Как ИИ-агенты меняют характер интеллектуального труда

Системы передового ИИ сокращают разрыв между интеллектуальными возможностями моделей и их практическим применением в реальном мире. Новые модели, вычислительные архитектуры и шаблоны оркестрации позволяют этим системам выполнять задачи, которые еще несколько месяцев назад считались невыполнимыми.

Эта стремительная инновация стала подспорьем для пользователей ИИ, значительно увеличив их возможности и продуктивность. Тем не менее, она также создала временной лаг между технологическим прогрессом и нашим пониманием того, как именно интеллектуальная деятельность эволюционирует в ответ на эти изменения. Как передовой ИИ меняет характер интеллектуального труда в различных профессиях? Какие структурные и экономические трансформации мы можем ожидать в этой сфере?

Мы стремимся сократить этот разрыв посредством тщательного эмпирического анализа использования Perplexity. Сегодня в сотрудничестве с исследователями Гарвардской школы бизнеса мы делимся нашим первым комплексным исследованием использования Perplexity Computer в реальных условиях. Наши выводы показывают, что Computer расширяет как широту, так и глубину задач, которые пользователи могут выполнять с меньшими затратами. Пользователи Computer успевают сделать больше, работая на более высоких уровнях абстракции и выходя за рамки своих дисциплин, чтобы создавать ценность вне своих профессиональных областей.

В этой статье представлены основные результаты нашего исследования. Подробная методология и полученные данные доступны в нашем техническом отчете.

Первыми массовыми системами генеративного ИИ были разговорные помощники, поддерживающие диалог с пользователями. Эти помощники выступают посредниками между намерением и действием. Они отвечают на вопросы, объясняют компромиссы и предлагают дальнейшие шаги. Затем пользователю приходится самостоятельно преобразовывать полученный ответ в работу: открывать нужные инструменты, собирать файлы, редактировать документы, проверять промежуточные результаты и принимать решения о дальнейших действиях.

Агенты меняют это разделение труда. Пользователь определяет желаемый результат, а система планирует работу с использованием инструментов, выполняет промежуточные этапы, при необходимости запрашивает недостающие данные и предоставляет готовый результат. Агенты меняют использование ИИ с простого поиска и синтеза информации на автономное планирование и выполнение задач.

Эта траектория отражает развитие собственного продукта Perplexity. В 2022 году мы запустили Search, который определил категорию поисковых систем, предоставив пользователям возможность задавать вопросы и получать ответы, подкрепленные проверяемыми источниками из миллиардов документов. В 2025 году мы представили браузер Comet со встроенным веб-агентом, который рассуждает и действует вместе с пользователями в открытой сети. А в 2026 году мы запустили Computer — универсальный оркестратор агентов, который автономно работает над достижением поставленных пользователем целей в сложных средах и на длительных временных горизонтах.

Как этот переход меняет наш подход к работе? Мы исследуем этот вопрос, используя данные наших продуктов Search и Computer, фокусируясь на трех аспектах:

Автономия: какой объем автономной работы выполняет Computer по сравнению с Search при решении одной и той же задачи?

Эффективность: сколько времени и затрат на труд экономит Computer по сравнению с Search при решении одной и той же задачи?

Масштаб: как Computer меняет спектр задач, за которые берутся пользователи?

Мы обнаружили, что такие агенты, как Computer, требуют больше усилий от пользователя на начальном этапе (поскольку пользователи должны четко определить делегируемые цели и проверить результаты), но значительно меньше человеческих усилий на единицу работы (благодаря более автономному исполнению). Это делает их особенно эффективными для длительных, многоэтапных рабочих процессов. Результатом является работа, которая одновременно более глубокая и менее затратная. Computer переключает усилия пользователя с ручного исполнения на контроль, расширяя диапазон того, что пользователи могут достичь как внутри, так и за пределами своих областей знаний.

Computer был запущен 25 февраля 2026 года и быстро развивался в течение первых трех месяцев.

К 27 мая совокупное количество запросов к Computer достигло 84-кратного объема по сравнению с первой неделей. Для сравнения, совокупное использование Search среди пользователей Computer достигло 14-кратного показателя по сравнению с первой неделей, что выше 12-кратного роста среди пользователей, не использующих Computer.

Даже после сопоставления пользователей Computer и пользователей без Computer по тарифному плану, основной тематике поиска и интенсивности предыдущих поисков, сравнительный анализ «разность разностей» показывает, что внедрение Computer увеличивает использование Search: пользователи Computer делают на 1,05 поискового запроса в день больше, чем аналогичные пользователи без Computer.

