---
title: "Perplexity AI (ES)"
source: "https://systems-analysis.info/int/Perplexity_AI_(ES)"
wiki: "systems-analysis.info/int"
article: "Perplexity_AI_(ES)"
language: "es"
categories:
  - "Category:Large language models"
  - "Category:LLM families"
  - "Category:Machine learning"
  - "Category:Spanish"
revision_id: 5549
wiki_created_at: 2026-09-06T23:50:51Z
wiki_modified_at: 2026-09-06T23:50:51Z
downloaded_at: 2026-09-07T23:09:05Z
---

# 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<sup>[\[1\]](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_note-wikipedia-ru-pplx-1)</sup>. La empresa fue fundada en 2022 por un equipo de especialistas de OpenAI, Meta, Google, DeepMind y Databricks<sup>[\[2\]](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_note-rbc-trends-2)</sup>.

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<sup>[\[3\]](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_note-pplx-rag-intro-3)</sup>.

## Historia y fundadores

La empresa Perplexity AI fue fundada en 2022 por cuatro especialistas:

- **Aravind Srinivas** (CEO) — exinvestigador en OpenAI, Google Brain y DeepMind<sup>[\[4\]](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_note-wiki-eng-shrinivas-4)</sup>.
- **Denis Yarats** (CTO) — ex científico investigador en Meta AI.
- **Johnny Ho** (CSO) — exingeniero en Quora.
- **Andy Konwinski** — cofundador de Databricks<sup>[\[2\]](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_note-rbc-trends-2)</sup>.

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<sup>[\[5\]](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_note-forbes-ru-story-5)</sup>.

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**<sup>[\[6\]](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_note-vashgolos-14b-6)</sup>, y su audiencia activa mensual superó los **15 millones** de usuarios<sup>[\[7\]](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_note-3dnews-growth-7)</sup>.

## 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<sup>[\[8\]](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_note-timeweb-rag-8)</sup>:

1.  Análisis y reformulación de la consulta del usuario para una búsqueda óptima.
2.  Búsqueda de información utilizando una **infraestructura de búsqueda propia** (rastreador y sistema de clasificación) que prioriza fuentes autorizadas y no optimizadas para SEO<sup>[\[7\]](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_note-3dnews-growth-7)</sup>.
3.  Extracción de los fragmentos más relevantes ("snippets") de las páginas web encontradas.
4.  Generación de una respuesta coherente y precisa utilizando un LLM basado en estos fragmentos.
5.  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<sup>[\[9\]](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_note-kedprof-claude-9)</sup>.

- 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<sup>[\[10\]](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_note-pplx-pro-models-10)</sup>:

- **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<sup>[\[11\]](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_note-marktechpost-pplx-11)</sup>. Estaban basados en versiones reentrenadas de **Mistral 7B** y **Llama 2 70B** respectivamente y se especializaban en trabajar con datos en línea<sup>[\[12\]](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_note-pplx-blog-online-llms-12)</sup>.

### 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<sup>[\[13\]](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_note-pplx-blog-new-sonar-13)</sup>.

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<sup>[\[14\]](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_note-cerebras-partnership-14)</sup>.
- **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<sup>[\[15\]](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_note-pplx-blog-speculation-15)</sup>.
- **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<sup>[\[16\]](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_note-pplx-blog-search-arena-16)</sup>.

## 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<sup>[\[17\]](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_note-pplx-blog-sonar-pro-api-17)</sup>.

## 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<sup>[\[18\]](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_note-thieme-radiology-18)</sup>.
- 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<sup>[\[19\]](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_note-mdpi-rare-disease-19)</sup>.

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<sup>[\[20\]](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_note-ieee-usability-20)</sup>.

## Enlaces externos

- <a href="https://www.perplexity.ai/" class="external text" rel="nofollow">Sitio web oficial de Perplexity AI</a>
- <a href="https://www.perplexity.ai/hub/blog/" class="external text" rel="nofollow">Blog oficial de Perplexity</a>

