AI-translated from English; not yet reviewed by a fluent editor.

# AI వినియోగం కోడింగ్‌కు మించి విస్తరిస్తోంది; దాని లోతును నిరూపించడం కష్టం

> పని ప్రదేశాల్లో AI వినియోగం విస్తరిస్తోందని సర్వేలు చెబుతున్నాయి; నిర్దిష్ట పనుల్లో ప్రయోజనాలు, వైఫల్యాలు ఉన్నాయని ప్రయోగాలు చూపుతున్నాయి. వినియోగ గణాంకాలు ఇతర వృత్తులు కోడింగ్ స్థాయిలో AI వాడతాయని ఇంకా నిరూపించవు.

By BIG CHANGE Editorial

Published: 2026-10-02T04:10:34.217Z
Updated: 2026-10-02T04:10:34.217Z
Canonical: https://bigchange.ai/blog/ai-use-beyond-coding-workplace-evidence

![A seated person works at a laptop while holding a blank sheet of paper at a wooden table.](https://bigchange.ai/api/media/file/ai-work-beyond-coding-hero-v2-1.png)
AI-generated by OpenAI; BIG CHANGE conceptual editorial illustration.

2026 రెండో త్రైమాసికానికి ముందు వారంలో పని కోసం జనరేటివ్ AI వాడామని అమెరికాలో ఉద్యోగం చేస్తున్న పెద్దల్లో దాదాపు ఐదుగురిలో ఇద్దరు చెప్పారు. అయితే అన్ని ఉద్యోగుల పని గంటల్లో 6.3 శాతం మాత్రమే AI సహాయంతో జరిగిందని [జాతీయ సర్వే ట్రాకర్](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/) తెలిపింది; ఈ పరిశోధనను St. Louis Fed, Vanderbilt, Harvard పరిశోధకులు నిర్వహించారు. మొదటి గణాంకం వ్యక్తుల సంఖ్యను, రెండోది వారి సమయాన్ని లెక్కిస్తుంది. చేసిన పని నాణ్యమైనదా, కంపెనీకి ఎక్కువ ఆదాయం వచ్చిందా, ఉద్యోగం తొలగిపోయిందా అనేవి ఈ రెండూ చెప్పవు.

సాఫ్ట్‌వేర్ డెవలపర్‌లంత విస్తృతంగా ఇతర పనుల్లోనూ AI వాడతారా అని అడిగేటప్పుడు ఈ తేడాలు ముఖ్యం. న్యాయ, విక్రయ, మార్కెటింగ్ రంగాలతో సహా మరిన్ని విభాగాల్లో ప్రయోగం జరుగుతోందని ప్లాట్‌ఫారమ్ రికార్డులు చూపిస్తున్నాయి. కోడింగ్ కాని కొన్ని పనుల్లో నిజమైన లాభాలున్నాయని ప్రయోగాలు చెబుతున్నాయి. ప్రాప్యత ఒక్కటే పెద్ద మార్పు తేవకపోవచ్చని, మెరుగ్గా కనిపించే సమాధానం కూడా తప్పవచ్చని అవే అధ్యయనాలు చూపుతున్నాయి.

## పెద్ద మార్పు

- **ఏం మారింది:** AI విక్రేతలు ఇప్పుడు పలు వ్యాపార విభాగాల్లో పునరావృత వినియోగం, ఏజెంట్ కార్యకలాపాలను నివేదిస్తున్నారు; స్వతంత్ర సర్వేలు అమెరికా ఉద్యోగుల్లో వారపు వినియోగం విస్తరించిందని చూపుతున్నాయి.
- **దీని ప్రాధాన్యం:** సాధనాలు ఇప్పటికే ఉన్న పనివిధానాలకు సరిపోయినప్పుడు వినియోగం విస్తరిస్తుంది; కానీ లాభాలు పని సందర్భం, తనిఖీలపై ఆధారపడతాయి. కొనుగోలుదారులు, ఉద్యోగులు స్వీకరణ గణాంకాలతోపాటు ఫలితాల కొలమానాలనూ చూడాలి.
- **గమనించాల్సినవి:** కోడింగ్‌కు మించిన పనుల్లో పునరావృత వినియోగం, ధృవీకరించిన ఫలిత నాణ్యత, నికర లాభాలు. ఇతర వృత్తులు ఎప్పుడు కోడింగ్ స్థాయిలో AI వాడతాయి లేదా ఉద్యోగాలపై ఏం జరుగుతుంది అనేది ప్రస్తుత ఆధారాలు నిర్ధారించవు.

