AI ఏజెంట్లు జ్ఞాన సంబంధిత పనిని ఎలా పునర్నిర్మిస్తాయి

ఫ్రాంటియర్ AI సిస్టమ్‌లు మోడల్ ఇంటెలిజెన్స్ మరియు వాస్తవ-ప్రపంచ వినియోగం మధ్య అంతరాన్ని పూడుస్తున్నాయి. కొత్త మోడల్‌లు, కంప్యూట్ ఆర్కిటెక్చర్‌లు మరియు ఆర్కెస్ట్రేషన్ నమూనాలు కొన్ని నెలల క్రితం అసాధ్యం అనుకున్న పనులను సాధించడానికి ఈ సిస్టమ్‌లను వీలు కల్పిస్తున్నాయి.

ఈ వేగవంతమైన నవోత్తరం AI వినియోగదారులకు వారి ప్రభావం, స్వతంత్రతలను పెంచి ఒక వరంగా నిరూపితమైంది. అయితే, జ్ఞానాత్మక పనులు ఈ మార్పుకు ఎలా స్పందిస్తూ అభివృద్ధి చెందుతున్నాయో ఖచ్చితంగా తెలుసుకునే విషయంలో సాంకేతిక అంచు మరియు మన అవగాహన మధ్య ఒక ఆలస్యాన్ని కూడా ఇది సృష్టించింది. ముందున్న AI వివిధ వృత్తులలో జ్ఞానాత్మక పనుల స్వరూపాన్ని ఎలా మారుస్తుంది? ఈ పనిలో మనం ఏ నిర్మాణాత్మక, ఆర్థిక మార్పులను ఆశించాలి?

Perplexity వినియోగం యొక్క జాగ్రత్తగా అనుభావిక విశ్లేషణ ద్వారా ఈ అంతరాన్ని పూడ్చాలని మేము కోరుతున్నాము. నేడు, హార్వర్డ్ బిజినెస్ స్కూల్ పరిశోధకులతో కలిసి, వాస్తవ-ప్రపంచ మోహరింపులో Perplexity Computer గురించిన మా మొదటి సమగ్ర అధ్యయనాన్ని మేము పంచుకుంటున్నాము. మా అన్వేషణలు ఏమిటంటే, Computer తక్కువ ఖర్చుతో వినియోగదారులు సాధించగలిగే వాటి పరిధిని మరియు లోతును రెండింటినీ విస్తరిస్తుంది. Computer వినియోగదారులు ఎక్కువ పని చేస్తున్నారు, ఉన్నత స్థాయి అమూర్తతతో పని చేస్తున్నారు మరియు వారి స్వంత వృత్తుల వెలుపల విలువను అన్‌లాక్ చేయడానికి క్రమశిక్షణా సరిహద్దులను దాటుతున్నారు.

ఈ వ్యాసం మా అధ్యయనం నుండి ముఖ్యాంశాలను ప్రదర్శిస్తుంది. వివరణాత్మక పద్ధతి మరియు ఫలితాలు మా సాంకేతిక నివేదికలో అందుబాటులో ఉన్నాయి.

పరిచయం

మొదటి మెయిన్‌స్ట్రీమ్ జనరేటివ్ AI సిస్టమ్‌లు వినియోగదారులతో సంభాషణలో పాల్గొనే సంభాషణ సహాయకులు. ఈ సహాయకులు ఉద్దేశ్యం మరియు చర్య మధ్య కూర్చుంటారు. వారు ప్రశ్నలకు సమాధానమిస్తారు, ట్రేడ్‌ఆఫ్‌లను వివరిస్తారు మరియు తదుపరి దశలను సూచిస్తారు. అప్పుడు వినియోగదారు సమాధానాన్ని పనిలోకి అనువదించాలి: సరైన సాధనాలను తెరవడం, ఫైళ్లను సేకరించడం, పత్రాలను సవరించడం, మధ్యవర్తి అవుట్‌పుట్‌లను తనిఖీ చేయడం మరియు తదుపరి ఏమి చేయాలో నిర్ణయించుకోవడం.

ఏజెంట్లు ఆ శ్రమ విభజనను మారుస్తాయి. వినియోగదారు ఒక ఫలితాన్ని నిర్దేశిస్తారు మరియు సిస్టమ్ సాధనాలలో ప్రణాళిక చేస్తుంది, మధ్యవర్తి దశలను అమలు చేస్తుంది, అవసరమైనప్పుడు తప్పిపోయిన ఇన్‌పుట్‌ల కోసం అడుగుతుంది మరియు పూర్తయిన డెలివరబుల్‌ను తిరిగి ఇస్తుంది. ఏజెంట్లు AI వినియోగాన్ని విషయాలను వెతకడం మరియు వాటిని సంశ్లేషణ చేయడం నుండి స్వయంప్రతిపత్తితో ప్లాన్ చేయడం మరియు నిర్వహించడం వైపు మళ్లిస్తాయి.

ఈ ధోరణి Perplexity యొక్క స్వంత ఉత్పత్తి పురోగతిని ప్రతిబింబిస్తుంది. 2022లో, మేము Searchను ప్రారంభించాము, ఇది బిలియన్ల పత్రాల across ధృవీకరించదగిన ఉల్లేఖనాలతో మద్దతు పొందిన సమాధానాలను పొందుతూ, వినియోగదారులు ప్రశ్నలు అడగగలిగేలా చేసి answer engine వర్గాన్ని నిర్వచించింది. 2025లో, మేము Comet బ్రౌజర్‌ను ప్రవేశపెట్టాము, అందులో ఎంబెడెడ్ వెబ్ ఏజెంట్ ఉండి, ఓపెన్ వెబ్‌లో వినియోగదారులతో పాటు తర్కించి చర్యలు తీసుకుంటుంది. మరియు 2026లో, మేము Computerను ప్రారంభించాము, ఇది సాధారణ-ప్రయోజన ఏజెంట్ orchestrator; ఇది సంక్లిష్ట వాతావరణాలు మరియు దీర్ఘకాల సమయ హోరిజన్లలో వినియోగదారు నిర్దేశించిన లక్ష్యాల దిశగా స్వయంచాలకంగా పనిచేస్తుంది.

