Hvordan KI-agenter omformer kunnskapsarbeid

Banebrytende KI-systemer lukker gapet mellom modellintelligens og virkelighetens nytteverdi. Nye modeller, databehandlingsarkitekturer og orkestreringsmønstre gjør det mulig for disse systemene å utføre oppgaver som ble ansett som umulige for bare noen måneder siden.

Denne raske innovasjonen har vist seg å være en velsignelse for KI-brukere ved å forsterke deres innflytelse og handlefrihet. Likevel har det også skapt et etterslep mellom den teknologiske grensen og vår forståelse av nøyaktig hvordan kunnskapsarbeid utvikler seg som svar på dette. Hvordan endrer banebrytende KI karakteren til kunnskapsarbeid på tvers av yrker? Hvilke strukturelle og økonomiske transformasjoner i dette arbeidet kan vi forvente?

Vi søker å tette dette gapet gjennom grundig empirisk analyse av Perplexity-bruk. I dag deler vi vår første omstendelige studie av Perplexity Computer i reell bruk, i samarbeid med forskere ved Harvard Business School. Våre funn tyder på at Computer utvider både bredden og dybden i det brukere kan oppnå, til en lavere kostnad. Computer-brukere får mer gjort, arbeider på høyere abstraksjonsnivåer og krysser faglige grenser for å hente ut verdier utenfor sine egne yrker.

Denne artikkelen presenterer høydepunktene fra studien vår. Detaljert metodikk og funn er tilgjengelig i vår tekniske rapport.

Introduksjon

De første generative KI-systemene i hovedstrømmen var konversasjonspartnere som fører dialog med brukere. Disse assistentene plasserer seg mellom intensjon og handling. De svarer på spørsmål, forklarer avveininger og foreslår neste skritt. Brukeren må deretter omsette svaret i arbeid: åpne de riktige verktøyene, samle inn filer, redigere dokumenter, sjekke underveisresultater og avgjøre hva som skal gjøres videre.

Agenter endrer denne ansvarsfordelingen. En bruker spesifiserer et resultat, og systemet planlegger på tvers av verktøy, utfører mellomliggende trinn, ber om manglende inndata ved behov og leverer et ferdig produkt. Agenter flytter KI-bruken fra å slå opp ting og syntetisere dem til å planlegge og utføre oppgaver autonomt.

Denne buen kjennetegner Perplexitys egen produktutvikling. I 2022 lanserte vi Search, som definerte kategorien for svar-motorer ved å gi brukere mulighet til å stille spørsmål og motta svar støttet av verifiserbare kilder på tvers av milliarder av dokumenter. I 2025 introduserte vi Comet-nettleseren, med en innebygd nettagent som resonnerer og handler sammen med brukere på det åpne nettet. Og i 2026 lanserte vi Computer, en generell agentorkestrator som arbeider autonomt mot brukerspesifiserte mål på tvers av komplekse miljøer og lange tidshorisonter.

Hvordan endrer denne overgangen måten vi arbeider på? Vi utforsker dette spørsmålet ved hjelp av data fra produktene våre Search og Computer, med fokus på tre dimensjoner:

Autonomi: hvor mye autonomt arbeid utfører Computer sammenlignet med Search på den samme oppgaven?

Effektivitet: hvor mye tid og arbeidskostnad sparer Computer sammenlignet med Search på den samme oppgaven?

Omfang: hvordan endrer Computer typen arbeid brukere forsøker seg på?

Vi finner at agenter som Computer krever mer innsats fra brukeren i starten (siden brukere må spesifisere målene som skal delegeres og gjennomgå resultatene), men mye mindre menneskelig innsats per enhet arbeid (på grunn av mer autonom utførelse). Det gjør dem spesielt effektive for lange arbeidsflyter med flere trinn. Belønningen er arbeid som er både dypere og billigere. Computer flytter brukerens innsats fra manuell utførelse til overvåking, og utvider spekteret av hva brukere kan oppnå både innenfor og utenfor sine egne ekspertiseområder.

Computer-adopsjon og bruksområder

Computer ble lansert 25. februar 2026, og vokste raskt de første tre månedene.

