Hoe AI-agents kenniswerk hervormen

Frontier AI-systemen verkleinen de kloof tussen modelintelligentie en praktische bruikbaarheid. Nieuwe modellen, compute-architecturen en orkestratiepatronen stellen deze systemen in staat om taken uit te voeren die slechts enkele maanden geleden nog als onmogelijk werden beschouwd.

Deze snelle innovatie is een zegen voor AI-gebruikers gebleken door hun invloed en handelingsvermogen te vergroten. Toch heeft het ook een kloof gecreëerd tussen de technologische grens en ons begrip van hoe kenniswerk precies evolueert als reactie hierop. Hoe verandert frontier AI de aard van kenniswerk in verschillende beroepen? Welke structurele en economische transformaties in dit werk kunnen we verwachten?

Wij trachten deze kloof te overbruggen door middel van zorgvuldige empirische analyse van het gebruik van Perplexity. Vandaag delen wij, in samenwerking met onderzoekers van de Harvard Business School, onze eerste uitgebreide studie naar Perplexity Computer bij implementatie in de praktijk. Onze bevindingen suggereren dat Computer zowel de breedte als de diepte van wat gebruikers kunnen bereiken vergroot, tegen lagere kosten. Gebruikers van Computer krijgen meer gedaan, werken op hogere abstractieniveaus en overschrijden disciplinaire grenzen om waarde te ontsluiten buiten hun eigen beroepsgroep.

Dit artikel presenteert de hoogtepunten van onze studie. Gedetailleerde methodologie en bevindingen zijn beschikbaar in ons technisch rapport.

Inleiding

De eerste mainstream generatieve AI-systemen waren gespreksassistenten die de dialoog aangaan met gebruikers. Deze assistenten bevinden zich tussen intentie en actie. Zij beantwoorden vragen, leggen afwegingen uit en suggereren vervolgstappen. De gebruiker moet het antwoord vervolgens vertalen naar werk: de juiste tools openen, bestanden verzamelen, documenten bewerken, tussenliggende output controleren en beslissen wat de volgende stap is.

Agents veranderen die arbeidsverdeling. Een gebruiker specificeert een resultaat en het systeem plant over verschillende tools heen, voert tussenstappen uit, vraagt om ontbrekende input wanneer nodig en levert een voltooid resultaat af. Agents verplaatsen AI-gebruik van het opzoeken en synthetiseren van informatie naar het autonoom plannen en uitvoeren van taken.

Deze boog animeert Perplexity's eigen productontwikkeling. In 2022 lanceerden we Search, dat de categorie antwoordmachine definieerde door gebruikers in staat te stellen vragen te stellen en antwoorden te ontvangen die ondersteund worden door verifieerbare citaties uit miljarden documenten. In 2025 introduceerden we de Comet-browser, met een ingebouwde web-agent die redeneert en handelt naast gebruikers op het open web. En in 2026 lanceerden we Computer, een agent-orkestrator voor algemene doeleinden die autonoom werkt aan door de gebruiker opgegeven doelstellingen in complexe omgevingen en over lange tijdshorizonten.

Hoe verandert deze transitie de manier waarop we werken? We verkennen deze vraag aan de hand van gegevens uit onze Search- en Computer-producten, waarbij we ons op drie dimensies concentreren:

Autonomie: hoeveel autonoom werk verricht Computer in vergelijking met Search bij dezelfde taak?

Efficiëntie: hoeveel tijd en arbeidskosten bespaart Computer ten opzichte van Search bij dezelfde taak?

Reikwijdte: hoe verandert Computer het soort werk dat gebruikers proberen uit te voeren?

We stellen vast dat agents zoals Computer meer inspanning vooraf van de gebruiker vereisen (aangezien gebruikers de te delegeren doelstellingen moeten specificeren en de resultaten moeten beoordelen), maar aanzienlijk minder menselijke inspanning per werkeenheid (vanwege de meer autonome uitvoering). Dat maakt ze bijzonder effectief voor lange, uit meerdere stappen bestaande workflows. De winst is werk dat zowel diepgaander als goedkoper is. Computer verplaatst de inspanning van de gebruiker van handmatige uitvoering naar toezicht, waardoor het bereik van wat gebruikers kunnen bereiken zowel binnen als buiten hun eigen vakgebieden wordt uitgebreid.

