Kako AI agenti preoblikuju rad na znanju

Vodeći sistemi veštačke inteligencije smanjuju jaz između inteligencije modela i korisnosti u stvarnom svetu. Novi modeli, računarske arhitekture i šabloni orkestracije omogućavaju ovim sistemima da obavljaju zadatke koji su pre samo nekoliko meseci smatrani nemogućim.

Ova brza inovacija se pokazala kao blagodat za korisnike veštačke inteligencije tako što uvećava njihov uticaj i autonomiju. Ipak, stvorila je i zaostatak između tehnološke granice i našeg razumevanja o tome kako se rad na znanju tačno razvija kao odgovor na to. Kako vodeća veštačka inteligencija menja prirodu rada na znanju kroz različite profesije? Koje strukturne i ekonomske transformacije u ovom radu možemo očekivati?

Nastojimo da premostimo ovaj jaz kroz pažljivu empirijsku analizu korišćenja sistema Perplexity. Danas, u saradnji sa istraživačima sa Harvard Business School, delimo našu prvu sveobuhvatnu studiju o primeni sistema Perplexity Computer u stvarnom svetu. Naši nalazi sugerišu da Computer proširuje širinu i dubinu onoga što korisnici mogu da postignu, uz niže troškove. Korisnici sistema Computer obavljaju više posla, rade na višem nivou apstrakcije i prelaze disciplinarne granice kako bi otključali vrednost van sopstvenih profesija.

Ovaj članak predstavlja najvažnije delove iz naše studije. Detaljna metodologija i nalazi dostupni su u našem tehničkom izveštaju.

Prvi generativni sistemi veštačke inteligencije u masovnoj upotrebi bili su konverzacijski asistenti koji vode dijalog sa korisnicima. Ovi asistenti se nalaze između namere i akcije. Oni odgovaraju na pitanja, objašnjavaju kompromise i predlažu sledeće korake. Korisnik zatim mora da pretvori odgovor u rad: da otvori odgovarajuće alate, prikupi datoteke, uređuje dokumente, proveri međurezultate i odluči šta dalje da radi.

Agenti menjaju tu podelu rada. Korisnik određuje željeni ishod, a sistem planira radnje kroz alate, izvršava međukorake, traži nedostajuće unose kada je to potrebno i vraća gotov isporučeni rezultat. Agenti pomeraju upotrebu veštačke inteligencije sa pronalaženja i sintetizovanja informacija na autonomno planiranje i obavljanje zadataka.

Ova putanja pokreće sopstveni razvoj proizvoda kompanije Perplexity. Godine 2022. pokrenuli smo pretragu (Search), koja je definisala kategoriju mašina za odgovore tako što je omogućila korisnicima da postavljaju pitanja i primaju odgovore potkrepljene proverljivim citatima iz milijardi dokumenata. Godine 2025. predstavili Veb pretraživač Comet, sa ugrađenim veb agentom koji razmišlja i deluje zajedno sa korisnicima na otvorenom vebu. A 2026. godine pokrenuli smo Computer, višenamenski orkestrator agenata koji autonomno radi na ispunjavanju ciljeva koje zadaje korisnik u složenim okruženjima i dugim vremenskim horizontima.

Kako ova tranzicija menja način na koji radimo? Ovo pitanje istražujemo koristeći podatke iz naših proizvoda Search i Computer, fokusirajući se na tri dimenzije:

Autonomija: koliko autonomnog posla obavlja Computer u poređenju sa proizvodom Search na istom zadatku?

Efikasnost: koliko vremena i troškova rada štedi Computer u odnosu na Search na istom zadatku?

Opseg: kako Computer menja vrstu posla koju korisnici pokušavaju da obave?

