AI助手和AI智能体是完全不同的物种。前者回答问题、解释权衡、建议下一步，用户仍需亲自动手执行；后者则直接规划、执行并交付成果。Perplexity与哈佛商学院研究团队的最新研究首次对Perplexity Computer（通用AI Agent编排器）与传统搜索助手在实际部署中的表现进行了全面比较，揭示了一个正在重塑知识工作格局的深刻转变。

从对话助手到自主智能体

传统生成式AI是对话式助手，位于意图和行动之间。用户得到答案后，还需自己打开正确工具、收集文件、编辑文档、检查中间输出、决定下一步。AI智能体改变了这种分工：用户只需指定结果，系统就会跨工具规划、执行中间步骤、必要时询问缺失输入，最终交付成品。

Perplexity自身的产品演进完美诠释了这一弧线：2022年推出Search定义答案引擎类别；2025年推出嵌入Web Agent的Comet浏览器；2026年推出Computer——一个跨复杂环境和长时间视野自主工作的通用Agent编排器。

研究围绕三个维度展开：自主性（Computer与Search相比执行多少自主工作）、效率（节省多少时间和人力成本）、范围（Computer如何改变用户尝试的工作种类）。

自主性大幅提升

最直接的自主性信号是用户提交请求后系统运行多长时间无需人工干预。Search通常在几秒内返回响应；Computer则经常持续工作几分钟甚至几小时——搜索、浏览、编写、编辑、运行代码、检查中间结果。

在10000个匹配会话对中，Computer平均每次会话执行26分钟机器工作，而Search仅33秒——在完全相同的任务上增加了48倍。中位数差距更为惊人：9分钟对14秒，达40倍。所有18个领域都呈现相同模式，Computer的机器工作量是Search的26至75倍。

这种更长的自主运行并未导致更多放弃。两者用户停止事件相似：Computer会话3.7%、Search会话3.4%包含至少一次用户停止事件。Computer确实更频繁地暂停等待用户输入：13%的Computer查询调用了至少一次"暂停等待用户"工具，而Search仅0.3%。

Computer还通过模型上下文协议（MCP）或API端点跨更多外部工具调用串联到单个会话中。7.9%的Computer会话至少进行一次连接器调用，而Search为1.8%（4倍差距）；Computer平均每次会话1.19次连接器调用，而Search为0.10（12倍比率）。换句话说，Computer不仅运行时间更长，还延伸覆盖用户更多关联服务以获取数据并执行操作。

效率提升87%至94%

更高的自主性将手动人工工作替换为机器计算，从而提高效率。研究通过三种独立估算进行比较：基于工具的估算、基于大语言模型的估算、用户报告的估算。

基于工具的估算显示：传统Search加人工执行任务平均需要269分钟，而Computer加人工工作流程仅需36分钟——任务时间减少87%。结合模型成本和领域特定人工劳动成本，Computer平均降低估算任务成本94%。

所有18个领域都呈现效率优势，时间节省79%至92%，成本节省87%至96%。编程是最极端案例：Search加人工需要596分钟，Computer加人工仅需48分钟——时间减少92%，成本降低96%。

即使在最保守假设下Computer仍保持优势：要使Search加人工的成本与Computer加人工持平，专业人士每一步手动操作需要在14至24分钟内完成。

基于LLM的估算得出总体类似结果：时间减少84%，成本降低93%。用户访谈显示更广泛的结果范围——从5倍到超过300倍的加速——可能反映了用户前Computer基线的巨大差异。参与者中位加速倍数为25倍，对应时间减少96%。

工作范围向横向和纵向扩展

速度和成本只是故事的一部分。工作形态也可能改变。随着Computer用机器计算替代手动执行，用户可能会承担不同类型的工作——跨越职业界限的任务和需要更高专业水平的任务。

在8000名来自八个职业群组的用户样本中，Computer用户有59%的时间在主要职业群组之外工作，而Search为50%。最大增幅出现在管理和创业、数字技术、艺术与设计、医疗和公共服务领域。

纵向转变更为显著。在5000个Computer查询和5000个Search查询的样本中，Computer查询比Search查询具有更高的认知复杂性。根据修订版Bloom分类法，76%的Computer查询需要更高阶认知，而Search为55%。差异集中在顶部：50%的Computer查询是"创造"级任务，而Search为26%。

Computer任务还涉及更多知识领域。平均每个Computer任务需要2.40个O*NET知识领域，而Search为1.74，增长38%。Computer需要三个或更多知识领域的可能性是Search的近三倍：51%对17%。

从操作员到监督者的转变

当系统可以搜索、浏览、编码、编辑文件、连接服务并生成交付物时，用户的瓶颈转移了。他们花在操作工作流程上的时间更少，花在指定目标、提供上下文、检查输出和请求扩展上的时间更多。用户从操作员转变为监督者。

在个人层面，这种转变扩展了任务边界，使用户能够承担更广泛和更深入的工作。在组织和劳动力市场层面，这些微观层面变化的聚合影响仍是开放问题。如果配备Agent的个人可以完成以前需要多个角色才能完成的工作流程，那么Agent的长期影响将不仅仅体现在速度和成本指标上，而将体现在工作如何捆绑、角色如何定义、团队如何构建。

参考来源：https://research.perplexity.ai/articles/how-ai-agents-reshape-knowledge-work