就在6月10日，哈佛大学与Perplexity公司联合发布了一项颇具洞察力的研究成果——他们从真实的业务生产数据中筛选出10000组几乎相同的任务，结果显示，AI智能体在人机协作模式下，能够将任务完成时间缩短87%，总成本下降94%。这个数字乍看之下有些惊人，但数据确凿，值得深入剖析。

这项研究基于两款产品：Perplexity Search 与 Perplexity Computer。前者是大家较为熟悉的对话式答案引擎，你提问它回答，更像一个智能化的搜索工具；后者则是一个能够规划、执行并调用外部工具的智能体系统，相当于一个能“动手实操”的数字助手。

研究的时间窗口设定为90天，从2026年2月27日到5月27日。研究人员从两类产品中各选取了10000组任务，为确保对比的公平性，他们仅保留了Computer中真正调用过执行工具的会话——例如代码执行、浏览器操作、文件写入、连接器调用等。这样一来，比较的便是同一类任务在两种不同模式下实际表现的差异。

首先看自主性。Computer每次会话的平均机器工作时长为26分钟，而Search仅为33秒——两者相差48倍。当然，不同领域的差异并不完全相同：本地任务达到75倍，科学类任务则为26倍。有趣的是，自主性的提升并没有导致质量下降。Computer的有效不满率仅为1.3%，反而低于Search的2.9%。换句话说，机器越是独立运作，出错的概率反而越低。

在效率方面，数据更加直观。研究估算了两种完成路径：一种是“Search+人工”，另一种是“Computer+人工”。前者平均每个匹配任务需要269分钟，后者仅需36分钟，时间缩短了87%。这相当于原本需要一整天才能完成的工作，现在一个上午就能搞定。

成本方面，下降幅度更为显著，达到94%。虽然智能体单次任务的模型成本更高——大约4到10美元，而搜索只需0.05美元——但关键在于智能体大幅降低了每一步的人力边际成本，从2.05美元降至0.16美元。人力成本降下来，总账自然就非常亮眼。

那么，这是否意味着所有任务都应该交给智能体？未必。研究明确指出：对于简短、单步、能直接回答的问题，对话式搜索依然是最优选择；而那些步骤繁多、需要调用工具、跨知识领域协作的复杂工作，交给智能体才是正道。选择哪种工具，关键取决于任务本身的特征。

相关研究论文可参考《How AI Agents Reshape Knowledge Work: Autonomy, Efficiency, and Scope》。