവും അസറ്റ് നിർമ്മാണവും 18.6%. നിരീക്ഷിക്കപ്പെട്ട ടാസ്ക് മിക്സ് ജനറേറ്റീവ് ജോലികളിലേക്ക് ചായുന്നു: പ്രമാണങ്ങൾ, സ്പ്രെഡ്ഷീറ്റുകൾ, കോഡ്ബേസുകൾ, വെബ്‌സൈറ്റുകൾ, കൂടാതെ ഒന്നിലധികം ടൂളുകളിലുടനീളം ജോലി ആവശ്യമായ വർക്ക്ഫ്ലോകൾ.

ഡൊമെയ്‌നുകളിലേക്ക് വരുമ്പോൾ, സോഫ്റ്റ്‌വെയർ ആൻഡ് ഐടി, ഫിനാൻസ് ആൻഡ് ഇൻവെസ്റ്റിംഗ്, മാർക്കറ്റിംഗ് ആൻഡ് സെയിൽസ്, ബിസിനസ് ഓപ്പറേഷൻസ്, ഹെൽത്ത് കെയർ, എഡ്യൂക്കേഷൻ, ലീഗൽ, മീഡിയ എന്നിവയിലുടനീളം ഉപയോഗം വ്യാപകമായി വിതരണം ചെയ്യപ്പെട്ടു.

ഉയർന്ന സ്വയംഭരണാധികാരവും ഗുണനിലവാരവും

ഉപയോക്താവ് ഒരു അഭ്യർത്ഥന സമർപ്പിച്ചതിന് ശേഷം മനുഷ്യന്റെ ഇടപെടലില്ലാതെ സിസ്റ്റം എത്ര സമയം പ്രവർത്തിക്കുന്നു എന്നതാണ് സ്വയംഭരണാധികാരത്തിന്റെ ഏറ്റവും നേരിട്ടുള്ള സിഗ്നൽ. Search സാധാരണയായി നിമിഷങ്ങൾക്കുള്ളിൽ പ്രതികരണം നൽകുന്നു. Computer പലപ്പോഴും മിനിറ്റുകളോ മണിക്കൂറുകളോ പ്രവർത്തിക്കുന്നത് തുടരുന്നു: തിരയുന്നു, ബ്രൗസ് ചെയ്യുന്നു, എഴുതുന്നു, എഡിറ്റ് ചെയ്യുന്നു, കോഡ് പ്രവർത്തിപ്പിക്കുന്നു, ഇടക്കാല ഫലങ്ങൾ പരിശോധിക്കുന്നു.

രണ്ട് ഉൽപ്പന്നങ്ങൾ ഉപയോഗിച്ച് ശ്രമിച്ച ഒരേ ടാസ്കിനുള്ള പ്രോക്സിയായി ഏതാണ്ട് സമാനമായ പ്രാരംഭ ക്വറികളുള്ള Search, Computer സെഷനുകൾ ഞങ്ങൾ ഉപയോഗിക്കുന്നു. പൊരുത്തപ്പെടുന്ന 10,000 ജോടികളിൽ, Search-ന് 33 സെക്കൻഡുമായി താരതമ്യം ചെയ്യുമ്പോൾ, Computer ഓരോ സെഷനിലും ശരാശരി 26 മിനിറ്റ് മെഷീൻ എക്സിക്യൂഷൻ നിർവ്വഹിക്കുന്നു. ഫലത്തിൽ ഒരേ ടാസ്കുകളിൽ മെഷീൻ ജോലിയിൽ 489 മടങ്ങ് വർദ്ധനവാണിത്. മീഡിയനിൽ, വ്യത്യാസം 9 മിനിറ്റ് বഴ്சസ് 14 സെക്കൻഡ്, അല്ലെങ്കിൽ 40 மடங்கு ആണ്. ഡൊമെയ്ൻ സ്പ്ലിറ്റ് അതേ പാറ്റേൺ കാണിക്കുന്നു: എല്ലാ 18 ഡൊമെയ്‌നുകളിലും Computer தோராயமாக 26-75 மடங்கு കൂടുതൽ മെഷീൻ ജോലി നിർവ്വഹിക്കുന്നു.

ദൈർഘ്യമേറിയ സ്വയംഭരണാധികാരം കൂടുതൽ ഉപേക്ഷിക്കലിലേക്ക് നയിച്ചില്ല. ഉൽപ്പന്നങ്ങളിൽ ഉടനീളം ഉപയോക്തൃ സ്റ്റോപ്പ് ഇവന്റുകൾ സമാനമായിരുന്നു: 3.7% Computer സെഷനുകളിലും 3.4% Search സെഷനുകളിലും കുറഞ്ഞത് ഒരു ഉപയോക്തൃ സ്റ്റോപ്പ് ഇവന്റമെങ്കിലും അടങ്ങിയിരിക്കുന്നു. Computer ഉപയോക്തൃ ഇൻപുട്ടിനായി കൂടുതൽ തവണ താൽക്കാലികമായി നിർത്തുന്നു: 13% Computer ക്വറികൾ Search-ന്റെ 0.3%-വുമായി താരതമ്യം ചെയ്യുമ്പോൾ കുറഞ്ഞത് ഒരു പോസ്-ഫോർ-യൂസർ ടൂളെങ്കിലും വിളിച്ചു, സാധാരണയായി അനുമതി അഭ്യർത്ഥിക്കാൻ അല്ലെങ്കിൽ വ്യക്തമാക്കുന്ന ചോദ്യങ്ങൾ ചോദിക്കാൻ. ഒരു ഏജന്റിനുള്ള പ്രതീക്ഷിക്കുന്ന പാറ്റേണാണിത്: ഇതിന് മിക്കപ്പോഴും സ്വയംഭരണമായി മുന്നോട്ട് പോകാൻ കഴിയും, എന്നാൽ അനുമതി നേടുന്നതിനും ഉപയോക്താവ് എന്താണ് ആഗ്രഹിക്കുന്നതെന്ന് സ്ഥിരീകരിക്കുന്നതിനും ഇതിന് ചെക്ക്‌പോസ്റ്റുകൾ ആവശ്യമാണ്.

