วิธีที่เอเจนต์ AI กำหนดนิยามใหม่ให้กับงานด้านความรู้

ระบบ AI ล้ำสมัยกำลังลดช่องว่างระหว่างความฉลาดของโมเดลกับประโยชน์ใช้สอยในโลกแห่งความเป็นจริง โมเดล สถาปัตยกรรมด้านการประมวลผล และรูปแบบการประสานการทำงานแบบใหม่ กำลังช่วยให้ระบบเหล่านี้สามารถทำงานที่เคยคิดว่าเป็นไปไม่ได้เมื่อไม่กี่เดือนก่อนให้สำเร็จลุล่วงได้

นวัตกรรมที่รวดเร็วนี้พิสูจน์แล้วว่าเป็นประโยชน์อย่างยิ่งต่อผู้ใช้ AI โดยช่วยเพิ่มขีดความสามารถและความเป็นอิสระในการทำงานของพวกเขา แต่ในขณะเดียวกัน ก็ได้สร้างช่องว่างระหว่างความล้ำหน้าทางเทคโนโลยีกับความเข้าใจของเราว่า งานด้านความรู้กำลังพัฒนาไปอย่างไรเพื่อตอบสนองต่อสิ่งดังกล่าว AI ล้ำสมัยเปลี่ยนธรรมชาติของงานด้านความรู้ในแต่ละวิชาชีพอย่างไร เราคาดหวังการเปลี่ยนแปลงเชิงโครงสร้างและเศรษฐกิจใดได้บ้างในงานเหล่านี้

เรามุ่งมั่นที่จะลดช่องว่างนี้ผ่านการวิเคราะห์เชิงประจักษ์อย่างละเอียดเกี่ยวกับการใช้งาน Perplexity ในวันนี้ ด้วยความร่วมมือกับนักวิจัยจาก Harvard Business School เรากำลังแบ่งปันการศึกษาที่ครอบคลุมเป็นครั้งแรกเกี่ยวกับ Perplexity Computer ในการใช้งานจริง ผลการวิจัยของเราบ่งชี้ว่า Computer ช่วยขยายทั้งขอบเขตและความลึกของสิ่งที่ผู้ใช้สามารถทำได้ด้วยต้นทุนที่ต่ำลง ผู้ใช้ Computer สามารถทำงานได้เสร็จสิ้นมากขึ้น ทำงานในระดับนามธรรมที่สูงขึ้น และก้าวข้ามขอบเขตทางวินัยเพื่อปลดล็อกมูลค่าที่นอกเหนือจากวิชาชีพของตนเอง

บทความนี้นำเสนอไฮไลต์จากการศึกษาของเรา ระเบียบวิธีวิจัยและผลการค้นพบโดยละเอียดมีอยู่ใน รายงานทางเทคนิค ของเรา

บทนำ

ระบบ AI เชิงสร้างสรรค์รุ่นแรกๆ ที่เข้าสู่กระแสหลักคือผู้ช่วยสนทนาที่มีส่วนร่วมในการโต้ตอบกับผู้ใช้ ผู้ช่วยเหล่านี้ทำหน้าที่อยู่ระหว่างความตั้งใจและการกระทำ โดยคอยตอบคำถาม อธิบายข้อแลกเปลี่ยน และแนะนำขั้นตอนต่อไป จากนั้นผู้ใช้จะต้องแปลคำตอบนั้นให้กลายเป็นงาน: เปิดเครื่องมือที่ถูกต้อง รวบรวมไฟล์ แก้ไขเอกสาร ตรวจสอบผลลัพธ์ขั้นกลาง และตัดสินใจว่าจะทำอะไรต่อไป

เอเจนต์เปลี่ยนการแบ่งงานกันทำนั้น โดยผู้ใช้ระบุผลลัพธ์ที่ต้องการ จากนั้นระบบจะวางแผนข้ามเครื่องมือ ดำเนินการตามขั้นตอนขั้นกลาง ขอข้อมูลป้อนเข้าที่ขาดหายไปเมื่อจำเป็น และส่งมอบงานที่เสร็จสมบูรณ์ เอเจนต์เปลี่ยนการใช้งาน AI จากการค้นหาข้อมูลและการสังเคราะห์ ไปสู่การวางแผนและการปฏิบัติงานแบบอัตโนมัติ

