AI एजंट्स ज्ञानावर आधारित कामाचे स्वरूप कसे बदलतात

अग्रगण्य AI सिस्टीम्स मॉडेल बुद्धिमत्ता आणि वास्तविक जगतातील उपयुक्तता यांच्यातील अंतर कमी करत आहेत. नवीन मॉडेल्स, कॉम्प्युट आर्किटेक्चर्स आणि ऑकेस्ट्रेशन पॅटर्न्स या सिस्टीम्सना काही महिन्यांपूर्वी अशक्य मानली गेलेली कामे पूर्ण करण्यास सक्षम करत आहेत.

या वेगाने होणाऱ्या नाविन्यामुळे AI वापरकर्त्यांची क्षमता आणि कार्यक्षेत्र वाढून त्यांना मोठा फायदा झाला आहे. तरीही यामुळे तांत्रिक आघाडी आणि ज्ञानावर आधारित काम (knowledge work) यातील उत्क्रांती नेमकी कशी होत आहे याविषयीच्या आपल्या समजुतीत अंतर निर्माण झाले आहे. अग्रगण्य AI मुळे विविध क्षेत्रांमधील ज्ञानावर आधारित कामाचे स्वरूप कसे बदलते? या कामामध्ये आपण कोणती स्ट्रक्चरल आणि आर्थिक परिवर्तने अपेक्षित करू शकतो?

Perplexity वापराच्या सखोल अनुभवात्मक विश्लेषणाद्वारे हे अंतर कमी करण्याचा आमचा प्रयत्न आहे. आज, हार्वर्ड बिजनेस स्कूलच्या संशोधकांच्या सहकार्याने, आम्ही वास्तविक जगातील उपयोगातील Perplexity Computer चा आमचा पहिला सर्वसमावेशक अभ्यास सामायिक करत आहोत. आमचे निष्कर्ष असे सुचवतात की Computer कमी खर्चात वापरकर्ते साध्य करू शकतात अशा गोष्टींची रुंदी आणि खोली दोन्ही वाढवतो. Computer वापरकर्ते अधिक काम पूर्ण करत आहेत, उच्च पातळीवर काम करत आहेत आणि त्यांच्या स्वतःच्या क्षेत्राबाहेर मूल्य अनलॉक करण्यासाठी शिस्तबद्ध सीमा ओलांडत आहेत.

हा लेख आमच्या अभ्यासातील महत्त्वाचे मुद्दे मांडतो. तपशीलवार पद्धतशास्त्र आणि निष्कर्ष आमच्या तांत्रिक अहवालात उपलब्ध आहेत.

परिचय

पहिली मुख्य प्रवाहातली जनरेटिव्ह AI सिस्टीम्स ही संभाषणात्मक असिस्टंट्स होती जी वापरकर्त्यांशी संवाद साधतात. हे असिस्टंट्स हेतू आणि कृती यांच्यामध्ये असतात. ते प्रश्नांची उत्तरे देतात, तडजोड स्पष्ट करतात आणिपुढील पायऱ्या सुचवतात. त्यानंतर वापरकर्त्याला उत्तराचे कामात रूपांतर करावे लागते: योग्य टूल्स उघडा, फाइल्स गोळा करा, दस्तऐवज संपादित करा, मध्यवर्ती आउटपुट तपासा आणि पुढे काय करायचे ठरवा.

एजंट्स श्रमाची ती विभागणी बदलतात. वापरकर्ता निकाल निर्दिष्ट करतो, आणि सिस्टीम टूल्समध्ये प्लॅन करते, मध्यवर्ती पायऱ्या कार्यान्वित करते, जेव्हा आवश्यक असेल तेव्हा गहाळ इनपुट विचारते आणि पूर्ण झालेले काम परत करते. एजंट्स AI चा वापर गोष्टी शोधणे आणि त्यांचे संश्लेषण करणे यावरून स्वायत्तपणे कार्ये योजना आखणे आणि पार पाडणे यावर बदलतात.

