Tác nhân AI định hình lại công việc tri thức như thế nào

Các hệ thống AI tiên tiến đang thu hẹp khoảng cách giữa trí thông minh của mô hình và tiện ích trong thế giới thực. Các mô hình mới, kiến trúc điện toán và mô hình điều phối đang giúp các hệ thống này hoàn thành các tác vụ từng được coi là bất khả thi chỉ cách đây vài tháng.

Sự đổi mới nhanh chóng này đã chứng minh là một lợi ích cho người dùng AI bằng cách khuếch đại sức mạnh đòn bẩy và quyền tự chủ của họ. Tuy nhiên, nó cũng tạo ra khoảng cách giữa ranh giới công nghệ và sự hiểu biết của chúng ta về việc công việc tri thức đang tiến hóa chính xác như thế nào để đáp ứng lại. AI tiên tiến thay đổi bản chất của công việc tri thức giữa các ngành nghề như thế nào? Chúng ta có thể mong đợi những sự chuyển đổi cấu trúc và kinh tế nào trong công việc này?

Chúng tôi tìm cách thu hẹp khoảng cách này thông qua phân tích thực nghiệm cẩn thận về việc sử dụng Perplexity. Hôm nay, hợp tác với các nhà nghiên cứu tại Trường Kinh doanh Harvard, chúng tôi chia sẻ nghiên cứu toàn diện đầu tiên của mình về Perplexity Computer trong việc triển khai thực tế. Các phát hiện của chúng tôi cho thấy Computer mở rộng cả chiều rộng lẫn chiều sâu của những gì người dùng có thể hoàn thành, với chi phí thấp hơn. Người dùng Computer hoàn thành nhiều việc hơn, làm việc ở các mức độ trừu tượng cao hơn, và vượt qua các ranh giới bộ môn để tạo ra giá trị bên ngoài các ngành nghề của chính họ.

Bài viết này trình bày các điểm nổi bật từ nghiên cứu của chúng tôi. Phương pháp chi tiết và các phát hiện có sẵn trong báo cáo kỹ thuật của chúng tôi.

Giới thiệu

Các hệ thống AI tạo sinh chủ流 đầu tiên là các trợ lý trò chuyện tham gia đối thoại với người dùng. Các trợ lý này nằm giữa ý định và hành động. Chúng trả lời các câu hỏi, giải thích các đánh đổi và đề xuất các bước tiếp theo. Sau đó, người dùng phải chuyển đổi câu trả lời thành công việc: mở các công cụ phù hợp, thu thập tệp, chỉnh sửa tài liệu, kiểm tra kết quả trung gian và quyết định việc phải làm tiếp theo.

Tác nhân thay đổi sự phân công lao động đó. Người dùng chỉ định một kết quả, và hệ thống lên kế hoạch trên các công cụ, thực hiện các bước trung gian, yêu cầu các đầu vào còn thiếu khi cần thiết và trả về một sản phẩm hoàn chỉnh. Tác nhân chuyển đổi việc sử dụng AI từ việc tra cứu và tổng hợp thông tin sang lập kế hoạch và thực hiện các tác vụ một cách tự động.

Tiến trình này thúc đẩy sự phát triển sản phẩm của riêng Perplexity. Vào năm 2022, chúng tôi ra mắt Search, xác định danh mục công cụ tìm câu trả lời bằng cách trao quyền cho người dùng đặt câu hỏi và nhận câu trả lời được hỗ trợ bởi các trích dẫn có thể xác minh trên hàng tỷ tài liệu. Vào năm 2025, chúng tôi giới thiệu trình duyệt Comet, với một tác nhân web tích hợp có khả năng suy luận và hành động cùng với người dùng trên web mở. Và vào năm 2026, chúng tôi ra mắt Computer, một bộ điều phối tác nhân đa năng hoạt động tự autonomía hướng tới các mục tiêu do người dùng chỉ định trên các môi trường phức tạp và khoảng thời gian dài.

