Ako agenti AI preformátovávajú vedomostnú prácu

Špičkové systémy umelej inteligencie zmenšujú priepasť medzi inteligenciou modelov a ich využiteľnosťou v reálnom svete. Nové modely, výpočtové architektúry a vzorce orchestrácie umožňujú týmto systémom plniť úlohy, ktoré boli ešte pred niekoľkými mesiacmi považované za nemožné.

Táto rýchla inovácia sa ukázala ako prínos pre používateľov AI, pretože zvyšuje ich vplyv a schopnosť konať. Zároveň však vytvorila oneskorenie medzi technologickou hranicou a naším chápaním toho, ako sa v reakcii na to presne vyvíja vedomostná práca. Ako špičková AI meni povahu vedomostnej práce naprieč profesiami? Aké štrukturálne a ekonomické transformácie v tejto práci môžeme očakávať?

Túto medzeru sa snažíme preklenúť dôkladnou empirickou analýzou používania Perplexity. Dnes v spolupráci s výskumníkmi z Harvard Business School zdieľame našu prvú komplexnú štúdiu Perplexity Computer v reálnom nasadení. Naše zistenia naznačujú, že Computer rozširuje šírku aj hĺbku toho, čo môžu používatelia dosiahnuť, a to pri nižších nákladoch. Používatelia Computer zvládajú viac práce, pracujú na vyšších úrovniach abstrakcie a prekračujú disciplinárne hranice, aby odomkli hodnotu mimo svojich vlastných povolaní.

Tento článok prináša najdôležitejšie poznatky z našej štúdie. Podrobná metodológia a zistenia sú k dispozícii v našej technickej správe.

Prvé hlavné systémy generatívnej AI boli konverzačné asistenti, ktorí vedú dialóg s používateľmi. Títo asistenti stoja medzi zámerom a akciou. Odpovedajú na otázky, vysvetľujú kompromisy a navrhujú ďalšie kroky. Používateľ potom musí odpoveď premeniť na prácu: otvoriť tie správne nástroje, zhromaždiť súbory, upraviť dokumenty, skontrolovať čiastočné výstupy a rozhodnúť, čo robiť ďalej.

Agenti túto deľbu práce menia. Používateľ zadá požadovaný výsledok a systém naplánuje postup naprieč nástrojmi, vykoná čiastočné kroky, v prípade potreby požiada o chýbajúce vstupy a vráti hotový výstup. Agenti posúvajú používanie AI od vyhľadávania a syntetizovania informácií k autonómnemu plánovaniu a realizácii úloh.

Tento vývoj vystihuje smerovanie vlastných produktov spoločnosti Perplexity. V roku 2022 sme spustili službu Search, ktorá definovala kategóriu vyhľadávačov odpovedí tým, že umožnila používateľom klásť otázky a získavať odpovede podložené overiteľnými citáciami z miliárd dokumentov. V roku 2025 sme predstavili prehliadač Comet s integrovaným webovým agentom, ktorý uvažuje a koná po boku používateľov na otvorenom webe. A v roku 2026 sme uviedli Computer, univerzálny orchester agentov, ktorý autonómne pracuje na cieľoch zadaných používateľom v zložitých prostrediach a dlhých časových horizontoch.

Ako táto premena mení spôsob našej práce? Túto otázku skúmame pomocou údajov z našich produktov Search a Computer, pričom sa zameriavame na tri dimenzie:

Autonómia: koľko autonómnej práce vykoná Computer v porovnaní so službou Search pri tej istej úlohe?

Efektivita: koľko času a nákladov na prácu uetrí Computer v porovnaní so službou Search pri tej istej úlohe?

Rozsah: ako Computer mení druh práce, o ktorú sa používatelia pokúšajú?

