Jak agenci AI przeobrażają pracę umysłową
Perplexity wspólnie z badaczami Harvard Business School przeanalizowało miliony realnych sesji, by sprawdzić, co zmienia się, gdy zamiast wyszukiwarki odpowiadającej na pytania dostajemy agenta, który samodzielnie wykonuje całe zadania. Wniosek: rola człowieka przesuwa się z wykonawcy na nadzorcę - a granice tego, co jedna osoba jest w stanie zrobić, gwałtownie się poszerzają.
Czytaj oryginał na research.perplexity.ai
W skrócie: od wykonawcy do nadzorcy
Badanie porównuje dwa sposoby korzystania z AI w produktach Perplexity: Search (klasyczna wyszukiwarka-asystent, która odpowiada na pytania) oraz Computer (agent ogólnego przeznaczenia, który planuje i wykonuje całe zadania, korzystając z wielu narzędzi). Autorzy oceniają agenta w trzech wymiarach: autonomii (ile pracy wykonuje sam), wydajności (ile czasu i kosztów oszczędza) oraz zakresu (jakiego rodzaju pracy się podejmujemy).
Pięć wniosków, które warto zapamiętać
- Agent realnie pracuje sam. W jednej sesji wykonuje średnio 26 minut pracy maszynowej - wobec 33 sekund przy zwykłym wyszukiwaniu. To 48-krotna różnica w autonomii.
- Zadania robią się drastycznie tańsze i szybsze. Czas realizacji spada o ok. 87%, a koszt o 94% - agent z człowiekiem jest około 16x tańszy niż wyszukiwarka z człowiekiem.
- Poszerza się to, czego się podejmujemy. Z agentem ludzie częściej pracują poza swoją główną specjalnością (59% vs 50%) i sięgają po zadania wymagające myślenia wyższego rzędu (76% vs 55%).
- Jakość nie cierpi. Sygnały niezadowolenia w kolejnej turze są wręcz niższe (1,3% vs 2,9%), a odsetek porzuconych sesji - porównywalny.
- Człowiek zmienia rolę. Przestaje "klikać" kolejne kroki, a zaczyna definiować cel, dostarczać kontekst i sprawdzać wynik. Z operatora staje się nadzorcą.
Zadajesz pytanie, dostajesz odpowiedź i ręcznie zamieniasz ją w pracę. Krótka pętla "przeczytaj i wykonaj". Każdy krok robisz sam.
Określasz cel, agent planuje i wykonuje kroki w wielu narzędziach, dopytuje o brakujące dane i oddaje gotowy efekt. Dłuższa pętla "sprawdź i rozwiń".
// To przesunięcie roli jest centralną tezą raportu - wszystkie pozostałe zmiany (czas, koszt, zakres) z niego wynikają.
Asystent kontra agent - na czym polega różnica
Różnica nie jest kosmetyczna. Asystent skraca drogę do informacji; agent skraca drogę do gotowego rezultatu. W praktyce zmienia to, co użytkownik wpisuje (intencję vs oczekiwany efekt) i co dostaje z powrotem (odpowiedź do dalszej obróbki vs ukończony produkt pracy).
- Użytkownik precyzuje intencję ("znajdź", "wyjaśnij")
- System odpowiada i syntetyzuje informacje
- Człowiek ręcznie zamienia odpowiedź w pracę
- Krótkie pętle: przeczytaj, potem wykonaj
- Użytkownik precyzuje oczekiwany efekt ("przygotuj", "zbuduj")
- System planuje kroki i wykonuje je w wielu narzędziach
- Dopytuje o brakujące dane, gdy są potrzebne
- Oddaje ukończony produkt; pętle: sprawdź, potem rozwiń
W liczbach widać to natychmiast: agent zatrzymuje się, żeby dopytać użytkownika, w 13% zapytań (wyszukiwarka - w 0,3%), a do zewnętrznych narzędzi (konektorów, integracji) sięga średnio 1,19 raza na sesję wobec 0,10 - to 12-krotnie częściej.
Autonomia: ile pracy agent wykonuje sam
Najprostsza miara autonomii to czas, przez jaki system realnie "pracuje" maszynowo w jednej sesji, zanim odda kontrolę człowiekowi. Tu różnica jest największa i najbardziej wymowna.
Dla mediany (czyli "typowej" sesji, odpornej na wartości skrajne) jest to 9 minut wobec 14 sekund - 40-krotna różnica. Co istotne, ta autonomia nie odbywa się kosztem niezawodności:
// Dłuższa praca maszynowa + podobny poziom porzuceń = agent dłużej działa samodzielnie, a użytkownicy nie rezygnują częściej z sesji.
Wydajność: o ile szybciej i taniej
Autorzy oszacowali oszczędności trzema niezależnymi metodami (klasyfikacja narzędzi, estymacja czasu przez model językowy oraz wywiady z użytkownikami) - wszystkie dają zbieżny obraz. W podejściu opartym na narzędziach typowy proces "wyszukiwarka + człowiek" zajmujący 269 minut skraca się do 36 minut z agentem.
Oszczędności są największe tam, gdzie zadania da się rozłożyć na powtarzalne kroki w narzędziach cyfrowych. Poniżej skrócenie czasu wykonania w wybranych domenach (rozpiętość w całym badaniu: 79-92% czasu i 87-96% kosztu):
// Wartości procentowe ilustrują skrócenie czasu; "Programowanie" to przypadek skrajny - z 596 do 48 minut.