Utvrđujemo da agenti kao što je Computer zahtevaju više početnog truda od korisnika (budući da korisnici moraju da definišu ciljeve koje treba delegirati i pregledaju rezultate), ali znatno manje ljudskog truda po jedinici posla (zbog autonomnijeg izvršavanja). To ih čini posebno efikasnim u dugim radnim procesima koji se sastoje od više koraka. Isplativost se ogleda u radu koji je istovremeno dublji i jeftiniji. Computer preusmerava trud korisnika sa ručnog izvršavanja na nadzor, proširujući opseg onoga što korisnici mogu da postignu unutar i van sopstvenih oblasti stručnosti.

Computer je pokrenut 25. februara 2026. godine i brzo je rastao tokom prva tri meseca.

Kumulativni upiti za sistem Computer dostigli su 84 puta vrednost ukupnog zbira iz prve nedelje do 27. maja. Kao polazna osnova, kumulativno korišćenje funkcije Search među korisnicima sistema Computer dostiglo je 14 puta vrednost zbira iz prve nedelje, što je više od rasta od 12 puta zabeleženog kod korisnika koji ne koriste Computer.

Čak i nakon uparivanja korisnika sistema Computer i korisnika koji ne koriste Computer prema nivou pretplate, primarnoj temi pretrage i prioritetnom intenzitetu pretrage, poređenje metodologije razlike u razlikama pokazuje da usvajanje sistema Computer povećava korišćenje pretrage: korisnici sistema Computer naprave 1.05 upita za pretragu više dnevno u poređenju sa sličnim korisnicima koji ne koriste Computer.

Kumulativni rast indeksiran u odnosu na prvu nedelju svake serije. Obim upita za sistem Computer dostigao je 84 puta kumulativni zbir iz prve nedelje tokom perioda od 27. februara do 27. maja.

U slučajnom uzorku od 100.000 upita za sistem Computer, istraživanje i analiza bili su najveća kategorija zadataka sa 25.8%, a sledi kreiranje dokumenata i sredstava sa 18.6%. Posmatrana kombinacija zadataka naginje ka generativnom radu: dokumentima, tabelama, kodnim bazama, veb-sajtovima i radnim procesima koji zahtevaju rad u više različitih alata.

Kada je reč o domenima, upotreba je bila široko raspoređena u oblastima softvera i IT-ja, finansija i investicija, marketinga i prodaje, poslovnih operacija, zdravstva, obrazovanja, prava i medija.

Slučajevi upotrebe sistema Computer po kategorijama zadataka i predmetnim oblastima. Istraživanje, analiza, kreiranje dokumenata, softver, finansije, poslovne operacije i lični radni procesi zauzimaju istaknuto mesto.

Najdirektniji pokazatelj autonomije jeste koliko dugo sistem radi bez ljudske intervencije nakon što korisnik pošalje zahtev. Pretraga obično vraća odgovor za nekoliko sekundi. Computer često nastavlja da radi nekoliko minuta ili čak sati: pretražuje, pregleda, piše, uređuje, pokreće kod i proverava međurezultate.

Koristimo sesije sistema Search i Computer sa skoro identičnim početnim upitima kao zamenu za isti zadatak koji se pokušava izvršiti sa oba proizvoda. Kroz 10.000 uparenih parova, Computer u proseku obavlja 26 minuta mašinskog izvršavanja po sesiji, u poređenju sa 33 sekunde za pretragu. To predstavlja povećanje mašinskog rada od 48 puta na praktično istim zadacima. Kada je reč o medijani, jaz iznosi 9 minuta prema 14 sekundi, odnosno 40 puta. Podela po domenima pokazuje isti obrazac: Computer obavlja otprilike 26 do 75 puta više mašinskog rada u svih 18 domena.

Vreme mašinskog izvršavanja po sesiji za uparene sesije sistema Computer i Search. Pretraga je koncentrisana blizu kratkih vremena odziva; Computer ima širu distribuciju usredsređenu oko dugotrajnog autonomnog izvršavanja. Srednja vrednost vremena izvršavanja sistema Computer (26 minuta) znatno je veća od medijane (9 minuta), što ukazuje na dugi rep složenih zahteva sa dugim vremenskim horizontom.