Zisťujeme, že agenti ako Computer vyžadujú viac úsilia používateľa na začiatku (keďže používatelia musia definovať ciele, ktoré sa majú delegovať, a skontrolovať výsledky), ale oveľa menšie ľudské úsilie na jednotku práce (vďaka autonómnejšiemu vykonávaniu). Vďaka tomu sú obzvlášť efektívne pri dlhých, viacokruhových pracovných postupoch. Výsledkom je práca, ktorá je hlbšia a zároveň lacnejšia. Computer presúva úsilie používateľa od manuálneho vykonávania k dohľadu, čím rozširuje rozsah toho, čo môžu používatelia dosiahnuť vo vlastných oblastiach odbornosti aj mimo nich.

Computer bol uvedený na trh 25. februára 2026 a počas prvých troch mesiacov rýchlo rástol.

Kumulatívne dopyty v službe Computer dosiahli do 27. mája 84-násobok celkového objemu z prvého týždňa. Pre porovnanie, kumulatívne používanie služby Search medzi používateľmi Computer dosiahlo 14-násobok objemu z prvého týždňa, čo je viac ako 12-násobný rast u používateľov, ktorí Computer nepoužívajú.

Dokonca aj po zosúladení používateľov služieb Computer a ne-Computer podľa úrovne predplatného, hlavnej témy vyhľadávania a predchádzajúcej intenzity vyhľadávania ukazuje porovnanie rozdielov v rozdieloch, že prijatie Computer zvyšuje používanie Search: používatelia Computer zadajú o 1,05 vyhľadávacích dopytov za deň viac ako podobní používatelia, ktorí Computer nepoužívajú.

Kumulatívny rast indexovaný vzhľadom na prvý týždeň každej série. Objem dopytov Computer dosiahol 84-násobok kumulatívneho súčtu za prvý týždeň počas obdobia od 27. februára do 27. mája. — Kumulatívny rast indexovaný k prvému týždňu každej série. Objem vyhľadávaní cez Computer dosiahol 84-násobok kumulatívneho súčtu za prvý týždeň v období od 27. februára do 27. mája.

V náhodnej vzorke 100 000 dopytov v službe Computer boli Výskum a analýza najväčšou kategóriou úloh s podielom 25,8 %, po ktorej nasledovala Tvorba dokumentov a aktív s 18,6 %. Pozorovaná štruktúra úloh sa prikláňa k tvorivej práci: dokumenty, tabuľky, zdrojové kódy, webové stránky a pracovné postupy, ktoré si vyžadujú prácu naprieč viacerými nástrojmi.

Pokiaľ ide o oblasti, používanie bolo široko distribuované v oblastiach softvéru a IT, financií a investícií, marketingu a predaja, podnikových operácií, zdravotníctva, vzdelávania, práva a médií.

Prípady použitia Computer naprieč kategóriami úloh a doménami. Výskum, analýza, tvorba dokumentov, softvér, financie, podnikové operácie a osobné pracovné postupy sa objavujú popredne.

Najpriamejším signálom autonómie je to, ako dlho systém funguje bez ľudského zásahu po tom, čo používateľ odošle požiadavku. Služba Search zvyčajne vráti odpoveď v priebehu niekoľkých sekúnd. Computer často pracuje ďalej minúty alebo dokonca hodiny: vyhľadáva, prechádza web, píše, upravuje, spúšťa kód a kontroluje čiastočné výsledky.

Na simuláciu rovnakej úlohy s oboma produktmi používame relácie služieb Search a Computer s takmer totožnými počiatočnými dopytmi. V 10 000 pároch s rovnakými charakteristikami vykoná Computer priemerne 26 minút strojového spracovania na jednu reláciu v porovnaní s 33 sekundami v prípade služby Search. To predstavuje 48-násobný nárast strojovej práce pri prakticky rovnakých úlohách. V mediáne je tento rozdiel 9 minút oproti 14 sekundám, teda 40-násobný. Rozdelenie podľa oblastí vykazuje rovnaký vzorec: Computer vykoná približne 26- až 75-násobne viac strojovej práce vo všetkých 18 oblastiach.

