Jak agenci AI zmieniają pracę umysłową

Systemy AI nowej generacji niwelują lukę między inteligencją modelu a praktycznym zastosowaniem w rzeczywistych warunkach. Nowe modele, architektury obliczeniowe i wzorce orkiestracji umożliwiają tym systemom wykonywanie zadań, które jeszcze kilka miesięcy temu uznawano za niemożliwe.

Ta gwałtowna innowacja okazała się dobrodziejstwem dla użytkowników systemów AI, zwiększając ich możliwości sprawcze i decyzyjność. Stworzyła jednak również rozbieżność między zaawansowaniem technologicznym a naszym rozumieniem tego, jak w odpowiedzi na nie ewoluuje praca umysłowa. W jaki sposób systemy AI nowej generacji zmieniają naturę pracy umysłowej w różnych zawodach? Jakich przekształceń strukturalnych i gospodarczych w tym obszarze możemy się spodziewać?

Dążymy do zasypania tej luki poprzez wnikliwą analizę empiryczną sposobu korzystania z Perplexity. Dzisiaj, we współpracy z badaczami z Harvard Business School, udostępniamy nasze pierwsze kompleksowe opracowanie dotyczące wdrożenia Perplexity Computer w rzeczywistych warunkach. Nasze ustalenia wskazują, że Computer zwiększa zarówno zakres, jak i głębię zadań, które użytkownicy mogą realizować, przy niższych kosztach. Użytkownicy Computer osiągają więcej, pracując na wyższych poziomach abstrakcji i przekraczając granice dyscyplin, co pozwala im uzyskiwać wartość poza obszarem ich własnych zawodów.

Niniejszy artykuł przedstawia najważniejsze wnioski z naszego badania. Szczegółowa metodologia oraz wyniki są dostępne w naszym raporcie technicznym.

Wprowadzenie

Pierwsze główne systemy generatywnej AI były asystentami konwersacyjnymi, prowadzącymi dialog z użytkownikami. Asystenci ci stanowią ogniwo pośrednie między intencją a działaniem. Odpowiadają na pytania, wyjaśniają kompromisy i sugerują kolejne kroki. Użytkownik musi następnie przełożyć odpowiedź na konkretną pracę: otworzyć odpowiednie narzędzia, zgromadzić pliki, zredagować dokumenty, sprawdzić wyniki pośrednie i podjąć decyzję o dalszym postępowaniu.

Agenci zmieniają ten podział pracy. Użytkownik określa pożądany wynik, a system planuje działania z wykorzystaniem różnych narzędzi, wykonuje kroki pośrednie, prosi o brakujące dane w razie potrzeby i zwraca gotowy produkt. Agenci przenoszą ciężar korzystania z AI z wyszukiwania informacji i ich syntezy na autonomiczne planowanie i realizację zadań.

Ten kierunek wyznacza własną ewolucję produktów Perplexity. W 2022 roku wprowadziliśmy Search, który zdefiniował kategorię wyszukiwarek odpowiedzi, umożliwiając użytkownikom zadawanie pytań i otrzymywanie odpowiedzi popartych weryfikowalnymi cytowaniami z miliardów dokumentów. W 2025 roku wprowadziliśmy przeglądarkę Comet z wbudowanym agentem sieciowym, który rozumuje i działa wraz z użytkownikami w otwartej sieci. W 2026 roku uruchomiliśmy Computer, ogólnego przeznaczenia orkiestrator agentów, który autonomicznie realizuje cele określone przez użytkownika w złożonych środowiskach i w długich horyzontach czasowych.

W jaki sposób to przejście zmienia sposób naszej pracy? Badamy to zagadnienie, wykorzystując dane z naszych produktów Search i Computer, skupiając się na trzech wymiarach:

Autonomia: ile autonomicznej pracy wykonuje Computer w porównaniu z Search przy tym samym zadaniu?

Efektywność: ile czasu i kosztów pracy oszczędza Computer w relacji do Search przy tym samym zadaniu?

Zakres: w jaki sposób Computer zmienia rodzaj zadań podejmowanych przez użytkowników?