हा प्रवास Perplexity च्या स्वतःच्या उत्पादन प्रगतीला चालना देतो. २०२२ मध्ये, आम्ही Search लाँच केले, ज्याने अब्जावधी दस्तऐवजांमधील पडताळणीयोग्य संदर्भांद्वारे समर्थित प्रश्न विचारण्यास आणि उत्तरे प्राप्त करण्यास वापरकर्त्यांना सक्षम करून उत्तर इंजिन श्रेणी परिभाषित केली. २०२५ मध्ये, आम्ही Comet ब्राउझर सादर केला, ज्यामध्ये एक एम्बेडेड वेब एजंट आहे जो मुक्त वेबवर वापरकर्त्यांच्या सोबत तर्क करतो आणि कृती करतो. आणि २०२६ मध्ये, आम्ही Computer लाँच केले, जे एक सामान्य-हेतू एजंट ऑकेस्ट्रेटर आहे जे जटिल वातावरणात आणि लांब कालमर्यादेत वापरकर्त्या-निर्दिष्ट उद्दिष्टांच्या दिशेने स्वायत्तपणे कार्य करते.

हे संक्रमण आपल्या कामाची पद्धत कशी बदलत आहे? आम्ही आमच्या Search आणि Computer उत्पादनांमधील डेटा वापरून या प्रश्नाचा शोध घेतो, ज्यामध्ये तीन बाजूंवर लक्ष केंद्रित केले आहे:

स्वायत्तता (Autonomy): समान कार्यावर Search च्या तुलनेत Computer किती स्वायत्त कार्य करतो?

कार्यक्षमता (Efficiency): समान कार्यावर Search च्या तुलनेत Computer किती वेळ आणि श्रम खर्च वाचवतो?

व्याप्ती (Scope): वापरकर्ते करत असलेल्या कामाचा प्रकार Computer कसा बदलतो?

आमच्या असे लक्षात आले की Computer सारख्या एजंट्सना सुरूवातीला अधिक वापरकर्त्याच्या प्रयत्नांची आवश्यकता असते (कारण वापरकर्त्यांनी प्रत्यार्पित करावयाची उद्दिष्टे निर्दिष्ट करणे आणि परिणामांचे पुनरावलोकन करणे आवश्यक असते) परंतु प्रति युटक कामासाठी खूप कमी मानवी प्रयत्नांची आवश्यकता असते (अधिक स्वायत्त अंमलबजावणीमुळे). यामुळे ते लांब, बहु-चरणीय वर्कफ्लोवर विशेषतः प्रभावी ठरतात. याचे फळ म्हणजे असे काम जे अधिक खोल आणि स्वस्त दोन्ही आहे. Computer वापरकर्त्याचे प्रयत्न मॅन्युअल अंमलबजावणीवरून पर्यवेक्षणाकडे बदलतो, वापरकर्ते त्यांच्या स्वतःच्या कौशल्याच्या क्षेत्रांमध्ये आणि बाहेर काय साध्य करू शकतात याची श्रेणी विस्तृत करतो.

Computer ची अंमलबजावणी आणि वापर प्रकरणे

Computer २५ फेब्रुवारी, २०२६ रोजी लाँच करण्यात आला, आणि पहिल्या तीन महिन्यांत झपाट्याने वाढला.

संचित Computer क्वेरीज २७ मे पर्यंत त्यांच्या पहिल्या आठवड्यातील एकूण मूल्याच्या ८४ पट पोहोचल्या. बेसलाईन म्हणून, Computer वापरकर्त्यांमधील संचित Search वापर त्याच्या पहिल्या आठवड्यातील एकूण मूल्याच्या १४ पट पोहोचला, जो गैर-Computer वापरकर्त्यांसाठीच्या १२ पट वाढीपेक्षा जास्त आहे.

सब्स्क्रिप्शन टियर, प्राथमिक Search विषय आणि आधीची Search तीव्रता यावर Computer आणि गैर-Computer वापरकर्त्यांची जुळवाजुळव केल्यानंतरही, फरक-मधील-फरक तुलना दर्शवते की Computer स्वीकारल्याने Search वापर वाढतो: Computer वापरकर्ते तत्सम गैर-Computer वापरकर्त्यांपेक्षा दररोज १.०५ अधिक Search क्वेरी करतात.