Čas strojového spracovania na jednu reláciu pre priradené relácie Computer a Search. Služba Search je koncentrovaná v oblasti krátkych časov odozvy; Computer má širšie rozdelenie so stredom okolo dlhotrvajúceho autonómneho vykonávania. Priemerný čas vykonávania pre Computer (26 minút) je oveľa vyšší ako medián (9 minút), čo naznačuje dlhý chvost zložitých požiadaviek s dlhým horizontom.

Priemerný čas strojového spracovania podľa domény. Computer vykoná oveľa viac práce na jednu reláciu, pretože každý krok používateľa spúšťa nadväzujúce spracovanie namiesto iba konverzačnej odpovede.

Dlhšie trvajúca autonómia neviedla k väčšiemu počtu prerušení. Udalosti zastavenia používateľom boli medzi produktmi podobné: 3,7 % relácií Computer a 3,4 % relácií Search obsahovalo aspoň jednu udalosť zastavenia používateľom. Computer sa však častejšie pozastavil kvôli vstupu od používateľa: 13 % dopytov v službe Computer vyvolalo aspoň jeden nástroj na pozastavenie pre vstup používateľa v porovnaní s 0,3 % v prípade služby Search, zvyčajne za účelom vyžiadania schválenia alebo kladenia objasňujúcich otázok. To je očakávaný vzorec správania agenta: väčšinou môže postupovať autonómne, ale potrebuje kontrolné body na získanie povolenia a potvrdenie toho, čo používateľ chce.

Computer tiež do jednej relácie reťazí oveľa viac volaní externých nástrojov – prostredníctvom protokolov Model Context Protocol (MCP) alebo koncových bodov aplikačného rozhrania (API) – čím robí prácu, ktorú by používateľ služby Search inak musel robiť manuálne v oddelených aplikáciách. 7,9 % relácií Computer uskutoční aspoň jedno volanie konektora v porovnaní s 1,8 % relácií Search (4-násobný rozdiel) a Computer dosahuje v priemere 1,19 volaní konektora na reláciu v porovnaní s 0,10 v prípade Search (12-násobný pomer). Inými slovami, Computer nespustí len dlhšie trvajúce úlohy; siaha do širšieho okruhu pripojených služieb používateľa, aby získal údaje a vykonal akcie.

Mení sa aj zloženie nadväzujúceho správania. Vo vzorke 1 000 párov s viacerými krokmi je celková tendencia k napredovaniu v úlohe takmer totožná pre oba produkty (52,7 % nadväzujúcich krokov v Computer oproti 52,9 % v Search), ale to, o čo používatelia žiadajú, sa posúva: pretože Computer poskytuje na začiatku kompletnejší výstup, jeho používatelia nahrádzajú upresňujúce otázky rozšíreniami (rozšírenia 14,2 % oproti 12,5 %; upresnenia 22,0 % oproti 23,4 %). Používatelia Computer tiež venujú o niečo viac svojich nadväzujúcich krokov kontrole a revízii výstupov (24,6 % oproti 23,6 %), zatiaľ čo Search má väčší podiel krátkych pokynov, ako sú potvrdenia, opakovania a žiadosti o formát (11,6 % oproti 9,9 %), ktoré Computer zahŕňa do svojho počiatočného behu. Inými slovami, Search vytvára kratšie slučky zhrnutia a vykonávania; Computer vytvára dlhšie slučky kontroly a rozšírenia.

Najdôležitejšie je, že kvalita neklesla s vyššou autonómiou. Pri párových viacokruhových reláciách bola zmysluplná nespokojnosť s nasledujúcim krokom 1,3 % pre Computer v porovnaní s 2,9 % pre Search, čo predstavuje 55-percentné zníženie. Akákoľvek nespokojnosť vrátane miernych náznakov dosiahla 10,8 % pre Computer v porovnaní s 16,6 % pre Search.

Signály nespokojnosti s nasledujúcim krokom v párovej viacokruhovej vzorke. Stĺpce nemusia súčet presne na 100 % z dôvodu zaokrúhľovania.

