Como os agentes de IA remodelam o trabalho do conhecimento

Os sistemas de IA de fronteira estão diminuindo a lacuna entre a inteligãncia dos modelos e a utilidade no mundo real. Novos modelos, arquiteturas de computação e padrões de orquestração estão permitindo que esses sistemas realizem tarefas consideradas impossíveis há apenas alguns meses.

Essa rápida inovação provou ser uma vantagem para os usuários de IA ao ampliar sua capacidade de atuação e autonomia. No entanto, ela também criou uma lacuna entre a fronteira tecnológica e nossa compreensão de exatamente como o trabalho do conhecimento está evoluindo em resposta. Como a IA de fronteira altera a natureza do trabalho do conhecimento entre as profissões? Quais transformações estruturais e econômicas nesse trabalho podemos esperar?

Buscamos fechar essa lacuna por meio de uma cuidadosa análise empírica do uso do Perplexity. Hoje, em colaboração com pesquisadores da Harvard Business School, estamos compartilhando nosso primeiro estudo abrangente sobre o Perplexity Computer em implantação no mundo real. Nossas descobertas sugerem que o Computer expande tanto a amplitude quanto a profundidade do que os usuários podem realizar, a um custo menor. Os usuários do Computer estão realizando mais, trabalhando em níveis mais altos de abstração e cruzando fronteiras disciplinares para desbloquear valor fora de suas próprias profissões.

Este artigo apresenta os destaques do nosso estudo. Metodologia detalhada e conclusões estão disponíveis em nosso relatório técnico.

Introdução

Os primeiros sistemas de IA generativa convencionais foram assistentes conversacionais que dialogam com os usuários. Esses assistentes ficam entre a intenção e a ação. Eles respondem a perguntas, explicam compensações e sugerem próximos passos. O usuário então precisa traduzir a resposta em trabalho: abrir as ferramentas certas, reunir arquivos, editar documentos, verificar saídas intermediárias e decidir o que fazer a seguir.

Os agentes mudam essa divisão de trabalho. Um usuário especifica um resultado, e o sistema planeja entre ferramentas, executa etapas intermediárias, solicita entradas ausentes quando necessário e retorna uma entrega finalizada. Os agentes deslocam o uso de IA de buscar coisas e sintetizá-las para planejar e realizar tarefas de forma autônoma.

Esse arco anima a progressão de produtos da Perplexity. Em 2022, lançamos o Search, que definiu a categoria de mecanismos de resposta ao capacitar os usuários a fazer perguntas e receber respostas apoiadas por citações verificáveis em bilhões de documentos. Em 2025, introduzimos o navegador Comet, com um agente da web incorporado que raciocina e age ao lado dos usuários na web aberta. E em 2026, lançamos o Computer, um orquestrador de agentes de propósito geral que trabalha autonomamente em direção a objetivos especificados pelo usuário em ambientes complexos e longos horizontes temporais.

Como essa transição estão mudando a forma como trabalhamos? Exploramos essa pergunta usando dados de nossos produtos Search e Computer, concentrando-nos em trãs dimensões:

Autonomia: quanto trabalho autônomo o Computer executa em comparação com o Search na mesma tarefa?

Eficiãncia: quanto tempo e custo de trabalho o Computer economiza em relação ao Search na mesma tarefa?

Escopo: como o Computer altera o tipo de trabalho que os usuários tentam realizar?

Constatamos que agentes como o Computer exigem mais esforço inicial do usuário (uma vez que os usuários devem especificar os objetivos a serem delegados e revisar os resultados), mas muito menos esforço humano por unidade de trabalho (devido a uma execução mais autônoma). Isso os torna especialmente eficazes em fluxos de trabalho longos e de máltiplas etapas. O retorno é um trabalho que é simultaneamente mais profundo e mais barato. O Computer desloca o esforço do usuário da execução manual para a supervisão, expandindo o leque do que os usuários podem realizar tanto dentro quanto fora de suas próprias áreas de especialização.

Adoção do Computer e Casos de Uso

O Computer foi lançado em 25 de fevereiro de 2026 e cresceu rapidamente nos primeiros trãs meses.

