Perplexity ha annunciato un importante aggiornamento della propria piattaforma Computer, introducendo una nuova generazione di funzionalità Deep Research progettate per coordinare simultaneamente oltre venti modelli di intelligenza artificiale all’interno dello stesso processo di ricerca e analisi. L’aggiornamento rappresenta un’evoluzione significativa rispetto ai tradizionali sistemi di ricerca basati su un singolo modello linguistico e conferma la crescente attenzione del settore verso architetture multi-agente e multi-modello.
La piattaforma Computer, presentata da Perplexity all’inizio dell’anno, è stata concepita come un ambiente cloud in grado di orchestrare differenti modelli AI, assegnando automaticamente a ciascuno i compiti per cui risulta più efficace. Invece di affidare l’intera attività di ricerca a un unico sistema, la piattaforma scompone una richiesta complessa in numerose attività specializzate che vengono distribuite tra modelli differenti e agenti dedicati a specifiche funzioni operative.
Alla base del sistema si trova un’architettura che Perplexity definisce model-agnostic, ovvero indipendente da uno specifico modello di intelligenza artificiale. In questa configurazione, Claude Opus 4.6 viene utilizzato come principale motore di inferenza e coordinamento, mentre una rete di sotto-agenti specializzati si occupa di attività quali ricerca sul web, raccolta delle informazioni, analisi quantitativa, verifica delle fonti, elaborazione documentale e generazione dei report finali.
Uno degli elementi tecnologici più interessanti introdotti con questo aggiornamento è il concetto di Search as Code. A differenza dei tradizionali sistemi di ricerca automatizzata che seguono pipeline predefinite e procedure relativamente statiche, la piattaforma genera dinamicamente codice di ricerca personalizzato per ogni singola domanda. In pratica, l’intelligenza artificiale non si limita a eseguire query, ma costruisce autonomamente una strategia operativa specifica per il problema da risolvere.
Il sistema utilizza l’Agent Search SDK sviluppato da Perplexity per creare, modificare ed eseguire processi di ricerca adattivi. Durante l’analisi di una richiesta, l’AI può generare codice che effettua migliaia di interrogazioni parallele, raccoglie informazioni da centinaia di fonti differenti, elimina dati duplicati, esegue verifiche incrociate e modifica la strategia di raccolta delle informazioni quando emergono nuovi elementi rilevanti. Se durante l’indagine vengono individuati dati inattesi o fonti aggiuntive particolarmente significative, il sistema può ridefinire autonomamente il proprio piano di ricerca senza richiedere interventi da parte dell’utente.
L’aggiornamento amplia inoltre in modo significativo le capacità di elaborazione documentale della piattaforma. Computer non si limita ad analizzare contenuti pubblicamente disponibili sul web, ma può integrare documenti caricati dagli utenti, inclusi file PDF, fogli di calcolo e dataset aziendali. Questo permette di costruire workflow nei quali dati interni e informazioni pubbliche vengono confrontati e verificati reciprocamente per produrre analisi più complete e contestualizzate.
Uno degli scenari operativi evidenziati da Perplexity riguarda l’analisi aziendale. La piattaforma può confrontare dati finanziari interni con database pubblici, statistiche governative e fonti commerciali specializzate per generare valutazioni approfondite. Nel settore finanziario, ad esempio, è possibile analizzare l’evoluzione della redditività e dei flussi di cassa di aziende operanti nello stesso mercato, mentre in ambito legale il sistema può costruire automaticamente tabelle comparative tra differenti normative internazionali.
La gestione dei modelli rappresenta un altro elemento distintivo dell’architettura. Perplexity ha implementato un sistema di assegnazione dinamica che seleziona automaticamente il modello più appropriato in funzione del compito da eseguire. Attività che richiedono capacità avanzate di ragionamento giuridico possono essere affidate a modelli specializzati in analisi normativa, mentre operazioni di verifica quantitativa vengono assegnate a sistemi maggiormente orientati all’elaborazione dei dati. La fase finale di sintesi e redazione può invece essere gestita da modelli ottimizzati per la produzione documentale.
L’azienda ha inoltre integrato fonti professionali di elevato valore informativo, tra cui database come PitchBook e CB Insights, per supportare attività di ricerca aziendale, analisi di mercato e valutazione degli investimenti. L’obiettivo è consentire agli utenti di combinare dati proprietari e informazioni pubbliche all’interno di un unico ambiente operativo gestito dagli agenti AI.
Secondo i dati pubblicati da Perplexity, l’aggiornamento ha prodotto miglioramenti significativi nelle prestazioni misurate attraverso benchmark specializzati per sistemi agentici. In particolare, il sistema ha ottenuto un incremento sostanziale nel benchmark BrowseComp, utilizzato per valutare le capacità di ricerca avanzata e di navigazione autonoma delle informazioni, oltre a risultati superiori nel benchmark Humanity’s Last Exam, che misura la capacità di affrontare problemi complessi provenienti da differenti discipline accademiche.
Un aspetto particolarmente rilevante riguarda il formato dell’output generato. I risultati non vengono più restituiti esclusivamente sotto forma di testo, ma possono essere convertiti direttamente in documenti strutturati, presentazioni, fogli di calcolo e altri formati utilizzabili nei processi aziendali. Il sistema è inoltre in grado di apportare modifiche ai file e mostrare un’anteprima delle variazioni prima della conferma finale da parte dell’utente.
Con questo aggiornamento, Perplexity sta progressivamente trasformando la propria piattaforma da motore di risposta basato sulla ricerca web a infrastruttura agentica multi-modello. L’obiettivo non è più soltanto recuperare informazioni, ma costruire un ambiente in cui differenti sistemi di intelligenza artificiale collaborano per pianificare, eseguire, verificare e presentare attività di ricerca complesse. In questo scenario, il valore non risiede tanto nel singolo modello utilizzato, quanto nella capacità della piattaforma di orchestrare competenze differenti all’interno di un unico workflow automatizzato.