Як агенти ШІ змінюють розумову працю

Передові системи штучного інтелекту скорочують розрив між інтелектом моделей та їхньою практичною користю. Нові моделі, обчислювальні архітектури та моделі оркестрації дають цим системам змогу виконувати завдання, які ще кілька місяців тому здавалися неможливими.

Цей стрімкий інноваційний прорив став справжнім благом для користувачів штучного інтелекту, значно збільшивши їхні можливості та вплив. Водночас він створив розрив між технологічним проривом і нашим розумінням того, як саме еволюціонує розумова праця у відповідь на це. Як передовий ШІ змінює характер розумової праці в різних професіях? Яких структурних та економічних трансформацій цієї праці нам варто очікувати?

Ми прагнемо подолати цей розрив за допомогою ретельного емпіричного аналізу використання Perplexity. Сьогодні у співпраці з дослідниками Бізнес-школи Гарварду ми ділимося нашим першим вичерпним дослідженням Perplexity Computer під час його реального впровадження. Наші висновки свідчать про те, що Computer розширює як повноту, так і глибину того, чого користувачі можуть досягти, і при цьому з меншими витратами. Користувачі Computer роблять більше, працюють на вищих рівнях абстракції та виходять за межі окремих дисциплін задля створення цінності поза межами власних професій.

У цій статті представлені основні результати нашого дослідження. Детальна методологія та висновки доступні в нашому технічному звіті.

Перші масові генеративні системи штучного інтелекту були розмовними асистентами, які ведуть діалог з користувачами. Ці асистенти знаходяться між наміром і дією. Вони відповідають на запитання, пояснюють компроміси та пропонують подальші кроки. Потім користувач має перетворити відповідь на роботу: відкрити потрібні інструменти, зібрати файли, відредагувати документи, перевірити проміжні результати та вирішити, що робити далі.

Агенти змінюють цей поділ праці. Користувач визначає результат, а система планує роботу з використанням різних інструментів, виконує проміжні кроки, за потреби запитує відсутні вхідні дані та повертає готовий результат. Агенти переносять використання штучного інтелекту від пошуку інформації та її синтезу до планування й автономного виконання завдань.

Цей шлях відображає розвиток продуктів самої Perplexity. У 2022 році ми запустили Search, який визначив категорію пошукових систем, дозволяючи користувачам ставити запитання та отримувати відповіді, підкріплені перевіреними цитатами з мільярдів документів. У 2025 році ми представили браузер Comet з вбудованим веб-агентом, який міркує та діє разом з користувачами в загальнодоступному вебпросторі. А у 2026 році ми випустили Computer — універсальний оркестратор агентів, який автономно працює над визначеними користувачем цілями в складних середовищах та протягом тривалих часових горизонтів.

Як цей перехід змінює те, як ми працюємо? Ми досліджуємо це питання, використовуючи дані з наших продуктів Search і Computer, зосереджуючись на трьох вимірах:

Автономність: скільки автономної роботи виконує Computer порівняно з Search для того самого завдання?

Ефективність: скільки часу та витрат на працю економить Computer порівняно з Search для того самого завдання?

Масштаб: як Computer змінює тип роботи, за яку беруться користувачі?

Ми виявили, що агенти, такі як Computer, вимагають більше початкових зусиль від користувача (оскільки користувачі повинні визначити цілі, які потрібно делегувати, і переглянути результати), але значно менше людських зусиль на одиницю роботи (завдяки більш автономному виконанню). Це робить їх особливо ефективними для довгих багатоетапних робочих процесів. Результатом є робота, яка є водночас більш детальною та дешевшою. Computer переносить зусилля користувача з ручного виконання на нагляд, розширюючи спектр того, чого користувачі можуть досягти як усередині своїх галузей експертизи, так і поза ними.

Computer було запущено 25 лютого 2026 року, і за перші три місяці він стрімко зріс.