## గణాంకాలు వేర్వేరు విషయాలను కొలుస్తాయి

ఈ [రియల్-టైమ్ జనాభా సర్వే](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/) లో 18–64 ఏళ్ల అమెరికా పెద్దల జాతీయ ప్రాతినిధ్య ఆన్‌లైన్ నమూనాను అడిగి పని వినియోగాన్ని లెక్కిస్తారు. గత వారంలో AI వాడిన వారి వాటా 2024 మూడో త్రైమాసికంలోని 28.2 శాతం నుంచి 2026 రెండో త్రైమాసికంలో 39.2 శాతానికి పెరిగింది. అన్ని పని గంటల్లో AI సహాయం పొందిన వాటా 4.1 నుంచి 6.3 శాతానికి పెరిగింది. తాజా త్రైమాసికంలో మొత్తం పని గంటల్లో 2.2 శాతం సమయం AI వల్ల ఆదా అయిందని పాల్గొనేవారు అంచనా వేశారు. ఆ చివరి సంఖ్య వారు గుర్తుచేసుకున్న సమయ పొదుపు; గమనించిన ఉత్పాదకత లేదా ఆదాయ లాభం కాదు.

OpenAI వేరే విషయం—తన సంస్థాగత కస్టమర్‌లలోని కార్యకలాపాలను చూస్తుంది. దాని [ఆగస్టు ఎంటర్‌ప్రైజ్ సిగ్నల్స్ నివేదిక](https://openai.com/signals/enterprise-data/) ప్రకారం, 2026 ఫిబ్రవరి నుంచి జూన్ మధ్య వారానికి ఒకసారి చురుకుగా ఉన్న Codex వినియోగదారులు న్యాయ విభాగంలో 108 రెట్లు, విక్రయాలు, నియామకాల్లో 41 రెట్లు, మార్కెటింగ్‌లో 26 రెట్లు పెరిగారు; ఇంజినీరింగ్‌లో పెరుగుదల ఐదు రెట్లు. ప్రారంభ లెక్కలను వెల్లడించలేదు కాబట్టి ఎంతమంది న్యాయవాదులు, ఇంజినీర్లు AI వాడుతున్నారు లేదా వారి పనిలో ఎంత భాగం AI చేస్తోంది అని ఈ రేట్లు చెప్పవు. జూన్‌లో సంస్థాగత కస్టమర్‌ల Codex, ChatGPT కలిపిన అవుట్‌పుట్ tokenల్లో 64 శాతం Codex నుంచే వచ్చింది. ఏజెంట్‌లు ఎక్కువసేపు నడిస్తే మరిన్ని tokenలు తయారవుతాయి; token వాటా ఉద్యోగుల సంఖ్యను లేదా విలువను కొలవదు. OpenAI ఈ ఉత్పత్తులను విక్రయిస్తుంది; వాటి విస్తరణను చూపడంలో దానికి స్వార్థం ఉంది.

OpenAI మరో [800,000కు పైగా అమెరికా ChatGPT సందేశాల అధ్యయనం](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf)లో, జూలైలో ప్రచురించిన ప్రకారం, పని సంబంధిత సందేశాల్లో 16.8 శాతం వినియోగదారు వృత్తికి భిన్నమైన వృత్తితో ముడిపడిన పనులుగా వర్గీకరించబడ్డాయి. వృత్తితో అనుసంధానించడానికి సరిపడా వివరాలున్న సందేశాల్లో ఈ వాటా 43.5 శాతం. [సెప్టెంబర్ అనువర్తన నివేదిక](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf) లో కొంతమంది ఉద్యోగులు తర్వాతి నెలలోనూ అలాంటి పనులకు తిరిగివచ్చారని గుర్తించారు. ఇవి నమూనాలోని వినియోగదారుల సందేశాల వాటాలు; వ్యాపార నమోదు సమాచారంతో వృత్తిని అంచనా వేశారు. ప్రజలు ఏం అడుగుతున్నారు, మళ్లీ ఏ పనికి వస్తున్నారో ఇవి చూపుతాయి; ఆ పని పూర్తి చేశారని లేదా ఉద్యోగం మారిందని కాదు.

