Perplexity añade búsqueda web a su API de decisiones

Perplexity acaba de añadir búsqueda web en tiempo real a su Decisions API, una herramienta que responde preguntas cerradas con probabilidades. Con el nuevo modo web_grounding, el modelo consulta internet antes de contestar y usa esos resultados como evidencia.

Esto resuelve un límite importante de los modelos de IA: su conocimiento puede estar desactualizado. La información que recibieron durante el entrenamiento no basta para saber, por ejemplo, si una persona sigue siendo directora ejecutiva, si una empresa acaba de captar inversión o si un producto tiene una versión nueva.

Cómo funciona

El cambio para los desarrolladores es pequeño. Basta con añadir "mode": "web_grounding" a una petición de la API.

Antes de llamar al modelo, la pasarela de Perplexity crea una búsqueda por cada pregunta, ejecuta las consultas en paralelo y elimina las URL duplicadas. Después incorpora al contexto los títulos, enlaces y textos encontrados. El modelo responde con el mismo formato de siempre, pero con información más reciente.

El contenido que se envía como contexto, llamado state, puede ser texto, JSON, imágenes o una URL. En este último caso, el modelo analiza directamente la página indicada sin que el desarrollador tenga que copiar su contenido.

La respuesta también incluye search_results, para que la aplicación pueda revisar qué fuentes vio el modelo. Si una búsqueda falla o tarda demasiado, la respuesta se genera con las evidencias que sí hayan llegado.

Más precisión, a cambio de algo de velocidad

Perplexity probó la función con 328 afirmaciones de verdadero o falso. Eran noticias de octubre de 2026 y datos poco frecuentes de Wikipedia, además de versiones falsas que cambiaban un solo detalle.

Sin búsqueda web, el modelo acertó el 56,4 % de las afirmaciones. Con web_grounding, alcanzó el 97,3 % y redujo los errores de 143 a 9.

El coste es una mayor latencia, es decir, más tiempo hasta recibir la respuesta:

• La mediana pasó de 139 a 366 milisegundos.
• El 95 % de las respuestas llegó en menos de 742 milisegundos, frente a 514 milisegundos sin búsqueda.

En el benchmark público PWS-Decisions, con 100 preguntas sobre hechos actuales, la precisión subió del 51 % al 86 %. Las peticiones con búsqueda tardaron una mediana de 370 milisegundos en la medición de Perplexity.

Qué puede hacer una aplicación con esto

La utilidad está en convertir información cambiante en decisiones automáticas. Por ejemplo:

• Comprobar si una empresa ha conseguido financiación en los últimos 90 días.
• Detectar si existe una versión estable más reciente de una herramienta.
• Confirmar que un evento sigue activo antes de reservarlo.
• Verificar una política o una capacidad de producto antes de que actúe un agente.

El resultado no es solo una respuesta de texto. La API devuelve una probabilidad para cada opción, de modo que el código puede decidir si continúa, pide una revisión humana o detiene el proceso.

Coste y límites

Cada búsqueda completada cuesta 0,001 dólares adicionales, aparte de los tokens de entrada. Además, las evidencias encontradas cuentan dentro del límite de entrada y una petición puede incluir hasta 100 preguntas.

Para activarlo en las bibliotecas de Python o TypeScript de Perplexity, el modo se pasa dentro del cuerpo de la petición. En Python, por ejemplo, se puede usar extra_body={"mode": "web_grounding"}.

La idea importante es que una API de decisiones ya no tiene que elegir entre un modelo rápido pero desactualizado y una búsqueda separada gestionada por el desarrollador. Puede consultar la web justo antes de responder, mostrar las fuentes utilizadas y entregar una probabilidad lista para que una aplicación actúe. El siguiente punto a vigilar será cómo mantiene la calidad cuando las fuentes se contradicen o una página cambia con rapidez.