Cum remodelează agenții AI munca bazată pe cunoaștere

Sistemele AI de frontieră reduc diferența dintre inteligența modelelor și utilitatea în lumea reală. Noile modele, arhitecturi de calcul și modele de orchestrare permit acestor sisteme să ducă la bun sfârșit sarcini care păreau imposibile cu doar câteva luni în urmă.

Această inovație rapidă s-a dovedit a fi un avantaj pentru utilizatorii de AI, mărindu-le puterea de acțiune și influența. Cu toate acestea, a creat și un decalaj între frontiera tehnologică și înțelegerea noastră privind modul exact în care munca bazată pe cunoaștere evoluează ca răspuns la aceasta. Cum schimbă AI-ul de frontieră natura muncii bazate pe cunoaștere în toate profesiile? La ce transformări structurale și economice ne putem aștepta în cadrul acestei munci?

Ne propunem să reducem acest decalaj printr-o analiză empirică atentă a utilizării Perplexity. Astăzi, în colaborare cu cercetătorii de la Harvard Business School, împărtășim primul nostru studiu cuprinzător privind Perplexity Computer în implementarea în lumea reală. Concluziile noastre sugerează că Computer extinde atât amploarea, cât și profunzimea a ceea ce utilizatorii pot realiza, la un cost mai redus. Utilizatorii Computer realizează mai multe sarcini, lucrează la niveluri superioare de abstracție și depășesc granițele disciplinare pentru a debloca valoare în afara propriilor profesii.

Acest articol prezintă principalele concluzii din studiul nostru. Metodologia detaliată și constatările sunt disponibile în raportul nostru tehnic.

Introducere

Primele sisteme mainstream de AI generativ au fost asistenți conversaționali care se angajează în dialog cu utilizatorii. Acești asistenți se plasează între intenție și acțiune. Ei răspund la întrebări, explică compromisurile și sugerează următorii pași. Utilizatorul trebuie apoi să traducă răspunsul în muncă: să deschidă instrumentele potrivite, să adune fișiere, să editeze documente, să verifice rezultatele intermediare și să decidă ce trebuie făcut în continuare.

Agenții schimbă acea diviziune a muncii. Un utilizator specifică un rezultat, iar sistemul planifică între instrumente, execută pași intermediari, solicită datele de intrare lipsă atunci când este necesar și returnează un livrabil finalizat. Agenții mută utilizarea AI de la căutarea și sinteza informațiilor la planificarea și efectuarea autonomă a sarcinilor.

Această evoluție animă propria evoluție a produselor Perplexity. În 2022, am lansat Search, care a definit categoria motoarelor de răspuns, dând putere utilizatorilor să pună întrebări și să primească răspunsuri susținute de citate verificabile în miliarde de documente. În 2025, am introdus browserul Comet, cu un agent web încorporat care gândește și acționează alături de utilizatori pe web-ul deschis. Iar în 2026, am lansat Computer, un orchestrator de agenți de uz general care lucrează autonom în vederea unor obiective specificate de utilizator în medii complexe și pe orizonturi de timp îndelungate.

Cum schimbă această tranziție modul în care lucrăm? Explorăm această întrebare folosind date din produsele noastre Search și Computer, concentrându-ne pe trei dimensiuni:

Autonomie: cât de multă muncă autonomă efectuează Computer comparativ cu Search pentru aceeași sarcină?

Eficiență: cât timp și costuri cu forța de muncă economisește Computer în raport cu Search pentru aceeași sarcină?

Domeniu de aplicare: cum schimbă Computer tipul de muncă pe care utilizatorii încearcă să o facă?

Constatăm că agenții precum Computer necesită mai mult efort inițial din partea utilizatorului (deoarece utilizatorii trebuie să specifice obiectivele care urmează să fie delegate și să revizuiască rezultatele), dar mult mai puțin efort uman per unitate de muncă (datorită execuției mai autonome). Acest lucru îi face deosebit de eficienți pentru fluxuri de lucru lungi, cu mai mulți pași. Rezultatul este o muncă care este atât mai profundă, cât și mai ieftină. Computer mută efortul utilizatorului de la execuția manuală la supraveghere, extinzând gama a ceea ce utilizatorii pot realiza atât în interiorul, cât și în afara propriilor domenii de expertiză.

Adopția și cazurile de utilizare ale Computer

Computer a fost lansat pe 25 februarie 2026 și a crescut rapid în primele trei luni.

