Perplexity AI (ES)
Perplexity AI es una startup estadounidense y un motor de búsqueda homónimo (conversational search engine) que utiliza inteligencia artificial para proporcionar respuestas directas a las consultas de los usuarios, citando las fuentes de información[1]. La empresa fue fundada en 2022 por un equipo de especialistas de OpenAI, Meta, Google, DeepMind y Databricks[2].
La plataforma combina sus propios grandes modelos lingüísticos (LLM) con acceso a modelos líderes de otras empresas, lo que le permite optimizar la velocidad, precisión y costo de las respuestas. La tecnología clave de Perplexity es un sistema avanzado de Generación Aumentada por Recuperación (RAG), que enriquece las respuestas del LLM con información actualizada de su propia infraestructura de búsqueda[3].
Historia y fundadores
La empresa Perplexity AI fue fundada en 2022 por cuatro especialistas:
- Aravind Srinivas (CEO) — exinvestigador en OpenAI, Google Brain y DeepMind[4].
- Denis Yarats (CTO) — ex científico investigador en Meta AI.
- Johnny Ho (CSO) — exingeniero en Quora.
- Andy Konwinski — cofundador de Databricks[2].
Inicialmente, el proyecto fue concebido como un servicio B2B para el análisis de datos, pero en octubre de 2022, el equipo desarrolló un prototipo de motor de búsqueda basado en Bing y GPT-3, lo que definió el futuro de la empresa[5].
Perplexity AI ha atraído importantes inversiones de actores clave, incluyendo a Nvidia, SoftBank y el fundador de Amazon, Jeff Bezos. A principios de 2025, la valoración de la empresa alcanzó los $14 mil millones[6], y su audiencia activa mensual superó los 15 millones de usuarios[7].
Arquitectura tecnológica
Generación Aumentada por Recuperación (RAG)
La base de Perplexity es la tecnología RAG, que permite superar las limitaciones de los LLM tradicionales, como el conocimiento desactualizado y las "alucinaciones". El algoritmo consta de varias etapas[8]:
- Análisis y reformulación de la consulta del usuario para una búsqueda óptima.
- Búsqueda de información utilizando una infraestructura de búsqueda propia (rastreador y sistema de clasificación) que prioriza fuentes autorizadas y no optimizadas para SEO[7].
- Extracción de los fragmentos más relevantes ("snippets") de las páginas web encontradas.
- Generación de una respuesta coherente y precisa utilizando un LLM basado en estos fragmentos.
- Formateo de la respuesta con indicación de citas y enlaces a las fuentes originales.
Estrategia multimodelo
Perplexity utiliza un enfoque híbrido, combinando modelos propios y de terceros para lograr un equilibrio entre velocidad, precisión y costo[9].
- Para respuestas rápidas en la versión gratuita, a menudo se utiliza Claude 3 Haiku.
- Para tareas complejas en la versión Pro de pago, están disponibles modelos más potentes como Claude 3.5 Sonnet y GPT-4o.
Los usuarios con una suscripción a Perplexity Pro pueden seleccionar manualmente entre una amplia gama de modelos, que incluyen[10]:
- OpenAI: GPT-4o, GPT-4 Turbo
- Anthropic: Claude 3.5 Sonnet, Claude 3 Opus, Claude 3 Haiku
- Google: Gemini 2.5 Pro
- Meta: Llama 3
- Mistral AI: Mistral Large
- xAI: Grok-3 Beta
- Modelos propios de Perplexity.
Modelos propios de Perplexity
La empresa desarrolla sus propios modelos, optimizados para tareas de búsqueda y para trabajar con información actualizada de internet.
Familia PPLX (modelos iniciales)
Los primeros modelos propios de Perplexity, disponibles a través de su API, fueron pplx-7b-online y pplx-70b-online, presentados en diciembre de 2023[11]. Estaban basados en versiones reentrenadas de Mistral 7B y Llama 2 70B respectivamente y se especializaban en trabajar con datos en línea[12].
Familia Sonar (generación actual)
Sonar es la familia de modelos insignia, construida sobre la base de Llama 3.1 70B de Meta, pero que ha pasado por un reentrenamiento adicional para mejorar la precisión factual y la legibilidad de las respuestas en el modo de búsqueda[13].
Características clave de Sonar:
- Alta velocidad: Gracias a una asociación con Cerebras y al uso de su infraestructura de inferencia especializada, Sonar alcanza una velocidad de generación de hasta 1200 tokens por segundo, lo que es casi 10 veces más rápido que Gemini 2.0 Flash[14].
- Tecnología de decodificación especulativa: Para acelerar aún más la generación, se utiliza un "modelo borrador" propio de 1B de parámetros, que permite al modelo principal generar varios tokens en una sola pasada[15].
- Alto rendimiento: En la evaluación Search Arena de LM Arena, el modelo Sonar-Reasoning-Pro obtuvo el primer lugar, empatando estadísticamente con Gemini-2.5-Pro-Grounding[16].