Kumulative Computer-spørringer nådde 84× totalt i den første uken innen 27. mai. Som en sammenligning nådde kumulativ Search-bruk blant Computer-brukere 14× totalen for den første uken, noe som er høyere enn veksten på 12× for ikke-Computer-brukere.

Selv etter å ha matchet Computer- og ikke-Computer-brukere på abonnementstnivå, primært Search-emne og tidligere Search-intensjon, viser en differanse-i-differanser-sammenligning at det å ta i bruk Computer øker Search-bruken: Computer-brukere utfører 1,05 flere Search-spørringer per dag enn tilsvarende ikke-Computer-brukere.

I et tilfeldig utvalg på 100 000 Computer-spørringer var Forskning og analyse den største oppgvekategorien med 25,8 %, etterfulgt av Dokument- og ressursgenerering med 18,6 %. Den observerte oppgavesammensetningen heller mot generativt arbeid: dokumenter, regneark, kildekoder, nettsteder og arbeidsflyter som krever arbeid på tvers av flere verktøy.

Når det gjelder domener, var bruken bredt fordelt på Programvare og IT, Finans og investeringer, Markedsføring og salg, Forretningsdrift, Helsevesen, Utdanning, Jus og Media.

Høyere autonomi og kvalitet

Det mest direkte signalet på autonomi er hvor lenge systemet kjører uten menneskelig innblanding etter at brukeren sender inn en forespørsel. Search returnerer vanligvis et svar på sekunder. Computer fortsetter ofte å arbeide i minutter eller til og med timer: søker, surfer, skriver, redigerer, kjører kode og sjekker underveisresultater.

Vi bruker Search- og Computer-økter med nesten identiske første-forespørsler som en tilnærming for den samme oppgaven utført med begge produktene. På tvers av 10 000 matchede par utfører Computer 26 minutter med maskinutførelse per økt i gjennomsnitt, mot 33 sekunder for Search. Det er en 48-gangs økning i maskinarbeid på i nøyaktig de samme oppgavene. Ved medianen er avstanden 9 minutter mot 14 sekunder, eller 40×. Domenefordelingen viser det samme mønsteret: Computer utfører omtrent 26–75× mer maskinarbeid på tvers av alle 18 domener.

Lengre autonomi førte ikke til mer avbrudd. Brukerstopphendelser var like på tvers av produkter: 3,7 % av Computer-øktene og 3,4 % av Search-øktene inneholdt minst én brukerstopphendelse. Computer pauset for brukerinndata oftere: 13 % av Computer-spørringene utløste minst ett verktøy som pauser for brukeren, mot 0,3 % for Search, vanligvis for å be om godkjenning eller stille avklarende spørsmål. Det er det forventede mønsteret for en agent: den kan fortsette autonomt mestparten av tiden, men den trenger sjekkpunkter for å få tillatelse og bekrefte hva brukeren ønsker.

Computer kobler også sammen langt flere eksterne verktøykall – via Model Context Protocol (MCP) eller API-endepunkter (Application Programming Interface) – i en enkelt økt, og utfører arbeid som en Search-bruker ellers ville ha gjort manuelt på tvers av separate apper. 7,9 % av Computer-øktene foretar minst ett koblingskall mot 1,8 % av Search-øktene (en forskjell på 4×), og Computer har et gjennomsnitt på 1,19 koblingskall per økt mot 0,10 for Search (en 12-gangs ratio). Med andre ord kjører ikke bare Computer lenger; den strekker seg over flere av brukerens tilkoblede tjenester for å hente data og utføre handlinger.

Oppfølgingsadferd endrer seg også i sammensetning. I et utvalg på 1 000 par med flere vendinger er den generelle tilbøyeligheten til oppgavefremdrift nesten identisk på tvers av produkter (52,7 % av Computer-oppfølginger mot 52,9 % for Search), men det brukerne ber om endrer seg: fordi Computer returnerer et mer fullstendig produkt på forhånd, erstatter brukerne utvidelser med avklarende dypdykk (utvidelser 14,2 % mot 12,5 %; dypdykk 22,0 % mot 23,4 %). Computer-brukere bruker også litt mer av oppfølgingene sine på å gjennomgå og revidere utdata (24,6 % mot 23,6 %), mens Search har flere korte direktiver som bekreftelser, nye forsøk og formatforespørsler (11,6 % mot 9,9 %) som Computer fletter inn i sin første kjøring. Med andre ord skaper Search kortere sløyfer for sammendrag-og-utførelse; Computer skaper lengre sløyfer for gjennomgang-og-utvidelse.

