Hur AI-agenter omformar kunskapsarbete

Frontier-AI-systemen minskar klyftan mellan modellens intelligens och verklig nytta. Nya modeller, beräkningsarkitekturer och orchestreringsmönster gör det möjligt för dessa system att utföra uppgifter som ansågs omöjliga för bara några månader sedan.

Denna snabba innovation har visat sig vara en stor fördel för AI-användare genom att förstärka deras inflytande och handlingsfrihet. Men det har också skapat en tidsförskjutning mellan den tekniska gränsen och vår förståelse av exakt hur kunskapsarbete utvecklas som svar på detta. Hur förändrar frontier-AI naturen hos kunskapsarbete inom olika yrken? Vilka strukturella och ekonomiska förändringar i detta arbete kan vi förvänta oss?

Vi strävar efter att överbrygga denna klyfta genom noggrann empirisk analys av användningen av Perplexity. I dag delar vi, i samarbete med forskare vid Harvard Business School, vår första omfatande studie av Perplexity Computer i verklig miljö. Våra resultat tyder på att Computer breddar både omfattningen och djupet av vad användare kan uppnå, till en lägre kostnad. Användare av Computer får mer gjort, arbetar på högre abstraktionsnivåer och korsar disciplinära gränser för att frigöra värde utanför sina egna yrken.

Denna artikel presenterar höjdpunkterna från vår studie. Dettailed metodologi och resultat finns tillgängliga i vår tekniska rapport.

Introduktion

De första generativa AI-systemen för en bred publik var konversationassistenter som för dialog med användare. Dessa assistenter sitter mellan avsikt och handling. De svarar på frågor, förklarar avvägningar och föreslår nästa steg. Användaren måste sedan omsätta svaret i arbete: öppna rätt verktyg, samla filer, redigera dokument, kontrollera mellanliggande resultat och bestämma vad som ska göras härnäst.

Agenter förändrar den arbetsfördelningen. En användare anger ett resultat, och systemet planerar över verktyg, utför mellanliggande steg, efterfrågar saknade indata vid behov och levererar en färdig produkt. Agenter flyttar AI-användningen från att leta upp saker och syntetisera dem till att planera och utföra uppgifter autonomt.

Denna utvecklingsbåge speglar Perplexitys egna produktutveckling. År 2022 lanserade vi Search, som definierade kategorin svarsmotorer genom att ge användarna möjlighet att ställa frågor och få svar med stöd av verifierbara källhänvisningar i miljarder dokument. År 2025 introducerade vi webbläsaren Comet med en inbäddad webbagent som resonerar och agerar tillsammans med användare på det öppna internet. Och år 2026 lanserade vi Computer, en agendorchestrator för allmänna ändamål som autonomt arbetar mot användardefinierade mål över komplexa miljöer och långa tidsperspektiv.

Hur förändrar denna övergång vårt sätt att arbeta? Vi utforskar denna fråga med data från våra produkter Search och Computer, med fokus på tre dimensioner:

Autonomi: hur mycket autonomt arbete utför Computer jämfört med Search vid samma uppgift?

Effektivitet: hur mycket tid och arbetskostnad sparar Computer i förhållande till Search för samma uppgift?

Omfattning: hur förändrar Computer vilken typ av arbete som användare ger sig in på?

Vi finner att agenter som Computer kräver mer initial ansträngning från användaren (eftersom användarna måste specificera de mål som ska delegeras och granska resultaten) men betydligt mindre mänsklig ansträngning per arbetsenhet (på grund av mer autonomt utförande). Det gör dem särskilt effektiva för långa arbetsflöden i flera steg. Utdelningen är ett arbete som är både djupare och billigare. Computer skiftar användarens insats från manuellt utförande till övervakning, vilket breddar spannet för vad användare kan åstadkomma både inom och utanför sina egna expertisområden.

Införande och användningsområden för Computer

Computer lanserades den 25 februari 2026 och växte snabbt under de första tre månaderna.

De kumulativa sökningarna för Computer nådde 84 gånger sin totala mängd från första veckan den 27 maj. Som jämförelse nådde den kumulativa användningen av Search bland Computer-användare 14 gånger sin första veckas total, vilket är högre än tillväxten på 12 gånger för icke-Computer-användare.