Adoptie van Computer en use cases

Computer werd gelanceerd op 25 februari 2026 en groeide snel in de eerste drie maanden.

Cumulatieve Computer-query's bereikten op 27 mei 84× het totaal van de eerste week. Als referentiekader: het cumulatieve Search-gebruik onder Computer-gebruikers bereikte 14× het totaal van de eerste week, wat hoger is dan de 12× groei voor niet-Computer-gebruikers.

Zelfs na het matchen van Computer- en niet-Computer-gebruikers op abonnementsniveau, primair Search-onderwerp en eerdere Search-intensiteit, laat een difference-in-differences-vergelijking zien dat het adopteren van Computer het Search-gebruik verhoogt: Computer-gebruikers voeren dagelijks 1,05 meer Search-query's uit dan vergelijkbare niet-Computer-gebruikers.

In een willekeurige steekproef van 100.000 Computer-query's was Onderzoek en Analyse de grootste taakcategorie met 25,8%, gevolgd door Document- en Assetcreatie met 18,6%. De geobserveerde taakmix helt over naar generatief werk: documenten, spreadsheets, codebases, websites en workflows die werk vereisen in meerdere tools.

Wat domeinen betreft, was het gebruik breed verspreid over Software en IT, Financiën en Beleggen, Marketing en Sales, Bedrijfsvoering, Gezondheidszorg, Onderwijs, Juridisch en Media.

Hogere autonomie en kwaliteit

Het meest directe signaal van autonomie is hoe lang het systeem draait zonder menselijke tussenkomst nadat de gebruiker een verzoek heeft ingediend. Search geeft meestal binnen enkele seconden een antwoord. Computer blijft vaak minuten of zelfs uren werken: zoeken, browsen, schrijven, bewerken, code uitvoeren en tussenresultaten controleren.

We gebruiken Search- en Computer-sessies met vrijwel identieke initiële query's als proxy voor dezelfde taak die met beide producten is geprobeerd. Over 10.000 gematchte paren voert Computer gemiddeld 26 minuten machine-executie per sessie uit, versus 33 seconden voor Search. Dat is een toename van 48× in machinewerk bij effectief dezelfde taken. Bij de mediaan is de kloof 9 minuten versus 14 seconden, of 40×. De domeinsplitsing laat hetzelfde patroon zien: Computer voert in alle 18 domeinen ongeveer 26–75× meer machinewerk uit.

Langdurigere autonomie vertaalde zich niet in meer opgave. Gebruikers-stopgebeurtenissen waren vergelijkbaar tussen producten: 3,7% van de Computer-sessies en 3,4% van de Search-sessies bevatten ten minste één stopgebeurtenis door de gebruiker. Computer pauzeerde wel vaker voor gebruikersinput: 13% van de Computer-query's riep ten minste één pauze-voor-gebruiker-tool aan, versus 0,3% voor Search, meestal om goedkeuring te vragen of verduidelijkende vragen te stellen. Dat is het verwachte patroon voor een agent: hij kan het grootste deel van de tijd autonoom doorgaan, maar heeft controlepunten nodig om toestemming te krijgen en te bevestigen wat de gebruiker wil.

Computer koppelt ook veel meer externe tool-aanroepen—via het Model Context Protocol (MCP) of Application Programming Interface (API) endpoints—in één enkele sessie, waarbij werk wordt gedaan dat een Search-gebruiker anders met de hand zou doen in afzonderlijke apps. 7,9% van de Computer-sessies doet ten minste één connector-aanroep versus 1,8% van de Search-sessies (een kloof van 4×), en Computer heeft gemiddeld 1,19 connector-aanroepen per sessie versus 0,10 voor Search (een ratio van 12×). Met andere woorden, Computer draait niet alleen langer; hij reikt over meer verbonden diensten van een gebruiker heen om gegevens op te halen en acties te ondernemen.

Vervolggedrag verandert ook in samenstelling. In een steekproef van 1.000 paren met meerdere beurten is de algehele neiging tot taakvoortgang bijna identiek tussen producten (52,7% van de Computer-vervolgacties versus 52,9% voor Search), maar waar gebruikers om vragen verschuift: omdat Computer vooraf een completer resultaat teruggeeft, vervangen de gebruikers uitbreidingen door verduidelijkende doorvragen (uitbreidingen 14,2% versus 12,5%; doorvragen 22,0% versus 23,4%). Computer-gebruikers besteden ook iets meer van hun vervolgacties aan het beoordelen en herzien van output (24,6% versus 23,6%), terwijl Search zwaarder leunt op korte directieven zoals bevestigingen, herhalingen en formaatverzoeken (11,6% versus 9,9%) die Computer in zijn initiële uitvoering opneemt. Met andere woorden, Search creëert kortere digest-en-execute-loops; Computer creëert langere review-en-extend-loops.

