Contexto Técnico
No voy a fingir que he visto el texto confirmado de ese tweet en particular. Al no tener una publicación verificada, me centro en la trayectoria oficial de lanzamientos de Perplexity, que ya es bastante transparente.
He investigado sus últimas actualizaciones y la situación es clara: Perplexity hace tiempo que dejó de ser solo un buscador. Están construyendo una capa para la AI automation, donde la búsqueda, Deep Research, Computer, Workflows, MCP y la API comienzan a operar como un sistema unificado.
Lo que realmente me llamó la atención: el soporte para MCP permite conectar herramientas y datos externos, Computer orienta el producto hacia la ejecución gestionada por agentes, y Workflows junto con Skills sugieren escenarios repetibles en lugar de consultas aisladas. En resumen, ya no es 'haz una pregunta, recibe una respuesta', sino el inicio de un entorno donde el modelo puede buscar, decidir y actuar.
También es interesante cómo Perplexity integra multimodalidad, modo de voz, integraciones empresariales y acceso a modelos recientes como la línea GPT. Para mí, esto es una señal no de una interfaz, sino de AI integration a nivel de infraestructura: datos, orquestación, herramientas y el factor humano en el proceso.
Aquí es donde suelo detenerme a hacer una pregunta simple: ¿es un juguete o una capa funcional? A juzgar por su enfoque en Teams, Snowflake, Databricks y flujos de trabajo reutilizables, claramente apuntan a lo segundo.
Impacto en los Negocios y la Automatización
Veo tres cambios prácticos para las empresas. Primero: la búsqueda deja de ser una pestaña separada y se convierte en parte del ciclo operativo. Esto significa que es posible crear AI solutions for business en torno a analítica, investigación, cumplimiento y asistentes internos mucho más rápido.
Segundo: el valor de la arquitectura aumenta. Si tus datos están dispersos en CRM, herramientas de BI, hojas de cálculo y bases de datos internas, una nueva interfaz por sí sola no te salvará. Necesitas una configuración adecuada de permisos de acceso, herramientas, registros y límites de seguridad comprensibles.
Tercero: ganan los equipos que saben construir rápidamente escenarios de agentes sobre procesos reales. Pierden quienes vuelven a dejarse engañar por una demostración bonita sin implementación real. Yo me dedico precisamente a construir estas cosas de forma manual, así que veo claramente la diferencia entre un 'guau' en redes sociales y un sistema que ahorra horas cada semana.
Si tienes la necesidad de transformar la búsqueda, la investigación o las operaciones internas en una AI automation funcional, analicemos tu proceso sin magia ni marketing. En Nahornyi AI Lab, mi equipo y yo construimos estas soluciones para cargas de trabajo reales, para que luego Vadym Nahornyi no tenga que explicar por qué la demostración era fantástica, pero en el negocio no funcionó nada.