ఈ పరివర్తన మనం పనిచేసే విధానాన్ని ఎలా మారుస్తోంది? మేము మా Search మరియు Computer ఉత్పత్తుల నుండి డేటాను ఉపయోగించి ఈ ప్రశ్నను అన్వేషిస్తాము, మూడు కోణాలపై దృష్టి పెడతాము:

స్వయంప్రతిపత్తి (Autonomy): అదే పనిపై Searchతో పోలిస్తే Computer ఎంత స్వయంప్రతిపత్తి గల పనిని నిర్వహిస్తుంది?

సమర్థత (Efficiency): అదే పనిపై Searchతో పోలిస్తే Computer ఎంత సమయం మరియు శ్రమ ఖర్చును ఆదా చేస్తుంది?

పరిధి (Scope): వినియోగదారులు ప్రయత్నించే పని రకాన్ని Computer ఎలా మారుస్తుంది?

Computer వంటి ఏజెంట్లకు ఎక్కువ ముందస్తు వినియోగదారు కృషి అవసరమని మేము కనుగొన్నాము (ఎందుకంటే వినియోగదారులు ప్రతినిధిగా ఉండవలసిన లక్ష్యాలను నిర్దేశించాలి మరియు ఫలితాలను సమీక్షించాలి) కానీ పని యొక్క ప్రతి యూనిట్‌కు చాలా తక్కువ మానవ కృషి అవసరం (మరింత స్వయంప్రతిపత్తి అమలు కారణంగా). ఇది సుదీర్ఘమైన, బహుళ-దశల వర్క్‌ఫ్లోలపై వాటిని ప్రత్యేకంగా ప్రభావవంతం చేస్తుంది. దీని ఫలితంగా మరింత లోతైన మరియు చౌకైన పని లభిస్తుంది. Computer వినియోగదారుల కృషిని మాన్యువల్ అమలు నుండి పర్యవేక్షణకు మారుస్తుంది, వినియోగదారులు వారి స్వంత నైపుణ్య రంగాలలో మరియు వెలుపల సాధించగలిగే వాటి పరిధిని విస్తరిస్తుంది.

విస్తరించు

Computer స్వీకరణ మరియు వినియోగ కేసులు

Computer ఫిబ్రవరి 25, 2026న ప్రారంభించబడింది మరియు మొదటి మూడు నెలల్లో వేగంగా అభివృద్ధి చెందింది.

సంచిత Computer ప్రశ్నలు మే 27 నాటికి వాటి మొదటి-వారపు మొత్తానికి 84× చేరుకున్నాయి. బేస్‌లైన్‌గా, Computer వినియోగదారులలో సంచిత Search వినియోగం దాని మొదటి-వారపు మొత్తానికి 14× చేరుకుంది, ఇది నాన్-Computer వినియోగదారుల కోసం 12× వృద్ధి కంటే ఎక్కువ.

సబ్‌స్క్రిప్షన్ శ్రేణి, ప్రాథమిక Search అంశం మరియు మునుపటి Search తీవ్రతపై Computer మరియు నాన్-Computer వినియోగదారులను సరిపోల్చిన తర్వాత కూడా, భేదం-యొక్క-భేదాల పోలిక Computerను స్వీకరించడం Search వినియోగాన్ని పెంచుతుందని చూపుతుంది: ఇలాంటి నాన్-Computer వినియోగదారులతో పోలిస్తే Computer వినియోగదారులు రోజుకు 1.05 ఎక్కువ Search ప్రశ్నలను చేస్తారు.

విస్తరించు

100,000 Computer ప్రశ్నల యాదృచ్ఛిక నమూనాలో, రీసెర్చ్ అండ్ అనాలిసిస్ 25.8% వద్ద అతిపెద్ద పని వర్గంగా ఉంది, ఆ తర్వాత డాక్యుమెంట్ అండ్ అసెట్ క్రియేషన్ 18.6% వద్ద ఉంది. గమనించిన పని మిక్స్ జనరేటివ్ పని వైపు వంగి ఉంటుంది: పత్రాలు, స్ప్రెడ్‌షీట్‌లు, కోడ్‌బేస్‌లు, వెబ్‌సైట్‌లు మరియు బహుళ సాధనాల్లో పని అవసరమయ్యే వర్క్‌ఫ్లోలు.

డొమైన్‌ల విషయానికి వస్తే, సాఫ్ట్‌వేర్ మరియు IT, ఫైనాన్స్ మరియు ఇన్వెస్టింగ్, మార్కెటింగ్ మరియు సేల్స్, బిజినెస్ ఆపరేషన్స్, హెల్త్‌కేర్, ఎడ్యుకేషన్, లీగల్ మరియు మీడియా అంతటా విస్తృతంగా పంపిణీ చేయబడింది.

విస్తరించు

అధిక స్వయంప్రతిపత్తి మరియు నాణ్యత

స్వయంప్రతిపత్తి యొక్క అత్యంత ప్రత్యక్ష సంకేతం ఏమిటంటే, వినియోగదారు అభ్యర్థనను సమర్పించిన తర్వాత మానవ జోక్యం లేకుండా సిస్టమ్ ఎంతసేపు నడుస్తుంది. Search సాధారణంగా సెకన్లలో ప్రతిస్పందనను అందిస్తుంది. Computer తరచుగా నిమిషాలు లేదా గంటల పాటు పనిచేస్తూనే ఉంటుంది: వెతకడం, బ్రౌజ్ చేయడం, రాయడం, సవరించడం, కోడ్ రన్ చేయడం మరియు మధ్యవర్తి ఫలితాలను తనిఖీ చేయడం.

