A rövid verzió
2026-os kiadásFőbb megállapítások
Minden átvétel a kanonikus adatsorához kapcsolódik. A jelentett számok az idézett előállítójukhoz tartoznak; a modellezett eredményeket számításokként jelöljük.
- Írási kísérlet: alacsonyabb feladatidő AI segítséggel: 40% (2023 kísérlet; 2023 júliusában publikálva).MIT / Noy és Zhang
- Írási kísérlet: magasabb értékelt kimeneti minőség: 18% (2023 kísérlet; 2023 júliusában publikálva).MIT / Noy és Zhang
- Tanácsadói kísérlet: növekedés az elvégzett alfeladatokban: 12,2% (Tanulmány először 2023-ban jelent meg; közzétett tanulmány összefoglaló 2026 áprilisában).Harvard Business School AI Institute / Dell’Acqua és munkatársai
- Tanácsadói kísérlet: körülbelül magasabb minőség az innovációs gyakorlaton: 32% (Tanulmány először 2023-ban jelent meg; közzétett tanulmány összefoglaló 2026 áprilisában).Harvard Business School AI Institute / Dell’Acqua és munkatársai
- Stratégiai feladat: helyes válaszok MI nélkül: 84,5% (Tanulmány először 2023-ban jelent meg; publikált tanulmány összefoglaló 2026. április).Harvard Business School AI Institute / Dell’Acqua és munkatársai
- Stratégiai feladat: helyes válaszok GPT-4 hozzáféréssel: 70,6% (Tanulmány először 2023-ban jelent meg; publikált tanulmány összefoglaló 2026. április).Harvard Business School AI Institute / Dell’Acqua és munkatársai
- Stratégiai feladat: helyes válaszok GPT-4 és prompt áttekintéssel: 60% (Tanulmány először 2023-ban jelent meg; publikált tanulmány összefoglaló 2026. április).Harvard Business School AI Institute / Dell’Acqua és munkatársai
- Copilot kísérlet: csökkentett befejezési idő egy kódolási feladaton: 55,8% (2022. május 15–június 20).Peng, Kalliamvakou, Cihon és Demirer
- METR 2025 eleji kísérlet: hosszabb befejezési idő MI engedélyezésével: 19% (2025. február–június).METR
- METR résztvevők: vélt MI gyorsulás a kísérlet után: 20% (2025. február–június).METR
Segít az AI a rövid, professzionális írásfeladatokban?
Az írási kísérlet kevesebb időt és magasabb értékelt minőséget talált segítséggel. Feladatai nem igényelték a sok valós ügyfél-orientált dokumentum teljes ténybeli pontosságát vagy szervezeti kontextusát.
| Eredmény a kontrollhoz képest | Jelentett változás |
|---|---|
| Csökkentés a feladatidőben | 40%Randomizált kísérlet |
| Növekedés az értékelt minőségben | 18%Randomizált kísérlet |
A minőségi pontszám javítása és az idő csökkentése eltérő eredmények, és nem szabad őket összeadni.
Elsődleges forrás: MIT / Noy és Zhang — 2023. július 14.
Javíthatja-e az AI az egyik tanácsadási feladatot, és árthat-e egy másiknak?
Igen. A tanulmány szétválasztja azokat a feladatokat, amelyeket a modell képes volt kezelni, egy stratégiai problémától, amelyben megbízhatatlan volt. Az első csoport termelékenysége nem állapítja meg a pontosságot a másodikban.
| Eredmény és feltétel | Jelentett százalék |
|---|---|
| Több alfeladat teljesült az innovációs gyakorlaton | 12.2%Randomizált kísérlet |
| Magasabb minőség az innovációs gyakorlaton, körülbelül | 32%Randomizált kísérlet |
| Helyes stratégia válasz: nincs AI | 84.5%Randomizált kísérlet |
| Helyes stratégia válasz: GPT-4 hozzáférés | 70.6%Randomizált kísérlet |
| Helyes stratégia válasz: GPT-4 plus prompt áttekintés | 60%Randomizált kísérlet |
A minőségi becslés hozzávetőleges. Ez történelmi GPT-4 bizonyíték, nem pedig a mai modellek viszonyítási alapja.
Elsődleges forrás: Harvard Business School AI Institute / Dell’Acqua és munkatársai — 2026. április 9.
Miért jelentenek a kódolási tanulmányok eltérő termelékenységi hatásokat?