แนวทางปฏิบัตินี้สะท้อนถึงพัฒนาการผลิตภัณฑ์ของ Perplexity เอง ในปี 2022 เราได้เปิดตัว Search ซึ่งเป็นผู้กำหนดหมวดหมู่เครื่องมือค้นหาคำตอบด้วยการช่วยให้ผู้ใช้สามารถถามคำถามและรับคำตอบที่ได้รับการสนับสนุนจากการอ้างอิงที่ตรวจสอบได้จากเอกสารนับพันล้านฉบับ ในปี 2025 เราได้เปิดตัวเบราว์เซอร์ Comet ซึ่งมาพร้อมกับเว็บเอเจนต์ในตัวที่ช่วยใช้เหตุผลและปฏิบัติงานร่วมกับผู้ใช้บนเว็บเปิด และในปี 2026 เราได้เปิดตัว Computer ซึ่งเป็นตัวประสานการทำงานของเอเจนต์อเนกประสงค์ที่ทำงานมุ่งสู่เป้าหมายที่ผู้ใช้กำหนดโดยอัตโนมัติในสภาพแวดล้อมที่ซับซ้อนและมีกรอบเวลาที่ยาวนาน

การเปลี่ยนแปลงนี้กำลังเปลี่ยนวิธีการทำงานของเราอย่างไร เราสำรวจคำถามนี้โดยใช้ข้อมูลจากผลิตภัณฑ์ Search และ Computer ของเรา โดยมุ่งเน้นไปที่ 3 มิติหลัก:

ความเป็นอิสระ: Computer ปฏิบัติงานแบบอัตโนมัติมากน้อยเพียงใดเมื่อเทียบกับ Search ในงานเดียวกัน

ประสิทธิภาพ: Computer ช่วยประหยัดเวลาและต้นทุนด้านแรงงานได้มากเพียงใดเมื่อเทียบกับ Search ในงานเดียวกัน

ขอบเขต: Computer เปลี่ยนแปลงประเภทของงานที่ผู้ใช้พยายามทำอย่างไร

เราพบว่าเอเจนต์อย่าง Computer ต้องใช้ความพยายามล่วงหน้าจากผู้ใช้มากกว่า (เนื่องจากผู้ใช้ต้องระบุวัตถุประสงค์ที่จะมอบหมายและตรวจสอบผลลัพธ์) แต่ใช้ความพยายามของมนุษย์ต่อหนึ่งหน่วยงานน้อยกว่ามาก (เนื่องจากการดำเนินการแบบอัตโนมัติที่มีประสิทธิภาพมากกว่า) สิ่งนี้ทำให้เอเจนต์มีประสิทธิภาพเป็นพิเศษกับเวิร์กโฟลว์ที่ยาวนานและมีหลายขั้นตอน ผลลัพธ์ที่ได้คืองานที่มีความลึกซึ้งและมีต้นทุนที่ถูกลง Computer เปลี่ยนความพยายามของผู้ใช้จากการปฏิบัติงานด้วยตนเองเป็นการกำกับดูแล ซึ่งช่วยขยายขอบเขตสิ่งที่ผู้ใช้สามารถทำได้ทั้งภายในและภายนอกพื้นที่ความเชี่ยวชาญของตนเอง

การนำ Computer ไปใช้งานและกรณีการใช้งาน

Computer เปิดตัวเมื่อวันที่ 25 กุมภาพันธ์ 2026 และเติบโตอย่างรวดเร็วในช่วงสามเดือนแรก

จำนวนคำค้นหา (Query) สะสมของ Computer พุ่งสูงถึง 84 เท่าของยอดรวมในสัปดาห์แรก ณ วันที่ 27 พฤษภาคม เพื่อใช้เป็นเกณฑ์มาตรฐาน การใช้งาน Search สะสมในกลุ่มผู้ใช้ Computer สูงถึง 14 เท่าของยอดรวมในสัปดาห์แรก ซึ่งสูงกว่าการเติบโต 12 เท่าของผู้ใช้ที่ไม่ใช่ผู้ใช้ Computer

แม้ว่าจะจับคู่ผู้ใช้ Computer และผู้ใช้ที่ไม่ใช่ Computer ตามระดับการสมัครสมาชิก หัวข้อการค้นหาหลัก และความเข้มข้นของการค้นหาก่อนหน้าแล้ว การเปรียบเทียบแบบ Difference-in-Differences แสดงให้เห็นว่าการใช้งาน Computer ช่วยเพิ่มการใช้ Search: ผู้ใช้ Computer ทำการค้นหา (Search queries) เพิ่มขึ้น 1.05 ครั้งต่อวันเมื่อเทียบกับผู้ใช้ที่ไม่ใช่ Computer ที่มีลักษณะคล้ายคลึงกัน