Quá trình chuyển đổi này đang thay đổi cách chúng ta làm việc như thế nào? Chúng tôi khám phá câu hỏi này bằng cách sử dụng dữ liệu từ các sản phẩm Search và Computer của mình, tập trung vào ba chiều kích:

Tính tự trị: Computer thực hiện bao nhiêu công việc tự trị so với Search cho cùng một tác vụ?

Hiệu suất: Computer tiết kiệm bao nhiêu thời gian và chi phí lao động so với Search cho cùng một tác vụ?

Phạm vi: Computer thay đổi loại công việc mà người dùng thử nghiệm như thế nào?

Chúng tôi thấy rằng các tác nhân như Computer đòi hỏi nhiều nỗ lực ban đầu từ người dùng hơn (vì người dùng phải chỉ định các mục tiêu cần ủy quyền và xem xét kết quả) nhưng đòi hỏi ít nỗ lực của con người hơn rất nhiều trên mỗi đơn vị công việc (do quá trình thực thi tự động cao hơn). Điều đó làm cho chúng đặc biệt hiệu quả đối với các quy trình làm việc dài, nhiều bước. Phần thưởng là công việc vừa sâu hơn vừa rẻ hơn. Computer chuyển đổi nỗ lực của người dùng từ việc thực thi thủ công sang giám sát, mở rộng phạm vi những gì người dùng có thể hoàn thành cả trong và ngoài các lĩnh vực chuyên môn của riêng họ.

Sự áp dụng Computer và các trường hợp sử dụng

Computer đã được ra mắt vào ngày 25 tháng 2 năm 2026 và tăng trưởng nhanh chóng trong ba tháng đầu tiên.

Tổng số truy vấn Computer tích lũy đã đạt 84 lần tổng số của tuần đầu tiên tính đến ngày 27 tháng 5. Để làm cơ sở so sánh, việc sử dụng Search tích lũy trong số những người dùng Computer đã đạt 14 lần tổng số của tuần đầu tiên, cao hơn mức tăng trưởng 12 lần đối với những người dùng không sử dụng Computer.

Ngay cả sau khi ghép nối người dùng Computer và người dùng không sử dụng Computer về cấp độ đăng ký, chủ đề Search chính và cường độ Search trước đó, phép so sánh sai khác (difference-in-differences) cho thấy việc áp dụng Computer làm tăng mức sử dụng Search: người dùng Computer thực hiện nhiều hơn 1,05 truy vấn Search mỗi ngày so với những người dùng không sử dụng Computer tương tự.

Trong một mẫu ngẫu nhiên gồm 100.000 truy vấn Computer, Nghiên cứu và Phân tích là danh mục tác vụ lớn nhất ở mức 25,8%, tiếp theo là Tạo tài liệu và nội dung số ở mức 18,6%. Sự kết hợp tác vụ được quan sát thấy nghiêng về công việc tạo sinh: tài liệu, bảng tính, cơ sở mã, trang web và quy trình làm việc đòi hỏi công việc trên nhiều công cụ.

Chuyển sang các lĩnh vực, việc sử dụng được phân bổ rộng rãi trên Phần mềm và CNTT, Tài chính và Đầu tư, Tiếp thị và Bán hàng, Vận hành Kinh doanh, Y tế, Giáo dục, Pháp lý và Truyền thông.

Tính tự trị và chất lượng cao hơn

Tín hiệu trực tiếp nhất về tính tự trị là thời gian hệ thống chạy mà không có sự can thiệp của con người sau khi người dùng gửi yêu cầu. Search thường trả về phản hồi trong vài giây. Computer thường tiếp tục hoạt động trong vài phút hoặc thậm chí vài giờ: tìm kiếm, duyệt web, viết, chỉnh sửa, chạy mã và kiểm tra kết quả trung gian.

