Co się stało
Cohere Labs udostępniło ekosystem Agentic Task Ecosystem, zbiór danych zbudowany z 696 291 narzędzi znajdujących się na 123 069 publicznych serwerach Model Context Protocol. Załączona analiza sprawdza, jakie zadania zawodowe deweloperzy budują agentów AI do wykonywania i stwierdza, że narzędzia agentyczne są skoncentrowane, nierównomiernie rozmieszczone i nie wykazują jeszcze powszechnego zastosowania.
Cohere Labs twierdzi, że w maju 2026 r. zebrało 696 291 narzędzi ze 123 069 publicznych list serwerów MCP w siedmiu katalogach i dokonało deduplikacji serwerów wymienionych w wielu miejscach. Firma opisuje powstały ekosystem zadań agentowych jako największy tego typu otwarty zbiór danych, ale źródło nie podaje lokalizacji pobierania, licencji ani warunków dostępu. Ceny nie są udokumentowane.
Wykorzystując model językowy do dopasowania narzędzi do instrukcji zadań O*NET, badacze zastosowali rygorystyczny test: narzędzie musiało wykonać uznane zadanie zawodowe od końca do końca, a nie dostarczać informacji lub wykonywać tylko jeden krok, który dana osoba nadal koordynuje. Do tego testu zakwalifikowało się 2,6% narzędzi. Cohere podaje, że w 419 z 923 zawodów nie występowała żadna aktywność związana z narzędziami agentycznymi.
Analiza grupuje najbardziej niedopasowane narzędzia w mniejsze fragmenty istniejącej pracy, kombinacje wielu zarejestrowanych zadań lub infrastrukturę niezbędną do obsługi agentów. Cohere identyfikuje 35 kategorii – około 3% zbadanych kategorii – jako pozornie nowe prace bez wiarygodnego odpowiednika zawodowego, obejmujące głównie zarządzanie agentami, takie jak wybieranie syntetycznych głosów, zmiana person AI i ocena, czy agentowi można ufać.
Cohere podaje, że zrealizowane narzędzia korelują z teoretycznym narażeniem na sztuczną inteligencję w 178 zawodach, ale narażenie nie pozwala przewidzieć, czy narzędzia pozwolą na wykonanie rutynowych zadań, czy specjalistycznych prac. Źródło twierdzi, że narzędzia obejmują specjalistyczną pracę w służbie zdrowia i informatyce, a jednocześnie skupiają się w stronę rutynowych zastosowań w zawodach prawniczych, produkcyjnych i sprzedażowych. Są to ustalenia zgłoszone przez autorów; źródło nie określa dalszych skutków gospodarczych.
Szczegóły źródła: cohere.com ↗
Dlaczego to ma znaczenie
Badanie oferuje wczesny pogląd na automatyzację sztucznej inteligencji od strony podaży: to, co programiści przygotowali dla agentów, a nie to, co wdrożyły firmy lub z czego obecnie korzystają pracownicy. Analiza Cohere sugeruje, że ogólne pomiary narażenia nie ujawniają, których części stanowisk pracy to dotyczy. To rozróżnienie może mieć znaczenie dla wynagrodzeń, zatrudniania, szkoleń i sposobu, w jaki pracownicy zdobywają wiedzę specjalistyczną, zwłaszcza gdy sztuczna inteligencja osiągnie wyspecjalizowaną pracę opartą na oprogramowaniu.
Zbiór danych mierzy podaż, a nie przyjęcie, niezawodność lub wpływ gospodarczy. Narzędzie publiczne pokazuje, że programista rozważył zadanie wystarczająco konkretne, aby spakować je dla agenta, ale nie pokazuje, że firma korzysta z narzędzia, że działa niezawodnie na produkcji lub że pracownicy zostali przesiedleni.
Źródło twierdzi, że umiejscowienie automatyzacji w obrębie stanowiska pracy może mieć większe znaczenie niż całkowity udział odsłoniętej pracy. Usunięcie rutynowych prac może pozostawić pracownikom bardziej wyspecjalizowane obowiązki, natomiast automatyzacja specjalistycznych prac może zmniejszyć wiedzę specjalistyczną wymaganą do wykonywania pozostałej pracy. Każdy ze wzorców może w różny sposób wpłynąć na płace i zatrudnienie.
Cohere donosi również, że eksperckie oceny wykonalności technicznej pozwoliły przewidzieć, które zawody otrzymają narzędzia, podczas gdy deklarowane przez pracowników preferencje dotyczące tego, co chcą zautomatyzować, nie przewidywały tego. Odkrycie to rodzi praktyczne pytanie dotyczące zarządzania: czy rozwój sztucznej inteligencji będzie podążał za tym, co cenią pracownicy i dotknięte społeczności, czy też przede wszystkim za tym, co programiści uznają za wykonalne pod względem technicznym.
Badanie ma istotne ograniczenie widoczności. Obejmuje katalogi publiczne i pomija szyte na miarę wewnętrzne serwery MCP, które według Cohere mogą być skoncentrowane w procesach zaplecza biurowego. Zgłoszony udział wynoszący 2,6% jest zatem przedstawiany przez autorów jako dolna granica, a nie pełna miara automatyzacji.
Mechanizm interaktywny: jak to faktycznie działa
Poznaj interaktywnie technologię leżącą u podstaw tego rozwoju.
crm_get_transaction(id='4092').An agent must create a draft calendar event for Tuesday at 2 p.m. Which evidence would establish the requested result?
Co obejrzeć dalej
Badacze, pracodawcy i decydenci będą musieli porównać zbiór danych z danymi dotyczącymi wdrożeń w prywatnych przedsiębiorstwach, rzeczywistym wykorzystaniem, zatrudnieniem i płacami. Najważniejszą nierozwiązaną kwestią jest to, czy narzędzia eliminujące rutynowe zadania na poziomie podstawowym zmniejszają również możliwości pracowników w zakresie rozwijania wiedzy specjalistycznej.
Przydatność zbioru danych będzie zależała od tego, czy inni badacze będą mieli do niego dostęp i będą mogli go sprawdzić, odtworzyć klasyfikacje i sprawdzić, jak szybko zmienia się krajobraz narzędzi publicznych. Źródło nie podaje licencji wydania, dokumentacji wykraczającej poza artykuł lub harmonogram konserwacji.
Przyszłe dowody powinny łączyć narzędzia publiczne z wdrożeniami prywatnymi, wykorzystaniem przez pracowników i mierzalnymi wynikami na rynku pracy. Bez tych powiązań ustalenia ATE nie mogą wykazać, czy dany zawód jest zagrożony ekonomicznie ani czy dane narzędzie poprawia produktywność.
Źródło podkreśla szczególne ryzyko związane z pracą na poziomie podstawowym: jeśli rutynowe zadania zostaną zautomatyzowane, pracownicy mogą mieć mniej możliwości nauczenia się poprzez te zadania przed podjęciem specjalistycznych obowiązków. Kwestią otwartą jest to, czy organizacje przeprojektowują ścieżki szkoleniowe i kariery.
Analiza wymaga również szczegółowej analizy, ponieważ dopasowania zawodowe i grupowania kategorii opierają się częściowo na ocenach opartych na modelu językowym. Cohere informuje o ślepej kontroli 120 kategorii, które wskazywały ten sam kierunek, ale źródło nie podaje tutaj wystarczających szczegółów, aby ocenić pełny proces walidacji lub poziom błędów.