മോഡൽ കോൺടെക്സ്റ്റ് പ്രോട്ടോക്കോൾ (MCP) അല്ലെങ്കിൽ ആപ്ലിക്കേഷൻ പ്രോഗ്രാമിംഗ് ഇന്റർഫേസ് (API) എൻഡ്‌പോയിന്റുകൾ വഴി Computer ഒരു ഒരൊറ്റ സെഷനിലേക്ക് ബാഹ്യ ടൂൾ കോളുകൾ വളരെക്കൂടുതൽ ശൃംഖലയിലാക്കുന്നു, ഇത് ഒരു Search ഉപയോക്താവ് വെവ്വേറെ ആപ്പുകളിലായി കൈകൊണ്ട് ചെയ്യുന്ന ജോലി ചെയ്യുന്നു. 7.9% Computer സെഷനുകൾ കുറഞ്ഞത് ഒരു കണക്ടർ കോളെങ്കിലും ചെയ്യുന്നു, Search സെഷനുകളുടെ 1.87%-വുമായി താരതമ്യം ചെയ്യുമ്പോൾ (4 மடங்கு വ്യത്യാസം), കൂടാതെ Search-ന്റെ 0.10-മായി താരതമ്യം ചെയ്യുമ്പോൾ Computer സെഷന് ശരാശരി 1.19 കണക്ടർ കോളുകൾ ചെയ്യുന്നു (12 மடங்கு അനുപാതം). മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, Computer കൂടുതൽ സമയം പ്രവർത്തിക്കുക മാത്രമല്ല ചെയ്യുന്നത്; ഡാറ്റ വലിച്ചെടുക്കാനും നടപടികൾ സ്വീകരിക്കാനും ഇത് ഉപയോക്താവിന്റെ കണക്റ്റുചെയ്‌ത സേവനങ്ങളിൽ കൂടുതൽ വ്യാപിക്കുന്നു.

ഫോളോ-അപ്പ് പെരുമാറ്റത്തിന്റെ ഘടനയും മാറുന്നു. 1,000-ജോടി മൾട്ടി-ടേൺ സാമ്പിളിൽ, ടാസ്ക് പുരോഗതിയിലേക്കുള്ള മൊത്തത്തിലുള്ള ചായ്‌വ് ഉൽപ്പന്നങ്ങളിൽ ഉടനീളം ഏതാണ്ട് സമാനമാണ് (Computer ഫോളോ-അപ്പുകളുടെ 52.7% বഴ്சസ് Search-ന്റെ 52.9%), എന്നാൽ ഉപയോക്താക്കൾ ആവശ്യപ്പെടുന്നത് മാറുന്നു: Computer മുൻകൂറായി കൂടുതൽ പൂർണ്ണമായ ഡെലിവറബിൾ തിരികെ നൽകുന്നതിനാൽ, അതിന്റെ ഉപയോക്താക്കൾ വ്യക്തമാക്കുന്ന ഡ്രിൽ-ഡൗണുകൾക്ക് പകരം എക്സ്റ്റൻഷനുകൾ ഉപയോഗിക്കുന്നു (എക്സ്റ്റൻഷനുകൾ 14.2% বഴ്சസ് 12.5%; ഡ്രിൽ-ഡൗണുകൾ 22.0% বഴ്சസ് 23.4%). Computer ഉപയോക്താക്കളും അവരുടെ ഫോളോ-അപ്പുകളിൽ അൽപ്പം കൂടുതൽ സമയം ഔട്ട്പുട്ട് അവലോകനം ചെയ്യുന്നതിനും പരിഷ്കരിക്കുന്നതിനും ചെലവഴിക്കുന്നു (24.6% বഴ്சസ് 23.6%), അതേസമയം Search സ്ഥിരീകരണങ്ങൾ, വീണ്ടും ശ്രമിക്കലുകൾ, ഫോർമാറ്റ് അഭ്യർത്ഥനകൾ തുടങ്ങിയ ഹ്രസ്വ നിർദ്ദേശങ്ങളിൽ ഭാരമേറിയതാണ് (11.6% বഴ്சസ് 9.9%), അത് Computer അതിന്റെ പ്രാരംഭ റണ്ണിൽ ഉൾക്കൊള്ളുന്നു. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, Search ഹ്രസ്വമായ ഡൈജസ്റ്റ്-ആൻഡ്-എക്സിക്യൂട്ട് ലൂപ്പുകൾ സൃഷ്ടിക്കുന്നു; Computer ദൈർഘ്യമേറിയ റിവ്യൂ-ആൻഡ്-എക്സ്റ്റൻഡ് ലൂപ്പുകൾ സൃഷ്ടിക്കുന്നു.