Interogările cumulate pentru Computer au ajuns la 84× din totalul primei săptămâni până pe 27 mai. Ca punct de referință, utilizarea cumulată a Search în rândul utilizatorilor Computer a ajuns la 14× din totalul primei săptămâni, fiind mai mare decât creșterea de 12× pentru utilizatorii care nu folosesc Computer.

Chiar și după potrivirea utilizatorilor Computer și a celor care nu folosesc Computer în funcție de nivelul de abonament, subiectul principal de căutare și intensitatea anterioară a căutărilor, o comparație de tip diferențe-în-diferențe arată că adoptarea Computer crește utilizarea Search: utilizatorii Computer efectuează cu 1,05 interogări Search în plus pe zi în comparație cu utilizatorii similari care nu folosesc Computer.

Într-un eșantion aleatoriu de 100.000 de interogări Computer, CERCETAREA și Analiza a fost cea mai mare categorie de sarcini, cu 25,8%, urmată de Crearea de documente și active, cu 18,6%. Mixul de sarcini observat înclină spre munca generativă: documente, foi de calcul, baze de cod, site-uri web și fluxuri de lucru care necesită muncă în mai multe instrumente.

Trecând la domenii, utilizarea a fost distribuită pe scară largă în Software și IT, Finanțe și Investiții, Marketing și Vânzări, Operațiuni Comerciale, Asistență Medicală, Educație, Juridic și Media.

Autonomie și calitate superioară

Cel mai direct semnal al autonomiei este durata de funcționare a sistemului fără intervenție umană după ce utilizatorul trimite o solicitare. Search returnează de obicei un răspuns în câteva secunde. Computer continuă adesea să lucreze timp de minute sau chiar ore: căutând, navigând, scriind, editând, executând cod și verificând rezultatele intermediare.

Folosim sesiuni Search și Computer cu interogări inițiale aproape identice ca proxy pentru aceeași sarcină încercată cu ambele produse. Din 10.000 de perechi potrivite, Computer efectuează în medie 26 de minute de execuție a mașinii per sesiune, față de 33 de secunde pentru Search. Aceasta reprezintă o creștere de 48× a muncii mașinii pentru practic aceleași sarcini. La mediană, diferența este de 9 minute față de 14 secunde, adică 40×. Împărțirea pe domenii arată același model: Computer efectuează de aproximativ 26–75× mai multă muncă a mașinii în toate cele 18 domenii.

Autonomia de mai lungă durată nu s-a tradus într-un abandon mai mare. Evenimentele de oprire de către utilizator au fost similare în toate produsele: 3,7% din sesiunile Computer și 3,4% din sesiunile Search au conținut cel puțin un eveniment de oprire de către utilizator. Computer s-a oprit mai des pentru introducerea de date de către utilizator: 13% dintre interogările Computer au apelat cel puțin un instrument de pauză pentru utilizator, comparativ cu 0,3% pentru Search, de obicei pentru a solicita aprobarea sau a pune întrebări lămuritoare. Acesta este modelul așteptat pentru un agent: poate continua autonom majoritatea timpului, dar are nevoie de puncte de control pentru a obține permisiunea și a confirma ceea ce își dorește utilizatorul.

De asemenea, Computer înlănțuiește mult mai multe apeluri de instrumente externe – prin Protocolul de Context al Modelului (MCP) sau puncte finale de Interfață de Programare a Aplicațiilor (API) – într-o singură sesiune, efectuând o muncă pe care un utilizator Search ar face-o altfel manual în aplicații separate. 7,9% dintre sesiunile Computer efectuează cel puțin un apel de conector, comparativ cu 1,8% dintre sesiunile Search (un ecart de 4×), iar Computer are în medie 1,19 apeluri de conector per sesiune, comparativ cu 0,10 pentru Search (un raport de 12×). Cu alte cuvinte, Computer nu doar rulează mai mult timp; el se extinde la mai multe servicii conectate ale unui utilizator pentru a extrage date și a lua măsuri.

