Lad os være konkrete fra start: Ifølge MarkTechPost har Perplexity flyttet Deep Research ind i Computer, deres model‑agnostiske orkestrator. Alle produktdetaljer og benchmarks i artiklen er herfra og er endnu ikke tredjepartsverificeret. Computer kører op til 20 modeller i samme arbejdsforløb med Opus 4.6 som reasoning‑motor og leverer arbejdsparate rapporter, præsentationer og dashboards direkte i værktøjet.
Det føles som et skifte fra “smart søg” til egentlig workflow. Og ja, det er her drift og ansvar starter for alvor.
Hvad der faktisk er flyttet
Deep Research var en tilstand i Perplexity, der kørte mange søgninger, læste kilder og skrev en citeret rapport. Nu bor funktionen i Computer og splitter komplekse spørgsmål i subtasks, der rutes over 20+ frontier‑modeller, og munder ud i rapporter, decks og dashboards. Det hele i samme miljø.
Den sidste meter plejer at sluge tid i kundeteams: flytte svar ind i et dæk, rydde kilder, få graferne til at stemme. Her rammer Computer noget praktisk. Vi har i et pilotforløb set et team spare en halv dag ved, at grafer og citater lå klar i samme tråd. (Snilld, intern observation).
Hvad Computer er i korte træk
Computer blev lanceret i slutningen af februar 2026 som en skyplatform, der koordinerer op til 20 modeller i ét workflow. Arkitekturen beskrives som model‑agnostisk med Opus 4.6 som central reasoning‑motor. Tænk et lille hold af specialister orkestreret mod ét output fremfor én stor generalist.
Fordelingen er pointen: browsing, syntese, tal‑tygning – hver sin subagent. Koordinationen er forskellen, ikke bare en større enkeltmodel.
Hvad Deep Research nu gør
Versionen i Computer opdeler spørgsmål i delopgaver, ruter dem på tværs af mere end 20 modeller og samler en citeret leverance. Computer kan læse brugerfiler som PDF’er og regneark og krydsreferere dem mod live web og eksterne kilder som census‑data og Statista. Én researchkørsel, ét sted at arbejde videre – uden hop mellem fem værktøjer.
Vi har set tempoet løfte sig på søgetunge opgaver, men også at fejl bliver sværere at spore uden ordentlig logging. I et review fandt vi en forkert marginalnote og brugte for længe på at finde præcis hvilket browse‑hop, den kom fra. Det kræver bedre provenance‑logning end standardudgivelser typisk viser. (Snilld, intern observation).
Byggestenene – og de spørgsmål vi vil have svar på
MarkTechPost peger på to hovedelementer: Agent Search SDK og Search as Code. SDK’et eksponerer søgeprimitiver som “filtrering”, “deduplikering” og “reranking”. Search as Code lader modellen skrive selve køreplanen som kode, der i en sandbox udfører tusindvis af retrieval‑trin i parallel via SDK’et.
Vores spørgsmål til Enterprise‑brug: Hvilken telemetry får kunden? En praktisk baseline ville være: subagent‑ID, tidsstempel pr. hop, input‑hash, output‑hash, kilde‑URL, latenstid, omkostning. Uden det bliver tracing og audit skønssag.
Routinglogik: Er valget af modeller regelbaseret, policy‑lært eller en blanding? Og kan en administrator fastlåse eller whiteliste bestemte ruter? Det er afgørende, når afvigelser skal forklares i en audit.
Sandbox: Hvilke tids‑ og I\/
Benchmarks – rapporteret løft, men tjek selv hurtigt
MarkTechPost rapporterer før‑efter gevinster fra legacy Deep Research til Computer‑udgaven: BrowseComp fra 40,7 procent til 83,8 procent. Humanity’s Last Exam fra 36,4 til 50,5. DeepSearchQA fra 81,9 til 85,0. Tallene peger på stærkere agentisk browsing og bedre hitrate på svære oplysninger, men de er ikke uafhængigt verificeret.
Lav en hurtig sanity‑check før I ændrer KPI’er: vælg 10 svære, domænespecifikke spørgsmål, definer korrekte svar og kilder på forhånd, kør tre gentagelser, og mål to ting – factual accuracy og citationspræcision. Hvis løftet er stabilt over 3 runs, har I et signal, der er værd at arbejde videre med.
Adgang og business‑model
Forbrugere med Perplexity Max får Deep Research i Computer. Udviklere får samme stack via en pay‑as‑you‑go Agent API og det officielle SDK, inklusiv en deep‑research preset og et OpenAI‑kompatibelt endpoint. Den tunge orkestrering kører via POST \/v1\/agent, ifølge MarkTechPost.
