AI ajanları bilgi çalışmasını nasıl yeniden şekillendiriyor

En ileri düzey AI sistemleri, model zekası ile gerçek dünyadaki kullanışlılık arasındaki boşluğu kapatıyor. Yeni modeller, bilgi işlem mimarileri ve düzenleme kalıpları, bu sistemlerin birkaç ay önce imkansız olarak görülen görevleri yerine getirmesini sağlıyor.

Bu hızlı inovasyon; AI kullanıcılarının etki gücünü ve yetkisini artırarak onlar için büyük bir nimet olduğunu kanıtladı. Ancak aynı zamanda teknolojik sınır ile bilgi çalışmasının buna yanıt olarak tam olarak nasıl evrimleştiğine dair anlayışımız arasında bir gecikme yarattı. En ileri düzey AI, meslekler arası bilgi çalışmasının doğasını nasıl değiştiriyor? Bu çalışmada hangi yapısal ve ekonomik dönüşümleri bekleyebiliriz?

Perplexity kullanımının dikkatli bir ampirik analizi yoluyla bu boşluğu kapatmayı amaçlıyoruz. Bugün, Harvard Business School araştırmacılarıyla iş birliği içinde, gerçek dünya dağıtımındaki ilk kapsamlı Perplexity Computer çalışmamızı paylaşıyoruz. Bulgularımız, Computer'ın kullanıcıların başardıklarının hem kapsamını hem de derinliğini daha düşük maliyetle genişlettiğini gösteriyor. Computer kullanıcıları daha fazlasını başarıyor, daha yüksek soyutlama seviyelerinde çalışıyor ve kendi mesleklerinin dışındaki değerleri ortaya çıkarmak için disiplinler arası sınırları aşıyor.

Bu makale çalışmamızdan öne çıkanları sunmaktadır. Ayrıntılı metodoloji ve bulgular teknik raporumuzda mevcuttur.

Giriş

İlk ana akım üretken AI sistemleri, kullanıcılarla diyalog kuran konuşma tabanlı asistanlardı. Bu asistanlar niyet ile eylem arasında yer alır. Soruları yanıtlar, ödünleşimleri açıklar ve sonraki adımları önerir. Kullanıcı daha sonra yanıtı işe dönüştürmek zorundadır: Doğru araçları açmak, dosyaları toplamak, belgeleri düzenlemek, ara çıktıları kontrol etmek ve sonraki adımda ne yapılacağına karar vermek.

Ajanlar iş bölümünü değiştirir. Kullanıcı bir sonuç belirtir ve sistem araçlar arasında plan yapar, ara adımları yürütür, gerektiğinde eksik girdileri sorar ve bitmiş bir teslim edilebilir öğe döndürür. Ajanlar, AI kullanımını bir şeyleri arayıp sentezlemekten, görevleri otonom bir şekilde planlamaya ve gerçekleştirmeye kaydırır.

Bu gelişim çizgisi Perplexity'nin kendi ürün ilerlemesini canlandırır. 2022'de, kullanıcıların milyarlarca belge genelinde doğrulanabilir alıntılarla desteklenen sorular sormasına ve yanıtlar almasına olanak tanıyarak yanıt motoru kategorisini tanımlayan Search'ü başlattık. 2025'te, açık web'de kullanıcılarla birlikte akıl yürüten ve hareket eden gömülü bir web ajanıyla Comet tarayıcısını tanıttık. Ve 2026'da, karmaşık ortamlarda ve uzun zaman dilimlerinde kullanıcı tarafından belirtilen hedeflere doğru otonom olarak çalışan genel amaçlı bir ajan düzenleyicisi olan Computer'ı başlattık.

Bu geçiş çalışma şeklimizi nasıl değiştiriyor? Bu soruyu Search ve Computer ürünlerimizden elde edilen verileri kullanarak üç boyuta odaklanarak inceliyoruz:

Otonomi: Computer, aynı görev üzerinde Search'e kıyasla ne kadar otonom iş gerçekleştirir?

Verimlilik: Computer, aynı görevle ilgili olarak Search'e kıyasla ne kadar zaman ve iş gücü maliyeti tasarrufu sağlar?