## Literatura

- Chen, C.; et al. (2023). *Accelerating Large Language Model Decoding with Speculative Sampling*. <a href="https://arxiv.org/abs/2302.01318" class="external text" rel="nofollow">arXiv:2302.01318</a>.
- Zhang, J.; et al. (2023). *Draft & Verify: Lossless Large Language Model Acceleration via Self-Speculative Decoding*. <a href="https://arxiv.org/abs/2309.08168" class="external text" rel="nofollow">arXiv:2309.08168</a>.
- Chen, H.; et al. (2024). *Retrieval-Augmented Generation for Large Language Models: A Survey*. <a href="https://arxiv.org/abs/2312.10997" class="external text" rel="nofollow">arXiv:2312.10997</a>.
- Soudani, H.; et al. (2024). *Fine-Tuning vs. Retrieval-Augmented Generation for Less-Popular Knowledge*. <a href="https://arxiv.org/abs/2403.01432" class="external text" rel="nofollow">arXiv:2403.01432</a>.
- Chen, Y.; et al. (2024). *Evaluation of Retrieval-Augmented Generation: A Survey*. <a href="https://arxiv.org/abs/2405.07437" class="external text" rel="nofollow">arXiv:2405.07437</a>.
- Hsieh, C.-P.; et al. (2024). *RULER: What's the Real Context Size of Your Long-Context Language Models?*. <a href="https://arxiv.org/abs/2404.06654" class="external text" rel="nofollow">arXiv:2404.06654</a>.
- Arena Team (2025). *Search Arena: Analyzing Search-Augmented Large Language Models*. <a href="https://arxiv.org/abs/2506.05334" class="external text" rel="nofollow">arXiv:2506.05334</a>.
- Zhu, W.; et al. (2025). *PSC: Extending Context Windows via Phase Shift Calibration*. <a href="https://arxiv.org/abs/2505.12423" class="external text" rel="nofollow">arXiv:2505.12423</a>.
- Yu, L.; et al. (2025). *Synergizing RAG and Reasoning: A Systematic Review*. <a href="https://arxiv.org/abs/2504.15909" class="external text" rel="nofollow">arXiv:2504.15909</a>.
- Chen, X.; et al. (2025). *Universal Embeddings for Multimodal Multilingual Retrieval*. <a href="https://arxiv.org/abs/2506.18902" class="external text" rel="nofollow">arXiv:2506.18902</a>.