Även efter att ha matchat Computer-användare och icke-Computer-användare utifrån prenumerationsnivå, primärt sökämne och tidigare sökintensitet visar en differens-i-differenser-analys att införandet av Computer ökar sökningen: Computer-användare gör 1,05 fler sökfrågor per dag än liknande icke-Computer-användare.

I ett slumpmässigt urval av 100 000 frågor från Computer var forskning och analys den största uppgiftskategorin med 25,8 %, följt av skapande av dokument och tillgångar med 18,6 %. Den observerade fördelningen av uppgifter lutar åt generativt arbete: dokument, kalkylblad, kodbaser, webbplatser och arbetsflöden som kräver arbete i flera olika verktyg.

När vi tittar på domäner var användningen brett spridd över mjukvara och IT, finans och investeringar, marknadsföring och försäljning, affärsverksamhet, hälso- och sjukvård, utbildning, juridik och media.

Högre autonomi och kvalitet

Den tydligaste signalen på autonomi är hur länge systemet körs utan mänsklig inblandning efter att användaren har skickat in en begäran. Search ger vanligtvis ett svar på några sekunder. Computer fortsätter ofta att arbeta i minuter eller till och med timmar: söker, surfar, skriver, redigerar, kör kod och kontrollerar mellanliggande resultat.

Vi använder sessioner för Search och Computer med nästan identiska initiala frågor som en proxy för samma uppgift som utförts med båda produkterna. Över 10 000 matchade par utför Computer i genomsnitt 26 minuters maskinbearbetning per Session, jämfört med 33 sekunder för Search. Det är en 48-faldig ökning av maskinarbetet för i praktiken samma uppgifter. Vid medianen är skillnaden 9 minuter jämfört med 14 sekunder, det vill säga 40 gånger. Domänfördelningen visar samma mönster: Computer utför ungefär 26–75 gånger mer maskinarbete i samtliga 18 domäner.

Längre autonomi ledde inte till mer övergivande. Händelser där användaren avbröt var likartade för båda produkterna: 3,7 % av Computer-sessionerna och 3,4 % av Search-sessionerna innehöll minst en avbrottshändelse från användaren. Computer pausade oftare för att vänta på indata: 13 % av Computer-frågorna anropade minst ett verktyg för att pausa för användaren jämfört med 0,3 % för Search, vanligtvis för att begära godkännande eller ställa förtydligande frågor. Det är det förväntade mönstret för en agent: den kan fortsätta autonomt större delen av tiden, men den behöver avstämspunkter för att få tillstånd och bekräfta vad användaren vill.

Computer kedjar också ihop långt fler externa anrop till verktyg – via Model Context Protocol (MCP) eller API-slutpunkter (Application Programming Interface) – i en enda Session, och utför arbete som en Search-användare annars skulle göra för hand i skilda appar. 7,9 % av Computer-sessionerna gör minst ett anslutningsanrop jämfört med 1,8 % av Search-sessionerna (en 4-faldig skillnad), och Computer har i genomsnitt 1,19 anslutningsanrop per Session jämfört med 0,10 för Search (en 12-faldig kvot). Med andra ord körs Computer inte bara längre; den sträcker sig över fler av användarens anslutna tjänster för att hämta data och vidta åtgärder.

Uppföljningsbeteendet ändrar också sammansättning. I ett urval med 1 000 par i flera turer är den totala benägenheten till uppgiftsframsteg nästan identisk mellan produkterna (52,7 % av uppföljningarna för Computer jämfört med 52,9 % för Search), men vad användarna frågar efter skiftar: eftersom Computer levererar ett mer färdigt resultat direkt bygger dess användare ut i stället för att göra förtydligande djupdykningar (utökningar 14,2 % jämfört med 12,5 %; djupdykningar 22,0 % jämfört med 23,4 %). Computer-användare ägnar också en aning mer av sina uppföljningar åt att granska och revidera utdata (24,6 % jämfört med 23,6 %), medan Search har tyngdpunkt på korta direktiv som bekräftelser, omsökningar och formatförfrågningar (11,6 % jämfört med 9,9 %) som Computer bakar in i sin första körning. Med andra ord skapar Search kortare slingor av att sammanfatta och köra; Computer skapar längre slingor av granskning och utökning.