จากตัวอย่างแบบสุ่มของคำค้นหา Computer จำนวน 100,000 รายการ การวิจัยและการวิเคราะห์ (Research and Analysis) เป็นหมวดหมู่งานที่ใหญ่ที่สุด คิดเป็น 25.8% รองลงมาคือการสร้างเอกสารและสินทรัพย์ (Document and Asset Creation) ที่ 18.6% สัดส่วนงานที่สังเกตได้โน้มเอียงไปทางงานเชิงสร้างสรรค์: เอกสาร สเปรดชีต ฐานโค้ด เว็บไซต์ และเวิร์กโฟลว์ที่ต้องทำงานร่วมกันหลายเครื่องมือ

เมื่อพิจารณาตามโดเมน การใช้งานกระจายตัวอย่างกว้างขวางในด้านซอฟต์แวร์และไอที การเงินและการลงทุน การตลาดและการขาย การดำเนินธุรกิจ การดูแลสุขภาพ การศึกษา กฎหมาย และสื่อ

ความเป็นอิสระและคุณภาพที่สูงขึ้น

สัญญาณที่ตรงที่สุดของความเป็นอิสระคือระยะเวลาที่ระบบทำงานโดยไม่มีการแทรกแซงจากมนุษย์ หลังจากที่ผู้ใช้ส่งคำขอ Search มักจะให้ผลตอบรับภายในไม่กี่วินาที แต่ Computer มักจะทำงานต่อไปเป็นเวลาหลายนาทีหรือหลายชั่วโมง: ค้นหา ท่องเว็บ เขียน แก้ไข รันโค้ด และตรวจสอบผลลัพธ์ขั้นกลาง

เราใช้เซสชันของ Search และ Computer ที่มีคำขอเริ่มต้นใกล้เคียงกันมากเป็นตัวแทนของงานเดียวกันที่พยายามทำด้วยผลิตภัณฑ์ทั้งสอง จากคู่ที่จับคู่กัน 10,000 คู่ Computer ดำเนินการประมวลผลด้วยเครื่องจักรเฉลี่ย 26 นาทีต่อเซสชัน เทียบกับ 33 วินาทีสำหรับ Search ซึ่งเป็นการเพิ่มขึ้นของการทำงานของเครื่องจักรถึง 48 เท่าในงานเดียวกันอย่างมีประสิทธิภาพ ที่ค่ามัธยฐาน ช่องว่างคือ 9 นาทีเทียบกับ 14 วินาที หรือคิดเป็น 40 เท่า การแบ่งตามโดเมนแสดงให้เห็นรูปแบบเดียวกัน: Computer ดำเนินการประมวลผลด้วยเครื่องจักรมากกว่าประมาณ 26–75 เท่าในทุกๆ 18 โดเมน

การทำงานอัตโนมัติที่ยาวนานขึ้นไม่ได้ส่งผลให้มีการยกเลิกงานกลางคันมากขึ้น เหตุการณ์ที่ผู้ใช้หยุดการทำงานมีความคล้ายคลึงกันในทั้งสองผลิตภัณฑ์: 3.7% ของเซสชัน Computer และ 3.4% ของเซสชัน Search มีเหตุการณ์ที่ผู้ใช้หยุดการทำงานอย่างน้อยหนึ่งครั้ง แต่ Computer หยุดชั่วคราวเพื่อรอรับข้อมูลป้อนเข้าจากผู้ใช้บ่อยครั้งกว่า: 13% ของคำค้นหา Computer เรียกใช้เครื่องมือหยุดเพื่อรอผู้ใช้ (pause-for-user tool) อย่างน้อยหนึ่งครั้ง เทียบกับ 0.3% สำหรับ Search ซึ่งมักจะเกิดขึ้นเพื่อขออนุมัติหรือถามคำถามเพื่อความชัดเจน นั่นคือรูปแบบที่คาดหวังสำหรับเอเจนต์: สามารถดำเนินการต่อได้เองโดยอัตโนมัติเป็นส่วนใหญ่ แต่จำเป็นต้องมีจุดตรวจสอบเพื่อขออนุญาตและยืนยันสิ่งที่ผู้ใช้ต้องการ

นอกจากนี้ Computer ยังเชื่อมโยงการเรียกใช้เครื่องมือภายนอกเข้าด้วยกันในเซสชันเดียวเป็นจำนวนมากกว่ามาก ผ่าน Model Context Protocol (MCP) หรือจุดสิ้นสุด Application Programming Interface (API) ซึ่งทำงานที่ผู้ใช้ Search จะต้องทำด้วยตนเองแยกกันในแอปต่างๆ 7.9% ของเซสชัน Computer มีการเรียกใช้ตัวเชื่อมต่ออย่างน้อยหนึ่งครั้ง เทียบกับ 1.8% ของเซสชัน Search (ช่องว่าง 4 เท่า) และ Computer มีค่าเฉลี่ยการเรียกใช้ตัวเชื่อมต่อ 1.19 ครั้งต่อเซสชัน เทียบกับ 0.10 สำหรับ Search (อัตราส่วน 12 เท่า) กล่าวอีกนัยหนึ่งคือ Computer ไม่เพียงแต่ทำงานได้นานขึ้นเท่านั้น แต่ยังเข้าถึงบริการที่เชื่อมต่อของผู้ใช้ได้มากขึ้นเพื่อดึงข้อมูลและดำเนินการต่างๆ