As consultas acumuladas do Computer alcançaram 84 vezes o total de sua primeira semana até 27 de maio. Como linha de base, o uso acumulado do Search entre os usuários do Computer alcançou 14 vezes o total de sua primeira semana, superior ao crescimento de 12 vezes para usuários que não usam o Computer.

Mesmo após equiparar usuários do Computer e não usuários do Computer em termos de nível de assinatura, principal tópico de pesquisa e intensidade de pesquisa anterior, uma comparação de diferenças em diferenças mostra que a adoção do Computer aumenta o uso do Search: os usuários do Computer fazem 1,05 consultas de pesquisa a mais por dia do que usuários semelhantes que não usam o Computer.

Em uma amostra aleatória de 100.000 consultas do Computer, Pesquisa e Análise foi a maior categoria de tarefas com 25,8%, seguida por Criação de Documentos e Ativos com 18,6%. A mistura de tarefas observada inclina-se para o trabalho gerativo: documentos, planilhas, bases de código, sites e fluxos de trabalho que exigem trabalho em várias ferramentas.

Passando para os domínios, o uso foi amplamente distribuído entre Software e TI, Finanças e Investimentos, Marketing e Vendas, Operações Comerciais, Saúde, Educação, Jurídico e Mídia.

Maior Autonomia e Qualidade

O sinal mais direto de autonomia é quanto tempo o sistema roda sem intervenção humana após o usuário enviar uma solicitação. O Search geralmente retorna uma resposta em segundos. O Computer frequentemente continua trabalhando por minutos ou até horas: pesquisando, navegando, escrevendo, editando, executando código e verificando resultados intermediários.

Usamos sessões do Search e do Computer com consultas iniciais quase idénticas como proxy para a mesma tarefa tentada com ambos os produtos. Em 10.000 pares correspondentes, o Computer realiza 26 minutos de execução de máquina por sessão em média, contra 33 segundos para o Search. Isso representa um aumento de 48 vezes no trabalho de máquina em tarefas efetivamente idénticas. Na mediana, a diferença é de 9 minutos versus 14 segundos, ou 40 vezes. A divisão por domínio mostra o mesmo padrão: o Computer executa aproximadamente 26 a 75 vezes mais trabalho de máquina em todos os 18 domínios.

A autonomia de maior duração não se traduziu em mais abandono. Os eventos de parada do usuário foram semelhantes entre os produtos: 3,7% das sessões do Computer e 3,4% das sessões do Search continham pelo menos um evento de parada do usuário. O Computer fez pausas para entrada do usuário com mais frequãncia: 13% das consultas do Computer invocaram pelo menos uma ferramenta de pausa para o usuário versus 0,3% para o Search, geralmente para solicitar aprovação ou fazer perguntas esclarecedoras. Esse é o padrão esperado para um agente: ele pode prosseguir autonomamente na maior parte do tempo, mas precisa de pontos de verificação para obter permissão e confirmar o que o usuário deseja.

O Computer também encadeia muito mais chamadas de ferramentas externas — por meio do Model Context Protocol (MCP) ou endpoints de Application Programming Interface (API) — em uma única sessão, realizando trabalho que um usuário do Search faria manualmente em aplicativos separados. 7,9% das sessões do Computer fazem pelo menos uma chamada de conector versus 1,8% das sessões do Search (uma lacuna de 4 vezes), e o Computer faz em média 1,19 chamadas de conector por sessão versus 0,10 para o Search (uma proporção de 12 vezes). Em outras palavras, o Computer não apenas roda por mais tempo; ele alcança mais serviços conectados do usuário para puxar dados e tomar ações.

O comportamento de acompanhamento também muda na composição. Em uma amostra de 1.000 pares com múltiplos turnos, a propensão geral para o avanço de tarefas é quase idéntica entre os produtos (52,7% dos acompanhamentos do Computer versus 52,9% para o Search), mas o que os usuários pedem muda: como o Computer retorna uma entrega mais completa inicialmente, seus usuários substituem extensões por detalhamentos esclarecedores (extensões 14,2% versus 12,5%; detalhamentos 22,0% versus 23,4%). Os usuários do Computer também gastam um pouco mais de seus acompanhamentos revisando e alterando a saída (24,6% versus 23,6%), enquanto o Search é mais pesado em diretrizes curtas como confirmações, novas tentativas e solicitações de formato (11,6% versus 9,9%) que o Computer incorpora em sua execução inicial. Em outras palavras, o Search cria loops mais curtos de processar e executar; o Computer cria loops mais longos de revisar e estender.

