El 'Search as Code' de Perplexity permite a los modelos de IA escribir sus propios pipelines de búsqueda

Perplexity permite que la IA programe sus propias búsquedas

Las búsquedas tradicionales con IA dependen de APIs rígidas que limitan cómo los modelos procesan información. Perplexity acaba de cambiar esta dinámica con Search as Code, una arquitectura que permite a los modelos escribir sus propias rutinas de búsqueda directamente en Python.

¿Qué ha pasado?

Perplexity ha presentado Search as Code, un sistema que reemplaza las APIs de búsqueda convencionales por una arquitectura donde los modelos de lenguaje generan código Python para ejecutar sus propias búsquedas. En lugar de llamar a funciones predefinidas, los modelos escriben scripts completos que incluyen filtrado, deduplicación y procesamiento de resultados.

El sistema ejecuta este código en un entorno sandbox que garantiza la seguridad mientras mantiene la flexibilidad. Según los datos publicados, Search as Code ha superado los benchmarks de OpenAI y Anthropic en tareas de búsqueda, mientras reduce el consumo de tokens hasta en un 85 por ciento comparado con métodos tradicionales.

Esta arquitectura permite que el modelo decida dinámicamente qué información necesita, cómo filtrarla y cómo combinar múltiples fuentes sin depender de estructuras rígidas predefinidas por desarrolladores. El resultado es un pipeline de búsqueda adaptativo que se ajusta a cada consulta específica.

Por qué importa

Esta innovación transforma fundamentalmente cómo los sistemas de IA interactúan con la información externa. Hasta ahora, los modelos debían conformarse con las limitaciones de las APIs: parámetros fijos, estructuras de datos predeterminadas y capacidades de procesamiento restringidas.

Search as Code elimina estas barreras al darle al modelo control total sobre el proceso. Puede decidir ejecutar múltiples búsquedas en paralelo, aplicar filtros complejos que no existían en la API original, o combinar datos de formas que los diseñadores del sistema no anticiparon.

Para desarrolladores, esto significa menos tiempo diseñando APIs complejas y más confianza en la capacidad del modelo para resolver problemas de búsqueda por sí mismo. Para empresas, la reducción del 85 por ciento en costos de tokens representa ahorros significativos en aplicaciones que realizan búsquedas frecuentes.

La mejora en benchmarks frente a OpenAI y Anthropic sugiere que este enfoque no solo es más eficiente económicamente, sino también más efectivo en precisión y relevancia de resultados.

Métrica	Search as Code	APIs tradicionales
Reducción de tokens	Hasta 85%	Baseline
Flexibilidad	Control total vía Python	Parámetros fijos
Entorno de ejecución	Sandbox seguro	Llamadas API

Contexto

Las arquitecturas de búsqueda para IA han evolucionado desde simples consultas a bases de datos hasta sistemas complejos de recuperación de información. OpenAI introdujo la capacidad de búsqueda web en ChatGPT, mientras que Anthropic desarrolló herramientas similares para Claude.

Sin embargo, todos estos sistemas mantenían una separación clara: el modelo solicita, la API ejecuta. Perplexity, que se ha especializado en búsqueda mejorada con IA desde su lanzamiento, ahora propone un paradigma donde esa frontera desaparece. El modelo no solo pregunta, sino que programa cómo quiere que se busque.

Este enfoque se alinea con tendencias más amplias en IA hacia sistemas más autónomos y adaptables, donde los modelos no solo consumen herramientas, sino que las configuran dinámicamente según sus necesidades.

---