రెండు ఉత్పత్తులతో ప్రయత్నించిన అదే పనికి ప్రాక్సీగా దాదాపు ఒకేలా ఉండే ప్రారంభ ప్రశ్నలతో మేము Search మరియు Computer సెషన్‌లను ఉపయోగిస్తాము. 10,000 సరిపోలిన జంటలలో, Computer ఒక్కో సెషన్‌కు సగటున 26 నిమిషాల మెషిన్ ఎగ్జిక్యూషన్‌ను నిర్వహిస్తుంది, అయితే Search కోసం ఇది 33 సెకన్లు. ఇది ప్రభావవంతంగా ఒకేలా ఉండే పనులపై మెషిన్ పనిలో 48× పెరుగుదల. మధ్యస్థంలో, అంతరం 9 నిమిషాలు మరియు 14 సెకన్లు, లేదా 40×. డొమైన్ విభజన అదే నమూనాను చూపుతుంది: Computer అన్ని 18 డొమైన్‌లలో సుమారు 26–75× ఎక్కువ మెషిన్ పనిని చేస్తుంది.

విస్తరించు

విస్తరించు

సుదీర్ఘకాలం నడిచే స్వయంప్రతిపత్తి ఎక్కువ విడిచిపెట్టడానికి దారితీయలేదు. వినియోగదారు ఆపివేసే ఈవెంట్‌లు ఉత్పత్తుల అంతటా ఒకేలా ఉన్నాయి: 3.7% Computer సెషన్‌లు మరియు 3.4% Search సెషన్‌లు కనీసం ఒక వినియోగదారు ఆపివేసే ఈవెంట్‌ను కలిగి ఉన్నాయి. Computer వినియోగదారు ఇన్‌పుట్ కోసం మరింత తరచుగా పాజ్ చేసింది: Search కోసం 0.3%తో పోలిస్తే 13% Computer ప్రశ్నలు కనీసం ఒక పాజ్-ఫర్-యూజర్ సాధనాన్ని çağrısı చేశాయి, సాధారణంగా ఆమోదం కోరడానికి లేదా స్పష్టతనిచ్చే ప్రశ్నలను అడగడానికి. ఇది ఒక ఏజెంట్ కోసం ఆశించిన నమూనా: ఇది చాలా సమయం స్వయంప్రతిపత్తితో ముందుకు సాగగలదు, కానీ అనుమతి పొందడానికి మరియు వినియోగదారు ఏమి కోరుకుంటున్నారో నిర్ధారించడానికి దీనికి చెక్‌పాయింట్లు అవసరం.

Computer కూడా మోడల్ కాంటెక్స్ట్ ప్రొటోకాల్ (MCP) లేదా అప్లికేషన్ ప్రోగ్రామింగ్ ఇంటర్‌ఫేస్ (API) ఎండ్‌పాయింట్ల ద్వారా చాలా ఎక్కువ బాహ్య సాధన కాల్‌లను ఒకే సెషన్‌లోకి గొలుసుగా కలుపుతుంది, Search వినియోగదారు విడివిడి యాప్‌లలో విడిగా చేసే పనిని చేస్తుంది. 7.9% Computer సెషన్‌లు కనీసం ఒక కనెక్టర్ కాల్‌ను చేస్తాయి, అయితే Search సెషన్‌లలో ఇది 1.8% (4× అంతరం), మరియు Computer సెషన్‌కు సగటున 1.19 కనెక్టర్ కాల్‌లను చేస్తుంది, అయితే Search కోసం ఇది 0.10 (12× నిష్పత్తి). మరో మాటలో చెప్పాలంటే, Computer ఎక్కువ సమయం నడవడం మాత్రమే కాదు; డేటాను లాగడానికి మరియు చర్యలు తీసుకోవడానికి ఇది వినియోగదారు కనెక్ట్ చేయబడిన సేవల్లో ఎక్కువ భాగం చేరుకుంటుంది.

ఫాలో-అప్ ప్రవర్తన కూడా కూర్పులో మారుతుంది. 1,000-జంటల మల్టీ-టర్న్ నమూనాలో, పని పురోగతి వైపు మొత్తం ప్రవృత్తి ఉత్పత్తుల అంతటా దాదాపు ఒకేలా ఉంటుంది (52.7% Computer ఫాలో-అప్‌లు మరియు Search కోసం 52.9%), కానీ వినియోగదారులు ఏమి అడుగుతారు అనేది మారుతుంది: Computer ముందే మరింత పూర్తి డెలివరబుల్‌ను తిరిగి ఇస్తుంది కాబట్టి, దాని వినియోగదారులు స్పష్టతనిచ్చే డ్రిల్-డౌన్‌ల స్థానంలో ఎక్స్‌టెన్షన్‌లను ఉపయోగిస్తారు (ఎక్స్‌టెన్షన్‌లు 14.2% మరియు 12.5%; డ్రిల్-డౌన్‌లు 22.0% మరియు 23.4%). Computer వినియోగదారులు తమ ఫాలో-అప్‌లలో కొంచెం ఎక్కువ సమయం అవుట్‌పుట్‌ను సమీక్షించడం మరియు సవరించడంపై ఖర్చు చేస్తారు (24.6% మరియు 23.6%), అయితే Search నిర్ధారణలు, పునఃప్రయత్నాలు మరియు ఫార్మాట్ అభ్యర్థనలు (11.6% మరియు 9.9%) వంటి చిన్న ఆదేశాలపై ఎక్కువగా ఆధారపడుతుంది, వీటిని Computer తన ప్రారంభ రన్‌లో కలుపుకుంటుంది. మరో మాటలో చెప్పాలంటే, Search చిన్న డైజెస్ట్-అండ్-ఎగ్జిక్యూట్ లూప్‌లను సృష్టిస్తుంది; Computer సుదీర్ఘమైన రివ్యూ-అండ్-ఎక్స్‌టెండ్ లూప్‌లను సృష్టిస్తుంది.

