개요
Perplexity가 6월 11일에 큰 그림을 바꿨습니다. 2월 말에 공개한 멀티모델 오케스트레이션 시스템 Computer 위에 Deep Research를 통째로 올린 겁니다. 예전 Deep Research가 단일 흐름으로 검색하고 정리해 주는 도구였다면, 이번 버전은 질문을 잘게 쪼개서 20개가 넘는 프런티어 모델에 서로 다른 일을 시키는 구조입니다. 결과물도 그냥 글 한 편이 아니라 리포트·브리프·덱·대시보드·라이브 스프레드시트까지 인용을 박아서 한 번에 나옵니다.
성과 수치도 셉니다. 가장 까다로운 에이전트 브라우징 벤치마크인 **BrowseComp에서 40.7% → 83.8%**로 두 배가 넘게 올랐습니다. 사람이 검색창 여기저기 들쑤시고 다녀야 답이 나오는 종류의 문제에서 점프가 크다는 뜻입니다.
핵심 요약
- 무엇이 바뀌었나: Deep Research가 별도 기능이 아니라, Computer라는 멀티모델 오케스트레이션 위에서 도는 한 가지 모드가 됐습니다.
- 모델 구성: 핵심 추론은 Opus 4.6, 깊은 리서치 서브태스크는 Gemini 같은 전용 모델로 라우팅합니다. 총 20+ 프런티어 모델이 일을 나눠 갖습니다.
- 검색 방식: “Search as Code”. 질문마다 검색 실행 코드를 LLM이 직접 짜고, 그 코드가 수천 단계의 검색·필터·중복 제거·재랭킹을 병렬로 돌립니다.
- 출력 포맷: 리포트, 브리프, 덱, 대시보드, 라이브 스프레드시트. 전부 인라인 인용 포함.
- 벤치마크: Humanity’s Last Exam 36.4% → 50.5%, BrowseComp 40.7% → 83.8%, DeepSearchQA 81.9% → 85.0%.
- 접근: 소비자는 Perplexity Max 구독, 개발자는 Agent API의
deep-research프리셋(POST /v1/agent)으로 종량제. - 데이터 소스: PitchBook, CB Insights 같은 프리미엄 데이터셋 연동(법률 데이터는 프리뷰).
본문
Search as Code — 왜 이 구조가 빠르고 정확한가
Perplexity가 이번에 강조한 키워드가 Search as Code입니다. 말 그대로 “검색을 코드로 짠다"는 뜻입니다. 사용자가 “올해 AI 칩 제조사 4곳 현금흐름과 마진을 비교해줘” 같은 질문을 던지면, 시스템이 먼저 이 질문을 풀기 위한 검색 실행 코드를 즉석에서 작성합니다. 그 코드는 Perplexity의 Agentic Search SDK가 제공하는 기본 블록 — 검색, 필터링, 중복 제거, 재랭킹 — 을 조립한 형태입니다.
그다음이 핵심입니다. 그 코드가 수천 단계의 검색을 병렬로 돌립니다. 단순히 “키워드 한 번 던지고 페이지 몇 개 받아오기"가 아닙니다. 질문에 맞춰 검색 경로 자체가 매번 다르게 짜이고, 거기서 나온 자료를 다시 LLM이 평가하고 추리는 순환을 빠르게 반복합니다. 결국 사람이 “검색 → 읽기 → 비교 → 추가 검색"을 머리로 돌리던 루프를, 코드가 대신 수천 번 돌려주는 셈입니다.
멀티모델 라우팅 — 일은 잘하는 모델한테
Computer의 진짜 무기는 모델 라우팅입니다. 한 모델이 다 처리하지 않습니다. 작업 종류에 따라 다른 모델을 부릅니다.
- 법률 비교: 법률 추론에 특화된 모델
- 숫자/표 다루기: 스프레드시트와 데이터 처리에 강한 모델
- 최종 글쓰기: 글쓰기에 강한 모델
- 깊은 리서치: Gemini 계열 서브에이전트
- 전체 추론 엔진: Opus 4.6
기준은 단순합니다. 잘하는 모델이 잘하는 일을 한다. 이전에는 한 모델이 모든 단계를 책임지면서 가격과 속도가 같이 묶였다면, 이제는 단계별로 최적 모델을 골라 쓸 수 있게 된 겁니다. 비용은 종량제로 흘러갑니다.
벤치마크에서 진짜 의미 있는 숫자는 BrowseComp
발표된 벤치마크 셋은 세 개입니다.
| 벤치마크 | 출처 | 이전 Deep Research | Computer 버전 |
|---|---|---|---|
| Humanity’s Last Exam | Center for AI Safety & Scale AI | 36.4% | 50.5% |
| BrowseComp | OpenAI | 40.7% | 83.8% |
| DeepSearchQA | Google DeepMind | 81.9% | 85.0% |
DeepSearchQA는 이미 80%대였던 만큼 상승 폭이 크지 않고, Humanity’s Last Exam은 약 14%p 올랐습니다. 진짜 눈에 띄는 건 BrowseComp의 43.1%p 점프입니다. BrowseComp는 답이 한 페이지에 떨어져 있지 않고, 여러 페이지를 거치며 단서를 모아야 하는 문제를 다룹니다. “사람이 직접 브라우징했을 때만 풀리던 종류의 문제"에서 두 배 가까이 오른 건 의미가 다릅니다.
