AI முகவர்கள் அறிவுப் பணியை எவ்வாறு மறுவடிவமைக்கிறார்கள்

முன்னணி AI அமைப்புகள் மாதிரி நுண்ணறிவுக்கும் நிஜ உலகப் பயன்பாட்டிற்கும் இடையே உள்ள இடைவெளியைக் குறைக்கின்றன. புதிய மாதிரிகள், கணினி கட்டமைப்புகள் மற்றும் ஆர்க்கெஸ்ட்ரேஷன் வடிவங்கள் ஆகியவை சில மாதங்களுக்கு முன்பு சாத்தியமற்றது என்று கருதப்பட்ட பணிகளை நிறைவேற்ற இந்த அமைப்புகளுக்கு உதவுகின்றன.

இந்த விரைவான கண்டுபிடிப்பு AI பயனர்களுக்கு அவர்களின் செல்வாக்கையும் முகாமையையும் பெருக்குவதன் மூலம் ஒரு வரப்பிரசாதமாக நிரூபிக்கப்பட்டுள்ளது. இருப்பினும், இது தொழில்நுட்ப எல்லைக்கும் அறிவுசார் பணி எவ்வாறு அதற்கேற்ப உருவாகிறது என்பது பற்றிய நமது புரிதலுக்கும் இடையே ஒரு பின்னடைவை உருவாக்கியுள்ளது. முன்னணி AI என்பது அனைத்து தொழில்களிலும் அறிவுசார் பணியின் தன்மையை எவ்வாறு மாற்றுகிறது? இந்தப் பணியில் என்ன கட்டமைப்பு மற்றும் பொருளாதார மாற்றங்களை நாம் எதிர்பார்க்கலாம்?

Perplexity பயன்பாட்டின் கவனமான அனுபவார்த்த பகுப்பாய்வு மூலம் இந்த இடைவெளியை மூட முற்படுகிறோம். இன்று, ஹார்வர்ட் பிசினஸ் ஸ்கூல் ஆராய்ச்சியாளர்களின் ஒத்துழைப்புடன், நிஜ உலக வரிசைப்படுத்தலில் Perplexity Computer பற்றிய எங்கள் முதல் விரிவான ஆய்வைப் பகிர்ந்து கொள்கிறோம். எங்கள் கண்டுபிடிப்புகள், பயனர்கள் குறைந்த செலவில் சாதிக்கக்கூடியவற்றின் அகலத்தையும் ஆழத்தையும் Computer விரிவுபடுத்துகிறது என்று கூறுகின்றன. Computer பயனர்கள் அதிக வேலைகளைச் செய்கிறார்கள், உயர் மட்ட சுருக்கங்களில் வேலை செய்கிறார்கள், மேலும் அவர்களின் சொந்த தொழில்களுக்கு வெளியே மதிப்பைத் திறக்க ஒழுக்க எல்லைகளைக் கடக்கிறார்கள்.

இந்தக் கட்டுரை எங்கள் ஆய்வின் சிறப்பம்சங்களை வழங்குகிறது. விரிவான முறையியல் மற்றும் கண்டுபிடிப்புகள் எங்கள் தொழில்நுட்ப அறிக்கையில் கிடைக்கின்றன.

அறிமுகம்

முதல் முக்கிய ஜெனரேட்டிவ் AI அமைப்புகள் பயனர்களுடன் உரையாடலில் ஈடுபடும் உரையாடல் உதவியாளர்களாக இருந்தன. இந்த உதவியாளர்கள் நோக்கத்திற்கும் செயலுக்கும் இடையில் அமர்ந்திருக்கிறார்கள். அவர்கள் கேள்விகளுக்குப் பதிலளிக்கிறார்கள், பரிமாற்றங்களை விளக்குகிறார்கள், அடுத்த படிகளைப் பரிந்துரைக்கிறார்கள். பயனர் பதிலைப் பணியாக மொழிபெயர்க்க வேண்டும்: சரியான கருவிகளைத் திறக்கவும், கோப்புகளைச் சேகரிக்கவும், ஆவணங்களைத் திருத்தவும், இடைநிலை வெளியீடுகளைச் சரிபார்க்கவும், அடுத்து என்ன செய்வது என்பதைத் தீர்மானிக்கவும்.

ஏஜென்ட்கள் அந்த உழைப்புப் பிரிவை மாற்றுகின்றன. ஒரு பயனர் ஒரு விளைவை குறிப்பிடுகிறார், மேலும் அமைப்பு கருவிகளுக்கு இடையே திட்டமிட்டு, இடைநிலை படிகளை நிறைவேற்றி, தேவைப்படும்போது காணாமல் உள்ள உள்ளீடுகளை கேட்டு, முழுமையான வழங்கலை மீண்டும் அளிக்கிறது. ஏஜென்ட்கள் AI பயன்பாட்டை தகவலைத் தேடி அதை ஒருங்கிணைப்பதிலிருந்து, பணிகளை தன்னாட்சியாக திட்டமிட்டு நிறைவேற்றுவதற்குத் திசைமாற்றுகின்றன.

இந்த வளைவு Perplexity இன் சொந்த தயாரிப்பு முன்னேற்றத்தை உயிர்ப்பிக்கிறது. 2022 இல், நாங்கள் தேடலைத் தொடங்கினோம், இது பயனர்கள் கேள்விகளைக் கேட்கவும் பில்லியன்கிரக்கணக்கான ஆவணங்கள் முழுவதும் சரிபார்க்கக்கூடிய மேற்கோள்களால் ஆதரிக்கப்படும் பதில்களைப் பெறவும் அதிகாரம் அளிப்பதன் மூலம் பதில் இயந்திர வகையை வரையறுத்தது. 2025 இல், திறந்த வலையில் பயனர்களுடன் சேர்ந்து பகுத்தறிவு மற்றும் செயல்படும் உட்பொதிக்கப்பட்ட வலை முகவருடன் Comet உலாவியை அறிமுகப்படுத்தினோம். மேலும் 2026 இல், நாங்கள் Computer ஐத் தொடங்கினோம், இது சிக்கலான சூழல்கள் மற்றும் நீண்ட கால எல்லைகளில் பயனர் குறிப்பிட்ட நோக்கங்களை நோக்கி தன்னாட்சி முறையில் செயல்படும் பொதுவான நோக்கமுள்ள முகமை ஆர்க்கெஸ்ட்ரேட்டர் ஆகும்.