พฤติกรรมการติดตามผลยังมีการเปลี่ยนแปลงในด้านองค์ประกอบด้วย ในกลุ่มตัวอย่างการสนทนาหลายรอบ (multi-turn) จำนวน 1,000 คู่ แนวโน้มโดยรวมในการพัฒนาภารกิจนั้นเกือบจะเหมือนกันในทั้งสองผลิตภัณฑ์ (52.7% ของการติดตามผลของ Computer เทียบกับ 52.9% สำหรับ Search) แต่สิ่งที่ผู้ใช้ร้องขอมีการเปลี่ยนแปลง: เนื่องจาก Computer ส่งมอบงานที่เสร็จสมบูรณ์กว่าล่วงหน้า ผู้ใช้จึงใช้การขยายผล (extensions) แทนการเจาะลึกเพื่อความชัดเจน (การขยายผล 14.2% เทียบกับ 12.5%; การเจาะลึก 22.0% เทียบกับ 23.4%) ผู้ใช้ Computer ยังใช้เวลาส่วนใหญ่ในการติดตามผลไปกับการตรวจสอบและการแก้ไขผลลัพธ์ (24.6% เทียบกับ 23.6%) ในขณะที่ Search จะเน้นคำสั่งสั้นๆ เช่น การยืนยัน การลองใหม่ และคำขอรูปแบบ (11.6% เทียบกับ 9.9%) ซึ่ง Computer ได้รวมไว้ในการรันเริ่มต้นแล้ว กล่าวคือ Search สร้างวงจรการสรุปและดำเนินการที่สั้นกว่า ส่วน Computer สร้างวงจรการตรวจสอบและขยายผลที่ยาวนานกว่า

ที่สำคัญที่สุดคือ คุณภาพไม่ได้ลดลงตามความเป็นอิสระที่สูงขึ้น ในเซสชันแบบหลายรอบที่จับคู่กัน ความไม่พอใจในรอบถัดไปที่มีความหมายอยู่ที่ 1.3% สำหรับ Computer เทียบกับ 2.9% สำหรับ Search ซึ่งลดลง 55% ความไม่พอใจใดๆ รวมถึงสัญญาณเล็กน้อย อยู่ที่ 10.8% สำหรับ Computer เทียบกับ 16.6% สำหรับ Search

การเพิ่มขึ้นของประสิทธิภาพจากความเป็นอิสระ

ความเป็นอิสระที่สูงขึ้นช่วยแลกเปลี่ยนงานแมนนวลของมนุษย์กับการประมวลผลของเครื่องจักร ซึ่งช่วยเพิ่มประสิทธิภาพ เพื่อหาปริมาณผลกระทบนี้ เราจึงเปรียบเทียบการตั้งค่าสองแบบในงานที่จับคู่เดียวกัน

Search + มนุษย์: Searchจัดการการดึงข้อมูลและการสังเคราะห์ มนุษย์ดำเนินการด้วยตนเอง

Computer + มนุษย์: Computer ทำเวิร์กโฟลว์ให้เสร็จสิ้น มนุษย์กำหนดขอบเขตงานและตรวจสอบผลลัพธ์

เราไม่สามารถสังเกตได้โดยตรงว่างานชิ้นหนึ่งจะใช้เวลานานเท่าใดหากทำโดยมนุษย์ ดังนั้นเราจึงทำการหาค่าสามเหลี่ยม (triangulate) ด้วยการประมาณการอิสระสามแบบ:

การประมาณการตามเครื่องมือ: เราจำแนกการเรียกใช้เครื่องมือของ Computer ออกเป็นสองหมวดหมู่: "Search" และ "Do" เครื่องมือ Search สอดคล้องกับขั้นตอนการดึงข้อมูลและการสังเคราะห์ซึ่งจัดการโดยผลิตภัณฑ์ Search อยู่แล้ว เครื่องมือ Do แสดงถึงขั้นตอนการดำเนินการที่มนุษย์จะต้องทำด้วยตนเองเมื่อใช้ Search เพียงอย่างเดียว จากนั้นเราจะประมาณเวลาที่จำเป็นสำหรับผู้เชี่ยวชาญที่มีประสบการณ์ในการดำเนินการกระทำเหล่านี้