అన్నింటికంటే ముఖ్యంగా, ఎక్కువ స్వయంప్రతిపత్తితో నాణ్యత తగ్గలేదు. సరిపోలిన మల్టీ-టర్న్ సెషన్‌లపై, తదుపరి-టర్న్ అసంతృప్తి Computerకు 1.3% కాగా Searchకు 2.9% ఉంది, ఇది 55% తగ్గింపు. తేలికపాటి సంకేతాలతో సహా ఏదైనా అసంతృప్తి, Computerకు 10.8% కాగా Searchకు 16.6% ఉంది.

విస్తరించు

స్వయంప్రతిపత్తి నుండి సమర్థత లాభాలు

అధిక స్వయంప్రతిపత్తి మాన్యువల్ మానవ పనిని మెషిన్ కంప్యూటేషన్‌తో మారుస్తుంది, ఇది సమర్థతను పెంచుతుంది. ఈ ప్రభావాన్ని లెక్కించడానికి, మేము అదే సరిపోలిన పనులపై రెండు సెటప్‌లను పోల్చాము.

Search + మానవుడు: Search పునరుద్ధరణ మరియు సంశ్లేషణను నిర్వహిస్తుంది; మానవుడు మాన్యువల్‌గా అమలు చేస్తాడు.

Computer + మానవుడు: Computer వర్క్‌ఫ్లోను నిర్వహిస్తుంది; మానవుడు పని పరిధిని నిర్ణయిస్తాడు మరియు అవుట్‌పుట్‌ను సమీక్షిస్తాడు.

ఒక పని మానవునికి ఎంత సమయం పడుతుందో మేము నేరుగా గమనించలేము, కాబట్టి మేము మూడు స్వతంత్ర అంచనాలతో త్రిభుజాకారంలో లెక్కిస్తాము:

టూల్-ఆధారిత అంచనా: మేము Computer టూల్ కాల్‌లను రెండు వర్గాలుగా వర్గీకరిస్తాము: "Search" మరియు "Do." Search సాధనాలు సమాచార పునరుద్ధరణ మరియు సంశ్లేషణ దశలకు అనుగుణంగా ఉంటాయి, ఇవి ఇప్పటికే Search ఉత్పత్తి ద్వారా నిర్వహించబడతాయి. Do సాధనాలు Searchను మాత్రమే ఉపయోగిస్తున్నప్పుడు మానవుడు మాన్యువల్‌గా నిర్వహించాల్సిన అమలు దశలను సూచిస్తాయి. అనుభవజ్ఞుడైన మానవుడు ఈ Do చర్యలను నిర్వహించడానికి అవసరమైన సమయాన్ని మేము అంచనా వేస్తాము.

LLM-ఆధారిత అంచనా: Search నుండి సమాధానాలను స్వీకరించే కానీ అన్ని అమలు దశలను మాన్యువల్‌గా నిర్వహించాల్సిన నిపుణుడైన ప్రొఫెషనల్‌కు అవసరమైన సమయాన్ని అంచనా వేయడానికి మేము Computer సెషన్‌ల నుండి ప్రశ్నలను LLMకి ఫీడ్ చేస్తాము.

వినియోగదారు-నివేదిత అంచనా: డొమైన్‌లలోని యాక్టివ్ Computer వినియోగదారులతో మేము 25 అర్ధ-నిర్మాణాత్మక ఇంటర్వ్యూలను నిర్వహిస్తాము మరియు Computerకు ముందున్న వర్క్‌ఫ్లోలను మరియు ఆ వర్క్‌ఫ్లోలకు పట్టిన సమయాన్ని రాబడతాము.

విస్తరించు

టూల్-ఆధారిత అంచనా ప్రకారం, సగటు Search + మానవుని పనికి 269 నిమిషాలు పడుతుంది, అయితే తత్సమాన Computer + మానవుని వర్క్‌ఫ్లోకు 36 నిమిషాలు పడుతుంది. ఇది పని సమయంలో 87% తగ్గింపు.

పని సమయాన్ని ఖర్చుగా అనువదించడానికి, మేము యు.ఎస్. బ్యూరో ఆఫ్ లేబర్ స్టాటిస్టిక్స్ ఆక్యుపేషనల్ ఎంప్లాయ్మెంట్ అండ్ వేజ్ స్టాటిస్టిక్స్ (BLS OEWS) మే 2025 డేటా (యు.ఎస్. బ్యూరో ఆఫ్ లేబర్ స్టాటిస్టిక్స్ 2026) నుండి డొమైన్- నిర్దిష్ట సగటు గంట వేతనాలను ఉపయోగిస్తాము. మోడల్ ఖర్చును డొమైన్-నిర్దిష్ట మానవ శ్రమ ఖర్చుతో మిళితం చేయడం ద్వారా, Computer అంచనా వేసిన పని ఖర్చును సగటున 94% తగ్గిస్తుంది.

విస్తరించు

విస్తరించు

ప్రభావితత్వ ప్రయోజనం అన్ని 18 డొమైన్‌లలో కనిపిస్తుంది; 79–92% సమయ ఆదా మరియు 87–96% ఖర్చు ఆదా ఉన్నాయి. Programming అత్యంత తీవ్ర ఉదాహరణ: Search + Humanకు 596 నిమిషాలు, Computer + Humanకు 48 నిమిషాలు—92% సమయ తగ్గింపు, ఇది 96% ఖర్చు తగ్గింపును ఇస్తుంది. Business, Technology, Education, మరియు Writingలో కూడా పెద్ద లాభాలు కనిపిస్తాయి. అధిక వేతనాలున్న డొమైన్‌లలో సమయ ఆదా ఎక్కువ ఖర్చు ఆదాగా మారే ధోరణి ఉంటుంది.

