Perplexity måler spranget fra søk til agentarbeid

Perplexity Research har publisert en analyse av hvordan selskapets agentprodukt Computer brukes sammenlignet med tradisjonelt AI-søk. Studien er gjort i samarbeid med forskere fra Harvard Business School og bygger på Perplexitys egne bruksdata.

Hovedpoenget er enkelt: AI-bruken flytter seg fra å finne og oppsummere informasjon til å planlegge og gjennomføre oppgaver. Brukeren ber ikke bare om svar. Brukeren ber om et resultat. Agenten henter informasjon, bruker verktøy, tar mellomsteg og returnerer et ferdig utkast, en analyse, en bestilling eller en annen arbeidsleveranse.

For norske virksomheter er dette mer nyttig enn nok en modellrangering. Det peker på et skifte i hvordan produktivitet bør måles. Antall ansatte med tilgang til ChatGPT, Copilot eller Perplexity sier lite. Det interessante er hvor mange arbeidsflyter som faktisk flyttes fra menneskelig koordinering til agentstøttet utførelse, og hvilke kontroller som følger med.

Søk var beslutningsstøtte. Agenter er arbeidsflyt

Perplexity beskriver utviklingen i tre trinn. Først kom søk og svarmotorer, der brukeren stilte spørsmål og fikk kilder. Deretter kom nettleserbaserte agenter som kunne opptre ved siden av brukeren på åpne nettsider. Nå peker Computer-produktet mot en bredere agent som kan jobbe over lengre tid og flere miljøer.

Forskjellen høres teknisk ut, men er organisatorisk. Søk forkorter research. En agent endrer selve arbeidsdelingen. Den tar deler av koordineringen, repetisjonen og verktøybruken som tidligere lå hos en medarbeider. Det kan være å sammenligne leverandører, hente dokumentasjon, sette opp et beslutningsgrunnlag, oppdatere en liste eller kontrollere informasjon på tvers av kilder.

Da blir spørsmålet ikke om AI kan skrive et pent svar. Spørsmålet blir om virksomheten kan definere oppgaver tydelig nok til at en agent kan utføre dem uten å skape ny risiko. Det krever mål, grenser og en eier av arbeidsflyten.

Lederpoenget: mål ferdig arbeid, ikke AI-aktivitet

Mange ledergrupper måler AI-adopsjon med feil tall. De teller lisenser, prompts, kursdeltakelse og interne demoer. Det kan være greit i startfasen, men det sier lite om verdien. Når agenter overtar flere mellomsteg, må målingen flyttes nærmere operasjonen.

Tre spørsmål blir viktigere. Hvilke oppgaver ble faktisk ferdigstilt med agentstøtte? Hvor mye menneskelig etterarbeid krevde de? Og hvor ofte ble resultatet forkastet, korrigert eller sendt tilbake til manuell behandling?

Dette er særlig relevant for CFO og CIO. Hvis agentbruk reduserer tiden på analyse, innkjøp, rapportering eller kundearbeid, bør effekten kunne spores i gjennomløpstid, kvalitet og kostnad. Hvis effekten bare synes som mer aktivitet i chatlogger, er styringen for svak.

Perplexitys analyse hevder at agentene øker autonomi, reduserer kostnad og gjør at brukere tar på seg bredere oppgaver. Det er plausibelt, men bør leses med nøkternhet. Dette er leverandørens egne data, ikke et uavhengig arbeidslivspanel. Likevel er retningen viktig. Bruken av AI blir mer operasjonell. Da må styringen bli mer operasjonell også.

Hva norske virksomheter bør gjøre nå

Første steg er å kartlegge arbeidsflyter der ansatte allerede bruker AI uformelt. Ikke start med de største prosessene. Start med de repeterbare: research, møteforberedelser, tilbudssammenligning, policyutkast, datainnsamling, dokumentkontroll og enkle analyser.

Neste steg er å beskrive hva som er et godt resultat. En agent kan ikke styres på magisk intensjon. Den trenger klare akseptkriterier, godkjente kilder og en grense for når den må stoppe og spørre. Hvis oppgaven berører persondata, kundedata eller økonomiske beslutninger, må kontrollene inn før skala.

Tredje steg er å lage et måleregime. Ledelsen bør se gjennomløpstid, feilrate, eskaleringer, kostnad per fullført oppgave og gjenbruk av arbeidsflyter. Det er mindre glamorøst enn en AI-lansering, men langt mer nyttig.

Dette skiftet treffer også organisasjonsdesignet. Når agenter kan gjøre mer av mellomarbeidet, blir gode bestillere mer verdifulle. Ansatte som kan formulere mål, avgrense risiko og kontrollere resultat, får større effekt enn ansatte som bare kan skrive kreative prompts.

Ikke la agenten bli en usynlig mellomleder

Den største risikoen er at agentene blir en ny svart boks mellom mennesker og beslutninger. Hvis en analyse, en anbefaling eller et utkast flytter seg gjennom flere automatiserte steg uten sporbarhet, blir det vanskeligere å vite hvem som faktisk eier kvaliteten.

Derfor bør agentarbeid inn i virksomhetens vanlige styringssystemer. Ikke som tung byråkrati, men som enkel kontroll: hvem initierte oppgaven, hvilke kilder ble brukt, hvilke verktøy ble kalt, hva ble endret av mennesket etterpå, og hvor havnet resultatet.

Perplexitys studie er et signal om at AI-adopsjon går fra informasjonslag til arbeidslag. Det er der verdien ligger. Det er også der risikoen blir mer konkret.

Kilder og medier

Primærkilde: Perplexity Research, «How AI Agents Reshape Knowledge Work», https://research.perplexity.ai/articles/how-ai-agents-reshape-knowledge-work

Kildekreditering: Perplexity Research, med oppgitt samarbeid med forskere fra Harvard Business School. Analysen bygger på Perplexitys egne produkt- og bruksdata og er derfor behandlet som leverandørdata med strategisk relevans, ikke som nøytral makrostatistikk.

Thumbnail: OpenAI Image 2 / hogby.ai