Сукупна кількість запитів до Computer досягла 84-кратного показника їх загальної кількості за перший тиждень до 27 травня. Для порівняння, сукупне використання Search серед користувачів Computer досягло 14-кратного показника першого тижня, що вище за 12-кратне зростання для користувачів, які не користуються Computer.

Навіть після зіставлення користувачів Computer і користувачів, які не користуються Computer, за рівнем підписки, основною темою Search та попередньою інтенсивністю Search, аналіз різниці у різницях показує, що впровадження Computer збільшує використання Search: користувачі Computer роблять на 1,05 пошукового запиту на день більше, ніж подібні користувачі без Computer.

Сукупне зростання, індексоване до першого тижня кожної серії. Обсяг запитів до Computer досяг 84-кратного сукупного показника першого тижня протягом періоду з 27 лютого по 27 травня.

У випадковій вибірці зі 100 000 запитів до Computer категорія «Дослідження та аналіз» стала найбільшою категорією завдань (25,8%), за нею йде «Створення документів і активів» (18,6%). Спостережуваний розподіл завдань схиляється до генеративної роботи: документів, електронних таблиць, кодових баз, вебсайтів і робочих процесів, які вимагають роботи з кількома інструментами.

Переходячи до доменів, використання було широко розподілено між програмним забезпеченням та ІТ, фінансами та інвестуванням, маркетингом і продажами, бізнес-операціями, охороною здоров'я, освітою, юридичною сферою та медіа.

Сценарії використання Computer за категоріями завдань та предметними доменами. Дослідження, аналіз, створення документів, програмне забезпечення, фінанси, бізнес-операції та персональні робочі процеси помітно присутні в усіх категоріях.

Найпрямішим сигналом автономності є те, скільки часу система працює без втручання людини після того, як користувач надсилає запит. Search зазвичай повертає відповідь за лічені секунди. Computer часто продовжує працювати хвилинами або навіть годинами: здійснює пошук, переглядає вебсторінки, пише, редагує, запускає код і перевіряє проміжні результати.

Ми використовуємо сеанси Search і Computer з майже ідентичними початковими запитами як проксі для одного й того самого завдання, яке виконувалося за допомогою обох продуктів. Серед 10 000 зіставлених пар Computer виконує в середньому 26 хвилин машинних обчислень за один сеанс порівняно з 33 секундами для Search. Це 48-кратне збільшення обсягу машинної роботи над фактично тими ж завданнями. За медіаною розрив становить 9 хвилин проти 14 секунд, або 40 разів. Розподіл за доменами демонструє таку саму тенденцію: Computer виконує приблизно в 26–75 разів більше машинної роботи у всіх 18 доменах.

Час машинного виконання за сеанс для зіставлених сеансів Computer і Search. Search зосереджений поблизу коротких часу відгуку; Computer має ширший розподіл із центром навколо тривалого автономного виконання. Середній час виконання Computer (26 хвилин) значно перевищує медіанний (9 хвилин), що вказує на довгий хвіст складних довгострокових запитів.

Середній час машинного виконання за доменом. Computer виконує набагато більше роботи за сеанс, оскільки кожне звернення користувача запускає подальше виконання, а не лише розмовну відповідь.

Триваліша автономність не призвела до більшої кількості відмов. Події зупинки користувачем були подібними для обох продуктів: 3,7% сеансів Computer і 3,4% сеансів Search містили принаймні одну подію зупинки користувачем. Computer дійсно зупинявся для введення даних користувачем частіше: 13% запитів до Computer викликали принаймні один інструмент зупинки для запиту користувача порівняно з 0,3% для Search, зазвичай для запиту схвалення або уточнюючих запитань. Це очікувана модель для агента: більшу частину часу він може діяти автономно, але йому потрібні контрольні точки для отримання дозволу та підтвердження того, чого хоче користувач.

