ハーバード大学とPerplexityの共同研究：AIエージェントは1セッションあたり26分間の自律的作業を実行（検索は33秒）

パープレキシティとハーバード大学による新しい研究は、AI エージェントが知識労働にどのような影響を与えるかについての現場証拠を提供します。この研究は、2 つのパープレキシティ製品である Search と Computer の本番データに基づいています。

この比較設定は自然なものです。Search は対話型の回答エンジンであり、Computer はタスクを計画してエンドツーエンドで実行するエージェントです。同じユーザーが両方の製品を利用するため、チームはタスクをほぼ一定に保つことができます。

研究が実際に測定しているもの

本研究は 2026 年 2 月 27 日から 5 月 27 日までの 90 日間を対象としています。Computer はこの期間の開始の 2 日前にリリースされました。

中核的な手法は、両製品間でほぼ同一のクエリペアを比較するものです。研究チームは、コサイン類似度が 0.99 を超える 10,000 セッションペアを見つけました。各ペアは、同じタスクを異なる方法で試みたものと実質的に等価です。

Computer のペアは、実行ツールを呼び出すセッションに限定されています。これらの「実行」ツールには、コードの実行、ブラウザ操作、ファイル書き込み、コネクタ呼び出しが含まれます。この制限により、すべての Computer セッションが実際の自律的な作業を行うことが保証されます。

期間中、採用率は上昇しました。Computer の累積クエリ数は初週の合計の 84 倍に達しました。対応分析では、Computer の採用がユーザーの日常 Search クエリ数を 1.05 倍に引き上げていることも明らかになりました。この肯定的な効果は、代替ではなく補完性を示唆しています。

imagehttps://research.perplexity.ai/articles/how-ai-agents-reshape-knowledge-work

コスト構造の枠組み

この研究は、単純なタスクベースのモデルに基づいてデータを裏付けています。各タスクにはステップ数が設定されており、より長いタスクはわずかに高い価値を持ちます。

エージェントはコスト構造を変化させます。委任とレビューのために、タスクあたりの固定コストを高く設定します。しかし、システムが実行を行うため、ステップあたりの限界コストは低くなります。

これにより、損益分岐点となるステップ数が生まれます。その数値より下では対話モードの方が安価であり、上ではエージェントモードが優位になります。短い照会は手動のまま、長いワークフローはエージェントに移行します。

自律性：26 分対 33 秒

最初の自律性の指標は実行時間です。コンピューター（AI エージェント）はセッションあたり 26 分の機械的作業を実行します。一方、検索は 33 秒です。これは 48 倍の差があります。

中央値も同様のパターンを示しています：9 分対 14 秒です。この差はドメインによって異なります。ローカルタスクでは 75 倍、科学分野では 26 倍です（単純な回答で十分な場合が多いため）。

高い自律性が、ここでは品質を低下させることはありませんでした。研究チームは、ユーザーの次の行動から生じる「次回の不満足度」をスコアリングしました。コンピューターの意味のある不満足率は 1.3% であったのに対し、検索では 2.9% でした（55% の削減）。

フォローアップのターンも、コンピューターではレビューと拡張へとシフトしますが、その変化は小さいものです。コネクタの使用はより明確に増加しました。コンピューターはセッションの 7.9% で少なくとも 1 つのコネクタを呼び出しましたが、検索では 1.8% です。コンピューターは、検索ユーザーが本来手動で実行するであろう外部ツールを連鎖させて使用します。

効率性：節約はどこから生まれるのか

効率性セクションでは、検索＋人間の反実仮想シナリオを推定しています。検索のみを利用する人間は、対応するタスクあたり 269 分を要します。一方、コンピュータ＋人間の場合は 36 分です。

これは全体で所要時間が 87% 削減され、コストが 94% 削減されたことを意味します。コスト削減額が時間削減額を上回るのは、専門分野の賃金率がこの効果を増幅するためです。コンピュータの利用モデルのコストはタスクあたり 4〜10 ドルですが、検索利用の場合は約 0.05 ドルです。

限界値の数値がこの枠組みを裏付けています。コンピュータ＋人間のステップあたりのコストは 0.16 ドルに対し、検索＋人間は 2.05 ドルです。対応したコンピュータセッションでは、プロンプトの長さも長く、中央値で 652 文字（検索＋人間の 448 文字）でした。これはエージェントに対する高い固定コストの仮定を支持するものです。