Przewaga kosztowa jest na tyle duża, że trudno ją "odwrócić". Żeby wariant "wyszukiwarka + człowiek" wyrównał koszt z agentem, profesjonalista musiałby wykonać każdy ręczny krok w zaledwie 14-24 minut (mediana 18). Agent zachowuje przewagę nawet przy bardzo ostrożnych założeniach - 8-krotnym przeszacowaniu czasu narzędzi i 12-krotnym niedoszacowaniu czasu nadzoru nad agentem.
Zakres: szersza i głębsza praca
To najciekawsza część badania. Agent nie tylko przyspiesza istniejące zadania - zmienia jakie zadania w ogóle podejmujemy. Autorzy rozkładają to na dwa ruchy: poziomy (poza własną specjalność) i pionowy (w stronę trudniejszego poznawczo myślenia).
Ruch poziomy - poza własną specjalność
Korzystając z agenta, ludzie częściej wychodzą poza swój główny zawód - bo agent uzupełnia braki kompetencyjne. Największe wzrosty dotyczą zarządzania, przedsiębiorczości, technologii cyfrowych, sztuki i projektowania oraz ochrony zdrowia.
Ruch pionowy - myślenie wyższego rzędu
Wg taksonomii Blooma zapytania do agenta znacznie częściej wymagają poznania wyższego rzędu (analizować, oceniać, tworzyć) zamiast prostego przypominania faktów. Co drugie zapytanie do agenta to zadanie z poziomu "tworzenia".
Rośnie też szerokość wiedzy potrzebnej w jednym zadaniu. Przeciętne zapytanie do agenta dotyka 2,40 obszarów wiedzy (wg O*NET) wobec 1,74 - o 38% więcej. Co istotniejsze, agent niemal 3x częściej wymaga połączenia trzech lub więcej dziedzin naraz:
Jakość, zaufanie i przyjęcie
Większa autonomia mogłaby oznaczać więcej błędów i frustracji. Dane pokazują coś przeciwnego: po stronie agenta sygnały niezadowolenia są niższe, a przyjęcie produktu rośnie bardzo szybko - i co ciekawe, agent nie wypiera wyszukiwarki, lecz zwiększa jej użycie.
Jak powstało badanie i czego nie obejmuje
Wnioski opierają się na realnych danych z ekosystemu Perplexity, a nie na ankietach o deklarowanych planach. To mocna strona, ale i ograniczenie - wyniki dotyczą wczesnego okresu i użytkowników, którzy jako pierwsi sięgnęli po agenta.
1 000 par (zachowania w kolejnych turach)
25 wywiadów z aktywnymi użytkownikami
Klasyfikacja zawodów wg O*NET
Płace wg BLS OEWS (maj 2025)
Estymacja czasu modelem językowym
Świadome zastrzeżenia autorów
- Wczesne okno obserwacji i użytkownicy "AI-native" - efekty w szerszej populacji mogą być inne.
- Założenia o czasie ludzkiej pracy przy zadaniach narzędziowych są przybliżone.
- Klasyfikacja przez model wprowadza szum pomiarowy.
- Obserwacja ograniczona do jednego ekosystemu (Perplexity) - nie obejmuje zadań, których w nim nie wykonano.
Autorzy uczciwie zaznaczają, że to dopiero zdjęcie poziomu indywidualnego. Otwarte pytanie brzmi: jak te mikro-zmiany zsumują się na poziomie organizacji i rynku pracy - np. czy przepływy pracy, które dziś wymagają kilku ról, zaczną być "pakowane" w jedno stanowisko z agentem u boku.
Co to znaczy dla Twojej firmy
Raport opisuje produkt Perplexity, ale mechanizm jest uniwersalny i dotyczy każdej organizacji wdrażającej agentów AI. Najważniejsze nie są same procenty oszczędności - lecz zmiana roli człowieka i poszerzenie tego, co jedna osoba może zrobić.
Przeprojektuj rolę, nie tylko narzędzie
Największa wartość pojawia się, gdy pracownik przestaje "klikać kroki", a zaczyna definiować cel, dostarczać kontekst i sprawdzać wynik. Ucz zespół nadzorowania agentów, nie tylko ich obsługi.
Zacznij od zadań rozkładalnych na kroki
Najwyższe oszczędności (87-96%) są tam, gdzie pracę da się rozbić na powtarzalne operacje w narzędziach cyfrowych: kod, dokumentacja, analizy, raporty, przetwarzanie danych.
Pozwól ludziom wychodzić poza silosy
Agent uzupełnia braki kompetencyjne, więc jedna osoba realnie sięga po zadania spoza swojej specjalności. To szansa na spłaszczenie wąskich gardeł między działami.
Trzymaj człowieka w pętli decyzyjnej
Dobry agent dopytuje o brakujące dane i oddaje wynik do sprawdzenia (tu: pauza w 13% zapytań). Zaprojektuj punkty kontroli zamiast oddawać decyzje w całości.
To skondensowane omówienie. Pełne dane, wykresy i metodologię znajdziesz w oryginale: "How AI Agents Reshape Knowledge Work" - Perplexity we współpracy z Harvard Business School (8 czerwca 2026), raport techniczny dostępny też na arXiv (2606.07489).
Chcesz zobaczyć, jak ten mechanizm "operator -> nadzorca" wygląda w praktyce wdrożeniowej? Zobacz przykłady automatyzacji AI albo sprawdź, od czego zacząć.
