Како агенти вјештачке интелигенције преобликују рад

Најсавременији системи вјештачке интелигенције смањују јаз између интелигенције модела и корисности у стварном свијету. Нови модели, рачунске архитектуре и обрасци оркестрације омогућавају овим системима да извршавају задатке који су прије само неколико мјесеци сматрани немогућим.

Ова брза иновација показала се као благодат за кориснике вјештачке интелигенције тако што им је увећала утицај и могућности дјеловања. Међутим, она је створила и заостајање између технолошке границе и нашег разумијевања тога како се тачно рачунарски рад мијења као одговор на то. Како најсавременија вјештачка интелигенција мијења прирду рачунарског рада кроз различите професије? Које структурне и економске трансформације у овом раду можемо очекивати?

Тежимо да затворимо овај јаз кроз пажљиву емпиријску анализу коришћења платформе Perplexity. Данас, у сарадњи са истраживачима са Бизнис школе у Харварду, дијелимо нашу прву свеобухватну студију о платформи Perplexity Computer у примени у стварном свијету. Наши налази сугеришу да Computer проширује и ширину и дубину онога што корисници могу да остваре, уз нижу цијену. Корисници платформе Computer постижу више, раде на вишим нивоима апстракције и прелазе дисциплинарне границе како би откључали вриједност ван сопствених професија.

Овај чланак представља најупечатљивије дијелове наше студије. Детаљна методологија и налази доступни су у нашем техничком извјештају.

Увод

Први мејнстрим системи генеративне вјештачке интелигенције били су асистенти за конверзацију који ступају у дијалог са корисницима. Ови асистенти се налазе између намјере и акције. Они одговарају на питања, објашњавају компромисе и предлажу сљедеће кораке. Корисник затим мора да преведе одговор у рад: да отвори праве алате, прикупи датотеке, уреди документе, провјери посредне резултате и одлучи шта да ради сљедеће.

Агенти мијењају ту подјелу рада. Корисник наводи исход, а систем планира кроз алате, извршава посредне кораке, тражи уносе који недостају када је то потребно и враћа завршени производ. Агенти мијењају коришћење вјештачке интелигенције са тражења ствари и њиховог синтетисања на аутономно планирање и извршавање задатака.

Овај лук оживљава сопствени развој производа компаније Perplexity. Године 2022. покренули смо Search, који је дефинисао категорију претраживача тако што је омогућио корисницима да постављају питања и примају одговоре подржане провјерљивим цитатима у милијардама докумената. Године 2025. увели смо претраживач Comet, са уграђеним веб агентом који размишља и дјелује заједно са корисницима на отвореном вебу. А 2026. године покренули смо Computer, оркестратор агената опште намјене који аутономно ради ка циљевима које дефинише корисник у сложеним окружењима и дугим временским хоризонтима.

Како ова транзиција мијења начин на који радимо? Истражујемо ово питање користећи податке из наших производа Search и Computer, фокусирајући се на три димензије:

Аутономија: колико аутономног рада Computer обавља у односу на Search на истом задатку?

Ефикасност: колико времена и трошкова рада Computer штеди у односу на Search на истом задатку?

Обим: како Computer мијења врсту рада коју корисници покушавају да изврше?

Утврђујемо да агенти као што је Computer захтијевају више почетног труда корисника (будући да корисници морају да дефинишу циљеве који ће бити делегирани и да прегледају резултате), али много мање људског труда по јединици рада (због аутономнијег извршавања). То их чини посебно ефикасним у дугим, вишестепеним токовима рада. Исход је рад који је и дубљи и јефтинији. Computer премјешта труд корисника са ручног извршавања на надгледање, проширујући опсег онога што корисници могу да постигну како унутар, тако и изван сопствених области експертизе.

Усвајање и случајеви коришћења платформе Computer

Computer је покренут 25. фебруара 2026. године и брзо је порастао у прва три мјесеца.

Кумулативни упити за Computer достигли су 84 пута укупну вриједност из прве недјеље до 27. маја. Као полазна основа, кумулативно коришћење Search-а међу корисницима платформе Computer достигло је 14 пута своју укупну вриједност из прве недјеље, што је више од раста од 12 пута за кориснике који не користе Computer.

Чак и након упаривања корисника платформи Computer и оних који га не користе по нивоу претплате, примарној теми претраге и претходном интезитету претраге, поређење разлика у разликама показује да усвајање платформе Computer повећава коришћење претраге: корисници платформе Computer праве 1,05 више упита за претрагу дневно од сличних корисника који га не користе.

