AI Frontier dan Transformasi Kerja Pengetahuan

Bagaimana agen AI frontier Mengubah Cara Kita Bekerja

Agen AI frontier tengah mengubah secara radikal cara pekerja pengetahuan merencanakan dan mengeksekusi tugas kompleks di berbagai konteks profesional. Seiring kemampuan model, arsitektur komputasi, dan teknik orkestrasi berkembang, sistem ini menutup kesenjangan antara kecerdasan mentah dan kegunaan praktis dalam skala besar. Tugas yang beberapa bulan lalu dianggap mustahil kini rutin dijalankan oleh agen AI frontier, sehingga daya ungkit pengguna meningkat dan cara kerja pengetahuan bergeser secara mendasar di banyak sektor.

Untuk memahami pergeseran ini, Perplexity bersama peneliti Harvard Business School melakukan studi empiris atas penggunaan Perplexity Computer dalam konteks nyata di tempat kerja. Analisis menunjukkan bahwa Computer secara signifikan memperluas ragam dan kedalaman tugas yang dilakukan pengguna, sekaligus memangkas waktu dan biaya penyelesaian secara konsisten. Pengguna menyelesaikan lebih banyak pekerjaan, beroperasi pada tingkat abstraksi lebih tinggi, dan melintasi batas disiplin untuk menciptakan nilai di luar keahlian inti branda, sebagaimana tercermin dalam pola kueri dan keluaran yang dianalisis.

Generasi awal alat generatif AI arus utama pada dasarnya adalah asisten percakapan di antara niat dan tindakan pengguna dalam alur kerja digital. Alat tersebut menjawab pertanyaan, menjelaskan trade-off, dan menyarankan langkah berikutnya, tetapi pengguna tetap harus menerjemahkan saran menjadi pekerjaan nyata di berbagai aplikasi. Pengguna membuka perangkat lunak, mengumpulkan berkas, mengedit dokumen, memvalidasi keluaran, dan memutuskan tindakan lanjutan secara manual. Agen AI frontier mengubah pembagian kerja ini secara fundamental dalam banyak skenario. Alih-alih meminta informasi, pengguna menetapkan hasil yang diinginkan secara eksplisit. Agen kemudian merencanakan lintas berbagai alat, mengeksekusi langkah perantara, meminta masukan bila kurang, dan mengembalikan hasil akhir yang siap pakai. Penggunaan AI bergeser dari pencarian dan sintesis informasi menuju perencanaan dan eksekusi otonom yang terintegrasi.

Dari Pencarian Jawaban ke Eksekusi Otonom

Evolusi produk Perplexity menggambarkan lintasan teknologi ini secara kronologis dan sistematis. Pada 2022, Perplexity meluncurkan Search, mesin jawaban dengan respons bersitasi dari miliaran dokumen yang terindeks. Pada 2025, hadir peramban Comet, yang menyematkan agen web yang bernalar dan bertindak bersama pengguna di internet terbuka dengan kemampuan interaktif. Pada 2026, Perplexity merilis Computer, sebuah orkestrator agen serbaguna yang dirancang untuk secara otonom mengejar tujuan pengguna di lingkungan kompleks dan dalam rentang waktu panjang, sehingga memperluas frontier tugas yang dapat didelegasikan.

Studi ini menelaah bagaimana transisi dari Search ke Computer mengubah pekerjaan sepanjang tiga dimensi utama yang saling berkaitan: otonomi, efisiensi, dan lingkup. Otonomi diukur dari porsi pekerjaan yang dilakukan secara mandiri oleh Computer dibandingkan Search pada tugas sebanding. Efisiensi dilihat dari penghematan waktu dan biaya tenaga kerja yang diberikan Computer relatif terhadap Search pada tugas yang sama. Lingkup dianalisis dari perubahan jenis tugas yang dicoba pengguna dan domain yang branda masuki, termasuk lintas okupasi.