Computer також об'єднує в єдиний сеанс набагато більше викликів зовнішніх інструментів — через кінцеві точки протоколу контексту моделі (MCP) або прикладного програмного інтерфейсу (API), — виконуючи роботу, яку користувач Search інакше робив би вручну в окремих додатках. 7,9% сеансів Computer здійснюють принаймні один виклик конектора порівняно з 1,8% сеансів Search (у 4 рази більший розрив), а Computer в середньому робить 1,19 виклику конектора за сеанс порівняно з 0,10 для Search (12-кратне співвідношення). Іншими словами, Computer не просто працює довше; він охоплює більше підключених сервісів користувача для вилучення даних і виконання дій.

Поведінка у відповідь також змінюється за своєю структурою. У вибірці з 1 000 пар із кількома репліками загальна схильність до просування завдання вперед є майже ідентичною в обох продуктах (52,7% наступних реплік Computer проти 52,9% для Search), але те, про що просять користувачі, змінюється: оскільки Computer видає більш повний результат відразу, його користувачі замінюють уточнюючі розширення деталізацією (розширення 14,2% проти 12,5%; деталізація 22,0% проти 23,4%). Користувачі Computer також витрачають трохи більше своїх наступних реплік на перегляд і переробку вихідних даних (24,6% проти 23,6%), тоді як Search більше орієнтований на короткі вказівки, такі як підтвердження, повторні спроби та запити на форматування (11,6% проти 9,9%), які Computer включає у свій початковий цикл. Іншими словами, Search створює коротші цикли «обробити й виконати»; Computer створює довші цикли «переглянути й розширити».

Найголовніше те, що якість не знизилася з підвищенням автономності. На зіставлених сеансах із кількома репліками значне невдоволення наступною реплікою становило 1,3% для Computer проти 2,9% для Search, що є зменшенням на 55%. Будь-яке невдоволення, включаючи легкі ознаки, становило 10,8% для Computer проти 16,6% для Search.

Сигнали невдоволення на наступному кроці у зіставленій вибірці з кількома репліками. Стовпчики можуть в сумі давати не рівно 100% через округлення.

Вища автономність замінює ручну людську працю машинними обчисленнями, що підвищує ефективність. Щоб кількісно оцінити цей ефект, ми порівнюємо два налаштування на одних і тих самих зіставлених завданнях.

Search + Людина: Search керує пошуком та синтезом; людина виконує роботу вручну.

Computer + Людина: Computer виконує робочий процес; людина визначає масштаб завдання та перевіряє результат.

Ми не можемо безпосередньо спостерігати, скільки часу завдання займе у людини, тому ми використовуємо тріангуляцію з трьома незалежними оцінками:

Оцінка на основі інструментів: Ми класифікуємо виклики інструментів Computer на дві категорії: «Пошук» (Search) та «Виконання» (Do). Інструменти пошуку відповідають крокам пошуку та синтезу інформації, які вже обробляються продуктом Search. Інструменти виконання представляють кроки виконання, які людина повинна була б виконувати вручну при використанні лише Search. Потім ми оцінюємо час, необхідний досвідченій людині для виконання цих дій.

Оцінка на основі LLM: Ми передаємо запити із сеансів Computer до LLM, щоб оцінити час, необхідний кваліфікованому фахівцю, який отримує відповіді від Search, але повинен виконувати всі кроки виконання вручну.

Оцінка, що базується на звітах користувачів: Ми проводимо 25 напівструктурованих інтерв'ю з активними користувачами Computer у різних сферах та з'ясовуємо робочі процеси до появи Computer і час, який ці робочі процеси займали.

Класифікація інструментів, що використовується в оцінці на основі інструментів. Інструменти «Пошук» дублюють можливості, які вже надає Search, тому час на ручну роботу не нараховується. Інструменти «Виконання» вимагають від людини дії на основі результатів дослідження Search; похвилинні оцінки за виклик приблизно відповідають часу, який кваліфікований фахівець витратив би на виконання еквівалентної дії вручну.