การประมาณการตาม LLM: เราป้อนคำค้นหาจากเซสชัน Computer เข้าสู่ LLM เพื่อประมาณเวลาที่จำเป็นสำหรับมืออาชีพที่มีทักษะซึ่งได้รับคำตอบจาก Search แต่ต้องดำเนินการทุกขั้นตอนด้วยตนเอง

การประมาณการที่รายงานโดยผู้ใช้: เราดำเนินการสัมภาษณ์กึ่งโครงสร้าง 25 ครั้งกับผู้ใช้ Computer ที่ใช้งานอยู่ทั่วทั้งโดเมน และสอบถามเกี่ยวกับเวิร์กโฟลว์ก่อนใช้ Computer และเวลาที่เวิร์กโฟลว์เหล่านั้นควรจะใช้

ภายใต้การประมาณการตามเครื่องมือ งาน Search + มนุษย์โดยเฉลี่ยใช้เวลา 269 นาที ในขณะที่เวิร์กโฟลว์ Computer + มนุษย์ที่สอดުރกันใช้เวลา 36 นาที ซึ่งเป็นการลดเวลาในการทำงานลง 87%

เพื่อแปลงเวลาในการทำงานให้เป็นต้นทุน เราใช้ค่าจ้างรายชั่วโมงเฉลี่ยเฉพาะโดเมนจากข้อมูลเดือนพฤษภาคม 2025 ของสำนักงานสถิติแรงงานแห่งสหรัฐอเมริกา (U.S. Bureau of Labor Statistics Occupational Employment and Wage Statistics - BLS OEWS) (U.S. Bureau of Labor Statistics 2026) เมื่อรวมต้นทุนของโมเข้ากับต้นทุนแรงงานมนุษย์เฉพาะโดเมน Computer ช่วยลดต้นทุนงานที่ประมาณการไว้ลง 94% โดยเฉลี่ย

ข้อได้เปรียบด้านประสิทธิภาพปรากฏขึ้นในทั้ง 18 โดเมน โดยมีการประหยัดเวลา 79–92% และประหยัดต้นทุน 87–96% การเขียนโปรแกรมเป็นกรณีที่ชัดเจนที่สุด: 596 นาทีสำหรับ Search + มนุษย์ เทียบกับ 48 นาทีสำหรับ Computer + มนุษย์ ซึ่งเป็นการลดเวลาลง 92% และส่งผลให้ต้นทุนลดลง 96% ธุรกิจ เทคโนโลยี การศึกษา และการเขียนก็แสดงให้เห็นถึงผลกำไรที่มากเช่นกัน การประหยัดเวลามักจะแปลเป็นการประหยัดต้นทุนที่มากกว่าในโดเมนที่มีค่าจ้างสูง

ผลลัพธ์นี้มีความทนทาน (robust) เพียงใด ลองพิจารณาจุดคุ้มทุน: เพื่อให้ Search + มนุษย์ มีต้นทุนเท่ากับ Computer + มนุษย์ ผู้เชี่ยวชาญจะต้องทำทุกขั้นตอนด้วยตนเองให้เสร็จสิ้นภายใน 14–24 นาที (ค่ามัธยฐาน 18) Computer ยังคงรักษาความได้เปรียบในทุกโดเมน แม้จะอยู่ภายใต้สมมติฐานที่อนุรักษ์นิยมมากขึ้น: ตัวอย่างเช่น การประเมินเวลาต่อเครื่องมือสูงเกินไป 8 เท่า หรือการประเมินเวลาในการกำกับดูแลของ Computer ต่ำเกินไป 12 เท่า

การประมาณการตาม LLM ให้ผลลัพธ์รวมที่คล้ายคลึงกัน: เวลาลดลง 84% และต้นทุนลดลง 93% โดยรวม การสัมภาษณ์ผู้ใช้แสดงผลลัพธ์ที่กว้างกว่ามาก ตั้งแต่การทำงานเร็วขึ้น 5 เท่า ไปจนถึงมากกว่า 300 เท่า ซึ่งน่าจะสะท้อนถึงความแตกต่างอย่างมากในเกณฑ์มาตรฐานก่อนใช้ Computer ของผู้ใช้ ค่ามัธยฐานของการทำงานที่เร็วขึ้นในกลุ่มผู้เข้าร่วมคือ 25 เท่า ซึ่งสอดคล้องกับการลดเวลาลง 96%