Agen AI frontier seperti Computer menuntut upaya awal lebih besar dari pengguna dalam perumusan tugas. Pengguna harus mendefinisikan tujuan yang layak didelegasikan dan meninjau keluaran yang dihasilkan secara kritis. Namun, setelah tugas dirumuskan, agen secara drastis mengurangi upaya manusia per unit pekerjaan dengan menangani eksekusi secara otonom dan terukur. Agen sangat efektif untuk alur kerja panjang dan bertahap yang melibatkan banyak langkah. Pekerjaan menjadi lebih dalam sekaligus lebih murah: pengguna bergeser dari eksekusi manual ke supervisi, sehingga dapat menyelesaikan lebih banyak dalam domain sendiri dan menjelajah ke area di luar keahlian branda dengan risiko operasional lebih rendah.

Adopsi Cepat dan Komplementaritas dengan Pencarian

Computer diluncurkan pada 25 Februari 2026 dan adopsinya tumbuh cepat dalam beberapa bulan pertama. Pada 27 Mei, kumulatif kueri Computer mencapai 84 kali total minggu pertama, menunjukkan percepatan penggunaan yang signifikan. Sebagai garis dasar, penggunaan Search kumulatif di antara pengguna Computer naik menjadi 14 kali total minggu pertama, dibandingkan 12 kali untuk pengguna yang tidak mengadopsi Computer, sehingga menunjukkan komplementaritas. Setelah mencocokkan pengguna Computer dan non-Computer berdasarkan jenis langganan, topik utama Search, dan intensitas penggunaan Search sebelumnya, analisis difference-in-differences menunjukkan bahwa adopsi Computer justru meningkatkan penggunaan Search. Pengguna Computer mengirimkan 1,05 kueri Search lebih banyak per hari dibandingkan pengguna serupa yang tidak menggunakan Computer. Agen AI frontier ini melengkapi, bukan menggantikan, alur kerja berbasis pencarian tradisional dalam praktik.

Dalam sampel acak 100.000 kueri Computer, kategori tugas terbesar adalah riset dan analisis sebesar 25,8 persen, diikuti pembuatan dokumen dan aset sebesar 18,6 persen. Komposisi tugas condong ke pekerjaan generatif: dokumen, spreadsheet, basis kode, situs web, dan alur kerja yang melintasi banyak alat dan layanan. Penggunaan tersebar luas di berbagai domain seperti perangkat lunak dan TI, keuangan dan investasi, pemasaran dan penjualan, operasi bisnis, kesehatan, pendidikan, hukum, dan media. Hal ini menunjukkan bahwa agen AI frontier relevan secara luas di berbagai bidang profesional dan tidak terbatas pada satu sektor.

Indikator utama otonomi adalah seberapa lama sistem terus bekerja tanpa intervensi manusia setelah permintaan diajukan dalam satu sesi. Search biasanya mengembalikan jawaban dalam hitungan detik dengan sedikit langkah tambahan. Computer sering berjalan selama menit bahkan jam, melakukan pencarian, penjelajahan, penulisan, pengeditan, eksekusi kode, dan pemeriksaan hasil perantara secara berulang. Membandingkan sesi Search dan Computer yang dimulai dengan kueri hampir identik memberikan proksi untuk memahami bagaimana tugas sama didekati pada tingkat otonomi berbeda dan bagaimana beban kerja bergeser dari manusia ke mesin.

Lonjakan Otonomi dan Integrasi Alat Eksternal

Secara keseluruhan, studi menyimpulkan bahwa agen AI frontier seperti Computer sedang membentuk ulang pekerjaan pengetahuan di berbagai domain. Branda meningkatkan otonomi dan efisiensi, mendorong pengguna menangani tugas lebih kompleks dan bertahap, serta memperluas lingkup pekerjaan lintas disiplin dan lintas okupasi. Pengguna beralih dari melakukan tugas sendiri menjadi mengawasi dan mengarahkan sistem AI yang mengeksekusi pekerjaan, sehingga proyek lebih ambisius dapat dijalankan dengan biaya lebih rendah dan waktu lebih singkat. Analisis membandingkan Computer dan Search dalam hal otonomi, perilaku pengguna, kualitas, dan efisiensi di 18 domain menggunakan pasangan tugas yang dicocokkan secara sistematis.

