लोक AI एजंट्स कसे वापरतात

2025 हे असे वर्ष असल्याचे म्हटले जात होते ज्यामध्ये AI एजंट तंत्रज्ञान मुख्य प्रवाहा बनले. आज आम्ही घोषणा करत आहोत की Perplexity आणि Harvard च्या संशोधकांनी वास्तविक जगामध्ये लोग प्रत्यक्ष AI एजंट्सचा कसा वापर करतात यावरील पहिला मोठ्या प्रमाणावरील अभ्यास प्रकाशित केला आहे.

आमच्या संशोधकांनी तीन मूलभूत प्रश्न विचारले: AI एजंट कोण स्वीकारत आहे? ते त्यांचा किती तीव्रतेने वापर करत आहेत? आणि ते त्यांच्या AI सहाय्यकांना कोणती कामे सोपवत आहेत? Comet आणि Comet Assistant वापरकर्त्यांच्या शेकडो दशलक्ष निनावी संवादांचे विश्लेषण करून, आम्ही एजंट स्वीकारणे आणि वापराविषयी मूलभूत नमुने उघड केले आहेत.

हे निष्कर्ष काही सामान्य वर्णनांना आव्हान देतात. उदाहरणार्थ, एजंट्स हॉटेल बुक करणे किंवा किरकोळ कामे हाताळण्यात चांगले असतात, परंतु ते सखोल ज्ञानात्मक कामात भागीदार म्हणूनही काम करत आहेत. ते आपण कसे शिकतो, काम करतो आणि समस्या सोडवतो हे बदलत आहेत.

बटलरपेक्षा एक तर्क जोडीदार

AI एजंट्सची एक लोकप्रिय दृष्टी म्हणजे “डिजिटल कॉन्स्यर्ज” युझ केस, ज्यामध्ये मानव वेळ वाचवण्यासाठी साधी कामे सोपवतात. तथापि, जेव्हा आम्ही दशलक्ष वापरकर्त्यांच्या संवादांचे वर्गीकरण केले, तेव्हा आम्हाला आढळले की सर्व एजंट क्रियाकलापांपैकी ५७% कामे ज्ञानात्मक कामावर केंद्रित आहेत. सर्वात सामान्य कामांपैकी छत्तीस टक्के कामांचे वर्गीकरण उत्पादकता आणि वर्कफ्लो कार्ये म्हणून केले जाते, तर आणखी २१% वर्गीकरण शिक्षण आणि संशोधन म्हणून केले जाते.

ही अशी कामे आहेत जी मानवी क्षमतेला वाढवतात. एका खरेदी व्यावसायिकाने विक्रेत्यासोबत काम करण्यापूर्वी ग्राहकांच्या केस स्टडीज स्कॅन करण्यासाठी आणि संबंधित युझ केसेस ओळखण्यासाठी Comet Assistant चा वापर केला. एका विद्यार्थ्याने एजंटला अभ्यास सामग्रीमधून नेव्हिगेट करण्यास आणि ते काय शिकत आहेत याचे विश्लेषण करण्यास सांगितले. एका वित्त कर्मचाऱ्याने स्टॉक ऑप्शन्स फिल्टर करण्याचे आणि गुंतवणुकीच्या माहितीचे विश्लेषण करण्याचे कार्य सुपूर्द केले. प्रत्येक प्रकरणात, एजंटने माहिती गोळा करणे आणि प्रारंभिक संश्लेषण स्वायत्तपणे हाताळले, वापरकर्त्याला अंतिम निर्णय घेण्यासाठी आणि निर्णय घेण्यासाठी आवश्यक असलेली माहिती दिली आणि त्यांच्या विनंतीनुसार त्या निर्णयांची अंमलबजावणी केली.

आमच्या डेटाद्वारे समर्थित “तर्क भागीदार" युझ केस दर्शवितो की वापरकर्त्यांना कठीण कामे करण्याची त्यांची क्षमता वाढवायची आहे. लोक काम टाळण्यासाठी Comet Assistant चा वापर करत नाहीत, तर ते अधिक चांगले काम करण्यासाठी याचा वापर करत आहेत.

वापराच्या ट्रेंडचे उपयुक्ततेमध्ये रूपांतर

अभ्यासातील सर्वात प्रकटीकरण करणाऱ्या नमुन्यांपैकी एक म्हणजे वापरकर्त्याचा प्रवास. तुम्ही पहिल्या दिवशी एजंटचा जसा वापर करता तसाच वापर तुम्ही १०० व्या दिवशी क्वचितच करता.

नवीन वापरकर्ते अनेकदा कमी-जोखीम असलेल्या प्रश्नांसह पाण्याची चाचणी घेतात. ते प्रवासाच्या योजना, चित्रपटाच्या शिफारसी किंवा सामान्य ट्रिव्हियाबद्दल विचारतात. हळूहळू, एक बदल होतो. क्वेरी संक्रमणांच्या आमच्या विश्लेषणामध्ये उत्पादकतेकडे एक मजबूत गुरुत्वाकर्षण खिळ दिसून येते. एखादा वापरकर्ता कदाचित सुट्टीच्या ठिकाणाबद्दल विचारून सुरुवात करू शकेल, परंतु एकदा त्यांनी Python स्क्रिप्ट डीबग करण्यासाठी किंवा आर्थिक अहवालाचा सारांश देण्यासाठी एजंटचा वापर केला की, ते क्वचितच मागे जातात. उत्पादकता आणि वर्कफ्लो श्रेणींमध्ये सर्वोच्च धारणा दर आहेत, आणि जे वापरकर्ते सुरुवातीला शिक्षण किंवा संशोधन कार्यांमध्ये सहभागी होतात ते दीर्घकालीन सक्रिय वापरकर्ते बनण्याची शक्यता जास्त असते.