Prosečno vreme mašinskog izvršavanja po domenu. Computer obavlja znatno više posla po sesiji zato što svaka radnja korisnika pokreće naknadno izvršavanje umesto samo konverzacijskog odgovora.

Autonomija koja duže traje nije rezultirala većim napuštanjem sistema. Događaji prekida od strane korisnika bili su slični u svim proizvodima: 3.7% sesija sistema Computer i 3.4% sesija sistema Search sadržalo je najmanje jedan događaj prekida od strane korisnika. Computer je češće pravio pauze radi unosa od strane korisnika: 13% upita za sistem Computer pozvalo je bar jedan alat za pauziranje radi unosa korisnika, u poređenju sa 0.3% za pretragu, obično radi traženja odobrenja ili postavljanja pitanja za razjašnjenje. To je očekivani obrazac za agenta: može da nastavi autonomno većinu vremena, ali su mu potrebne kontrolne tačke da dobije dozvolu i potvrdi šta korisnik želi.

Computer takođe umrežava znatno više poziva spoljnih alata – putem protokola Model Context Protocol (MCP) ili krajnjih tačaka programskog interfejsa (API) – u jednu sesiju, obavljajući posao koji bi korisnik pretrage inače obavljao ručno u odvojenim aplikacijama. 7.9% sesija sistema Computer ostvaruje najmanje jedan poziv konektora u poređenju sa 1.8% sesija sistema Search (razlika od 4 puta), pri čemu Computer ima u proseku 1.19 poziva konektora po sesiji u odnosu na 0.10 za pretragu (odnos od 12 puta). Drugim rečima, Computer ne radi samo duže; on obuhvata više povezanih servisa korisnika kako bi povukao podatke i preduzeo radnje.

Ponašanje u nastavku se takođe menja po sastavu. U uzorku sa više okreta od 1.000 parova, ukupna sklonost ka napredovanju u zadatku je skoro identična među proizvodima (52.7% nastavaka kod sistema Computer u poređenju sa 52.9% za Search), ali se ono što korisnici traže menja: budući da Computer unapred vraća potpuniji isporučeni rezultat, njegovi korisnici zamenjuju detaljna razjašnjenja proširenjima (proširenja 14.2% prema 12.5%; razjašnjenja 22.0% prema 23.4%). Korisnici sistema Computer takođe provode nešto više svojih nastavaka u pregledanju i revidiranju izlaznih rezultata (24.6% prema 23.6%), dok pretraga ima veći udeo kratkih direktiva kao što su potvrde, ponovna pokretanja i zahtevi za formatom (11.6% prema 9.9%) koje Computer integriše u svoje početno pokretanje. Drugim rečima, Search kreira kraće petlje sažetka i izvršavanja; Computer kreira duže petlje pregleda i proširivanja.

Što je najvažnije, kvalitet nije opao sa većom autonomijom. Kod uparenih sesija sa više okreta, smisleno nezadovoljstvo u sledećem okretu iznosilo je 1.3% za Computer u poređenju sa 2.9% za pretragu, što predstavlja smanjenje od 55%. Bilo kakvo nezadovoljstvo, uključujući blaže signale, iznosilo je 10.8% za Computer u poređenju sa 16.6% za pretragu.

Signali nezadovoljstva u sledećem okretu u uparenom uzorku sa više okreta. Zbog zaokruživanja, zbir kolona možda neće iznositi tačno 100%.

Veća autonomija zamenjuje ručni ljudski rad mašinskim računanjem, što povećava efikasnost. Da bismo kvantifikovali ovaj efekat, upoređujemo dve postavke na istim uparenim zadacima.

Search + čovek: Search obrađuje pretragu i sintezu; čovek ručno vrši izvršavanje.

Computer + čovek: Computer obavlja radni proces; čovek određuje obim zadatka i pregleda izlazne rezultate.