१००,००० Computer क्वेरींच्या यादृच्छिक नमुन्यात, संशोधन आणि विश्लेषण ही २५.८% सह सर्वात मोठी कार्य श्रेणी होती, त्यानंतर दस्तऐवज आणि संपत्ती निर्मिती १८.६% होती. निरीक्षण केलेले कार्य मिश्रण जनरेटिव्ह कामाकडे झुकते: दस्तऐवज, स्प्रेडशीट, कोडबेस, वेबसाइट्स आणि वर्कफ्लो ज्यांना अनेक टूल्सवर कामाची आवश्यकता असते.

डोमेनकडे वळल्यास, सॉफ्टवेअर आणि IT, वित्त आणि गुंतवणूक, विपणन आणि विक्री, व्यावसायिक ऑपरेशन्स, आरोग्य सेवा, शिक्षण, कायदेशीर आणि मीडिया यांमध्ये वापर मोठ्या प्रमाणावर वितरित केला गेला.

उच्च स्वायत्तता आणि गुणवत्ता

स्वायत्ततेचा सर्वात थेट संकेत म्हणजे वापरकर्त्याने विनंती सबमिट केल्यानंतर कोणतीही मानवी हस्तक्षेपाशिवाय सिस्टीम किती वेळ चालते. Search सामान्यत: काही सेकंदांमध्ये प्रतिसाद परत करते. Computer अनेकदा मिनिटे किंवा तास काम करत राहतो: शोधणे, ब्राउझ करणे, लिहिणे, संपादन करणे, कोड चालवणे आणि मध्यवर्ती परिणाम तपासणे.

दोन्ही उत्पादनांसह प्रयत्न केलेल्या समान कार्यासाठी आम्ही जवळजवळ-समान प्रारंभिक क्वेरींसह Search आणि Computer सत्रे प्रॉक्सी म्हणून वापरतो. १०,००० जुळलेल्या जोड्यांमध्ये, Search साठी ३३ सेकंदांच्या तुलनेत Computer प्रति सत्रात सरासरी २६ मिनिटे मशीन अंमलबजावणी करतो. प्रभावीपणे समान कार्यांवर मशीन कामात ही ४८ पट वाढ आहे. मध्यात (median), तफावत ९ मिनिटे विरुद्ध १४ सेकंद, किंवा ४० पट आहे. डोमेन विभाजन समान पॅटर्न दर्शवते: सर्व १८ डोमेनमध्ये Computer अंदाजे २६–७५ पट अधिक मशीन कार्य करतो.

दीर्घकाळ चालणाऱ्या स्वायत्ततेमुळे अधिक त्याग झाला नाही. वापरकर्ता थांबवण्याच्या घटना उत्पादनांमध्ये समान होत्या: ३.७% Computer सत्रांमध्ये आणि ३.४% Search सत्रांमध्ये किमान एक वापरकर्ता थांबवण्याची घटना समाविष्ट होती. Computer ने वापरकर्त्याच्या इनपुटसाठी अधिक वेळा विराम दिला: Search साठी ०.३% च्या तुलनेत १३% Computer क्वेरींनी वापरकर्त्यासाठी-विराम देणाऱ्या उपकरणांपैकी किमान एकाला आमंत्रित केले, सामान्यत: मंजुरीची विनंती करण्यासाठी किंवा स्पष्टीकरण देणारे प्रश्न विचारण्यासाठी. एजंटसाठी हा अपेक्षित पॅटर्न आहे: तो बहुतेक वेळा स्वायत्तपणे पुढे जाऊ शकतो, परंतु परवानगी मिळविण्यासाठी आणि वापरकर्त्याला काय हवे आहे याची पुष्टी करण्यासाठी त्याला चेकपॉइंट्सची आवश्यकता असते.