Mais importante ainda, a qualidade não caiu com maior autonomia. Em sessões correspondentes com múltiplos turnos, a insatisfação significativa no turno seguinte foi de 1,3% para o Computer versus 2,9% para o Search, uma redução de 55%. Qualquer insatisfação, incluindo sinais leves, foi de 10,8% para o Computer versus 16,6% para o Search.

Ganho de Eficiência com a Autonomia

Maior autonomia substitui o trabalho humano manual por computação de máquina, o que eleva a eficiãncia. Para quantificar esse efeito, comparamos duas configurações nas mesmas tarefas correspondentes.

Search + Humano: O Search lida com a recuperação e síntese; o humano executa manualmente.

Computer + Humano: O Computer executa o fluxo de trabalho; o humano define o escopo da tarefa e revisa o resultado.

Não podemos observar diretamente quanto tempo uma tarefa levaria para um humano, então triangulamos com trãs estimativas independentes:

Estimativa baseada em ferramentas: Classificamos as chamadas de ferramentas do Computer em duas categorias: "Pesquisa" e "Fazer". As ferramentas de pesquisa correspondem às etapas de recuperação de informações e síntese que já são tratadas pelo produto Search. As ferramentas de ação representam etapas de execução que um humano precisaria realizar manualmente ao usar o Search sozinho. Em seguida, estimamos o tempo necessário para um humano experiente realizar essas ações.

Estimativa baseada em LLM: Alimentamos consultas de sessões do Computer em um LLM para estimar o tempo necessário para um profissional qualificado que recebe respostas do Search, mas deve realizar todas as etapas de execução manualmente.

Estimativa relatada pelo usuário: Realizamos 25 entrevistas semiestruturadas com usuários ativos do Computer em diferentes domínios e obtivemos fluxos de trabalho anteriores ao Computer e o tempo que esses fluxos de trabalho teriam levado.

Sob a estimativa baseada em ferramentas, a tarefa média de Search + Humano leva 269 minutos, enquanto o fluxo de trabalho correspondente de Computer + Humano leva 36 minutos. Isso representa uma redução de 87% no tempo da tarefa.

Para traduzir o tempo da tarefa em custo, usamos salários horários médios específicos por domínio dos dados de maio de 2025 de Estatísticas de Emprego e Salários Ocupacionais do Bureau of Labor Statistics dos EUA (BLS OEWS) (Bureau of Labor Statistics dos EUA 2026). Combinando o custo do modelo com o custo de trabalho humano específico por domínio, o Computer reduz o custo estimado da tarefa em 94% em média.

A vantagem de eficiãncia aparece em todos os 18 domínios, com economia de tempo de 79% a 92% e economia de custo de 87% a 96%. A programação é o caso mais extremo: 596 minutos para Search + Humano versus 48 minutos para Computer + Humano — uma redução de tempo de 92% que resulta em uma redução de custo de 96%. Negócios, Tecnologia, Educação e Escrita também mostram grandes ganhos. A economia de tempo tende a se traduzir em maior economia de custo em domínios de salários mais altos.

Quão robusto é esse resultado? Considere um ponto de equilíbrio: para que Search + Humano iguale o custo de Computer + Humano, um profissional precisaria concluir cada etapa manual em 14 a 24 minutos (mediana de 18). O Computer mantém sua vantagem em todos os domínios, mesmo sob premissas mais conservadoras: por exemplo, uma superestimação de 8 vezes no tempo por ferramenta, ou uma subestimação de 12 vezes no tempo de supervisão do Computer.