Viktigst av alt, kvaliteten falt ikke med høyere autonomi. På matchede økter med flere vendinger var meningsfull misnøye med neste vending 1,3 % for Computer mot 2,9 % for Search, en reduksjon på 55 %. All misnøye, inkludert milde signaler, var 10,8 % for Computer mot 16,6 % for Search.

Effektivitetsgevinster fra autonomi

Høyere autonomi bytter manuelt menneskelig arbeid mot maskinberegning, noe som øker effektiviteten. For å kvantifisere denne effekten sammenligner vi to oppsett på de samme matchede oppgavene.

Search + Menneske: Search håndterer henting og syntese; mennesket utfører manuelt.

Computer + Menneske: Computer utfører arbeidsflyten; mennesket definerer oppgavens omfang og gjennomgår utdataene.

Vi kan ikke observere direkte hvor lang tid en oppgave vil ta for et menneske, så vi triangulerer med tre uavhengige estimater:

Verktøybasert estimat: Vi klassifiserer Computer-verktøykall i to kategorier: "Søk" og "Utfør". Søkeverktøy svarer til informasjonshenting og syntesetrinn som allerede håndteres av Search-produktet. Utfør-verktøy representerer utførelsestrinn som et menneske må utføre manuelt ved bruk av bare Search. Vi anslår deretter tiden som kreves for at et erfaren menneske skal utføre disse Utfør-handlingene.

LLM-basert estimat: Vi mater forespørsler fra Computer-økter inn i en språkmodell (LLM) for å anslå tiden som kreves for en dyktig fagperson som mottar svar fra Search, men som må utføre alle utførelsestrinn manuelt.

Brukerrapportert estimat: Vi gjennomfører 25 semistrukturerte intervjuer med aktive Computer-brukere på tvers av domener og henter inn arbeidsflyter før Computer og tiden disse arbeidsflytene ville ha tatt.

Under det verktøybaserte estimatet tar gjennomsnittlig Search + Menneske-oppgave 269 minutter, mens den tilsvarende Computer + Menneske-arbeidsflyten tar 36 minutter. Det er en reduksjon i oppgavetid på 87 %.

For å omsette oppgavetid til kostnad bruker vi domenespesifikke gjennomsnittlige timelønninger fra data fra U.S. Bureau of Labor Statistics Occupational Employment and Wage Statistics (BLS OEWS) for mai 2025 (U.S. Bureau of Labor Statistics 2026). Ved å kombinere modellkostnad med domenespesifikk menneskelig arbeidskraftskostnad reduserer Computer estimert oppgavekostnad med 94 % i gjennomsnitt.

Effektivitetsfordelen vises på tvers av alle 18 domener, med tidsbesparelser på 79–92 % og kostnadsbesparelser på 87–96 %. Programmering er det mest ekstreme tilfellet: 596 minutter for Search + Menneske versus 48 minutter for Computer + Menneske – en tidsreduksjon på 92 % som gir en kostnadsreduksjon på 96 %. Virksomhet, teknologi, utdanning og skriving viser også store gevinster. Tidsbesparelser har en tendens til å omsettes til større kostnadsbesparelser i domener med høyere lønn.

Hvor robust er dette resultatet? Vurder et breakeven-punkt: for at Search + Menneske skal matche kostnaden til Computer + Menneske, må en fagperson fullføre hvert manuelle trinn på 14–24 minutter (median 18). Computer beholder sitt fortrinn på tvers av alle domener selv under mer konservative antakelser: for eksempel en 8-gangs overestimering i tid per verktøy, eller en 12-gangs underestimering i Computers overvåkingstid.

Det LLM-baserte estimatet gir lignende samlede resultater: en 84 % reduksjon i tid og en 93 % reduksjon i kostnad totalt sett. Brukerintervjuer viser et mye bredere spekter av utfall – fra 5× til over 300× farten – noe som sannsynligvis gjenspeiler vesentlig variasjon i brukernes utgangspunkter før Computer. Medianen for fartsoppgang blant deltakerne er 25×, noe som tilsvarer en tidsreduksjon på 96 %.