Computer मॉडेल कॉंजेक्ट प्रोटोकॉल (MCP) किंवा ॲप्लिकेशन प्रोग्रामिंग इंटरफेस (API) एंडपॉइंट्सद्वारे एकाच सत्रात बरीच बाह्य टूल कॉल्स—चेन करतो, अशी कामे करतो जी Search वापरकर्ता अन्यथा स्वतंत्र ॲप्सवर हाताने करेल. ७.९% Computer सत्रे Search सत्रांच्या १.८% च्या तुलनेत किमान एक कनेक्टर कॉल करतात (४ पट अंतर), आणि Computer प्रति सत्रात Search साठी ०.१० च्या तुलनेत १.१९ कनेक्टर कॉल सरासरी करतो (१२ पट गुणोत्तर). दुसऱ्या शब्दाξ, Computer फक्त लांब चालत नाही; डेटा खेचण्यासाठी आणि कृती करण्यासाठी तो वापरकर्त्याच्या कनेक्ट केलेल्या सेवांच्या अधिक भागांपर्यंत पोहोचतो.

फॉलो-अप वर्तन रचनेमध्ये देखील बदलते. १०००-जोडी बहु-टर्न नमुन्यामध्ये, कार्य प्रगतीकडे एकूण कल उत्पादनांमध्ये जवळजवळ समान आहे (Computer फॉलो-अप्सच्या ५२.७% विरुद्ध Search साठी ५२.९%), परंतु वापरकर्ते कशाची विचारणा करतात ते बदलते: कारण Computer पुढे अधिक संपूर्ण वितरण परत करते, त्याचे वापरकर्ते स्पष्टीकरण देणाऱ्या ड्रिल-डाउनसाठी विस्तार बदलतात (विस्तार १४.२% विरुद्ध १२.५%; ड्रिल-डाउन २२.०% विरुद्ध २३.४%). Computer वापरकर्ते त्यांचे फॉलो-अप्स आउटपुटचे पुनरावलोकन आणि पुनरावृत्ती करण्यात थोडे अधिक खर्च करतात (२४.६% विरुद्ध २३.६%), तर Search पुष्टीकरण, पुन्हा प्रयत्न आणि स्वरूप विनंत्या (११.६% विरुद्ध ९.९%) सारख्या लहान निर्देशांवर भारी आहे ज्या Computer त्याच्या सुरुवातीच्या धावात फोल्ड करतो. दुसऱ्या शब्दाξ, Search लहान डायजेस्ट-आणि-एक्झिक्युट लूप तयार करते; Computer लांब रिव्ह्यू-आणि-एक्स्टेन्ड लूप तयार करतो.

सर्वात महत्त्वाչ, उच्च स्वायत्ततेमुळे गुणवत्ता खाली आली नाही. जुळलेल्या बहु-टर्न सत्रांवर, अर्थपूर्ण पुढील-टर्न असमाधान Computer साठी १.३% विरुद्ध Search साठी २.९% होते, ५५% घट. सौम्य संकेतांसह कोणतेही असमाधान, Computer साठी १०.८% विरुद्ध Search साठी १६.६% होते.

स्वायत्ततेमुळे कार्यक्षमता लाभ

उच्च स्वायत्तता मॅन्युअल मानवी कामाची जागा मशीन संगणकीयतेशी बदलते, ज्यामुळे कार्यक्षमता वाढते. या प्रभावाचे परिमाण ठरवण्यासाठी, आपण समान जुळलेल्या कार्यांवर दोन सेटअपची तुलना करतो.

Search + Human: Search पुनर्प्राप्ती आणि संश्लेषण हाताळते; मानवी मॅन्युअली अंमलबजावणी करतो.

Computer + Human: Computer वर्कफ्लो पार पाडतो; मानवी कार्याची व्याप्ती ठरवतो आणि आउटपुटचे पुनरावलोकन करतो.

मानवाला एखादे कार्य पूर्ण करायला किती वेळ लागेल हे आपण थेट पाहू शकत नाही, म्हणून आपण तीन स्वतंत्र अंदाजांसह त्रिकोण बनवतो:

टूल-आधारित अंदाज: आम्ही Computer टूल कॉल्सचे दोन श्रेणींमध्ये वर्गीकरण करतो: "Search" आणि "Do." Search टूल्स माहिती पुनर्प्राप्ती आणि संश्लेषण चरणांशी संबंधित आहेत जे आधीच Search उत्पादनाद्वारे हाताळले जातात. Do टूल्स अंमलबजावणी चरण दर्शवतात जे एकाकी Search वापरताना मानवाला मॅन्युअली पार पाडावे लागतील. त्यानंतर आम्ही या Do कृती पार पाडण्यासाठी अनुभवी मानवासाठी आवश्यक असलेल्या वेळेचा अंदाज लावतो.