A estimativa baseada em LLM produz resultados agregados semelhantes: uma redução de 84% no tempo e uma redução de 93% no custo geral. Entrevistas com usuários mostram uma gama muito mais ampla de resultados — de 5 vezes a mais de 300 vezes em acelerações —, refletindo provavelmente variação substancial nas linhas de base anteriores ao Computer dos usuários. A aceleração mediana entre os participantes é de 25 vezes, correspondendo a uma redução de 96% no tempo.

O Escopo da Tarefa Expande Horizontal e Verticalmente

Velocidade e custo em tarefas correspondentes capturam apenas parte da história. A forma do trabalho também pode mudar. Conforme o Computer substitui a execução manual por computação de máquina, os usuários podem assumir diferentes tipos de trabalho — tarefas que cruzam fronteiras ocupacionais e aquelas que exigem níveis mais altos de especialização.

Primeiro, perguntamos se os usuários trabalham fora de seu cluster ocupacional primário inferido com mais frequãncia com o Computer do que com o Search. Segundo, comparamos consultas do Computer e do Search dos mesmos usuários usando cinco classificações em nível de tarefa: Taxonomia Revisada de Bloom (Anderson e Krathwohl 2001), trabalho abstrato versus rotineiro na tradição de conteúdo de tarefas (Autor, Levy e Murnane 2003), amplitude de conhecimento O*NET (Centro Nacional de Desenvolvimento O*NET 2026), amplitude de atividade de trabalho O*NET e novas tarefas que não foram tentadas com o Search.

A mudança horizontal é aparente nos dados. Em uma amostra de 8.000 usuários de oito clusters ocupacionais, usando todas as suas consultas, os usuários do Computer trabalham fora de sua ocupação primária 59% do tempo, em comparação com 50% para o Search. Os maiores aumentos aparecem em Gestão e Empreendedorismo, Tecnologia Digital, Artes e Design, e Saúde e Serviços Humanos. Consultas de pesquisa interocupacionais estão concentradas em Tecnologia Digital, enquanto consultas do Computer delegam trabalho que cruza para domínios mais diversos, onde os usuários de outra forma precisariam de especialistas.

A mudança vertical é ainda maior. Em uma amostra de 5.000 consultas do Computer e 5.000 consultas do Search do mesmo conjunto de usuários de produto duplo, as consultas do Computer são mais complexas cognitivamente do que as consultas do Search. Na Taxonomia Revisada de Bloom, 76% das consultas do Computer exigem cognição de ordem superior, em comparação com 55% para o Search. A diferença estã concentrada no topo: 50% das consultas do Computer são tarefas de nível de criação, em comparação com 26% para o Search. O Search tem muito mais massa na busca factual de nível de lembrança. Na dimensão de tipo de tarefa abstrata versus rotineira, 71% das consultas do Computer envolvem cognição abstrata e não rotineira versus 53% para o Search.

As tarefas do Computer também recorrem a mais domínios de conhecimento. A tarefa média do Computer exige conhecimentos substanciais em 2,40 áreas de conhecimento O*NET, em comparação com 1,74 para o Search, um aumento de 38%. O Computer tem quase trãs vezes mais probabilidade do que o Search de exigir trãs ou mais domínios de conhecimento: 51% versus 17%.

No nível de atividade de trabalho, o mesmo padrão se aplica. Uma consulta típica do Computer engaja 2,95 Atividades de Trabalho Generalizadas O*NET e 4,01 Atividades de Trabalho Intermediárias versus 2,24 e 2,87 para o Search, um aumento de 32% e 40%. Em níveis mais detalhados, o Computer engaja 59% mais Atividades de Trabalho Detalhadas e 60% mais Declarações de Tarefa específicas de ocupação.

A medida mais reveladora é o conjunto de tarefas que aparecem no Computer, mas não no Search entre os mesmos usuários. Na definição mais rigorosa, em que uma declaração de tarefa aparece no Computer e nunca aparece na amostra de Search emparelhada, 23% das consultas do Computer engajam pelo menos uma declaração de tarefa exclusiva do Computer. Flexibilizar o limiar para permitir até cinco ocorrências do Search eleva a fatia para 38%, e ela estabiliza próximo a 41%. Essas atividades exclusivas do Computer concentram-se em desenvolvimento de software e web, produção de documentação e visualização de dados ou gráficos. É exatamente aí que a execução autônoma mais importa: o Search explica; o Computer produz.