Kapsam: Computer, kullanıcıların denediği iş türünü nasıl değiştirir?

Computer gibi ajanların daha fazla ön hazırlık çabası gerektirdiğini (çünkü kullanıcıların devredilecek hedefleri belirtmesi ve sonuçları incelemesi gerekir) ancak birim iş başına çok daha az insan çabası gerektirdiğini (daha otonom yürütme nedeniyle) görüyoruz. Bu, onları özellikle uzun, çok adımlı iş akışlarında son derece etkili kılar. Bunun karşılığı hem daha derin hem de daha ucuz bir iştir. Computer, kullanıcı çabasını manuel yürütmeden denetime kaydırarak kullanıcıların hem kendi uzmanlık alanları içinde hem de dışında başarabileceklerinin yelpazesini genişletir.

Computer Benimsenmesi ve Kullanım Örnekleri

Computer 25 Şubat 2026'da piyasaya sürüldü ve ilk üç ayda hızla büyüdü.

Kümülatif Computer sorguları 27 Mayıs'a kadar ilk hafta toplamının 84 katına ulaştı. Bir temel olarak, Computer kullanıcıları arasındaki kümülatif Search kullanımı, Computer kullanmayan kullanıcılar için %12'lik büyümeden daha yüksek olan ilk hafta toplamının 14 katına ulaştı.

Computer ve Computer kullanmayan kullanıcılar abonelik katmanı, birincil Search konusu ve önceki Search yoğunluğu açısından eşleştirildikten sonra bile, farklar arası fark karşılaştırması Computer benimsemenin Search kullanımını artırdığını gösteriyor: Computer kullanıcıları, benzer Computer kullanmayan kullanıcılara göre günde 1,05 daha fazla Search sorgusu yapıyor.

100.000 Computer sorgusundan oluşan rastgele bir örneklemde, Araştırma ve Analiz %25,8 ile en büyük görev kategorisi oldu, bunu %18,6 ile Belge ve Varlık Oluşturma izledi. Gözlemlenen görev karması üretken işlere doğru eğilim gösteriyor: belgeler, elektronik tablolar, kod tabanları, web siteleri ve birden fazla araçta çalışmayı gerektiren iş akışları.

Alanlara dönersek, kullanım Yazılım ve BT, Finans ve Yatırım, Pazarlama ve Satış, İş Operasyonları, Sağlık, Eğitim, Hukuk ve Medya genelinde geniş bir şekilde dağılmıştı.

Daha Yüksek Otonomi ve Kalite

Otonominin en doğrudan sinyali, kullanıcının bir talep göndermesinden sonra sistemin insan müdahalesi olmadan ne kadar süre çalıştığıdır. Search genellikle saniyeler içinde bir yanıt döndürür. Computer ise genellikle dakika hatta saatler boyunca çalışmaya devam eder: arama yapar, tarar, yazar, düzenler, kod çalıştırır ve ara sonuçları kontrol eder.

Her iki ürünle de denenen aynı görev için bir vekil olarak neredeyse aynı ilk sorgulara sahip Search ve Computer oturumlarını kullanıyoruz. 10.000 eşleştirilmiş çift arasında Computer, oturum başına ortalama 26 dakika makine yürütmesi gerçekleştirirken, Search için bu süre 33 saniyedir. Bu, neredeyse aynı görevlerde makine çalışmasında 48 katlık bir artıştır. Ortancada fark 9 dakikaya karşı 14 saniye veya 40 kattır. Alan dağılımı aynı modeli gösterir: Computer, tüm 18 alan genelinde kabaca 26–75 kat daha fazla makine çalışması gerçekleştirir.

Daha uzun süren otonomi, daha fazla terk edilmeye dönüşmedi. Kullanıcı durdurma olayları ürünler arasında benzerdi: Computer oturumlarının %3,7'si ve Search oturumlarının %3,4'ü en az bir kullanıcı durdurma olayı içeriyordu. Computer kullanıcı girdisi için daha sık durakladı: Computer sorgularının %13'ü, genellikle onay istemek veya netleştirici sorular sormak için Search için %0,3'e kıyasla en az bir kullanıcı için duraklatma aracını çağırdı. Bu, bir ajan için beklenen modeldir: çoğunlukla otonom olarak devam edebilir, ancak izin almak ve kullanıcının ne istediğini onaylamak için kontrol noktalarına ihtiyacı vardır.