Het belangrijkste is dat de kwaliteit niet daalde bij een hogere autonomie. Bij gematchte sessies met meerdere beurten was de betekenisvolle ontevredenheid bij de volgende beurt 1,3% voor Computer versus 2,9% voor Search, een vermindering van 55%. Elke ontevredenheid, inclusief milde signalen, was 10,8% voor Computer versus 16,6% voor Search.

Efficiëntiewinst door autonomie

Hogere autonomie ruilt handmatig menselijk werk in voor machineberekeningen, wat de efficiëntie verhoogt. Om dit effect te kwantificeren, vergelijken we twee opstellingen bij dezelfde gematchte taken.

Search + Mens: Search verwerkt ophalen en synthese; de mens voert handmatig uit.

Computer + Mens: Computer voert de workflow uit; de mens bepaalt de reikwijdte van de taak en beoordeelt de output.

We kunnen niet direct observeren hoe lang een taak voor een mens zou duren, dus trianguleren we met drie onafhankelijke schattingen:

Tool-gebaseerde schatting: We classificeren Computer-tool-aanroepen in twee categorieën: "Zoeken" en "Doen". Zoeken-tools komen overeen met stappen voor het ophalen en synthetiseren van informatie die al door het Search-product worden afgehandeld. Doen-tools vertegenwoordigen executiestappen die een mens handmatig zou moeten uitvoeren bij het gebruik van alleen Search. Vervolgens schatten we de tijd die een ervaren mens nodig heeft om deze Doen-acties uit te voeren.

LLM-gebaseerde schatting: We voeren query's uit Computer-sessies in een LLM in om de tijd te schatten die nodig is voor een bekwame professional die antwoorden ontvangt van Search, maar alle executiestappen handmatig moet uitvoeren.

Door gebruiker gerapporteerde schatting: We voeren 25 semi-gestructureerde interviews uit met actieve Computer-gebruikers in verschillende domeinen en achterhalen workflows van vóór Computer en de tijd die die workflows in beslag zouden hebben genomen.

Volgens de tool-gebaseerde schatting kost de gemiddelde Search + Mens-taak 269 minuten, terwijl de corresponderende Computer + Mens-workflow 36 minuten kost. Dat is een vermindering van 87% in taaktijd.

Om taaktijd te vertalen naar kosten, gebruiken we domeinspecifieke gemiddelde uurlonen uit de gegevens van mei 2025 van de U.S. Bureau of Labor Statistics Occupational Employment and Wage Statistics (BLS OEWS) (U.S. Bureau of Labor Statistics 2026). Door modelkosten te combineren met domeinspecifieke menselijke arbeidskosten, vermindert Computer de geschatte taakkosten met gemiddeld 94%.

Het efficiëntievoordeel is zichtbaar in alle 18 domeinen, met 79–92% tijdsbesparing en 87–96% kostenbesparing. Programmeren is het meest extreme geval: 596 minuten voor Search + Mens versus 48 minuten voor Computer + Mens—een tijdsreductie van 92% die een kostenreductie van 96% oplevert. Bedrijfskunde, Technologie, Onderwijs en Schrijven laten ook grote winsten zien. Tijdsbesparingen vertalen zich doorgaans in grotere kostenbesparingen in domeinen met hogere lonen.

Hoe robuust is dit resultaat? Overweeg een break-even: voor Search + Mens om de kosten van Computer + Mens te evenaren, zou een professional elke handmatige stap in 14–24 minuten (mediaan 18) moeten voltooien. Computer behoudt zijn voorsprong in elk domein, zelfs onder conservatievere aannames: bijvoorbeeld een overschatting van 8× in per-tool-tijd, of een onderschatting van 12× in de tijd voor toezicht door Computer.