Ne možemo direktno da posmatramo koliko bi vremena nekom zadatku bilo potrebno kada bi ga obavljao čovek, pa to trianguliramo pomoću tri nezavisne procene:

Procena zasnovana na alatima: Pozive alata sistema Computer klasifikujemo u dve kategorije: „Search“ i „Do“. Alati za pretragu (Search) odgovaraju koracima pronalaženja i sinteze informacija koje proizvod Search već obrađuje. Alati za izvršavanje (Do) predstavljaju korake izvršavanja koje bi čovek morao da obavi ručno kada koristi samo Search. Zatim procenjujemo vreme potrebno iskusnom čoveku da izvrši ove radnje.

Procena zasnovana na jezičkom modelu (LLM): Unosimo upite iz sesija sistema Computer u jezički model da bismo procenili vreme potrebno kvalifikovanom stručnjaku koji prima odgovore iz pretrage, ali mora ručno da izvrši sve korake.

Procena na osnovu izjava korisnika: Sprovodimo 25 polustrukturiranih intervjua sa aktivnim korisnicima sistema Computer u različitim domenima i utvrđujemo radne procese pre korišćenja sistema Computer, kao i vreme koje bi ti radni procesi zahtevali.

Klasifikacija alata korišćena u proceni zasnovanoj na alatima. Alati „Search“ odražavaju mogućnosti koje pretraga već pruža, tako da se ne obračunava nikakvo ručno vreme. Alati „Do“ zahtevaju da čovek deluje na osnovu rezultata istraživanja funkcije Search; procene minuta po pozivu aproksimiraju vreme koje bi kvalifikovani stručnjak proveo obavljajući ekvivalentnu radnju ručno.

Prema proceni zasnovanoj na alatima, prosečan zadatak Search + čovek traje 269 minuta, dok odgovarajući radni proces Computer + čovek traje 36 minuta. To predstavlja smanjenje vremena izvođenja zadatka od 87%.

Da bismo vreme trajanja zadatka pretvorili u troškove, koristimo prosečne satnice specifične za domene iz podataka Biroa za statistiku rada SAD (U.S. Bureau of Labor Statistics Occupational Employment and Wage Statistics - BLS OEWS) za maj 2025. godine (U.S. Bureau of Labor Statistics 2026). Kombinovanjem troškova modela sa troškovima ljudskog rada specifičnim za domene, Computer u proseku smanjuje procenjene troškove zadatka za 94%.

Procenjeno vreme i troškovi zadatka za kombinaciju Search + čovek u odnosu na Computer + čovek. Ljudski rad dominira u polaznoj osnovi Search + čovek, dok Computer premešta veliki deo posla na izvršavanje modela i alata.

Procenat uštedjenog vremena i troškova od strane kombinacije Computer + čovek u odnosu na Search + čovek, sa multiplikatorima u zagradama (npr. 94% (16 puta) znači da je kombinacija Computer + čovek 94% ili 16 puta jeftinija). Troškovi ljudskog rada koriste prosečne satnice prema BLS OEWS za maj 2025.

Prednost u efikasnosti se pojavljuje u svih 18 domena, uz uštedu vremena od 79–92% i uštedu troškova od 87–96%. Programiranje je najekstremniji slučaj: 596 minuta za Search + čovek u odnosu na 48 minuta za Computer + čovek – smanjenje vremena od 92% koje donosi smanjenje troškova od 96%. Poslovanje, tehnologija, obrazovanje i pisanje takođe pokazuju velike dobitke. Uštede u vremenu obično se pretvaraju u veće uštede troškova u domenima sa višim platama.

Koliko je ovaj rezultat robustan? Razmotrimo prag rentabilnosti: da bi kombinacija Search + čovek izjednačila troškove sa kombinacijom Computer + čovek, stručnjak bi morao da završi svaki ručni korak za 14–24 minuta (medijana 18). Computer zadržava svoju prednost u svakom domenu čak i pod konzervativnijim pretpostavkama: na primer, u slučaju precenjivanja vremena po alatu za 8 puta, ili potcenjivanja vremena nadzora sistema Computer za 12 puta.