Computer ayrıca Model Bağlam Protokolü (MCP) veya Uygulama Programlama Arayüzü (API) uç noktaları aracılığıyla çok daha fazla harici araç çağrısını tek bir oturumda zincirler ve bir Search kullanıcısının aksi takdirde ayrı uygulamalarda elle yapacağı işi yapar. Computer oturumlarının %7,9'u Search oturumlarının %1,8'ine kıyasla en az bir bağlayıcı çağrısı yapar (4 kat fark) ve Computer oturum başına ortalama 1,19 bağlayıcı çağrısı yaparken Search için bu sayı 0,10'dur (12 kat oran). Başka bir deyişle, Computer yalnızca daha uzun süre çalışmakla kalmaz; veri çekmek ve eylem gerçekleştirmek için kullanıcının bağlı hizmetlerinin daha fazlasına uzanır.

Takip davranışı da bileşimde değişir. 1.000 çiftli çok dönüşlü bir örneklemde, görev ilerletmeye yönelik genel eğilim ürünler arasında neredeyse aynıdır (Computer takip ettiklerinin %52,7'si ve Search için %52,9'u), ancak kullanıcıların istedikleri değişir: Computer ön yüzde daha eksiksiz bir teslim edilebilir öğe döndürdüğü için kullanıcıları netleştirici detaylandırmalar yerine uzantıları ikame eder (uzantılar %14,2'ye karşı %12,5; detaylandırmalar %22,0'a karşı %23,4). Computer kullanıcıları ayrıca takiplerinin biraz daha fazlasını çıktıyı incelemeye ve gözden geçirmeye harcarlar (%24,6'ya karşı %23,6), buna karşın Search, Computer'ın ilk çalışmasına dahil ettiği onaylar, yeniden denemeler ve biçim istekleri gibi kısa yönergelerde daha ağır basmaktadır (%11,6'ya karşı %9,9). Başka bir deyişle, Search daha kısa özetle ve çalıştır döngüleri oluşturur; Computer ise daha uzun incele ve uzat döngüleri oluşturur.

En önemlisi, daha yüksek otonomi ile kalite düşmedi. Eşleştirilmiş çok dönüşlü oturumlarda, anlamlı bir sonraki dönüş memnuniyetsizliği Computer için %1,3 iken Search için %2,9 oldu; bu %55'lik bir azalmadır. Hafif sinyaller de dahil olmak üzere her türlü memnuniyetsizlik Computer için %10,8 iken Search için %16,6 oldu.

Otonomiden Verimlilik Kazançları

Daha yüksek otonomi, manuel insan işini makine hesaplamasıyla takas eder ve bu da verimliliği artırır. Bu etkiyi tespitlemek için aynı eşleştirilmiş görevler üzerinde iki kurulumu karşılaştırıyoruz.

Search + İnsan: Search, bilgi alımını ve sentezini yönetir; insan manuel olarak yürütür.

Computer + İnsan: Computer iş akışını gerçekleştirir; insan görevin kapsamını belirler ve çıktıyı inceler.

Bir görevin bir insan için ne kadar süreceğini doğrudan gözlemleyemeyiz, bu nedenle üç bağımsız tahminle üçgenleme yapıyoruz:

Araç tabanlı tahmin: Computer araç çağrılarını iki kategoriye ayırıyoruz: "Ara" ve "Yap". Ara araçları, Search ürünü tarafından zaten ele alınan bilgi alma ve sentez adımlarına karşılık gelir. Yap araçları, bir insanın tek başına Search kullanırken manuel olarak gerçekleştirmesi gereken yürütme adımlarını temsil eder. Ardından deneyimli bir insanın bu Yap eylemlerini gerçekleştirmesi için gereken süreyi tahmin ediyoruz.

LLM tabanlı tahmin: Search'ten yanıtlar alan ancak tüm yürütme adımlarını manuel olarak gerçekleştirmesi gereken yetenekli bir profesyonel için gereken süreyi tahmin etmek üzere Computer oturumlarındaki sorguları bir LLM'e besliyoruz.

