Perplexity Lanserar "Teammates" — Agenter Som Aldrig Slutar För Dagen

Perplexity Lanserar "Teammates" — Agenter Som Aldrig Slutar För Dagen

Perplexity lanserade Teammates den 5 november, bestående agenter för Max-prenumeranter (200 USD/månad) som kommer ihåg kontext, driver projekt och arbetar agent-till-agent utan att en människa behöver mata in nya instruktioner var femte minut [1]. VD Aravind Srinivas gick rakt på sak: Perplexity har under 30 dagar kört ungefär 10 000 interna "teammates" — omkring 20 gånger deras faktiska personalstyrka — där den genomsnittliga medarbetaren nu loggar 7 gånger så många agent-timmar som i september, och var femte anställd kör sina agenter över 40 timmar i veckan [2][3].

Vad gör dessa agenter egentligen? Inga leksaksuppgifter — felsökning, QA, säkerhetsövervakning, A/B-testning, tillväxtmarknadsföring. Det här är ett företag som kör sin egen interna verksamhet som testbädd för AI-infödda arbetsflöden, och siffrorna tyder på att det håller.

Srinivas har varit öppen på X om agenter som prompear andra agenter och om att använda git som den slutgiltiga sanningskällan istället för en mänsklig inkorg. Det är en betydelsefull signal: när "chefen" i ett arbetsflöde allt oftare är en annan agent, börjar organisationsschemat se mindre ut som rapporteringslinjer och mer som orkestreringsgrafer.

Exo: Agenter Som Blir Billigare och Bättre Medan De Arbetar

Ett nytt arXiv-dokument från UC Berkeley (inskickat 30 oktober) introducerar Exo, en runtime-arkitektur som låter agenter säkert redigera sin egen kod och sina egna policyer mitt under en uppgift — inlärning inom ramverket, inte omträning på någon extern datamängd i efterhand [1][2]. Resultaten är den typen av siffror som får CFO:er att spetsa öronen: 35–61 % kostnadsminskningar på AppWorld- och SREGym-benchmarks vid jämförbar korrekthet, med 35 % kortare diagnostid i SREGym och 13 % kortare uppgiftstid i AppWorld [1].

Det här är en annan typ av framsteg än "större modell, bättre benchmark." Exo handlar om agenter som förbättrar sina egna arbetsrutiner medan de körs, inom skyddsräcken utformade för att göra denna självredigering säker. På Continual Learning Bench skar den ner kostnaderna med 14 % även efter att man räknat med overheaden från själva inlärningen.

GitHub-repot drar redan till sig uppmärksamhet från utvecklare som vill ha självförbättrande ramverk utan den vanliga skatten från omträningspipelines [3]. Om det här generaliserar bortom benchmarks är det en försmak av agenter som blir mätbart billigare att köra ju mer du använder dem — raka motsatsen till hur mjukvara vanligtvis åldras.

Perplexitys "Ultra"-läge Formaliserar Orkestreringslagret

Perplexity uppdaterade i tysthet sin dokumentation för Agent API denna månad för att lägga till en "ultra"-ansträngningsnivå — byggd för långvariga research- och dataintensiva uppgifter med hög täckningsgrad på Claude Opus 5.5 — vid sidan av de befintliga nivåerna fast/low/medium/high/xhigh [1][2]. Varje nivå paketerar en specifik kombination av modeller, verktyg och prompter, vilket låter utvecklare växla latens mot djup och verktygsanvändning uttryckligen, istället för att gissa sig fram med knep inom promptteknik.

Det här är en liten förändring med stora implikationer: ansträngningsnivå håller på att bli en förstklassig konfigurationsparameter, på samma sätt som man ställer in minnes- eller timeout-gränser för en molnfunktion. Kombinerat med Teammates ger det företag en reglagemöjlighet för hur mycket autonomi och beräkningskraft man ska ge en agent för ett visst jobb.

Srinivas kommentarer på X om agent-till-agent-promptning och git som sanningskälla stämmer direkt överens med den här lanseringen — API:et byggs uppenbarligen för att stödja flottor av agenter som koordinerar varandra, inte enstaka frågor [3].

Vad Detta Betyder För Ditt Företag

Den röda tråden som binder samman alla fyra nyheterna är enkel: flaskhalsen inom mjukvara är inte längre att skriva kod, utan att avgöra vad koden ska göra och verifiera att den gjorde det rätt. Karpathys ramverk för agentisk ingenjörskonst, Perplexitys Teammates och Exos självförbättrande ramverk är alla svar på samma fråga — när agenter kan skriva och köra kod tillförlitligt, vad återstår för människor att äga? Allt oftare blir svaret: specifikationer, utvärderingar och omdömen kring risk och prioritering.

För företag som fortfarande utvärderar "ska vi använda AI-kodverktyg" är den frågan redan föråldrad. Företagen som drar ifrån kör agenter som bestående medarbetare med minne, loggade timmar och prestationsgranskningar — inte som autokomplettering. Perplexitys egna interna siffror (20 gånger effektiv personalstyrka, 7 gånger tillväxt i agent-timmar på två månader) visar vad som händer när ett företag slutar behandla agenter som en funktion och börjar behandla dem som en arbetsstyrka. De organisationer som väntar tills detta känns "bevisat" kommer att upptäcka att deras konkurrenter redan har omstrukturerat kring det.

Det praktiska draget just nu är inte att välja en modell — det är att bygga ramverket: specifikationerna, utvärderingsloopen och den övervakningsstruktur som gör agentoutput tillräckligt pålitlig för att skicka utan att en människa kontrollerar varje rad. Det är den verkliga kompetensbristen 2026, och det är ett omdömesproblem, inte ett kodningsproblem.

Nyckelinsikt: Koden blir alltmer gratis — det som skiljer företag åt nu är om de har byggt omdömeslagret (specifikationer, utvärderingar, orkestrering) som låter agenter köra utan övervakning, eller om de fortfarande kontrollerar varje output för hand.