Stwierdzamy, że agenci tacy jak Computer wymagają większego początkowego nakładu pracy użytkownika (ponieważ użytkownik musi określić cele do delegowania i sprawdzić wyniki), ale znacznie mniejszego nakładu pracy ludzkiej na jednostkę zadania (ze względu na bardziej autonomiczną egzekucję). Czyni to ich szczególnie skutecznymi w długich, wieloetapowych przepływach pracy. Korzyścią jest praca głębsza i tańsza. Computer przesuwa wysiłek użytkownika z ręcznej egzekucji na nadzór, poszerzając zakres tego, co użytkownicy mogą osiągnąć zarówno w ramach swoich dziedzin specjalizacji, jak i poza nimi.

Adopcja Computer i przypadki użycia

Produkt Computer został wprowadzony na rynek 25 lutego 2026 r. i szybko zyskał na popularności w ciągu pierwszych trzech miesięcy.

Skumulowana liczba zapytań w Computer osiągnęła 84-krotność sumy z pierwszego tygodnia do 27 maja. Dla porównania, skumulowane korzystanie z Search wśród użytkowników Computer osiągnęło 14-krotność sumy z pierwszego tygodnia, co stanowi wynik wyższy niż 12-krotny wzrost dla użytkowników niekorzystających z Computer.

Nawet po dopasowaniu użytkowników Computer i użytkowników niekorzystających z Computer pod względem poziomu subskrypcji, głównego tematu wyszukiwania i wcześniejszej intensywności korzystania z wyszukiwarki, porównanie metodą różnic w różnicach pokazuje, że przyjęcie Computer zwiększa korzystanie z Search: użytkownicy Computer wykonują o 1,05 więcej zapytań Search dziennie niż podobni użytkownicy niekorzystający z Computer.

W losowej próbie 100 000 zapytań Computer, kategoria Badania i Analiza była największą kategorią zadań z wynikiem 25,8%, a następnie Tworzenie Dokumentów i Zasobów z wynikiem 18,6%. Obserwowany miks zadań wykazuje tendencję do pracy generatywnej: dokumenty, arkusze kalkulacyjne, bazy kodu, strony internetowe i przepływy pracy wymagające obsługi wielu narzędzi.

Jeśli chodzi o dziedziny, użytkowanie było szeroko rozproszone w obszarach Oprogramowanie i IT, Finanse i Inwestycje, Marketing i Sprzedaż, Operacje Biznesowe, Opieka Zdrowotna, Edukacja, Prawo oraz Media.

Wyższa autonomia i jakość

Najbardziej bezpośrednim sygnałem autonomii jest czas działania systemu bez interwencji człowieka po przesłaniu żądania przez użytkownika. Search zazwyczaj zwraca odpowiedź w kilka sekund. Computer często pracuje przez minuty, a nawet godziny: wyszukując, przeglądając, pisząc, edytując, uruchamiając kod i sprawdzając wyniki pośrednie.

Wykorzystujemy sesje Search i Computer z niemal identycznymi zapytaniami początkowymi jako wskaźnik zastępczy dla tego samego zadania wykonywanego za pomocą obu produktów. Wśród 10 000 dopasowanych par, Computer wykonuje średnio 26 minut pracy maszynowej na sesję, w porównaniu do 33 sekund dla Search. To 48-krotny wzrost nakładu pracy maszynowej przy faktycznie tych samych zadaniach. Mediana różnicy wynosi 9 minut wobec 14 sekund, czyli 40-krotność. Podział na dziedziny wykazuje ten sam schemat: Computer wykonuje od około 26 do 75 razy więcej pracy maszynowej we wszystkich 18 dziedzinach.

Dłuższa autonomia nie przełożyła się na częstsze porzucanie zadań. Zdarzenia przerwania przez użytkownika były podobne dla obu produktów: 3,7% sesji Computer i 3,4% sesji Search zawierało co najmniej jedno takie zdarzenie. Computer częściej wstrzymywał pracę w oczekiwaniu na dane wejściowe: 13% zapytań Computer wywołało co najmniej jedno narzędzie pauzy w porównaniu do 0,3% w Search, zazwyczaj w celu uzyskania zatwierdzenia lub wyjaśnienia kwestii. Jest to oczekiwany wzorzec dla agenta: może on działać autonomicznie przez większość czasu, ale potrzebuje punktów kontrolnych, aby uzyskać pozwolenie i potwierdzić oczekiwania użytkownika.

