Ang maikling bersyon
edisyong 2026Mga pangunahing takeaway
Ang bawat takeaway ay nagli-link sa canonical data row nito. Ang mga naiulat na numero ay pagmamay-ari ng kanilang binanggit na producer; ang mga tinantyang resulta ay may label bilang mga kalkulasyon.
- Eksperimento sa pagsulat: mas mababang oras ng gawain na may tulong ng AI: 40% (eksperimento noong 2023; nai-publish noong Hulyo 2023).MIT / Noy at Zhang
- Eksperimento sa pagsulat: mas mataas na tinatayang kalidad ng output: 18% (eksperimento noong 2023; nai-publish noong Hulyo 2023).MIT / Noy at Zhang
- Eksperimento sa pagkonsulta: pagtaas sa mga subtask na nakumpleto: 12.2% (Pag-aaral unang inilabas noong 2023; nai-publish na buod ng pag-aaral noong Abril 2026).Harvard Business School AI Institute / Dell’Acqua at mga kasamahan
- Eksperimento sa pagkonsulta: humigit-kumulang mas mataas na kalidad sa pagsasanay sa inobasyon: 32% (Pag-aaral unang inilabas noong 2023; nai-publish na buod ng pag-aaral noong Abril 2026).Harvard Business School AI Institute / Dell’Acqua at mga kasamahan
- Gawain sa estratehiya: mga tamang sagot na walang AI: 84.5% (Pag-aaral unang inilabas noong 2023; buod ng inilathalang pag-aaral noong Abril 2026).Harvard Business School AI Institute / Dell’Acqua at mga kasamahan
- Gawain sa estratehiya: mga tamang sagot na may GPT-4 access: 70.6% (Pag-aaral unang inilabas noong 2023; buod ng inilathalang pag-aaral noong Abril 2026).Harvard Business School AI Institute / Dell’Acqua at mga kasamahan
- Gawain sa estratehiya: mga tamang sagot na may GPT-4 at prompt overview: 60% (Pag-aaral unang inilabas noong 2023; buod ng inilathalang pag-aaral noong Abril 2026).Harvard Business School AI Institute / Dell’Acqua at mga kasamahan
- Eksperimento sa Copilot: nabawasan ang oras ng pagkumpleto sa isang coding assignment: 55.8% (Mayo 15–Hunyo 20, 2022).Peng, Kalliamvakou, Cihon at Demirer
- METR na eksperimento sa unang bahagi ng 2025: mas mahabang oras ng pagkumpleto na may pinapayagang AI: 19% (Pebrero–Hunyo 2025).METR
- Mga kalahok sa METR: napansin na pagbilis ng AI pagkatapos ng eksperimento: 20% (Pebrero–Hunyo 2025).METR
Nakakatulong ba ang AI sa maikling mga gawain sa propesyonal na pagsulat?
Natuklasan ng eksperimento sa pagsulat ang mas kaunting oras na ginugol at mas mataas na tinatayang kalidad na may tulong. Ang mga itinalaga nito ay hindi nangailangan ng buong katumpakan ng katotohanan o konteksto ng organisasyon ng maraming tunay na dokumentong nakaharap sa customer.
| Resulta kumpara sa kontrol | Iniulat na pagbabago |
|---|---|
| Pagbawas sa oras ng gawain | 40%Randomized na eksperimento |
| Pagtaas sa nasuring kalidad | 18%Randomized na eksperimento |
Ang pagpapabuti ng kalidad-puntos at ang pagbawas ng oras ay magkaibang mga resulta at hindi dapat pagsamahin.
Pangunahing pinagmulan: MIT / Noy at Zhang — Hulyo 14, 2023
Maaari bang mapabuti ng AI ang isang gawain sa pagkonsulta at makapinsala sa isa pa?
