聯合研究揭示：AI Agent大幅變革知識工作模式效率成本優勢顯著

2026年6月12日 09:015900 次瀏覽

重點摘要

Perplexity聯合哈佛商學院發佈報告，對比Perplexity Computer通用AI智能體與傳統搜索助手。傳統助手僅解答問題，需用戶手動後續操作；而AI智能體可自主規劃、執行任務並輸出成果。數據顯示，Perplexity Computer單次會話平均自主運行26分鐘，遠超傳統搜索助手，展現了AI智能體對知識工作的全面變革。

站內 AI 整理稿

### 重點整理：AI 智能體如何顛覆知識工作

Perplexity 與哈佛商學院近期聯合發布一份研究報告，針對通用型 AI 智能體（AI Agent）與傳統搜尋助手進行了深入的對比分析。傳統搜尋助手的功能僅止於回答問題，使用者還需手動執行後續操作；而 AI 智能體則能自主規劃任務、執行步驟，並直接產出完整成果。數據顯示，Perplexity Computer 的單次會話平均可自主運行長達 26 分鐘，這項時間跨度遠超過傳統搜尋助手，凸顯了 AI 智能體對知識工作模式的全面變革。

### 背景脈絡：從被動問答到主動執行

過去幾年，AI 工具多停留在「問與答」的階段，使用者需要自行消化資訊、拆解任務，並手動完成後續動作。這種模式雖然提升了資訊獲取效率，但對於需要多步驟運算、資料整合或創意產出的工作，仍存在明顯瓶頸。Perplexity 與哈佛商學院的這份研究，正是為了檢視新一代 AI 智能體如何將被動問答升級為主動執行。研究中的 Perplexity Computer 不僅能理解複雜指令，還能自行串聯多個工具與資料源，在無人干預的情況下完成任務，例如生成報告、分析數據或排程專案。

### 可能影響：效率與成本雙重優勢浮現

這項研究揭示了 AI 智能體對企業與個體工作者的深遠影響。首先，效率提升顯而易見：傳統模式下可能需要數小時的手動操作，如今由智能體在 26 分鐘內自主完成，大幅縮短工作週期。其次，成本優勢也隨之浮現——減少人力投入的同時，也能降低因人工錯誤導致的修正成本。對於知識密集產業（如顧問業、軟體開發、市場研究），導入 AI 智能體可能迎來人力配置的重新洗牌，部分重複性高、規則明確的工作將逐步轉由智能體接手。

### 可能影響：工作流程與職能角色的重新定義

除了效率與成本，這份研究也暗示了組織運作模式的潛在變化。傳統的知識工作者往往需要同時負擔「構思」與「執行」兩個環節；而在 AI 智能體輔助下，工作者可以更專注於策略思考與創意發想，將瑣碎的執行細節交由智能體處理。這可能導致職能角色從「操作者」轉變為「監督者」或「策劃者」，企業的培訓方向與績效評估標準也需隨之調整。當然，這也帶來對就業市場的隱憂，尤其是那些以資料整理、報告撰寫為主的職位，可能面臨較大衝擊。

### 讀者可關注的後續：實證應用與邊界探索

接下來值得關注的幾個方向包括：第一，AI 智能體在不同產業的實證應用成效——例如在醫療、法律、金融等高度監管領域，能否同樣展現自主運行的可靠性與合規性。第二，成本效益的實際數據——雖然研究指出效率優勢，但導入初期的硬體、軟體與訓練成本仍需更多案例驗證。第三，隱私與安全性議題——智能體在自主執行任務時，如何確保資料不外洩、不被濫用，將成為企業導入前的關鍵考量。最後，讀者也可留意 Perplexity 與哈佛商學院是否會進一步發布後續研究，探討智能體在協作場景中的表現。

### 結語：轉型已在進行，但需審慎因應

整體而言，這份聯合研究為 AI 智能體在知識工作領域的潛力提供了有力的佐證。從被動回答到主動執行，不僅代表技術的躍進，更可能重塑我們對「工作效率」的定義。然而，任何新工具的導入都伴隨著磨合與適應期。企業在擁抱效率與成本優勢的同時，也應提前規劃人員技能轉型、流程重構與風險控管，才能在 AI 浪潮中取得長遠競爭力。對一般讀者而言，了解這類研究背後的數據與邏輯，有助於為自身職涯發展與工作方式做好準備。

原始來源：AIBase ↗

查看原始來源

TechWebAI Agent

網易有道全面向AI轉型全場景Agent矩陣亮相圖博會

{"id":"39ef5947-b77a-4904-bf03-ff6264f08dc4","object":"response","model":"deepseek-v4-flash","output":[],"stop_reason":"max_output_tokens","usage":{"input_tokens":154,"output_tokens":200,"total_tokens":354}}

剛剛閱讀分析

Hugging Face BlogAI Agent

MosaicLeaks: Can your research agent keep a secret?

Back to Articles MosaicLeaks: Can your research agent keep a secret? Enterprise Article Published June 18, 2026 Upvote - Alexander Gurung agurung Follow ServiceNow Rafael Pardinas rafapi-snow Follow ServiceNow TL;DR Deep research agents increasingly combine private local documents with external tools like web retrieval, creating a privacy risk: an agent's external queries may leak sensitive information. MosaicLeaks proposes a new deep-research task with multi-hop questions that interleave public and private information. Across the models we tested, agents frequently leaked private information, and training only for task performance made it worse. We propose a mosaic-leakage-aware RL training method, Privacy-Aware Deep Research (PA-DR), which raises strict chain success (the share of chains

17 小時前閱讀分析