Egy önálló kódolási feladat és egy érett adattárban történő karbantartás eltérő feladatok. A tanulmányok különböző modellgenerációkat és toborzási módszereket is használtak. Eredményeiket külön kell kezelni, nem átlagolni.
| Tanulmány és eredmény | Jelentett változás |
|---|---|
| Copilot hozzárendelés: csökkenés a befejezési időben | 55.8%Randomizált kísérlet |
| METR: tényleges befejezési idő növekedése | 19%Randomizált kísérlet |
| METR: várt gyorsulás a munka előtt | 24%Résztvevői észlelés |
| METR: vélt gyorsulás a munka után | 20%Résztvevői észlelés |
A METR későbbi utánkövetése komoly kiválasztási és időmérési problémákat jelentett. Szerzői nem tekintik az utánkövetést a jelenlegi hatás megbízható becslésének; a történelmi lassulás nem vonatkozik minden fejlesztőre 2026-ban.
Elsődleges források: Peng, Kalliamvakou, Cihon és Demirer — 2023. február 13. · METR — 2025. július 10. · METR — 2026. február 24.
Mit jelent az egyes mért időváltozások azonos alapvonalon?
Egy alapindex megkönnyíti az aritmetika olvasását az egyes tanulmányok összevonása nélkül. Minden kontrollfeltételhez ugyanaz a kezdőindex tartozik; az eredményül kapott segített index csak a saját kísérletére vonatkozik.
| Kísérlet | Segített időindex; kontroll = 100 |
|---|---|
| Írási kísérlet | 60Normalizált számítás |
| Copilot hozzárendelés | 44.2Normalizált számítás |
| METR tároló feladatok | 119Normalizált számítás |
Workspace369 normalizálás, nem új megfigyelt eredmény. Az alacsonyabb kevesebb időt jelent. Az idő csökkenése nem azonos a teljesítmény százalékos növekedésével, és nem állítunk elő teljesítménybecslést.
Elsődleges források: MIT / Noy és Zhang — 2023. július 14. · Peng, Kalliamvakou, Cihon és Demirer — 2023. február 13. · METR — 2025. július 10.
Hogyan teszteljen egy üzletág AI időmegtakarítást?
Ismételhető feladat és elfogadási szabvány meghatározása a segített és nem segített munka összehasonlítása előtt. Tartalmazza a prompt előkészítését, tényellenőrzést, felülvizsgálatot és az ismételt munkát. Tartsa változatlanul az ügyféladatokhoz való hozzáférést és az emberi jóváhagyási követelményeket az összehasonlítás során.
Kövesse nyomon mind az időt, mind a minőséget. Ne alkalmazzon írási feladat százalékot egy teljes bérszámfejtésre, és ne feltételezzen ugyanazt az eredményt egy autonóm ügynök számára.
Hogyan épült ez a jelentés
Módszertan és korlátok
- Ez egy kiválasztott bizonyíték-összehasonlítás, nem pedig szisztematikus áttekintés vagy metaanalízis. A tanulmányokat azonosítható feladatok, eredeti előállítói bizonyítékok és egyértelműen megfogalmazott kimeneti definíciók alapján vették fel.
- Az írási és tanácsadási számok a kutatóintézeteik publikált tanulmányainak nyilvános összefoglalóit használják. A kódolási cikk és a METR jelentés eredeti kísérleti részleteket tartalmaz. A munkaverzió és a publikált verziók nincsenek keverve.
- A mért eredmények és a vélt gyorsulások külön bizonyítékcímkéket kapnak. Az időindex-számítás csak a mért befejezési idő változásait használja; a felmérésbeli vélemények nincsenek benne.
- A modellverziók és a tanulmány dátumai továbbra is a megállapításokhoz kapcsolódnak. Ellenőriztük a METR utánkövetését, és megtartottuk annak figyelmeztetését az újabb becslések megbízhatóságával kapcsolatban.
Amit ezek a számok nem mondhatnak el
- A kiválasztott kísérletek nem tudnak egyetemes MI megtérülést megállapítani. Az eltérő feladatok, kontrollfeltételek, résztvevők és minőségi tesztek megakadályozzák egy védhető, összevont százalékos arányt.
- A mintaméretek a tanulmány terjedelmét írják le, nem pedig független megismétléseket. A Copilot tanulmányban való részvétel releváns a értelmezéshez.
- A múltbeli eredmények nem állapítják meg a ma elérhető modellek képességeit. A normalizálás nem tartalmazza a bevezetési költségeket, és nem mutatja a fenntartott éves megtakarításokat.
