ఏజెంట్లు పనిని ఎలా మార్చుతున్నాయి
ఫ్రంటియర్లో Codex ఆర్థిక సామర్థ్యాన్ని కొలిచే కొత్త ఆర్థిక పరిశోధన పేపర్.
ఏజెంటిక్ AI జ్ఞాన పనిలోని యూనిట్ను ఒక్కో పరస్పర చర్య నుంచి అప్పగించిన, దీర్ఘకాలిక పనులుగా మార్చుతుంది. చాట్బాట్ పరస్పర చర్యలు తరచుగా చిన్నవిగా, స్వతంత్రంగా ఉంటాయి. ఏజెంట్లు టూల్ కాల్లను సమన్వయం చేస్తూ, పరిసరాలతో పరస్పర చర్య జరుపుతూ, పరిష్కారాల వైపు పునరావృతంగా ముందుకు సాగుతూ నిమిషాలు లేదా గంటల పాటు స్వతంత్రంగా పని చేయగలవు. ఫలితంగా, ఏజెంట్లు పనికి అత్యంత శక్తివంతమైన AI టూల్గా వేగంగా మారుతున్నాయి.
గత సంవత్సరంలో, OpenAIలో ఈ మార్పును మేము ప్రత్యక్షంగా చూశాం. Codex ప్రజలకు విడుదలైన తర్వాత తొలి కొన్ని నెలలు, OpenAIలో పనికి ChatGPT డిఫాల్ట్ AI టూల్గా కొనసాగింది. 2025 ఆగస్టు వరకు, సగటు OpenAI ఉద్యోగి తన టోకెన్లలో 10% కంటే తక్కువను Codexపై ఖర్చు చేశాడు. ఇప్పుడు Legal, Recruiting వంటి సాంకేతికేతర విభాగాలు సహా ప్రతి విభాగం పనికి తమ ప్రధాన AI టూల్గా Codexను ఉపయోగిస్తోంది. ఏజెంటిక్ టూల్స్ సామర్థ్యాలు, అందుబాటు పెరగడంతో పని భవిష్యత్తు ఇలా ఉంటుందని మేము నమ్ముతున్న దాన్ని ఈ ధోరణి ప్రతిబింబిస్తుంది.
Codex స్వీకరణ, Codex సామర్థ్యాలతో పాటు పెరిగింది. Codex మరింత బలమైన మోడల్లు, కొత్త ఉత్పత్తి ఫీచర్లను వినియోగించడంతో, ఉత్పాదక పనుల విస్తరించే సముదాయాన్ని చేపట్టగలిగింది. వ్యక్తిగత వినియోగదారులు, సంస్థాగత వినియోగదారులు, OpenAI ఉద్యోగులలో గత ఏడాది నాలుగు ధోరణులను మేము నమోదు చేశాం:
- ప్రజలు Codexను దీర్ఘకాలిక పనికి ఉపయోగిస్తున్నారు. 2026 మే నాటికి, నమూనాలోని వ్యక్తిగత వినియోగదారులలో 80.6% మంది మానవుడి 30 నిమిషాల పనిని మించుతుందని అంచనా వేసిన కనీసం ఒక Codex అభ్యర్థన చేశారు; 70.2% మంది ఒక గంటను మించేదాన్ని, 25.6% మంది ఎనిమిది గంటలను మించేదాన్ని కనీసం ఒకసారి చేశారు.
- OpenAIలో ప్రతి విభాగానికి Codex ప్రధాన AI టూల్గా మారింది. ముందుగా Engineering మారింది, కానీ 2026 ఏప్రిల్ సమయంలో Legal, Finance, Recruiting విభాగాలకూ Codex ప్రధాన AI టూల్గా మారింది. సగటు OpenAI ఉద్యోగికి, ఇప్పుడు అవుట్పుట్ టోకెన్లలో 85% కంటే ఎక్కువ Codex వాడకానిదే. Codex వినియోగదారులు వినియోగించని వారికంటే ఎక్కువ టోకెన్లు ఉపయోగించే అవకాశం ఉండటంతో, మొత్తం టోకెన్లలో దాని వాటా ఇంకా ఎక్కువ: OpenAIలో ఉత్పత్తి అయ్యే వారపు అవుట్పుట్ టోకెన్లలో 99.8% Codex వంతు.