ขอบเขตของงานขยายออกไปทั้งในแนวราบและแนวดิ่ง

ความเร็วและต้นทุนในงานที่จับคู่กันสะท้อนเรื่องราวได้เพียงบางส่วน รูปแบบของงานก็สามารถเปลี่ยนแปลงได้เช่นกัน เนื่องจาก Computer เข้ามาแทนที่การปฏิบัติงานด้วยตนเองด้วยการประมวลผลของเครื่องจักร ผู้ใช้อาจรับงานประเภทต่างๆ ที่แตกต่างออกไป เช่น งานที่ข้ามขอบเขตอาชีพและงานที่ต้องใช้ระดับความเชี่ยวชาญที่สูงขึ้น

ประการแรก เราถามว่าผู้ใช้นอกกลุ่มอาชีพหลักที่อนุمانไว้ทำงานบ่อยขึ้นหรือไม่เมื่อใช้ Computer เมื่อเทียบกับ Search ประการ دوم เราเปรียบเทียบคำค้นหา Computer และ Search จากผู้ใช้คนเดียวกันโดยใช้การจำแนกประเภทระดับงานห้าแบบ: Bloom's Revised Taxonomy (Anderson and Krathwohl 2001), งานเชิงนามธรรมเทียบกับงานประจำตามรูปแบบเนื้อหาของงาน (Autor, Levy, and Murnane 2003), ความกว้างของความรู้ O*NET (National Center for O*NET Development 2026), ความกว้างของกิจกรรมการทำงาน O*NET และงานใหม่ๆ ที่ไม่เคยลองทำด้วย Search

การเปลี่ยนแปลงในแนวนอนเห็นได้ชัดเจนในข้อมูล จากกลุ่มตัวอย่างผู้ใช้ 8,000 คนจากแปดกลุ่มอาชีพ โดยใช้คำค้นหาทั้งหมดของพวกเขา ผู้ใช้ Computer ทำงานนอกอาชีพหลักของตนเอง 59% ของเวลาทั้งหมด เมื่อเทียบกับ 50% สำหรับ Search การเพิ่มขึ้นที่มากที่สุดปรากฏในด้านการจัดการและการเป็นผู้ประกอบการ เทคโนโลยีิดิจิทัล ศิลปะและการออกแบบ และการดูแลสุขภาพและบริการมนุษย์ คำค้นหา Search ข้ามอาชีพจะกระจุกตัวอยู่ในเทคโนโลยีิดิจิทัล ในขณะที่คำค้นหา Computer จะมอบหมายงานที่ข้ามไปสู่โดเมนที่หลากหลายมากขึ้น ซึ่งผู้ใช้อาจจำเป็นต้องพึ่งพาผู้เชี่ยวชาญ

การเปลี่ยนแปลงในแนวดิ่งมีมากกว่านั้น ในกลุ่มตัวอย่างคำค้นหา Computer 5,000 รายการและคำค้นหา Search 5,000 รายการจากกลุ่มผู้ใช้สองผลิตภัณฑ์เดียวกัน คำค้นหาของ Computer มีความซับซ้อนทางปัญญามากกว่าคำค้นหาของ Search บน Bloom's Revised Taxonomy 76% ของคำค้นหา Computer ต้องการกระบวนการทางปัญญาระดับสูง เทียบกับ 55% สำหรับ Search ความแตกต่างกระจุกตัวอยู่ที่ด้านบน: 50% ของคำค้นหา Computer เป็นงานระดับสร้างสรรค์ (Create-level) เทียบกับ 26% สำหรับ Search Search มีปริมาณมากกว่ามากในการค้นหาข้อเท็จจริงระดับจดจำ (Remember-level) ในมิติประเภทงานเชิงนามธรรมเทียบกับงานประจำ 71% ของคำค้นหา Computer เกี่ยวข้องกับกระบวนการทางปัญญาเชิงนามธรรมที่ไม่ใช่งานประจำ เทียบกับ 53% สำหรับ Search

งานของ Computer ยังอาศัยโดเมนความรู้ที่มากกว่า งาน Computer โดยเฉลี่ยต้องอาศัยความเชี่ยวชาญเฉพาะด้านในพื้นที่ความรู้ O*NET 2.40 ด้าน เทียบกับ 1.74 สำหรับ Search ซึ่งเป็นการเพิ่มขึ้น 38% Computer มีโอกาสที่จะต้องใช้โดเมนความรู้สามด้านขึ้นไปสูงเกือบสามเท่าของ Search: 51% เทียบกับ 17%