Згідно з оцінкою на основі інструментів, середнє завдання Search + Людина займає 269 хвилин, тоді як відповідний робочий процес Computer + Людина займає 36 хвилин. Це зменшення часу виконання завдання на 87%.

Щоб перевести час виконання завдань у вартість, ми використовуємо середню погодинну оплату праці за доменами з даних Бюро статистики праці США щодо зайнятості та статистики заробітної плати (BLS OEWS) за травень 2025 року (U.S. Bureau of Labor Statistics 2026). Поєднуючи вартість моделі з вартістю праці людини для конкретного домену, Computer знижує оціночну вартість завдання в середньому на 94%.

Орієнтовний час і вартість завдання для Search + Людина порівняно з Computer + Людина. Людська праця домінує в базовому варіанті Search + Людина, тоді як Computer переносить більшу частину роботи на виконання моделями та інструментами.

Відсоток зекономленого часу та витрат завдяки Computer + Людина порівняно з Search + Людина, з мультиплікаторами в дужках (наприклад, 94% (16×) означає, що Computer + Людина на 94% або в 16 разів дешевший). Вартість людської праці використовує середню погодинну заробітну плату за даними BLS OEWS за травень 2025 року.

Перевага в ефективності спостерігається у всіх 18 доменах, при цьому економія часу становить 79–92%, а економія витрат — 87–96%. Програмування є найяскравішим прикладом: 596 хвилин для Search + Людина проти 48 хвилин для Computer + Людина — скорочення часу на 92%, що дає зниження витрат на 96%. Бізнес, технології, освіта та письменництво також демонструють значні здобутки. Економія часу зазвичай перетворюється на більшу економію коштів у високооплачуваних доменах.

Наскільки надійним є цей результат? Розглянемо точку беззбитковості: щоб Search + Людина зрівнялися за вартістю з Computer + Людина, професіоналу знадобилося б завершувати кожен ручний крок за 14–24 хвилини (медіана 18). Computer зберігає свою перевагу в кожному домені навіть за більш консервативних припущень: наприклад, при 8-кратному завищенні часу на один інструмент або 12-кратному заниженні часу на нагляд з боку Computer.

Оцінка на основі LLM дає подібні сукупні результати: скорочення часу на 84% і скорочення витрат на 93% загалом. Інтерв'ю з користувачами показують набагато ширший діапазон результатів — від прискорення у 5 разів до понад 300 разів, що, ймовірно, відображає суттєві варіації у вихідних показниках користувачів до використання Computer. Медіанне прискорення серед учасників становить 25 разів, що відповідає скороченню часу на 96%.

Швидкість і вартість виконання зіставлених завдань відображають лише частину картини. Форма роботи також може змінюватися. Оскільки Computer замінює ручне виконання машинними обчисленнями, користувачі можуть братися за інші види роботи — завдання, які перетинають професійні межі та вимагають вищих рівнів експертизи.

По-перше, ми запитуємо, чи працюють користувачі поза межами свого передбачуваного кластера основної професії частіше за допомогою Computer, ніж за допомогою Search. По-друге, ми порівнюємо запити Computer і Search від одних і тих самих користувачів за допомогою п'яти класифікацій на рівні завдань: переглянута таксономія Блума (Anderson and Krathwohl 2001), абстрактна та рутинна робота в традиціях аналізу змісту завдань (Autor, Levy, and Murnane 2003), ширина знань O*NET (National Center for O*NET Development 2026), ширина трудової діяльності O*NET та нові завдання, які не виконувалися за допомогою Search.