Chúng tôi sử dụng các phiên Search và Computer với các truy vấn ban đầu gần như giống hệt nhau làm đại diện cho cùng một tác vụ được thử nghiệm với cả hai sản phẩm. Trên 10.000 cặp được ghép nối, Computer thực hiện trung bình 26 phút thực thi bằng máy cho mỗi phiên, so với 33 giây đối với Search. Đó là mức tăng gấp 48 lần về công việc của máy trên các tác vụ hiệu quả là giống nhau. Ở mức trung vị, khoảng cách là 9 phút so với 14 giây, tức là gấp 40 lần. Sự phân chia lĩnh vực cho thấy mô hình tương tự: Computer thực hiện lượng công việc của máy nhiều hơn khoảng 26–75 lần trên tất cả 18 lĩnh vực.

Tính tự trị chạy lâu hơn không dẫn đến việc bị bỏ dở nhiều hơn. Các sự kiện người dùng dừng lại là tương tự nhau giữa các sản phẩm: 3,7% các phiên Computer và 3,4% các phiên Search chứa ít nhất một sự kiện người dùng dừng lại. Computer thực sự tạm dừng để nhận đầu vào của người dùng thường xuyên hơn: 13% các truy vấn Computer gọi ít nhất một công cụ tạm dừng để chờ người dùng so với 0,3% đối với Search, thường là để yêu cầu phê duyệt hoặc đặt câu hỏi làm rõ. Đó là mô hình dự kiến đối với một tác nhân: nó có thể tiến hành tự động phần lớn thời gian, nhưng nó cần các điểm kiểm tra để có được sự cho phép và xác nhận những gì người dùng muốn.

Computer cũng liên kết nhiều lệnh gọi công cụ bên ngoài hơn—thông qua Giao thức Ngữ cảnh Mô hình (MCP) hoặc các điểm cuối Giao diện Lập trình Ứng dụng (API)—vào một phiên duy nhất, thực hiện công việc mà người dùng Search sẽ phải làm thủ công trên các ứng dụng riêng biệt. 7,9% các phiên Computer thực hiện ít nhất một lệnh gọi trình kết nối so với 1,8% các phiên Search (khoảng cách gấp 4 lần), và Computer trung bình có 1,19 lệnh gọi trình kết nối cho mỗi phiên so với 0,10 đối với Search (tỷ lệ gấp 12 lần). Nói cách khác, Computer không chỉ chạy lâu hơn; nó vươn tới nhiều dịch vụ được kết nối của người dùng hơn để kéo dữ liệu và thực hiện các hành động.

Hành vi theo dõi cũng thay đổi về thành phần. Trong mẫu đa lượt gồm 1.000 cặp, xu hướng chung đối với việc thúc đẩy tác vụ gần như giống hệt nhau trên các sản phẩm (52,7% các phần tiếp theo của Computer so với 52,9% đối với Search), nhưng những gì người dùng yêu cầu thay đổi: vì Computer trả về một sản phẩm hoàn chỉnh hơn ngay từ đầu, người dùng của nó thay thế các phần mở rộng cho các câu hỏi làm rõ chi tiết (phần mở rộng 14,2% so với 12,5%; đi sâu vào chi tiết 22,0% so với 23,4%). Người dùng Computer cũng dành nhiều thời gian hơn một chút cho các phần tiếp theo của họ để xem xét và sửa đổi đầu ra (24,6% so với 23,6%), trong khi Search nặng hơn về các chỉ thị ngắn như xác nhận, thử lại và yêu cầu định dạng (11,6% so với 9,9%) mà Computer gộp vào lần chạy ban đầu của nó. Nói cách khác, Search tạo ra các vòng lặp tóm tắt và thực thi ngắn hơn; Computer tạo ra các vòng lặp xem xét và mở rộng dài hơn.

Quan trọng nhất, chất lượng không giảm đi cùng với tính tự trị cao hơn. Trên các phiên đa lượt được ghép nối, mức độ không hài lòng có ý nghĩa ở lượt tiếp theo là 1,3% đối với Computer so với 2,9% đối với Search, giảm 55%. Bất kỳ sự không hài lòng nào, bao gồm cả các tín hiệu nhẹ, là 10,8% đối với Computer so với 16,6% đối với Search.