API y soluciones empresariales
Perplexity proporciona acceso a sus modelos a través de Sonar API y Sonar Pro API para desarrolladores y clientes corporativos. Las API están optimizadas para la velocidad y la facilidad de uso, e incluyen la capacidad de citar fuentes y personalizar las búsquedas. Las soluciones de Perplexity se utilizan en diversas industrias para crear sistemas de búsqueda nativos y automatizar tareas de investigación[17].
Análisis comparativo y experiencia de usuario
El rendimiento de Perplexity varía según el tipo de tarea.
- En tareas que requieren alta precisión factual basada en datos recientes (por ejemplo, análisis radiológico), Perplexity demuestra la mayor precisión (0.83), superando a Claude, Bing y ChatGPT[18].
- En tareas relacionadas con conocimientos raros o muy especializados (por ejemplo, enfermedades raras), Perplexity puede ser inferior a modelos con una base de conocimientos más amplia, como ChatGPT y Gemini[19].
Un estudio de usabilidad (SUS) mostró que, aunque tanto Google como Perplexity son plataformas aceptables, Google recibió una puntuación más alta (82.29) en comparación con Perplexity (73.98). Esto se atribuye a la interfaz familiar de Google y a la curva de aprendizaje más pronunciada de Perplexity, que ofrece funciones innovadoras pero menos conocidas[20].
Enlaces externos
Literatura
- Chen, C.; et al. (2023). Accelerating Large Language Model Decoding with Speculative Sampling. arXiv:2302.01318.
- Zhang, J.; et al. (2023). Draft & Verify: Lossless Large Language Model Acceleration via Self-Speculative Decoding. arXiv:2309.08168.
- Chen, H.; et al. (2024). Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv:2312.10997.
- Soudani, H.; et al. (2024). Fine-Tuning vs. Retrieval-Augmented Generation for Less-Popular Knowledge. arXiv:2403.01432.
- Chen, Y.; et al. (2024). Evaluation of Retrieval-Augmented Generation: A Survey. arXiv:2405.07437.
- Hsieh, C.-P.; et al. (2024). RULER: What's the Real Context Size of Your Long-Context Language Models?. arXiv:2404.06654.
- Arena Team (2025). Search Arena: Analyzing Search-Augmented Large Language Models. arXiv:2506.05334.
- Zhu, W.; et al. (2025). PSC: Extending Context Windows via Phase Shift Calibration. arXiv:2505.12423.
- Yu, L.; et al. (2025). Synergizing RAG and Reasoning: A Systematic Review. arXiv:2504.15909.
- Chen, X.; et al. (2025). Universal Embeddings for Multimodal Multilingual Retrieval. arXiv:2506.18902.
Referencias
- ↑ «Perplexity.ai». En Wikipedia, la enciclopedia libre. [1]
- ↑ 2.0 2.1 «Perplexity AI: ¿el asesino de Google o un fenómeno temporal?». RBC Trends. [2]
- ↑ «An Introduction to RAG Models». Perplexity AI. [3]
- ↑ «Aravind Srinivas». In Wikipedia. [4]
- ↑ Belousova, Anastasia. «Cómo un bielorruso y sus socios construyeron una de las startups más caras del mundo, Perplexity». Forbes.ru. [5]
- ↑ «La startup Perplexity AI fue valorada en $14 mil millones». Vash Golos. [6]
- ↑ 7.0 7.1 «El motor de búsqueda Perplexity basado en IA ha mostrado un crecimiento explosivo y está listo para competir con Google». 3DNews. [7]
- ↑ «Perplexity: qué es esta red neuronal, cómo funciona y para qué sirve». TimeWeb.Cloud. [8]
- ↑ «Perplexity y Claude AI: el motor para respuestas precisas». Kedr.pro. [9]
- ↑ «What advanced AI models are included in a Perplexity Pro subscription?». Perplexity Help Center. [10]
- ↑ «Perplexity Unveils Two New Online LLM Models: pplx-7b-online and pplx-70b-online». MarkTechPost. [11]
- ↑ «Introducing PPLX Online LLMs». Perplexity Blog. [12]
- ↑ «Meet a new era of Perplexity Sonar». Perplexity Blog. [13]
- ↑ «Cerebras Powers Perplexity Sonar with Industry's Fastest AI Inference». Cerebras Press Release. [14]
- ↑ «Accelerating Sonar through Speculation». Perplexity Blog. [15]
- ↑ «Perplexity Sonar Dominates New Search Arena». Perplexity Blog. [16]
- ↑ «Introducing the Sonar Pro API». Perplexity Blog. [17]
- ↑ «Comparative Analysis of Large Language Models for Question Answering in Radiology». Thieme Connect. [18]
- ↑ «A Comparative Study of AI Chatbots in Answering Questions on Rare Diseases». MDPI. [19]
- ↑ «Usability and User Satisfaction of Google Search and Perplexity AI». IEEE Xplore. [20]