ในระดับกิจกรรมการทำงาน รูปแบบเดียวกันนี้ยังคงอยู่ คำค้นหา Computer ทั่วไปเกี่ยวข้องกับกิจกรรมการทำงานทั่วไปของ O*NET (Generalized Work Activities) 2.95 รายการ และกิจกรรมการทำงานระดับกลาง (Intermediate Work Activities) 4.01 รายการ เทียบกับ 2.24 และ 2.87 สำหรับ Search ซึ่งเป็นการเพิ่มขึ้น 32% และ 40% ในระดับที่ละเอียดยิ่งขึ้น Computer เกี่ยวข้องกับกิจกรรมการทำงานโดยละเอียด (Detailed Work Activities) เพิ่มขึ้น 59% และข้อความแสดงงานเฉพาะอาชีพเพิ่มขึ้น 60%

มาตรการที่บ่งบอกได้ชัดเจนที่สุดคือชุดของงานที่ปรากฏใน Computer แต่ไม่ปรากฏใน Search ในกลุ่มผู้ใช้กลุ่มเดียวกัน ตามนิยามที่เข้มงวดที่สุด โดยที่ข้อความแสดงงานปรากฏใน Computer และไม่เคยปรากฏในกลุ่มตัวอย่าง Search ที่จับคู่กันเลย 23% ของคำค้นหา Computer เกี่ยวข้องกับข้อความแสดงงานที่มีเฉพาะใน Computer อย่างน้อยหนึ่งรายการ หากผ่อนปรนเกณฑ์ให้ยอมรับการเกิดขึ้นใน Search ได้สูงสุดถึงห้าครั้ง สัดส่วนจะเพิ่มขึ้นเป็น 38% และทรงตัวอยู่ที่ประมาณ 41% กิจกรรมที่มีเฉพาะใน Computer เหล่านี้กระจุกตัวอยู่ในการพัฒนาซอฟต์แวร์และเว็บ การผลิตเอกสาร และการแสดงข้อมูลเป็นภาพหรือกราฟิก นั่นคือจุดที่การดำเนินการอัตโนมัติมีความสำคัญที่สุด: Search อธิบาย; Computer ผลิต

การอภิปราย

หลักฐานส่วนใหญ่เกี่ยวกับ AI ในที่ทำงานมุ่งเน้นไปที่การตั้งค่าของผู้ช่วย วรรณกรรมชิ้นนั้นแสดงให้เห็นว่าผลิตภาพเพิ่มขึ้นอย่างมากในการเสริมการเขียน การสนับสนุนลูกค้า การเขียนโค้ด และการให้คำปรึกษา (เช่น Noy and Zhang 2023; Brynjolfsson, Li, and Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026)

เอเจนต์เปลี่ยนพฤติกรรมของผู้ใช้และผลลัพธ์ทางเศรษฐกิจในขั้นตอนต่อไป การปรับใช้ในการผลิตเริ่มเปิดเผยการใช้งานและผลกระทบของเอเจนต์ในสภาพแวดล้อมจริง แต่ส่วนใหญ่จะมุ่งเน้นไปที่เอเจนต์เขียนโค้ดเฉพาะทางและเว็บเอเจนต์รุ่นแรกๆ (เช่น Sarkar 2026; McCain et al. 2026; Demirer, Musolff, and Yang 2026; Yang et al. 2025) เราเสริมงานนี้และเชื่อมโยงวรรณกรรมเกี่ยวกับผู้ช่วยและเอเจนต์เข้าด้วยกัน โดยการเปรียบเทียบการโต้ตอบของผู้ใช้กับตัวประสานการทำงานของเอเจนต์อเนกประสงค์เทียบกับผู้ช่วยสนทนา และโดยการขยายการวิเคราะห์ผลกระทบปลายทางไปยังงานด้านความรู้ที่หลากหลายยิ่งขึ้น

นอกจากนี้เรายังเปลี่ยนจากการเปิดรับ (exposure) ไปสู่การจัดระเบียบงานใหม่ที่เกิดขึ้นจริง งานก่อนหน้านี้ประมาณการว่าอาชีพใดบ้างที่เปิดรับ AI โดยใช้คำอธิบายงานและโครงสร้างอาชีพ (เช่น Eloundou et al. 2024; Felten, Raj, and Seamans 2023) ในขณะที่ตัวชี้วัดตามการใช้งานแสดงให้เห็นช่องว่างระหว่างการเปิดรับและการนำไปใช้งาน (Massenkoff and McCrory 2026) เราจัดทำเอกสารว่าองค์ประกอบของงานเปลี่ยนแปลงไปอย่างไรเมื่อเข้าถึงเอเจนต์ได้