Frissesség és javítások
A Workspace369 szerkesztősége tartja karban. Negyedévente és amikor egy hivatkozott gyártó új tanulmányt ad ki, felülvizsgálatra kerül. Következő szerkesztői felülvizsgálat: 2026. december. A korábbi modellverziók és megfigyelési dátumok megőrzése. A kiadás dátuma csak akkor változik, ha az bizonyítékot vagy tartalmat lényegesen felülvizsgálnak; nem változtatja meg az alapul szolgáló megfigyelési időszakot.
Első kiadás: . Az adatkinyerést, a forrásmegjelölést és az aritmetikai számításokat ellenőrizték ehhez a kiadáshoz. Független szakértői felülvizsgálatot nem vállaltunk.
Hibát vagy újabb elsődleges kiadást talált? Küldjön egy javítást a forrással és az érintett statisztikával. A megerősített javításokat az ismételt közzététel előtt rögzíteni kell az átnézeti előzményekben.
Elsődleges források és eredet
Minden jelentett numerikus cella közvetlenül a kiadójához kapcsolódik. A letöltések tartalmazzák a pontos tábla- vagy munkafüzet helyét, a megfigyelési időszakokat, a hozzáférési dátumokat, a képleteket és a bemeneti hivatkozásokat.
- MIT / Noy és ZhangMIT kutatási bejelentés a megjelent Science íráskísérletről ↗2023. július 14-én jelent meg. Elérve: 2026. szeptember 12.Kiválasztott ténybeli megfigyelések átfogalmazva, hivatkozással. Nem kerül sor forrásjelentés, grafikon, résztvevői adat vagy saját adatbázis újraelosztására; a forrásjogok a producerüknél maradnak.
- Harvard Business School AI Institute / Dell’Acqua és munkatársaiVissza az AI munkahelyi kezdeteihez: a közzétett tanácsadói kísérlet intézményi áttekintése ↗2026. április 9-én jelent meg. Elérve: 2026. szeptember 12.Kiválasztott ténybeli megfigyelések átfogalmazva, hivatkozással. Nem kerül sor forrásjelentés, grafikon, résztvevői adat vagy saját adatbázis újraelosztására; a forrásjogok a producerüknél maradnak.
- Peng, Kalliamvakou, Cihon és DemirerAz MI hatása a fejlesztői termelékenységre: bizonyíték a GitHub Copilotból, arXiv v1 ↗2023. február 13-án jelent meg. Elérve: 2026. szeptember 12.Kiválasztott ténybeli megfigyelések átfogalmazva, hivatkozással. Nem kerül sor forrásjelentés, grafikon, résztvevői adat vagy saját adatbázis újraelosztására; a forrásjogok a producerüknél maradnak.
- METRA 2025 eleji MI hatásának mérése a tapasztalt nyílt forráskódú fejlesztői termelékenységre ↗2025. július 10-én jelent meg. Elérve: 2026. szeptember 12.Kiválasztott ténybeli megfigyelések átfogalmazva, hivatkozással. Nem kerül sor forrásjelentés, grafikon, résztvevői adat vagy saját adatbázis újraelosztására; a forrásjogok a producerüknél maradnak.
- METRVáltoztatunk a fejlesztői termelékenységi kísérletünk kialakításán ↗2026. február 24-én jelent meg. Elérve: 2026. szeptember 12.Kiválasztott ténybeli megfigyelések átfogalmazva, hivatkozással. Nem kerül sor forrásjelentés, grafikon, résztvevői adat vagy saját adatbázis újraelosztására; a forrásjogok a producerüknél maradnak.
Úgy készült, hogy ellenőrizhető, majd idézhető legyen
Hogyan hivatkozzunk erre a jelentésre
Egy közzétett statisztikához hivatkozzon az eredeti kiadóra, és linkelje be ide a pontos sort, amikor a mi összeállításunkat használja. Egy modellezett eredményhez hivatkozzon a Workspace369-re, és adja meg az alapfeltevéseket. Az oldalra való hivatkozás nem tesz minket a harmadik féltől származó adatok eredeti előállítójává.
Workspace369. (2026-09-12). AI termelékenységi és időmegtakarítási viszonyítási alapok. https://workspace369.com/research/ai-productivity-time-savings-benchmarks/. Elsődleges források és megfigyelési időszakok a jelentésben felsoroltak szerint.
A letöltések angol nyelvű referenciatartalmak, beleértve a lefordított oldalakat is. A forrásjogok a producereké maradnak. A Workspace369 összeállítását és számításait tüntesse fel; olvassa el az egyes források újrafelhasználási feltételeit.