Oo. Ang pag-aaral ay naghihiwalay ng mga gawain na kayang hawakan ng modelo mula sa isang problema sa estratehiya kung saan ito ay hindi maaasahan. Ang produktibidad sa unang set ay hindi nagtatag ng katumpakan sa pangalawa.
| Resulta at kondisyon | Iniulat na porsyento |
|---|---|
| Mas maraming subtask ang nakumpleto sa ehersisyo ng inobasyon | 12.2%Randomized na eksperimento |
| Mas mataas na kalidad sa pagsasanay sa inobasyon, humigit-kumulang | 32%Randomized na eksperimento |
| Tamang sagot sa estratehiya: walang AI | 84.5%Randomized na eksperimento |
| Tamang sagot sa estratehiya: GPT-4 access | 70.6%Randomized na eksperimento |
| Tamang sagot sa estratehiya: GPT-4 kasama ang prompt overview | 60%Randomized na eksperimento |
Ang pagtatantya ng kalidad ay tinatayang lamang. Ito ay historikal na ebidensya ng GPT-4, hindi isang benchmark ng mga modelo ngayon.
Pangunahing pinagmulan: Harvard Business School AI Institute / Dell’Acqua at mga kasamahan — Abril 9, 2026
Bakit ang mga pag-aaral sa coding ay nag-uulat ng iba't ibang epekto sa produktibidad?
Ang isang standalone coding assignment at maintenance sa loob ng isang mature na repository ay magkaibang mga gawain. Gumamit din ang mga pag-aaral ng magkaibang mga henerasyon ng modelo at mga pamamaraan ng recruitment. Ang kanilang mga resulta ay dapat manatiling hiwalay sa halip na average.
| Pag-aaral at resulta | Iniulat na pagbabago |
|---|---|
| Pag-assign ng Copilot: pagbawas sa oras ng pagkumpleto | 55.8%Randomized na eksperimento |
| METR: pagtaas sa aktwal na oras ng pagkumpleto | 19%Randomized na eksperimento |
| METR: inaasahang pagbilis bago ang trabaho | 24%Persepsyon ng kalahok |
| METR: napansin na pagbilis pagkatapos ng trabaho | 20%Persepsyon ng kalahok |
Ang kasunod na follow-up ng METR ay nag-ulat ng malubhang problema sa pagpili at pagsukat ng oras. Ang mga may-akda nito ay hindi itinuturing ang follow-up bilang isang maaasahang pagtatantya ng kasalukuyang epekto; ang makasaysayang pagbagal ay hindi isang pag-aangkin tungkol sa lahat ng mga developer sa 2026.
Mga pangunahing pinagmulan: Peng, Kalliamvakou, Cihon at Demirer — Pebrero 13, 2023 · METR — Hulyo 10, 2025 · METR — Pebrero 24, 2026
Ano ang ibig sabihin ng bawat sinusukat na pagbabago sa oras sa parehong baseline?
Ang isang baseline index ay ginagawang mas madaling basahin ang aritmetika nang hindi pinagsasama ang mga pag-aaral. Ang bawat control condition ay binibigyan ng parehong panimulang index; ang nagresultang assisted index ay tumutukoy lamang sa sarili nitong eksperimento.
| Eksperimento | Assisted time index; control = 100 |
|---|---|
| Eksperimento sa pagsulat | 60Normalisadong kalkulasyon |
| Pag-assign ng Copilot | 44.2Normalisadong kalkulasyon |
| Mga gawain sa repositoryo ng METR | 119Normalisadong kalkulasyon |
Normalisasyon ng Workspace369, hindi isang bagong naobserbahang resulta. Ang mas mababa ay nangangahulugang mas kaunting oras. Ang pagbawas sa oras ay hindi pareho sa porsyento ng pagtaas ng throughput, at walang throughput estimate ang inaangkin.
Mga pangunahing pinagmulan: MIT / Noy at Zhang — Hulyo 14, 2023 · Peng, Kalliamvakou, Cihon at Demirer — Pebrero 13, 2023 · METR — Hulyo 10, 2025
Paano dapat subukan ng isang negosyo ang pagtitipid ng oras ng AI?