Vyššia autonómia nahrádza manuálnu ľudskú prácu strojovým výpočtom, čím sa zvyšuje efektívnosť. Na kvantifikáciu tohto efektu porovnávame dve nastavenia pre rovnaké priradené úlohy.

Search + človek: Search zabezpečuje vyhľadávanie a syntézu; človek vykonáva prácu manuálne.

Computer + človek: Computer vykonáva pracovný postup; človek vymedzuje rozsah úlohy a kontroluje výstup.

Nemôžeme priamo sledovať, ako dlho by úloha trvala človeku, preto vychádzame z troch nezávislých odhadov:

Odhad založený na nástrojoch: Volania nástrojov Computer klasifikujeme do dvoch kategórií: "Hľadať" a "Vykonať". Nástroje na vyhľadávanie zodpovedajú krokom získavania a syntézy informácií, ktoré už produkt Search zvláda. Nástroje na vykonávanie predstavujú kroky realizácie, ktoré by človek musel vykonať manuálne pri použití samotnej služby Search. Následne odhadujeme čas potrebný na to, aby skúsený človek vykonal tieto akcie typu "Vykonať".

Odhad založený na LLM: Dopyty z relácií Computer zadávame do modelu LLM, aby sme odhadli čas potrebný pre kvalifikovaného odborníka, ktorý dostáva odpovede zo služby Search, ale všetky kroky vykonania musí vykonať manuálne.

Odhad uvádzaný používateľmi: Vykonávame 25 pološtruktúrupených rozhovorov s aktívnymi používateľmi Computer naprieč rôznymi doménami a zisťujeme ich pracovné postupy pred použitím Computer a čas, ktorý by tieto pracovné postupy zabrali.

Klasifikácia nástrojov použitá v odhade založenom na nástrojoch. Nástroje typu „Hľadať“ kopírujú schopnosti, ktoré služba Search už poskytuje, takže sa neúčtuje žiadny manuálny čas. Nástroje typu „Vykonať“ vyžadujú, aby človek konal na základe výsledkov výskumu zo služby Search; minútové odhady na jedno volanie približne zodpovedajú času, ktorý by skúsený odborník strávil manuálnym vykonaním zodpovedajúcej akcie.

Podľa odhadu založeného na nástrojoch trvá priemerná úloha Search + človek 269 minút, zatiaľ čo zodpovedajúci pracovný postup Computer + človek trvá 36 minút. To predstavuje 87-percentné skrátenie času potrebného na splnenie úlohy.

Na prepočet času úlohy na náklady používame priemerné hodinové mzdy pre konkrétne odvetvia z údajov Úradu pre štatistiku práce USA (BLS OEWS) za máj 2025 (U.S. Bureau of Labor Statistics 2026). Kombináciou nákladov na model a nákladov na ľudskú prácu v danej oblasti znižuje Computer odhadované náklady na úlohu v priemere o 94 %.

Odhadovaný čas a náklady na úlohu pre kombináciu Search + človek v porovnaní s Computer + človek. Ľudská práca dominuje v porovnávacom základe Search + človek, zatiaľ čo Computer presúva veľkú časť práce na model a vykonávanie nástrojmi.

Percentuálny podiel ušetreného času a nákladov systémom Computer + človek v porovnaní so Search + človek, pričom násobitelia sú v zátvorkách (napr. 94 % (16×) znamená, že Computer + človek je o 94 % alebo 16-krát lacnejší). Náklady na ľudskú prácu využívajú priemerné hodinové mzdy podľa BLS OEWS za máj 2025.

Výhoda v efektivite sa prejavuje vo všetkých 18 doménach, pričom úspora času dosahuje 79 – 92 % a úspora nákladov 87 – 96 %. Programovanie je najextrémnejším prípadom: 596 minút pre Search + človek oproti 48 minútam pre Computer + človek – čo predstavuje 92-percentné zníženie času, ktoré prináša 96-percentné zníženie nákladov. Veľké prínosy vykazujú aj oblasti podnikania, technológií, vzdelávania a písania. Úspory času majú tendenciu prekladať sa do väčších úspor nákladov v odvetviach s vyššími mzdami.