Anthropic యొక్క [జూన్ ఆర్థిక సూచీ](https://www.anthropic.com/research/economic-index-june-2026-report) కూడా విక్రేత సేవల్లోని కార్యకలాపాలను అధ్యయనం చేస్తుంది. మరింత సన్నిహిత నమూనాతో పని దినపు అలవాట్లను గుర్తించి, చాట్, Cowork, మొదటి పక్ష API వినియోగాన్ని వేరు చేస్తుంది. దానికి జతచేసిన సర్వే కనీసం ఐదు సెషన్‌లు ఉన్న సుమారు 9,700 Claude వినియోగదారులతో వాడకాన్ని అనుసంధానించింది. ఆ ప్రతిస్పందకులు మొత్తం ఉద్యోగులకు ప్రాతినిధ్యం వహించరని Anthropic హెచ్చరిస్తుంది: కంప్యూటర్, గణిత వృత్తుల వారు ప్రతిస్పందకుల్లో సుమారు 30 శాతం, కానీ అమెరికా ఉద్యోగాల్లో సుమారు 4 శాతమే. శారీరక శ్రమ వృత్తులు తక్కువగా ఉన్నాయి. దాని మునుపటి [మార్చి సూచీ](https://www.anthropic.com/research/economic-index-march-2026-report) లో ఫిబ్రవరిలో Claude.ai సంభాషణల్లో కంప్యూటర్, గణిత పనుల వాటా 35 శాతమని తేలింది. ఇది ఒక ఉత్పత్తి సంభాషణల వాటా మాత్రమే; AI వాడే డెవలపర్‌ల వాటా కాదు. కోడింగ్ వినియోగం APIకీ మారుతోంది. ప్లాట్‌ఫారమ్ ట్రాఫిక్ దానిలోని పనులు, తరచుదనాన్ని వెల్లడించగలదు; దానితోనే మొత్తం ఆర్థిక వ్యవస్థలో ప్రతి వృత్తి స్వీకరణ రేటును లెక్కించలేం.

## ఉత్పాదకత పని, దాని తనిఖీలపై ఆధారపడుతుంది

5,172 మంది కస్టమర్ మద్దతు ఏజెంట్‌లను కలిగిన [దశలవారీ ప్రయోగంలో](https://doi.org/10.1093/qje/qjae044) ఇది ఒక సంస్థ మద్దతు కార్యకలాపాన్ని కొలిచింది; అక్కడ పరిష్కారాలు, పైస్థాయికి మళ్లింపులను ట్రాక్ చేయవచ్చు. ఇతర సేవా విభాగాల పెట్టుబడి లాభాన్ని అధ్యయనం చేయలేదు.

66 సంస్థల్లోని 7,137 మంది పరిజ్ఞాన ఉద్యోగులపై చేసిన [ప్రయోగంలో](https://www.nber.org/papers/w33795) ఇమెయిల్, సమావేశ, రచనా సాఫ్ట్‌వేర్‌లో AI సాధనం యాదృచ్ఛికంగా అందించారు. ఆరు నెలల అధ్యయనం రెండో అర్ధభాగంలో, సాధనం వాడిన చికిత్స బృందంలోని 80 శాతం మంది వారానికి ఇమెయిల్‌పై రెండు గంటలు తక్కువ, సాధారణ పని వేళల తర్వాత తక్కువ సమయం పని చేశారు. ఒక్కొక్కరికి ప్రాప్యత ఇవ్వడం వల్ల పనుల పరిమాణం లేదా మిశ్రమంలో విస్తృత మార్పు వచ్చిందని పరిశోధకులు గుర్తించలేదు. ముగ్గురు రచయితలు Microsoft Researchలో పనిచేశారు; సాధనాన్ని తయారు చేసే Microsoft ప్రయోగాన్ని సహ-నిర్వహించి, ఉత్పత్తి టెలిమెట్రీని అందించింది. ఈ ఫలితం పాల్గొన్న సంస్థలకే వర్తిస్తుంది; కార్యాలయ పనులన్నింటికీ కాదు.