Kullanıcı tarafından bildirilen tahmin: Alanlar genelinde aktif Computer kullanıcılarıyla 25 yarı yapılandırılmış röportaj gerçekleştiriyor ve Computer öncesi iş akışlarını ve bu iş akışlarının alacağı süreyi ortaya çıkarıyoruz.

Araç tabanlı tahmine göre, ortalama Search + İnsan görevi 269 dakika sürerken, buna karşılık gelen Computer + İnsan iş akışı 36 dakika sürüyor. Bu, görev süresinde %87'lik bir azalmadır.

Görev süresini maliyete dönüştürmek için, ABD Çalışma İstatistikleri Bürosu Mesleki İstihdam ve Ücret İstatistikleri (BLS OEWS) Mayıs 2025 verilerinden (ABD Çalışma İstatistikleri Bürosu 2026) alana özel ortalama saatlik ücretleri kullanıyoruz. Model maliyetini alana özel insan iş gücü maliyetiyle birleştirerek Computer, tahmini görev maliyetini ortalama %94 oranında azaltır.

Verimlilik avantajı, %79–92 zaman tasarrufu ve %87–96 maliyet tasarrufu ile tüm 18 alanda görünmektedir. Programlama en uç durumdur: Search + İnsan için 596 dakika ve Computer + İnsan için 48 dakika — %96 maliyet azalışı sağlayan %92'lik bir zaman azalması. İşletme, Teknoloji, Eğitim ve Yazılım da büyük kazançlar göstermektedir. Zaman tasarrufu, yüksek ücretli alanlarda daha büyük maliyet tasarruflarına dönüşme eğilimindedir.

Bu sonuç ne kadar sağlamdır? Başabaş noktasını ele alalım: Search + İnsan'ın Computer + İnsan maliyetiyle eşleşmesi için bir profesyonelin her bir manuel adımı 14–24 dakikada (ortanca 18) bitirmesi gerekir. Computer, daha muhafazakar varsayımlar altında bile her alanda üstünlüğünü korur: örneğin, araç başına sürede 8 katlık bir aşırı tahmin veya Computer'ın gözetim süresinde 12 katlık bir eksik tahmin.

LLM tabanlı tahmin benzer toplu sonuçlar verir: genel olarak sürede %84'lük bir azalma ve maliyette %93'lük bir azalma. Kullanıcı röportajları çok daha geniş bir sonuç yelpazesi gösterir; 5 kattan 300 kattan fazla hızlanmalara kadar — muhtemelen kullanıcıların Computer öncesi taban çizgilerindeki önemli çeşitliliği yansıtır. Katılımcılar arasındaki ortanca hızlanma 25 kattır, bu da sürede %96'lık bir azalmaya karşılık gelir.

Görev Kapsamı Yatay ve Dikey Olarak Genişliyor

Eşleştirilmiş görevlerdeki hız ve maliyet, hikayenin yalnızca bir kısmını yakalar. İşin şekli de değişebilir. Computer manuel yürütmenin yerini makine hesaplamasıyla aldıkça, kullanıcılar farklı türde işleri üstlenebilir; mesleki sınırları aşan ve daha yüksek uzmanlık düzeyleri gerektiren görevler.

İlk olarak, kullanıcıların Computer ile Search'e kıyasla çıkarılan birincil meslek kümesinin dışındakilerde daha sık çalışıp çalışmadığını soruyoruz. İkinci olarak, aynı kullanıcıların Computer ve Search sorgularını beş görev düzeyinde sınıflandırma kullanarak karşılaştırıyoruz: Bloom'un Gözden Geçirilmiş Taksonomisi (Anderson ve Krathwohl 2001), görev içeriği geleneğindeki soyut ve rutin iş (Autor, Levy ve Murnane 2003), O*NET Bilgi kapsamı (Ulusal O*NET Geliştirme Merkezi 2026), O*NET iş etkinliği kapsamı ve Search ile denenmemiş yeni görevler.