損益分岐点分析によると、人間がコンピュータと同等の結果を出すには、すべての手動ステップを 20 分以内に完了させる必要があります。研究チームは、独立した大規模言語モデル（LLM: Large Language Model）による推計とユーザーインタビューを通じてこれをクロスチェックしました。LLM 手法では、所要時間が 84%、コストが 93% 削減されることが判明しました。インタビュー参加者は、5 倍から 300 倍の速度向上を報告しています。

水平展開と垂直展開

この研究が先行研究を超えて拡張しているのは「範囲」です。自律化は単にタスクを高速化するだけでなく、ユーザーが挑戦するタスクそのものを変えます。

水平面では、コンピュータによるクエリは職業の境界をより頻繁に越えています。異業種間でのシェアは、コンピュータ利用で平均 59% に対し、検索利用では 50% でした。管理と起業において最大の差が示され、19 ポイントの開きがありました。

垂直面では、コンピュータによるクエリの方がより高度な要求を伴います。ブルームの改訂された教育目標分類（Bloom's Revised Taxonomy）によると、高次認知を要するものが 76% に達し、検索利用では 55% でした。創造レベルの作業は、コンピュータクエリの 50% を占め、検索利用では 26% でした。

コンピュータタスクはまた、より多くの知識領域にまたがる。各クエリは平均して 2.40 の O*NET 知識領域に触れており、これは検索の 1.74 と比較してほぼ 3 倍の確率で 3 つ以上の領域を必要とする。

O*NET の階層がより細分化されるにつれて、構成可能性（composability）は上昇する。タスク記述レベルでは、コンピュータは活動数を 60% 増やした。コンピュータへのクエリの約 23% は、同じユーザーが検索に送信したことのないタスク記述に該当した。

imagehttps://research.perplexity.ai/articles/how-ai-agents-reshape-knowledge-work

比較表：検索 vs コンピュータ

次元 | Perplexity 検索 | Perplexity コンピュータ

---|---|---

フレームワーク内のモード | 対話型回答エンジン | エージェントオーケストレーター

セッションあたりの機械時間 | 33 秒（中央値 14 秒） | 26 分（中央値 9 分）

セッションあたりのクエリ数 | 2.8 | 5.3

意味のある（中級＋上級）不満率 | 2.9% | 1.3%

コネクタ呼び出しを含むセッション | 1.8% | 7.9%

反事実的タスク時間 | 269 分（検索＋人間） | 36 分（コンピュータ＋人間）

ステップあたりのコスト | $2.05 | $0.16

タスクあたりのモデルコスト | 〜$0.05 | $4–10

職業横断クエリシェア | 50% | 59%

高次ブルーム認知 | 55% | 76%

クエリあたりの O*NET 知識領域数 | 1.74 | 2.40

主要な知見

コンピュータは、検索の 33 秒に対してセッションあたり 26 分の自律的な作業を実行し、その差は 48 倍である。

一致したタスクにおいて、コンピュータ＋人間は検索＋人間と比較して推定時間を 87%、コストを 94% 削減する。

コンピュータの意味のある不満率は 1.3% で、検索の 2.9% よりも 55% 減少している。

コンピュータ関連のクエリは、他の職業分野をまたいでより多く行われ（59% 対 50%）、より高度な認知処理を要求します（76% 対 55%）。

コンピュータ関連のクエリの約 23% は、同じユーザーが検索エンジンに一度も送信したことのないタスクステートメントに関連するものです。

Marktechpost のビジュアル解説

#mtp-harvard-agents{

--crimson:#A51C30;--crimson-deep:#7A1420;--crimson-darker:#5E0F18;

--ink:#1E1E1E;--ink-soft:#4A4A4A;--ivory:#FBF7F1;--line:#E7DDD2;

font-family:-apple-system,BlinkMacSystemFont,"Segoe UI",Roboto,Helvetica,Arial,sans-serif!important;

background:linear-gradient(135deg,#7A1420 0%,#5E0F18 100%)!important;

color:#FBF7F1!important;border:1px solid #5E0F18!important;border-radius:16px!important;

padding:26px!important;max-width:860px;margin:24px auto;line-height:1.5;

box-shadow:0 10px 30px rgba(94,15,24,.25)!important;

}

@keyframes mtpfade{from{opacity:0;transform:translateY(6px)}to{opacity:1;transform:none}}