Aké robustné je toto zistenie? Zvážme bod zvratu: aby sa Search + človek vyrovnal nákladom Computer + človek, odborník by musel dokončiť každý manuálny krok za 14 – 24 minút (v mediáne 18). Computer si udržiava svoju výhodu v každej doméne aj pri konzervatívnejších predpokladoch: napríklad pri 8-násobnom nadhodnotení času na jeden nástroj alebo 12-násobnom podhodnotení času dohľadu pre Computer.

Odhad založený na LLM prináša podobné súhrnné výsledky: 84-percentné zníženie času a 93-percentné zníženie nákladov celkovo. Rozhovory s používateľmi ukazujú oveľa širšiu škálu výsledkov – od 5-násobného až po viac ako 300-násobné zrýchlenie –, čo pravdepodobne odráža výraznú variabilitu v počiatočnom stave používateľov pred použitím Computer. Medián zrýchlenia medzi účastníkmi je 25×, čo zodpovedá 96-percentnému zníženiu času.

Rýchlosť a náklady pri priradených úlohách zachytávajú len časť príbehu. Zmeniť sa môže aj podoba práce. Keďže Computer nahrádza manuálne vykonávanie strojovým výpočtom, používatelia môžu prevziať iné druhy práce – úlohy, ktoré prekračujú hranice povolaní a vyžadujú si vyššiu úroveň odbornosti.

Najprv skúmame, či používatelia pracujú mimo svojho odvozeného primárneho zoskupenia povolaní častejšie s Computerom než so službou Search. Po druhé, porovnávame dopyty v službách Computer a Search od tých istých používateľov pomocou piatich klasifikácií na úrovni úloh: Bloomovej revidovanej taxonómie (Anderson a Krathwohl 2001), abstraktnej práce verzus rutinných činností v tradícii obsahu úloh (Autor, Levy a Murnane 2003), šírky znalostí O*NET (National Center for O*NET Development 2026), šírky pracovných aktivít O*NET a nových úloh, o ktoré sa so službou Search nepokúsili.

Horizontálny posun je z údajov zrejmý. Vo vzorke 8 000 používateľov z ôsmich zoskupení povolaní, ktorí využili všetky svoje dopyty, pracujú používatelia Computer mimo svojho primárneho povolania 59 % času, v porovnaní s 50 % v prípade služby Search. Najväčšie nárasty sa objavujú v oblasti manažmentu a podnikania, digitálnych technológií, umenia a dizajnu a zdravotníctva a sociálnych služieb. Vyhľadávacie dopyty presahujúce rámec povolania v službe Search sú koncentrované v digitálnych technológiách, zatiaľ čo dopyty v Computer delegujú prácu, ktorá zasahuje do rozmanitejších oblastí, kde by používatelia inak potrebovali špecialistov.

Toky úloh medzi povolaniami naprieč ôsmimi zoskupeniami povolaní. Zakrivené oblúky zobrazujú najčastejšie cieľové destinácie každého zoskupenia, pričom šírka čiary je úmerná podielu destinácie a typ čiary označuje poradie. Služba Search sústreďuje medziodvetvové toky do digitálnych technológií, zatiaľ čo Computer rozširuje toky do marketingu, manažmentu, finančných služieb a iných exekutívnych oblastí.

