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:

Tool-alapú becslés: Computer tool-hívások kategorizálása („Search” = információ-visszakeresés, „Do” = emberi kézzel elvégzendő végrehajtás), utóbbiakra tapasztalt szakemberre jellemző időbecsléssel.
LLM-alapú becslés: Egy LLM becsüli meg a Search-cel kiegészített emberi munkavégzés idejét.
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:

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).
Tool breadth — connector-alapú integráció sokféle külső szolgáltatással, munkamenetenként átlag 1,19 connector hívással.
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:

Az autonómia 48×-es növekedése nem jár minőségromlással — az elégedetlenség 55%-kal csökken.
Az idő- és költségmegtakarítás 84–96% a legkonzervatívabb becslések mellett is, és robusztus érzékenységvizsgálatok támasztják alá.
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.