ഏറ്റവും പ്രധാനം, ഉയർന്ന സ്വയംഭരണാധികാരത്തിനൊപ്പം ഗുണനിലവാരം കുറഞ്ഞില്ല. പൊരുത്തപ്പെടുന്ന മൾട്ടി-ടേൺ സെഷനുകളിൽ, അർത്ഥവത്തായ അടുത്ത ടേൺ അസംതൃപ്തി Computer-ന് 1.3% ഉം Search-ന് 2.9% ഉം ആയിരുന്നു, ഇത് 55% കുറവാണ്. മിതമായ സിഗ്നലുകൾ ഉൾപ്പെടെയുള്ള ഏതൊരു അസംതൃപ്തിയും Computer-ന് 10.8% ഉം Search-ന് 16.6% ഉം ആയിരുന്നു.

സ്വയംഭരണാധികാരത്തിൽ നിന്നുള്ള കാര്യക്ഷമത നേട്ടങ്ങൾ

ഉയർന്ന സ്വയംഭരണാധികാരം മാനുവൽ മനുഷ്യന്റെ ജോലിയെ മെഷീൻ കമ്പ്യൂട്ടേഷൻ ഉപയോഗിച്ച് മാറ്റുന്നു, ഇത് കാര്യക്ഷമത വർദ്ധിപ്പിക്കുന്നു. ഈ പ്രഭാവം അളക്കാൻ, സമാനമായ പൊരുത്തപ്പെടുന്ന ടാസ്കുകളിൽ ഞങ്ങൾ രണ്ട് സജ്ജീകരണങ്ങൾ താരതമ്യം ചെയ്യുന്നു.

Search + Human: Search വീണ്ടെടുക്കലും സമന്വയവും കൈകാര്യം ചെയ്യുന്നു; മനുഷ്യൻ മാനുവലായി നിർവ്വഹിക്കുന്നു.

Computer + Human: Computer വർക്ക്ഫ്ലോ നിർവ്വഹിക്കുന്നു; മനുഷ്യൻ ടാസ്ക് സ്കോപ്പ് ചെയ്യുകയും ഔട്ട്പുട്ട് അവലോകനം ചെയ്യുകയും ചെയ്യുന്നു.

ഒരു ടാസ്കിന് മനുഷ്യന് എത്ര സമയം എടുക്കുമെന്ന് ഞങ്ങൾക്ക് നേരിട്ട് നിരീക്ഷിക്കാൻ കഴിയില്ല, അതിനാൽ ഞങ്ങൾ മൂന്ന് സ്വതന്ത്ര অনুমানകൾ ഉപയോഗിച്ച് ത്രികോണമാക്കുന്നു:

ടൂൾ അധിഷ്ഠിത കണക്കാക്കൽ: ഞങ്ങൾ Computer ടൂൾ കോളുകളെ രണ്ട് വിഭാഗങ്ങളായി തരംതിരിക്കുന്നു: "Search", "Do". Search ടൂളുകൾ Search ഉൽപ്പന്നം ഇതിനകം കൈകാര്യം ചെയ്യുന്ന വിവരങ്ങൾ വീണ്ടെടുക്കൽ, സമന്വയ ഘട്ടങ്ങൾ എന്നിവയുമായി പൊരുത്തപ്പെടുന്നു. Search മാത്രം ഉപയോഗിക്കുമ്പോൾ ഒരു മനുഷ്യൻ മാനുവലായി നിർവ്വഹിക്കേണ്ടി വരുന്ന എക്സിക്യൂഷൻ ഘട്ടങ്ങളെ Do ടൂളുകൾ പ്രതിനിധീകരിക്കുന്നു. തുടർന്ന് ഈ Do പ്രവർത്തനങ്ങൾ നടപ്പിലാക്കാൻ പരിചയസമ്പന്നനായ ഒരു മനുഷ്യന് ആവശ്യമായ സമയം ഞങ്ങൾ കണക്കാക്കുന്നു.

LLM അധിഷ്ഠിത കണക്കാക്കൽ: Search-ൽ നിന്ന് ഉത്തരങ്ങൾ സ്വീകരിക്കുന്ന എന്നാൽ എല്ലാ എക്സിക്യൂഷൻ ഘട്ടങ്ങളും മാനുവലായി നിർവ്വഹിക്കേണ്ടി വരുന്ന വിദഗ്ദ്ധനായ ഒരു പ്രൊഫഷണലിന് ആവശ്യമായ സമയം കണക്കാക്കാൻ ഞങ്ങൾ Computer സെഷനുകളിൽ നിന്നുള്ള ക്വറികൾ ഒരു LLM-ലേക്ക് നൽകുന്നു.

ഉപയോക്താവ് റിപ്പോർട്ട് ചെയ്ത കണക്കാക്കൽ: ഡൊമെയ്‌നുകളിലുടനീളമുള്ള സജീവമായ Computer ഉപയോക്താക്കളുമായി ഞങ്ങൾ 25 അർദ്ധ-ഘടനാപരമായ അഭിമുഖങ്ങൾ നടത്തുകയും Computer-ന് മുമ്പുള്ള വർക്ക്ഫ്ലോകളും ആ വർക്ക്ഫ്ലോകൾക്ക് എടുക്കുന്ന സമയവും ശേഖരിക്കുകയും ചെയ്യുന്നു.