Pay‑as‑you‑go er fleksibelt. Kilden nævner ingen offentlige per‑run‑priser. Så byg jeres egen cost‑telemetry fra dag ét og sæt caps, ellers kan onsdag kl. 15 blive dyrt meget hurtigt.
Integration og dataflow i virkeligheden
Når Computer læser interne filer sammen med nettet, smelter intern og ekstern kontekst i én pipeline. Det kræver adgangskontroller, dataklassifikation, logging og en klar retention‑politik. Hvem må køre hvad, hvor længe gemmes filer, og hvem kan se kildesporene bagefter.
Vi har set korrekte citater, der linker til sider, som skifter ugen efter. Uden snapshotting og arkivering kan I ikke efterprøve leverancen senere. Gør snapshots til standard i piloterne. (Snilld, intern observation).
Orkestrering er stærkt – driften er den hårde del
At route subtasks til 20+ modeller udnytter specialister. Hver ekstra model er også et muligt fejlpunkt. I praksis kræver det monitorering, fallback, versionsstyring og tracing på tværs af kæden. Det usynlige arbejde, der holder kvaliteten stabil over tid.
Omkostninger følger med flere hop. Uden offentlige per‑run‑tal i kilden må budgetter bygges bottom‑up: spor forbrug pr. kørsel, etabler normale og travle uger, og sæt automatiske stopklodser ved afvigelser. En kedelig vane – som betaler sig.
Kort tjekliste til piloter
- Adgang og data: stramme rettigheder, klassifikation, audit‑logs.
- Snapshotting: frys kilder og citater, gem beviskæden versioneret.
- Costs: per‑run caps, rate‑limits, daglige alarmer.
- Fallbacks: når subagent A fejler, skift til B – og log beslutningen.
- Domænetest: hårde, interne spørgsmål med klare succeskriterier.
Hvordan vi ville køre en pilot
Start med ét team og to use cases: finansanalyse og compliance‑syntese. Sæt mål: citationspræcision over en fast tærskel og menneskelig review‑tid under en anden. Hold korpus lille og klassificeret fra start, og byg op, når overblikket er der.
Arkitektur: brug Agent API til autonome runs, men kræv preview før skrivning i filer. Kør Search as Code i sandbox og sæt tids‑ og I\/
O‑begrænsninger, indtil der foreligger officielle specifikationer om sandbox‑grænser og netværksadgang. To korte cases
Økonomi\/finans: Sammenlign cash flow og marginer for store AI‑chipfirmaer over fem år, som MarkTechPost viser som eksempel. Bind regneark med historiske tal til live webkilder og Statista, og mål reproducérbarhed af graferne og fald i review‑tid. Normalisering mellem kvartaler og år går typisk fint, men engangsposter kræver en tjekliste.
Compliance‑rapportering: Kort forskelle mellem EU’s og US’s privatlivsregler i én tabel. Brug lovtekster og tilsynsvejledninger som primære kilder. Kræv versionsfrosne dokumenter og mindst to uafhængige kilder pr. felt; ellers gult flag. Regulatorer forventer dokumentation, ikke antagelser.
Åbne enterprise‑spørgsmål vi mangler dokumentation på
Model‑routing: MarkTechPost skriver, at Computer vælger “bedst egnede” modeller. Er det statiske regler, lærte politikker eller noget midt imellem? Uden indblik er afvigelser svære at forklare i audits.
Sandbox og sikkerhed: Search as Code kører i en sandbox, men hvilke tidsgrænser, I\/
O‑lofter og netværksrettigheder gælder? Og hvordan håndteres følsomme filer under kørsel? Kilden henviser ikke til officielle specifikationer. Provenance: “cites every claim” er lovende, men hvordan gemmes beviskæden? Snapshots, hashing, arkivering – og hvordan eksponeres det for kunder? Her efterlyser vi konkret dokumentation.
Kontekst uden for Perplexity
Agentiske arkitekturer rykker bredt. VentureBeat dækker Xiaomis MiMo Code som eksempel i coding‑domænet. Det er ikke bevis for Perplexitys påstande, men peger i samme retning: eksplicit orkestrering og længere, målbare forløb fremfor rene, monolitiske prompts.
Vores vurdering
Computer‑integrationen gør Deep Research mere virksomhedsbrugbar. Klart løft i orkestrering, leverancer og søgestak. Tre uafklarede nøgler skal på plads før bred udrulning: 1) provenience og snapshots som første‑klasses output, 2) forklarlig model‑routing og brugbar telemetry, 3) gennemsigtige per‑run‑økonomier med caps og alarmer. Vil I teste det: kør en fokuseret pilot, mål alt, og lad os hjælpe med guardrailsne. Man opdager først forskellen, når man sidder med det i hænderne.