- డెవలపర్ కానివారి స్వీకరణ ముఖ్యంగా వేగంగా పెరిగి, డెవలపర్ల స్వీకరణను మించింది. 2025 ఆగస్టు నుండి, డెవలపర్ కాని వినియోగదారులు వ్యక్తిగత వినియోగదారులలో 137x, సంస్థాగత వినియోగదారులలో 189x, OpenAIలో 12x పెరిగారు.
- OpenAI ఉద్యోగులు తమ ఉద్యోగ వివరణకు బయట ఉన్న పనులు చేయడానికి Codex వీలు కల్పించింది. సాంకేతిక వినియోగం ఇప్పటికీ ఇంజినీర్లలోనే ఎక్కువగా ఉన్నప్పటికీ, సాంకేతికేతర వినియోగదారులు ఆటోమేషన్, డేటా రూపాంతరం, టూలింగ్, డీబగ్గింగ్, నిర్మిత విశ్లేషణ వంటి కోడింగ్ లేదా సాంకేతిక అమలు పనుల కోసం Codexను క్రమం తప్పకుండా ఉపయోగిస్తున్నారు.
కష్టమైన పనులపై ఏజెంట్లు ఎక్కువసేపు పని చేస్తాయి
మే 2026లో, 70% కంటే ఎక్కువ మంది వినియోగదారులు, ఒక వ్యక్తి పూర్తి చేయడానికి గంటకుపైగా పట్టే టాస్క్ను పూర్తి చేయమని Codexను కోరారు1. Codex స్వతంత్రంగా దీర్ఘ-సందర్భ వర్క్ను నిర్వహించే సామర్థ్యం మెరుగుపడడంతో, వినియోగదారులు చిన్న సంభాషణల నుంచి ఎక్కువ సమయం పట్టే, మరింత క్లిష్టమైన టాస్క్ల వైపు మళ్లారు.
కింద చార్ట్, వ్యక్తిగత వినియోగదారులు దాటిన నాలుగు మానవ-సమయ పరిమితుల వాటాను అంచనా వేస్తుంది: ఒక వ్యక్తికి 30 నిమిషాలకంటే ఎక్కువ, ఒక గంటకంటే ఎక్కువ, నాలుగు గంటలకంటే ఎక్కువ, ఎనిమిది గంటలకంటే ఎక్కువ పట్టే పనులు2. 2025 డిసెంబర్ నుండి 2026 మే వరకు, వ్యక్తికి 30 నిమిషాలకంటే ఎక్కువ పని పడుతుందని అంచనా వేసిన అభ్యర్థన చేసిన వినియోగదారుల వాటా 80.6%కు పెరిగింది. ఒక వ్యక్తికి ఒక గంటకంటే ఎక్కువ పట్టే అభ్యర్థన చేసిన వారి వాటా 70.2%కు పెరిగింది. ఒక వ్యక్తికి ఎనిమిది గంటలకంటే ఎక్కువ పట్టే పనిని కోరిన వారి వాటా తక్కువ స్థాయి నుంచి అత్యంత వేగంగా పెరిగింది.
ఏజెంటిక్ వినియోగం పెరుగుదల రోజువారీ Codex రన్టైమ్లో కనిపిస్తుంది. OpenAIలో రోజువారీ క్రియాశీల వినియోగదారులలో, అత్యధికంగా వాడేవారు ఒకే రోజులో ఎన్నో గంటల ఏజెంట్ పనిని నడపమని Codexను అడుగుతున్నారు. 2026 జూన్ నాటికి, 99వ పర్సెంటైల్లోని వినియోగదారులు బహుళ సమాంతర ఏజెంట్లలో విభజించి, రోజుకు 60 గంటలకంటే ఎక్కువ Codex ఏజెంట్ టర్న్లను క్రమం తప్పకుండా సృష్టించారు. Codex మరింత శక్తివంతంగా, సమాంతరంగా నడపగలిగేదిగా మారడంతో, వినియోగదారులు ఒకేసారి ఒక్క సమాధానం మాత్రమే అడగడం నుంచి రోజంతా అనేక ఏజెంట్ పనులను సమన్వయం చేయడంలోకి మారారు.