Procena zasnovana na jezičkom modelu daje slične agregatne rezultate: smanjenje vremena od 84% i smanjenje troškova od 93% u celini. Intervjui sa korisnicima pokazuju znatno širi raspon ishoda – od ubrzanja od 5 puta do preko 300 puta – što verovatno odražava značajne varijacije u početnim vrednostima korisnika pre uvođenja sistema Computer. Medijana ubrzanja među učesnicima iznosi 25 puta, što odgovara smanjenju vremena od 96%.

Brzina i troškovi na uparenim zadacima oslikavaju samo deo priče. Oblik rada bi se takođe mogao promeniti. Kako Computer zamenjuje ručno izvršavanje mašinskim računanjem, korisnici mogu preuzeti različite vrste posla – zadatke koji prelaze profesionalne granice i one koji zahtevaju više nivoe stručnosti.

Prvo pitamo da li korisnici češće rade van svog pretpostavljenog primarnog klстера zanimanja sa sistemom Computer nego sa pretragom. Drugo, upoređujemo upite za sistem Computer i Search od istih korisnika koristeći pet klasifikacija na nivou zadataka: Blumovu revidiranu taksonomiju (Anderson i Krathwohl 2001), apstraktni u odnosu na rutinski rad u tradiciji sadržaja zadataka (Autor, Levy i Murnane 2003), širinu znanja baze O*NET (Nacionalni centar za razvoj baze O*NET 2026), širinu radnih aktivnosti baze O*NET, kao i nove zadatke koji nisu isprobani korišćenjem sistema Search.

Horizontalni pomak je vidljiv u podacima. U uzorku od 8.000 korisnika iz osam klastera zanimanja, uz korišćenje svih njihovih upita, korisnici sistema Computer rade van svog primarnog zanimanja 59% vremena, u poređenju sa 50% za pretragu. Najveća povećanja se javljaju u menadžmentu i preduzetništvu, digitalnoj tehnologiji, umetnosti i dizajnu, kao i u zdravstvu i ljudskim uslugama. Upiti za pretragu koji premošćuju različita zanimanja koncentrisani su u digitalnoj tehnologiji, dok upiti za sistem Computer delegiraju poslove koji prelaze u raznovrsnije domene gde bi korisnicima inače bili potrebni stručnjaci.

Tokovi zadataka koji premošćavaju različita zanimanja kroz osam klastera zanimanja. Zakrivljeni luci prikazuju glavne odlazne destinacije svakog klastera, pri čemu je širina linije proporcionalna udelu destinacije, a tip linije označava rang. Pretraga koncentriše tokove koji prelaze granice zanimanja u digitalnu tehnologiju, dok Computer širi tokove kroz marketing, menadžment, finansijske usluge i druge izvršne destinacije.

Vertikalni pomak je još veći. U uzorku od 5.000 upita za sistem Computer i 5.000 upita za sistem Search iz istog skupa korisnika koji koriste oba proizvoda, upiti za sistem Computer su kognitivno složeniji od upita za pretragu. Prema Blumovoj revidiranoj taksonomiji, 76% upita za sistem Computer zahteva kogniciju višeg reda, u poređenju sa 55% za pretragu. Razlika je koncentrisana na vrhu: 50% upita za sistem Computer su zadaci nivoa kreiranja, u poređenju sa 26% za pretragu. Pretraga ima mnogo veću zastupljenost na nivou sećanja i pronalaženja činjenica. Na dimenziji tipa zadatka apstraktno u odnosu na rutinsko, 71% upita za sistem Computer uključuje apstraktnu kogniciju koja nije rutinska, u poređenju sa 53% za pretragu.