Computer mengeksekusi jauh lebih banyak komputasi mesin per sesi dibandingkan Search pada tugas yang secara efektif sama menurut definisi studi. Di 10.000 pasangan tugas yang dicocokkan, Computer rata-rata menjalankan 26 menit eksekusi mesin per sesi, dibandingkan 33 detik untuk Search, peningkatan sekitar 48 kali. Pada median, Computer berjalan 9 menit versus 14 detik, selisih sekitar 40 kali. Pola ini konsisten di semua domain, dengan Computer melakukan sekitar 26 hingga 75 kali lebih banyak pekerjaan mesin, sehingga menunjukkan peningkatan otonomi yang substansial.

Meski otonomi lebih tinggi dan waktu jalan lebih lama, tingkat penghentian oleh pengguna tidak meningkat secara signifikan. Pengguna mengakhiri sesi pada 3,7 persen run Computer dan 3,4 persen run Search, perbedaan yang relatif kecil. Namun, Computer lebih sering berhenti untuk meminta masukan pengguna pada titik tertentu. Sebanyak 13 persen kueri Computer memanggil setidaknya satu alat jeda-untuk-pengguna, dibandingkan 0,3 persen untuk Search, selisih yang besar. Jeda ini biasanya meminta persetujuan, klarifikasi, atau konteks tambahan sebelum melanjutkan eksekusi. Pola ini khas agen AI frontier: sistem beroperasi secara otonom sebagian besar waktu tetapi menggunakan titik pemeriksaan untuk mengonfirmasi niat dan izin pengguna.

Efisiensi Waktu dan Biaya yang Drastis

Computer juga merangkai lebih banyak panggilan alat eksternal melalui konektor MCP atau endpoint API yang terhubung. Dalam 7,9 persen sesi Computer, setidaknya satu konektor dipanggil, dibandingkan 1,8 persen untuk Search, selisih sekitar empat kali. Rata-rata, Computer melakukan 1,19 panggilan konektor per sesi versus 0,10 untuk Search, rasio sekitar 12 kali. Computer tidak hanya berjalan lebih lama, tetapi juga menjangkau lebih banyak layanan terhubung untuk menarik data dan mengambil tindakan yang bila menggunakan Search saja harus dilakukan pengguna secara manual di aplikasi terpisah, sehingga mengurangi friksi operasional.

Perilaku tindak lanjut berubah lebih pada komposisi daripada frekuensi dalam analisis multi-turn. Dalam sampel 1.000 pasangan multi-turn, kecenderungan keseluruhan untuk melanjutkan tugas hampir identik: 52,7 persen tindak lanjut Computer versus 52,9 persen tindak lanjut Search. Namun, karena Computer sering mengembalikan hasil lebih lengkap pada run awal, pengguna lebih banyak meminta perluasan dan lebih sedikit permintaan penjelasan mendalam. Permintaan perluasan menyumbang 14,2 persen tindak lanjut Computer versus 12,5 persen untuk Search. Drill-down menyumbang 22,0 persen versus 23,4 persen. Pengguna Computer sedikit lebih banyak menggunakan tindak lanjut untuk meninjau dan merevisi keluaran, 24,6 persen versus 23,6 persen, sementara pengguna Search lebih sering mengeluarkan instruksi singkat seperti konfirmasi, ulang, atau permintaan format, 11,6 persen versus 9,9 persen. Secara praktis, Search mendukung siklus singkat “cerna-dan-eksekusi”, sedangkan Computer mendukung siklus lebih panjang “tinjau-dan-perluas” dalam alur kerja.

Kualitas meningkat seiring otonomi lebih tinggi menurut indikator ketidakpuasan pengguna. Dalam sesi multi-turn yang dicocokkan, ketidakpuasan bermakna pada giliran berikutnya adalah 1,3 persen untuk Computer versus 2,9 persen untuk Search, penurunan sekitar 55 persen. Jika sinyal ringan juga dihitung, ketidakpuasan apa pun adalah 10,8 persen untuk Computer versus 16,6 persen untuk Search, sehingga menunjukkan peningkatan kualitas keluaran yang konsisten di berbagai domain tugas.

Perluasan Lingkup Tugas dan Lintas Okupasi

Artikel kemudian mengkuantifikasi efisiensi dengan membandingkan dua pengaturan pada tugas yang sama dalam kerangka biaya dan waktu: Search + Manusia dan Computer + Manusia. Dalam skenario pertama, Search menangani pengambilan dan sintesis, sementara manusia melakukan semua langkah eksekusi secara manual di berbagai aplikasi. Dalam skenario kedua, Computer mengeksekusi alur kerja, sedangkan manusia merumuskan ruang lingkup tugas dan meninjau keluaran untuk validasi.

