Como agentes de IA remodelam o trabalho intelectual

Os sistemas de IA de fronteira estão diminuindo a lacuna entre a inteligência do modelo 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 inovação rápida provou ser uma grande vantagem para os usuários de IA, ao ampliar seu poder e agência. No entanto, também criou uma defasagem entre a fronteira tecnológica e nossa compreensão de como exatamente o trabalho intelectual está evoluindo em resposta. Como a IA de fronteira altera a natureza do trabalho intelectual entre as profissões? Quais transformações estruturais e econômicas podemos esperar nesse trabalho?

Buscamos fechar essa lacuna por meio de uma análise empírica cuidadosa do uso do Perplexity. Hoje, em colaboração com pesquisadores da Harvard Business School, compartilhamos nosso primeiro estudo abrangente do Perplexity Computer em implementação no mundo real. Nossas descobertas sugerem que o Computer amplia tanto a abrangência quanto a profundidade do que os usuários podem realizar, a um custo menor. Os usuários do Computer realizam mais, trabalham em níveis mais elevados de abstração e cruzam fronteiras disciplinares para desbloquear valor fora de suas próprias profissões.

Este artigo apresenta os destaques do nosso estudo. A metodologia detalhada e os resultados estão disponíveis em nosso relatório técnico.

Introdução

Os primeiros sistemas de IA generativa convencionais foram assistentes de conversação que interagem em diálogo com os usuários. Esses assistentes situam-se entre a intenção e a ação. Eles respondem a perguntas, explicam compensações e sugerem próximos passos. O usuário precisa, então, traduzir a resposta em trabalho: abrir as ferramentas certas, reunir arquivos, editar documentos, verificar resultados intermediários e decidir o que fazer a seguir.

Os agentes alteram 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 da IA de procurar informações e sintetizá-las para planejar e realizar tarefas de forma autônoma.

Este arco anima a progressão de produtos do próprio Perplexity. Em 2022, lançamos o Search, que definiu a categoria de motor de respostas ao capacitar usuários a fazer perguntas e receber respostas apoiadas por citações verificáveis em bilhões de documentos. Em 2025, introduzimos o navegador Comet, com um agente web integrado que raciocina e atua 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 está mudando a forma como trabalhamos? Exploramos essa questão usando dados dos nossos produtos Search e Computer, focando em três dimensões:

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

Eficiência: quanto tempo e custo de mão de obra 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 (já que os usuários devem especificar os objetivos a serem delegados e revisar os resultados), mas muito menos esforço humano por unidade de trabalho (devido à execução mais autônoma). Isso os torna especialmente eficazes em fluxos de trabalho longos e de várias etapas. A recompensa 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 a gama do que os usuários podem realizar dentro e 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 três meses.

As consultas cumulativas do Computer atingiram 84 vezes o total da sua primeira semana até 27 de maio. Como linha de base, o uso cumulativo do Search entre os usuários do Computer atingiu 14 vezes o total da sua primeira semana, superior ao crescimento de 12 vezes para usuários que não usam o Computer.

Mesmo após igualar usuários do Computer e não usuários em nível de assinatura, tópico principal de pesquisa e intensidade de pesquisa anterior, uma comparação de diferença 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 tarefa com 25,8%, seguida por Criação de Documentos e Ativos com 18,6%. A mistura de tarefas observada se inclina para o trabalho generativo: documentos, planilhas, bases de código, sites e fluxos de trabalho que exigem trabalho em várias ferramentas.

Voltando aos domínios, o uso foi amplamente distribuído entre Software e TI, Finanças e Investimentos, Marketing e Vendas, Operações de Negócios, Saúde, Educação, Jurídico e Mídia.

Maior autonomia e qualidade

O sinal mais direto de autonomia é quanto tempo o sistema funciona 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 de Search e Computer com consultas iniciais quase idênticas como um proxy para a mesma tarefa tentada com ambos os produtos. Em 10.000 pares combinados, o Computer realiza 26 minutos de execução de máquina por Sessão em média, versus 33 segundos para o Search. Esse é um aumento de 48 vezes no trabalho de máquina em tarefas efetivamente idênticas. Na mediana, a lacuna é de 9 minutos versus 14 segundos, ou 40 vezes. A divisão por domínio mostra o mesmo padrão: o Computer realiza aproximadamente 26 a 75 vezes mais trabalho de máquina em todos os 18 domínios.