Magtakda ng isang paulit-ulit na gawain at isang pamantayan sa pagtanggap bago ihambing ang assisted at unassisted na trabaho. Isama ang paghahanda ng prompt, fact checking, pagsusuri at rework. Panatilihing hindi nagbabago ang access sa data ng customer at mga kinakailangan sa pag-apruba ng tao sa buong paghahambing.
Subaybayan ang oras at kalidad. Huwag maglapat ng porsyento ng gawain sa pagsulat sa buong payroll o ipagpalagay ang parehong resulta para sa isang autonomous agent.
Paano binuo ang ulat na ito
Metodolohiya at mga limitasyon
- Ito ay isang napiling paghahambing ng ebidensya, hindi isang sistematikong pagsusuri o meta-analysis. Ang mga pag-aaral ay isinama para sa mga natukoy na gawain, orihinal na ebidensya ng producer at malinaw na nakasaad na mga depinisyon ng resulta.
- Ang mga pigura ng pagsulat at pagkonsulta ay gumagamit ng mga pampublikong buod ng kanilang mga institusyon sa pananaliksik ng mga nai-publish na pag-aaral. Ang coding paper at METR report ay nagbibigay ng orihinal na detalye ng eksperimento. Ang mga working-paper at nai-publish na bersyon ay hindi pinaghalo.
- Ang mga sinukat na resulta at ang mga napansin na pagbilis ay may magkahiwalay na mga label ng ebidensya. Ang kalkulasyon ng time-index ay gumagamit lamang ng mga pagbabago sa oras ng pagkumpleto na nasukat; ang mga paniniwala sa survey ay hindi kasama dito.
- Ang mga bersyon ng modelo at mga petsa ng pag-aaral ay nananatiling nakakabit sa mga natuklasan. Sinuri namin ang follow-up ng METR at pinanatili ang babala nito tungkol sa pagiging maaasahan ng mga mas bagong pagtatantya.
Ano ang hindi masasabi sa iyo ng mga numerong ito
- Ang mga napiling eksperimento ay hindi makapagtatatag ng isang unibersal na AI return on investment. Ang iba't ibang mga gawain, mga kondisyon ng kontrol, mga kalahok at mga pagsusuri sa kalidad ay pumipigil sa isang mapagkakatiwalaang pinagsamang porsyento.
- Ang mga laki ng sample ay naglalarawan ng saklaw ng pag-aaral, hindi mga independiyenteng pag-uulit. Ang pakikilahok ng vendor sa pag-aaral ng Copilot ay may kaugnayan sa interpretasyon.
- Ang mga historikal na resulta ay hindi nagtatatag ng mga kakayahan ng mga modelong magagamit ngayon. Ang normalisasyon ay hindi kasama ang mga gastos sa pagpapatupad o nagpapakita ng napapanatiling taunang pagtitipid.
Pagiging sariwa at mga pagwawasto
Pinapanatili ng editorial team ng Workspace369. Suriin ang quarterly at kapag ang isang sinipi na producer ay naglabas ng kapalit na pag-aaral. Susunod na editoryal na pagsusuri: Disyembre 2026. Panatilihin ang mga historikal na bersyon ng modelo at mga petsa ng obserbasyon. Ang petsa ng edisyon ay nagbabago lamang kapag ang ebidensya o nilalaman ay nasuri nang substantively; hindi nito binabago ang pinagbabatayan na panahon ng obserbasyon.
Unang edisyon: . Sinuri ang pagkuha ng data, pagkilala sa pinagmulan, at aritmetika para sa edisyong ito. Walang independiyenteng peer review na inaangkin.
Nakahanap ng error o mas bagong pangunahing release? Magpadala ng pagwawasto kasama ang pinagmulan at ang apektadong istatistika. Ang mga nakumpirmang pagwawasto ay dapat itala sa kasaysayan ng rebisyon bago muling ilathala.