Viktigast av allt var att kvaliteten inte sjönk i takt med högre autonomi. Vid matchade sessioner med flera turer var meningsfull missnöjdhet i nästa tur 1,3 % för Computer jämfört med 2,9 % för Search, vilket är en minskning med 55 %. All form av missnöjdhet, inklusive milda signaler, var 10,8 % för Computer jämfört med 16,6 % för Search.

Effektivitetsvinster från autonomi

Högre autonomi byter ut manuellt mänskligt arbete mot maskinberäkningar, vilket ökar effektiviteten. För att kvantifiera denna effekt jämför vi två upplägg på samma matchade uppgifter.

Search + Människa: Search hanterar informationshämtning och syntes; människan utför arbetet manuellt.

Computer + Människa: Computer utför arbetsflödet; människan sätter ramarna för uppgiften och granskar resultatet.

Vi kan inte direkt observera hur lång tid en uppgift skulle ta för en människa, så vi triangulerar med tre oberoende uppskattningar:

Verktygsbaserad uppskattning: Vi klassificerar verktygsanrop i Computer i två kategorier: "Search" och "Do". Search-verktyg motsvarar informationssökning och syntessteg som redan hanteras av produkten Search. Do-verktyg representerar utförandesteg som en människa skulle behöva utföra manuellt vid enbart användning av Search. Vi uppskattar sedan den tid som krävs för att en erfaren människa ska utföra dessa Do-åtgärder.

LLM-baserad uppskattning: Vi matar in frågor från Computer-sessioner i en språkmodell (LLM) för att uppskatta den tid som krävs för en skicklig yrkesperson som tar emot svar från Search men som måste utföra alla exekveringssteg manuellt.

Användarrapporterad uppskattning: Vi genomför 25 semistrukturerade intervjuer med aktiva Computer-användare inom olika domäner och kartlägger arbetsflöden före Computer samt den tid som dessa arbetsflöden skulle ha tagit.

Enligt den verktygsbaserade uppskattningen tar en genomsnittlig Search + Människa-uppgift 269 minuter, medan motsvarande Computer + Människa-arbetsflöde tar 36 minuter. Det är en minskning av uppgiftstiden med 87 %.

För att översätta uppgiftstid till kostnad använder vi domänspecifika genomsnittliga timlöner från den amerikanska arbetsmarknadsmyndighetens statistik (U.S. Bureau of Labor Statistics Occupational Employment and Wage Statistics, BLS OEWS) för maj 2025 (U.S. Bureau of Labor Statistics 2026). Genom att kombinera modellkostnad med domänspecifik mänsklig arbetskostnad minskar Computer den beräknade uppgiftskostnaden med i genomsnitt 94 %.

Effektivitetsfördelen uppträder i samtliga 18 domäner, med tidsbesparingar på 79–92 % och kostnadsbesparingar på 87–96 %. Programmering är det mest extrema fallet: 596 minuter för Search + Människa jämfört med 48 minuter för Computer + Människa – en tidsminskning med 92 % som ger en kostnadsminskning med 96 %. Affärsverksamhet, teknik, utbildning och skrivande uppvisar också stora vinster. Tidsbesparingar tenderar att omvandlas till större kostnadsbesparingar inom domäner med högre löner.

Hur robust är detta resultat? Betrakta en brytpunkt: för att Search + Människa ska matcha kostnaden för Computer + Människa skulle en yrkesperson behöva slutföra varje manuellt steg på 14–24 minuter (median 18). Computer behåller sin fördel i varje domän även under mer konservativa antaganden: till exempel en 8-faldig överskattning av tiden per verktyg, eller en 12-faldig underskattning av Computers övervakningstid.

Den LLM-baserade uppskattningen ger liknande sammanlagda resultat: en minskning av tiden med 84 % och en minskning av kostnaden med 93 % totalt sett. Användarintervjuer visar ett mycket bredare spann av resultat – från 5 till över 300 gångers hastighetsökning – vilket sannolikt återspeglar betydande variationer i användarnas baslinjer före Computer. Mediansnabbheten bland deltagarna är 25 gånger, vilket motsvarar en minskning av tiden med 96 %.

