Perplexity представила данные о росте автономных ИИ-агентов: системы начинают выполнять работу вместо пользователя

Компания Perplexity опубликовала первое крупное исследование работы своего агентного ИИ-режима Perplexity Computer, проведённое совместно с исследователями Гарвардской школы бизнеса. В работе анализируется, как переход от классических диалоговых моделей к агентам влияет на характер знаний и продуктивности в профессиональной деятельности.

Авторы описывают переход от предыдущих поколений ИИ-ассистентов, которые лишь отвечают на запросы и помогают сформулировать решения, к агентным системам, способным самостоятельно выполнять цепочки действий. В такой модели пользователь задаёт цель, а система планирует шаги, использует внешние инструменты, запрашивает уточнения и возвращает готовый результат. Это принципиально меняет распределение труда: от ручного выполнения операций к постановке задач и проверке итогов.

Perplexity прослеживает эту эволюцию в собственных продуктах. В 2022 году компания запустила поисковую систему Search, ориентированную на ответы с источниками. В 2025 году появился браузер Comet со встроенным веб-агентом, способным действовать в интернете самостоятельно. В 2026 году был представлен Perplexity Computer — универсальный агент, предназначенный для автономного выполнения сложных многошаговых задач в цифровой среде.

В исследовании анализируются три ключевых параметра: автономность (объём работы, выполняемой системой без участия человека), эффективность (снижение времени и затрат) и расширение задач (изменение типов деятельности, которые пользователи начинают выполнять).

Данные показывают, что Perplexity Computer требует больше усилий на этапе постановки задачи, но значительно сокращает объём ручной работы. В среднем агент затрачивает около 26 минут на вычислительную работу в сессии против 33 секунд у поисковой системы. В медианных значениях разрыв составляет примерно 9 минут против 14 секунд. При этом система чаще работает с внешними сервисами и API, объединяя несколько инструментов в одном процессе.

Изображение сгенерировано: Nano Banana

Отдельно отмечается, что длительная автономная работа не увеличивает уровень отказов от результата или неудовлетворённости пользователей. Напротив, доля негативных сигналов ниже у агентной системы. При этом пользователи чаще взаимодействуют с результатом через уточнения и доработки, а не через исправление базовых ошибок.

С точки зрения структуры задач, Perplexity Computer чаще используется для аналитики и генерации контента: документов, кода, таблиц и других артефактов. Исследование фиксирует также смещение в сторону более сложных задач — с точки зрения когнитивной нагрузки и числа задействованных областей знаний.

Внутри выборки задач зафиксировано, что пользователи агента чаще работают за пределами своей основной профессиональной области — 59% случаев против 50% у поисковой модели. Кроме того, задачи становятся более сложными: доля запросов, требующих создания чего-либо нового в результате, достигает 50% против 26% у классического поиска.

Авторы также отмечают рост «широты знаний»: агентные запросы требуют покрытия в среднем 2,4 области знаний против 1,74 у поиска. Аналогично увеличивается число рабочих операций и типов задач, задействованных в одном запросе.

Ключевой вывод исследования заключается в том, что агентные системы не просто ускоряют выполнение задач, а меняют саму структуру работы. Пользователь всё чаще формулирует цель и контролирует результат, тогда как исполнение всё чаще переносится на систему.

При этом авторы подчёркивают, что исследование основано на ранних данных, полученных от первых пользователей, и результаты могут изменяться по мере масштабирования технологии. Также часть оценок эффективности зависит от допущений о том, сколько времени заняли бы аналогичные задачи при ручном выполнении.

В заключении исследователи отмечают, что распространение агентных систем может привести к перераспределению ролей в профессиональной среде: от линейного выполнения задач к управлению потоками автоматизированной работы. Это потенциально меняет не только производительность, но и структуру профессий и команд.

©  iXBT