Mga pangunahing pinagmulan at provenance
Ang bawat naiulat na numerong cell ay direktang nagli-link sa producer nito. Kasama sa mga download ang eksaktong mga lokasyon ng talahanayan o workbook, mga panahon ng obserbasyon, mga petsa ng pag-access, mga formula at mga sanggunian sa input.
- MIT / Noy at ZhangAnunsyo ng pananaliksik ng MIT para sa inilathalang eksperimento sa pagsulat sa Science ↗Nai-publish noong Hulyo 14, 2023. Na-access noong Setyembre 12, 2026.Ang mga napiling factual na obserbasyon ay binigyan ng paraphrasing na may attribution. Walang pinagmulan na ulat, chart, data ng kalahok o proprietary database ang muling ipinamamahagi; ang mga karapatan ng pinagmulan ay nananatili sa gumawa nito.
- Harvard Business School AI Institute / Dell’Acqua at mga kasamahanBumalik sa Simula ng AI sa Trabaho: pagsusuri ng institusyon sa nai-publish na eksperimento sa pagkonsulta ↗Nai-publish noong Abril 9, 2026. Na-access noong Setyembre 12, 2026.Ang mga napiling factual na obserbasyon ay binigyan ng paraphrasing na may attribution. Walang pinagmulan na ulat, chart, data ng kalahok o proprietary database ang muling ipinamamahagi; ang mga karapatan ng pinagmulan ay nananatili sa gumawa nito.
- Peng, Kalliamvakou, Cihon at DemirerAng Epekto ng AI sa Produktibidad ng Developer: Ebidensya mula sa GitHub Copilot, arXiv v1 ↗Nai-publish noong Pebrero 13, 2023. Na-access noong Setyembre 12, 2026.Ang mga napiling factual na obserbasyon ay binigyan ng paraphrasing na may attribution. Walang pinagmulan na ulat, chart, data ng kalahok o proprietary database ang muling ipinamamahagi; ang mga karapatan ng pinagmulan ay nananatili sa gumawa nito.
- METRPagsukat sa Epekto ng AI sa Unang Bahagi ng 2025 sa Produktibidad ng mga May Karanasang Open-Source Developer ↗Nai-publish noong Hulyo 10, 2025. Na-access noong Setyembre 12, 2026.Ang mga napiling factual na obserbasyon ay binigyan ng paraphrasing na may attribution. Walang pinagmulan na ulat, chart, data ng kalahok o proprietary database ang muling ipinamamahagi; ang mga karapatan ng pinagmulan ay nananatili sa gumawa nito.
- METRBinabago Namin ang Disenyo ng Aming Developer Productivity Experiment ↗Nai-publish noong Pebrero 24, 2026. Na-access noong Setyembre 12, 2026.Ang mga napiling factual na obserbasyon ay binigyan ng paraphrasing na may attribution. Walang pinagmulan na ulat, chart, data ng kalahok o proprietary database ang muling ipinamamahagi; ang mga karapatan ng pinagmulan ay nananatili sa gumawa nito.
Ginawa para suriin, pagkatapos ay sipiin
Paano banggitin ang ulat na ito
Para sa isang istatistika na naiulat ng pinagmulan, kilalanin ang orihinal na publisher at mag-link sa eksaktong row dito kapag ginagamit ang aming kompilasyon. Para sa isang modeled na resulta, banggitin ang Workspace369 at isama ang mga pagpapalagay. Ang pag-link sa pahinang ito ay hindi ginagawang orihinal na producer namin ng third-party data.
Workspace369. (2026-09-12). AI Productivity and Time-Savings Benchmarks. https://workspace369.com/research/ai-productivity-time-savings-benchmarks/. Mga pangunahing pinagmulan at panahon ng obserbasyon tulad ng nakalista sa ulat.
Ang mga download ay mga reference dataset sa wikang Ingles, kabilang ang sa mga isinaling pahina. Ang mga karapatan sa pinagmulan ay nananatili sa kanilang mga producer. I-attribute ang kompilasyon at mga kalkulasyon ng Workspace369; konsultahin ang mga tuntunin sa muling paggamit ng bawat pinagmulan.