Kognitivna složenost upita za sistem Computer i Search. Computer se snažno pomera ka radu na nivou kreiranja i apstraktnom nerutinskom radu.

Zadaci sistema Computer takođe privlače više domena znanja. Prosečan zadatak sistema Computer zahteva suštinsku stručnost u 2.40 oblasti znanja prema bazi O*NET, u poređenju sa 1.74 za pretragu, što predstavlja povećanje od 38%. Computer ima skoro tri puta veću verovatnoću nego pretraga da zahteva tri ili više domena znanja: 51% prema 17%.

Potrebni domeni znanja po upitu. Sesije sistema Computer se koncentrišu na dva do tri domena i imaju mnogo veću verovatnoću da zahtevaju široku stručnost.

Na nivou radnih aktivnosti važi isti obrazac. Tipičan upit za sistem Computer uključuje 2.95 generalizovanih radnih aktivnosti i 4.01 srednje radne aktivnosti prema bazi O*NET, u poređenju sa 2.24 i 2.87 za pretragu, što predstavlja povećanje od 32% odnosno 40%. Na detaljnijim nivoima, Computer uključuje 59% više detaljnih radnih aktivnosti i 60% više izjava o zadacima specifičnim za zanimanje.

Širina radnih aktivnosti po upitu kroz nivoe ugnežđivanja u bazi O*NET. Computer pomera distribuciju udesno na srednjem, detaljnom nivou i na nivou izjava o zadacima.

Najrevealativnija mera jeste skup zadataka koji se pojavljuju u sistemu Computer, ali ne i u pretrazi među istim korisnicima. Prema najstrožoj definiciji, gde se izjava o zadatku pojavljuje u sistemu Computer i nikada se ne pojavljuje u uparenom uzorku pretrage, 23% upita za sistem Computer uključuje bar jednu izjavu o zadatku koja je karakteristična samo za sistem Computer. Ublažavanje praga kako bi se dozvolilo do pet pojavljivanja u pretrazi povećava udeo na 38%, i on se stabilizuje na oko 41%. Ove aktivnosti koje su specifične za sistem Computer koncentrisane su u razvoju softvera i veba, izradi dokumentacije i vizuelnoj prezentaciji podataka ili grafici. Upravo tu autonomno izvršavanje ima najveći značaj: Search objašnjava; Computer proizvodi.

Udeo upita za sistem Computer koji uključuju bar jednu O*NET aktivnost koja postoji samo u sistemu Computer pod različitim pragovima pojavljivanja. Najjače odvajanje se javlja na nivou fino razgranatih izjava o zadacima.

Većina dokaza o veštačkoj inteligenciji na radnom mestu fokusira se na okruženje asistenata. Ta literatura je pokazala velike dobitke u produktivnosti u unapređenju pisanja, korisničke podrške, kodiranja i konsaltinga (npr. Noy i Zhang 2023; Brynjolfsson, Li i Raymond 2025; Cui i sar. 2026; Dell'Acqua i sar. 2026).

Agenti menjaju ponašanje korisnika i naknadne ekonomske ishode. Produkcijska primena počinje da otkriva upotrebu i uticaj agenata u okruženjima stvarnog sveta, ali je uglavnom fokusirana na specijalizovane agente za kodiranje i rane veb agente (npr. Sarkar 2026; McCain i sar. 2026; Demirer, Musolff i Yang 2026; Yang i sar. 2025). Mi dopunjujemo ovaj rad i premošćavamo literaturu o asistentima i agentima upoređujući interakciju korisnika sa višenamenskim orkestratorom agenata u odnosu na konverzacijskog asistenta, kao i proširivanjem analize naknadnog uticaja na širi spektar rada na znanju.