ఈ ఫలితం ఎంత బలమైనది? బ్రేక్‌ఈవెన్‌ను పరిగణించండి: Search + మానవుడు Computer + మానవుని ఖర్చుతో సరిపోలాలంటే, ఒక ప్రొఫెషనల్ ప్రతి మాన్యువల్ దశను 14–24 నిమిషాలలో (మధ్యస్థం 18) పూర్తి చేయాల్సి ఉంటుంది. మరింత రూఢిగా ఉండే ఊహల క్రింద కూడా Computer ప్రతి డొమైన్‌లో తన అగ్రస్థానాన్ని నిలుపుకుంటుంది: ఉదాహరణకు, ప్రతి-టూల్ సమయంలో 8× అతిగా అంచనా వేయడం లేదా Computer పర్యవేక్షణ సమయంలో 12× తక్కువగా అంచనా వేయడం.

LLM-ఆధారిత అంచనా ఇలాంటి సమగ్ర ఫలితాలను ఇస్తుంది: మొత్తంగా సమయంలో 84% తగ్గింపు మరియు ఖర్చులో 93% తగ్గింపు. వినియోగదారు ఇంటర్వ్యూలు చాలా విస్తృతమైన ఫలితాలను చూపుతాయి—5× నుండి 300× కంటే ఎక్కువ వేగవంతం కావడం—ఇది వినియోగదారుల Computer-ముందస్తు బేస్‌లైన్‌లలో గణనీయమైన వైవిధ్యాన్ని ప్రతిబింబిస్తుంది. పాల్గొనేవారిలో మధ్యస్థ వేగవంతం 25×, ఇది సమయంలో 96% తగ్గింపుకు అనుగుణంగా ఉంటుంది.

పని పరిధి అడ్డంగా మరియు నిలువుగా విస్తరిస్తుంది

సరిపోలిన పనులపై వేగం మరియు ఖర్చు కథలో కొంత భాగాన్ని మాత్రమే సంగ్రహిస్తాయి. పని ఆకారం కూడా మారవచ్చు. Computer మాన్యువల్ అమలును మెషిన్ కంప్యూటేషన్‌తో భర్తీ చేస్తున్నందున, వినియోగదారులు వివిధ రకాల పనులను చేపట్టవచ్చు—వృత్తిపరమైన సరిహద్దులను దాటే పనులు మరియు అధిక స్థాయి నైపుణ్యం అవసరమయ్యే పనులు.

మొదటిది, వినియోగదారులు Searchతో పోలిస్తే Computerతో తమ ఊహించిన ప్రాథమిక వృత్తి క్లస్టర్ వెలుపల ఎక్కువ తరచుగా పని చేస్తారా అని మేము అడుగుతాము. రెండవది, మేము ఐదు ట్యాస్క్-లెవెల్ వర్గీకరణలను ఉపయోగించి అదే వినియోగదారుల నుండి Computer మరియు Search ప్రశ్నలను పోల్చాము: బ్లూమ్స్ రివైజ్డ్ ట్యాక్సోనమి (ఆండర్సన్ మరియు క్రాత్‌వోల్ 2001), టాస్క్-కంటెంట్ సంప్రదాయంలో అమూర్త వర్సెస్ రొటీన్ పని (అటోర్, లెవి, మరియు ముర్నేన్ 2003), O*NET నాలెడ్జ్ బ్రెడ్త్ (నేషనల్ సెంటర్ ఫర్ O*NET డెవలప్‌మెంట్ 2026), O*NET వర్క్-యాక్టివిటీ బ్రెడ్త్, మరియు Searchతో ప్రయత్నించని కొత్త పనులు.

అడ్డంగా మార్పు డేటాలో స్పష్టంగా కనిపిస్తుంది. ఎనిమిది వృత్తి క్లస్టర్‌ల నుండి 8,000 మంది వినియోగదారుల నమూనాలో, వారి అన్ని ప్రశ్నలను ఉపయోగించి, Computer వినియోగదారులు Search కోసం 50%తో పోలిస్తే 59% సమయం తమ ప్రాథమిక వృత్తి వెలుపల పని చేస్తారు. నిర్వహణ మరియు వ్యవస్థాపకత, డిజిటల్ టెక్నాలజీ, ఆర్ట్స్ అండ్ డిజైన్, మరియు హెల్త్‌కేర్ అండ్ హ్యూమన్ సర్వీసెస్‌లో అతిపెద్ద పెరుగుదలలు కనిపిస్తాయి. క్రాస్-ఆక్యుపేషన్ Search ప్రశ్నలు డిజిటల్ టెక్నాలజీలో కేంద్రీకృతమై ఉన్నాయి, అయితే Computer ప్రశ్నలు వినియోగదారులు లేకపోతే నిపుణులు అవసరమయ్యే మరింత విభిన్న డొమైన్‌లలోకి వెళ్లే పనిని ప్రతినిధిగా అప్పగిస్తాయి.

విస్తరించు

లంబ మార్పు మరింత పెద్దది. అదే dual-product వినియోగదారుల సమితి నుండి తీసుకున్న 5,000 Computer queries మరియు 5,000 Search queries నమూనాలో, Computer queries, Search queries కంటే మానసికంగా మరింత క్లిష్టమైనవి. Bloom's Revised Taxonomyలో, Computer queriesలో 76% higher-order cognition అవసరం, Searchలో అది 55%. తేడా అత్యున్నత స్థాయిలో కేంద్రీకృతమైంది: Computer queriesలో 50% Create-level tasks, Searchలో 26%. Searchలో Remember-level factual lookup వద్ద చాలా ఎక్కువ భాగస్వామ్యం ఉంది. abstract-versus-routine task-type కొలమానం ప్రకారం, Computer queriesలో 71% abstract, non-routine cognitionను కలిగి ఉంటాయి, Searchలో అది 53%.