LLM-आधारित अंदाज: Search कडून उत्तरे प्राप्त करणाऱ्या परंतु सर्व अंमलबजावणी चरण मॅन्युअली पार पाडणे आवश्यक असलेल्या कुशल व्यावसायिकासाठी आवश्यक असलेल्या वेळेचा अंदाज लावण्यासाठी आम्ही Computer सत्रांमधील क्वेरी LLM मध्ये फीड करतो.

वापरकर्ता-अहवालित अंदाज: आम्ही डोमेन मधील सक्रिय Computer वापरकर्त्यांसह २५ अर्ध-संरचित मुलाखती घेतो आणि पूर्व-Computer वर्कफ्लो आणि त्या वर्कफ्लोसाठी घेतलेला वेळ काढतो.

टूल-आधारित अंदाजा अंतर्गत, सरासरी Search + Human कार्य २६९ मिनिटे घेते, तर संबंधित Computer + Human वर्कफ्लो ३६ मिनिटे घेतो. कार्याच्या वेळेत ही ८७% घट आहे.

कार्याच्या वेळेचे खर्चात रूपांतर करण्यासाठी, आम्ही यू.एस. ब्युरो ऑफ लेबर स्टॅटिस्टिक्स ऑक्यूपेशनल एम्प्लॉयमेंट अँड वेज स्टॅटिस्टिक्स (BLS OEWS) मे २०२५ डेटा (U.S. Bureau of Labor Statistics 2026) मधील डोमेन-विशिष्ट सरासरी प्रति तास वेतन वापरतो. मॉडेल खर्च आणि डोमेन-विशिष्ट मानवी श्रम खर्च एकत्र करून, Computer अंदाजे कार्य खर्च सरासरी ९४% ने कमी करतो.

कार्यक्षमता फायदा सर्व १८ डोमेनमध्ये दिसून येतो, ज्यामध्ये ७९–९२% वेळ बचत आणि ८७–९६% खर्च बचत आहे. प्रोग्रामिंग हे सर्वात टोकाचे प्रकरण आहे: Search + Human साठी ५९६ मिनिटे विरुद्ध Computer + Human साठी ४८ मिनिटे—९२% वेळेची घट जी ९६% खर्च कपात देते. व्यवसाय, तंत्रज्ञान, शिक्षण आणि लेखन देखील मोठे लाभ दर्शवतात. उच्च-वेतन डोमेनमध्ये वेळेची बचत अधिक खर्च बचतीमध्ये अनुवादित होते.

हा निकाल किती मजबूत आहे? ब्रेकइवेनचा विचार करा: Search + Human ला Computer + Human च्या खर्चाशी जुळवून घेण्यासाठी, एका व्यावसायिकाला प्रत्येक मॅन्युअल पायरी १४–२४ मिनिटांत (मध्यन १८) पूर्ण करावी लागेल. Computer अधिक रूढीवादी गृहितकांवरही प्रत्येक डोमेनमध्ये आपले धार राखतो: उदाहरणार्थ, प्रति-टूल वेळेत ८× अतिअंदाज, किंवा Computer च्या देखरेखीच्या वेळेत १२× कमी अंदाज.

LLM-आधारित अंदाज समान एकत्रित परिणाम देतो: वेळेत ८४% घट आणि एकूण खर्चात ९३% घट. वापरकर्ता मुलाखती परिणामांची विस्तृत श्रेणी दर्शवतात—५× ते ३००× पेक्षा जास्त स्पीडअप्स—संभाव्यत: वापरकर्त्यांच्या पूर्व-Computer बेसलाईनमधील लक्षणीय फरक प्रतिबिंबित करतात. सहभागींमधील मध्यन स्पीडअप २५× आहे, ज्या वेळेत ९६% घटेशी संबंधित आहे.