Comportamentul de follow-up se schimbă, de asemenea, în compoziție. Într-un eșantion cu mai multe tururi de 1.000 de perechi, propensiunea generală spre avansarea sarcinilor este aproape identică în toate produsele (52,7% dintre follow-up-urile Computer față de 52,9% pentru Search), dar ceea ce cer utilizatorii se schimbă: deoarece Computer returnează un livrabil mai complet de la început, utilizatorii săi substituie extinderile cu aprofundări clarificatoare (extinderi 14,2% față de 12,5%; aprofundări 22,0% față de 23,4%). Utilizatorii Computer își petrec, de asemenea, puțin mai mult din follow-up-uri revizuind și corectând rezultatele (24,6% față de 23,6%), în timp ce Search are o pondere mai mare de directive scurte, cum ar fi confirmări, reîncercări și cereri de format (11,6% față de 9,9%) pe care Computer le include în rularea sa inițială. Cu alte cuvinte, Search creează bucle mai scurte de rezumat și executare; Computer creează bucle mai lungi de revizuire și extindere.

Cel mai important, calitatea nu a scăzut odată cu o autonomie mai mare. Pe sesiunile potrivite cu mai multe tururi, insatisfacția semnificativă la turul următor a fost de 1,3% pentru Computer față de 2,9% pentru Search, o reducere de 55%. Orice insatisfacție, inclusiv semnalele minore, a fost de 10,8% pentru Computer față de 16,6% pentru Search.

Câștiguri de eficiență din autonomie

O autonomie mai mare înlocuiește munca umană manuală cu calculul automat, ceea ce sporește eficiența. Pentru a cuantifica acest efect, comparăm două setări pe aceleași sarcini potrivite.

Search + Om: Search se ocupă de preluare și sinteză; omul execută manual.

Computer + Om: Computer efectuează fluxul de lucru; omul stabilește domeniul de aplicare al sarcinii și revizuiește rezultatul.

Nu putem observa direct cât timp i-ar lua unei persoane să efectueze o sarcină, așa că facem triangulație cu trei estimări independente:

Estimare bazată pe instrumente: Clasificăm apelurile de instrumente ale Computer în două categorii: „Căutare” („Search”) și „De făcut” („Do”). Instrumentele de căutare corespund pașilor de preluare și sinteză a informațiilor care sunt deja gestionați de produsul Search. Instrumentele de acțiune reprezintă pașii de execuție pe care un om ar trebui să îi efectueze manual atunci când utilizează singur Search. Estimăm apoi timpul necesar unui profesionist experimentat pentru a efectua aceste acțiuni „De făcut” („Do”).

Estimare bazată pe LLM: Introducem interogări din sesiunile Computer într-un LLM pentru a estima timpul necesar unui profesionist calificat care primește răspunsuri de la Search, dar trebuie să efectueze manual toți pașii de execuție.

Estimare raportată de utilizator: Efectuăm 25 de interviuri semi-structurate cu utilizatori activi de Computer din diferite domenii și obținem fluxurile de lucru anterioare utilizării Computer și timpul pe care l-ar fi luat acele fluxuri de lucru.

Conform estimării bazate pe instrumente, sarcina medie Search + Om durează 269 de minute, în timp ce fluxul de lucru corespunzător Computer + Om durează 36 de minute. Aceasta reprezintă o reducere de 87% a timpului de sarcină.

Pentru a traduce timpul de sarcină în cost, folosim salariile orare medii specifice domeniului din datele din mai 2025 ale Biroului de Statistică a Muncii din S.U.A., privind Statisticile Ocupaționale de Ocupare și Salarizare (BLS OEWS) (U.S. Bureau of Labor Statistics 2026). Combinând costul modelului cu costul forței de muncă umane specifice domeniului, Computer reduce costul estimat al sarcinii cu 94% în medie.

Avantajul eficienței apare în toate cele 18 domenii, cu economii de timp de 79–92% și economii de costuri de 87–96%. Programarea este cel mai extrem caz: 596 de minute pentru Search + Om versus 48 de minute pentru Computer + Om – o reducere de 92% a timpului care aduce o reducere de 96% a costurilor. Afacerile, Tehnologia, Educația și Scriere arată, de asemenea, câștiguri mari. Economiile de timp tind să se traducă în economii mai mari de costuri în domeniile cu salarii mai mari.

Cât de robust este acest rezultat? Luați în considerare un prag de rentabilitate: pentru ca Search + Om să egaleze costul Computer + Om, un profesionist ar trebui să finalizeze fiecare pas manual în 14–24 de minute (mediana 18). Computer își păstrează avantajul în fiecare domeniu chiar și în condițiile unor ipoteze mai conservatoare: de exemplu, o supraestimare de 8× a timpului per instrument sau o subestimare de 12× a timpului de supraveghere al Computer.