Совокупный рост индексирован по отношению к первой неделе каждой серии. Объем запросов к Computer достиг 84-кратного совокупного объема первой недели в период с 27 февраля по 27 мая.

В случайной выборке из 100 000 запросов к Computer категория «Исследования и анализ» стала крупнейшей — 25,8%, за ней следует «Создание документов и активов» с 18,6%. Наблюдаемое распределение задач смещено в сторону генеративной работы: документов, электронных таблиц, кодовых баз, веб-сайтов и рабочих процессов, требующих взаимодействия с несколькими инструментами.

Если говорить о предметных областях, использование было широко распределено между программным обеспечением и ИТ, финансами и инвестициями, маркетингом и продажами, бизнес-операциями, здравоохранением, образованием, юриспруденцией и медиа.

Сценарии использования Computer по категориям задач и предметным областям. Исследования, анализ, создание документов, программное обеспечение, финансы, бизнес-операции и личные рабочие процессы — все это представлено весьма заметно.

Наиболее прямой признак автономии — это время, в течение которого система работает без вмешательства человека после того, как пользователь отправил запрос. Search обычно возвращает ответ за считанные секунды. Computer часто продолжает работать в течение нескольких минут или даже часов: выполняя поиск, просмотр, написание, редактирование, запуск кода и проверку промежуточных результатов.

Мы используем сеансы Search и Computer с почти идентичными начальными запросами в качестве аппроксимации одной и той же задачи, выполняемой с помощью обоих продуктов. В 10 000 сопоставленных пар Computer выполняет в среднем 26 минут машинного исполнения за сеанс, по сравнению с 33 секундами для Search. Это 48-кратное увеличение объема машинной работы при выполнении практически одних и тех же задач. В медианном значении разрыв составляет 9 минут против 14 секунд, или 40-кратное увеличение. Разделение по доменам демонстрирует тот же шаблон: Computer выполняет примерно в 26–75 раз больше машинной работы во всех 18 областях.

Время машинного исполнения за сеанс для сопоставленных сеансов Computer и Search. Search сконцентрирован в области короткого времени отклика; Computer имеет более широкое распределение, сосредоточенное вокруг длительного автономного исполнения. Среднее время исполнения Computer (26 минут) намного выше медианного (9 минут), что указывает на «длинный хвост» сложных запросов с длительным горизонтом выполнения.

Среднее время машинного исполнения по доменам. Computer выполняет гораздо больше работы за сеанс, поскольку каждый шаг пользователя инициирует последующее выполнение, а не просто дает разговорный ответ.

Более длительная автономия не привела к увеличению числа случаев отказа от использования. События остановки пользователем были схожими для обоих продуктов: 3,7% сеансов Computer и 3,4% сеансов Search содержали как минимум одно событие остановки пользователем. Computer чаще делал паузы для получения пользовательского ввода: 13% запросов к Computer вызывали как минимум одну паузу для использования инструмента по сравнению с 0,3% для Search, обычно для запроса подтверждения или уточняющих вопросов. Это ожидаемый шаблон для агента: он может действовать автономно большую часть времени, но ему нужны контрольные точки, чтобы получить разрешение и подтвердить намерения пользователя.

Computer также объединяет гораздо больше вызовов внешних инструментов — через протокол контекста модели (MCP) или конечные точки прикладного программного интерфейса (API) — в рамках одного сеанса, выполняя работу, которую пользователь Search в противном случае делал бы вручную в отдельных приложениях. 7,9% сеансов Computer используют как минимум один вызов коннектора по сравнению с 1,8% сеансов Search (4-кратный разрыв), а Computer совершает в среднем 1,19 вызова коннектора за сеанс по сравнению с 0,10 для Search (12-кратное соотношение). Другими словами, Computer не просто работает дольше; он охватывает больше подключенных сервисов пользователя для получения данных и принятия мер.

Поведение при последующих запросах также меняется по составу. В выборке из 1 000 пар с многошаговыми запросами общая склонность к продвижению по задаче почти идентична для обоих продуктов (52,7% для Computer против 52,9% для Search), но то, о чем просят пользователи, меняется: поскольку Computer сразу возвращает более полный результат, его пользователи заменяют уточняющие вопросы на расширения (расширения 14,2% против 12,5%; уточняющие вопросы 22,0% против 23,4%). Пользователи Computer также тратят немного больше последующих запросов на проверку и доработку вывода (24,6% против 23,6%), в то время как Search чаще используется для коротких директив, таких как подтверждения, повторные попытки и запросы формата (11,6% против 9,9%), которые Computer включает в свой начальный запуск. Иными словами, Search создает более короткие циклы «понимание и исполнение»; Computer создает более длинные циклы «обзор и расширение».