कार्याची व्याप्ती क्षैतिज आणि खाच पद्धतीने विस्तृत होते

जुळलेल्या कार्यांवर वेग आणि खर्च कथेचा केवळ काही भाग कॅप्चर करतात. कामाचा आकार देखील बदलू शकतो. जसजसे Computer मॅन्युअल अंमलबजावणीला मशीन संगणकीयतेने बदलतो, तसतसे वापरकर्ते कामाचे वेगवेगळे प्रकार स्वीकारू शकतात—अशी कामे जी व्यावसायिक सीमा ओलांडतात आणि ज्यांना उच्च पातळीच्या कौशल्याची आवश्यकता असते.

प्रथम, आपण विचारतो की वापरकर्ते Search पेक्षा Computer सह त्यांच्या अनुमानित प्राधान्य व्यवसाय क्लस्टरच्या बाहेर अधिक वेळा काम करतात का. दुसरे, आपण पाच कार्य-स्तरीय वर्गीकरणे वापरून समान वापरकर्त्यांच्या Computer आणि Search क्वेरींची तुलना करतो: ब्लूमचे सुधारित वर्गीकरण (Anderson and Krathwohl 2001), कार्य-सामग्री परंपरेतील अमूर्त विरुद्ध नियमित काम (Autor, Levy, and Murnane 2003), O*NET ज्ञानाची व्याप्ती (National Center for O*NET Development 2026), O*NET कार्य-क्रियाकलाप व्याप्ती, आणि नवीन कार्ये जी Search सह प्रयत्न केली गेली नव्हती.

डेटा मध्ये क्षैतिज बदल स्पष्ट आहे. आठ व्यवसाय क्लस्टर्समधील ८,००० वापरकर्त्यांच्या नमुन्यात, त्यांच्या सर्व क्वेरी वापरून, Computer वापरकर्ते त्यांच्या प्राधान्य व्यवसायाच्या बाहेर ५९% वेळा काम करतात, Search साठी ५०% च्या तुलनेत. व्यवस्थापन आणि उद्योजकता, डिजिटल तंत्रज्ञान, कला आणि डिझाइन, आणि आरोग्य सेवा आणि मानवी सेवा यामध्ये सर्वात मोठी वाढ दिसून येते. क्रॉस-ऑक्युपेशन Search क्वेरी डिजिटल तंत्रज्ञानामध्ये केंद्रित आहेत, तर Computer क्वेरी अशा अधिक वैविध्यपूर्ण डोमेनमध्ये काम प्रतिनिधी म्हणून पाठवतात जिथे वापरकर्त्यांना अन्यथा तज्ञांची आवश्यकता असेल.

उभा बदल आणखी मोठा आहे. समान ड्युअल-प्रॉडक्ट वापरकर्त्यांच्या संचातून ५,००० Computer क्वेरी आणि ५,००० Search क्वेरींच्या नमुन्यात, Computer क्वेरी Search क्वेरींपेक्षा संज्ञानात्मकदृष्ट्या अधिक जटिल आहेत. ब्लूमच्या सुधारित वर्गीकरणावर, ७६% Computer क्वेरींना उच्च-क्रम संज्ञानाची आवश्यकता असते, Search साठी ५५% च्या तुलनेत. फरक शीर्षस्थानी केंद्रित आहे: ५०% Computer क्वेरी तयार-स्तरीय कार्ये आहेत, Search साठी २६% च्या तुलनेत. Search कडे लक्षात-स्तरीय तथ्यात्मक शोधात खूप जास्त वस्तुमान आहे. अमूर्त-विरुद्ध-नियमित कार्य-प्रकार परिमाणावर, ७१% Computer क्वेरींमध्ये अमूर्त, गैर-नियमित संज्ञानांचा समावेश होतो Search साठी ५३% च्या तुलनेत.

Computer कार्ये अधिक ज्ञान डोमेनवर देखील आकर्षित करतात. सरासरी Computer कार्याला २.४० O*NET ज्ञान क्षेत्रांमध्ये महत्त्वपूर्ण कौशल्याची आवश्यकता असते, Search साठी १.७४ च्या तुलनेत, ३८% वाढ. Computer तीन किंवा अधिक ज्ञान डोमेनची आवश्यकता असण्याची शक्यता Search पेक्षा जवळपास तीन पट आहे: ५१% विरुद्ध १७%.

