近期围绕“效率提升”的报道高度集中于AI Agent（智能体）在知识工作和软件开发中的突破性表现，呈现出一系列量化的、令人瞩目的成果。
哈佛与Perplexity的联合研究是核心亮点，结果显示自主AI Agent能将知识工作任务时间缩短87%，成本降低94%，相比传统搜索方式效率大幅提升（哈佛与Perplexity研究：AI智能体缩短任务时间87%，成本降94%）。该研究进一步支撑了AI Agent正在重塑知识工作自主性的观点（AI Agent 重塑知识工作：自主性、效率与范围）。在企业级应用中，Stripe完成了5000万行代码的迁移工程，AI工具Fable 5仅用一天即完成原本需要人工两个月的任务（Stripe 5000万行代码迁移：Fable 5一天完成，人工需两月）。Anthropic的内部数据也显示，Claude已编写超过80%的代码，工程师效率提升8倍（Anthropic 内部数据：Claude 已编写超 80% 代码，工程师效率提升 8 倍）。
但同时，有观点指出Agent并未抹平能力差距，反而放大了不同使用者的效率差异（Agent 不是抹平差距，而是放大能力差距）。这意味着掌握高阶提示词技巧（如Replit所教的“像专家一样写提示词”Replit 教你如何像专家一样写提示词）或使用特定命令（如/goal命令使长任务稳定执行用 /goal 命令让长任务稳定执行，Jim Liu 分享实用技巧）的人，将获得不成比例的效率红利。
当前焦点已从“AI能否提升效率”转向“如何公平分配效率收益”。未来的观察点包括：个人与组织间效率差异的扩大是否带来新的不平等；以及长任务稳定性、提示词工程等应用层面的挑战能否被系统性地解决。