స్వీకరణ ఇంజినీర్ల నుంచి మిగతా OpenAIకు విస్తరిస్తూనే ఉంది
OpenAIలో ఇంజినీర్లు Codexను మొదట, క్రమంగా స్వీకరించడం ప్రారంభించారు. కంపెనీలోని సగటు ఇంజినీర్ 2025 డిసెంబర్ నాటికి OpenAI ఉత్పత్తుల వినియోగంలో మెజారిటీని Codexకు మార్చాడు. ఈరోజు, సగటు ఇంజినీర్ తన అవుట్పుట్ టోకెన్లలో 99%ను ChatGPTకు బదులుగా Codexతో సృష్టిస్తున్నాడు. Legal, Finance, Recruiting విభాగాలు తర్వాత, 2026 ఏప్రిల్ సమయానికి Codex మెజారిటీ వినియోగానికి చేరుకున్నాయి, కానీ వాటి మార్పులు చాలా వేగంగా జరిగాయి. OpenAIలో సగటు న్యాయవాది లేదా రిక్రూటర్ ఇప్పుడు తన అవుట్పుట్ టోకెన్లలో 85% కంటే ఎక్కువను Codexపై సృష్టిస్తున్నాడు.
గత ఆరు నెలల్లో OpenAIలో Codex వినియోగం మరింత లోతుగా, తీవ్రమైంది. క్రియాశీల అంతర్గత వినియోగదారులలో, కలిపిన అవుట్పుట్ టోకెన్లలో మార్పు విభాగాలన్నిటిలో గణనీయంగా పెరిగింది. Researchలో అతిపెద్ద పెరుగుదల కనిపించింది: 2026 జూన్ నాటికి మధ్యస్థ వినియోగం 2025 నవంబర్ కంటే 56 రెట్లు ఎక్కువైంది. Customer Support 32 రెట్లు, Engineering 27 రెట్లు పెరిగాయి; Legal మరింత క్రమంగా పెరిగినా నవంబర్ స్థాయికి 13 రెట్లు చేరింది.
ఈ రెండు ధోరణులు కలిపి, ఉత్పాదక పని చేయడానికి OpenAI AIను ఉపయోగించే విధానాన్ని Codex ఎలా మార్చిందో చూపిస్తున్నాయి. కంపెనీ అంతటా, వినియోగదారులు AIతో తమ ప్రధాన పరస్పర చర్యగా చాట్బాట్ల నుంచి ఏజెంట్లకు మారుతున్నారు; అలాగే ఏజెంటిక్ శ్రమను ఘాతాంక రీతిలో పెంచుతున్నారు.
డెవలపర్ కానివారే అత్యంత వేగంగా పెరుగుతున్న వినియోగదారు సమూహాలు
OpenAI, సంస్థాగత, వ్యక్తిగత వినియోగదారులు అనే అన్ని సమూహాలలో Codex వినియోగం డెవలపర్లతో ప్రారంభమైంది; కోడింగ్ టూల్గా మొదలైన దానికి వారు సహజ లక్ష్య ప్రేక్షకులు. అయితే Codex మరింత సాధారణ జ్ఞాన పనివైపు విస్తరించడంతో, డెవలపర్ కానివారిలో స్వీకరణ ఇంకా వేగంగా పెరిగింది. కింద ఉన్న వినియోగదారు వృద్ధి చార్ట్లో చూపినట్లుగా, వ్యక్తిగత, సంస్థాగత, OpenAI జనాభాల్లో వారానికి ఒకసారి వాడే డెవలపర్ కాని వినియోగదారులు డెవలపర్ వినియోగదారుల కంటే వేగంగా పెరిగారు. 2026 జూన్ ప్రారంభానికి, డెవలపర్ కాని వ్యక్తిగత వినియోగదారులు 2025 ఆగస్టు నుండి 137 రెట్లు పెరిగారు. డెవలపర్ కాని సంస్థాగత వినియోగదారులు 189 రెట్లు, డెవలపర్ కాని OpenAI వినియోగదారులు 12 రెట్లు పెరిగారు; ఈ సమూహం ఇప్పటికే సగటు కంటే చాలా ఎక్కువ ప్రారంభ స్థాయిలో ఉండటం ఇందుకు కారణం కావచ్చు.
ఈ మార్పు ప్రతి డెవలపర్ కానివారు ఇంజినీర్లాగే Codexను ఉపయోగిస్తున్నారనే అర్థం కాదు. దాని అర్థం, మరింత మంది డెవలపర్ కానివారు ఏదో ఒక రకమైన ఏజెంటిక్ పనికి Codexను ఉపయోగిస్తున్నారని.