Uppgiftens omfattning expanderar horisontellt och vertikalt

Hastighet och kostnad för matchade uppgifter fångar bara en del av bilden. Arbetets utformning kan också förändras. När Computer ersätter manuellt utförande med maskinberäkning kan användare ta sig an andra typer av arbete – uppgifter som korsar yrkesgränser och sådana som kräver högre kompetensnivåer.

För det första frågar vi om användare arbetar utanför sitt härledda primära yrkeskluster oftare med Computer än med Search. För det andra jämför vi frågor från Computer och Search från samma användare med hjälp av fem klassificeringar på uppgiftsnivå: Blooms reviderade taxonomi (Anderson och Krathwohl 2001), abstrakt versus rutinmässigt arbete i traditionen för uppgiftsinnehåll (Autor, Levy och Murnane 2003), O*NET:s kunskapsbredd (National Center for O*NET Development 2026), O*NET:s bredd av arbetsaktiviteter samt nya uppgifter som inte utfördes med Search.

Den horisontella förskjutningen är tydlig i data. Över ett urval på 8 000 användare från åtta yrkeskluster, med hjälp av samtliga sina frågor, arbetar Computer-användare utanför sitt primära yrke 59 % av tiden, jämfört med 50 % för Search. De största ökningarna syns inom ledarskap och entreprenörskap, digital teknologi, konst och formgivning samt hälso- och sjukvård samt social omsorg. Sökfrågor som korsar yrkesgränser i Search är koncentrerade till digital teknologi, medan frågor i Computer delegerar arbete som sträcker sig in i mer skilda domäner där användarna annars skulle behöva specialister.

Den vertikala förskjutningen är ännu större. I ett urval av 5 000 frågor från Computer och 5 000 frågor från Search från samma uppsättning användare av båda produkterna är frågorna i Computer kognitivt mer komplexa än frågorna i Search. Enligt Blooms reviderade taxonomi kräver 76 % av Computer-frågorna kognition på högre nivå, jämfört med 55 % för Search. Skillnaden är koncentrerad till toppen: 50 % av Computer-frågorna är uppgifter på Skapa-nivå, jämfört med 26 % för Search. Search har betydligt mer tyngdpunkt på faktabaserad sökning på Kom ihåg-nivå. När det gäller dimensionen abstrakt versus rutinmässig uppgiftstyp innebär 71 % av Computer-frågorna abstrakt, icke-rutinmässig kognition jämfört med 53 % för Search.

Uppgifter i Computer drar också nytta av fler kunskapsdomäner. En genomsnittlig uppgift i Computer kräver saklig expertis inom 2,40 O*NET-kunskapsområden, jämfört med 1,74 för Search, vilket är en ökning med 38 %. Computer löper nästan tre gånger så stor risk som Search att kräva tre eller fler kunskapsdomäner: 51 % jämfört med 17 %.

På arbetsaktivitetsnivå gäller samma mönster. En typisk fråga i Computer engagerar 2,95 generaliserade arbetsaktiviteter och 4,01 intermediära arbetsaktiviteter enligt O*NET, jämfört med 2,24 respektive 2,87 för Search, vilket är en ökning med 32 % respektive 40 %. På mer detaljerade nivåer engagerar Computer 59 % fler detaljerade arbetsaktiviteter och 60 % fler yrkesspecifika uppgiftsuttalanden.

Det mest avslöjande måttet är den uppsättning uppgifter som förekommer i Computer men inte i Search bland samma användare. Vid den striktaste definitionen, där ett uppgiftsuttalande förekommer i Computer och aldrig förekommer i det matchade urvalet från Search, engagerar 23 % av Computer-frågorna minst ett uppgiftsuttalande som enbart förekommer i Computer. Om tröskeln mildras till att tillåta upp till fem förekomster i Search stiger andelen till 38 %, och den planar ut kring 41 %. Dessa aktiviteter som enbart utförs i Computer koncentreras till mjukvaru- och webbutveckling, framställning av dokumentation samt datavisualisering eller grafik. Det är exakt där den autonoma exekveringen spelar störst roll: Search förklarar; Computer producerar.