De LLM-gebaseerde schatting levert vergelijkbare geaggregeerde resultaten op: een algehele vermindering van 84% in tijd en 93% in kosten. Gebruikersinterviews tonen een veel breder scala aan uitkomsten—van 5× tot meer dan 300× versnelling—wat waarschijnlijk een substantiële variatie in de pre-Computer-baselines van gebruikers weerspiegelt. De mediane versnelling over de deelnemers heen is 25×, wat overeenkomt met een vermindering van 96% in tijd.

Reikwijdte van taken breidt horizontaal en verticaal uit

Snelheid en kosten bij gematchte taken vangen slechts een deel van het verhaal. De vorm van werk zou ook kunnen veranderen. Terwijl Computer handmatige uitvoering vervangt door machineberekeningen, kunnen gebruikers verschillende soorten werk op zich nemen—taken die beroepsgrenzen overschrijden en taken die hogere expertiseniveaus vereisen.

Ten eerste vragen we of gebruikers vaker buiten hun afgeleide primaire beroepscluster werken met Computer dan met Search. Ten tweede vergelijken we Computer- en Search-query's van dezelfde gebruikers met behulp van vijf taakgerelateerde classificaties: Bloom's Revised Taxonomy (Anderson en Krathwohl 2001), abstract versus routinematig werk in de taakinhoudtraditie (Autor, Levy en Murnane 2003), O*NET Kennisbreedte (National Center for O*NET Development 2026), O*NET werkactiviteitsbreedte, en nieuwe taken die niet met Search werden geprobeerd.

De horizontale verschuiving is duidelijk zichtbaar in de gegevens. In een steekproef van 8.000 gebruikers uit acht beroepsclusters, gebruikmakend van al hun query's, werken Computer-gebruikers 59% van de tijd buiten hun primaire beroep, vergeleken met 50% voor Search. De grootste stijgingen verschijnen in Management en Ondernemerschap, Digitale Technologie, Kunst en Design, en Gezondheidszorg en Human Services. Search-query's die beroepen overschrijden zijn geconcentreerd in Digitale Technologie, terwijl Computer-query's werk delegeren dat zich uitstrekt naar meer diverse domeinen waar gebruikers anders specialisten voor nodig zouden hebben.

De verticale verschuiving is nog groter. In een steekproef van 5.000 Computer-query's en 5.000 Search-query's van dezelfde set dual-product-gebruikers zijn Computer-query's cognitief complexer dan Search-query's. Op Bloom's Revised Taxonomy vereist 76% van de Computer-query's cognitie van een hogere orde, vergeleken met 55% voor Search. Het verschil is geconcentreerd aan de top: 50% van de Computer-query's zijn taken op het niveau van Creëren, vergeleken met 26% voor Search. Search heeft veel meer massa bij feitelijk opzoeken op het niveau van Onthouden. Wat betreft de dimensie abstract-versus-routinematig taaktype, betreft 71% van de Computer-query's abstracte, niet-routinematige cognitie versus 53% voor Search.

Computer-taken putten ook uit meer kennisdomeinen. De gemiddelde Computer-taak vereist inhoudelijke expertise op 2,40 O*NET Kennisgebieden, vergeleken met 1,74 voor Search, een toename van 38%. Computer is bijna drie keer zo waarschijnlijk als Search om drie of meer kennisdomeinen te vereisen: 51% versus 17%.

Op het niveau van werkactiviteit houdt hetzelfde patroon stand. Een typische Computer-query betrekt 2,95 O*NET Algemene Werkactiviteiten en 4,01 Intermediaire Werkactiviteiten versus 2,24 en 2,87 voor Search, een toename van 32% en 40%. Op fijnmaziger niveaus betrekt Computer 59% meer Gedetailleerde Werkactiviteiten en 60% meer beroepsspecifieke Taakverklaringen.

De meest onthullende maatstaf is de set taken die verschijnen in Computer maar niet in Search onder dezelfde gebruikers. Volgens de strengste definitie, waarbij een taakverklaring verschijnt in Computer en nooit in de gepaarde Search-steekproef, betrekt 23% van de Computer-query's ten minste één Computer-only taakverklaring. Het versoepelen van de drempel om tot vijf Search-voorkomens toe te staan, verhoogt het aandeel naar 38% en het vlakt af nabij 41%. Deze Computer-only activiteiten concentreren zich op software- en webontwikkeling, documentatieproductie en datavisualisatie of graphics. Dat is precies waar autonome uitvoering het belangrijkst is: Search verklaart; Computer produceert.