இந்த மாற்றம் நாம் வேலை செய்யும் முறையை எவ்வாறு மாற்றுகிறது? எங்கள் தேடல் மற்றும் கணினி தயாரிப்புகளின் தரவைப் பயன்படுத்தி இந்த கேள்வியை நாங்கள் ஆராய்வோம், மூன்று பரிமாணங்களில் கவனம் செலுத்துகிறோம்:

தன்னாட்சி: அதே பணியில் தேடலுடன் ஒப்பிடும்போது Computer எவ்வளவு தன்னாட்சிப் பணியைச் செய்கிறது?

செயல்திறன்: அதே பணியில் தேடலுடன் ஒப்பிடும்போது Computer எவ்வளவு நேரம் மற்றும் உழைப்புச் செலவை மிச்சப்படுத்துகிறது?

நோக்கம்: பயனர்கள் முயற்சிக்கும் பணியின் வகையை Computer எவ்வாறு மாற்றுகிறது?

Computer போன்ற முகவர்களுக்கு அதிக முன்முயற்சி பயனர் முயற்சி தேவைப்படுகிறது (ஏனெனில் பயனர்கள் ஒப்படைக்கப்பட வேண்டிய நோக்கங்களைக் குறிப்பிட வேண்டும் மற்றும் முடிவுகளை மதிப்பாய்வு செய்ய வேண்டும்) ஆனால் ஒரு பணி அலகிற்கு மனித முயற்சி மிகவும் குறைவு (அதிக தன்னாட்சி மரணதண்டனை காரணமாக). அது நீண்ட, பல-படி பணிப்பாய்வுகளில் அவற்றை குறிப்பாக பயனுள்ளதாக்குகிறது. பலன் ஆழமாகவும் மலிவாகவும் இருக்கும் பணியாகும். Computer பயனர் முயற்சியை மேனுவல் எக்ஸிகியூஷனில் இருந்து மேற்பார்வைக்கு மாற்றுகிறது, பயனர்கள் தங்கள் சொந்த நிபுணத்துவப் பகுதிகளுக்குள்ளும் வெளியேயும் சாதிக்கக்கூடியவற்றின் வரம்பை விரிவுபடுத்துகிறது.

விரிவாக்கு

Computer தத்தெடுப்பு மற்றும் பயன்பாட்டு வழக்குகள்

Computer பிப்ரவரி 25, 2026 இல் தொடங்கப்பட்டது, மேலும் முதல் மூன்று மாதங்களில் விரைவாக வளர்ந்தது.

ஒட்டுமொத்த Computer வினவல்கள் மே 27க்குள் முதல் வார மொத்தத்தில் 84× ஐ அடைந்தன. ஒரு அடிப்படையாக, Computer பயனர்களிடையே ஒட்டுமொத்த தேடல் பயன்பாடு அதன் முதல் வார மொத்தத்தில் 14× ஐ எட்டியது, இது அல்லாத Computer பயனர்களுக்கு 12× வளர்ச்சியை விட அதிகமாகும்.

சப்ஸ்கிரிப்ஷன் அடுக்கு, முதன்மை தேடல் தலைப்பு மற்றும் முந்தைய தேடல் தீவிரம் ஆகியவற்றில் Computer மற்றும் Computer அல்லாத பயனர்களைப் பொருத்திய பிறகும், வேறுபாடுகள்-வேறுபாடுகள் ஒப்பீடு Computer ஐப் பயன்படுத்துவது தேடல் பயன்பாட்டை அதிகரிக்கிறது என்பதைக் காட்டுகிறது: Computer பயனர்கள் ஒத்த Computer அல்லாத பயனர்களை விட ஒரு நாளைக்கு 1.05 கூடுதல் தேடல் வினவல்களைச் செய்கிறார்கள்.

விரிவாக்கு

100,000 Computer வினவல்களின் சீரற்ற மாதிரியில், ஆராய்ச்சி மற்றும் பகுப்பாய்வு 25.8% இல் மிகப்பெரிய பணி வகையாக இருந்தது, அதைத் தொடர்ந்து ஆவணம் மற்றும் சொத்து உருவாக்கம் 18.6% இல் இருந்தது. கவனிக்கப்பட்ட பணி கலவையானது ஜெனரேட்டிவ் வேலையை நோக்கி சாய்ந்துள்ளது: பல கருவிகள் முழுவதும் வேலை தேவைப்படும் ஆவணங்கள், விரிதாள்கள், குடிப்பேஸ்கள், வலைத்தளங்கள் மற்றும் பணிப்பாய்வுகள்.

டொமைன்களுக்குத் திரும்புகையில், மென்பொருள் மற்றும் IT, நிதி மற்றும் முதலீடு, சந்தைப்படுத்தல் மற்றும் விற்பனை, வணிக நடவடிக்கைகள், சுகாதாரம், கல்வி, சட்டம் மற்றும் ஊடகம் ஆகியவற்றில் பயன்பாடு பரவலாக விநியோகிக்கப்பட்டது.

விரிவாக்கு

அதிக தன்னாட்சி மற்றும் தரம்

தன்னாட்சியின் நேரடி சமிக்ஞை, பயனர் கோரிக்கையைச் சமர்ப்பித்த பிறகு மனிதத் தலையீடு இல்லாமல் அமைப்பு எவ்வளவு காலம் இயங்குகிறது என்பது ஆகும். தேடல் பொதுவாக சில நொடிகளில் பதிலைத் தரும். Computer பெரும்பாலும் நிமிடங்கள் அல்லது மணிநேரங்களுக்கு தொடர்ந்து வேலை செய்கிறது: தேடுதல், உலாவுதல், எழுதுதல், திருத்துதல், குறியீட்டை இயக்குதல் மற்றும் இடைநிலை முடிவுகளைச் சரிபார்த்தல்.