Lợi ích hiệu suất từ tính tự trị

Tính tự trị cao hơn hoán đổi công việc thủ công của con người lấy phép tính của máy, điều này làm tăng hiệu suất. Để định lượng hiệu ứng này, chúng ta so sánh hai thiết lập trên cùng một các tác vụ được ghép nối.

Search + Con người: Search xử lý việc truy xuất và tổng hợp; con người thực hiện thủ công.

Computer + Con người: Computer thực hiện quy trình làm việc; con người xác định phạm vi tác vụ và xem xét đầu ra.

Chúng ta không thể quan sát trực tiếp một tác vụ sẽ mất bao lâu đối với một con người, vì vậy chúng ta dùng phương pháp tam giác luận với ba ước tính độc lập:

Ước tính dựa trên công cụ: Chúng tôi phân loại các lệnh gọi công cụ Computer thành hai danh mục: "Tìm kiếm" và "Thực hiện". Các công cụ Tìm kiếm tương ứng với các bước truy xuất thông tin và tổng hợp đã được xử lý bởi sản phẩm Search. Các công cụ Thực hiện đại diện cho các bước thực thi mà con người cần phải thực hiện thủ công khi chỉ sử dụng Search. Sau đó, chúng tôi ước tính thời gian cần thiết để một người có kinh nghiệm thực hiện các hành động Thực hiện này.

Ước tính dựa trên LLM: Chúng tôi đưa các truy vấn từ các phiên Computer vào một LLM để ước tính thời gian cần thiết cho một chuyên gia lành nghề nhận được câu trả lời từ Search nhưng phải thực hiện tất cả các bước thực thi thủ công.

Ước tính do người dùng báo cáo: Chúng tôi tiến hành 25 cuộc phỏng vấn bán cấu trúc với những người dùng Computer tích cực trên các lĩnh vực và khai thác các quy trình làm việc trước Computer và thời gian mà các quy trình làm việc đó sẽ tiêu tốn.

Theo ước tính dựa trên công cụ, tác vụ Search + Con người trung bình mất 269 phút, trong khi quy trình làm việc Computer + Con người tương ứng mất 36 phút. Đó là mức giảm 87% thời gian thực hiện tác vụ.

Để chuyển đổi thời gian tác vụ thành chi phí, chúng tôi sử dụng mức lương theo giờ trung bình dành riêng cho từng lĩnh vực từ dữ liệu Tháng 5 năm 2025 của Thống kê Việc làm và Tiền lương Nghề nghiệp thuộc Cục Thống kê Lao động Hoa Kỳ (BLS OEWS) (Cục Thống kê Lao động Hoa Kỳ 2026). Kết hợp chi phí mô hình với chi phí lao động của con người theo từng lĩnh vực, Computer làm giảm chi phí tác vụ ước tính trung bình 94%.

Lợi thế hiệu suất xuất hiện trên tất cả 18 lĩnh vực, với mức tiết kiệm thời gian 79–92% và tiết kiệm chi phí 87–96%. Lập trình là trường hợp cực đoan nhất: 596 phút cho Search + Con người so với 48 phút cho Computer + Con người—giảm 92% thời gian mang lại mức giảm 96% chi phí. Kinh doanh, Công nghệ, Giáo dục và Viết lách cũng cho thấy những lợi ích lớn. Tiết kiệm thời gian có xu hướng chuyển thành tiết kiệm chi phí lớn hơn trong các lĩnh vực có mức lương cao hơn.