Computer łączy również znacznie więcej wywołań narzędzi zewnętrznych – poprzez protokół Model Context Protocol (MCP) lub punkty końcowe interfejsu API – w ramach jednej sesji, wykonując pracę, którą użytkownik Search musiałby wykonać ręcznie w oddzielnych aplikacjach. 7,9% sesji Computer zawiera co najmniej jedno wywołanie łącznika w porównaniu z 1,8% sesji Search (4-krotna różnica), a średnia liczba wywołań łącznika w sesji wynosi 1,19 dla Computer wobec 0,10 dla Search (12-krotny stosunek). Innymi słowy, Computer nie tylko działa dłużej; sięga po więcej usług użytkownika, aby pobierać dane i podejmować działania.

Działania następcze również zmieniają swój charakter. W próbce 1 000 par wieloetapowych sesji, ogólna skłonność do posuwania zadania naprzód jest niemal identyczna dla obu produktów (52,7% działań następczych w Computer wobec 52,9% w Search), ale zmienia się przedmiot zapytań: ponieważ Computer zwraca pełniejszy produkt końcowy od razu, jego użytkownicy zastępują rozszerzenia pytaniami wyjaśniającymi (rozszerzenia 14,2% vs 12,5%; pogłębienia 22,0% vs 23,4%). Użytkownicy Computer spędzają również nieco więcej czasu na przeglądaniu i poprawianiu wyników (24,6% vs 23,6%), podczas gdy Search częściej obejmuje krótkie dyrektywy, takie jak potwierdzenia, ponowienia i prośby o zmianę formatu (11,6% vs 9,9%), które Computer uwzględnia w początkowej fazie wykonania. Innymi słowy, Search tworzy krótsze pętle typu „przetraw i wykonaj”, podczas gdy Computer tworzy dłuższe pętle typu „przejrzyj i rozszerz”.

Co najważniejsze, wyższa autonomia nie wpłynęła negatywnie na jakość. W dopasowanych sesjach wieloetapowych, znaczące niezadowolenie w kolejnym kroku wystąpiło w 1,3% przypadków dla Computer w porównaniu z 2,9% dla Search, co stanowi redukcję o 55%. Jakiekolwiek niezadowolenie, w tym słabe sygnały, odnotowano w 10,8% przypadków dla Computer w porównaniu z 16,6% dla Search.

Zyski efektywności wynikające z autonomii

Wyższa autonomia zamienia ręczną pracę ludzką na obliczenia maszynowe, co podnosi efektywność. Aby określić ten efekt ilościowo, porównujemy dwie konfiguracje przy tych samych zadaniach.

Search + Człowiek: Search obsługuje wyszukiwanie i syntezę; człowiek wykonuje zadanie ręcznie.

Computer + Człowiek: Computer wykonuje przepływ pracy; człowiek określa zakres zadania i przegląda wyniki.

Nie jesteśmy w stanie bezpośrednio zaobserwować, ile czasu zajęłoby człowiekowi wykonanie zadania, dlatego stosujemy triangulację za pomocą trzech niezależnych szacunków:

Szacunek narzędziowy: Klasyfikujemy wywołania narzędzi Computer na dwie kategorie: „Wyszukaj” i „Wykonaj”. Narzędzia typu „Wyszukaj” odpowiadają etapom wyszukiwania i syntezy informacji, które są już obsługiwane przez produkt Search. Narzędzia typu „Wykonaj” reprezentują etapy egzekucji, które człowiek musiałby wykonać ręcznie, korzystając wyłącznie z Search. Następnie szacujemy czas potrzebny wykwalifikowanemu pracownikowi na realizację tych działań typu „Wykonaj”.

Szacunek oparty na LLM: Przekazujemy zapytania z sesji Computer do LLM w celu oszacowania czasu potrzebnego wykwalifikowanemu profesjonaliście, który otrzymuje odpowiedzi z Search, ale musi wykonać wszystkie etapy egzekucji ręcznie.