Yatay kayma verilerde açıkça görülmektedir. Sekiz meslek kümesinden 8.000 kullanıcının tüm sorgularını içeren bir örneklemde, Computer kullanıcıları sorgularının %50'si için Search'e kıyasla %59 oranında birincil mesleklerinin dışında çalışmaktadır. En büyük artışlar Yönetim ve Girişimcilik, Dijital Teknoloji, Sanat ve Tasarım ile Sağlık ve İnsan Hizmetlerinde görülmektedir. Meslekler arası Search sorguları Dijital Teknoloji üzerinde yoğunlaşırken, Computer sorguları kullanıcıların aksi takdirde uzmanlara ihtiyaç duyacağı daha çeşitli alanlara uzanan işleri devreder.

Dikey kayma daha da büyüktür. Aynı çift ürün kullanıcıları kümesinden 5.000 Computer sorgusu ve 5.000 Search sorgusundan oluşan bir örneklemde, Computer sorguları Search sorgularından daha bilişsel olarak karmaşıktır. Bloom'un Gözden Geçirilmiş Taksonomisinde, Computer sorgularının %76'sı Search için %55'e kıyasla üst düzey biliş gerektirir. Fark en üstte yoğunlaşmıştır: Computer sorgularının %50'si Search için %26'ya kıyasla Oluşturma düzeyinde görevlerdir. Search, Anımsama düzeyindeki olgusal aramada çok daha fazla kütleye sahiptir. Soyut-rutin görev türü boyutunda, Computer sorgularının %71'i Search için %53'e kıyasla soyut, rutin olmayan biliş içerir.

Computer görevleri ayrıca daha fazla bilgi alanından yararlanır. Ortalama Computer görevi, Search için 1,74'e kıyasla (%38'lik bir artış) 2,40 O*NET Bilgi alanında esaslı uzmanlık gerektirir. Computer, üç veya daha fazla bilgi alanı gerektirmede Search'ün neredeyse üç katı olasılığa sahiptir: %51'e karşı %17.

İş etkinliği düzeyinde, aynı model geçerlidir. Tipik bir Computer sorgusu Search için 2,24 ve 2,87'ye kıyasla (%32 ve %40'lık bir artış) 2,95 O*NET Genelleştirilmiş İş Etkinliği ve 4,01 Ara İş Etkinliği içerir. Daha ince düzeylerde, Computer %59 daha fazla Ayrıntılı İş Etkinliği ve %60 daha fazla mesleğe özgü Görev İfadesi içerir.

En açıklayıcı ölçü, aynı kullanıcılar arasında Search'te değil de Computer'da görünen görevler kümesidir. Bir görev ifadesinin Computer'da göründüğü ve eşleştirilmiş Search örnekleminde asla görünmediği en katı tanımda, Computer sorgularının %23'ü yalnızca Computer'a ait en az bir görev ifadesi içerir. Eşi en fazla beş Search oluşumuna izin verecek şekilde gevşetmek payı %38'e yükseltir ve %41 civarında sabitlenir. Yalnızca Computer'a ait bu etkinlikler yazılım ve web geliştirme, belgeleme üretimi ve veri görselleştirme veya grafiklerde yoğunlaşır. Otonom yürütmenin en çok önemli olduğu yer tam olarak burasıdır: Search açıklar; Computer üretir.

Tartışma

İştteki AI üzerine yapılan çoğu kanıt asistan ortamına odaklanmaktadır. Bu literatür, yazma, müşteri desteği, kodlama ve danışmanlığı artırmada büyük üretkenlik kazançları göstermiştir (örn. Noy ve Zhang 2023; Brynjolfsson, Li ve Raymond 2025; Cui vd. 2026; Dell'Acqua vd. 2026).

Ajanlar kullanıcı davranışını ve aşağı yönlü ekonomik sonuçları değiştirir. Üretim dağıtımları gerçek dünya ortamlarında ajan kullanımını ve etkisini ortaya çıkarmaya başlıyor ancak çoğunlukla özel kodlama ajanlarına ve erken web tarayıcısı ajanlarına odaklanıyor (örn. Sarkar 2026; McCain vd. 2026; Demirer, Musolff ve Yang 2026; Yang vd. 2025). Bu çalışmayı tamamlıyor ve genel amaçlı bir ajan düzenleyicisi ile konuşma tabanlı bir asistan arasındaki kullanıcı etkileşimini karşılaştırarak ve aşağı yönlü etki analizini daha geniş bir bilgi çalışması yelpazesine genişleterek asistan ve ajan literatürü arasında köprü kuruyoruz.