ടൂൾ അധിഷ്ഠിത കണക്കാക്കലിന് കീഴിൽ, ശരാശരി Search + Human ടാസ്കിന് 269 മിനിറ്റ് എടുക്കുന്നു, അതേസമയം അനുയോജ്യമായ Computer + Human വർക്ക്ഫ്ലോയ്ക്ക് 36 മിനിറ്റ് എടുക്കുന്നു. ടാസ്ക് സമയത്തിൽ 87% കുറവാണിത്.

ടാസ്ക് സമയത്തെ ചെലവിലേക്ക് വിവർത്തനം ചെയ്യാൻ, യു.എസ്. ബ്യൂറോ ഓഫ് ലേബർ സ്റ്റാറ്റിസ്റ്റിക്സ് ഒക്യുപേഷണൽ എംപ്ലോയ്മെന്റ് ആൻഡ് വേജ് സ്റ്റാറ്റിസ്റ്റിക്സ് (BLS OEWS) മേയ് 2025 ഡാറ്റയിൽ നിന്നുള്ള ഡൊമെയ്ൻ നിർദ്ദിഷ്ട ശരാശരി പ്രതിമണിക്കൂർ വേതനം ഞങ്ങൾ ഉപയോഗിക്കുന്നു (U.S. Bureau of Labor Statistics 2026). മോഡൽ ചെലവും ഡൊമെയ്ൻ നിർദ്ദിഷ്ട മനുഷ്യ തൊഴിൽ ചെലവും സംയോജിപ്പിച്ച്, Computer ശരാശരി 94% കണക്കാക്കിയ ടാസ്ക് ചെലവ് കുറയ്ക്കുന്നു.

എല്ലാ 18 ഡൊമെയ്‌നുകളിലും കാര്യക്ഷമത നേട്ടം ദൃശ്യമാണ്, 79–92% സമയ ലാഭവും 87–96% ചെലവ് ലാഭവും ഉണ്ട്. പ്രോഗ്രാമിംഗാണ് ഏറ്റവും തീവ്രമായ കേസ്: Search + Human-ന് 596 മിനിറ്റ് বഴ്சസ് Computer + Human-ന് 48 മിനിറ്റ് - 92% സമയ കുറവ് 96% ചെലവ് കുറവ് നൽകുന്നു. ബിസിനസ്സ്, ടെക്നോളജി, വിദ്യാഭ്യാസം, എഴുത്ത് എന്നിവയും വലിയ നേട്ടങ്ങൾ കാണിക്കുന്നു. ഉയർന്ന വേതനമുള്ള ഡൊമെയ്‌നുകളിൽ സമയ ലാഭം വലിയ ചെലവ് ലാഭമായി വിവർത്തനം ചെയ്യപ്പെടുന്നു.

ഈ ഫലം എത്രത്തോളം കരുത്തുറ്റതാണ്? ഒരു ബ്രേക്ക് ഈവൻ പരിഗണിക്കുക: Search + Human-ന് Computer + Human-ന്റെ ചെലവുമായി പൊരുത്തപ്പെടാൻ, ഒരു പ്രൊഫഷണലിന് എല്ലാ മാനുവൽ ഘട്ടങ്ങളും 14-24 മിനിറ്റിനുള്ളിൽ (മീഡിയൻ 18) പൂർത്തിയാക്കേണ്ടതുണ്ട്. കൂടുതൽ യാഥാർത്ഥ്യബോധമില്ലാത്ത അനുമാനങ്ങൾക്ക് കീഴിലും Computer എല്ലാ ഡൊമെയ്‌നിലും അതിന്റെ മുൻതൂക്കം നിലനിർത്തുന്നു: ഉദാഹരണത്തിന്, പെർ-ടൂൾ സമയത്തിൽ 8x ഓവർസ്റ്റിമേറ്റ്, അല്ലെങ്കിൽ Computer-ന്റെ മേൽനോട്ട സമയത്തിൽ 12x അണ്ടർസ്റ്റിമേറ്റ്.

LLM അധിഷ്ഠിത കണക്കാക്കൽ സമാനമായ മൊത്തത്തിലുള്ള ഫലങ്ങൾ നൽകുന്നു: മൊത്തത്തിൽ സമയത്തിൽ 84% കുറവും ചെലവിൽ 93% കുറവും. ഉപയോക്തൃ അഭിമുഖങ്ങൾ ഫലങ്ങളുടെ വളരെ വിശാലമായ ശ്രേണി കാണിക്കുന്നു - 5x മുതൽ 300x-ൽ കൂടുതൽ വേഗത - ഇത് ഉപയോക്താക്കളുടെ Computer-ന് മുമ്പുള്ള അടിസ്ഥാനരേഖകളിൽ ഗണ്യമായ വ്യത്യാസത്തെ പ്രതിഫലിപ്പിക്കുന്നു. പങ്കെടുക്കുന്നവരിൽ മീഡിയൻ വേഗത 25x ആണ്, ഇത് സമയത്തിൽ 96% കുറവിന് അനുബന്ധമാണ്.

ടാസ്ക് വ്യാപ്തി തിരശ്ചീനമായും ലംബമായും വികസിക്കുന്നു

പൊരുത്തപ്പെടുന്ന ടാസ്കുകളിലെ വേഗതയും ചെലവും കഥയുടെ ഒരു ഭാഗം മാത്രമേ പിടിച്ചെടുക്കുന്നുള്ളൂ. ജോലിയുടെ രൂപവും മാറാം. Computer മാനുവൽ എക്സിക്യൂഷന് പകരം മെഷീൻ കമ്പ്യൂട്ടേഷൻ ഉപയോഗിക്കുമ്പോൾ, ഉപയോക്താക്കൾ വ്യത്യസ്തതരം ജോലികൾ ഏറ്റെടുത്തേക്കാം - തൊഴിൽ അതിർത്തികൾ കടക്കുന്ന ജോലികളും ഉയർന്ന തലത്തിലുള്ള വൈദഗ്ദ്ധ്യം ആവശ്യമുള്ളവയും.