Kết quả này có độ bền vững đến mức nào? Hãy xem xét điểm hòa vốn: để Search + Con người khớp với chi phí của Computer + Con người, một chuyên gia cần phải hoàn thành mọi bước thủ công trong 14–24 phút (trung vị 18). Computer duy trì ưu thế của mình trên mọi lĩnh vực ngay cả theo các giả định bảo thủ hơn: ví dụ, việc đánh giá quá cao 8 lần về thời gian trên mỗi công cụ, hoặc đánh giá thấp 12 lần về thời gian giám sát của Computer.

Ước tính dựa trên LLM mang lại kết quả tổng hợp tương tự: giảm 84% thời gian và giảm 93% chi phí tổng thể. Các cuộc phỏng vấn người dùng cho thấy một phạm vi kết quả rộng hơn nhiều—từ nhanh hơn 5 lần đến hơn 300 lần—có khả năng phản ánh sự biến động đáng kể trong các cơ sở trước Computer của người dùng. Mức tăng tốc trung vị giữa những người tham gia là 25 lần, tương ứng với mức giảm 96% thời gian.

Phạm vi tác vụ mở rộng theo chiều ngang và chiều dọc

Tốc độ và chi phí trên các tác vụ được ghép nối chỉ nắm bắt được một phần câu chuyện. Hình dạng của công việc cũng có thể thay đổi. Khi Computer thay thế việc thực thi thủ công bằng phép tính của máy, người dùng có thể đảm nhận các loại công việc khác nhau—các tác vụ vượt qua ranh giới nghề nghiệp và những tác vụ đòi hỏi mức độ chuyên môn cao hơn.

Đầu tiên, chúng tôi hỏi liệu người dùng có làm việc bên ngoài cụm nghề nghiệp chính được suy luận của họ thường xuyên hơn với Computer so với với Search hay không. Thứ hai, chúng tôi so sánh các truy vấn Computer và Search từ cùng một người dùng bằng cách sử dụng năm phân loại ở cấp độ tác vụ: Phân loại đã sửa đổi của Bloom (Anderson và Krathwohl 2001), công việc trừu tượng so với định y trong truyền thống nội dung tác vụ (Autor, Levy và Murnane 2003), độ rộng Kiến thức O*NET (Trung tâm Quốc gia về Phát triển O*NET 2026), độ rộng hoạt động công việc O*NET và các tác vụ mới chưa từng được thử nghiệm với Search.

Sự chuyển dịch theo chiều ngang rõ ràng trong dữ liệu. Trên một mẫu gồm 8.000 người dùng từ tám cụm nghề nghiệp, sử dụng tất cả các truy vấn của họ, người dùng Computer làm việc bên ngoài nghề nghiệp chính của họ 59% thời gian, so với 50% đối với Search. Sự gia tăng lớn nhất xuất hiện trong Quản lý và Kinh doanh, Công nghệ Số, Nghệ thuật và Thiết kế, cùng Y tế và Dịch vụ Nhân sinh. Các truy vấn Search chéo nghề nghiệp tập trung vào Công nghệ Số, trong khi các truy vấn Computer ủy quyền công việc vượt qua các lĩnh vực đa dạng hơn nơi người dùng sẽ phải cần đến các chuyên gia.

Sự chuyển dịch theo chiều dọc thậm chí còn lớn hơn. Trong mẫu gồm 5.000 truy vấn Computer và 5.000 truy vấn Search từ cùng một tập hợp người dùng đa sản phẩm, các truy vấn Computer phức tạp hơn về mặt nhận thức so với các truy vấn Search. Theo Phân loại đã sửa đổi của Bloom, 76% truy vấn Computer đòi hỏi nhận thức bậc cao, so với 55% đối với Search. Sự khác biệt tập trung ở cấp độ cao nhất: 50% truy vấn Computer là các tác vụ ở cấp độ Sáng tạo (Create), so với 26% đối với Search. Search có nhiều khối lượng hơn ở việc tra cứu thực tế ở cấp độ Ghi nhớ (Remember). Về chiều kích loại tác vụ trừu tượng so với định kỳ, 71% truy vấn Computer liên quan đến nhận thức trừu tượng, phi định kỳ so với 53% đối với Search.