Discussie

Het meeste bewijs over AI op het werk richt zich op de assistent-omgeving. Die literatuur heeft grote productiviteitswinsten aangetoond bij het aanvullen van schrijven, klantondersteuning, coderen en consultancy (bijv. Noy en Zhang 2023; Brynjolfsson, Li en Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

Agents veranderen gebruikersgedrag en economische uitkomsten downstream. Productie-implementaties beginnen agentgebruik en impact in praktijkomgevingen te onthullen, maar zijn meestal gericht op gespecialiseerde codeer-agents en vroege browser-agents (bijv. Sarkar 2026; McCain et al. 2026; Demirer, Musolff en Yang 2026; Yang et al. 2025). Wij vullen dit werk aan en slaan een brug tussen de assistent- en agentliteratuur door gebruikersinteractie met een agent-orkestrator voor algemene doeleinden te vergelijken met een gespreksassistent, en door impactanalyse downstream uit te breiden naar een breder scala aan kenniswerk.

We gaan ook verder van blootstelling naar gerealiseerde taakhercompositie. Eerder werk schat welke beroepen worden blootgesteld aan AI met behulp van taakbeschrijvingen en beroepsstructuur (bijv. Eloundou et al. 2024; Felten, Raj en Seamans 2023), terwijl op gebruik gebaseerde maatstaven de kloof tussen blootstelling en inzetbaarheid tonen (Massenkoff en McCrory 2026). We documenteren hoe de taaksamenstelling verschuift met toegang tot agents.

We merken enkele kanttekeningen op. Ten eerste is het observatievenster vroeg en neigen vroege adoptanten naar AI-natives. Gebruikers experimenteren ook actief en passen hun workflows aan binnen een snel evoluerend productlandschap, dus deze patronen kunnen na verloop van tijd verschuiven. Ten tweede laat het op sessies gebaseerde gematchte-queryontwerp veel Computer-taken buiten beschouwing die geen nauwe Search-equivalent hebben. Hoewel sessies een natuurlijke manier bieden om taken te segmenteren, volgen gebruikers deze structuur in de praktijk niet altijd, waardoor sessies een ruisige proxy zijn voor taakeenheden. Ten derde zijn de efficiëntieschattingen cruciaal afhankelijk van aannames over tijd voor tools die gelijkwaardig zijn aan die van mensen en tijd voor menselijk toezicht. Hoewel LLM-gebaseerde schattingen en gebruikersinterviews in dezelfde richting wijzen, en break-even- en gevoeligheidsanalyses robuustheid aangeven, moeten de exacte grootheden als benaderend worden gelezen. Daarnaast introduceert LLM-classificatiefout extra meetruis. Ten slotte observeren we gebruikersgedrag alleen binnen het Perplexity-ecosysteem en leggen we activiteiten daarbuiten niet vast, wat ons zicht op de volledige werkactiviteiten en tool-gebruik van gebruikers kan beperken.

Vooruitblik

Agents maken bestaande taken sneller en goedkoper—en, wat nog belangrijker is, maken taken die beroepsgrenzen en expertiseniveaus overschrijden haalbaar.

Wanneer een systeem kan zoeken, browsen, coderen, bestanden bewerken, verbinding maken met diensten en resultaten kan produceren, verschuift de knelpunt van de gebruiker. Ze besteden minder tijd aan het bedienen van de workflow en meer tijd aan het specificeren van doelen, het aanleveren van context, het controleren van outputs en het vragen om uitbreidingen. De gebruiker verschuift van operator naar supervisor.

Op individueel niveau breidt deze verschuiving de taakgrens uit, waardoor gebruikers werk kunnen opnemen dat zowel breder als dieper is. Op organisatorisch en arbeidsmarktniveau blijft het een open vraag hoe deze micro-niveau veranderingen aggregeren. Als een individu, uitgerust met agents, workflows kan voltooien die voorheen meerdere rollen vereisten, dan zal de langetermijnimpact van agents niet alleen door snelheids- en kostenstatistieken worden gevangen. In plaats daarvan zal het zich manifesteren in hoe werk wordt gebundeld, hoe rollen worden gedefinieerd en hoe teams worden gestructureerd.

Voor meer informatie over onze methodologie en bevindingen, lees het volledige technisch rapport.

Referenties

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

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

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