ഒന്നാമതായി, ഉപയോക്താക്കൾ Search-നേക്കാൾ Computer ഉപയോഗിച്ച് അവരുടെ അനുമാനിക്കപ്പെട്ട പ്രാഥമിക തൊഴിൽ ക്ലസ്റ്ററിന് പുറത്ത് കൂടുതൽ തവണ ജോലി ചെയ്യുന്നുണ്ടോ എന്ന് ഞങ്ങൾ ചോദിക്കുന്നു. രണ്ടാമതായി, അഞ്ച് ടാസ്ക് ലെവൽ വർഗ്ഗീകരണങ്ങൾ ഉപയോഗിച്ച് ഒ একই ഉപയോക്താക്കളിൽ നിന്നുള്ള Computer, Search ക്വറികൾ ഞങ്ങൾ താരതമ്യം ചെയ്യുന്നു: ബ്ലൂംസ് റിവൈസ്ഡ് ടാക്സോണമി (ആൻഡേഴ്സൺ, ക്രാത്‌വോൾ 2001), ടാസ്ക്-കണ്ടന്റ് പാരമ്പര്യത്തിലെ അമൂർത്തവും പതിവുള്ളതുമായ ജോലി (ഓട്ടോർ, ലെവി, മൂർണേ 2003), O*NET നോളജ് ബ്രെഡ്ത് (നാഷണൽ സെന്റർ ഫോർ O*NET ഡെവലപ്‌മെന്റ് 2026), O*NET വർക്ക്-ആക്ടിവിറ്റി ബ്രെഡ്ത്, കൂടാതെ Search ഉപയോഗിച്ച് ശ്രമിക്കാത്ത പുതിയ ജോലികൾ.

തിരശ്ചീനമായ മാറ്റം ഡാറ്റയിൽ വ്യക്തമാണ്. എട്ട് തൊഴിൽ ക്ലസ്റ്ററുകളിൽ നിന്നുള്ള 8,000 ഉപയോക്താക്കളുടെ സാമ്പിളിൽ, അവരുടെ എല്ലാ ക്വറികളും ഉപയോഗിച്ച്, Computer ഉപയോക്താക്കൾ Search-ന്റെ 50%-വുമായി താരതമ്യം ചെയ്യുമ്പോൾ 59% സമയത്തും അവരുടെ പ്രാഥമിക തൊഴിലിന് പുറത്താണ് ജോലി ചെയ്യുന്നത്. മാനേജ്മെന്റ് ആൻഡ് എന്റർപ്രണർഷിപ്പ്, ഡിജിറ്റൽ ടെക്നോളജി, ആർട്സ് ആൻഡ് ഡിസൈൻ, ഹെൽത്ത് കെയർ ആൻഡ് ഹ്യൂമൻ സർവീസസ് എന്നിവയിലാണ് ഏറ്റവും വലിയ വർദ്ധനവ് കാണപ്പെടുന്നത്. ക്രോസ്-ഒക്യുപേഷൻ Search ക്വറികൾ ഡിജിറ്റൽ ടെക്നോളജിയിൽ കേന്ദ്രീകരിച്ചിരിക്കുന്നു, അതേസമയം Computer ക്വറികൾ ഉപയോക്താക്കൾക്ക് വിദഗ്ദ്ധരെ ആവശ്യമായി വരുന്ന കൂടുതൽ വൈവിധ്യമാർന്ന ഡൊമെയ്‌നുകളിലേക്ക് ജോലി കൈമാറുന്നു.

ലംബമായ മാറ്റം ഇതിലും വലുതാണ്. അതേ ഡ്യുവൽ-പ്രാഡക്റ്റ് ഉപയോക്താക്കളുടെ സെറ്റിൽ നിന്നുള്ള 5,000 Computer ക്വറികളുടെയും 5,000 Search ക്വറികളുടെയും സാമ്പിളിൽ, Search ക്വറികളേക്കാൾ Computer ക്വറികൾ വൈജ്ഞാനികമായി കൂടുതൽ സങ്കീർണ്ണമാണ്. ബ്ലൂംസ് റിവൈസ്ഡ് ടാക്സോണമിയിൽ, Search-ന്റെ 55%-വുമായി താരതമ്യം ചെയ്യുമ്പോൾ 76% Computer ക്വറികൾക്കും ഉയർന്ന തലത്തിലുള്ള കോഗ്നിഷൻ ആവശ്യമാണ്. വ്യത്യാസം മുകളിൽ കേന്ദ്രീകരിച്ചിരിക്കുന്നു: Search-ന്റെ 26%-വുമായി താരതമ്യം ചെയ്യുമ്പോൾ 50% Computer ക്വറികളും ക്രിയേറ്റ്-ലെവൽ ടാസ്കുകളാണ്. റിമബർ-ലെവൽ ഫാക്ചുവൽ ലുക്കപ്പിൽ Search-ന് കൂടുതൽ പിണ്ഡമുണ്ട്. അബ്സ്ട്രാക്റ്റ്-വേഴ്സസ്-റൊട്ടീൻ ടാസ്ക്-ടൈപ്പ് ഡൈമൻഷനിൽ, 71% Computer ക്വറികളും അമൂർത്തവും പതിവല്ലാത്തതുമായ കോഗ്നിഷൻ ഉൾക്കൊള്ളുന്നു, Search-ന്റെ 53%-വുമായി താരതമ്യം ചെയ്യുമ്പോൾ.