Takođe prelazimo sa izloženosti na ostvarenu rekompoziciju zadataka. Prethodni rad procenjuje koja su zanimanja izložena veštačkoj inteligenciji koristeći opise zadataka i strukturu zanimanja (npr. Eloundou i sar. 2024; Felten, Raj i Seamans 2023), dok mere zasnovane na upotrebi pokazuju jaz između izloženosti i primene (Massenkoff i McCrory 2026). Dokumentujemo kako se sastav zadataka menja sa pristupom agentima.

Napominjemo nekoliko ograda. Prvo, posmatrani period je rani, a rani usvojitelji naginju ka izvornim korisnicima veštačke inteligencije. Korisnici takođe aktivno eksperimentišu i prilagođavaju svoje radne procese unutar pejzaža proizvoda koji se brzo razvija, tako da se ovi obrasci mogu promeniti tokom vremena. Drugo, dizajn uparenih upita zasnovan na sesijama izostavlja mnoge zadatke sistema Computer koji nemaju bliski ekvivalent u pretrazi. Iako sesije pružaju prirodan način za segmentiranje zadataka, korisnici u praksi ne prate uvek ovu strukturu, čineći sesije bučnom proksijem za jedinice zadataka. Treće, procene efikasnosti kritično zavise od pretpostavki o vremenu alata ekvivalentnog ljudskom radu i vremenu ljudskog nadzora. Iako procene zasnovane na jezičkim modelima i intervjui sa korisnicima ukazuju u istom pravcu, a analize praga rentabilnosti i osetljivosti ukazuju na robusnost, tačne magnitude treba tumačiti kao aproksimativne. Srodno tome, greška klasifikacije jezičkog modela uvodi dodatnu buku u merenju. Na kraju, ponašanje korisnika posmatramo samo unutar ekosistema Perplexity i ne hvatamo aktivnost van njega, što može ograničiti naš uvid u potpune radne aktivnosti korisnika i njihovo korišćenje alata.

Agenti čine postojeće zadatke bržim i jeftinijim – i, što je još važnije, čine izvodljivim zadatke koji obuhvataju granice zanimanja i nivoe stručnosti.

Kada sistem može da pretražuje, pregleda, kodira, uređuje datoteke, povezuje se sa servisima i proizvodi isporučene rezultate, usko grlo korisnika se pomera. Oni provode manje vremena upravljajući radnim procesom, a više vremena definišući ciljeve, obezbeđujući kontekst, proveravajući izlazne rezultate i tražeći proširenja. Korisnik prelazi sa uloge operatera u ulogu supervizora.

Na nivou pojedinca, ovaj pomak širi granicu zadataka, omogućavajući korisnicima da preuzmu posao koji je i širi i dublji. Na nivou organizacije i tržišta rada, ostaje otvoreno pitanje kako se ove promene na mikro-nivou agregiraju. Ako pojedinac, opremljen agentima, može da završi radne procese koji su ranije zahtevali više uloga, dugoročni uticaj agenata neće se moći sagledati samo kroz metrike brzine i troškova. Umesto toga, on će se manifestovati u načinu na koji se rad pakuje, kako se definišu uloge i kako se struktuiraju timovi.

Da biste saznali više o našoj metodologiji i nalazima, pročitajte ceo tehnički izveštaj.

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

Autor, David H., Frank Levy, i 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, i 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, i 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, i 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, i 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, i Daniel Rock. 2024. "GPTs are GPTs: Labor Market Impact Potential of LLMs." Science 384 (6702): 1306–1308.

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

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

Nacionalni centar za razvoj baze O*NET. 2026. O*NET 30.2 Database. U.S. Department of Labor, Employment and Training Administration.

Noy, Shakked, i 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, i Jerry Ma. 2025. "The Adoption and Usage of AI Agents: Early Evidence from Perplexity." arXiv preprint arXiv:2512.07828.

Uvod

Usvajanje sistema Computer i slučajevi upotrebe

Veća autonomija i kvalitet

Dobici u efikasnosti proizašli iz autonomije

Opseg zadataka se širi horizontalno i vertikalno

Diskusija

Pogled unapred

Reference