విస్తరించు

Computer పనులు ఎక్కువ జ్ఞాన డొమైన్‌లపై కూడా ఆధారపడతాయి. సగటు Computer పనికి Search కోసం 1.74తో పోలిస్తే 2.40 O*NET నాలెడ్జ్ ప్రాంతాలలో సబ్‌స్టాంటివ్ నైపుణ్యం అవసరం, ఇది 38% పెరుగుదల. మూడు లేదా అంతకంటే ఎక్కువ జ్ఞాన డొమైన్‌లు అవసరమయ్యే అవకాశం Search కంటే Computerకు దాదాపు మూడు రెట్లు ఎక్కువ: 51% మరియు 17%.

విస్తరించు

పని-చర్య స్థాయిలో, అదే నమూనా వర్తిస్తుంది. ఒక సాధారణ Computer ప్రశ్న Search కోసం 2.24 మరియు 2.87తో పోలిస్తే 2.95 O*NET జనరలైజ్డ్ వర్క్ యాక్టివిటీస్ మరియు 4.01 ఇంటర్మీడియట్ వర్క్ యాక్టివిటీస్‌ను నిమగ్నం చేస్తుంది, ఇది 32% మరియు 40% పెరుగుదల. సూక్ష్మ స్థాయిలలో, Computer 59% ఎక్కువ డీటెయిల్డ్ వర్క్ యాక్టివిటీస్ మరియు 60% ఎక్కువ ఆక్యుపేషన్-స్పెసిఫిక్ ట్యాస్క్ స్టేట్‌మెంట్‌లను నిమగ్నం చేస్తుంది.

విస్తరించు

అత్యంత వెల్లడించే కొలత ఏమిటంటే అదే వినియోగదారులలో Searchలో కాకుండా Computerలో కనిపించే పనుల సెట్. కఠినమైన నిర్వచనం ప్రకారం, ఒక పని స్టేట్‌మెంట్ Computerలో కనిపించి, జత చేసిన Search నమూనాలో ఎప్పటికీ కనిపించనప్పుడు, 23% Computer ప్రశ్నలు కనీసం ఒక Computer-మాత్రమే పని స్టేట్‌మెంట్‌ను నిమగ్నం చేస్తాయి. గరిష్టంగా ఐదు Search సంభవాలను అనుమతించడానికి థ్రెషోల్డ్‌ను సడలిస్తే వాటా 38%కి పెరుగుతుంది, మరియు ఇది 41% వద్ద పీఠభూమికి చేరుకుంటుంది. ఈ Computer-మాత్రమే కార్యకలాపాలు సాఫ్ట్‌వేర్ మరియు వెబ్ డెవలప్‌మెంట్, డాక్యుమెంటేషన్ ప్రొడక్షన్, మరియు డేటా విజువలైజేషన్ లేదా గ్రాఫిక్స్‌లో కేంద్రీకృతమై ఉంటాయి. స్వయంప్రతిపత్తి అమలు అత్యంత ముఖ్యమైనది అక్కడే: Search వివరిస్తుంది; Computer ఉత్పత్తి చేస్తుంది.

విస్తరించు

చర్చ

పనిలో AIపై ఉన్న చాలా ఆధారాలు assistant settingపై దృష్టి సారిస్తాయి. ఆ సాహిత్యం రచన, కస్టమర్ సపోర్ట్, కోడింగ్, మరియు కన్సల్టింగ్‌ను బలోపేతం చేయడంలో గణనీయమైన ఉత్పాదకత లాభాలను చూపించింది (ఉదా., Noy and Zhang 2023; Brynjolfsson, Li, and Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

ఏజెంట్లు వినియోగదారు ప్రవర్తనను మరియు డౌన్‌స్ట్రీమ్ ఆర్థిక ఫలితాలను మారుస్తాయి. ఉత్పత్తి మోహరింపులు వాస్తవ-ప్రపంచ సెట్టింగ్‌లలో ఏజెంట్ వినియోగం మరియు ప్రభావాన్ని వెల్లడించడం ప్రారంభించాయి కానీ ఎక్కువగా ప్రత్యేక కోడింగ్ ఏజెంట్లు మరియు ప్రారంభ బ్రౌజర్ ఏజెంట్లపై దృష్టి పెడతాయి (ఉదా., సర్కార్ 2026; మెక్‌కెయిన్ ఎట్ అల్. 2026; డెమిరర్, ముసోల్ఫ్, మరియు యాంగ్ 2026; యాంగ్ ఎట్ అల్. 2025). సాధారణ-ప్రయోజన ఏజెంట్ ఆర్కెస్ట్రేటర్ بم مقابل సంభాషణ సహాయకుడితో వినియోగదారు పరస్పర చర్యను పోల్చడం ద్వారా మరియు డౌన్‌స్ట్రీమ్ ప్రభావ విశ్లేషణను విస్తృత శ్రేణి జ్ఞాన సంబంధిత పనికి విస్తరించడం ద్వారా మేము ఈ పనిని పూర్తి చేస్తాము మరియు అసిస్టెంట్ మరియు ఏజెంట్ సాహిత్యాలను వంతెన చేస్తాము.

మేము ఎక్స్పోజర్ నుండి గ్రహించిన ట్యాస్క్ రీకంపోజిషన్ వైపు కూడా కదులుతాము. మునుపటి పని పని వివరణలు మరియు వృత్తిపరమైన నిర్మాణాన్ని ఉపయోగించి ఏ వృత్తులు AIకి గురవుతాయో అంచనా వేస్తుంది (ఉదా., ఎలౌండు ఎట్ అల్. 2024; ఫెల్టెన్, రాజ్, మరియు సీమాన్స్ 2023), అయితే వినియోగం-ఆధారిత కొలతలు ఎక్స్పోజర్ మరియు మోహరింపు మధ్య అంతరాన్ని చూపుతాయి (మాస్సెంకాఫ్ మరియు మెక్రారీ 2026). ఏజెంట్ యాక్సెస్‌తో పని కూర్పు ఎలా మారుతుందో మేము నమోదు చేస్తాము.