ஒரே மாதிரியான ஆரம்ப வினவல்களுடன் தேடல் மற்றும் கணினி அமர்வுகளை ஒரே மாதிரியான பணியாகப் பயன்படுத்துகிறோம். 10,000 பொருத்தப்பட்ட ஜோடிகளில், Computer ஒரு அமர்வுக்கு சராசரியாக 26 நிமிட இயந்திர மரணதண்டனையைச் செய்கிறது, தேடலுக்கு 33 வினாடிகளுடன் ஒப்பிடுகையில். இது திறம்பட அதே பணிகளில் இயந்திர வேலையில் 48× அதிகரிப்பாகும். நடுவத்தில், இடைவெளி 9 நிமிடங்கள் மற்றும் 14 வினாடிகள் அல்லது 40× ஆகும். டொமைன் பிளவு அதே மாதிரியைக் காட்டுகிறது: Computer அனைத்து 18 டொமைன்களிலும் தோராயமாக 26-75× அதிக இயந்திர வேலையைச் செய்கிறது.

விரிவாக்கு

விரிவாக்கு

நீண்ட காலம் இயங்கும் தன்னாட்சி கைவிடுதலாக மாறவில்லை. பயனர் நிறுத்த நிகழ்வுகள் தயாரிப்புகளில் ஒத்ததாக இருந்தன: 3.7% Computer அமர்வுகள் மற்றும் 3.4% தேடல் அமர்வுகள் குறைந்தபட்சம் ஒரு பயனர் நிறுத்த நிகழ்வைக் கொண்டிருந்தன. Computer பயனர் உள்ளீட்டிற்காக அடிக்கடி இடைநிறுத்தப்பட்டது: 13% Computer வினவல்கள் தேடலுக்கான 0.3% உடன் ஒப்பிடும்போது குறைந்தபட்சம் ஒரு இடைநிறுத்த-பயனர் கருவியைக் கோரின, பொதுவாக ஒப்புதல் கோர அல்லது தெளிவுபடுத்தும் கேள்விகளைக் கேட்க. அது ஒரு முகவருக்கான எதிர்பார்த்த வடிவமாகும்: இது பெரும்பாலான நேரம் தன்னாட்சி முறையில் தொடரலாம், ஆனால் அனுமதி பெறவும் பயனர் என்ன விரும்புகிறார் என்பதை உறுதிப்படுத்தவும் காசோலைக் குறிப்புகள் தேவை.

Computer ஆனது பல வெளிப்புறக் கருவி அழைப்புகளை—மாதிரி சூழல் நெறிமுறை (MCP) அல்லது பயன்பாட்டு நிரலாக்க இடைமுகம் (API) இறுதிப் புள்ளிகள் வழியாக—ஒரே அமர்வில் இணைக்கிறது, தேடல் பயனர் தனித்தனி பயன்பாடுகளில் கைமுறையாகச் செய்யும் வேலையைச் செய்கிறது. 7.9% Computer அமர்வுகள் தேடல் அமர்வுகளில் 1.8% உடன் ஒப்பிடும்போது குறைந்தபட்சம் ஒரு இணைப்பான் அழைப்பைச் செய்கின்றன (4× இடைவெளி), மற்றும் Computer ஒரு அமர்வுக்கு 1.19 இணைப்பான் அழைப்புகளைத் தேடலுக்கான 0.10 உடன் ஒப்பிடுகையில் சராசரியாகக் கொண்டுள்ளது (12× விகிதம்). வேறு வார்த்தைகளில் கூறுவதானால், Computer நீண்ட காலம் இயங்குவது மட்டுமல்ல; இது தரவைப் பெறவும் நடவடிக்கை எடுக்கவும் பயனரின் இணைக்கப்பட்ட சேவைகளில் பலவற்றை அடைகிறது.

பின்னூட்ட நடத்தைவும் அமைப்பில் மாறுகிறது. 1,000 ஜோடி பல-திருப்பு மாதிரியில், பணி முன்னேற்றத்திற்கான மொத்த முனைப்புத் தன்மை தயாரிப்புகள் முழுவதும் கிட்டத்தட்ட ஒரே மாதிரி உள்ளது (Computer பின்னூட்டங்களில் 52.7% versus Search-க்கான 52.9%), ஆனால் பயனர்கள் கேட்பது மாறுகிறது: Computer முன்கூட்டியே மேலும் முழுமையான வழங்கலை அளிப்பதால், அதன் பயனர்கள் தெளிவுபடுத்தும் ஆழமான விசாரணைகளுக்குப் பதிலாக விரிவாக்கங்களை மாற்றிக் கொள்கிறார்கள் (விரிவாக்கங்கள் 14.2% versus 12.5%; ஆழமான விசாரணைகள் 22.0% versus 23.4%). Computer பயனர்கள் தங்கள் பின்னூட்டங்களில் வெளியீட்டை மதிப்பாய்வு செய்து திருத்துவதிலும் சற்றே அதிக நேரத்தை செலவிடுகிறார்கள் (24.6% versus 23.6%), அதேசமயம் Search உறுதிப்படுத்தல்கள், மீண்டும் முயற்சிகள், மற்றும் வடிவமைப்பு கோரிக்கைகள் போன்ற குறுகிய உத்தரவுகளில் அதிகமாக உள்ளது (11.6% versus 9.9%), அவற்றை Computer அதன் தொடக்க ஓட்டத்திலேயே இணைத்துக்கொள்கிறது. வேறொரு விதமாகச் சொன்னால், Search குறுகிய பெறி-செயல்படுத்து சுழற்சிகளை உருவாக்குகிறது; Computer நீளமான மதிப்பாய்வு-மற்றும்-விரிவாக்க சுழற்சிகளை உருவாக்குகிறது.