Что наиболее важно, качество не снизилось при более высокой автономии. В сопоставленных многошаговых сеансах значительное недовольство на следующем шаге составило 1,3% для Computer против 2,9% для Search, что означает снижение на 55%. Любое недовольство, включая легкие сигналы, составило 10,8% для Computer против 16,6% для Search.

Сигналы недовольства на следующем этапе в сопоставленной выборке с многошаговыми запросами. Столбцы могут не суммироваться ровно до 100% из-за округления.

Более высокая автономия заменяет ручной труд человека машинным вычислением, что повышает эффективность. Чтобы количественно оценить этот эффект, мы сравниваем две установки при выполнении одних и тех же сопоставленных задач.

Search + Человек: Search отвечает за поиск и синтез; человек выполняет действия вручную.

Computer + Человек: Computer выполняет рабочий процесс; человек определяет масштаб задачи и проверяет результат.

Мы не можем напрямую наблюдать, сколько времени задача заняла бы у человека, поэтому мы проводим триангуляцию с помощью трех независимых оценок:

Оценка на основе инструментов: Мы классифицируем вызовы инструментов Computer на две категории: «Поиск» и «Действие». Инструменты поиска соответствуют этапам поиска и синтеза информации, которые уже обрабатываются продуктом Search. Инструменты действия представляют собой этапы выполнения, которые человеку пришлось бы выполнять вручную при использовании только Search. Затем мы оцениваем время, необходимое опытному специалисту для выполнения этих действий категории «Действие».

Оценка на основе LLM: Мы передаем запросы из сеансов Computer в LLM, чтобы оценить время, необходимое квалифицированному специалисту, который получает ответы от Search, но должен выполнять все этапы исполнения вручную.

Оценка на основе сообщений пользователей: Мы проводим 25 полуструктурированных интервью с активными пользователями Computer в различных областях и выясняем их рабочие процессы до появления Computer и время, которое эти рабочие процессы занимали.

Классификация инструментов, используемая в оценке на основе инструментов. Инструменты «Поиск» отражают возможности, которые уже предоставляет Search, поэтому время ручной работы не учитывается. Инструменты «Действие» требуют от человека реагирования на результаты исследования Search; поминутные оценки для каждого вызова приблизительно соответствуют времени, которое квалифицированный специалист потратил бы на выполнение эквивалентного действия вручную.

Согласно оценке на основе инструментов, средняя задача Search + Человек занимает 269 минут, в то время как соответствующий рабочий процесс Computer + Человек занимает 36 минут. Это сокращение времени выполнения задачи на 87%.

Чтобы перевести время выполнения задачи в стоимость, мы используем среднюю почасовую заработную плату по отраслям из данных Статистического управления труда США по профессиональной занятости и заработной плате (BLS OEWS) за май 2025 года (Статистическое управление труда США, 2026). Сочетая стоимость модели с отраслевой стоимостью человеческого труда, Computer снижает оценочную стоимость задачи в среднем на 94%.

Оценочное время и стоимость задачи для Search + Человек против Computer + Человек. Человеческий труд доминирует в базе Search + Человек, в то время как Computer переносит большую часть работы на исполнение моделью и инструментами.

Процент сэкономленного времени и затрат с помощью Computer + Человек по сравнению с Search + Человек, с множителями в скобках (например, 94% (16×) означает, что Computer + Человек дешевле на 94% или в 16 раз). Стоимость человеческого труда использует среднюю почасовую заработную плату BLS OEWS за май 2025 года.

Преимущество в эффективности проявляется во всех 18 областях, обеспечивая экономию времени на 79–92% и экономию затрат на 87–96%. Программирование — самый экстремальный случай: 596 минут для Search + Человек против 48 минут для Computer + Человек — сокращение времени на 92%, что дает экономию затрат на 96%. Бизнес, технологии, образование и писательство также показывают значительные результаты. Экономия времени, как правило, приводит к большей экономии затрат в высокооплачиваемых областях.

Насколько надежен этот результат? Рассмотрим точку безубыточности: чтобы затраты на Search + Человек сравнялись с затратами на Computer + Человек, специалисту нужно было бы завершать каждый ручной этап за 14–24 минуты (медиана 18). Computer сохраняет свое преимущество в каждой области даже при более консервативных допущениях: например, при 8-кратной переоценке времени на инструмент или 12-кратной недооценке времени контроля со стороны Computer.