다만 형님이 신뢰도를 따질 때 짚어 둘 게 있습니다. 이 숫자들은 모두 Perplexity가 자체 측정한 1자 벤치마크입니다. 독립 기관 검증은 아직 없습니다.
어디에 어떻게 쓰나 — 네 가지 시나리오
Perplexity가 직접 든 사용 예시는 거칠지만 명확합니다.
- 금융: 여러 해 치 현금흐름과 마진 비교 분석
- 법무: 국가별 데이터 프라이버시 규제 비교 지도
- 헬스케어: 임상시험 근거 자료 합성
- 테크: 모델 벤치마크를 추론력·비용·컨텍스트 길이 기준으로 비교
공통점은 출처가 흩어져 있고, 비교 축이 여러 개라서 한 번 만든 표가 곧장 보고서가 되는 종류의 일이라는 점입니다. 라이브 스프레드시트와 대시보드 출력이 받쳐 주니까, “검색 → 표 → 슬라이드"로 가는 시간이 크게 줄어듭니다.
개발자가 붙이는 법 — Agent API의 deep-research 프리셋
개발자 입장에서는 진입점이 단순해졌습니다.
from perplexity import Perplexity
client = Perplexity()
response = client.responses.create(
preset="deep-research",
input="Compare cash flow and profit margins of major AI chip makers."
)
엔드포인트는 POST https://api.perplexity.ai/v1/agent이고, 과금은 종량제입니다. 한 줄짜리 프리셋 호출로 위에 적은 멀티모델 라우팅 전체가 돌아갑니다. 내부 파일도 같이 읽을 수 있어서, 사내 문서와 웹 자료를 한 번에 묶어 인용을 박은 결과물을 만들 수 있습니다.
강점과 한계, 솔직하게
강점은 분명합니다.
- 질문당 수천 단계의 병렬 검색
- 에이전트 브라우징(BrowseComp) 기준 두 배 가까운 정확도 향상
- 내부 파일 + 라이브 웹을 한 번에, 인용 포함
- 결과물을 글로만 받지 않고 덱·대시보드·스프레드시트로 받을 수 있는 포맷 유연성
반대로 짚을 부분도 있습니다.
- 벤치마크가 1자 측정이라 독립 검증이 필요합니다.
- Perplexity Max 구독자 전용으로 무료 티어가 없습니다.
- 프리미엄 데이터 소스 커버리지가 분야마다 다릅니다(법률은 아직 프리뷰).
- 인용을 잘 박아도 결과물은 사람이 검토해야 합니다. 자동 보고서를 그대로 결재 라인에 올릴 수준은 아닙니다.
실무자가 볼 핵심 포인트
- 리서치 워크플로: “검색 → 표 정리 → 슬라이드” 루프가 잦은 직군이라면, 시간 절감 폭이 가장 큽니다. 금융·법무·전략 쪽에서 먼저 효과를 볼 가능성이 높습니다.
- 벤치마크 해석: BrowseComp 점프(40.7% → 83.8%)가 가장 의미 있는 신호입니다. 단순 QA가 아니라 다중 페이지 브라우징을 잡았다는 뜻이라, 자동화 가능 영역이 한 단계 넓어졌습니다.
- 모델 선택 책임 이동: 사용자가 모델을 고르지 않아도, Computer가 단계별로 라우팅합니다. 단점은 어떤 단계에서 어떤 모델이 도는지가 항상 투명하지는 않다는 점입니다.
- 개발 통합:
deep-research프리셋 한 줄로 내부 문서 + 웹을 묶을 수 있어서, 사내 RAG에 외부 리서치를 얹는 패턴을 빠르게 시제품화할 수 있습니다. - 검토 워크플로 필수: 인용이 잘 박혀 있어도 결과물은 검수 대상입니다. 자동 발행이 아니라 자동 초안 + 사람 검토 흐름을 전제로 설계해야 합니다.
- 비용 모델: Max 구독 또는 종량제 API. 자주 쓸수록 비용 변동이 크니, 운영 단계에서는 호출당 평균 비용을 미리 측정해 두는 게 안전합니다.
원문 출처
- MarkTechPost, “Perplexity Moves Deep Research Into Computer, Routing Research Subtasks Across 20+ Frontier Models For Reports, Decks, And Dashboards” (2026-06-11) — https://www.marktechpost.com/2026/06/11/perplexity-moves-deep-research-into-computer-routing-research-subtasks-across-20-frontier-models-for-reports-decks-and-dashboards/