Perplexity porta Deep Research in Computer: fino a 20 modelli coordinati, accuratezza ai massimi storici

Perplexity ha integrato Deep Research nel suo sistema multi-modello Computer, lanciato a fine febbraio 2026. L’aggiornamento promette analisi più profonde, citazioni più solide e risultati pronti all’uso: report, presentazioni e dashboard, tutto generato dentro Computer.

Deep Research non è una novità: era la modalità che esegue centinaia di ricerche, legge fonti e scrive un report citato. La differenza ora è che vive dentro Computer, una piattaforma cloud in grado di orchestrare fino a 20 modelli in un unico flusso di lavoro. Il motore centrale è Opus 4.6, ma sub-agenti specializzati — per esempio Gemini per ricerche complesse — si occupano dei compiti più specifici.

Come funziona Search as Code

Il cuore del sistema si chiama Search as Code. Invece di seguire una pipeline fissa, il modello scrive codice che assembla la ricerca da zero. Quel codice esegue migliaia di passaggi di recupero in parallelo, adattati alla domanda specifica. Lo script gira in un sandbox e chiama l’Agentic Search SDK di Perplexity, che espone primitive come filtraggio, deduplicazione e reranking.

Rispetto a una pipeline rigida, Search as Code permette di ramificare, confrontare e rifinire i risultati man mano che apprende. La funzione sta arrivando sia su Computer sia tramite la Agent API, quindi gli sviluppatori possono chiamare lo stesso stack a livello programmatico.

Computer legge anche i file locali (PDF, fogli di calcolo) e li incrocia con dati live da fonti come census.gov, Statista e altre. Per gli utenti Perplexity Max, Deep Research in Computer è un consumer feature; per gli sviluppatori c’è la API pay-as-you-go, con un preset “deep-research” già pronto nell’SDK ufficiale.

I benchmark: il balzo su BrowseComp

Perplexity ha pubblicato dati comparativi tra la vecchia Deep Research e la versione integrata in Computer. Il salto più netto è su BrowseComp (OpenAI), un benchmark che misura la capacità di un agente di trovare informazioni difficili navigando il web: si passa da 40,7% a 83,8%. Su Humanity’s Last Exam (Center for AI Safety & Scale AI) si sale da 36,4% a 50,5%; su DeepSearchQA (Google DeepMind) il miglioramento è minore ma positivo, da 81,9% a 85,0%.

I numeri sono first-party, quindi serve una verifica indipendente. Ma la direzione è chiara: l’approccio “search as code” migliora la navigazione multi-pagina.

Casi d’uso concreti

Perplexity fornisce esempi già pronti:

• Finanza: confrontare flusso di cassa e margini di profitto dei principali produttori di chip AI su cinque anni.
• Legale: mappare le differenze tra le leggi sulla privacy dati di Stati Uniti ed Europa in una tabella comparativa.
• Sanità: sintetizzare le evidenze cliniche sugli effetti cardiaci dei farmaci dimagranti.
• Tecnologia: confrontare modelli AI su capacità di ragionamento, costo e lunghezza del contesto.

Ogni compito produce un deliverable editabile: un report, una presentazione, un foglio di calcolo. Computer legge e scrive dentro il file — non accanto — e mostra un’anteprima prima di applicare le modifiche, che l’utente approva o rifiuta.

Il sistema sceglie il modello per ogni subtask: un modello legale gestisce la revisione dei contratti, un modello dati gestisce le varianze nei fogli di calcolo, un modello di scrittura produce la bozza finale. I dati premium (PitchBook, CB Insights) sono integrati; i dati legali sono ancora in preview.

Punti di forza e limiti

Tra i punti di forza: ricerca basata su codice con migliaia di recuperi in parallelo, incrementi rilevanti nei benchmark di navigazione, lettura simultanea di file locali e web, output pronti senza ulteriore lavoro. Tra i limiti: i benchmark sono first-party, la funzione è legata all’abbonamento Perplexity Max (nessun free tier), la copertura delle fonti premium è parziale, e “citato” non significa sempre “corretto”: il controllo umano resta necessario.