Computer ടാസ്കുകൾ കൂടുതൽ വിജ്ഞാന ഡൊമെയ്‌നുകളെയും ആശ്രയിക്കുന്നു. ശരാശരി Computer ടാസ്കിന് 2.40 O*NET നോളജ് ഏരിയകളിൽ സബ്സ്റ്റാൻ്റിവ് വൈദഗ്ദ്ധ്യം ആവശ്യമാണ്, Search-ന്റെ 1.74-മായി താരതമ്യം ചെയ്യുമ്പോൾ, 38% വർദ്ധനവ്. മൂന്നോ അതിലധികമോ വിജ്ഞാന ഡൊമെയ്‌നുകൾ ആവശ്യപ്പെടാൻ Search-നേക്കാൾ ഏകദേശം മൂന്നിരട്ടി സാധ്യത Computer-നുണ്ട്: 51% বഴ്சസ് 17%.

വർക്ക്-ആക്ടിവിറ്റി തലത്തിൽ, അതേ പാറ്റേൺ നിലനിൽക്കുന്നു. ഒരു സാധാരണ Computer ക്വറി 2.95 O*NET ജനറലൈസ്ഡ് വർക്ക് ആക്ടിവിറ്റികളും 4.01 ഇന്റർമീഡിയറ്റ് വർക്ക് ആക്ടിവിറ്റികളും ഉൾക്കൊള്ളുന്നു, Search-ന്റെ 2.24, 2.87-മായി താരതമ്യം ചെയ്യുമ്പോൾ, 32%, 40% വർദ്ധനവ്. മികച്ച തലങ്ങളിൽ, Computer 59% കൂടുതൽ ഡീറ്റെയിൽഡ് വർക്ക് ആക്ടിവിറ്റികളും 60% കൂടുതൽ ഒക്യുപേഷൻ-സ്പെസിഫിക് ടാസ്ക് സ്റ്റേറ്റ്‌മെന്റുകളും ഉൾക്കൊള്ളുന്നു.

ഒരേ ഉപയോക്താക്കൾക്കിടയിൽ Search-ൽ ഇല്ലാത്തതും എന്നാൽ Computer-ൽ ദൃശ്യമാകുന്നതുമായ ടാസ്കുകളുടെ സെറ്റാണ് ഏറ്റവും വെളിപ്പെടുത്തുന്ന അളവ്. ഏറ്റവും കർശനമായ നിർവചകത്തിൽ, ഒരു ടാസ്ക് സ്റ്റേറ്റ്‌മെന്റ് Computer-ൽ ദൃശ്യമാവുകയും ജോടിയാക്കിയ Search സാമ്പിളിൽ ഒരിക്കലും ദൃശ്യമാവാതിരിക്കുകയും ചെയ്യുമ്പോൾ, 23% Computer ക്വറികളും കുറഞ്ഞത് ഒരു Computer-മാത്രം ടാസ്ക് സ്റ്റേറ്റ്‌മെന്റിലെങ്കിലും ഏർപ്പെടുന്നു. അഞ്ച് Search സംഭവങ്ങൾ വരെ അനുവദിക്കുന്നതിന് പരിധി ലഘൂകരിക്കുന്നത് പങ്ക് 38% ആയി ഉയർത്തുന്നു, അത് 41%-ന് സമീപം പീഠഭൂമിയാകുന്നു. ഈ Computer-മാത്രം പ്രവർത്തനങ്ങൾ സോഫ്റ്റ്‌വെയർ, വെബ് വികസനം, ഡോക്യുമെന്റേഷൻ ഉത്പാദനം, ഡാറ്റ വിഷ്വലൈസേഷൻ അല്ലെങ്കിൽ ഗ്രാഫിക്സ് എന്നിവയിൽ കേന്ദ്രീകരിക്കുന്നു. സ്വയംഭരണ നിർവ്വഹണം ഏറ്റവും പ്രധാനപ്പെട്ട ഇടമാണിത്: Search വിശദീകരിക്കുന്നു; Computer ഉത്പാദിപ്പിക്കുന്നു.

ചർച്ച

ജോലിസ്ഥലത്തെ AI സംബന്ധിച്ച മിക്ക തെളിവുകളും അസിസ്റ്റന്റ് ക്രമീകരണത്തിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. എഴുത്ത്, ഉപഭോക്തൃ പിന്തുണ, കോഡിംഗ്, കൺസൾട്ടിംഗ് എന്നിവ വർദ്ധിപ്പിക്കുന്നതിൽ ആ സാഹിത്യം വലിയ ഉൽപ്പാദനക്ഷമത നേട്ടങ്ങൾ കാണിച്ചിട്ടുണ്ട് (ഉദാഹരണത്തിന്, Noy, Zhang 2023; Brynjolfsson, Li, Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