மிக முக்கியமாக, அதிக தன்னாட்சியுடன் தரம் குறையவில்லை. பொருத்தப்பட்ட பல-திருப்ப அமர்வுகளில், அர்த்தமுள்ள அடுத்த-திருப்ப அதிருப்தி Computer க்கு 1.3% ஆகவும் தேடலுக்கு 2.9% ஆகவும் இருந்தது, இது 55% குறைப்பு ஆகும். லேசான சமிக்ஞைகள் உட்பட எந்தவொரு அதிருப்தியும் Computer க்கு 10.8% ஆகவும் தேடலுக்கு 16.6% ஆகவும் இருந்தது.

விரிவாக்கு

தன்னாட்சியிலிருந்து செயல்திறன் நன்மைகள்

அதிக தன்னாட்சி மேனுவல் மனித உழைப்பை இயந்திர கணக்கீட்டிற்கு மாற்றுகிறது, இது செயல்திறனை அதிகரிக்கிறது. இந்த விளைவை அளவிட, ஒரே பொருத்தப்பட்ட பணிகளில் இரண்டு அமைப்புகளை ஒப்பிடுகிறோம்.

தேடல் + மனிதன்: தேடல் மீட்டெடுப்பு மற்றும் ஒருங்கிணைப்பைக் கையாளுகிறது; மனிதன் கைமுறையாக செயல்படுத்துகிறான்.

Computer + மனிதன்: Computer பணிப்பாய்வுகளைச் செய்கிறது; மனிதன் பணியின் அளவை நிர்ணயிக்கிறான் மற்றும் வெளியீட்டை மதிப்பாய்வு செய்கிறான்.

ஒரு பணி மனிதனுக்கு எவ்வளவு காலம் எடுக்கும் என்பதை எங்களால் நேரடியாகக் கவனிக்க முடியாது, எனவே மூன்று சுயாதீன மதிப்பீடுகளுடன் முக்கோணமாக்குகிறோம்:

கருவி அடிப்படையிலான மதிப்பீடு: Computer கருவி அழைப்புகளை இரண்டு வகைகளாக வகைப்படுத்துகிறோம்: "தேடல்" மற்றும் "செய்". தேடல் கருவிகள் ஏற்கனவே தேடல் தயாரிப்பால் கையாளப்படும் தகவல் மீட்டெடுப்பு மற்றும் ஒருங்கிணைப்பு படிகளுடன் ஒத்திருக்கும். செய் கருவிகள் தேடலை மட்டும் பயன்படுத்தும் போது மனிதன் கைமுறையாகச் செய்ய வேண்டிய செயல்பாட்டுப் படிகளைக் குறிக்கின்றன. இந்த செய் செயல்களைச் செய்ய ஒரு அனுபவமிக்க மனிதனுக்குத் தேவையான நேரத்தை நாங்கள் மதிப்பிடுகிறோம்.

LLM அடிப்படையிலான மதிப்பீடு: தேடலிலிருந்து பதில்களைப் பெறும் ஆனால் அனைத்து மரணதண்டனை படிகளையும் கைமுறையாகச் செய்ய வேண்டிய ஒரு திறமையான நிபுணருக்குத் தேவையான நேரத்தை மதிப்பிடுவதற்கு Computer அமர்வுகளிலிருந்து பெறப்பட்ட வினவல்களை LLM இல் ஊட்டுகிறோம்.

பயனர்-தெரிவிக்கப்பட்ட மதிப்பீடு: டொமைன்களில் உள்ள செயலில் உள்ள Computer பயனர்களுடன் 25 அரை-கட்டமைக்கப்பட்ட நேர்காணல்களை நடத்துவோம் மற்றும் Computer-க்கு முந்தைய பணிப்பாய்வுகளையும் அந்த பணிப்பாய்வுகள் எடுத்திருக்கும் நேரத்தையும் வெளிப்படுத்துகிறோம்.

விரிவாக்கு

கருவி அடிப்படையிலான மதிப்பீட்டின் கீழ், சராசரி தேடல் + மனித பணி 269 நிமிடங்கள் எடுக்கும், அதே நேரத்தில் தொடர்புடைய Computer + மனித பணிப்பாய்வு 36 நிமிடங்கள் எடுக்கும். இது பணி நேரத்தில் 87% குறைப்பு ஆகும்.

பணி நேரத்தை செலவாக மொழிபெயர்க்க, அமெரிக்க தொழிலாளர் புள்ளிவிவரப் பணியகம் ஆக்கிரமிப்பு வேலைவாய்ப்பு மற்றும் ஊதிய புள்ளிவிவரங்கள் (BLS OEWS) மே 2025 தரவு (அமெரிக்க தொழிலாளர் புள்ளிவிவரப் பணியகம் 2026) இலிருந்து டொமைன் சார்ந்த சராசரி மணிநேர ஊதியத்தைப் பயன்படுத்துகிறோம். மாதிரிச் செலவை டொமைன் சார்ந்த மனித உழைப்புச் செலவுடன் இணைத்து, Computer சராசரியாக மதிப்பிடப்பட்ட பணிச் செலவை 94% குறைக்கிறது.

விரிவாக்கு

விரிவாக்கு

செயல்திறன் நன்மை அனைத்து 18 டொமைன்களிலும் தோன்றுகிறது, 79-92% நேர சேமிப்பு மற்றும் 87-96% செலவு சேமிப்புடன். நிரலாக்கம் மிகவும் தீவிரமான வழக்கு: தேடல் + மனிதனுக்கு 596 நிமிடங்கள் বনাম Computer + மனிதனுக்கு 48 நிமிடங்கள் - 92% நேரக் குறைப்பு 96% செலவுக் குறைப்பை அளிக்கிறது. வணிகம், தொழில்நுட்பம், கல்வி மற்றும் எழுத்து போன்றவையும் பெரிய லாபத்தைக் காட்டுகின்றன. நேர சேமிப்பு அதிக ஊதியம் பெறும் டொமைன்களில் அதிக செலவு சேமிப்பாக மொழிபெயர்க்க முனைகிறது.