Szacunek zgłoszony przez użytkownika: Przeprowadzamy 25 wywiadów półstrukturalnych z aktywnymi użytkownikami Computer w różnych dziedzinach, badając ich dotychczasowe przepływy pracy i czas, jaki one zajmowały.

Według szacunku narzędziowego, średnie zadanie Search + Człowiek zajmuje 269 minut, podczas gdy odpowiadający mu przepływ pracy Computer + Człowiek zajmuje 36 minut. To 87-procentowa redukcja czasu zadania.

Aby przełożyć czas zadania na koszty, używamy specyficznych dla dziedziny średnich wynagrodzeń godzinowych z danych U.S. Bureau of Labor Statistics Occupational Employment and Wage Statistics (BLS OEWS) z maja 2025 r. (U.S. Bureau of Labor Statistics 2026). Łącząc koszt modelu z kosztem ludzkiej pracy, Computer redukuje szacunkowy koszt zadania średnio o 94%.

Przewaga efektywności pojawia się we wszystkich 18 dziedzinach, z oszczędnością czasu na poziomie 79–92% i oszczędnością kosztów na poziomie 87–96%. Programowanie jest najbardziej ekstremalnym przypadkiem: 596 minut dla Search + Człowiek wobec 48 minut dla Computer + Człowiek – 92-procentowa redukcja czasu, która daje 96-procentową redukcję kosztów. Biznes, Technologia, Edukacja i Pisanie również wykazują duże zyski. Oszczędności czasu mają tendencję do przekładania się na większe oszczędności kosztów w dziedzinach o wyższych zarobkach.

Jak solidny jest ten wynik? Rozważmy próg rentowności: aby scenariusz Search + Człowiek zrównał się kosztem z Computer + Człowiek, profesjonalista musiałby ukończyć każdy ręczny krok w 14–24 minuty (mediana 18). Computer zachowuje swoją przewagę w każdej dziedzinie, nawet przy bardziej konserwatywnych założeniach: na przykład przy 8-krotnym przeszacowaniu czasu na narzędzie lub 12-krotnym niedoszacowaniu czasu nadzoru użytkownika nad Computer.

Szacunek oparty na LLM daje podobne wyniki zagregowane: 84% redukcji czasu i 93% redukcji kosztów ogółem. Wywiady z użytkownikami pokazują znacznie szerszy zakres wyników – od 5-krotnego do ponad 300-krotnego przyspieszenia – co prawdopodobnie odzwierciedla znaczne różnice w bazowych parametrach użytkowników sprzed okresu Computer. Mediana przyspieszenia wśród uczestników wynosi 25-krotność, co odpowiada 96-procentowej redukcji czasu.

Zakres zadań rozszerza się horyzontalnie i wertykalnie

Szybkość i koszt w dopasowanych zadaniach to tylko część obrazu. Zmienia się także sama natura pracy. W miarę jak Computer zastępuje ręczną egzekucję obliczeniami maszynowymi, użytkownicy mogą podejmować się innych rodzajów zadań – tych, które wykraczają poza granice zawodowe i wymagają wyższego poziomu specjalizacji.

Po pierwsze, badamy, czy użytkownicy częściej pracują poza swoim domniemanym głównym klastrem zawodowym z Computer niż z Search. Po drugie, porównujemy zapytania Computer i Search od tych samych użytkowników, używając pięciu klasyfikacji na poziomie zadań: Zrewidowana Taksonomia Blooma (Anderson i Krathwohl 2001), praca abstrakcyjna kontra rutynowa w tradycji treści zadań (Autor, Levy i Murnane 2003), szerokość wiedzy O*NET (National Center for O*NET Development 2026), szerokość aktywności zawodowej O*NET oraz nowe zadania, które nie były podejmowane w Search.

Przesunięcie horyzontalne jest widoczne w danych. Wśród próbki 8 000 użytkowników z ośmiu klastrów zawodowych, biorąc pod uwagę wszystkie ich zapytania, użytkownicy Computer pracują poza swoim głównym zawodem w 59% przypadków, w porównaniu z 50% dla Search. Największe wzrosty pojawiają się w Zarządzaniu i Przedsiębiorczości, Technologiach Cyfrowych, Sztuce i Projektowaniu oraz Opiece Zdrowotnej i Usługach Społecznych. Zapytania międzyzawodowe w Search koncentrują się w Technologiach Cyfrowych, podczas gdy zapytania w Computer delegują pracę, która wykracza w bardziej zróżnicowane dziedziny, gdzie użytkownicy w przeciwnym razie musieliby korzystać ze specjalistów.

