Совместное исследование Гарвардского университета и Perplexity зафиксировало метрику, которую индустрия обсуждала в теории, но редко измеряла на практике: автономный AI-агент генерирует 26 минут полезной работы за сессию, тогда как поисковый ассистент — 33 секунды. Разница — в 47 раз. Авторы использовали метод matched-pair sessions: одинаковые задачи выдавались обеим системам в равных условиях. Помимо времени, исследование фиксирует выигрыш агентов по стоимости и охвату задач.
Контекст
Perplexity — компания, которая в 2023–2024 годах строила себя как «поиск нового поколения», а к 2025–2026 году развернулась в сторону агентских сценариев. Это не случайно: поисковый режим упирается в потолок ценности. Он даёт ответ, но не выполняет работу. Совместное исследование с Гарвардом — академическая легитимизация этого разворота. Когда данные фиксируют 47-кратный разрыв, это уже не маркетинговый нарратив, а измеримое различие в производительности, которое можно предъявить команде или инвестору.
Агентский AI в целом переживает быстрое взросление. Стандарт MCP от Anthropic унифицировал подключение агентов к внешним инструментам. OpenAI, Google, Mistral, Qwen выпустили собственные агентские фреймворки. Рынок разделился на «тонкие» агенты — один инструмент, один шаг — и «толстые»: многошаговые пайплайны с памятью, авторизацией действий и обработкой ошибок. Именно «толстый» режим измеряет это исследование — то, что имеет реальную ценность в производственных сценариях.
Важен и методологический выбор. Matched-pair sessions — не лабораторный эксперимент с синтетическими запросами. Обе системы получают эквивалентные задачи в эквивалентных условиях. Это делает результат применимым к бизнес-оценке, а не только к академическому интересу. Компания уровня Perplexity, соавторствующая в таком исследовании, выходит с готовым аргументом для корпоративных продаж.
Аналитика
26 минут против 33 секунд — это не улучшение, это смена класса инструментов. Поиск решает задачу «найди информацию». Агент решает задачу «сделай работу». Это примерно как разница между справочной службой и исполнителем. Числа теперь есть, и они достаточно крупные, чтобы менять продуктовые приоритеты.
Для продуктовых команд это прямой сигнал: если ваш AI-продукт работает в режиме «вопрос-ответ», вы конкурируете с поиском. Если он работает в режиме «задача-результат», вы создаёте другой класс ценности. Именно поэтому Perplexity, начав с поиска, инвестирует в агентские сценарии, а не просто в качество ответов. Следующие 12–18 месяцев выиграют те продукты, которые умеют удерживать контекст, инициировать действия и завершать многошаговые задачи без ручного вмешательства.
Отдельный инсайт — стоимость. Исследование фиксирует выигрыш агентов по всем трём параметрам: автономии, времени и стоимости. Это контринтуитивно: агенты потребляют больше токенов за сессию, но в пересчёте на единицу выполненной работы оказываются дешевле — потому что заменяют не один поисковый запрос, а весь рабочий процесс вокруг него. Для CFO это меняет аргумент: агентизация — это не только про скорость, но и про unit economics.
Кейсы применения в бизнесе
B2B SaaS стартап. Lead research: агент автоматически анализирует сайт потенциального клиента, открытые данные, недавние новости, вакансии — и формирует персонализированный контекст для менеджера по продажам. Вместо 20–30 минут ручного сёрфинга — структурированный brief за одну агентскую сессию. Менеджер выходит на звонок подготовленным, конверсия встреч растёт.
Корпорация с legacy-инфраструктурой. Compliance-мониторинг: агент ежедневно отслеживает изменения в регуляторной среде — например, в контексте Цифрового кодекса КР или B2B SaaS-регуляций — сравнивает с внутренними политиками, формирует список несоответствий. То, что раньше требовало работы юридической команды раз в квартал, становится непрерывным фоновым процессом.
SMB и локальный бизнес в КР/СНГ. Ценовой мониторинг и закупки: агент сравнивает прайсы поставщиков, формирует отчёт по отклонениям, рекомендует оптимальные варианты. Для небольших компаний, где один человек совмещает несколько ролей, это критический выигрыш времени — агент берёт рутину, позволяя сосредоточиться на переговорах.
Кейсы в личной жизни
Разработчик. Code review: вместо «объясни этот код» — «проверь PR, напиши список issues, предложи конкретные фиксы». Агентский режим удерживает контекст всего PR, анализирует зависимости. Экономия — 30–40 минут на каждый нетривиальный pull request.
Контент-мейкер. Research перед выпуском материала: агент ищет первоисточники, агрегирует данные, структурирует конкурентный ландшафт, пишет черновик тезисов. Вечер с 40 открытыми вкладками сжимается до 10–15 минут активного диалога и финальной правки.
Фрилансер или студент. Competitive analysis или подготовка к переговорам: агент собирает данные по конкурентам, формирует сравнительную таблицу, выделяет слабые стороны каждого игрока. Поиск даёт 10 ссылок — агент читает их за вас и выдаёт структуру.
Как применить сегодня
- Выберите одну повторяющуюся задачу, которая занимает 15–30 минут и требует сбора информации из разных источников — это идеальный кандидат для агентизации.
- Попробуйте Perplexity в агентском режиме или Claude с MCP-инструментами: давайте задачу как инструкцию («исследуй и подготовь brief»), а не как вопрос.
- Замерьте baseline сейчас. После первой агентской сессии сравните — это ваш ROI-аргумент для команды или руководства.
- Для технических команд: разверните один агентский пайплайн (n8n, LangGraph, CrewAI) на реальном бизнес-процессе — не «всё сразу», а один рабочий сценарий.
- Проведите командный воркшоп: какие задачи занимают 15–30 минут и повторяются ежедневно? Это первый список для агентификации.