कार्य-क्रियाकलाप स्तरावर, समान पॅटर्न कायम राहतो. एक τिपिकल Computer क्वेरी २.९५ O*NET जनरलाइज्ड वर्क ॲक्टिव्हिटी आणि ४.०१ इंटरमीडिएट वर्क ॲक्टिव्हिटी संलग्न करते Search साठी २.२४ आणि २.८७ च्या तुलनेत, ३२% आणि ४०% वाढ. सूक्ष्म स्तरांवर, Computer ५९% अधिक तपशीलवार कार्य क्रियाकलाप आणि ६०% अधिक व्यवसाय-विशिष्ट कार्य विधाने संलग्न करतो.

सर्वात प्रकट करणारे मोजमाप म्हणजे अशा कार्यांचा संच जो समान वापरकर्त्यांमध्ये Search मध्ये नाही तर Computer मध्ये दिसून येतो. सर्वात कठोर व्याख्येवर, जिथे एखादे कार्य विधान Computer मध्ये दिसून येते आणि जोडलेल्या Search नमुन्यात कधीही दिसून येत नाही, २३% Computer क्वेरी किमान एक Computer-फक्त कार्य विधान संलग्न करतात. पाच Search घटनांपर्यंत परवानगी देण्यासाठी Θreshold आरामशीर करणे शेअर ३८% पर्यंत वाढवते, आणि तो ४१% जवळ पठार बनवतो. हे Computer-फक्त क्रियाकलाप सॉफ्टवेअर आणि वेब विकास, दस्तऐवजीकरण उत्पादन, आणि डेटा व्हिज्युअलायझेशन किंवा ग्राफिक्स मध्ये केंद्रित होतात. तिथेच स्वायत्त अंमलबजावणी सर्वात महत्त्वाची असते: Search स्पष्ट करतो; Computer तयार करतो.

चर्चा

कामावरील AI वरील बहुतेक पुरावे असिस्टंट सेटिंगवर लक्ष केंद्रित करतात. त्या साहित्याने लेखन, ग्राहक समर्थन, कोडिंग आणि सल्लामसलत वाढवण्यात मोठी उत्पादकता लाभ दर्शवले आहेत (उदा., Noy and Zhang 2023; Brynjolfsson, Li, and Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

एजंट्स वापरकर्त्याचे वर्तन आणि डाउनस्ट्रीम आर्थिक परिणाम बदलतात. उत्पादन तैनाती वास्तविक जगाच्या सेटिंग्जमध्ये एजंट वापर आणि प्रभाव उघड करण्यास सुरुवात करत आहेत परंतु मुख्यतः विशेष कोडिंग एजंट्स आणि लवकर ब्राउझर एजंट्सवर केंद्रित आहेत (उदा., Sarkar 2026; McCain et al. 2026; Demirer, Musolff, and Yang 2026; Yang et al. 2025). आम्ही या कामाला पूरक आहोत आणि सामान्य-हेतू एजंट ऑकेस्ट्रेटर विरुद्ध संभाषणात्मक असिस्टंट सह वापरकर्त्यांच्या परस्परसंवादाची तुलना करून, आणि डाउनस्ट्रीम प्रभाव विश्लेषणाला ज्ञानावर आधारित कामाच्या विस्तृत श्रेणीपर्यंत विस्तृत करून असिस्टंट आणि एजंट साहित्यामध्ये पूल बांधतो.

आम्ही एक्सपोजरवरून महसूल कार्य पुनर्निर्मितीकडे देखील सरकतो. आधीचे काम कार्य वर्णने आणि व्यावसायिक रचना (उदा., Eloundou et al. 2024; Felten, Raj, and Seamans 2023) वापरून कोणते व्यवसाय AI च्या संपर्कात आहेत याचा अंदाज लावते, तर वापर-आधारित मोजमाप एक्सपोजर आणि तैनातीमधील अंतर दर्शवतात (Massenkoff and McCrory 2026). एजंट प्रवेशासह कार्याची रचना कशी बदलली जाते ते आम्ही दस्तऐवजीकरण करतो.