Przesunięcie wertykalne jest jeszcze większe. W próbce 5 000 zapytań Computer i 5 000 zapytań Search od tego samego zestawu użytkowników korzystających z obu produktów, zapytania Computer są bardziej złożone poznawczo niż zapytania Search. Według Zrewidowanej Taksonomii Blooma, 76% zapytań Computer wymaga wyższego rzędu poznania, w porównaniu z 55% dla Search. Różnica koncentruje się na szczycie: 50% zapytań Computer to zadania na poziomie „Tworzenie”, w porównaniu z 26% dla Search. Search ma znacznie większy udział na poziomie wyszukiwania faktów „Zapamiętywanie”. W wymiarze abstrakcyjnym kontra rutynowym, 71% zapytań Computer obejmuje abstrakcyjne, nierytualne poznanie, w porównaniu z 53% dla Search.

Zadania w Computer czerpią również z większej liczby domen wiedzy. Średnie zadanie w Computer wymaga merytorycznej ekspertyzy w 2,40 obszarach wiedzy O*NET, w porównaniu do 1,74 dla Search, co stanowi 38-procentowy wzrost. Prawdopodobieństwo, że zadanie w Computer będzie wymagało trzech lub więcej domen wiedzy, jest prawie trzykrotnie wyższe niż w Search: 51% wobec 17%.

Na poziomie aktywności zawodowej schemat pozostaje ten sam. Typowe zapytanie w Computer angażuje 2,95 Uogólnionych Aktywności Zawodowych O*NET i 4,01 Pośrednich Aktywności Zawodowych w porównaniu z 2,24 i 2,87 dla Search, co stanowi wzrost o 32% i 40%. Na bardziej szczegółowych poziomach, Computer angażuje o 59% więcej Szczegółowych Aktywności Zawodowych i o 60% więcej specyficznych dla zawodu Zestawień Zadań.

Najbardziej wymierną miarą jest zestaw zadań, które pojawiają się w Computer, ale nie w Search wśród tych samych użytkowników. Przy najsurowszej definicji, gdzie zestawienie zadań pojawia się w Computer i nigdy nie występuje w dopasowanej próbce Search, 23% zapytań Computer angażuje co najmniej jedno zadanie dostępne wyłącznie w Computer. Złagodzenie progu do pięciu wystąpień w Search podnosi ten udział do 38%, a następnie stabilizuje się w okolicach 41%. Te aktywności dostępne wyłącznie w Computer koncentrują się w rozwoju oprogramowania i sieci, tworzeniu dokumentacji oraz wizualizacji danych lub grafice. To właśnie tam autonomiczna egzekucja ma największe znaczenie: Search wyjaśnia; Computer produkuje.

Dyskusja

Większość dowodów dotyczących AI w pracy koncentruje się na roli asystenta. Literatura ta wykazała znaczne zyski w produktywności w zakresie pisania, obsługi klienta, kodowania i konsultingu (np. Noy i Zhang 2023; Brynjolfsson, Li i Raymond 2025; Cui i in. 2026; Dell'Acqua i in. 2026).

Agenci zmieniają zachowanie użytkowników i wynikające z tego skutki gospodarcze. Wdrożenia produkcyjne zaczynają ujawniać sposób korzystania z agentów i ich wpływ w rzeczywistych warunkach, ale skupiają się głównie na wyspecjalizowanych agentach kodujących i wczesnych agentach przeglądarkowych (np. Sarkar 2026; McCain i in. 2026; Demirer, Musolff i Yang 2026; Yang i in. 2025). Uzupełniamy te prace i łączymy literaturę dotyczącą asystentów oraz agentów poprzez porównanie interakcji użytkownika z orkiestratorem agentów ogólnego przeznaczenia w stosunku do asystenta konwersacyjnego, a także poprzez rozszerzenie analizy wpływu na szerszy zakres pracy umysłowej.