இந்த முடிவு எவ்வளவு வலுவானது? ஒரு பிரேக் ஈவனைக் கவனியுங்கள்: தேடல் + மனிதன் Computer + மனிதனின் செலவுடன் பொருந்த, ஒரு நிபுணர் ஒவ்வொரு மேனுவல் படியையும் 14-24 நிமிடங்களில் (நடுவம் 18) முடிக்க வேண்டும். மிகவும் பழமைவாத அனுமானங்களின் கீழ் கூட Computer ஒவ்வொரு டொமைனிலும் அதன் விளிம்பைப் பராமரிக்கிறது: உதாரணமாக, கருவிக்கு முந்தைய நேரத்தில் 8× மிகைமதிப்பீடு, அல்லது Computer இன் மேற்பார்வை நேரத்தில் 12× குறைமதிப்பீடு.

LLM அடிப்படையிலான மதிப்பீடு ஒத்த மொத்த முடிவுகளை அளிக்கிறது: நேரம் 84% குறைப்பு மற்றும் செலவு 93% ஒட்டுமொத்தமாக குறைப்பு. பயனர் நேர்காணல்கள் மிகவும் பரந்த அளவிலான விளைவுகளைக் காட்டுகின்றன - 5× முதல் 300× க்கும் அதிகமான வேகங்கள் - பயனர்களின் Computer-க்கு முந்தைய அடிப்படைகளில் கணிசமான மாறுபாட்டைப் பிரதிபலிக்கிறது. பங்கேற்பாளர்கள் முழுவதும் நடுவ வேகமானது 25× ஆகும், இது நேரத்தில் 96% குறைப்புடன் ஒத்திருக்கிறது.

பணி நோக்கம் கிடைமட்டமாகவும் செங்குத்தாகவும் விரிவடைகிறது

பொருத்தப்பட்ட பணிகளில் வேகம் மற்றும் செலவு கதையின் ஒரு பகுதியை மட்டுமே படம்பிடிக்கிறது. பணியின் வடிவமும் மாறலாம். Computer மேனுவல் எக்ஸிகியூஷனை இயந்திர கணக்கீட்டுடன் மாற்றுவதால், பயனர்கள் பல்வேறு வகையான பணிகளை மேற்கொள்ளலாம் - தொழில் எல்லைகளைக் கடக்கும் மற்றும் அதிக மட்டத்திலான நிபுணத்துவம் தேவைப்படும் பணிகள்.

முதலில், பயனர்கள் தேடலை விட Computer உடன் தங்கள் ஊகிக்கப்பட்ட முதன்மை தொழில் கிளஸ்டருக்கு வெளியே அடிக்கடி வேலை செய்கிறார்களா என்று கேட்கிறோம். இரண்டாவதாக, அதே பயனர்களிடமிருந்து Computer மற்றும் தேடல் வினவல்களை ஐந்து பணி-நிலை வகைப்பாடுகளைப் பயன்படுத்தி ஒப்பிடுகிறோம்: ப்ளூமின் திருத்தப்பட்ட வகைமை (ஆன்டர்சன் மற்றும் கிராத்வோல் 2001), பணி-உள்ளடக்க பாரம்பரியத்தில் சுருக்கமான বনাম வழக்கமான வேலை (ஆடோர், லெவி மற்றும் முர்னே 2003), O*NET அறிவு அகலம் (O*NET மேம்பாட்டுக்கான தேசிய மையம் 2026), O*NET வேலை-செயல்பாட்டு அகலம், மற்றும் தேடலில் முயற்சிக்கப்படாத புதிய பணிகள்.

கிடைமட்ட மாற்றம் தரவுகளில் தெளிவாகத் தெரிகிறது. எட்டு தொழில் கூட்டமைப்புகளிலிருந்து 8,000 பயனர்களின் மாதிரியில், அவர்களின் அனைத்து வினவல்களையும் பயன்படுத்தி, Computer பயனர்கள் தங்கள் முதன்மை தொழிலுக்கு வெளியே 59% நேரம் வேலை செய்கிறார்கள், தேடலுக்கான 50% உடன் ஒப்பிடுகையில். மேலாண்மை மற்றும் தொழில்முனைவோர், டிஜிட்டல் தொழில்நுட்பம், கலை மற்றும் வடிவமைப்பு, மற்றும் சுகாதாரம் மற்றும் மனித சேவைகள் ஆகியவற்றில் மிகப்பெரிய அதிகரிப்புகள் தோன்றுகின்றன. குறுக்கு-தொழில் தேடல் வினவல்கள் டிஜிட்டல் தொழில்நுட்பத்தில் செறிவூட்டப்பட்டுள்ளன, அதே நேரத்தில் Computer வினவல்கள் பயனர்களுக்கு இல்லையெனில் வல்லுநர்கள் தேவைப்படும் மிகவும் மாறுபட்ட டொமைன்களில் கடக்கும் வேலையை ஒப்படைக்கின்றன.

விரிவாக்கு

செங்குத்து மாற்றம் இன்னும் பெரியதாக உள்ளது. அதே இரட்டை-தயாரிப்பு பயனர்கள் குழுவிலிருந்து எடுத்த 5,000 Computer கேள்விகள் மற்றும் 5,000 Search கேள்விகள் கொண்ட மாதிரியில், Computer கேள்விகள் Search கேள்விகளை விட அதிக அறிவுசார் சிக்கல் கொண்டவை. Bloom's Revised Taxonomy-யில், Computer கேள்விகளில் 76% உயர்நிலை சிந்தனை தேவைப்படுகின்றன, Search-க்கு இது 55%. இந்த வேறுபாடு உச்சியில் குவிந்துள்ளது: Computer கேள்விகளில் 50% Create-நிலை பணிகள், Search-க்கு இது 26%. நினைவுகூர்வு-நிலை உண்மைத் தேடலில் Search-க்கு அதிக பங்கு உள்ளது. சுருக்கமான-மற்றும்-அன்றாட பணிவகை பரிமாணத்தில், Computer கேள்விகளில் 71% சுருக்கமான, வழக்கமல்லாத அறிவுசார் செயல்பாட்டை உட்படுத்துகின்றன, Search-க்கு இது 53%.