Codex సాధ్యమైన ఉత్పాదక పనుల హరైజన్ను విస్తరిస్తోంది
మునుపు సాంకేతిక నైపుణ్యం వల్ల నెమ్మదించిన వర్క్ఫ్లోలను వేగవంతం చేయడానికి సాంకేతికేతర విభాగాలకు Codex వీలు కల్పిస్తోంది. కింద హీట్ మ్యాప్ OpenAIలో ఊహించిన వృత్తులను Codex అవుట్పుట్లలో కనిపించే పని రకాలతో పోల్చుతుంది. డేటా సైన్స్, పరిశోధనకు Engineering మరియు కోడింగ్ అతిపెద్ద వర్గాలుగా కనిపిస్తాయి; Finance, వ్యాపార కార్యకలాపాలు, మార్కెటింగ్, ఆపరేషన్స్, ఇతర విభాగాలకు జ్ఞాన పని అతిపెద్ద వర్గం.
అయినా, ఏజెంటిక్ టూల్స్ ఒక ఉద్యోగి చేయగల పనుల పరిధిని విస్తరించగలవు. ఉదాహరణకు, వ్యాపార ఫంక్షన్లలోని ఉద్యోగులు Codexతో చేసిన పనిలో నాలుగో వంతుకంటే ఎక్కువ Engineering లేదా కోడింగ్ది. ఏజెంట్లు పని సరిహద్దులను దాటే ఖర్చును తగ్గించి, గతంలో మరింత ప్రత్యేక సాంకేతిక సహాయం అవసరమైన అనుబంధ పనిని ఉద్యోగులు చేయడానికి సహాయపడగలవు.
Occupation vs. work done with Codex
| Work category | |||||
|---|---|---|---|---|---|
| Consolidated inferred department | |||||
| Engineering | |||||
| Data Science / Research | |||||
| Finance / Biz Ops | |||||
| Product / Marketing / Ops | |||||
| Other | |||||
ఏజెంట్ల ఆర్థిక సామర్థ్యానికి దీని అర్థం ఏమిటి
ఇంజినీర్ కాని ఉద్యోగులు ఏజెంటిక్ టూల్స్ను ఎక్కువగా ఉపయోగించడం, వారు చేయగల పనుల సరిహద్దును విస్తరిస్తుంది. వర్క్ఫ్లోలను ఎలా పునర్వ్యవస్థీకరించాలో నిర్ణయించే వ్యాపారాలకు, ఏ నైపుణ్యాలు విలువైనవిగా మారతాయో నేర్చుకునే ఉద్యోగులకు, AI కార్మిక మార్కెట్ను ఎలా మార్చుతుందో అర్థం చేసుకునే విధానకర్తలు, పరిశోధకులకు ఇది ముఖ్యమైనది.
ఫ్రంటియర్ వినియోగదారులు సామర్థ్యవంతమైన ఏజెంటిక్ టూల్స్ను ఫ్రంటియర్లో ఎలా స్వీకరిస్తారో మా పేపర్ చూపిస్తుంది. సామర్థ్యవంతమైన ఏజెంటిక్ టూల్స్కు ప్రజలకు విస్తృత, తక్కువ అడ్డంకుల ప్రాప్యత ఉన్నప్పుడు ఏమి జరుగుతుందో మా ఫలితాలు చూపిస్తున్నాయి: టూల్స్ మెరుగుపడే కొద్దీ, ప్రజలు వాటిని మరింత దీర్ఘమైన, సంక్లిష్టమైన, బహుళ-ఫంక్షనల్ పనులకు ఉపయోగిస్తారు. కాలక్రమంలో, పని భవిష్యత్తు ఇలాగే ఉండే అవకాశం ఉంది.
రచయిత
ఫుట్నోట్లు
- 1
Codex ట్రాన్స్క్రిప్ట్లకు ప్రాప్యత ఉన్న LLM-as-judge ఉపయోగించి టాస్క్ హరైజన్ అంచనా వేయబడింది.
- 2
ఈ పరిమితులు మోడల్ అంచనాలు కాబట్టి, వాటిని ఖచ్చితమైనవిగా కాక దిశాసూచకాలుగా చూడాలి. ఇది కూడా వ్యక్తిగత డేటాపైనే, వినియోగదారులలో యాదృచ్ఛికంగా ఎంచుకున్న 0.1% నమూనా ప్రశ్నలపైనే ఆధారపడి ఉంది.