Karena waktu eksekusi manusia tidak dapat diamati langsung dalam log sistem, penulis melakukan triangulasi menggunakan tiga estimasi independen yang saling melengkapi. Pertama, estimasi berbasis alat: panggilan alat Computer diklasifikasikan menjadi “Search” untuk pengambilan dan sintesis, serta “Do” untuk eksekusi. Langkah “Search” sesuai dengan apa yang sudah dilakukan Search; langkah “Do” mewakili tindakan yang akan dilakukan manusia secara manual bila hanya menggunakan Search. Penulis memperkirakan waktu yang dibutuhkan manusia berpengalaman untuk melakukan tindakan “Do” ini berdasarkan standar produktivitas.

Kedua, estimasi berbasis LLM: sebuah model bahasa besar memperkirakan berapa lama profesional terampil akan membutuhkan untuk menyelesaikan semua langkah eksekusi secara manual, dengan asumsi jawaban Search sebagai masukan utama. Ketiga, estimasi yang dilaporkan pengguna: wawancara semi-terstruktur dengan 25 pengguna aktif Computer dari berbagai domain menggali alur kerja pra-Computer dan durasi tipikalnya, sehingga memberikan perspektif lapangan.

Dampak Kuantitatif pada Produktivitas

Di bawah estimasi berbasis alat, rata-rata tugas Search + Manusia memakan waktu 269 menit, sementara alur kerja Computer + Manusia yang setara memakan waktu 36 menit, pengurangan waktu tugas sebesar 87 persen. Menggunakan rata-rata upah per jam spesifik domain dari data BLS OEWS Mei 2025, dan menggabungkan biaya model dengan biaya tenaga kerja manusia, Computer mengurangi biaya tugas yang diperkirakan sebesar 94 persen secara rata-rata. Keunggulan efisiensi ini muncul di semua 18 domain, dengan penghematan waktu 79 hingga 92 persen dan penghematan biaya 87 hingga 96 persen, sehingga menunjukkan konsistensi lintas sektor.

Pemrograman menunjukkan keuntungan paling ekstrem dalam analisis domain. Rata-rata 596 menit untuk Search + Manusia versus 48 menit untuk Computer + Manusia, pengurangan waktu 92 persen dan pengurangan biaya 96 persen. Bisnis, teknologi, pendidikan, dan penulisan juga menunjukkan peningkatan substansial dalam efisiensi. Di domain dengan upah lebih tinggi, penghematan waktu diterjemahkan menjadi penghematan biaya lebih besar karena struktur upah. Agar Search + Manusia dapat menyamai biaya Computer + Manusia, seorang profesional harus menyelesaikan setiap langkah manual dalam jangka waktu jauh lebih singkat, menegaskan kuatnya keunggulan efisiensi Computer dalam skenario realistis.

Bahkan di bawah asumsi konservatif, seperti melebihkan waktu eksekusi per alat atau meremehkan waktu supervisi, agen AI frontier tetap unggul dalam estimasi. Estimasi berbasis LLM menunjukkan pengurangan waktu 84 persen dan pengurangan biaya 93 persen secara keseluruhan. Wawancara pengguna mengungkap percepatan antara 5 kali hingga lebih dari 300 kali, dengan median 25 kali, setara pengurangan waktu 96 persen. Computer secara substansial meningkatkan kecepatan dan menurunkan biaya penyelesaian tugas pekerjaan pengetahuan dibandingkan Search tradisional, sehingga memperkuat temuan kuantitatif.

Perubahan Kognitif dan Lintas Domain Pengetahuan

Di luar efisiensi, agen AI frontier mengubah sifat dan lingkup pekerjaan yang dilakukan pengguna. Computer memungkinkan pengguna beroperasi lebih sering di luar domain okupasi utama branda dalam praktik sehari-hari. Dalam sampel 8.000 pengguna di delapan klaster okupasi, pengguna Computer bekerja di luar okupasi utama 59 persen dari waktu, dibandingkan 50 persen untuk pengguna Search, sehingga menunjukkan peningkatan lintas peran. Peningkatan terbesar terjadi di manajemen dan kewirausahaan, teknologi digital, seni dan desain, serta kesehatan dan layanan sosial. Sementara kueri lintas okupasi pada Search terkonsentrasi di teknologi digital, kueri Computer melintasi domain lebih beragam di mana sebelumnya pengguna akan bergantung pada spesialis.