Diskussion

De flesta belägg för AI i arbetslivet fokuserar på assistentmiljön. Den litteraturen har visat på stora produktivitetsvinster när det gäller att förbättra skrivande, kundsupport, programmering och rådgivning (t.ex. Noy och Zhang 2023; Brynjolfsson, Li och Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

Agenter förändrar användarbeteende och ekonomiska konsekvenser i nästa led. Produktionstillsatser börjar avslöja agenters användning och påverkan i verkliga miljöer, men är mestadels inriktade på specialiserade kodningsagenter och tidiga webbläsaragenter (t.ex. Sarkar 2026; McCain et al. 2026; Demirer, Musolff och Yang 2026; Yang et al. 2025). Vi kompletterar detta arbete och överbryggar litteraturen om assistenter och agenter genom att jämföra användarinteraktion med en agendorchestrator för allmänna ändamål kontra en konversationsassistent, samt genom att utöka analysen av nedströmskonsekvenser till ett bredare spektrum av kunskapsarbete.

Vi går också från exponering till realiserad omkomposition av uppgifter. Tidigare arbete uppskattar vilka yrken som exponeras för AI med hjälp av uppgiftsbeskrivningar och yrkesstruktur (t.ex. Eloundou et al. 2024; Felten, Raj och Seamans 2023), medan användningsbaserade mått visar klyftan mellan exponering och driftsättning (Massenkoff och McCrory 2026). Vi dokumenterar hur uppgiftssammansättningen förändras med tillgång till agenter.

Vi noterar ett antal förbehåll. För det första är observationsfönstret tidigt, och tidiga användare lutar åt att vara AI-infödda. Användarna experimenterar också aktivt och anpassar sina arbetsflöden inom ett snabbt föränderligt produktlandskap, varför dessa mönster kan förändras över tid. För det andra utesluter den sessionsbaserade designen med matchade frågor många uppgifter i Computer som saknar en nära motsvarighet i Search. Även om sessioner utgör ett naturligt sätt att segmentera uppgifter följer användarna inte alltid denna struktur i praktiken, vilket gör sessioner till en brusig proxy för uppgiftsenheter. För det tredje är effektivitetsuppskattningarna helt beroende av antaganden om människoekvivalent verktygstid och mänsklig övervakningstid. Även om LLM-baserade uppskattningar och användarintervjuer pekar i samma riktning, och brytpunkts- och känslighetsanalyser indikerar robusthet, bör de exakta storlekarna läsas som ungefärliga. I samklang med detta tillför klassificeringsfel från LLM ytterligare mätbrus. Slutligen observerar vi endast användarbeteende inom Perplexity-ekosystemet och fångar inte upp aktivitet utanför det, vilket kan begränsa vår syn på användarnas fullständiga arbetsaktiviteter och verktygsanvändning.

Blick framåt

Agenter gör befintliga uppgifter snabbare och billigare – och, ännu viktigare, gör uppgifter som sträcker sig över yrkesgränser och kompetensnivåer genomförbara.

När ett system kan söka, surfa, koda, redigera filer, ansluta till tjänster och producera leverabler flyttas användarens flaskhals. De lägger mindre tid på att köra arbetsflödet och mer tid på att specificera mål, tillhandahålla kontext, kontrollera resultat och begära utökningar. Användaren går från operatör till övervakare.

På individnivå utökar denna förskjutning uppgiftsgränsen och gör det möjligt för användare att ta sig an arbete som är både bredare och djupare. På organisations- och arbetsmarknadsnivå är det en öppen fråga hur dessa mikronivåförändringar slås samman. Om en enskild individ, utrustad med agenter, kan slutföra arbetsflöden som tidigare krävde flera roller, kommer agenternas långsiktiga inverkan inte att fångas enbart av mätvärden för hastighet och kostnad. I stället kommer den att ta sig uttryck i hur arbetet paketeras, hur roller definieras och hur team struktureras.

För att läsa mer om vår metodologi och våra resultat, läs hela den tekniska rapporten.

Referenser

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

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

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