A autonomia de execução mais longa 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 frequência: 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 Interface de Programação de Aplicações (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 tem uma média de 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 funciona por mais tempo; ele alcança mais serviços conectados do usuário para extrair dados e realizar ações.

O comportamento de acompanhamento também muda na composição. Em uma amostra de 1.000 pares de várias rodadas, a propensão geral à progressão da tarefa é quase idêntica 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 antecipadamente, seus usuários substituem extensões por aprofundamentos esclarecedores (extensões 14,2% versus 12,5%; aprofundamentos 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 diretivas 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 resumo e execução; o Computer cria loops mais longos de revisão e extensão.

Mais importante ainda, a qualidade não caiu com maior autonomia. Em sessões de várias rodadas combinadas, a insatisfação significativa no próximo turno 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.

Ganhos de eficiência com a autonomia

A maior autonomia troca o trabalho humano manual pela computação de máquina, o que aumenta a eficiência. Para quantificar esse efeito, comparamos duas configurações nas mesmas tarefas combinadas.

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 três estimativas independentes:

Estimativa baseada em ferramentas: Classificamos as chamadas de ferramentas do Computer em duas categorias: "Search" e "Do". As ferramentas de Search correspondem a etapas de recuperação e síntese de informações que já são tratadas pelo produto Search. As ferramentas de Do representam etapas de execução que um humano precisaria realizar manualmente ao usar o Search sozinho. Estimamos então o tempo necessário para um humano experiente realizar essas ações de Do.

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 executar todas as etapas de execução manualmente.

Estimativa relatada pelo usuário: Realizamos 25 entrevistas semiestruturadas com usuários ativos do Computer em vários domínios e extraímos os 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. Essa é uma redução de 87% no tempo de tarefa.

Para traduzir o tempo da tarefa em custo, usamos salários médios por hora específicos do domínio dos dados de maio de 2025 da Occupational Employment and Wage Statistics (BLS OEWS) do U.S. Bureau of Labor Statistics (U.S. Bureau of Labor Statistics 2026). Combinando o custo do modelo com o custo da mão de obra humana específica do domínio, o Computer reduz o custo estimado da tarefa em 94% em média.

A vantagem de eficiência aparece em todos os 18 domínios, com economia de tempo de 79–92% e economia de custos de 87–96%. 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 custos de 96%. Negócios, Tecnologia, Educação e Escrita também mostram grandes ganhos. A economia de tempo tende a se traduzir em maior economia de custos em domínios de salários mais altos.

Quão robusto é esse resultado? Considere um ponto de equilíbrio: para que o Search + Humano iguale o custo do Computer + Humano, um profissional precisaria terminar cada etapa manual em 14–24 minutos (mediana 18). O Computer mantém sua vantagem em todos os domínios, mesmo sob suposições 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 gera resultados agregados semelhantes: uma redução de 84% no tempo e uma redução de 93% no custo geral. As entrevistas com os usuários mostram uma gama muito maior de resultados — de 5 vezes a mais de 300 vezes de aceleração — provavelmente refletindo uma variação substancial nas linhas de base pré-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 se expande horizontal e verticalmente

Velocidade e custo em tarefas combinadas capturam apenas parte da história. A forma do trabalho também pode mudar. À medida que o Computer substitui a execução manual pela 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 do seu cluster de ocupação principal inferido com mais frequência com o Computer do que com o Search. Segundo, comparamos as 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 tarefa (Autor, Levy e Murnane 2003), abrangência de Conhecimento O*NET (National Center for O*NET Development 2026), abrangência 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 de ocupação, usando todas as suas consultas, os usuários do Computer trabalham fora de sua ocupação principal 59% do tempo, comparado a 50% para o Search. Os maiores aumentos aparecem em Gestão e Empreendedorismo, Tecnologia Digital, Artes e Design, e Saúde e Serviços Humanos. As consultas de pesquisa de cruzamento de ocupação estão concentradas em Tecnologia Digital, enquanto as 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 dois produtos, 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, comparado a 55% para o Search. A diferença está concentrada no topo: 50% das consultas do Computer são tarefas de nível de Criação, comparado a 26% para o Search. O Search tem muito mais massa na consulta factual de nível de Lembrança. Na dimensão tipo de tarefa abstrata versus rotineira, 71% das consultas do Computer envolvem cognição abstrata não rotineira versus 53% para o Search.

As tarefas do Computer também se baseiam em mais domínios de conhecimento. A tarefa média do Computer requer especialização substantiva em 2,40 áreas de Conhecimento O*NET, comparado a 1,74 para o Search, um aumento de 38%. O Computer é quase três vezes mais propenso que o Search a exigir três ou mais domínios de conhecimento: 51% versus 17%.

