Research Bite - Perplexity HarvardEine Harvard-Studie mit Produktionsdaten von Perplexity liefert erste Feldevidenz zum Übergang vom konversationellen KI-Assistenten zum autonomen Agenten. Verglichen wird, wie dieselben Nutzer dieselbe Aufgabe einmal per Suche und einmal per Agent erledigen. Die Schlagzeile sind die Effizienzgewinne: Aufgaben, für die ein Mensch mit Suchwerkzeug im Schnitt 269 Minuten braucht, erledigt der Agent samt Aufsicht in 36 Minuten, also 87% weniger Zeit und 94% weniger Kosten. Hinter dieser Zahl stecken drei Befunde, die zusammengenommen interessanter sind als die Ersparnis selbst.

Erstens: Die Ersparnis hat eine Schwelle

Der Agent ist pro Arbeitsschritt deutlich günstiger, in den Daten 0,16 statt 2,05 Dollar, ein Faktor von rund 13. Zugleich verursacht ein Agent aber höhere Fixkosten: Wer eine ganze Arbeitskette delegiert, muss den Auftrag präziser fassen und das Ergebnis prüfen. Messbar wird das daran, dass Agenten-Anfragen im Median 46% mehr Zeichen umfassen als vergleichbare Suchanfragen. Aus diesem Kostenprofil folgt eine Schwelle, wann sich ein Agenteneinsatz lohnt und wann nicht: Unterhalb einer bestimmten Aufgabenlänge frisst der Fixkostenblock den Vorteil der niedrigen Grenzkosten wieder auf. Pro zusätzlichen Arbeitsschritt wächst der Vorsprung des Agenten, eine Break-even-Rechnung der Autoren setzt die Grenze bei rund 18 Minuten manueller Arbeit. Bei kurzen Nachschlage-Aufgaben lohnt die Delegation nicht, bei langen schon. Für Führung und Organisationsentwicklung hat dies eine signifikante Bedeutung.

Zweitens: Arbeit wandert über die Berufsgrenze hinweg

Der Agent verschiebt nicht nur die Kosten, sondern auch den Zuschnitt der Aufgaben. Nutzer bearbeiten 59% ihrer Aufgaben außerhalb ihrer Kernprofession, bei der Suche sind es lediglich 50%, und der Effekt zieht sich durch alle acht untersuchten Berufsgruppen. Auch innerhalb einer einzelnen Aufgabe agiert der Agent breiter: Er nutzt substanzielle Expertise in durchschnittlich 2,40 Wissensdomänen statt 1,74, etwa bei einem Finanzdashboard, das Design, Mathematik und Bilanzwissen verbindet. Am bemerkenswertesten ist die Art von Aufgaben, die ohne Agenten gar nicht stattfände: 23% der Agenten-Aufgaben berühren Tätigkeiten, die dieselben Nutzer per Suche nie angefasst haben. Das deutet auf sinkende Koordinationskosten zwischen Disziplinen hin, also auf Arbeit, die früher einen Spezialisten in einem anderen Feld erfordert hätte. Dies hat direkte Auswirkungen auf Organisationsgestaltung, Rollenprofile und Kompetenzprofile von Mitarbeitenden.

Drittens: Mehr Autonomie, ohne Qualitätsverlust

Bleibt die Sorge, dass lange autonome Agenten-Läufe Qualität kosten. Die Daten zeigen das Gegenteil: Auf dieselben Aufgaben bezogen löst der Agent 55% weniger spürbare Unzufriedenheit aus, 1,3% gegenüber 2,9% der Anfragen. Zugleich ändert sich, wofür Menschen überhaupt noch eingreifen. Kleinteilige Steuerungsbefehle und Rückfragen zum Zwischenstand nehmen ab, das Prüfen und Erweitern fertiger Ergebnisse nimmt zu. Ganz aus der Hand gibt allerdings niemand die Arbeit: 13% der Agenten-Anfragen halten mindestens einmal für eine Freigabe an, bei der Suche sind es 0,3%. Der Mensch sitzt stärker am Anfang und am Ende der Aufgabe, weniger mittendrin.

Implikation

Die drei Befunde greifen ineinander. Die Ausführung wird billig und breiter, sie lohnt sich aber erst oberhalb einer Komplexitätsschwelle, sie reicht in fremde Fachgebiete hinein, und sie verlagert den menschlichen Beitrag auf Auftrag und Urteil (zu letzerem siehe auch meine anderen Thought Bites). Bottleneck ist nicht generell die Arbeitskraft, sondern die Fähigkeit, einen Auftrag scharf zu fassen und ein fremd erzeugtes, oft fachfremdes Ergebnis zuverlässig zu beurteilen. Für Organisationen verschiebt das gleich mehreres zugleich: wo Agenten sich rechnen, wie Teams und Rollen zugeschnitten sind, und worin die eigentliche Kompetenz von Wissensarbeit besteht. Wenn das Ausführen kaum noch etwas kostet, woran bemisst sich dann der Beitrag eines Menschen? Eine Frage an der wir in naher Zukunft verstärkt arbeiten müssen.

Quelle:

Jeremy Yang, Kate Zyskowski, Noah Yonack, Jerry Ma, „How AI Agents Reshape Knowledge Work: Autonomy, Efficiency, and Scope”, Harvard University / Perplexity, 2026. arXiv:2606.07489v1.