మేము అనేక హెచ్చరికలను గమనిస్తాము. మొదటిది, పరిశీలన విండో ప్రారంభంలో ఉంది, మరియు ప్రారంభ స్వీకర్తలు AI నేటివ్‌ల వైపు మొగ్గు చూపుతారు. వినియోగదారులు కూడా వేగంగా అభివృద్ధి చెందుతున్న ఉత్పత్తి ల్యాండ్‌స్కేప్ లోపల తమ వర్క్‌ఫ్లోలను చురుకుగా ప్రయోగిస్తున్నారు మరియు అనుకూలిస్తున్నారు, కాబట్టి ఈ నమూనాలు కాలక్రమేణా మారవచ్చు. రెండవది, సెషన్-ఆధారిత సరిపోలిన-ప్రశ్న డిజైన్ దగ్గరి Search సమానమైనది లేని అనేక Computer పనులను విడిచిపెడుతుంది. సెషన్‌లు పనులను విభజించడానికి సహజమైన మార్గాన్ని అందిస్తున్నప్పటికీ, వినియోగదారులు ఆచరణలో ఎల్లప్పుడూ ఈ నిర్మాణాన్ని అనుసరించరు, సెషన్‌లను ట్యాస్క్ యూనిట్లకు శబ్ధంతో కూడిన ప్రాక్సీగా మారుస్తాయి. మూడవది, సమర్థత అంచనాలు మానవ-సమానమైన టూల్ సమయం మరియు మానవ పర్యవేక్షణ సమయం గురించిన ఊహలపై కీలకంగా ఆధారపడి ఉంటాయి. LLM-ఆధారిత అంచనాలు మరియు వినియోగదారు ఇంటర్వ్యూలు అదే దిశను సూచించినప్పటికీ, మరియు బ్రేక్‌ఈవెన్ మరియు సెన్సిటివిటీ విశ్లేషణలు దృఢత్వాన్ని సూచించినప్పటికీ, ఖచ్చితమైన పరిమాణాలు సుమారుగా చదవాలి. సంబంధితంగా, LLM వర్గీకరణ లోపం అదనపు కొలత శబ్దాన్ని పరిచయం చేస్తుంది. చివరగా, మేము Perplexity ఎకోసిస్టమ్ లోపల మాత్రమే వినియోగదారు ప్రవర్తనను గమనిస్తాము మరియు దాని వెలుపలి కార్యకలాపాలను సంగ్రహించము, ఇది వినియోగదారుల పూర్తి పని కార్యకలాపాలు మరియు టూల్ వినియోగంపై మా వీక్షణను పరిమితం చేయవచ్చు.

ముందుకు చూస్తున్నాము

ఏజెంట్లు ఉన్న tasksను వేగంగా, తక్కువ ఖర్చుతో చేస్తాయి—మరింత ముఖ్యంగా, వృత్తుల సరిహద్దులు మరియు నైపుణ్య స్థాయిలను దాటే tasksను సాధ్యమయ్యేలా చేస్తాయి.

ఒక సిస్టమ్ వెతకగలదు, బ్రౌజ్ చేయగలదు, కోడ్ చేయగలదు, ఫైళ్లను సవరించగలదు, సేవలకు కనెక్ట్ కాగలదు మరియు డెలివరబుళ్లను ఉత్పత్తి చేయగలదు, అప్పుడు వినియోగదారు బాటిల్‌నెక్ మారుతుంది. వారు వర్క్‌ఫ్లోను ఆపరేట్ చేయడానికి తక్కువ సమయం మరియు లక్ష్యాలను నిర్దేశించడానికి, సందర్భాన్ని అందించడానికి, అవుట్‌పుట్‌లను తనిఖీ చేయడానికి మరియు పొడిగింపుల కోసం అడగడానికి ఎక్కువ సమయం వెచ్చిస్తారు. వినియోగదారు ఆపరేటర్ నుండి సూపర్‌వైజర్‌గా మారుతారు.

వ్యక్తిగత స్థాయిలో, ఈ మార్పు task frontierను విస్తరించి, వినియోగదారులు మరింత విశాలమైనదీ, లోతైనదీ అయిన పనిని చేపట్టేలా చేస్తుంది. సంస్థాగత మరియు శ్రమ మార్కెట్ స్థాయిలో, ఈ సూక్ష్మ-స్థాయి మార్పులు ఎలా సమిష్టిగా మారతాయో ఇంకా ఓపెన్ ప్రశ్నగానే ఉంది. ఏజెంట్లతో సజ్జమైన ఒకే వ్యక్తి, ఇంతకు ముందు అనేక పాత్రలు అవసరమైన వర్క్‌ఫ్లోలను పూర్తి చేయగలిగితే, ఏజెంట్ల దీర్ఘకాల ప్రభావాన్ని కేవలం వేగం మరియు ఖర్చు ప్రమాణాలతోనే పట్టుకోవడం సాధ్యం కాదు. దాని బదులు, పని ఎలా సమూహీకరించబడుతుందో, పాత్రలు ఎలా నిర్వచించబడుతాయో, మరియు teams ఎలా నిర్మించబడుతాయో దానిలో అది వ్యక్తమవుతుంది.

మా పద్ధతి మరియు ఫలితాల గురించి మరింత తెలుసుకోవడానికి, పూర్తి సాంకేతిక నివేదికను చదవండి.

మూలాలు

ఆండర్సన్, లోరిన్ W., మరియు డేవిడ్ R. క్రాత్‌వోల్. 2001. ఎ ట్యాక్సోనమి ఫర్ లెర్నింగ్, టీచింగ్, అండ్ అసెసింగ్: ఎ రివిజన్ ఆఫ్ బ్లూమ్స్ ట్యాక్సోనమి ఆఫ్ ఎడ్యుకేషనల్ ఆబ్జెక్టివ్స్. న్యూ యార్క్: లాంగ్‌మాన్.

Autor, David H., Frank Levy, మరియు 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, మరియు Lindsey R. Raymond. 2025. "Generative AI at Work." The Quarterly Journal of Economics 140 (2): 889–942.