Estimarea bazată pe LLM produce rezultate agregate similare: o reducere de 84% a timpului și o reducere de 93% a costului în general. Interviurile cu utilizatorii arată o gamă mult mai largă de rezultate – de la 5× la peste 300× accelerări –, reflectând probabil o variație substanțială a liniilor de bază anterioare utilizării Computer ale utilizatorilor. Accelerarea mediană în rândul participanților este de 25×, corespunzând unei reduceri de 96% a timpului.

Domeniul de aplicare a sarcinilor se extinde orizontal și vertical

Viteza și costul pentru sarcini potrivite surprind doar o parte din poveste. Forma muncii s-ar putea schimba, de asemenea. Pe măsură ce Computer înlocuiește execuția manuală cu calculul automat, utilizatorii pot prelua diferite tipuri de muncă – sarcini care depășesc granițele ocupaționale și care necesită niveluri mai înalte de expertiză.

În primul rând, întrebăm dacă utilizatorii lucrează în afara clusterului lor ocupațional principal inferat mai des cu Computer decât cu Search. În al doilea rând, comparăm interogările Computer și Search de la aceiași utilizatori folosind cinci clasificări la nivel de sarcină: Taxonomia revizuită a lui Bloom (Anderson și Krathwohl 2001), munca abstractă versus cea de rutină în tradiția conținutului sarcinilor (Autor, Levy și Murnane 2003), amploarea cunoștințelor O*NET (National Center for O*NET Development 2026), amploarea activității de muncă O*NET și sarcini noi care nu au fost încercate cu Search.

Schimbarea orizontală este evidentă în date. Într-un eșantion de 8.000 de utilizatori din opt clustere ocupaționale, folosind toate interogările lor, utilizatorii Computer lucrează în afara ocupației lor principale 59% din timp, comparativ cu 50% pentru Search. Cele mai mari creșteri apar în Management și Antreprenoriat, Tehnologie Digitală, Arte și Design, și Asistență Medicală și Servicii Umane. Interogările de căutare inter-ocupaționale sunt concentrate în Tehnologia Digitală, în timp ce interogările Computer delegă muncă care trece în domenii mai diverse în care utilizatorii ar avea nevoie altfel de specialiști.

Schimbarea verticală este și mai mare. Într-un eșantion de 5.000 de interogări Computer și 5.000 de interogări Search din același set de utilizatori de produse duale, interogările Computer sunt mai complexe din punct de vedere cognitiv decât interogările Search. Pe Taxonomia revizuită a lui Bloom, 76% dintre interogările Computer necesită o cogniție de ordin superior, comparativ cu 55% pentru Search. Diferența este concentrată în vârf: 50% dintre interogările Computer sunt sarcini la nivel de Creare, comparativ cu 26% pentru Search. Search are o masă mult mai mare la căutarea factuală la nivel de Reamintire. Pe dimensiunea tipului de sarcină abstractă versus de rutină, 71% dintre interogările Computer implică o cogniție abstractă, non-rutină, față de 53% pentru Search.

Sarcinile Computer se bazează, de asemenea, pe mai multe domenii de cunoștințe. Sarcina medie Computer necesită expertiză substanțială în 2,40 zone de cunoștințe O*NET, comparativ cu 1,74 pentru Search, o creștere de 38%. Computer este de aproape trei ori mai predispus decât Search să necesite trei sau mai multe domenii de cunoștințe: 51% față de 17%.

La nivelul activității de muncă, același model se menține. O interogare tipică Computer implică 2,95 activități de muncă generalizate O*NET și 4,01 activități de muncă intermediare, comparativ cu 2,24 și 2,87 pentru Search, o creștere de 32% și, respectiv, 40%. La niveluri mai fine, Computer implică cu 59% mai multe activități de muncă detaliate și cu 60% mai multe declarații de sarcini specifice ocupației.

Cea mai revelatoare măsură este setul de sarcini care apar în Computer, dar nu și în Search în rândul acelorași utilizatori. La cea mai strictă definiție, în care o declarație de sarcină apare în Computer și nu apare niciodată în eșantionul Search asociat, 23% dintre interogările Computer implică cel puțin o declarație de sarcină exclusivă pentru Computer. Relaxarea pragului pentru a permite până la cinci apariții Search ridică cota la 38% și se stabilizează în apropierea valorii de 41%. Aceste activități exclusive pentru Computer se concentrează în dezvoltarea de software și web, producția de documentație și vizualizarea datelor sau grafică. Exact acolo unde execuția autonomă contează cel mai mult: Search explică; Computer produce.