Vertikálny posun je ešte väčší. Vo vzorke 5 000 dopytov v službe Computer a 5 000 dopytov v službe Search od rovnakej množiny používateľov oboch produktov sú dopyty v Computer kognitívne zložitejšie ako dopyty v Search. Podľa Bloomovej revidovanej taxonómie vyžaduje 76 % dopytov v Computer kogníciu vyššieho rádu v porovnaní s 55 % v prípade Search. Tento rozdiel je sústredený na vrchole: 50 % dopytov v Computer predstavujú úlohy na úrovni tvorby (Create), v porovnaní s 26 % v prípade Search. Služba Search má väčšiu váhu pri vyhľadávaní faktov na úrovni pamäte (Remember). V dimenzii abstraktných a rutinných typov úloh zahŕňa 71 % dopytov v Computer abstraktnú, nerutinnú kogníciu oproti 53 % v prípade Search.

Kognitívna zložitosť dopytov v službách Computer a Search. Computer sa výrazne posúva smerom k tvorivej (Create) a abstraktnej nerutinnej práci.

Úlohy v službe Computer tiež čerpajú z viacerých znalostných oblastí. Priemerná úloha v Computer vyžaduje vecnú odbornosť v 2,40 oblastiach znalostí O*NET, v porovnaní s 1,74 v prípade Search, čo predstavuje 38-percentný nárast. Computer vyžaduje tri alebo viac znalostných oblastí takmer trikrát častejšie ako Search: 51 % oproti 17 %.

Požadované znalostné domény na jeden dopyt. Relácie v službe Computer sa sústreďujú na dve až tri domény a oveľa častejšie vyžadujú širokú odbornosť.

Na úrovni pracovných aktivít platí rovnaký vzorec. Typický dopyt v Computer zapája 2,95 všeobecných pracovných aktivít O*NET a 4,01 stredných pracovných aktivít v porovnaní s 2,24 a 2,87 pre Search, čo predstavuje 32-percentný a 40-percentný nárast. Na podrobnejších úrovniach zapája Computer o 59 % viac podrobných pracovných aktivít a o 60 % viac vyhlásení o úlohách špecifických pre dané povolanie.

Šírka pracovných aktivít na jeden dopyt naprieč úrovňami vnočenia O*NET. Computer posúva distribúciu doprava na úrovni stredných, podrobných a úlohovo orientovaných vyhlásení.

Najvýrečnejším ukazovateľom je súbor úloh, ktoré sa objavujú v službe Computer, ale nie v službe Search u tých istých používateľov. Pri najprísnejšej definícii, kde sa vyhlásenie o úlohe objavuje v Computer a nikdy sa neobjavuje v párovej vzorke Search, 23 % dopytov v Computer zapája aspoň jedno vyhlásenie o úlohe exkluzívne pre Computer. Uvoľnenie prahovej hodnoty tak, aby sa umožnilo až päť výskytov v Search, zvyšuje podiel na 38 % a stabilizuje sa na hodnote blízko 41 %. Tieto aktivity určené výhradne pre Computer sa koncentrujú do vývoja softvéru a webu, tvorby dokumentácie a vizualizácie údajov alebo grafiky. Presne tam má autonómne vykonávanie najväčší význam: Search vysvetľuje; Computer produkuje.

Podiel dopytov v službe Computer, ktoré zapájajú aspoň jednu aktivitu O*NET výhradne pre Computer pri rôznych prahových hodnotách výskytu. Najsilnejšie oddelenie sa prejavuje na úrovni jemne členených vyhlásení o úlohách.

Väčšina dôkazov o umelej inteligencii v práci sa zameriava na prostredie asistentov. Táto literatúra ukázala veľké prínosy v oblasti produktivity pri podpore písania, zákazníckej podpory, programovania a poradenstva (napr. Noy a Zhang 2023; Brynjolfsson, Li a Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

Agenti menia správanie používateľov a nadväzujúce ekonomické výsledky. Produkčné nasadenia začínajú odhaľovať používanie agentov a ich vplyv v reálnych podmienkach, zatiaľ sa však zameriavajú najmä na špecializované kódovacie agenty a skoré webové agenty (napr. Sarkar 2026; McCain et al. 2026; Demirer, Musolff a Yang 2026; Yang et al. 2025). Dopĺňame túto prácu a premostíme literatúru o asistentoch a agentoch porovnaním interakcie používateľa s univerzálnym orchestrom agentov v porovnaní s konverzačným asistentom a rozšírením analýzy nadväzujúceho vplyvu na širšiu škálu vedomostnej práce.