Oppgaveomfanget utvides horisontalt og vertikalt

Fart og kostnad på matchede oppgaver fanger bare opp deler av historien. Formen på arbeidet kan også endre seg. Siden Computer erstatter manuell utførelse med maskinberegning, kan brukere påta seg ulike typer arbeid – oppgaver som krysser yrkesgrenser og de som krever høyere kompetansenivåer.

For det første spør vi om brukere arbeider utenfor sin utledede primære yrkesklynge oftere med Computer enn med Search. For det andre sammenligner vi Computer- og Search-forespørsler fra de samme brukerne ved hjelp av fem oppgavenivåklassifiseringer: Blooms reviderte taksonomi (Anderson og Krathwohl 2001), abstrakt versus rutinepreget arbeid i tradisjonen for oppgavelinjen (Autor, Levy og Murnane 2003), O*NET-kunnskapsbredde (National Center for O*NET Development 2026), O*NET-arbeidsaktivitetsbredde, og nye oppgaver som ikke ble forsøkt med Search.

Det horisontale skiftet er synlig i dataene. På tvers av et utvalg på 8 000 brukere fra åtte yrkesklynger, ved bruk av alle forespørslene deres, arbeider Computer-brukere utenfor sin primære yrkesklynge 59 % av tiden, sammenlignet med 50 % for Search. De største økningene vises innen ledelse og entreprenørskap, digital teknologi, kunst og design, samt helsevesen og menneskelige tjenester. Search-forespørsler på tvers av yrker er konsentrert om digital teknologi, mens Computer-forespørsler delegerer arbeid som krysser inn i mer mangfoldige domener der brukere ellers ville trengt spesialister.

Det vertikale skiftet er enda større. I et utvalg på 5 000 Computer-forespørsler og 5 000 Search-forespørsler fra det samme settet av to-produkt-brukere, er Computer-forespørsler mer kognitivt komplekse enn Search-forespørsler. På Blooms reviderte taksonomi krever 76 % av Computer-forespørslene kognisjon på et høyere nivå, sammenlignet med 55 % for Search. Forskjellen er konsentrert på toppen: 50 % av Computer-forespørslene er oppgaver på skapende nivå (Create), sammenlignet med 26 % for Search. Search har mye mer masse ved faktaoppslag på huske-nivå (Remember). På dimensjonen for abstrakt-versus-rutinepreget oppgavetype innebærer 71 % av Computer-forespørslene abstrakt, ikke-rutinepreget kognisjon versus 53 % for Search.

Computer-oppgaver trekker også på flere kunnskapsdomener. Den gjennomsnittlige Computer-oppgaven krever substansiell ekspertise innen 2,40 O*NET-kunnskapsområder, sammenlignet med 1,74 for Search, en økning på 38 %. Computer har nesten tre ganger så stor sannsynlighet som Search for å kreve tre eller flere kunnskapsdomener: 51 % mot 17 %.

På arbeidsaktivitetsnivå gjelder det samme mønsteret. En typisk Computer-forespørsel engasjerer 2,95 O*NET Generaliserte arbeidsaktiviteter og 4,01 Mellomliggende arbeidsaktiviteter versus 2,24 og 2,87 for Search, en økning på henholdsvis 32 % og 40 %. På finere nivåer engasjerer Computer 59 % flere detaljerte arbeidsaktiviteter og 60 % flere yrkesspesifikke oppgavesatser.

Målet som avslører mest, er settet med oppgaver som vises i Computer, men ikke i Search blant de samme brukerne. Med den strengeste definisjonen, der en oppgavesats vises i Computer og aldri vises i det parede Search-utvalget, engasjerer 23 % av Computer-forespørslene minst én oppgavesats som bare finnes i Computer. Hvis terskelen lempes for å tillate opptil fem forekomster i Search, stiger andelen til 38 %, og den flater ut nær 41 %. Disse aktivitetene som utelukkende finnes i Computer, konsentrerer seg om programvare- og nettutvikling, dokumentasjonsproduksjon samt datavisualisering eller grafikk. Det er nøyaktig der autonom utførelse betyr mest: Search forklarer; Computer produserer.