हे वैयक्तिक संगणकाच्या सुरुवातीच्या दिवसांचे प्रतिबिंबित करते. हे अनेकदा कृती व्यवस्थापन किंवा खेळांसाठी एक साधन म्हणून विकले गेले होते, परंतु स्प्रेडशीट्स आणि वर्ड प्रोसेसिंगमुळे ते अपरिहार्य बनले. AI एजंट्स याच मार्गाचे अनुसरण करत आहेत.

एजंट कोण वापरत आहे? स्वीकार versus तीव्रता

सर्वात महत्त्वाची मेट्रिक कोण AI एजंट्स स्वीकारते हे नाही, तर कोण त्यांच्यावर अवलंबून आहे हे आहे. स्वीकार दर आणि वापर तीव्रता यांच्यातील अंतर दर्शवते की तंत्रज्ञान कधी नवीनतेपासून आवश्यकतेमध्ये बदलले आहे. अरुंद अंतर अस्सल वर्तणुकीतील बदल दर्शवतात आणि सहा मुख्य व्यवसाय आता सर्व एजंट क्रियाकलापांपैकी ७०% चालवतात.

काही क्षेत्रे त्यांच्या वजनापेक्षा जास्त कामगिरी करतात. डिजिटल तंत्रज्ञान तज्ञ नैसर्गिकरित्या व्हॉल्यूमचे नेतृत्व करत असताना (३०% क्वेरी), मार्केटिंग, विक्री, व्यवस्थापन आणि उद्योजकता यांसारखी ज्ञान-केंद्रित क्षेत्रे सर्वोच्च “स्टिकनेस” दर्शवतात. एकदा हे व्यावसायिक एजंट स्वीकारल्यानंतर, ते सहाय्यकाला त्यांच्या दैनंदिन वर्कफ्लोमध्ये समाकलित करत असताना त्यांची वापराची तीव्रता त्यांच्या स्वीकृती क्रमांकांना मागे टाकते.

संदर्भ देखील महत्त्वाचा आहे. वापरकर्ते त्यांच्या उद्योगातील विशिष्ट घर्षण बिंदू सोडवण्यासाठी Comet Assistant तैनात करतात. वित्त व्यावसायिक कार्यक्षमतेवर खूप लक्ष केंद्रित करतात, उत्पादकता कार्यांसाठी ४७% क्वेरी समर्पित करतात. विद्यार्थी उपयुक्ततेवर लक्ष केंद्रित करतात, ज्यामध्ये ४३% कामे शिक्षण आणि संशोधनासाठी वाटप केली जातात. डिझाइन आणि आदरातिथ्य क्षेत्रामध्ये, डिझाइनरसाठी मीडिया कामापासून ते आदरातिथ्य कर्मचाऱ्यांसाठी प्रवास नियोजनापर्यंत, संदर्भ-विशिष्ट वापर कसा वर्चस्व गाजवतो हे पाहणे आणखी सोपे आहे.

शेवटी, डेटा सिद्ध करतो की Comet Assistant अत्यंत अष्टपैलू आहे आणि त्याच्या वापरकर्त्याच्या विशिष्ट गरजा प्रतिबिंबित करतो. शैक्षणिक संदर्भात, हे एक विशेष संशोधन इंजिन आहे तर व्यावसायिक संदर्भात, हे एक बहुउद्देशीय सहाय्यक बनते. वैयक्तिक संदर्भांमध्ये सर्व क्वेरी व्हॉल्यूमपैकी अर्ध्याहून अधिक वाटा आहे.

नवीन ज्ञान कार्य म्हणजे प्रश्न कार्य

हा अभ्यास पहिला प्रायोगिक पुरावा प्रदान करतो की आपण हायब्रिड बुद्धिमत्ता अर्थव्यवस्थेकडे वाटचाल करत आहोत. आमच्या डेटामध्ये ज्ञानात्मक कार्यांचे प्राबल्य सुचवते की AI एजंट्स मानवी ज्ञानात्मक कामाचे मोजमाप करत आहेत. जशी ही साधने परिपक्व होतात, तशी आपण उत्पादकता कार्यांची “स्टिकनेस” अधिक खोल होण्याची अपेक्षा करतो.

२०२५ संपत असताना, लोक AI एजंट्स वापरतील की नाही हे आपण आता विचारत नाही. ते वापरत आहेत हे आम्हाला माहीत आहे. आता प्रश्न असा आहे की अर्थव्यवस्था एका अशा कार्यशक्तीशी किती जलद जुळवून घेईल जी नेहमी लूपमध्ये असणाऱ्या बुद्धिमान भागीदारासह विचार करते, शिकते आणि निर्माण करते. आमच्या पद्धतशास्त्र, वर्गीकरण तपशील आणि सांख्यिकी विश्लेषणाबद्दल अधिक वाचण्यासाठी, संपूर्ण संशोधन पत्र येथे तपासा.