కుయి, జెయువాన్ కెవిన్, మెర్ట్ డెమిరర్, సోనియా జాఫే, లియోన్ ముసోల్ఫ్, సిడా పెంగ్, మరియు టోబియాస్ సాల్జ్. 2026. "ది ఎఫెక్ట్స్ ఆఫ్ జెనరేటివ్ AI ఆన్ హై-స్కిల్డ్ వర్క్: ఎవిడెన్స్ ఫ్రమ్ త్రీ ఫీల్డ్ ఎక్స్‌పెరిమెంట్స్ విత్ సాఫ్ట్‌వేర్ డెవలపర్స్." మేనేజ్‌మెంట్ సైన్స్, ఆర్టికల్స్ ఇన్ అడ్వాన్స్.

డెల్'అక్వా, ఫాబ్రిజియో, ఎడ్వర్డ్ మెక్‌ఫోలాండ్ III, ఎథాన్ R. మొల్లిక్, హిలా లిఫ్‌షిట్జ్-అస్సాఫ్, కేథరీన్ కెల్లగ్, సరన్ రాజేంద్రన్, లిసా క్రేయర్, ఫ్రాంకోయిస్ కాండెలోన్, మరియు కరీమ్ R. లఖానీ. 2026. "నావిగేటింగ్ ది జాగడ్ టెక్నలాజికల్ ఫ్రాంటియర్: ఫీల్డ్ ఎక్స్‌పెరిమెంటల్ ఎవిడెన్స్ ఆఫ్ ది ఎఫెక్ట్స్ ఆఫ్ ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ ఆన్ నాలెడ్జ్ వర్కర్ ప్రొడక్టివిటీ అండ్ క్వాలిటీ." ఆర్గనైజేషన్ సైన్స్, ఆర్టికల్స్ ఇన్ అడ్వాన్స్.

డెమిరర్, మెర్ట్, లియోన్ ముసోల్ఫ్, మరియు లియువాన్ యాంగ్. 2026. "రైటింగ్ కోడ్ vs. షిప్పింగ్ కోడ్: ప్రొడక్టివిటీ ఎఫెక్ట్స్ అక్రాస్ జనరేషన్స్ ఆఫ్ AI కోడింగ్ టూల్స్." NBER వర్కింగ్ పేపర్ 35275.

ఎలౌండు, టైన్, సామ్ మానింగ్, పమేలా మిష్కిన్, మరియు డేనియెల్ రాక్. 2024. "GPTs ఆర్ GPTs: లేబర్ మార్కెట్ ఇంపాక్ట్ పొటెన్షియల్ ఆఫ్ LLMs." సైన్స్ 384 (6702): 1306–1308.

ఫెల్టెన్, ఎడ్వర్డ్ W., మానవ్ రాజ్, మరియు రాబర్ట్ సీమాన్స్. 2023. "ఆక్యుపేషనల్ హెట్రోజెనిటీ ఇన్ ఎక్స్పోజర్ టు జెనరేటివ్ AI." SSRN 4414065.

మాస్సెంకాఫ్, మాక్సిమ్, మరియు పీటర్ మెక్రారీ. 2026. "లేబర్ మార్కెట్ ఇంపాక్ట్స్ ఆఫ్ AI: ఎ న్యూ మెజర్ అండ్ अर्ली ఎవిడెన్స్." Anthropic.

మెక్‌కెయిన్, మైల్స్, థామస్ మిల్లర్, సఫ్రాన్ హువాంగ్, జేక్ ఈటన్, కునాల్ హందా, మైఖేల్ స్టెర్న్, అలెక్స్ తమ్కిన్, మాట్ కర్నీ, ఎసిన్ దుర్ముస్, జూడీ షెన్, జెర్రీ హాంగ్, బ్రియన్ కాల్వర్ట్, జున్ షెర్న్ చాన్, ఫ్రాన్సెస్కో మోస్కోని, డేవిడ్ సాల్టర్స్, టైలర్ నెయిలాన్, గ్యాబ్రియల్ నికోలస్, సారా పొల్లాక్, జాక్ క్లార్క్, మరియు దీప్ గంగూలి. 2026. "మెజరింగ్ AI ఏజెంట్ ఆటోనమీ ఇన్ ప్రాక్టీస్." Anthropic.

నేషనల్ సెంటర్ ఫర్ O*NET డెవలప్‌మెంట్. 2026. O*NET 30.2 డేటాబేస్. U.S. డిపార్ట్‌మెంట్ ఆఫ్ లేబర్, ఎంప్లాయ్‌మెంట్ అండ్ ట్రైనింగ్ అడ్మినిస్ట్రేషన్.

Noy, Shakked, మరియు Whitney Zhang. 2023. "Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence." Science 381 (6654): 187–192.

సర్కార్, సుప్రీమ్ K. 2026. "AI ఏజెంట్స్ అండ్ హైయర్-ఆర్డర్ వర్క్." యూనివర్సిటీ ఆఫ్ చికాగో బూత్ స్కూల్ ఆఫ్ బిజినెస్.

U.S. బ్యూరో ఆఫ్ లేబర్ స్టాటిస్టిక్స్. 2026. "ఆక్యుపేషనల్ ఎంప్లాయ్‌మెంట్ అండ్ వేజ్ స్టాటిస్టిక్స్: మే 2025 ఎస్టిమేట్స్." U.S. డిపార్ట్‌మెంట్ ఆఫ్ లేబర్.

యాంగ్, జెరెమీ, నోవా యోనాక్, కేట్ జిస్కోవ్స్కీ, డెనిస్ యారాట్స్, జానీ హో, మరియు జెర్రీ మా. 2025. "ది అడాప్షన్ అండ్ యూసేజ్ ఆఫ్ AI ఏజెంట్స్: अर्ली ఎవిడెన్స్ ఫ్రమ్ Perplexity." arXiv ప్రిప్రింట్ arXiv:2512.07828.

ఉదాహరణ

@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}
}