758 మంది Boston Consulting Group సలహాదారులతో 2023లో నిర్వహించి, 2026 మార్చిలో ప్రచురించిన [క్షేత్ర ప్రయోగంలో](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf)GPT-4 బలాలకు ఉద్దేశపూర్వకంగా సరిపడే పనుల్లో వేగం, రేటింగ్ మెరుగయ్యాయని తేలింది. ఇంటర్వ్యూ ఆధారాలను అర్థం చేసుకోవాల్సిన మరో కేసులో AI వినియోగదారులు తప్పు సమాధానం ఇచ్చే అవకాశం ఎక్కువ. BCG అధ్యయనంలో సహకరించింది; అది వినియోగదారులకు అందించిన ఫలితాలకన్నా నిర్వచించిన వ్యాయామాలను పరీక్షించింది.

16 మంది అనుభవజ్ఞులైన open-source డెవలపర్‌లు తమకు తెలిసిన రిపాజిటరీల్లో 246 సమస్యలపై పనిచేసిన [METR యాదృచ్ఛిక అధ్యయనంలో](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) 2025 ప్రారంభపు AI సాధనాలకు ముందస్తు ప్రాప్యత ఇవ్వడం వల్ల పూర్తి చేయడానికి పట్టిన సమయం 19 శాతం పెరిగింది. అయినప్పటికీ, సాధనాలు తమను వేగవంతం చేశాయని డెవలపర్‌లు నమ్మారు. [METR తర్వాతి ప్రయత్నం](https://metr.org/blog/2026-02-24-uplift-update/) కొత్త సాధనాలతో లాభాల సూచన ఇచ్చినా, AI లేకుండా పని చేయనని భావించిన డెవలపర్‌లు తప్పుకోవడం, ఏకకాలంలో నడిచే ఏజెంట్‌ల వల్ల సమయాన్ని కొలవడం క్లిష్టమవడంతో ఆ అంచనా నమ్మదగినది కాదని పరిశోధకులు తేల్చారు. కాబట్టి వేర్వేరు సాధనాలు, సంవత్సరాల్లో కోడింగ్‌పై ఒకే ఉత్పాదకత ప్రభావాన్ని ఈ అధ్యయనాలు స్థాపించలేవు.

కోడింగ్‌లో పనిపై అభిప్రాయం పొందడం అసాధారణంగా సులభం: రిపాజిటరీలు సందర్భాన్ని, మార్పులను భద్రపరుస్తాయి; buildలు, పరీక్షలు, సమీక్షలు వైఫల్యాలను బయటపెట్టవచ్చు. అక్కడ కూడా పరీక్షలో ఉత్తీర్ణతే మొత్తం ఉత్పత్తి కాదు. కస్టమర్ మద్దతులో సమస్య పరిష్కారం, కస్టమర్ స్పందనలు వేరే అభిప్రాయాన్ని ఇస్తాయి. ఇమెయిల్ ముసాయిదా సమయాన్ని ఆదా చేసినా కంపెనీ ఉత్పత్తిని మార్చకపోవచ్చు. న్యాయ, ఆర్థిక లేదా వైద్య సిఫార్సుకు దాని పరిణామాలకు సరిపోయే తనిఖీలు కావాలి; కొనుగోలుదారు సాధన ఖర్చుతో పాటు సమీక్ష పనినీ లెక్కించాలి. కొలమాన సమస్యలు వేర్వేరు కాబట్టి, వినియోగం ఒక్కటే సమాన లోతు లేదా విలువను నిరూపించదు.