У узорку од 100.000 насумично одабраних упита за Computer, истраживање и анализа су били највећа категорија задатака са 25,8%, а затим креирање докумената и средстава са 18,6%. Уочена комбинација задатака нагиње ка генеративном раду: документи, табеле, кодови, веб-сајтови и токови рада који захтијевају рад кроз више алата.

Прелазећи на домене, коришћење је било широко распоређено кроз софтвер и ИТ, финансије и инвестирање, маркетинг и продају, пословне операције, здравство, образовање, право и медије.

Већа аутономија и квалитет

Најнепосреднији сигнал аутономије је колико дуго систем ради без људске интервенције након што корисник пошаље захтјев. Search обично враћа одговор за неколико секунди. Computer често наставља да ради минутâ или чак сатâ: претражује, прегледа, пише, уређује, покреће код и провјерава посредне резултате.

Користимо сесије Search-а и платформе Computer са готово идентичним почетним упитима као прокси за исти задатак који се покушава обавити са оба производа. Кроз 10.000 упарених парова, Computer извршава 26 минута машинског извршавања по сесији у просјеку, у односу на 33 секунде за Search. То је повећање машинског рада од 48 пута на ефикасно истим задацима. На медијани, јаз је 9 минута у односу на 14 секунди, или 40 пута. Подјела по домену показује исти образац: Computer обавља отприлике 26–75 пута више машинског рада у свих 18 домена.

Дуготрајнија аутономија се није претворила у веће напуштање. Догађаји заустављања од стране корисника били су слични кроз производе: 3,7% сесија платформе Computer и 3,4% сесија Search-а садржало је најманје један догађај заустављања од стране корисника. Computer је чешће паузирао ради уноса од стране корисника: 13% упита за Computer покренуло је најмање један алат за паузирање ради корисника у односу на 0,3% за Search, обично да би затражио одобрење или поставио појашњавајућа питања. То је очекивани образац за агента: он може наставити аутономно већи дио времена, али су му потребне контролне тачке да добије дозволу и потврди шта корисник жели.

Computer такође увезује много више спољних позива алата – кроз Протокол контекста модела (MCP) или крајње тачке АПИ-ја (API) – у једну сесију, обављајући посао који би корисник Search-а иначе радио ручно кроз одвојене апликације. 7,9% сесија платформе Computer остварује најмање један позив конектора у односу на 1,8% сесија Search-а (јаз од 4 пута), а Computer има просјечно 1,19 позива конектора по сесији у односу на 0,10 за Search (однос 12 пута). Другим ријечима, Computer не ради само дуже; он досеже у више повезаних услуга корисника како би извукао податке и предузео акције.

Понашање праћења такође мијења састав. У узорку са више окрета од 1.000 парова, укупна склоност ка напредовању задатка је готово идентична кроз производе (52,7% праћења платформе Computer у односу на 52,9% за Search), али се оно што корисници траже мијења: зато што Computer враћа потпунији готов производ унапријед, његови корисници замијењују проширења за појашњавајућа дубља проучавања (проширења 14,2% у односу на 12,5%; дубља проучавања 22,0% у односу на 23,4%). Корисници платформе Computer такође троше нешто више свог праћења на преглед и ревизију излаза (24,6% у односу на 23,6%), док је Search тежи на кратким директивама као што су потврде, поновна покушавања и захтјеви за формат (11,6% у односу на 9,9%) које Computer уклапа у своје почетно извршавање. Другим ријечима, Search ствара краће петље сажеми-и-изврши; Computer ствара дуже петље прегледај-и-прошири.

Што је најважније, квалитет није опао са већом аутономијом. На упареним сесијама са више окрета, значајно незадовољство при сљедећем окрету било је 1,3% за Computer у односу на 2,9% за Search, што је смањење од 55%. Свако незадовољство, укључујући благе сигнале, износило је 10,8% за Computer у односу на 16,6% за Search.

Добици ефикасности од аутономије

Већа аутономија мијења ручни људски рад за машинско рачунање, што повећава ефикасност. Да бисмо квантификовали овај ефекат, поредимо двије поставке на истим упареним задацима.

Search + Човјек: Search управља преузимањем и синтезом; човјек ручно извршава.

Computer + Човјек: Computer обавља ток рада; човјек одређује обим задатка и прегледа излаз.

Не можемо директно посматрати колико би времена задатак одузео човјеку, па то триангулирамо са три независне процјене:

Процјена заснована на алатима: Класификујемо позиве алата платформе Computer у двије категорије: „Претрага“ (Search) и „Учини“ (Do). Алати за претрагу одговарају корацима преузимања информација и синтезе којима већ управља производ Search. Алати за чињење представљају кораке извршавања које би човјек морао да обави ручно када користи само Search. Затим процјењујемо вријеме потребно искусном човјеку да изврши ове акције чињења.