Discussão

A maioria das evidências sobre IA no trabalho concentra-se no ambiente de assistente. Essa literatura mostrou grandes ganhos de produtividade no aumento da escrita, suporte ao cliente, codificação e consultoria (por exemplo, Noy e Zhang 2023; Brynjolfsson, Li e Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

Os agentes mudam o comportamento do usuário e os resultados econômicos a jusante. As implantações de produção estão começando a revelar o uso e o impacto de agentes em cenários do mundo real, mas estão focadas principalmente em agentes de codificação especializados e agentes de navegador iniciais (por exemplo, Sarkar 2026; McCain et al. 2026; Demirer, Musolff e Yang 2026; Yang et al. 2025). Complementamos esse trabalho e unimos a literatura de assistentes e agentes comparando a interação do usuário com um orquestrador de agentes de propósito geral versus um assistente conversacional, e estendendo a análise de impacto a jusante para uma gama mais ampla de trabalho do conhecimento.

Também passamos da exposição para a recomposição de tarefas realizada. Trabalhos anteriores estimam quais ocupações estão expostas à IA usando descrições de tarefas e estrutura ocupacional (por exemplo, Eloundou et al. 2024; Felten, Raj e Seamans 2023), enquanto medidas baseadas no uso mostram a lacuna entre exposição e implantação (Massenkoff e McCrory 2026). Documentamos como a composição de tarefas muda com o acesso a agentes.

Observamos várias ressalvas. Primeiro, a janela de observação é precoce, e os primeiros adotantes inclinam-se para nativos de IA. Os usuários também estão experimentando ativamente e adaptando seus fluxos de trabalho dentro de um panorama de produtos em rápida evolução, portanto, esses padrões podem mudar ao longo do tempo. Segundo, o design de consulta correspondente baseado em sessões deixa de fora muitas tarefas do Computer que não tão equivalente próximo no Search. Embora as sessões forneçam uma maneira natural de segmentar tarefas, os usuários nem sempre seguem essa estrutura na prática, tornando as sessões um proxy ruidoso para unidades de tarefas. Terceiro, as estimativas de eficiãncia dependem criticamente de premissas sobre o tempo de ferramenta equivalente ao humano e o tempo de supervisão humana. Embora estimativas baseadas em LLM e entrevistas com usuários apontem na mesma direção, e análises de ponto de equilíbrio e sensibilidade indiquem robustez, as magnitudes exatas devem ser lidas como aproximadas. Da mesma forma, o erro de classificação de LLM introduz ruído de medição adicional. Finalmente, observamos o comportamento do usuário apenas dentro do ecossistema Perplexity e não capturamos atividades fora dele, o que pode limitar nossa visão das atividades de trabalho completas e do uso de ferramentas dos usuários.

Olhando para o Futuro

Os agentes tornam as tarefas existentes mais rápidas e baratas — e, mais importante, tornam viáveis tarefas que abrangem fronteiras ocupacionais e níveis de especialização.

Quando um sistema pode pesquisar, navegar, codificar, editar arquivos, conectar-se a serviços e produzir entregas, o gargalo do usuário muda. Eles gastam menos tempo operando o fluxo de trabalho e mais tempo especificando metas, fornecendo contexto, verificando resultados e pedindo extensões. O usuário passa de operador a supervisor.

No nível individual, essa mudança expande a fronteira de tarefas, permitindo que os usuários assumam trabalhos que são tanto mais amplos quanto mais profundos. No nível organizacional e de mercado de trabalho, como essas mudanças em nível micro se agregam permanece uma questão em aberto. Se um único indivíduo, equipado com agentes, puder concluir fluxos de trabalho que anteriormente exigiam múltiplos papéis, então o impacto de longo prazo dos agentes não será capturado apenas por métricas de velocidade e custo. Em vez disso, ele se manifestará em como o trabalho é agrupado, como os papéis são definidos e como as equipes são estruturadas.

Para saber mais sobre nossa metodologia e descobertas, leia o relatório técnico completo.

Referências

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.