## పేరోల్ మారకముందే పని మారవచ్చు

డెన్మార్క్‌లో పరిశోధకులు, ప్రభావితమైన 11 వృత్తుల్లోని ఉద్యోగుల సర్వేలను 7,000 కార్యాలయాల పరిపాలనా రికార్డులతో అనుసంధానించారు. వారి [2026 మార్చి సవరణ](https://www.nber.org/papers/w33777) ప్రకారం, ChatGPT ప్రారంభమైన రెండు సంవత్సరాల తర్వాత కూడా సంస్థలు chatbot ప్రారంభించడం, పనుల మార్పుల నివేదికలు కనిపించాయి; కానీ ఉద్యోగి లేదా కార్యాలయ స్థాయిలో వేతనాలు, నమోదైన పని గంటలపై గుర్తించదగిన ప్రభావం లేదు. 2 శాతానికి మించిన ప్రభావాలను వారి అంచనాలు తోసిపుచ్చుతున్నాయి. ఈ ఫలితం డెన్మార్క్, పరిశీలించిన వృత్తులు, కాలపరిమితికి మాత్రమే వర్తిస్తుంది. తర్వాతి స్వీకరణ వల్ల ఉపాధి మారదని ఇది నిరూపించదు.

ఉద్యోగికి పునరావృత వినియోగం అంటే విస్తృత పనుల మిశ్రమం లేదా ఇమెయిల్‌కు తక్కువ సమయం కావచ్చు. కొనుగోలుదారుకు మొత్తం పనివిధానం సరైన ఫలితాన్ని తగిన ఖర్చుతో ఇస్తుందా అనేదే ప్రశ్న. మద్దతు సమాధానంపై ఆధారపడేవారికి లేదా వృత్తిపరమైన సలహా పొందేవారికి అది సరైనదా, దానికి బాధ్యత వహించేవారెవరో ముఖ్యం. కోడింగ్‌కు మించి వినియోగం విస్తరించిందని, ఎంపిక చేసిన పనుల్లో కొలవగల లాభాలున్నాయని అందుబాటులోని ఆధారాలు మద్దతు ఇస్తున్నాయి. ఇతర ఉద్యోగాలు సాఫ్ట్‌వేర్ అభివృద్ధిలా ఎంత లోతుగా AI వాడతాయో లేదా వాటిపై ఉత్పాదకత, ఉపాధి ప్రభావం ఏమిటో తెలిపే కాలపట్టికకు ఇవి ఇంకా మద్దతు ఇవ్వవు.