@media(max-width:640px){

}

研究ガイド

ハーバード × Perplexity

01 / 10

AI エージェントが知識労働をどう再構築するか

自律性、効率性、および範囲 — 本番データからの現場証拠。

新しい研究は、自律型エージェントと会話型検索アシスタントを比較します。

これは、Perplexity Search と Perplexity Computer の実際の使用データを利用しています。

Jeremy Yang (Harvard) · Kate Zyskowski, Noah Yonack, Jerry Ma (Perplexity) · arXiv:2606.07489v1

02 / 10

この研究が測定するもの

マッチドペア設計により、タスクは製品間でほぼ一定に保たれます。

90 日間の期間：2026 年 2 月 27 日から 5 月 27 日まで。

コサイン類似度が 0.99 を超える 10,000 ペアのマッチドセッション。

Computer セッションは、「実行」ツールに制限されます：コード実行、ブラウザ操作、ファイル書き込み、コネクタ呼び出し。

同じデュアルプロダクトユーザーが両側に登場します。

03 / 10

コスト構造の枠組み

シンプルなタスクベースモデルは、委譲が効果的な時期を説明します。

エージェントモードは、委譲とレビューのためにタスクあたり高い固定コストを課金します。

実行を行うため、ステップあたりの限界コストは低くなります。

損益分岐点となるステップ数で仕事を分類し、それより短いものは下位、長いものは上位に配置されます。

タスク選択は 0-1 ナップサック問題としてモデル化されています。

04 / 10

自律性：セッションあたりの機械作業

ここでは、自律性の向上は品質の低下を伴いませんでした。

セッションあたりの自律的作業時間：26 分対 33 秒（48 倍の差）

セッション時間の中央値：9 分対 14 秒（40 倍の差）

意味ある不満率：1.3% 対 2.9%（55% 低下）

コネクタ呼び出しを伴うセッション数：7.9% 対 1.8%

効率性：時間とコスト

対応するタスクにおける「検索＋人間」の反実仮想シナリオに対して推定。

平均タスク完了時間：269 → 36 分

全体で節約された時間／コスト：87% / 94%

ステップあたりのコスト（コンピューター対 検索＋人間）：0.16 ドル対 2.05 ドル

コンピューターと同等の性能を出すための手動ステップでの損益分岐点：< 20 分

範囲：より広範で困難な作業

自律性は、単に速度を上げるだけでなく、ユーザーが挑戦するタスクの種類そのものを変えます。

水平方向：職業横断的なシェアは 59% 対 50%（管理・起業家分野で +19 ポイント）

垂直方向：高次ブルーム認知領域は 76% 対 55%

創造レベルの作業：コンピュータークエリの 50% が該当する一方、検索では 26%

知識の幅：クエリあたりの O*NET ドメイン数 2.40 対 1.74（+38%）

コンピューターがもたらす新たな可能性

独自性はトピックの範囲ではなく、微細な実行作業にあります。

検索に比べて、クエリあたりに関与する O*NET タスク記述が +60% 増加。

コンピュータークエリの 23% は、同じユーザーが検索では決して送信しなかったタスク記述に該当。

成果は、ソフトウェアおよびウェブ開発、ドキュメント作成、データ可視化に集中しています。

08 / 10

検索対コンピュータ

研究の主要指標を並べて比較。

次元 検索 コンピュータ

セッションあたりの機械時間 33 秒（中央値 14 秒） 26 分（中央値 9 分）

セッションあたりのクエリ数 2.8 5.3

意味ある不満度 2.9% 1.3%

ステップあたりのコスト $2.05 $0.16

職業横断的シェア 50% 59%

高次認知機能 55% 76%

クエリあたりの O*NET ドメイン数 1.74 2.40

09 / 10

エンジニア向けのユースケース

本知見が日々の技術業務にどう対応するか。

データサイエンティスト：単一タスクは設計、数学、経済学および会計を横断する。

ソフトウェアエンジニア：エージェントがファイル作成、コード実行、デプロイを行い、あなたは監督する。

AI エンジニア：短い参照は対話型パスへ、長いワークフローはエージェントへルーティングする。

10 / 10

結論

速度から範囲へ。

時間とコストの節約は大きいが予想通りである。

より鋭い知見は、より広範で複雑な作業に挑戦している点にある。

実用的な教訓はタスク・ツール適合性：ステップ数に応じてツールを選択することだ。

出典：How AI Agents Reshape Knowledge Work: Autonomy, Efficiency, and Scope (arXiv:2606.07489v1)。

‹

›

Marktechpost

エンジニア向けに解読された、実践者ファーストの AI/ML 研究報道。

翻訳全文