Prechádzame tiež od vystavenia vplyvu k realizovanej rekompozícii úloh. Predchádzajúce práce odhadujú, ktoré povolania sú vystavené vplyvu AI pomocou opisu úloh a štruktúry povolaní (napr. Eloundou et al. 2024; Felten, Raj a Seamans 2023), zatiaľ čo miery založené na používaní ukazujú priepasť medzi vystavením vplyvu a nasadením (Massenkoff a McCrory 2026). Dokumentujeme, ako sa zloženie úloh mení s prístupom k agentom.

Upozorňujeme na niekoľko výhrad. Po prvé, pozorovacie okno je skoré a skorí osvojitelia sa prikláňajú k používateľom natívnym pre AI. Používatelia tiež aktívne experimentujú a prispôsobujú svoje pracovné postupy v rýchlo sa vyvíjajúcom prostredí produktov, takže tieto vzorce sa môžu časom zmeniť. Po druhé, dizajn párových dopytov založený na reláciách vynecháva mnohé úlohy v službe Computer, ktoré nemajú blízku ekvivalentnú alternatívu v službe Search. Hoci relácie poskytujú prirodzený spôsob segmentácie úloh, používatelia túto štruktúru v praxi nie vždy dodržiavajú, čo robí z relácií nepresnú náhradu za jednotky úloh. Po tretíkrát, odhady efektívnosti kriticky závisia od predpokladov o čase nástrojov ekvivalentnom človeku a čase ľudského dohľadu. Hoci odhady založené na LLM a rozhovory s používateľmi ukazujú rovnakým smerom a analýzy bodu zvratu a citlivosti naznačujú robustnosť, presné hodnoty by sa mali chápať ako približné. S tým súvisí aj to, že chyba klasifikácie LLM prináša dodatočný šum merania. Nakoniec, správanie používateľov pozorujeme iba v ekosystéme Perplexity a nezaznamenávame aktivitu mimo neho, čo môže obmedziť náš pohľad na úplné pracovné aktivity a používanie nástrojov zo strany používateľov.

Agenti robia existujúce úlohy rýchlejšími a lacnejšími – a čo je dôležitejšie, umožňujú realizovať úlohy presahujúce hranice povolaní a úrovne odbornosti.

Keď systém dokáže vyhľadávať, prechádzať web, kódovať, upravovať súbory, pripájať sa k službám a vytvárať výstupy, úzke miesto v činnosti používateľa sa posúva. Trávia menej času obsluhou pracovného postupu a viac času špecifikovaním cieľov, poskytovaním kontextu, kontrolou výstupov a žiadaním o rozšírenia. Používateľ prechádza z pozície operátora do pozície supervízora.

Na individuálnej úrovni tento posun rozširuje hranice úloh a umožňuje používateľom prevziať prácu, ktorá je širšia a hlbšia. Na úrovni organizácie a trhu práce zostáva otvorenou otázkou, ako sa tieto mikroúrovňové zmeny agregujú. Ak jeden jednotlivec vybavený agentmi dokáže dokončiť pracovné postupy, ktoré predtým vyžadovali viaceré role, potom dlhodobý dopad agentov nebude zachytený len metrikami rýchlosti a nákladov. Namiesto toho sa prejaví v tom, ako sa práca zoskupuje, ako sú definované role a ako sú štruktúrované tímy.

Ak sa chcete dozvedieť viac o našej metodológii a zisteniach, prečítajte si celú technickú správu.

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.

Úvod

Prijatie a prípady použitia Computer

Vyššia autonómia a kvalita

Prínosy efektivity vyplývajúce z autonómie

Rozsah úloh sa rozširuje horizontálne aj vertikálne

Diskusia

Výhľad do budúcnosti

Referencie