Горизонтальний зсув очевидний у даних. У вибірці з 8 000 користувачів із восьми професійних кластерів, використовуючи всі їхні запити, користувачі Computer працюють поза межами своєї основної професії в 59% випадків порівняно з 50% для Search. Найбільше зростання спостерігається в категоріях «Менеджмент та підприємництво», «Цифрові технології», «Мистецтво та дизайн», а також «Охорона здоров'я та соціальні послуги». Міжпрофесійні пошукові запити зосереджені в цифрових технологіях, тоді як запити Computer делегують роботу, яка виходить у більш різноманітні домени, де користувачам інакше знадобилися б фахівці.

Міжпрофесійні потоки завдань у восьми професійних кластерах. Вигнуті дуги показують основні вихідні напрямки кожного кластера, причому ширина лінії пропорційна частці призначення, а тип лінії вказує на ранг. Search концентрує міжпрофесійні потоки в цифрових технологіях, тоді як Computer поширює потоки на маркетинг, менеджмент, фінансові послуги та інші виконавчі напрямки.

Вертикальний зсув є ще більшим. У вибірці з 5 000 запитів до Computer та 5 000 запитів до Search від тієї ж групи користувачів обох продуктів запити до Computer є більш когнітивно складними, ніж запити до Search. Згідно з переглянутою таксономією Блума, 76% запитів до Computer вимагають пізнання вищого порядку порівняно з 55% для Search. Різниця зосереджена на вершині: 50% запитів до Computer є завданнями рівня створення (Create), порівняно з 26% для Search. Search має набагато більшу масу на рівні запам'ятовування (Remember) фактологічного пошуку. За виміром типу завдань «абстрактні чи рутинні», 71% запитів до Computer передбачають абстрактне нерутинне пізнання порівняно з 53% для Search.

Когнітивна складність запитів до Computer та Search. Computer різко зміщується в бік створення (Create) та абстрактної нерутинної роботи.

Завдання Computer також спираються на більшу кількість областей знань. Середнє завдання Computer вимагає предметної експертизи в 2,40 областях знань O*NET порівняно з 1,74 для Search, що становить збільшення на 38%. Computer майже втричі частіше, ніж Search, вимагає трьох або більше областей знань: 51% проти 17%.

Необхідні області знань на один запит. Сеанси Computer зосереджені на двох-трьох доменах і набагато частіше вимагають широкої експертизи.

На рівні трудової діяльності зберігається така ж закономірність. Типовий запит до Computer задіює 2,95 узагальнених трудових активностей O*NET та 4,01 проміжної трудової активності порівняно з 2,24 та 2,87 для Search, що є збільшенням на 32% та 40%. На більш детальних рівнях Computer задіює на 59% більше детальних трудових активностей та на 60% більше професійно-специфічних формулювань завдань.

Ширина трудової активності на один запит на рівнях вкладеності O*NET. Computer зміщує розподіл праворуч на проміжному, детальному рівнях та на рівні формулювань завдань.

Найбільш показовим показником є набір завдань, які з'являються в Computer, але не з'являються в Search серед тих самих користувачів. За найсуворішим визначенням, коли формулювання завдання з'являється в Computer і ніколи не з'являється в парній вибірці Search, 23% запитів до Computer задіюють принаймні одне формулювання завдання, унікальне для Computer. Пом'якшення порогу до п'яти входжень у Search збільшує частку до 38%, і вона стабілізується біля позначки 41%. Ця діяльність, характерна лише для Computer, зосереджена в розробці програмного забезпечення та вебсайтів, підготовці документації, а також візуалізації даних або графіці. Це саме те, де автономне виконання має найбільше значення: Search пояснює; Computer створює.

Частка запитів до Computer, які задіюють принаймні одну активність O*NET, характерну лише для Computer, за різних порогових значень входжень. Найсильніший поділ спостерігається на деталізованому рівні формулювань завдань.

