# Hogyan alakítják át az AI agent-ek a knowledge work-öt? **Forrás:** *Perplexity Research — "How AI Agents Reshape Knowledge Work"* (2026. június 8.) **Eredeti URL:** https://research.perplexity.ai/articles/how-ai-agents-reshape-knowledge-work **Módszertan:** A cikk a Perplexity saját, Harvard Business School kutatókkal közös empirikus tanulmányát foglalja össze, amely a **Computer** nevű agent orchestrator valós felhasználását vizsgálja a korábbi **Search** termékkel összevetve. --- ## A fő tézis A tanulmány központi állítása három egymással összefüggő változásból áll: > *„Computer raises task autonomy, lowers cost, and widens the scope of work users take on.”* Vagyis az új agent-alapú rendszerek egyszerre **növelik a feladat-autonómiát**, **csökkentik a költséget**, és **kiterjesztik a felhasználók által elvégzett munka hatókörét** — mind horizontálisan (szakmák között), mind vertikálisan (kognitív mélységben). A Perplexity saját termékútja pontosan ezt az ívet írja le: a 2022-es **Search** (válaszmotor) → 2025-ös **Comet** (böngésző beágyazott webes agent-tel) → 2026-os **Computer** (általános célú agent orchestrator) lépcsői. --- ## Task autonomy: a felhasználó operátorból supervisorrá válik A Computer 2026. február 25-én indult, és az első három hónapban a kumulatív lekérdezésszám a nyitóhetihez képest **84×-esére nőtt** (február 27. – május 27.). Eközben a Computer-felhasználók keresési aktivitása is nőtt (14× a nyitóhetihez képest, szemben a nem-Computer-felhasználók 12×-ével), azaz a két termék **komplementerként, nem helyettesítőként** működik. Az autonómia legközvetlenebb mérőszáma a gépi végrehajtási idő. 10 000 matched query-pár elemzése alapján: - **Search:** átlag **33 másodperc** / munkamenet - **Computer:** átlag **26 perc** / munkamenet — ez **48×-es növekedés** - A mediánnál a különbség 9 perc vs. 14 másodperc (**40×**) - Mind a 18 vizsgált szakmai domainben 26–75×-es a szorzó A hosszabb futás nem jelent elhagyást: a felhasználói stop események aránya gyakorlatilag azonos (3,7% Computer vs. 3,4% Search). Ami viszont tipikus agent-mintázat: a Computer jóval gyakrabban kér **betanító/checkpoint** megerősítést — 13% vs. 0,3% — jellemzően jóváhagyásra vagy pontosításra. A rendszer emellett **sokkal több külső eszközt** hív meg egy munkameneten belül (MCP/API connectorok): - 7,9% Computer session tartalmazott legalább egy connector hívást, szemben a Search 1,8%-ával (**4×**) - Átlagos connector hívás/session: 1,19 vs. 0,10 (**12×**) A minőség nem romlott a magasabb autonómia mellett: a „következő körös elégedetlenség” 1,3% volt Computernél, szemben a Search 2,9%-ával — **55%-os csökkenés**. A Computer tehát hosszabb, „review-and-extend” típusú interakciós hurkot teremt, míg a Search rövidebb „digest-and-execute” ciklusokra épül. --- ## Cost: 87–96%-os hatékonyságnyereség A Perplexity kutatói három független becslést készítettek ugyanazokra a feladatokra: 1. **Tool-alapú becslés:** Computer tool-hívások kategorizálása („Search” = információ-visszakeresés, „Do” = emberi kézzel elvégzendő végrehajtás), utóbbiakra tapasztalt szakemberre jellemző időbecsléssel. 2. **LLM-alapú becslés:** Egy LLM becsüli meg a Search-cel kiegészített emberi munkavégzés idejét. 