Оценка на основе LLM дает схожие совокупные результаты: снижение времени на 84% и снижение затрат на 93% в целом. Интервью с пользователями показывают гораздо более широкий диапазон результатов — от 5-кратного до более чем 300-кратного ускорения — вероятно, отражая существенные различия в базовых показателях пользователей до использования Computer. Медианное ускорение среди участников составляет 25-кратное, что соответствует сокращению времени на 96%.

Скорость и стоимость при выполнении сопоставленных задач — это лишь часть истории. Характер работы также может измениться. Поскольку Computer заменяет ручное исполнение машинным вычислением, пользователи могут браться за другие виды работы — задачи, которые пересекают профессиональные границы и требуют более высокого уровня квалификации.

Во-первых, мы задаемся вопросом, работают ли пользователи чаще за пределами своего предполагаемого основного профессионального кластера с Computer, чем с Search. Во-вторых, мы сравниваем запросы Computer и Search от одних и тех же пользователей, используя пять классификаций на уровне задач: пересмотренная таксономия Блума (Anderson and Krathwohl 2001), абстрактная работа против рутинной в контексте содержания задач (Autor, Levy, and Murnane 2003), широта знаний O*NET (Национальный центр разработки O*NET 2026), широта рабочей деятельности O*NET и новые задачи, которые не предпринимались с помощью Search.

Горизонтальный сдвиг заметен в данных. В выборке из 8 000 пользователей из восьми профессиональных кластеров, использующих все свои запросы, пользователи Computer работают вне своей основной профессии 59% времени по сравнению с 50% для Search. Наибольший рост наблюдается в управлении и предпринимательстве, цифровых технологиях, искусстве и дизайне, а также в здравоохранении и социальных услугах. Поисковые запросы по другим профессиям сконцентрированы в области цифровых технологий, тогда как запросы Computer делегируют работу, которая пересекается с более разнообразными областями, где пользователям в противном случае потребовались бы специалисты.

Потоки задач между профессиями по восьми профессиональным кластерам. Изогнутые дуги показывают основные пункты назначения каждого кластера, при этом ширина линии пропорциональна доле назначения, а тип линии указывает на ранг. Search концентрирует потоки между профессиями в цифровых технологиях, в то время как Computer распределяет потоки между маркетингом, управлением, финансовыми услугами и другими исполнительными пунктами назначения.

Вертикальный сдвиг еще больше. В выборке из 5 000 запросов к Computer и 5 000 запросов к Search от одной и той же группы пользователей, использующих оба продукта, запросы к Computer когнитивно сложнее, чем запросы к Search. Согласно пересмотренной таксономии Блума, 76% запросов к Computer требуют когнитивных способностей более высокого порядка, по сравнению с 55% для Search. Разница сосредоточена на вершине: 50% запросов к Computer — это задачи уровня «Создание», по сравнению с 26% для Search. Search имеет гораздо большую массу на уровне фактологического поиска («Запоминание»). В измерении «абстрактный против рутинного типа задач» 71% запросов к Computer связаны с абстрактным, нерутинным мышлением против 53% для Search.

Когнитивная сложность запросов к Computer и Search. Computer решительно смещается в сторону работы уровня «Создание» и абстрактной нерутинной работы.

Задачи Computer также опираются на большее количество областей знаний. Средняя задача Computer требует существенного опыта в 2,40 областях знаний O*NET по сравнению с 1,74 для Search, что означает увеличение на 38%. Вероятность того, что Computer потребует три или более областей знаний, почти в три раза выше, чем у Search: 51% против 17%.

Необходимые области знаний на запрос. Сеансы Computer концентрируются на двух-трех областях и гораздо чаще требуют широкой экспертизы.

На уровне рабочей деятельности наблюдается та же картина. Типичный запрос к Computer включает 2,95 обобщенных видов деятельности O*NET и 4,01 промежуточных видов деятельности по сравнению с 2,24 и 2,87 для Search, что означает увеличение на 32% и 40%. На более детальных уровнях Computer вовлекает на 59% больше подробных видов деятельности и на 60% больше должностных инструкций, специфичных для профессии.

Широта задач-действий на запрос по уровням вложенности O*NET. Computer смещает распределение вправо на уровнях промежуточных, детальных и формулировок задач.