ഏജന്റുകൾ ഉപയോക്തൃ പെരുമാറ്റവും ഡൗൺസ്ട്രീം സാമ്പത്തിക ഫലങ്ങളും മാറ്റുന്നു. ഉൽപ്പാദന വിന്യാസങ്ങൾ യഥാർത്ഥ ലോക ക്രമീകരണങ്ങളിൽ ഏജന്റ് ഉപയോഗവും സ്വാധീനവും വെളിപ്പെടുത്താൻ തുടങ്ങിയിരിക്കുന്നു, എന്നാൽ പ്രധാനമായും പ്രത്യേക കോഡിംഗ് ഏജന്റുകളിലും ആദ്യകാല ബ്രൗസർ ഏജന്റുകളിലും ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു (ഉദാഹരണത്തിന്, Sarkar 2026; McCain et al. 2026; Demirer, Musolff, Yang 2026; Yang et al. 2025). പൊതു-ഉദ്ദേശ്യ ഏജന്റ് ഓർക്കസ്ട്രേറ്ററും സംഭാഷണ സഹായകവും തമ്മിലുള്ള ഉപയോക്തൃ ഇടപെടൽ താരതമ്യം ചെയ്തുകൊണ്ടും, വിശാലമായ വിജ്ഞാന ജോലിയിലേക്ക് ഡൗൺസ്ട്രീം സ്വാധീന വിശകലനം വ്യാപിപ്പിച്ചുകൊണ്ടും ഞങ്ങൾ ഈ ജോലിയെ പൂരകമാക്കുകയും അസിസ്റ്റന്റ്, ഏജന്റ് സാഹിത്യങ്ങളെ ബന്ധിപ്പിക്കുകയും ചെയ്യുന്നു.

ഞങ്ങൾ എക്സ്പോഷറിൽ നിന്ന് തിരിച്ചറിഞ്ഞ ടാസ്ക് പുനഃസംഘടനയിലേക്കും നീങ്ങുന്നു. ടാസ്ക് വിവരണങ്ങളും തൊഴിൽ ഘടനയും ഉപയോഗിച്ച് ഏത് തൊഴിലുകളാണ് AI-ക്ക് വിധേയമാകുന്നതെന്ന് മുൻകാല ജോലി കണക്കാക്കുന്നു (ഉദാഹരണത്തിന്, Eloundou et al. 2024; Felten, Raj, Seamans 2023), അതേസമയം ഉപയോഗത്തെ അടിസ്ഥാനമാക്കിയുള്ള അളവുകൾ എക്സ്പോഷറും വിന്യാസവും തമ്മിലുള്ള അന്തരം കാണിക്കുന്നു (Massenkoff, McCrory 2026). ഏജന്റ് ആക്സസ് ഉപയോഗിച്ച് ടാസ്ക് ഘടന എങ്ങനെ മാറുന്നു എന്ന് ഞങ്ങൾ രേഖപ്പെടുത്തുന്നു.

ഞങ്ങൾ നിരവധി മുന്നറിയിപ്പുകൾ രേഖപ്പെടുത്തുന്നു. ഒന്നാമതായി, നിരീക്ഷണ ജാലകം നേരത്തെയുള്ളതാണ്, ആദ്യകാല ഉപയോക്താക്കൾ AI നേറ്റീവുകളിലേക്ക് ചായുന്നു. ഉപയോക്താക്കളും വേഗത്തിൽ വികസിച്ചുകൊണ്ടിരിക്കുന്ന ഉൽപ്പന്ന ലാൻഡ്സ്കേപ്പിനുള്ളിൽ സജീവമായി പരീക്ഷിക്കുകയും അവരുടെ വർക്ക്ഫ്ലോകൾ പൊരുത്തപ്പെടുത്തുകയും ചെയ്യുന്നു, അതിനാൽ ഈ പാറ്റേണുകൾ കാലക്രമേണ മാറിയേക്കാം. രണ്ടാമതായി, സെഷൻ അധിഷ്ഠിത പൊരുത്തപ്പെടുന്ന-ക്വറി ഡിസൈൻ അടുത്ത Search തുല്യത ഇല്ലാത്ത നിരവധി Computer ജോലികൾ ഒഴിവാക്കുന്നു. സെഷനുകൾ ജോലികൾ സെഗ്മെന്റ് ചെയ്യാൻ സ്വാഭാവിക വഴി നൽകുമ്പോൾ, ഉപയോക്താക്കൾ പ്രായോഗികമായി ഈ ഘടന હંમેશા പിന്തുടരുന്നില്ല, ഇത് സെഷനുകളെ ടാസ്ക് യൂണിറ്റുകൾക്കുള്ള ശബ്ദമുള്ള പ്രോക്സിയാക്കുന്നു. മൂന്നാമതായി, കാര്യക്ഷമത കണക്കുകൾ മനുഷ്യന് തുല്യമായ ടൂൾ സമയത്തെക്കുറിച്ചുള്ള അനുമാനങ്ങളെയും മനുഷ്യന്റെ മേൽനോട്ട സമയത്തെക്കുറിച്ചുള്ള അനുമാനങ്ങളെയും നിർണ്ണായകമായി ആശ്രയിച്ചിരിക്കുന്നു. LLM അധിഷ്ഠിത കണക്കുകളും ഉപയോക്തൃ അഭിമുഖങ്ങളും ഒരേ ദിശയിലേക്ക് വിരൽ ചൂണ്ടുന്നുണ്ടെങ്കിലും, ബ്രേക്ക് ഈവനും സെൻസിറ്റിവിറ്റി വിശകലനങ്ങളും കരുത്ത് സൂചിപ്പിക്കുന്നുണ്ടെങ്കിലും, കൃത്യമായ അളവുകൾ ഏകദേശമായി വായിക്കണം. അനുബന്ധമായി, LLM വർഗ്ഗീകരണ പിശക് അധിക അളവെടുപ്പ് ശബ്ദം അവതരിപ്പിക്കുന്നു. അവസാനമായി, ഞങ്ങൾ Perplexity生态സിസ്റ്റത്തിനുള്ളിൽ മാത്രമേ ഉപയോക്തൃ പെരുമാറ്റം നിരീക്ഷിക്കുന്നുള്ളൂ, അതിന് പുറത്തുള്ള പ്രവർത്തനം പിടിച്ചെടുക്കുന്നില്ല, ഇത് ഉപയോക്താക്കളുടെ മുഴുവൻ തൊഴിൽ പ്രവർത്തനങ്ങളുടെയും ടൂൾ ഉപയോഗത്തിന്റെയും ഞങ്ങളുടെ കാഴ്ചപ്പാടിനെ പരിമിതപ്പെടുത്തിയേക്കാം.