3. **Felhasználói interjúk:** 25 aktív Computer-felhasználóval készített félig strukturált interjú a pre-Computer munkafolyamatokról. A tool-alapú becslés eredményei: | Mutató | Search + Human | Computer + Human | Megtakarítás | |--------|---------------:|-----------------:|-------------:| | Átlagos feladathossz | 269 perc | 36 perc | **87% idő** | | Becsült költség (BLS wages) | — | — | **94% költség** | A 18 domain mindegyikében **79–92% időmegtakarítás** és **87–96% költségmegtakarítás** jelentkezett. A legszélsőségesebb eset a programozás: 596 perc → 48 perc, ami **92% idő- és 96% költségcsökkenést** jelent. A magasabb bérű doménekben az időmegtakarítás költségre vetítve még nagyobb hatású. A robusztusságot érzékenységvizsgálatok is alátámasztják: a Computer akkor is megőrzi előnyét, ha a tool-alapú időbecslést **8×-os** túlbecsléssel, vagy a felügyeleti idejét **12×-es** alulbecsléssel terheljük. A breakeven-pont (ahol a Search + Human utoléri a Computer + Human költségét) 14–24 perc közé esik, mediánban 18 perc — irreálisan gyors kézi végrehajtás egy szakembertől. A felhasználói interjúk a gyakorlatban még szélesebb skálát mutatnak: **5×-től 300×-ig** terjedő gyorsulásról számoltak be, mediánban **25×-ös** (96%-os időmegtakarítás). --- ## Scope: horizontálisan és vertikálisan is tágul a munka ### Horizontális elmozdulás — szakmák közötti átjárás 8000 felhasználó, 8 foglalkozási klaszter elemzésével a Computer-felhasználók a saját fő szakmájukon **kívül** eső feladatokat 59%-ban vállalnak, szemben a Search 50%-ával. A legnagyobb ugrás a **Management & Entrepreneurship**, a **Digital Technology**, az **Arts & Design**, valamint a **Healthcare & Human Services** területeken látható. A Computer tehát a specialistákhoz való hozzáférést demokratizálja: a cross-occupation Search-forgalom erősen a Digital Technology-be koncentrálódik, míg a Computer-áramlások **szélesebben szóródnak** marketing, menedzsment, pénzügyi szolgáltatások és más végrehajtó domének felé. ### Vertikális elmozdulás — magasabb kognitív szint 5000–5000 Computer, illetve Search lekérdezés összevetésével (ugyanazoktól a kettős termékhasználóktól): - **Bloom taxonómia (Anderson & Krathwohl, 2001):** a Computer-lekérdezések **76%-a** magasabb rendű kogníciót igényel, szemben a Search 55%-ával. A csúcs kategóriában — a **Create** szint — 50% vs. 26% az arány. - **Absztrakt vs. rutinszerű feladat (Autor–Levy–Murnane, 2003):** 71% vs. 53% a nem-rutinszerű, absztrakt kogníció javára. - **O\*NET Knowledge breadth:** egy átlagos Computer-feladat **2,40** tudásterületen igényel valódi szakértelmet, szemben a Search 1,74-gyel (**+38%**). Három vagy több tudásterületet a Computer-feladatok **51%-a**, a Search-feladatoknak csupán **17%-a** igényel. - **O\*NET Work Activities:** Generalized szinten 2,95 vs. 2,24 (**+32%**), Intermediate szinten 4,01 vs. 2,87 (**+40%**), Detailed Work Activities szinten **+59%**, occupation-specific Task Statements szinten **+60%**. A legélesebb mutató: a Computer-only task statement-ek aránya — azok a tevékenységek, amelyek **elő sem fordulnak** ugyanannál a felhasználónál Search esetén — **23%** a legszigorúbb definícióval, és 38–41% a megengedőbb küszöbökkel. Ezek a tevékenységek a szoftver- és webfejlesztésben, a dokumentáció-készítésben, valamint az adatvizualizációban és grafikában koncentrálódnak — pontosan ott, ahol az autonóm végrehajtás számít a legtöbbet. Ahogy a szerzők fogalmaznak: **„Search explains; Computer produces.”