Computer juga mendukung tugas yang secara kognitif lebih kompleks dibandingkan Search menurut klasifikasi taksonomi. Dalam sampel yang dicocokkan berisi 5.000 kueri Computer dan 5.000 kueri Search dari pengguna sama, 76 persen kueri Computer memerlukan kognisi tingkat tinggi menurut Taksonomi Revisi Bloom, dibandingkan 55 persen untuk Search. Separuh kueri Computer berada pada tingkat Create, versus 26 persen untuk Search yang lebih banyak berfokus pada tingkat Remember berupa pencarian fakta. Pada dimensi abstrak versus rutin, 71 persen kueri Computer melibatkan kognisi abstrak dan non-rutin, dibandingkan 53 persen untuk Search, sehingga menunjukkan pergeseran ke tugas konseptual.

Tugas yang dilakukan dengan Computer memanfaatkan basis pengetahuan lebih luas menurut kerangka O*NET. Rata-rata tugas Computer memerlukan keahlian substantif di 2,40 area pengetahuan O*NET, dibandingkan 1,74 untuk Search, peningkatan sekitar 38 persen. Computer hampir tiga kali lebih mungkin daripada Search untuk memerlukan tiga atau lebih domain pengetahuan, 51 persen versus 17 persen. Pada level aktivitas kerja, kueri Computer melibatkan lebih banyak aktivitas umum dan menengah: 2,95 Generalized Work Activities O*NET dan 4,01 Intermediate Work Activities, dibandingkan 2,24 dan 2,87 untuk Search, peningkatan masing-masing sekitar 32 dan 40 persen. Pada granularitas lebih halus, Computer melibatkan 59 persen lebih banyak Detailed Work Activities dan 60 persen lebih banyak Task Statements spesifik okupasi, sehingga memperluas cakupan tugas.

Tugas Baru yang Muncul dan Implikasi Organisasi

Indikator penting dampak agen AI frontier adalah himpunan tugas yang hanya muncul dengan Computer dan tidak dengan Search untuk pengguna sama dalam periode observasi. Di bawah definisi ketat, di mana suatu task statement muncul di Computer dan tidak pernah muncul di sampel Search yang dipasangkan, 23 persen kueri Computer melibatkan setidaknya satu task statement khusus Computer. Jika diizinkan hingga lima kemunculan di Search, porsi ini naik menjadi 38 persen dan mendatar di sekitar 41 persen. Aktivitas khusus Computer ini terkonsentrasi di pengembangan perangkat lunak dan web, produksi dokumentasi, serta visualisasi data atau grafis. Di area ini, eksekusi otonom sangat berharga: Search terutama menjelaskan, sedangkan Computer menghasilkan deliverable yang dapat langsung digunakan.

Kajian ini menempatkan agen AI frontier seperti Computer dalam literatur lebih luas tentang AI di tempat kerja dan produktivitas. Studi sebelumnya telah mendokumentasikan peningkatan produktivitas besar dari asisten AI dalam penulisan, dukungan pelanggan, pengkodean, dan konsultasi, misalnya dalam penelitian Brynjolfsson dan rekan. Bukti awal tentang agen sebagian besar berfokus pada alat pengkodean khusus dan agen peramban generasi awal dengan lingkup terbatas. Sebaliknya, analisis ini mengkaji orkestrator agen serbaguna dibandingkan asisten percakapan dan memperluas pengukuran dampak hilir ke rentang pekerjaan pengetahuan lebih luas, sehingga memberikan perspektif komprehensif. Kajian ini melampaui estimasi berbasis paparan, yang diturunkan dari deskripsi tugas dan struktur okupasi, untuk mendokumentasikan perubahan komposisi tugas yang terealisasi ketika pengguna mendapatkan akses ke agen.