Các tác vụ Computer cũng thu hút nhiều lĩnh vực kiến thức hơn. Tác vụ Computer trung bình đòi hỏi chuyên môn thực chất trong 2,40 khu vực Kiến thức O*NET, so với 1,74 đối với Search, mức tăng 38%. Computer có khả năng cao gần gấp ba lần so với Search trong việc yêu cầu ba lĩnh vực kiến thức trở lên: 51% so với 17%.

Ở cấp độ hoạt động công việc, mô hình tương tự được duy trì. Một truy vấn Computer điển hình tham gia vào 2,95 Hoạt động Công việc Tổng quát O*NET và 4,01 Hoạt động Công việc Trung gian so với 2,24 và 2,87 đối với Search, tăng 32% và 40%. Ở các cấp độ chi tiết hơn, Computer tham gia vào các Hoạt động Công việc Chi tiết nhiều hơn 59% và Tuyên bố Tác vụ đặc thù nghề nghiệp nhiều hơn 60%.

Thước đo bộc lộ rõ nhất là tập hợp các tác vụ xuất hiện trong Computer nhưng không xuất hiện trong Search trong số những người dùng giống nhau. Theo định nghĩa nghiêm ngặt nhất, nơi một tuyên bố tác vụ xuất hiện trong Computer và không bao giờ xuất hiện trong mẫu Search được ghép nối, 23% các truy vấn Computer tham gia vào ít nhất một tuyên bố tác vụ chỉ có trên Computer. Việc nới lỏng ngưỡng cho phép tới năm lần xuất hiện trong Search làm tăng tỷ lệ này lên 38%, và nó chững lại ở mức gần 41%. Các hoạt động chỉ có trên Computer này tập trung vào phát triển phần mềm và web, sản xuất tài liệu, và trực quan hóa dữ liệu hoặc đồ họa. Đó chính xác là nơi việc thực thi tự động quan trọng nhất: Search giải thích; Computer sản xuất.

Thảo luận

Hầu hết bằng chứng về AI trong công việc đều tập trung vào bối cảnh trợ lý. Tài liệu đó đã cho thấy những lợi ích năng suất lớn trong việc bổ trợ viết lách, hỗ trợ khách hàng, lập trình và tư vấn (ví dụ: Noy và Zhang 2023; Brynjolfsson, Li và Raymond 2025; Cui et al. 2026; Dell'Acqua et al. 2026).

Các tác nhân làm thay đổi hành vi của người dùng và các kết quả kinh tế hạ nguồn. Các đợt triển khai sản xuất đang bắt đầu tiết lộ cách sử dụng và tác động của tác nhân trong các thiết lập thế giới thực nhưng chủ yếu tập trung vào các tác nhân lập trình chuyên specialized và các tác nhân trình duyệt ban đầu (ví dụ: Sarkar 2026; McCain et al. 2026; Demirer, Musolff và Yang 2026; Yang et al. 2025). Chúng tôi bổ sung cho công việc này và thu hẹp khoảng cách giữa tài liệu về trợ lý và tác nhân bằng cách so sánh sự tương tác của người dùng với bộ điều phối tác nhân đa năng so với trợ lý trò chuyện, và bằng cách mở rộng phân tích tác động hạ nguồn sang một phạm vi công việc tri thức rộng lớn hơn.

Chúng tôi cũng chuyển từ việc tiếp xúc sang việc tái cấu trúc tác vụ thực tế. Công việc trước đây ước tính những ngành nghề nào tiếp xúc với AI bằng cách sử dụng mô tả tác vụ và cấu trúc nghề nghiệp (ví dụ: Eloundou et al. 2024; Felten, Raj và Seamans 2023), trong khi các số đo dựa trên việc sử dụng cho thấy khoảng cách giữa việc tiếp xúc và việc triển khai (Massenkoff và McCrory 2026). Chúng tôi ghi lại cách thành phần tác vụ thay đổi khi có quyền truy cập tác nhân.