Більшість доказів щодо використання штучного інтелекту на роботі зосереджена на ролі асистента. Ця література продемонструвала значний приріст продуктивності в доповненні написання текстів, підтримки клієнтів, написання коду та консалтингу (наприклад, Noy and Zhang 2023; Brynjolfsson, Li, and Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

Агенти змінюють поведінку користувачів та подальші економічні результати. Впровадження у виробництво починає демонструвати використання та вплив агентів у реальних умовах, але переважно зосереджено на спеціалізованих агентах з кодування та ранніх браузерних агентах (наприклад, Sarkar 2026; McCain et al. 2026; Demirer, Musolff, and Yang 2026; Yang et al. 2025). Ми доповнюємо цю роботу та об'єднуємо літературу про асистентів і агентів, порівнюючи взаємодію користувачів з універсальним оркестратором агентів і розмовним асистентом, а також поширюючи аналіз подальшого впливу на ширший спектр розумової праці.

Ми також переходимо від впливу до реалізованої рекомпозиції завдань. Попередня робота оцінює, які професії піддаються впливу штучного інтелекту, використовуючи описи завдань та організаційну структуру (наприклад, Eloundou et al. 2024; Felten, Raj, and Seamans 2023), тоді як показники на основі використання показують розрив між впливом та впровадженням (Massenkoff and McCrory 2026). Ми документуємо те, як змінюється структура завдань із доступом до агентів.

Ми зазначаємо кілька застережень. По-перше, вікно спостереження є раннім, а ранні прихильники схильні до нативного використання ШІ. Користувачі також активно експериментують та адаптують свої робочі процеси в межах продуктового середовища, що швидко еволюціонує, тому ці моделі можуть змінюватися з часом. По-друге, розроблений дизайн зіставлених запитів на основі сеансів не враховує багато завдань Computer, які не мають близького еквівалента в Search. Хоча сеанси забезпечують природний спосіб сегментування завдань, на практиці користувачі не завжди дотримуються цієї структури, що робить сеанси неточним проксі для одиниць завдань. По-третє, оцінки ефективності критично залежать від припущень щодо часу інструментів, еквівалентного людському, та часу на нагляд людиною. Хоча оцінки на основі LLM та інтерв'ю з користувачами вказують на той самий напрямок, а аналіз беззбитковості та чутливості свідчить про надійність, точні величини слід сприймати як приблизні. Пов'язано з цим те, що похибка класифікації LLM створює додатковий шум вимірювання. Нарешті, ми спостерігаємо поведінку користувачів лише в екосистемі Perplexity і не фіксуємо активність поза її межами, що може обмежувати наше бачення повної трудової діяльності користувачів та використання ними інструментів.

Агенти роблять існуючі завдання швидшими та дешевшими — і, що важливірше, роблять здійсненними завдання, що охоплюють професійні межі та рівні експертизи.

Коли система може здійснювати пошук, переглядати вебсторінки, писати код, редагувати файли, підключатися до сервісів і створювати результати, вузьке місце користувача зміщується. Вони витрачають менше часу на управління робочим процесом і більше часу на визначення цілей, надання контексту, перевірку вихідних даних та запит розширень. Користувач переходить від оператора до наглядача.

На індивідуальному рівні цей зсув розширює кордони завдань, дозволяючи користувачам братися за роботу, яка є водночас ширшою та глибшою. На рівні організації та ринку праці залишається відкритим питання про те, як ці мікрорівневі зміни сумуються. Якщо окрема людина, озброєна агентами, може виконувати робочі процеси, які раніше вимагали кількох ролей, то довгостроковий вплив агентів не можна буде оцінити лише за допомогою метрик швидкості та вартості. Натомість він проявиться в тому, як об'єднується робота, як визначаються ролі та як структурується команди.

Щоб дізнатися більше про нашу методологію та результати, прочитайте повний технічний звіт.

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.

Вступ

Впровадження Computer та сценарії використання

Вища автономність та якість

Приріст ефективності завдяки автономності

Масштаб завдань розширюється горизонтально та вертикально

Обговорення

Погляд у майбутнє

Список літератури