Процјена заснована на језичком моделу (LLM): Уносимо упите из сесија платформе Computer у језички модел да бисмо процијенили вријеме потребно вјештом професионалцу који прима одговоре од Search-а, али мора ручно да изврши све кораке извршавања.

Процјена коју пријављују корисници: Спроволи смо 25 полуструктурираних интервјуа са активним корисницима платформе Computer широм домена и прикупили токове рада прије коришћења платформе Computer и вријеме које би ти токови рада одузели.

Према процјени заснованој на алатима, просјечан задатак Search + Човјек траје 269 минута, док одговарајући ток рада Computer + Човјек траје 36 минута. То је смањење времена задатка од 87%.

Да бисмо превели вријеме задатка у цијену, користимо просјечне сатнице специфичне за домен из података Завода за статистику рада САД о запослености и платама у занимањима (BLS OEWS) за мај 2025. године (Завод за статистику рада САД 2026). Комбиновањем цијене модела са људским трошковима рада специфичним за домен, Computer смањује процијењену цијену задатка за 94% у просјеку.

Предност у ефикасности се појављује у свих 18 домена, са уштедама времена од 79–92% и уштедама трошкова од 87–96%. Програмирање је најекстремнији случај: 596 минута за Search + Човјек у односу на 48 минута за Computer + Човјек – смањење времена од 92% које доноси смањење трошкова од 96%. Бивши, технологија, образовање и писање такође показују велике добитке. Уштеде времена имају тенденцију да се преведу у веће уштеде трошкова у доменама са вишим платама.

Колико је овај резултат робустан? Размотрите тачку прелома: да би Search + Човјек одговарао цијени платформе Computer + Човјек, професионалац би морао да заврши сваки ручни корак за 14–24 минута (медијана 18). Computer задржава своју предност у сваком домену чак и под конзервативнијим претпоставкама: на примјер, 8 пута већа процјена времена по алату, или 12 пута мања процјена времена надгледања платформе Computer.

Процјена заснована на језичком моделу даје сличне укупне резултате: смањење времена од 84% и смањење трошкова од 93% у укупном погледу. Интервјуи са корисницима показују много шири спектар исхода – од 5 пута до преко 300 пута веће брзине – што вјероватно одражава значајне варијације у полазним основама корисника прије коришћења платформе Computer. Медијана убрзања међу учесницима је 25 пута, што одговара смањењу времена од 96%.

Обим задатка се проширује хоризонтално и вертикално

Брзина и цијена на упареним задацима хватају само дио приче. Облик рада се такође може промијенити. Како Computer замјењује ручно извршавање машинским рачунањем, корисници могу преузети различите врсте рада – задатке који прелазе професионалне границе и оне који захтијевају више нивое експертизе.

Прво, питамо да ли корисници раде изван свог изведеног примарног занимања чешће са платфом Computer него са Search-ом. Друго, поредимо упите за Computer и Search од истих корисника користећи пет класификација на нивоу задатка: Блумова ревидирана таксономија (Андерсон и Кратвол 2001), апстрактни у односу на рутински рад у традицији садржаја задатка (Аутор, Леви и Мурнан 2003), ширина знања O*NET (Национални центар за развој O*NET-а 2026), ширина радне активности O*NET-а и нови задаци који нису покушани са Search-ом.

Хоризонтални помак је очигледан у подацима. Кроз узорак од 8.000 корисника из осам група занимања, користећи све своје упите, корисници платформе Computer раде изван свог примарног занимања 59% времена, у поређењу са 50% за Search. Највећа повећања се појављују у менаџменту и предузетништву, дигиталној технологији, умјетности и дизајну, те здравству и људским услугама. Упити за претрагу који прелазе границе занимања концентрисани су у дигиталној технологији, док упити за Computer делегирају рад који прелази у разноврсније домене у којима би корисници иначе морали да користе специјалисте.

Вертикални помак је још већи. У узорку од 5.000 упита за Computer и 5.000 упита за Search из исте групе корисника који користе оба производа, упити за Computer су когнитивно сложенији од упита за Search. Према Блумовој ревидираној таксономији, 76% упита за Computer захтијева когницију вишег реда, у поређењу са 55% за Search. Разлика је концентрисана на врху: 50% упита за Computer су задаци на нивоу креирања, у поређењу са 26% за Search. Search има много већу масу на нивоу памћења чињеничног тражења. На димензији типа задатка апстрактно у односу на рутинско, 71% упита за Computer укључује апстрактну, нерутинску когницију у поређењу са 53% за Search.