Ayrıca maruz kalmadan gerçekleştirilen görev yeniden oluşturulmasına geçiyoruz. Önceki çalışma görev açıklamalarını ve mesleki yapıyı kullanarak hangi mesleklerin AI'ye maruz kaldığını tahmin ederken (örn. Eloundou vd. 2024; Felten, Raj ve Seamans 2023), kullanım tabanlı ölçümler maruz kalma ile dağıtım arasındaki boşluğu gösterir (Massenkoff ve McCrory 2026). Ajan erişimiyle görev kompozisyonunun nasıl kaydığını belgeliyoruz.

Birkaç uyarıya dikkat çekiyoruz. İlk olarak, gözlem penceresi erkendir ve erken benimseyenler AI yerlilerine doğru eğilim gösterir. Kullanıcılar ayrıca hızla evrilen bir ürün manzarasında iş akışlarını aktif olarak denemekte ve uyarlamaktadır, bu nedenle bu kalıplar zamanla değişebilir. İkinci olarak, oturum tabanlı eşleştirilmiş sorgu tasarımı, yakın Search eşdeğeri olmayan birçok Computer görevini dışarıda bırakır. Oturumlar görevleri segmentlere ayırmak için doğal bir yol sağlasa da, kullanıcılar pratikte her zaman bu yapıya uymazlar ve oturumları görev birimleri için gürültülü bir vekil haline getirir. Üçüncü olarak, verimlilik tahminleri insana eşdeğer araç süresi ve insan gözetim süresi hakkındaki varsayımlara kritik ölçüde bağlıdır. LLM tabanlı tahminler ve kullanıcı röportajları aynı yönü işaret etse ve başabaş ve duyarlılık analizleri sağlamlık gösterse de, tam büyüklükler yaklaşık olarak okunmalıdır. Buna bağlı olarak, LLM sınıflandırma hatası ek ölçüm gürültüsü sunar. Son olarak, kullanıcı davranışını yalnızca Perplexity ekosistemi içinde gözlemliyoruz ve dışındaki etkinlikleri yakalamıyoruz; bu da kullanıcıların tam iş etkinlikleri ve araç kullanımı hakkındaki görüşümüzü sınırlayabilir.

Geleceğe Bakış

Ajanlar mevcut görevleri daha hızlı ve daha ucuz hale getirir ve daha da önemlisi, mesleki sınırları ve uzmanlık düzeylerini kapsayan görevleri yapılabilir kıl。“

Bir sistem arama yapabildiğinde, tarayabildiğinde, kod yazabildiğinde, dosyaları düzenleyebildiğinde, hizmetlere bağlanabildiğinde ve teslim edilebilir öğeler üretebildiğinde, kullanıcının dar boğazı kayar. İş akışını çalıştırmaya daha az zaman harcar ve hedefleri belirtmeye, bağlam sağlamaya, çıktıları kontrol etmeye ve uzantılar istemeye daha çok zaman harcarlar. Kullanıcı operatörden denetçiye geçer.

Bireysel düzeyde, bu kayma görev sınırını genişleterek kullanıcıların hem daha geniş hem de daha derin işleri üstlenmesini sağlar. Kurumsal ve iş gücü piyasası düzeyinde, bu mikro düzeydeki değişikliklerin nasıl birleştiği açık bir soru olarak kalmaktadır. Tek bir birey, ajanlarla donatılmış olarak, önceden birden fazla rol gerektiren iş akışlarını tamamlayabilirse, ajanların uzun vadeli etkisi yalnızca hız ve maliyet metrikleriyle yakalanamaz. Bunun yerine, işin nasıl paketlendiğinde, rollerin nasıl tanımlandığında ve ekiplerin nasıl yapılandırıldığında kendini gösterecektir.

Metodolojimiz ve bulgularımız hakkında daha fazla bilgi edinmek için teknik raporun tamamını okuyun.

Kaynakça

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

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

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