## మూలాలు, మరింత చదవడానికి

- [Real-Time Population Survey వినియోగ ట్రాకర్, St. Louis Fed వివరణ](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/), 2026 ఆగస్టు 27: అమెరికాలో గత వారం వినియోగం, AI సహాయం పొందిన పని గంటలు, స్వయంగా నివేదించిన సమయ పొదుపు. పని నాణ్యత లేదా ఆదాయాన్ని గమనించలేదు.
- [OpenAI Enterprise Signals](https://openai.com/signals/enterprise-data/), 2026 ఆగస్టు 12న నవీకరించబడింది: OpenAI సంస్థాగత కస్టమర్‌లలో tokenలు, వారపు చురుకైన వినియోగదారుల కొలమానాలు. వృద్ధి రేట్లకు ప్రారంభ సంఖ్యలు ప్రచురించలేదు.
- [OpenAI, “పని ముందంజలో”](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf), జూలై 2026, దాని [సెప్టెంబర్ అనువర్తన నివేదిక](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf): నమూనాలోని వ్యాపార వినియోగదారుల ChatGPT సందేశాల వర్గీకరణ, పునరావృతం; పూర్తయిన ఉద్యోగ ఫలితాలు కాదు.
- [Anthropic Economic Index, “Cadences”](https://www.anthropic.com/research/economic-index-june-2026-report), 2026 జూన్ 26, మరియు [“Learning curves”](https://www.anthropic.com/research/economic-index-march-2026-report), 2026 మార్చి 24: Claude కార్యకలాపాలు, అవుట్‌పుట్ రకాలు, ఎంపిక చేసిన వినియోగదారుల సర్వే. వాటి లెక్కల ఆధారం Anthropic ట్రాఫిక్, ప్రతిస్పందకులే.
- [Brynjolfsson, Li, Raymond, “పనిలో జనరేటివ్ AI”](https://doi.org/10.1093/qje/qjae044), 2025 ఫిబ్రవరి 4న ఆన్‌లైన్‌లో ప్రచురితం; మే సంచికలోని *Quarterly Journal of Economics*: ఒక సంస్థలో దశలవారీ అమరిక సమయంలో మద్దతు ఏజెంట్‌ల ఉత్పాదకత, ఉద్యోగ నైపుణ్యాల తేడాలు, కస్టమర్ స్పందనలను కొలిచింది.
- [Dillon తదితరులు, “జనరేటివ్ AIతో మారుతున్న పని నమూనాలు”](https://www.nber.org/papers/w33795), 2025 నవంబర్ సవరణ: పాల్గొన్న సంస్థల్లో యాదృచ్ఛిక AI ప్రాప్యత, ఇమెయిల్ సమయం, పనుల మిశ్రమం. ముగ్గురు రచయితలు Microsoft Researchలో పనిచేశారు; Microsoft ప్రయోగాన్ని సహ-నిర్వహించింది.
- [Dell Acqua తదితరులు, అసమాన సాంకేతిక సరిహద్దును నావిగేట్ చేస్తూ](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf), 2023లో నిర్వహించి, 2026 మార్చి 11న ప్రచురించిన ప్రయోగం: వేర్వేరు సలహాదారు వ్యాయామాల్లో వేగం, నాణ్యత రేటింగ్, తప్పులను కొలిచింది.
- [METR డెవలపర్ అధ్యయనం](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) మరియు [2026 ఫిబ్రవరి నవీకరణ](https://metr.org/blog/2026-02-24-uplift-update/): యాదృచ్ఛిక కోడింగ్ ఆధారం, తర్వాతి అధ్యయనంలో ఎంపిక సమస్యలు.
- [Humlum, Vestergaard, “నిశ్చల జలాలు, వేగమైన ప్రవాహాలు”](https://www.nber.org/papers/w33777), 2026 మార్చి సవరణ: పరిపాలనా పని గంటలు, వేతనాలతో అనుసంధానించిన డానిష్ ఉద్యోగి, కార్యాలయ సర్వేలు.