விரிவாக்கு

Computer பணிகள் அதிக அறிவு டொமைன்களையும் ஈர்க்கின்றன. சராசரி Computer பணிக்கு 2.40 O*NET அறிவுப் பகுதிகளில் கணிசமான நிபுணத்துவம் தேவைப்படுகிறது, தேடலுக்கு 1.74 உடன் ஒப்பிடுகையில், 38% அதிகரிப்பு. Computer மூன்று அல்லது அதற்கு மேற்பட்ட அறிவு டொமைன்கள் தேவைப்படுவதற்கான வாய்ப்பில் தேடலை விட கிட்டத்தட்ட மூன்று மடங்கு அதிகமாக உள்ளது: 51% அவற்றுடன் 17%.

விரிவாக்கு

வேலை-செயல்பாட்டு மட்டத்தில், அதே மாதிரி உள்ளது. ஒரு பொதுவான Computer வினவல் 2.95 O*NET பொதுவான வேலை செயல்பாடுகளையும் 4.01 இடைநிலை வேலை செயல்பாடுகளையும் ஈடுபடுத்துகிறது, தேடலுக்கு 2.24 மற்றும் 2.87 உடன் ஒப்பிடும்போது, ​​32% மற்றும் 40% அதிகரிப்பு. நுண்ணிய மட்டங்களில், Computer 59% அதிக விரிவான வேலைச் செயல்பாடுகளையும், 60% அதிக தொழில் சார்ந்த பணி அறிக்கைகளையும் ஈடுபடுத்துகிறது.

விரிவாக்கு

மிகவும் வெளிப்படுத்தும் அளவீடு அதே பயனர்களிடையே தேடலில் அல்லாமல் Computer இல் தோன்றும் பணிகளின் தொகுப்பாகும். மிகக் கடுமையான வரையறையில், ஒரு பணி அறிக்கை Computer இல் தோன்றும் மற்றும் இணைக்கப்பட்ட தேடல் மாதிரியில் எப்போதோ தோன்றாத நிலையில், 23% Computer வினவல்கள் குறைந்தது ஒரு Computer-மட்டும் பணி அறிக்கையிலாவது ஈடுபடுகின்றன. ஐந்து தேடல் நிகழ்வுகள் வரை அனுமதிக்க வரம்பைத் தளர்த்துவது பங்கினை 38% ஆக உயர்த்துகிறது, மேலும் இது 41% அருகில் நிலைபெறுகிறது. இந்த Computer-மட்டும் செயல்பாடுகள் மென்பொருள் மற்றும் வலை மேம்பாடு, ஆவணப்படுத்தல் உற்பத்தி மற்றும் தரவு காட்சிப்படுத்தல் அல்லது கிராபிக்ஸ் ஆகியவற்றில் கவனம் செலுத்துகின்றன. அங்கேதான் தன்னாட்சி மரணதண்டனை மிக முக்கியமானது: தேடல் விளக்குகிறது; Computer உருவாக்குகிறது.

விரிவாக்கு

விவாதம்

வேலையில் AI பற்றிய பெரும்பாலான சான்றுகள் உதவியாளர் அமைப்பில் கவனம் செலுத்துகின்றன. அந்த இலக்கியம் எழுதுதல், வாடிக்கையாளர் ஆதரவு, குறியீட்டு முறை மற்றும் ஆலோசனை ஆகியவற்றை பெருக்குவதில் பெரிய உற்பத்தித்திறன் லாபத்தைக் காட்டியுள்ளது (எ.கா., நாய் மற்றும் ஜாங் 2023; பிரிஞ்சோல்ப்சன், லி மற்றும் ரேமண்ட் 2025; கியூ மற்றும் பலர். 2026; டெல்'அக்குவா மற்றும் பலர். 2026).

ஏஜெண்டுகள் பயனர் நடத்தையையும் கீழ்நிலை பொருளாதார விளைவுகளையும் மாற்றுகின்றன. உற்பத்தி வரிசைப்படுத்தல்கள் நிஜ உலக அமைப்புகளில் முகவர் பயன்பாடு மற்றும் தாக்கத்தை வெளிப்படுத்தத் தொடங்குகின்றன, ஆனால் பெரும்பாலும் சிறப்பு குறியீட்டு முகவர்கள் மற்றும் ஆரம்ப வலை உலாவி முகவர்களில் கவனம் செலுத்துகின்றன (எ.கா., சர்க்கார் 2026; மெக்கெய்ன் மற்றும் பலர். 2026; டெமிரர், முசோஃப் மற்றும் யாங் 2026; யாங் மற்றும் பலர். 2025). பொதுவான நோக்கமுள்ள முகமை ஆர்க்கெஸ்ட்ரேட்டர் বনাম உரையாடல் உதவியாளருடன் பயனர் தொடர்புகளை ஒப்பிடுவதன் மூலமும், கீழ்நிலை தாக்க பகுப்பாய்வை பரந்த அளவிலான அறிவுப் பணிக்கு நீட்டிப்பதன் மூலமும் இந்தப் பணியை நாங்கள் பூர்த்தி செய்கிறோம் மற்றும் உதவியாளர் மற்றும் முகவர் இலக்கியங்களை இணைக்கிறோம்.

வெளிப்பாட்டிலிருந்து உணர்ந்த பணி மறுசீரமைப்பிற்கும் நகர்கிறோம். பணி விளக்கங்கள் மற்றும் தொழில் கட்டமைப்பைப் பயன்படுத்தி எந்தத் தொழில்கள் AI க்கு வெளிப்படுத்தப்படுகின்றன என்பதை முந்தைய பணி மதிப்பிடுகிறது (எ.கா., எலூண்டு மற்றும் பலர். 2024; ஃபெல்டன், ராஜ் மற்றும் சீமான்ஸ் 2023), அதே நேரத்தில் பயன்பாடு அடிப்படையிலான அளவீடுகள் வெளிப்பாட்டிற்கும் வரிசைப்படுத்தலுக்கும் இடையிலான இடைவெளியைக் காட்டுகின்றன (மாசென்காஃப் மற்றும் மெக்ராறி 2026). முகவர் அணுகலுடன் பணி அமைப்பு எவ்வாறு மாறுகிறது என்பதை ஆவணப்படுத்துகிறோம்.