Задаци платформе Computer такође се ослањају на више домена знања. Просјечан задатак платформе Computer захтијева суштинску експертизу у 2,40 области знања O*NET, у поређењу са 1,74 за Search, што је повећање од 38%. Computer има скоро три пута већу вјероватноћу него Search да захтијева три или више домена знања: 51% у поређењу са 17%.

На нивоу радне активности важи исти образац. Типичан упит за Computer ангажује 2,95 генерализованих радних активности O*NET-а и 4,01 средњих радних активности у поређењу са 2,24 и 2,87 за Search, што је повећање од 32% и 40%. На детаљнијим нивоима, Computer ангажује 59% више детаљних радних активности и 60% више изјава о задацима специфичним за занимање.

Најоткривенија мјера је скуп задатака који се појављују у Computer-у, али не и у Search-у међу истим корисницима. Према најстрожој дефиницији, гдје се изјава о задатку појављује у Computer-у и никада се не појављује у упареном узорку Search-а, 23% упита за Computer ангажује најмање једну изјаву о задатку која постоји само у Computer-у. Опуштање прага како би се омогућило до пет појављивања у Search-у повећава удјелу на 38%, и то се стабилизује близу 41%. Ове активности које постоје само у Computer-у концентришу се на развој софтвера и веба, производњу документације и визуализацију података или графику. То је управо мјесто гдје аутономно извршавање највише значи: Search објашњава; Computer производи.

Дискусија

Већина доказа о вјештачкој интелигенцији на послу фокусира се на окружење асистентâ. Та литература је показала велике добитке у продуктивности у појачавању писања, корисничке подршке, кодирања и консалтинга (нпр. Ној и Жанг 2023; Бринјолфсон, Ли и Рејмонд 2025; Цуи и др. 2026; Дел'Аква и др. 2026).

Агенти мијењају понашање корисника и наредне економске исходе. Производне имплементације почињу да откривају коришћење и утицај агената у окружењима стварног свијета, али су углавном фокусирани на специјализоване агенте за кодирање и ране веб агенте (нпр. Саркар 2026; Мекејн и др. 2026; Демирер, Музолф и Јанг 2026; Јанг и др. 2025). Ми употпуњујемо овај рад и спајамо литературу о асистентима и агентима поређењем интеракције корисника са оркестратором агената опште намјене у односу на асистента за конверзацију, и проширивањем анализе наредног утицаја на шири спектар рачунарског рада.

Такође прелазимо са изложености на остварену рекомпозицију задатака. Претходни рад процјењује која су занимања изложена вјештачкој интелигенцији користећи описе задатака и структуру занимања (нпр. Елонду и др. 2024; Фелтен, Рај и Семанс 2023), док мјере засноване на коришћењу показују јаз између изложености и имплементације (Масенкоф и Макрори 2026). Документујемо како се састав задатака мијења са приступом агенту.

Напомињемо неколико упозорења. Прво, прозор за посматрање је рани, а рани усвајачи нагињу ка онима којима је вјештачка интелигенција природна. Корисници такође активно експериментишу и прилагођавају своје токове рада у оквиру пејзажа производа који се брзо развија, тако да се ови обрасци могу промијенити током времена. Друго, дизајн упареног упита заснован на сесији изоставља многе задатке платформе Computer који немају близак еквивалент у Search-ом. Иако сесије пружају природан начин за сегментирање задатака, корисници не прате увијек овај структуру у пракси, што чини сесије бучним проксијем за јединице задатака. Треће, процјене ефикасности критично зависе од претпоставки о времену алата еквивалентног човјеку и времену људског надгледања. Иако процјене засноване на језичком моделу и интервјуи са корисницима указују у истом смјеру, а анализа прага прелома и осјетљивости указују на робусност, тачне величине треба тумачити као приближне. Сродно томе, грешка класификације језичког моделом уводи додатни шум мјерења. Коначно, посматрамо понашање корисника само у оквиру екосистема Perplexity и не хватамо активност изван њега, што може ограничити наш поглед на пуне радне активности корисника и коришћење алата.

Поглед у будућност

Агенти чине постојеће задатке бржим и јефтинијим – и, што је још важније, чине изводљивим задатке који обухватају границе занимања и нивое експертизе.

Када систем може да претражује, прегледа, пише код, уређује датотеке, повезује се са услугама и производи резултате, уска грла корисника се мијењају. Они троше мање времена на управљање током рада, а више времена на дефинисање циљева, обезбјеђивање контекста, провјеравање излаза и тражење проширења. Корисник прелази са оператера на супервизора.