## Sources

- [“పనిలో జనరేటివ్ AI సమయాన్ని ఆదా చేస్తుందా?”](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/) — అమెరికా ఆన్‌లైన్ ప్రాతినిధ్య సర్వే: గత వారం వినియోగం, AI సహాయం పొందిన గంటలు, స్వయంగా తెలిపిన పొదుపు; నిర్ధారించిన అవుట్‌పుట్ లేదా ఆదాయం లేదు.
- [“ఎంటర్‌ప్రైజ్ సంకేతాలు”](https://openai.com/signals/enterprise-data/) — OpenAI సంస్థాగత టెలిమెట్రీ: విభాగాల వారీ Codex వినియోగదారులు, tokenల మిశ్రమం. ప్రచురించని ప్రారంభ సంఖ్యలు, ఎక్కువ tokenలు తయారుచేసే ఏజెంట్‌లు అంచనాను పరిమితం చేస్తాయి.
- [“పని ముందంజలో: AI పనిలో మనుషులు చేసే పనులను ఎలా విస్తరిస్తోంది”](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf) — 800,000కు పైగా పని సందేశాలపై OpenAI వర్గీకరణ; స్వంత వృత్తికి వెలుపలి పనుల వాటా సందేశాలది, పూర్తయిన పని కాదు.
- [“పని ముందంజలో: ఉద్యోగులు పని చేసే కొత్త మార్గాలను ఎలా కనుగొంటున్నారు”](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf) — OpenAI ఎంపిక చేసిన వినియోగదారుల పునరావృత-వినియోగ అధ్యయనం; పునరావృత అభ్యర్థనలు ఉద్యోగ పునర్నిర్మాణాన్ని నిరూపించవు.
- [Anthropic Economic Index: “Cadences”](https://www.anthropic.com/research/economic-index-june-2026-report) — Claude వినియోగ నమూనాలు, సుమారు 9,700 మంది ఎంపిక చేసిన వినియోగదారుల ప్రాతినిధ్యం లేని సర్వే.
- [Anthropic Economic Index: “Learning curves”](https://www.anthropic.com/research/economic-index-march-2026-report) — 2026 ఫిబ్రవరి Claude.ai, API నమూనాలు. కోడింగ్ సంబంధిత 35 శాతం Claude.ai సంభాషణల వాటా మాత్రమే.
- [“పనిలో జనరేటివ్ AI”](https://doi.org/10.1093/qje/qjae044) — 2025 మే సంచికలో ప్రచురించిన Quarterly Journal of Economics అధ్యయనం: ఒక సంస్థ మద్దతు కార్యకలాపాల్లో 5,172 ఏజెంట్‌లు; సగటున గంటకు 15 శాతం ఎక్కువ సమస్యలు పరిష్కరించారు. కొత్త ఉద్యోగుల్లో లాభాలు కేంద్రీకృతం; అత్యంత నైపుణ్యవంతుల్లో నాణ్యత స్వల్పంగా తగ్గింది. కస్టమర్‌లు మర్యాదగా మారి, నిర్వాహకుడిని అడిగే అవకాశం తగ్గింది. సాధారణ పెట్టుబడి లాభం లేదా ఉపాధి ప్రభావం లేదు.
- [“జనరేటివ్ AIతో మారుతున్న పని నమూనాలు”](https://www.nber.org/papers/w33795) — NBER 2025 మే సంచిక, 2025 నవంబర్ సవరణ (తేదీ ఇవ్వలేదు). 66 సంస్థల్లో 7,137 మంది ఉద్యోగుల యాదృచ్ఛిక అధ్యయనం. ముగ్గురు రచయితలు Microsoft Researchలో పనిచేశారు; Microsoft సాధనాన్ని తయారు చేసి, ప్రయోగాన్ని సహ-నిర్వహించి, టెలిమెట్రీ ఇచ్చింది.
- [అసమాన సాంకేతిక సరిహద్దును నావిగేట్ చేస్తూ](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf) — BCGతో సంబంధం ఉన్న నియంత్రిత సలహాదారు వ్యాయామాలు 2023లో జరిగాయి; 2026 మార్చి 11న Organization Scienceలో ప్రచురితమయ్యాయి. పనిని బట్టి లాభాలు, తప్పులు మారాయి; క్లయింట్ ఫలితాలు కొలవలేదు.
- [METR ప్రారంభ 2025 డెవలపర్ ఉత్పాదకత అధ్యయనం](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) — 16 మంది డెవలపర్‌లు, 246 సమస్యల యాదృచ్ఛిక అధ్యయనం; పరిమిత నమూనాలో పాత సాధనాలతో పని 19 శాతం ఎక్కువ సమయం పట్టింది.
- [METR డెవలపర్ ఉత్పాదకత ప్రయోగ నవీకరణ](https://metr.org/blog/2026-02-24-uplift-update/) — ఎంపిక, సమయ కొలత సమస్యల వల్ల తర్వాతి వేగవృద్ధి అంచనాలు నమ్మదగినవి కాదని పరిశోధకుల వివరణ.
- [“నిశ్చల జలాలు, వేగమైన ప్రవాహాలు”](https://www.nber.org/papers/w33777) — NBER 2025 మే సంచిక, 2026 మార్చి సవరణ (తేదీ ఇవ్వలేదు). డానిష్ సర్వే, పరిపాలనా అధ్యయనంలో ప్రారంభ దశలో వేతనాలు, నమోదైన పని గంటలపై పరిమితమైన శూన్య ప్రభావం కనిపించింది.