பல எச்சரிக்கைகளைக் குறிப்பிடுகிறோம். முதலாவதாக, கண்காணிப்பு சாளரம் முந்தையது, மேலும் ஆரம்ப ஏற்பவர்கள் AI பூர்வீகர்களை நோக்கி சாய்ந்துள்ளனர். பயனர்களும் தீவிரமாக பரிசோதனை செய்து, வேகமாக உருவாகும் தயாரிப்பு நிலப்பரப்பிற்குள் தங்கள் பணிப்பாய்வுகளை மாற்றியமைக்கிறார்கள், எனவே இந்த வடிவங்கள் காலப்போக்கில் மாறலாம். இரண்டாவதாக, அமர்வு அடிப்படையிலான பொருத்தப்பட்ட-வினவல் வடிவமைப்பு நெருக்கமான தேடல் சமமான இல்லாத பல Computer பணிகளை விட்டுவிடுகிறது. அமர்வுகள் பணிகளைப் பிரிக்க இயற்கையான வழியை வழங்கினாலும், பயனர்கள் நடைமுறையில் இந்த கட்டமைப்பை எப்போதும் பின்பற்றுவதில்லை, அமர்வுகளை பணி அலகுகளுக்கு இரைச்சலான ப்ராக்ஸியாக மாற்றுகின்றன. மூன்றாவதாக, செயல்திறன் மதிப்பீடுகள் மனிதனுக்குச் சமமான கருவி நேரம் மற்றும் மனித மேற்பார்வை நேரம் பற்றிய அனுமானங்களை விமர்சன ரீதியாக சார்ந்துள்ளது. LLM அடிப்படையிலான மதிப்பீடுகள் மற்றும் பயனர் நேர்காணல்கள் அதே திசையைக் சுட்டிக்காட்டினாலும், மற்றும் பிரேக் ஈவன் மற்றும் உணர்திறன் பகுப்பாய்வுகள் வலிமையைக் காட்டினாலும், சரியான அளவுகள் தோராயமாகப் படிக்கப்பட வேண்டும். தொடர்புடைய வகையில், LLM வகைப்பாடு பிழை கூடுதல் அளவீட்டு இரைச்சலை அறிமுகப்படுத்துகிறது. இறுதியாக, Perplexity சுற்றுச்சூழல் அமைப்புக்குள் மட்டுமே பயனர் நடத்தையைக்ண்காணிப்போம் மற்றும் அதற்கு வெளியே உள்ள செயல்பாட்டைப் படம்பிடிக்க மாட்டோம், இது பயனர்களின் முழு வேலை செயல்பாடுகள் மற்றும் கருவி பயன்பாட்டின் நமது பார்வையை வரம்பிடலாம்.

முன்னோக்கிப் பார்க்கிறது

முகவர்கள் ஏற்கனவே உள்ள பணிகளை வேகமாகவும் மலிவாகவும் ஆக்குகிறார்கள் - மேலும், முக்கியமாக, தொழில் எல்லைகள் மற்றும் நிபுணத்துவ நிலைகளைக் கடக்கும் பணிகளை சாத்தியமாக்குகிறார்கள்.

ஒரு அமைப்பு தேட, உலாவ, குறியிட, கோப்புகளைத் திருத்த, சேவைகளுடன் இணைக்க, மற்றும் வழங்கல்களை உருவாக்க முடிந்தால், பயனரின் நெருக்கடி மையம் மாறுகிறது. அவர்கள் பணிப்பாய்வை இயக்குவதில் குறைவான நேரமும், இலக்குகளைத் தெளிவுபடுத்துவதில், சூழலை வழங்குவதில், வெளியீடுகளைச் சரிபார்ப்பதில், மற்றும் விரிவாக்கங்களை கோருவதில் அதிகமான நேரமும் செலவிடுகிறார்கள். பயனர் இயக்குநரிலிருந்து மேற்பார்வையாளராக மாறுகிறார்.

தனிநபர் மட்டத்தில், இந்த மாற்றம் பணி எல்லையை விரிவுபடுத்துகிறது, பயனர்கள் அகலமாகவும் ஆழமாகவும் இருக்கும் வேலையை ஏற்க உதவுகிறது. நிறுவன மற்றும் உழைப்பு சந்தை மட்டத்தில், இந்த நுண்-நிலை மாற்றங்கள் எவ்வாறு ஒட்டுமொத்தமாக அமைகின்றன என்பது திறந்த கேள்வியாகவே உள்ளது. ஒரு ஒற்றை நபர், முகவர்களுடன் பொருத்தப்பட்டவர், முன்பு பல பாத்திரங்கள் தேவைப்பட்ட பணிப்பாய்வுகளை முடிக்க முடியும் என்றால், முகவர்களின் நீண்ட கால தாக்கம் வேகம் மற்றும் செலவு அளவீடுகளால் மட்டும் பிடிக்கப்படாது. அதற்கு பதிலாக, அது வேலை எவ்வாறு தொகுக்கப்பட்டுள்ளது, பாத்திரங்கள் எவ்வாறு வரையறுக்கப்பட்டுள்ளன மற்றும் குழுக்கள் எவ்வாறு கட்டமைக்கப்பட்டுள்ளன என்பதில் வெளிப்படும்.

எங்கள் முறையியல் மற்றும் கண்டுபிடிப்புகள் பற்றி மேலும் அறிய, முழுமையான தொழில்நுட்ப அறிக்கையைப் படிக்கவும்.

குறிப்புகள்

ஆன்டர்சன், லாரின் W., மற்றும் டேவிட் R. கிராத்வோல். 2001. கற்றல், கற்பித்தல் மற்றும் மதிப்பீட்டிற்கான ஒரு வகைமை: ப்ளூமின் கல்வி நோக்கங்களின் வகைமையின் திருத்தம். நியூயார்க்: லாங்மேன்.