เราตั้งข้อสังเกตถึงข้อควรระวังหลายประการ ประการแรก หน้าต่างการสังเกตอยู่ในช่วงเริ่มต้น และผู้ใช้กลุ่มแรกๆ มักโน้มเอียงไปทางผู้ใช้ที่คุ้นเคยกับ AI (AI natives) ผู้ใช้ยังทำการทดลองและปรับเปลี่ยนเวิร์กโฟลว์ของตนอย่างแข็งขันภายในภูมิทัศน์ของผลิตภัณฑ์ที่กำลังพัฒนาอย่างรวดเร็ว ดังนั้นรูปแบบเหล่านี้จึงอาจเปลี่ยนแปลงไปตามกาลเวลา ประการที่สอง การออกแบบคำค้นหาที่จับคู่ตามเซสชันทำให้มองไม่เห็นงาน Computer จำนวนมากที่ไม่มีรูปแบบที่เทียบเท่าใน Search อย่างใกล้ชิด แม้ว่าเซสชันจะเป็นวิธีธรรมชาติในการแบ่งส่วนงาน แต่ในทางปฏิบัติผู้ใช้ไม่ได้ปฏิบัติตามโครงสร้างนี้เสมอไป ทำให้เซสชันเป็นตัวแทนที่มีความคลาดเคลื่อนสำหรับหน่วยงาน ประการที่สาม การประมาณการประสิทธิภาพขึ้นอยู่กับสมมติฐานเกี่ยวกับเวลาเครื่องมือที่เทียบเท่ากับมนุษย์และเวลาในการกำกับดูแลของมนุษย์อย่างมาก แม้ว่าการประมาณการตาม LLM และการสัมภาษณ์ผู้ใช้จะชี้ไปในทิศทางเดียวกัน และการวิเคราะห์จุดคุ้มทุนและความไวจะบ่งบอกถึงความทนทาน แต่ขนาดที่แน่นอนควรอ่านเป็นค่าโดยประมาณ ที่เกี่ยวข้องพอกันคือ ข้อผิดพลาดในการจำแนกประเภทของ LLM นำมาซึ่งความคลาดเคลื่อนในการวัดเพิ่มเติม สุดท้าย เราสังเกตพฤติกรรมของผู้ใช้ภายในระบบนิเวศของ Perplexity เท่านั้น และไม่สามารถจับกิจกรรมที่อยู่นอกระบบนิเวศได้ ซึ่งอาจจำกัดมุมมองของเราเกี่ยวกับกิจกรรมการทำงานทั้งหมดและการใช้เครื่องมือของผู้ใช้

มองไปข้างหน้า

เอเจนต์ทำให้งานที่มีอยู่ทำงานได้เร็วขึ้นและมีราคาถูกลง และที่สำคัญกว่านั้นคือทำให้งานที่ครอบคลุมขอบเขตอาชีพและระดับความเชี่ยวชาญต่างๆ สามารถทำได้จริง

เมื่อระบบสามารถค้นหา ท่องเว็บ เขียนโค้ด แก้ไขไฟล์ เชื่อมต่อกับบริการ และสร้างผลงานได้ คอขวดของผู้ใช้จะเปลี่ยนไป พวกเขาใช้เวลาน้อยลงในการดำเนินการเวิร์กโฟลว์และใช้เวลามากขึ้นในการระบุเป้าหมาย ให้บริบท ตรวจสอบผลลัพธ์ และขอขยายผล ผู้ใช้เปลี่ยนสถานะจากผู้ปฏิบัติงานไปเป็นผู้ควบคุมดูแล

ในระดับบุคคล การเปลี่ยนแปลงนี้ช่วยขยายขอบเขตงาน ทำให้ผู้ใช้สามารถรับงานที่มีความกว้างและความลึกมากขึ้น ในระดับองค์กรและตลาดแรงงาน การที่การเปลี่ยนแปลงระดับจุลภาคเหล่านี้มารวมตัวกันจะเป็นอย่างไรยังคงเป็นคำถามที่เปิดกว้าง หากบุคคลเพียงคนเดียวที่พร้อมด้วยเอเจนต์ สามารถทำเวิร์กโฟลว์ที่เดิมทีต้องอาศัยหลายบทบาทให้เสร็จสิ้นได้ ผลกระทบระยะยาวของเอเจนต์จะไม่สามารถวัดได้ด้วยตัวชี้วัดความเร็วและต้นทุนเพียงอย่างเดียว แต่จะปรากฏในวิธีการรวมกลุ่มงาน การกำหนดบทบาท และโครงสร้างของทีม

หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับระเบียบวิธีวิจัยและผลการค้นพบของเรา โปรดอ่าน รายงานทางเทคนิค ฉบับเต็ม

เอกสารอ้างอิง

Anderson, Lorin W., and 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, and 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, and 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, and 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, and 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, 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.

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

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