Chúng tôi lưu ý một số cảnh báo. Đầu tiên, cửa sổ quan sát còn sớm, và những người áp dụng sớm nghiêng về những người bản địa AI. Người dùng cũng đang tích cực thử nghiệm và thích ứng các quy trình làm việc của họ trong một bối cảnh sản phẩm đang phát triển nhanh chóng, vì vậy các mô hình này có thể thay đổi theo thời gian. Thứ hai, thiết kế truy vấn được ghép nối dựa trên phiên bỏ quên nhiều tác vụ Computer không có điểm tương đương gần gũi nào với Search. Mặc dù các phiên cung cấp một cách tự nhiên để phân đoạn tác vụ, người dùng không phải lúc nào cũng tuân theo cấu trúc này trong thực tế, khiến các phiên trở thành một đại diện nhiều nhiễu cho các đơn vị tác vụ. Thứ ba, các ước tính hiệu suất phụ thuộc quan trọng vào các giả định về thời gian công cụ tương đương với con người và thời gian giám sát của con người. Mặc dù các ước tính dựa trên LLM và các cuộc phỏng vấn người dùng chỉ theo cùng một hướng, và các phân tích hòa vốn và độ nhạy cho thấy độ bền vững, nhưng các mức độ chính xác nên được đọc là xấp xỉ. Liên quan đến điều đó, lỗi phân loại LLM introduces thêm nhiễu đo lường. Cuối cùng, chúng tôi chỉ quan sát hành vi của người dùng trong hệ sinh thái Perplexity và không nắm bắt được hoạt động bên ngoài hệ sinh thái đó, điều này có thể hạn chế cái nhìn của chúng tôi về các hoạt động công việc đầy đủ và việc sử dụng công cụ của người dùng.

Hướng tới tương lai

Các tác nhân làm cho các tác vụ hiện có trở nên nhanh hơn và rẻ hơn—và quan trọng hơn là làm cho các tác vụ trảiσ qua các ranh giới nghề nghiệp và các cấp độ chuyên môn trở nên khả thi.

Khi một hệ thống có thể tìm kiếm, duyệt web, viết mã, chỉnh sửa tệp, kết nối với các dịch vụ và sản xuất các sản phẩm giao hàng, nút thắt cổ chai của người dùng sẽ dịch chuyển. Họ dành ít thời gian hơn để vận hành quy trình làm việc và nhiều thời gian hơn để chỉ định mục tiêu, cung cấp ngữ cảnh, kiểm tra đầu ra và yêu cầu phần mở rộng. Người dùng chuyển từ người vận hành sang người giám sát.

Ở cấp độ cá nhân, sự dịch chuyển này mở rộng ranh giới tác vụ, cho phép người dùng đảm nhận công việc vừa rộng hơn vừa sâu hơn. Ở cấp độ tổ chức và thị trường lao động, cách thức các thay đổi cấp độ vi mô này tập hợp lại vẫn là một câu hỏi mở. Nếu một cá nhân đơn lẻ, được trang bị các tác nhân, có thể hoàn thành các quy trình làm việc trước đây đòi hỏi nhiều vai trò, thì tác động lâu dài của các tác nhân sẽ không chỉ được nắm bắt bởi các số liệu tốc độ và chi phí. Thay vào đó, nó sẽ biểu hiện ở cách công việc được đóng gói, cách các vai trò được xác định và cách các nhóm được cấu trúc.

Để tìm hiểu thêm về phương pháp luận và các phát hiện của chúng tôi, hãy đọc toàn bộ báo cáo kỹ thuật.

Tài liệu tham khảo

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

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

Massenkoff, Maxim, và 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, và Deep Ganguli. 2026. "Measuring AI Agent Autonomy in Practice." Anthropic.

Trung tâm Quốc gia về Phát triển O*NET. 2026. O*NET 30.2 Database. U.S. Department of Labor, Employment and Training Administration.

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