Discuție

Majoritatea dovezilor privind AI la locul de muncă se concentrează pe mediul asistentului. Această literatură a arătat câștiguri mari de productivitate în augmentarea scrierii, a asistenței pentru clienți, a codării și a consultanței (de exemplu, Noy și Zhang 2023; Brynjolfsson, Li și Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

Agenții schimbă comportamentul utilizatorilor și rezultatele economice ulterioare. Implementările de producțiecep să dezvăluie utilizarea și impactul agenților în setări din lumea reală, dar sunt concentrate în mare parte pe agenți de codare specializați și agenți de browser timpurii (de exemplu, Sarkar 2026; McCain et al. 2026; Demirer, Musolff și Yang 2026; Yang et al. 2025). Completăm această muncă și facem legătura între literatura despre asistenți și cea despre agenți prin compararea interacțiunii utilizatorilor cu un orchestrator de agenți de uz general versus un asistent conversațional și prin extinderea analizei impactului ulterior la o gamă mai largă de activități bazate pe cunoaștere.

Trecem, de asemenea, de la expunere la recompunerea realizată a sarcinilor. Lucrările anterioare estimează ce ocupații sunt expuse la AI folosind descrierile sarcinilor și structura ocupațională (de exemplu, Eloundou et al. 2024; Felten, Raj și Seamans 2023), în timp ce măsurătorile bazate pe utilizare arată decalajul dintre expunere și implementare (Massenkoff și McCrory 2026). Documentăm modul în care compoziția sarcinilor se schimbă odată cu accesul la agenți.

Menționăm câteva avertismente. În primul rând, fereastra de observație este timpurie, iar primii adoptatori înclină spre cei nativi în AI. De asemenea, utilizatorii experimentează în mod activ și își adaptează fluxurile de lucru într-un peisaj de produse în evoluție rapidă, astfel încât aceste modele se pot schimba în timp. În al doilea rând, designul interogărilor potrivite bazat pe sesiuni exclude multe sarcini Computer care nu au un echivalent Search apropiat. Deși sesiunile oferă o modalitate naturală de segmentare a sarcinilor, utilizatorii nu urmează întotdeauna această structură în practică, făcând din sesiuni un proxy cu zgomot pentru unitățile de sarcini. În al treilea rând, estimările privind eficiența depind în mod critic de ipotezele privind timpul instrumentului echivalent uman și timpul de supraveghere umană. Deși estimările bazate pe LLM și interviurile cu utilizatorii indică aceeași direcție, iar analizele de prag de rentabilitate și de sensibilitate indică robustețe, magnitudinile exacte trebuie citite ca fiind aproximative. În mod similar, erorile de clasificare LLM introduc zgomot de măsurare suplimentar. În cele din urmă, observăm comportamentul utilizatorilor doar în cadrul ecosistemului Perplexity și nu surprindem activitatea din afara acestuia, ceea ce ne poate limita viziunea asupra activităților de muncă complete ale utilizatorilor și a utilizării instrumentelor.

Privind în viitor

Agenții fac ca sarcinile existente să fie mai rapide și mai ieftine și, mai important, fac ca sarcinile care acoperă granițele ocupaționale și nivelurile de expertiză să devină viabile.

Atunci când un sistem poate căuta, naviga, scrie cod, edita fișiere, se poate conecta la servicii și poate produce livrabile, blocajul utilizatorului se mută. Ei petrec mai puțin timp operând fluxul de lucru și mai mult timp specificând obiectivele, furnizând context, verificând rezultatele și cerând extinderi. Utilizatorul trece de la operator la supraveghetor.

La nivel individual, această schimbare extinde frontiera sarcinilor, permițând utilizatorilor să preia muncă care este atât mai amplă, cât și mai profundă. La nivel organizațional și al pieței muncii, modul în care se agregă aceste schimbări la micro-nivel rămâne o întrebare deschisă. Dacă un singur individ, echipat cu agenți, poate finaliza fluxuri de lucru care anterior necesitau mai multe roluri, atunci impactul pe termen lung al agenților nu va fi capturat doar de valorile vitezei și costului. În schimb, se va manifesta în modul în care este grupată munca, în modul în care sunt definite rolurile și în modul în care sunt structurate echipele.

Pentru a afla mai multe despre metodologia și concluziile noastre, citiți raportul tehnic complet.

Referințe

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

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

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