Meski sejumlah keterbatasan tetap ada, bukti menunjukkan bahwa agen AI frontier tidak hanya mempercepat pekerjaan dan menurunkan biaya, tetapi juga membentuk ulang apa yang dilakukan pengguna dalam praktik. Agen memungkinkan lebih banyak tugas lintas domain, tingkat tinggi, dan berorientasi produksi yang sebelumnya sulit dilakukan. Agen membuat tugas yang ada menjadi lebih cepat dan lebih murah, dan yang lebih penting, membuat tugas yang melintasi batas okupasi dan tingkat keahlian menjadi layak secara praktis dalam skala individu. Ketika sistem dapat mencari, menjelajah, mengode, mengedit berkas, terhubung ke layanan, dan menghasilkan deliverable, bottleneck pengguna bergeser. Branda menghabiskan lebih sedikit waktu mengoperasikan alur kerja dan lebih banyak waktu menetapkan tujuan, memasok konteks, memeriksa keluaran, dan meminta perluasan. Pengguna bergerak dari operator menjadi supervisor dalam ekosistem kerja digital.

Menuju Redefinisi Peran dan Struktur Tim

Pada level individu, pergeseran ini memperluas frontier tugas yang dapat diambil pengguna, memungkinkan branda menangani pekerjaan yang sekaligus lebih luas dan lebih dalam dengan dukungan agen AI frontier. Pada level organisasi dan pasar tenaga kerja, bagaimana perubahan mikro ini teragregasi masih menjadi pertanyaan terbuka yang memerlukan penelitian lanjutan. Jika satu individu yang dilengkapi agen AI frontier dapat menyelesaikan alur kerja yang sebelumnya memerlukan beberapa peran, maka dampak jangka panjang agen tidak akan sepenuhnya tercermin dalam metrik kecepatan dan biaya saja. Dampak itu akan tampak dalam cara pekerjaan dibundel, bagaimana peran didefinisikan, dan bagaimana tim disusun di berbagai industri.

Jendela observasi saat ini masih dini, dan para pengadopsi awal secara tidak proporsional adalah pengguna yang “AI-native” dengan tingkat literasi teknologi tinggi. Branda secara aktif bereksperimen dan menyesuaikan alur kerja dalam lanskap produk yang berkembang cepat, sehingga pola penggunaan dapat berubah seiring waktu dan siklus adopsi. Desain kueri yang dicocokkan berbasis sesi mengabaikan banyak tugas Computer yang tidak memiliki padanan dekat di Search. Sesi menyediakan cara alami untuk menyegmentasi tugas, tetapi pengguna tidak selalu mematuhi struktur ini, sehingga sesi menjadi proksi tidak sempurna untuk unit tugas dan menambah noise pengukuran.

Estimasi efisiensi sangat bergantung pada asumsi tentang waktu alat setara-manusia dan waktu supervisi manusia yang digunakan dalam model. Walaupun estimasi berbasis LLM dan wawancara pengguna mengarah ke kesimpulan sama, dan analisis breakeven serta sensitivitas menunjukkan kekokohan, besaran pastinya harus ditafsirkan sebagai perkiraan, bukan angka pasti. Kesalahan klasifikasi LLM menambah noise pengukuran dalam penentuan tingkat kognisi dan domain pengetahuan. Selain itu, perilaku pengguna yang diamati terbatas pada ekosistem Perplexity dan tidak menangkap aktivitas di luar platform, yang dapat membatasi visibilitas terhadap keseluruhan aktivitas kerja dan penggunaan alat pengguna dalam organisasi.

Kesimpulan: Frontier Baru Pekerjaan Pengetahuan

Singkatnya, agen AI frontier tampaknya mengubah bukan hanya kecepatan dan biaya tugas, tetapi juga sifat dan lingkup pekerjaan itu sendiri dalam ekosistem pengetahuan. Agen memungkinkan individu mengawasi alur kerja kompleks dan bertahap yang melintasi batas peran tradisional, berpotensi membentuk ulang cara organisasi merancang pekerjaan dan menyusun tim di masa depan. Namun, bukti saat ini masih awal, dibatasi secara metodologis, dan berfokus pada satu platform, sehingga kesimpulan tentang dampak jangka panjang terhadap pasar tenaga kerja tetap bersifat tentatif dan memerlukan kajian lanjutan yang lebih luas.