** --- ## Frontier AI rendszerek és a Computer technológiai háttere A tanulmány nem technológiai deep-dive, de a keretezés fontos: a Computer **general-purpose agent orchestrator**, amely a Model Context Protocol (MCP) és API endpointokon keresztül dolgozik együtt külső szolgáltatásokkal. A Perplexity korábbi Search-terméke a retrieval + synthesis kategóriát uralta; a Comet beágyazott webes agent-et hozott a böngészőbe; a Computer ezt a logikát terjeszti ki **komplex környezetekre és hosszú időhorizontokra** — tipikusan percekig, gyakran órákig futó multi-step munkafolyamatokra. Az empirikus eredmények alapján három frontier AI-rendszerjellemző rajzolódik ki: 1. **Long-horizon execution** — a 26 perces átlagos gépi futásidő, a hosszú farokkal (a medián 9 perc, az átlag 26, ami komplex, hosszú távú feladatok sokaságát jelzi). 2. **Tool breadth** — connector-alapú integráció sokféle külső szolgáltatással, munkamenetenként átlag 1,19 connector hívással. 3. **Supervisor-friendly interaction** — 13%-os arányban kérdez vissza, de 86%-ban önállóan halad, és a 26 perces autonómia ellenére az elégedetlenség alacsonyabb, mint a Search esetén. --- ## A knowledge work jövője: a szereplő újradefiniálása A tanulmány szerzői tudatosan választják szét a mikro- és a makroszintű következményeket. **Egyéni szinten** a változás egyértelmű: a felhasználó a szűk keresztmetszetet a **manuális végrehajtásról a célspecifikációra, a kontextus-ellátásra, az output-ellenőrzésre és a kiterjesztések kérésére** helyezi. A Computer nem gyorsabb keresőmotor — hanem **„operator → supervisor”** lépcső. Aki agent-ekkel dolgozik, az magasabb absztrakciós szinten, szélesebb hatókörben, mélyebb szakértelemmel képes feladatot vállalni. **Szervezeti és munkaerőpiaci szinten** a kérdés nyitott. Ha egyetlen, agent-ekkel felszerelt egyén olyan munkafolyamatokat tud elvégezni, amelyekhez korábban több szereplő kellett, akkor a sebesség- és költségmetrikák nem elégségesek a hosszú távú hatás megragadásához. A valódi változás abban fog megmutatkozni, **hogyan kötegelődnek a feladatok, hogyan definiálódnak a szerepkörök, és hogyan szerveződnek a csapatok**. A szerzők explicit óvatosságra intenek: a megfigyelési ablak korai, a Computer-felhasználók AI-natív korai adaptálók, és a termék gyorsan fejlődik. A session-alapú matched-query design emellett kihagyja azokat a Computer-feladatokat, amelyeknek nincs valódi Search-megfelelője — pont azokat, ahol a hatás a legerősebb. A költségbecslések az emberi időfeltevésekre érzékenyek, és csak a Perplexity ökoszisztémán belüli aktivitást látjuk. --- ## Összegzés A Perplexity Research tanulmánya az első nagyszabású, valós felhasználási adatokon alapuló bizonyítéka annak, hogy az AI agent-ek nem csupán gyorsabbá és olcsóbbá teszik a meglévő knowledge work feladatokat — hanem **újradefiniálják a lehetséges feladatok halmazát** is. Három üzenet érdemel kiemelt figyelmet: 1. **Az autonómia 48×-es növekedése** nem jár minőségromlással — az elégedetlenség 55%-kal csökken. 2. **Az idő- és költségmegtakarítás 84–96%** a legkonzervatívabb becslések mellett is, és robusztus érzékenységvizsgálatok támasztják alá. 3. **A hatókör horizontálisan és vertikálisan is tágul** — a felhasználók gyakrabban lépnek ki saját szakmájukból, és magasabb, kreatívabb kognitív szinteken dolgoznak. A knowledge work jövője nem a „kiváltás” vagy a „felgyorsítás” narratívájával írható le pontosan, hanem azzal, hogy **a szakember szerepe átalakul: a workflow-t nem operálja, hanem supervisoralja** — miközben a rendszer maga egyre több, korábban specialisták által végzett feladatot vesz át.