Наиболее показательной мерой является набор задач, которые появляются в Computer, но не в Search среди одних и тех же пользователей. При самом строгом определении, когда формулировка задачи появляется в Computer и никогда не встречается в сопоставленной выборке Search, 23% запросов к Computer включают как минимум одну задачу, специфичную только для Computer. Смягчение порога до пяти случаев появления в Search увеличивает эту долю до 38%, и она достигает плато около 41%. Эта деятельность, характерная только для Computer, концентрируется в разработке программного обеспечения и веб-сайтов, производстве документации, а также визуализации данных или графике. Это именно то, где автономное исполнение имеет наибольшее значение: Search объясняет, Computer производит.

Доля запросов к Computer, которые вовлекают как минимум одну деятельность O*NET, характерную только для Computer, при различных порогах вхождения. Наиболее сильное разделение проявляется на уровне детализированных формулировок задач.

Большинство данных об ИИ на рабочем месте фокусируются на среде помощника. Эта литература показала значительный прирост производительности при расширении возможностей письма, поддержки клиентов, программирования и консалтинга (например, Noy and Zhang 2023; Brynjolfsson, Li, and Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

Агенты меняют поведение пользователей и последующие экономические результаты. Внедрение в производство начинает раскрывать использование агентов и их влияние в реальных условиях, но в основном сосредоточено на специализированных агентах для написания кода и ранних браузерных агентах (например, Sarkar 2026; McCain et al. 2026; Demirer, Musolff, and Yang 2026; Yang et al. 2025). Мы дополняем эту работу и соединяем литературу о помощниках и агентах, сравнивая взаимодействие пользователя с универсальным оркестратором агентов и разговорным помощником, а также расширяя анализ последующего влияния на более широкий спектр интеллектуальной работы.

Мы также переходим от анализа воздействия к реализованной рекомпозиции задач. Предыдущие работы оценивают, какие профессии подвержены влиянию ИИ, используя описания задач и профессиональную структуру (например, Eloundou et al. 2024; Felten, Raj, and Seamans 2023), в то время как меры, основанные на использовании, показывают разрыв между воздействием и внедрением (Massenkoff and McCrory 2026). Мы документируем, как меняется состав задач с доступом к агентам.

Мы отмечаем несколько оговорок. Во-первых, окно наблюдения раннее, и ранние пользователи склонны быть «цифровыми аборигенами» в сфере ИИ. Пользователи также активно экспериментируют и адаптируют свои рабочие процессы в быстро меняющемся ландшафте продуктов, поэтому эти паттерны могут со временем меняться. Во-вторых, дизайн с сопоставлением запросов на основе сеансов исключает многие задачи Computer, не имеющие близкого эквивалента в Search. Хотя сеансы обеспечивают естественный способ сегментирования задач, пользователи не всегда следуют этой структуре на практике, что делает сеансы шумной аппроксимацией единиц задач. В-третьих, оценки эффективности критически зависят от допущений о времени использования инструментов, эквивалентном человеческому, и времени контроля со стороны человека. Хотя оценки на основе LLM и интервью с пользователями указывают на одно и то же направление, а анализ безубыточности и чувствительности подтверждают надежность, точные величины следует рассматривать как приблизительные. Аналогично, ошибка классификации LLM вносит дополнительный шум измерения. Наконец, мы наблюдаем поведение пользователей только в экосистеме Perplexity и не фиксируем активность вне ее, что может ограничивать наш взгляд на полную рабочую деятельность пользователей и их использование инструментов.

Агенты делают существующие задачи быстрее и дешевле — и, что более важно, делают жизнеспособными задачи, охватывающие профессиональные границы и уровни экспертизы.

Когда система может искать, просматривать, писать код, редактировать файлы, подключаться к сервисам и производить результаты, «бутылочное горлышко» пользователя смещается. Они тратят меньше времени на управление рабочим процессом и больше времени на определение целей, предоставление контекста, проверку выводов и запрос расширений. Пользователь переходит от оператора к супервайзеру.

На индивидуальном уровне этот сдвиг расширяет границы задач, позволяя пользователям браться за работу, которая является одновременно более широкой и глубокой. На уровне организации и рынка труда то, как эти микроуровневые изменения агрегируются, остается открытым вопросом. Если один человек, оснащенный агентами, может выполнять рабочие процессы, которые ранее требовали нескольких ролей, то долгосрочное влияние агентов не будет отражено только метриками скорости и стоимости. Вместо этого оно проявится в том, как объединяется работа, как определяются роли и как структурируются команды.

Чтобы узнать больше о нашей методологии и результатах, прочитайте полный технический отчет.

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.

Введение

Внедрение и сценарии использования Computer

Более высокая степень автономии и качество

Повышение эффективности за счет автономии

Масштаб задач расширяется горизонтально и вертикально

Обсуждение

Взгляд в будущее

Список литературы