No nível de atividade de trabalho, o mesmo padrão se mantém. Uma consulta típica do Computer envolve 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 refinados, o Computer envolve 59% mais Atividades de Trabalho Detalhadas e 60% mais Declarações de Tarefa específicas da 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, onde uma declaração de tarefa aparece no Computer e nunca aparece na amostra combinada do Search, 23% das consultas do Computer envolvem pelo menos uma declaração de tarefa apenas do Computer. Relaxar o limite para permitir até cinco ocorrências de Search eleva a participação para 38%, e ela estabiliza perto de 41%. Essas atividades apenas do Computer concentram-se em desenvolvimento de software e web, produção de documentação e visualização de dados ou gráficos. É exatamente onde a execução autônoma importa mais: o Search explica; o Computer produz.

Discussão

A maior parte das evidências sobre IA no trabalho foca no cenário 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 alteram o comportamento do usuário e os resultados econômicos subsequentes. As implementações de produção estão começando a revelar o uso e o impacto de agentes em ambientes 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 este trabalho e unimos a literatura de assistente e agente comparando a interação do usuário com um orquestrador de agente de propósito geral versus um assistente de conversação, e estendendo a análise de impacto subsequente a uma gama mais ampla de trabalho intelectual.

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 implementação (Massenkoff e McCrory 2026). Documentamos como a composição da tarefa muda com o acesso ao agente.

Observamos várias advertências. Primeiro, a janela de observação é inicial, e os primeiros adotantes tendem a ser nativos em IA. Os usuários também estão experimentando ativamente e adaptando seus fluxos de trabalho dentro de um cenário de produto em rápida evolução, portanto, esses padrões podem mudar com o tempo. Segundo, o design de consulta combinada baseado em Sessão deixa de fora muitas tarefas do Computer que não têm um 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 tarefa. Terceiro, as estimativas de eficiência dependem criticamente de suposições sobre tempo de ferramenta equivalente humano e tempo de supervisão humana. Embora as estimativas baseadas em LLM e as entrevistas com os usuários apontem na mesma direção, e as análises de ponto de equilíbrio e sensibilidade indiquem robustez, as magnitudes exatas devem ser lidas como aproximadas. Relativamente, o erro de classificação do 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 mais 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 solicitando extensões. O usuário passa de operador a supervisor.

No nível individual, essa mudança expande a fronteira da tarefa, permitindo que os usuários assumam um trabalho que é simultaneamente mais amplo e profundo. No nível organizacional e do mercado de trabalho, como essas mudanças em nível micro se agregam permanece uma questão em aberto. Se um único indivíduo, equipado com agentes, pode completar fluxos de trabalho que anteriormente exigiam múltiplas funções, então o impacto de longo prazo dos agentes não será capturado apenas pelas métricas de velocidade e custo. Em vez disso, ele se manifestará em como o trabalho é agrupado, como as funções são definidas e como as equipes são estruturadas.

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

Referências

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

Autor, David H., Frank Levy e 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 e 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 e Tobias Salz. 2026. "The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers." Management Science, Artigos em Avanço.

Dell'Acqua, Fabrizio, Edward McFowland III, Ethan R. Mollick, Hila Lifshitz-Assaf, Katherine Kellogg, Saran Rajendran, Lisa Krayer, François Candelon e 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, Artigos em Avanço.

Demirer, Mert, Leon Musolff e Liyuan Yang. 2026. "Writing Code vs. Shipping Code: Productivity Effects Across Generations of AI Coding Tools." Documento de Trabalho NBER 35275.

Eloundou, Tyna, Sam Manning, Pamela Mishkin e Daniel Rock. 2024. "GPTs are GPTs: Labor Market Impact Potential of LLMs." Science 384 (6702): 1306–1308.

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

Massenkoff, Maxim e 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 e Deep Ganguli. 2026. "Measuring AI Agent Autonomy in Practice." Anthropic.

National Center for O*NET Development. 2026. O*NET 30.2 Database. Departamento do Trabalho dos EUA, Administração de Emprego e Treinamento.

Noy, Shakked e 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." Departamento do Trabalho dos EUA.

Yang, Jeremy, Noah Yonack, Kate Zyskowski, Denis Yarats, Johnny Ho e Jerry Ma. 2025. "The Adoption and Usage of AI Agents: Early Evidence from Perplexity." arXiv preprint arXiv:2512.07828.