Przechodzimy również od ekspozycji do zrealizowanej rekompozycji zadań. Wcześniejsze prace szacowały, które zawody są narażone na AI przy użyciu opisów zadań i struktury zawodowej (np. Eloundou i in. 2024; Felten, Raj i Seamans 2023), podczas gdy miary oparte na użytkowaniu pokazują lukę między ekspozycją a wdrożeniem (Massenkoff i McCrory 2026). Dokumentujemy, w jaki sposób skład zadań zmienia się wraz z dostępem do agentów.

Zgłaszamy kilka zastrzeżeń. Po pierwsze, okno obserwacji jest wczesne, a pierwsi użytkownicy wykazują tendencję do bycia „native’ami” w zakresie AI. Użytkownicy aktywnie eksperymentują i dostosowują swoje przepływy pracy w szybko ewoluującym krajobrazie produktów, więc te wzorce mogą się zmieniać w czasie. Po drugie, projekt oparty na dopasowanych zapytaniach w sesjach pomija wiele zadań Computer, które nie mają bliskiego odpowiednika w Search. Chociaż sesje zapewniają naturalny sposób segmentacji zadań, użytkownicy nie zawsze przestrzegają tej struktury w praktyce, co czyni sesje „zaszumionym” wskaźnikiem jednostek zadań. Po trzecie, szacunki efektywności zależą krytycznie od założeń dotyczących czasu pracy narzędzi w przeliczeniu na człowieka i czasu nadzoru ludzkiego. Choć szacunki oparte na LLM i wywiady z użytkownikami wskazują na ten sam kierunek, a analizy rentowności i wrażliwości wskazują na solidność wyników, dokładne wielkości należy traktować jako przybliżone. Powiązany z tym błąd klasyfikacji LLM wprowadza dodatkowy szum pomiarowy. Wreszcie, obserwujemy zachowanie użytkowników tylko wewnątrz ekosystemu Perplexity i nie wychwytujemy aktywności poza nim, co może ograniczać nasz wgląd w pełen zakres pracy użytkowników i ich korzystania z narzędzi.

Perspektywy na przyszłość

Agenci sprawiają, że istniejące zadania są szybsze i tańsze, a co ważniejsze – czynią wykonalnymi zadania przekraczające granice zawodowe i poziomy specjalizacji.

Kiedy system potrafi wyszukiwać, przeglądać, kodować, edytować pliki, łączyć się z usługami i tworzyć produkty końcowe, wąskie gardło użytkownika przesuwa się. Spędza on mniej czasu na operowaniu przepływem pracy, a więcej na określaniu celów, dostarczaniu kontekstu, sprawdzaniu wyników i proszeniu o rozszerzenia. Użytkownik zmienia rolę z operatora na nadzorcę.

Na poziomie indywidualnym zmiana ta rozszerza granice zadań, umożliwiając użytkownikom podejmowanie się pracy szerszej i głębszej. Na poziomie organizacji i rynku pracy kwestia tego, jak te zmiany na poziomie mikro ulegają agregacji, pozostaje otwarta. Jeśli pojedyncza osoba, wyposażona w agentów, może ukończyć przepływy pracy wymagające wcześniej wielu ról, to długofalowy wpływ agentów nie zostanie w pełni uchwycony wyłącznie przez wskaźniki szybkości i kosztów. Zamiast tego będzie on widoczny w sposobie łączenia pracy, definiowania ról i strukturyzowania zespołów.

Aby dowiedzieć się więcej o naszej metodologii i ustaleniach, przeczytaj pełny raport techniczny.

Bibliografia

Anderson, Lorin W., oraz David R. Krathwohl. 2001. A Taxonomy for Learning, Teaching, and Assessing: A Revision of Bloom's Taxonomy of Educational Objectives. Nowy Jork: Longman.

Autor, David H., Frank Levy oraz 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 oraz 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 oraz 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 oraz 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 oraz 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 oraz Daniel Rock. 2024. „GPTs are GPTs: Labor Market Impact Potential of LLMs.” Science 384 (6702): 1306–1308.

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

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