Diskusjon

Mesteparten av bevisene på KI i arbeidslivet fokuserer på assistentmiljøet. Den litteraturen har vist store produktivitetsgevinster i å forsterke skriving, kundestøtte, koding og rådgivning (f.eks. Noy og Zhang 2023; Brynjolfsson, Li og Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

Agenter endrer brukeradferd og økonomiske resultater i nedstrøms ledd. Produksjonsdistribusjoner begynner å avdekke agentbruk og innvirkning i virkelige miljøer, men er hovedsakelig fokusert på spesialiserte kodeagenter og tidlige nettleseragenter (f.eks. Sarkar 2026; McCain et al. 2026; Demirer, Musolff og Yang 2026; Yang et al. 2025). Vi utfyller dette arbeidet og bygger bro mellom assistent- og agentlitteraturen ved å sammenligne brukerinteraksjon med en generell agentorkestrator versus en konversasjonsassistent, og ved å utvide analysen av nedstrøms innvirkning til et bredere spekter av kunnskapsarbeid.

Vi går også fra eksponering til realisert oppgavesammensetning. Tidligere arbeid anslår hvilke yrker som er eksponert for KI ved hjelp av oppgavebeskrivelser og yrkesstruktur (f.eks. Eloundou et al. 2024; Felten, Raj og Seamans 2023), mens bruksbaserte mål viser gapet mellom eksponering og distribusjon (Massenkoff og McCrory 2026). Vi dokumenterer hvordan oppgavesammensetningen skifter med agenttilgang.

Vi bemerker flere forbehold. For det første er observasjonsvindu tidlig, og tidlige brukere heller mot KI-innfødte. Brukere eksperimenterer også aktivt og tilpasser arbeidsflytene sine i et produktlandskap i rask utvikling, så disse mønstrene kan endre seg over tid. For det andre utelater den øktbaserte, matchede forespørselsutformingen mange Computer-oppgaver som ikke har noen nær Search-ekvivalent. Selv om økter gir en naturlig måte å segmentere oppgaver på, følger ikke brukere alltid denne strukturen i praksis, noe som gjør økter til en upresis proxy for oppgaveenheter. For det tredje avhenger effektivitetsestimatene kritisk av antakelser om menneske-ekvivalent verktøytid og menneskelig overvåkingstid. Selv om LLM-baserte estimater og brukerintervjuer peker i samme retning, og breakeven- og sensitivitetsanalyser indikerer robusthet, bør de nøyaktige størrelsene leses som omtrentlige. I tilknytning til dette introduserer feil i LLM-klassifisering ekstra målestøy. Til slutt observerer vi brukeradferd bare innenfor Perplexity-økosystemet og fanger ikke opp aktivitet utenfor det, noe som kan begrense vår oversikt over brukernes fulle arbeidsaktiviteter og verktøybruk.

Veien videre

Agenter gjør eksisterende oppgaver raskere og billigere – og, enda viktigere, gjør oppgaver som spenner over yrkesgrenser og kompetansenivåer, levedyktige.

Når et system kan søke, surfe, kode, redigere filer, koble til tjenester og produsere leveranser, flyttes brukerens flaskehals. De bruker mindre tid på å betjene arbeidsflyten og mer tid på å spesifisere mål, levere kontekst, sjekke utdata og be om utvidelser. Brukeren går fra operatør til supervisor.

På individnivå utvider dette skiftet oppgavegrensen, slik at brukere kan påta seg arbeid som er både bredere og dypere. På organisasjons- og arbeidsmarkedsnivå forblir det et åpent spørsmål hvordan disse mikronivåendringene samles. Hvis et enkelt individ, utstyrt med agenter, kan fullføre arbeidsflyter som tidligere krevde flere roller, vil ikke den langsiktige innvirkningen av agenter fanges opp av hastighets- og kostnadsmålinger alene. I stedet vil det vise seg i hvordan arbeid knyttes sammen, hvordan roller defineres, og hvordan team struktureres.

For å lære mer om vår metodikk og funn, les hele den tekniske rapporten.

Referanser

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

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

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