ஆடோர், டேவிட் H., ஃபிராங்க் லெவி, மற்றும் ரிச்சர்ட் J. முர்னே. 2003. "சமீபத்திய தொழில்நுட்ப மாற்றத்தின் திறன் உள்ளடக்கம்: ஒரு அனுபவார்த்த ஆய்வு." தி குவார்ட்டர்லி ஜெர்னல் ஆஃப் எகனாமிக்ஸ் 118 (4): 1279–1333.

பிரிஞ்சோல்ப்சன், எரிக், டேனியல் லி, மற்றும் லின்ட்சே R. ரேமண்ட். 2025. "வேலையில் ஜெனரேட்டிவ் AI." தி குவார்ட்டர்லி ஜெர்னல் ஆஃப் எகனாமிக்ஸ் 140 (2): 889–942.

கியூ, ஜெய்வான் கெவின், மெர்ட் டெமிரர், சோனியா ஜாஃப், லியோன் முசோஃப், சிடா பெங், மற்றும் டோபியாஸ் சால்ஸ். 2026. "உயர்-திறன் வேலையில் ஜெனரேட்டிவ் AI இன் விளைவுகள்: மென்பொருள் உருவாக்குநர்களுடன் மூன்று கள சோதனைகளிலிருந்து சான்றுகள்." மேனேஜ்மென்ட் சயின்ஸ், கட்டுரைகள் முன்கூட்டியே.

டெல்'அக்குவா, ஃபேப்ரிசியோ, எட்வர்ட் மெக்போவ்லாண்ட் III, ஈதன் R. மொல்லிக், ஹிலா லிப்ஷிட்ஸ்-அசாஃப், கேத்தரின் கெல்லாக், சரண் ராஜேந்திரன், லிசா கிரேயர், ஃபிராங்கொயிஸ் கேண்டெலன், மற்றும் கரீம் R. லக்கானி. 2026. "கரடுமுரடான தொழில்நுட்ப எல்லையில் செல்லுதல்: அறிவுப் பணியாளர் உற்பத்தித்திறன் மற்றும் தரத்தில் செயற்கை நுண்ணறிவின் விளைவுகளின் களம் சோதனைச் சான்றுகள்." ஆர்கனைசேஷன் சயின்ஸ், கட்டுரைகள் முன்கூட்டியே.

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.

ஃபெல்டன், எட்வர்ட் W., மனவ் ராஜ், மற்றும் ராபர்ட் சீமான்ஸ். 2023. "ஜெனரேட்டிவ் AI வெளிப்பாட்டில் தொழில்சார் பன்முகத்தன்மை." SSRN 4414065.

மாசென்காஃப், மாக்சிம், மற்றும் பீட்டர் மெக்ராறி. 2026. "AI இன் உழைப்பு சந்தை தாக்கங்கள்: ஒரு புதிய அளவீடு மற்றும் ஆரம்ப சான்றுகள்." Anthropic.

மெக்கெய்ன், மைல்ஸ், தாமஸ் மில்லர், சஃப்ரான் ஹவாங், ஜேக் ஈடன், குனால் ஹண்டா, மைக்கேல் ஸ்டெர்ன், அலெக்ஸ் டம்கின், மாட் கியர்னி, எசின் துர்முஸ், ஜூடி ஷென், ஜெர்ரி ஹொங், பிரையன் கால்வெர்ட், ஜூன் ஷெர்ன் சான், பிரான்செஸ்கோ மோஸ்கோனி, டேவிட் சண்டர்ஸ், டைலர் நெய்லான், கேப்ரியல் நிக்கோலஸ், சாரா பொல்லாக், ஜாக் கிளார்க், மற்றும் டீப் கங்குலி. 2026. "நடைமுறையில் AI முகவர் தன்னாட்சியை அளவிடுதல்." Anthropic.

O*NET மேம்பாட்டுக்கான தேசிய மையம். 2026. O*NET 30.2 தரவுத்தளம். அமெரிக்க தொழிலாளர் துறை, வேலைவாய்ப்பு மற்றும் பயிற்சி நிர்வாகம்.

நாய், ஷக்கெட், மற்றும் விட்னி ஜாங். 2023. "ஜெனரேட்டிவ் செயற்கை நுண்ணறிவின் உற்பத்தித்திறன் விளைவுகள் பற்றிய சோதனைச் சான்றுகள்." சயின்ஸ் 381 (6654): 187–192.

சர்க்கார், சுப்ரோதீம் K. 2026. "AI முகவர்கள் மற்றும் உயர்-வரிசை வேலை." சிகாகோ பல்கலைக்கழக பூத் ஸ்கூல் ஆஃப் பிசினஸ்.

அமெரிக்க தொழிலாளர் புள்ளிவிவரப் பணியகம். 2026. "தொழில்சார் வேலைவாய்ப்பு மற்றும் ஊதிய புள்ளிவிவரங்கள்: மே 2025 மதிப்பீடுகள்." அமெரிக்க தொழிலாளர் துறை.

யாங், ஜெரமி, நோவா யோனாக், கேட் ஜிஸ்கோவ்ஸ்கி, டெனிஸ் யாராட்ஸ், ஜானி ஹோ, மற்றும் ஜெர்ரி மா. 2025. "AI முகவர்களின் தத்தெடுப்பு மற்றும் பயன்பாடு: Perplexity இலிருந்து ஆரம்ப சான்றுகள்." arXiv முற்பதிவு arXiv:2512.07828.

மேற்கோள்

@online{perplexity2026HowAiAgentsReshapeKnowledgeWork,
  author = {{Perplexity} and Jeremy Yang and Kate Zyskowski and Noah Yonack and Jerry Ma and Phi Hoang},
  title = {{How AI agents reshape knowledge work}},
  date = {2026-06-08},
  url = {https://perplexity.coolkeypoint.com/hub/blog/how-ai-agents-reshape-knowledge-work}
}