## Referencias

1.  <span id="cite_note-wikipedia-ru-pplx-1">[↑](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_ref-wikipedia-ru-pplx_1-0) «Perplexity.ai». En *Wikipedia, la enciclopedia libre*. <a href="https://es.wikipedia.org/wiki/Perplexity.ai" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-rbc-trends-2">↑ <sup>[2.0](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_ref-rbc-trends_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_ref-rbc-trends_2-1)</sup> «Perplexity AI: ¿el asesino de Google o un fenómeno temporal?». *RBC Trends*. <a href="https://trends.rbc.ru/trends/industry/668bba599a79472bf71c43cd" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-pplx-rag-intro-3">[↑](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_ref-pplx-rag-intro_3-0) «An Introduction to RAG Models». *Perplexity AI*. <a href="https://www.perplexity.ai/page/an-introduction-to-rag-models-jBULt6_mSB2yAV8b17WLDA" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-wiki-eng-shrinivas-4">[↑](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_ref-wiki-eng-shrinivas_4-0) «Aravind Srinivas». In *Wikipedia*. <a href="https://en.wikipedia.org/wiki/Aravind_Srinivas" class="external autonumber" rel="nofollow">[4]</a></span>
5.  <span id="cite_note-forbes-ru-story-5">[↑](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_ref-forbes-ru-story_5-0) Belousova, Anastasia. «Cómo un bielorruso y sus socios construyeron una de las startups más caras del mundo, Perplexity». *Forbes.ru*. <a href="https://www.forbes.ru/svoi-biznes/526489-kak-belorus-s-partnerami-postroili-odin-iz-samyh-dorogih-startapov-v-mire-perplexity" class="external autonumber" rel="nofollow">[5]</a></span>
6.  <span id="cite_note-vashgolos-14b-6">[↑](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_ref-vashgolos-14b_6-0) «La startup Perplexity AI fue valorada en \$14 mil millones». *Vash Golos*. <a href="https://vashgolos.net/news/87429" class="external autonumber" rel="nofollow">[6]</a></span>
7.  <span id="cite_note-3dnews-growth-7">↑ <sup>[7.0](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_ref-3dnews-growth_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_ref-3dnews-growth_7-1)</sup> «El motor de búsqueda Perplexity basado en IA ha mostrado un crecimiento explosivo y está listo para competir con Google». *3DNews*. <a href="https://3dnews.ru/1109254/poiskovaya-sistema-perplexity-na-baze-ii-pokazala-burniy-rost-i-gotova-k-onkurirovat-s-google" class="external autonumber" rel="nofollow">[7]</a></span>
8.  <span id="cite_note-timeweb-rag-8">[↑](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_ref-timeweb-rag_8-0) «Perplexity: qué es esta red neuronal, cómo funciona y para qué sirve». *TimeWeb.Cloud*. <a href="https://timeweb.cloud/blog/perplexity-chto-eto-za-nejroset" class="external autonumber" rel="nofollow">[8]</a></span>
9.  <span id="cite_note-kedprof-claude-9">[↑](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_ref-kedprof-claude_9-0) «Perplexity y Claude AI: el motor para respuestas precisas». *Kedr.pro*. <a href="https://kedprof.ru/tpost/ofug8mo051-perplexity-i-claude-ai-dvizhok-dlya-toch" class="external autonumber" rel="nofollow">[9]</a></span>
10. <span id="cite_note-pplx-pro-models-10">[↑](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_ref-pplx-pro-models_10-0) «What advanced AI models are included in a Perplexity Pro subscription?». *Perplexity Help Center*. <a href="https://www.perplexity.ai/help-center/en/articles/10354919-what-advanced-ai-models-are-included-in-a-perplexity-pro-subscription" class="external autonumber" rel="nofollow">[10]</a></span>
11. <span id="cite_note-marktechpost-pplx-11">[↑](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_ref-marktechpost-pplx_11-0) «Perplexity Unveils Two New Online LLM Models: pplx-7b-online and pplx-70b-online». *MarkTechPost*. <a href="https://www.marktechpost.com/2023/12/03/perplexity-unveils-two-new-online-llm-models-pplx-7b-online-and-pplx-70b-online/" class="external autonumber" rel="nofollow">[11]</a></span>
12. <span id="cite_note-pplx-blog-online-llms-12">[↑](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_ref-pplx-blog-online-llms_12-0) «Introducing PPLX Online LLMs». *Perplexity Blog*. <a href="https://www.perplexity.ai/hub/blog/introducing-pplx-online-llms" class="external autonumber" rel="nofollow">[12]</a></span>
13. <span id="cite_note-pplx-blog-new-sonar-13">[↑](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_ref-pplx-blog-new-sonar_13-0) «Meet a new era of Perplexity Sonar». *Perplexity Blog*. <a href="https://www.perplexity.ai/hub/blog/meet-new-sonar" class="external autonumber" rel="nofollow">[13]</a></span>
14. <span id="cite_note-cerebras-partnership-14">[↑](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_ref-cerebras-partnership_14-0) «Cerebras Powers Perplexity Sonar with Industry's Fastest AI Inference». *Cerebras Press Release*. <a href="https://www.cerebras.ai/press-release/cerebras-powers-perplexity-sonar-with-industrys-fastest-ai-inference" class="external autonumber" rel="nofollow">[14]</a></span>
15. <span id="cite_note-pplx-blog-speculation-15">[↑](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_ref-pplx-blog-speculation_15-0) «Accelerating Sonar through Speculation». *Perplexity Blog*. <a href="https://www.perplexity.ai/hub/blog/accelerating-sonar-through-speculation" class="external autonumber" rel="nofollow">[15]</a></span>
16. <span id="cite_note-pplx-blog-search-arena-16">[↑](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_ref-pplx-blog-search-arena_16-0) «Perplexity Sonar Dominates New Search Arena». *Perplexity Blog*. <a href="https://www.perplexity.ai/hub/blog/perplexity-sonar-dominates-new-search-arena-evolution" class="external autonumber" rel="nofollow">[16]</a></span>
17. <span id="cite_note-pplx-blog-sonar-pro-api-17">[↑](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_ref-pplx-blog-sonar-pro-api_17-0) «Introducing the Sonar Pro API». *Perplexity Blog*. <a href="https://www.perplexity.ai/hub/blog/introducing-the-sonar-pro-api" class="external autonumber" rel="nofollow">[17]</a></span>
18. <span id="cite_note-thieme-radiology-18">[↑](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_ref-thieme-radiology_18-0) «Comparative Analysis of Large Language Models for Question Answering in Radiology». *Thieme Connect*. <a href="http://www.thieme-connect.de/DOI/DOI?10.1055/s-0044-1787974" class="external autonumber" rel="nofollow">[18]</a></span>
19. <span id="cite_note-mdpi-rare-disease-19">[↑](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_ref-mdpi-rare-disease_19-0) «A Comparative Study of AI Chatbots in Answering Questions on Rare Diseases». *MDPI*. <a href="https://www.mdpi.com/2075-4418/15/6/672" class="external autonumber" rel="nofollow">[19]</a></span>
20. <span id="cite_note-ieee-usability-20">[↑](https://systems-analysis.info/int/Perplexity_AI_(ES)#cite_ref-ieee-usability_20-0) «Usability and User Satisfaction of Google Search and Perplexity AI». *IEEE Xplore*. <a href="https://ieeexplore.ieee.org/document/10957499/" class="external autonumber" rel="nofollow">[20]</a></span>