മുന്നോട്ട് നോക്കുന്നു

ഏജന്റുകൾ നിലവിലുള്ള ജോലികൾ വേഗതയേറിയതും വിലകുറഞ്ഞതുമാക്കുന്നു - കൂടാതെ, പ്രധാനപ്പെട്ട കാര്യം, തൊഴിൽ അതിർത്തികളും വൈദഗ്ദ്ധ്യ നിലകളും വ്യാപിക്കുന്ന ജോലികൾ സാധ്യമാക്കുന്നു.

ഒരു സിസ്റ്റത്തിന് തിരയാനും ബ്രൗസ് ചെയ്യാനും കോഡ് ചെയ്യാനും ഫയലുകൾ എഡിറ്റ് ചെയ്യാനും സേവനങ്ങളുമായി ബന്ധിപ്പിക്കാനും ഡെലിവറബിളുകൾ ഉത്പാദിപ്പിക്കാനും കഴിയുമ്പോൾ, ഉപയോക്താവിന്റെ തടസ്സം മാറുന്നു. അവർ വർക്ക്ഫ്ലോ പ്രവർത്തിപ്പിക്കാൻ കുറഞ്ഞ സമയവും ലക്ഷ്യങ്ങൾ വ്യക്തമാക്കുന്നതിനും പശ്ചാത്തലം നൽകുന്നതിനും ഔട്ട്പുട്ടുകൾ പരിശോധിക്കുന്നതിനും എക്സ്റ്റൻഷനുകൾ ചോദിക്കുന്നതിനും കൂടുതൽ സമയം ചെലവഴിക്കുന്നു. ഉപയോക്താവ് ഓപ്പറേറ്ററിൽ നിന്ന് സൂപ്പർവൈസറിലേക്ക് മാറുന്നു.

വ്യക്തിഗത തലത്തിൽ, ഈ മാറ്റം ടാസ്ക് ഫ്രണ്ടിയർ വിപുലീകരിക്കുന്നു, ഉപയോക്താക്കൾക്ക് വിശാലവും ആഴത്തിലുള്ളതുമായ ജോലി ഏറ്റെടുക്കാൻ പ്രാപ്തമാക്കുന്നു. സംഘടനാപരമായ, തൊഴിൽ വിപണി തലത്തിൽ, ഈ മൈക്രോ തലത്തിലുള്ള മാറ്റങ്ങൾ എങ്ങനെ സംയോജിക്കുന്നു എന്നത് തുറന്ന ചോദ്യമായി അവശേഷിക്കുന്നു. ഒരു വ്യക്തിക്ക്, ഏജന്റുകൾ സജ്ജീകരിച്ചുകൊണ്ട്, മുമ്പ് ഒന്നിലധികം വേഷങ്ങൾ ആവശ്യമായിരുന്ന വർക്ക്ഫ്ലോകൾ പൂർത്തിയാക്കാൻ കഴിയുമെങ്കിൽ, ഏജന്റുകളുടെ ദീർഘകാല ആഘാതം വേഗതയും ചെലവും അളവുകൾ കൊണ്ട് മാത്രം പിടിച്ചെടുക്കില്ല. പകരം, ജോലി എങ്ങനെ ബണ്ടിൽ ചെയ്യുന്നു, വേഷങ്ങൾ എങ്ങനെ നിർവചിക്കുന്നു, ടീമുകൾ എങ്ങനെ ഘടന ചെയ്തിരിക്കുന്നു എന്നിവയിൽ അത് പ്രകടമാകും.

ഞങ്ങളുടെ രീതിശാസ്ത്രത്തെയും കണ്ടെത്തലുകളെയും കുറിച്ച് കൂടുതൽ അറിയാൻ, മുഴുവൻ സാങ്കേതിക റിപ്പോർട്ടും വായിക്കുക.

റഫറൻസുകൾ

Anderson, Lorin W., 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, 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, 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, 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, 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, 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, Daniel Rock. 2024. "GPTs are GPTs: Labor Market Impact Potential of LLMs." Science 384 (6702): 1306–1308.

Felten, Edward W., Manav Raj, Robert Seamans. 2023. "Occupational Heterogeneity in Exposure to Generative AI." SSRN 4414065.

Massenkoff, Maxim, 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, 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, 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, Jerry Ma. 2025. "The Adoption and Usage of AI Agents: Early Evidence from Perplexity." arXiv preprint arXiv:2512.07828.