На индивидуалном нивоу, овај помак проширује границу задатака, омогућавајући корисницима да преузму рад који је и шири и дубљи. На нивоу организације и тржишта рада, како се ове микро-промјене агрегирају остаје отворено питање. Ако један појединац, опремљен агентима, може да заврши токове рада који су раније захтијевали више улога, онда дугорочни утицај агената неће бити ухваћен само метрикама брзине и цијене. Умјесто тога, манифестоваће се у томе како је рад упакован, како су улоге дефинисане и како су тимови структуирани.

Да бисте сазнали више о нашој методологији и налазима, прочитајте цијели технички извјештај.

Референце

Андерсон, Лорин В., и Дејвид Р. Кратвол. 2001. Таксономија за учење, подучавање и процјењивање: Ревизија Блумове таксономије образовних циљева. Њујорк: Лонгман.

Аутор, Дејвид Х., Франк Леви и Ричард Џ. Мурнан. 2003. „Садржај вјештина недавне технолошке промјене: Емпиријско истраживање.“ The Quarterly Journal of Economics 118 (4): 1279–1333.

Бринјолфсон, Ерик, Данијел Ли и Линдзи Р. Рејмонд. 2025. „Генеративна вјештачка интелигенција на послу.“ The Quarterly Journal of Economics 140 (2): 889–942.

Цуи, Жејуан Кевин, Мерт Демирер, Соња Џафе, Леон Музолф, Сида Пенг и Тобијас Салц. 2026. „Ефекти генеративне вјештачке интелигенције на висококвалификован рад: Докази из три теренска експеримента са програмерима софтвера.“ Management Science, Чланци у најави.

Дел'Аква, Фабрицио, Едвард Макфоланд III, Етан Р. Молик, Хила Лифшиц-Асаф, Катерин Келог, Саран Раџендран, Лиса Крајер, Франсоа Канделон и Карим Р. Лакани. 2026. „Навигација кроз назубљену технолошку границу: Докази из теренског експеримента о ефектима вјештачке интелигенције на продуктивност и квалитет стручњака за знање.“ Organization Science, Чланци у најави.

Демирер, Мерт, Леон Музолф и Лијуан Јанг. 2026. „Писање кода наспрам испоруке кода: Ефекти продуктивности кроз генерације алата за кодирање са вјештачком интелигенцијом.“ Радни документ NBER 35275.

Елонду, Тина, Сам Менинг, Памела Мишкин и Данијел Рок. 2024. „GPT модели су GPT модели: Потенцијал утицаја језичких модела на тржиште рада.“ Science 384 (6702): 1306–1308.

Фелтен, Едвард В., Манав Рај и Роберт Семанс. 2023. „Хетерогеност занимања у изложености генеративној вјештачкој интелигенцији.“ SSRN 4414065.

Масенкоф, Максим, и Питер Макрори. 2026. „Утицаји вјештачке интелигенције на тржиште рада: Нова мјера и рани докази.“ Anthropic.

Мекејн, Мајлс, Томас Милар, Шефрон Хуанг, Џејк Итон, Кунал Ханда, Мајкл Стерн, Алекс Тамкин, Мет Карни, Есин Дурмуш, Џуди Шен, Џери Хонг, Брајан Калверт, Џун Шерн Чан, Франческо Москони, Дејвид Сондерс, Тајлер Нејлон, Габријел Николас, Сара Полак, Џек Кларк и Дип Гангули. 2026. „Мјерење аутономије агената вјештачке интелигенције у пракси.“ Anthropic.

Национални центар за развој O*NET-а. 2026. База података O*NET 30.2. Министарство рада САД, Администрација за запошљавање и обуку.

Ној, Шакед, и Витни Жанг. 2023. „Експериментални докази о ефектима генеративне вјештачке интелигенције на продуктивност.“ Science 381 (6654): 187–192.

Саркар, Супротим К. 2026. „Агенти вјештачке интелигенције и рад вишег реда.“ Универзитет у Чикагу, Бизнис школа Бут.

Завод за статистику рада САД. 2026. „Статистика запослености и плата по занимањима: Процјене за мај 2025.“ Министарство рада САД.

Јанг, Џереми, Ноа Јонак, Кејт Зисковски, Денис Јарац, Џони Хо и Џери Ма. 2025. „Усвајање и коришћење агената вјештачке интелигенције: Рани докази из платформе Perplexity.“ Препринт arXiv arXiv:2512.07828.