आम्ही अनेक सावधगिरींची नोंद घेतो. प्रथम, निरीक्षण विंडो लवकर आहे, आणि लवकर स्वीकारणारे AI मूळ लोकांकडे झुकतात. वापरकर्ते वेगाने विकसित होणाऱ्या उत्पादन लँडस्केपमध्ये त्यांचे वर्कफ्लो सक्रियपणे प्रयोग आणि अनुकूल करत आहेत, त्यामुळे हे पॅटर्न काळानुसार बदलू शकतात. दुसरे, सत्र-आधारित जुळलेली-क्वेरी रचना बरीच Computer कामे सोडून देते ज्यांना जवळचा Search समतुल्य नाही. सत्रे कार्यांचे विभाजन करण्याचा नैसर्गिक मार्ग प्रदान करत असताना, वापरकर्ते प्रत्यक्षात या संरचनेचे नेहमीच पालन करत नाहीत, ज्यामुळे सत्रे कार्य युनिट्ससाठी गोंधळलेली प्रॉक्सी बनतात. तिसरे, कार्यक्षमता अंदाज मानवी-समतुल्य टूल वेळ आणि मानवी देखरेख वेळेवरील गृहितकांवर गंभीरपणे अवलंबून असतात. जरी LLM-आधारित अंदाज आणि वापरकर्ता मुलाखती समान दिशेने निर्देश करतात, आणि ब्रेकइवेन आणि संवेदनशीलता विश्लेषणे मजबुती दर्शवतात, अचूक परिमाण अंदाजे म्हणून वाचले पाहिजेत. संबंधितरीत्या, LLM वर्गीकरण त्रुटी अतिरिक्त मोजमाप गोंधळ आणते. शेवटी, आम्ही केवळ Perplexity इकोसिस्टममध्ये वापरकर्त्याचे वर्तन पाहतो आणि त्याच्या बाहेरील क्रियाकलाप कॅप्चर करत नाही, ज्यामुळे वापरकर्त्यांच्या संपूर्ण कार्य क्रियाकलाप आणि टूल वापरावर आमची दृष्टी मर्यादित होऊ शकते.

पुढे पाहत आहे

एजंट्स विद्यमान कार्ये जलद आणि स्वस्त बनवतात—आणि, अधिक महत्त्वाचे म्हणजे, व्यावसायिक सीमा आणि कौशल्य पातळी ओलांडणारी कार्ये व्यवहार्य बनवतात.

जेव्हा एखादी सिस्टीम शोधू शकते, ब्राउझ करू शकते, कोड करू शकते, फाइल्स संपादित करू शकते, सेवांशी कनेक्ट करू शकते आणि वितरण तयार करू शकते, तेव्हा वापरकर्त्याचा बॉटलनेक बदलतो. ते वर्कफ्लो ऑपरेट करण्यात कमी वेळ घालवतात आणि ध्येये निर्दिष्ट करण्यात, संदर्भ पुरवण्यात, आउटपुट तपासण्यात आणि विस्तारांची मागणी करण्यात अधिक वेळ घालवतात. वापरकर्ता ऑपरेटरवरून पर्यवेक्षकाकडे सरकतो.

वैयक्तिक स्तरावर, हा बदल कार्य सीमा विस्तृत करतो, वापरकर्त्यांना असे कार्य करण्यास सक्षम करतो जे विस्तीर्ण आणि खोल दोन्ही आहे. संस्थात्मक आणि श्रम बाजार स्तरावर, हे मायक्रो-स्तरीय बदल कसे एकत्रित होतात हा एक खुला प्रश्न उरतो. जर एखादी व्यक्ती, एजंट्ससह सुसज्ज, पूर्वी अनेक भूमिकांची आवश्यकता असलेली वर्कफ्लो पूर्ण करू शकत असेल, तर एजंट्सचा दीर्घकालीन प्रभाव केवळ वेग आणि खर्च मोजमापांद्वारे कॅप्चर केला जाणार नाही. त्याऐवजी, ते कार्य कसे बंडल केले जाते, भूमिका कशा परिभाषित केल्या जातात आणि टीम्स कशी संरचित केल्या जातात यामध्ये प्रकट होईल.

आमच्या पद्धतशास्त्र आणि निष्कर्षांबद्दल अधिक जाणून घेण्यासाठी, पूर्ण तांत्रिक अहवाल वाचा.

संदर्भ

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.