Search as Code: Perplexity Rewrites AI Search

Dall’API fissa all’agente programmatore: il cambio di paradigma

Per anni, i sistemi di ricerca basati su AI hanno funzionato secondo uno schema rigido. Un modello linguistico riceveva una query, chiamava un’API di ricerca predefinita e restituiva i risultati. Il processo era lineare, ma anche limitato. Le API fisse non possono adattarsi dinamicamente alla complessità della richiesta. Pertanto, il modello era costretto a lavorare con output standardizzati, spesso ridondanti o non pertinenti.

Perplexity reversed this logic with Search as Code. In questo nuovo paradigma, l’agente AI non chiama un’API esterna. Invece, scrive direttamente il codice Python necessario per costruire la propria pipeline di ricerca. Dunque, il modello decide autonomamente come filtrare i dati, eliminare duplicati e aggregare le fonti. Tutto avviene all’interno di un ambiente sandbox isolato e controllato.

This approach closely resembles the logic of tool-use agents, ma va oltre. Invece di usare strumenti predefiniti, l’agente diventa esso stesso l’autore degli strumenti. In sintesi, si tratta di un salto qualitativo nella capacità di ragionamento e autonomia dei modelli linguistici applicati alla ricerca.

Internal Architecture: How the Python Sandbox Works

Il cuore di Search as Code è un ambiente di esecuzione sicuro. L’agente AI genera codice Python che viene eseguito in un sandbox con accesso controllato a risorse esterne. In questo modo, il sistema può interrogare fonti eterogenee, applicare logiche di filtraggio personalizzate e deduplicare i risultati prima di restituirli al modello principale.

According to reports by The Decoder, il sistema riduce il consumo di token fino all’85% rispetto alle architetture equivalenti di OpenAI e Anthropic. Questo dato è significativo. Infatti, i costi token rappresentano una delle voci di spesa più rilevanti per chi opera pipeline AI su larga scala.

Inoltre, il sistema supera i benchmark di riferimento del settore. Ciò suggerisce che la flessibilità della pipeline generata dinamicamente produce risultati qualitativamente superiori rispetto agli approcci statici. In particolare, la capacità di deduplicazione interna riduce il rumore informativo, migliorando la precisione delle risposte finali.

Per approfondire le implicazioni architetturali degli agenti AI autonomi, è utile consultare le analisi di Gartner sull’evoluzione degli AI agent and the research work of MIT Technology Review on emerging architectures.

Casi d’uso concreti per le PMI italiane

La domanda più rilevante per una PMI italiana non è tecnica. È operativa: questa tecnologia cambia qualcosa nei miei processi oggi? La risposta dipende dal settore e dal grado di maturità digitale dell’azienda.

In retail B2B, ad esempio, un agente Search as Code potrebbe costruire pipeline di monitoraggio prezzi e disponibilità dei fornitori in modo completamente automatizzato. Invece di affidarsi a scraper rigidi o API commerciali costose, l’agente scrive il proprio codice di raccolta dati. Di conseguenza, il sistema si adatta dinamicamente ai cambiamenti delle fonti senza intervento manuale.

In digital marketing, le applicazioni sono altrettanto interessanti. Un agente potrebbe costruire pipeline di ricerca per l’analisi competitiva, aggregando dati da fonti diverse con logiche di filtraggio personalizzate. Noi di SHM Studio vediamo in questo approccio un’evoluzione naturale degli strumenti di artificial intelligence applied to marketing.

Furthermore, in the sector of Professional services, le pipeline di ricerca personalizzate possono supportare attività di due diligence, monitoraggio normativo e analisi di mercato. Pertanto, il valore non è solo nel risparmio sui costi, ma nella qualità e rilevanza delle informazioni raccolte.

Per le aziende che stanno valutando come integrare queste capacità, il punto di partenza è spesso una revisione della propria Digital marketing strategy and existing information flows.

The comparison with OpenAI and Anthropic: where the difference lies

OpenAI and Anthropic offer agentic research solutions through tools like Function Calling e tool use. Tuttavia, questi approcci restano ancorati a schemi predefiniti. Il modello sceglie quale strumento usare, ma non può modificarne il comportamento interno.

Search as Code di Perplexity introduce un livello di flessibilità superiore. L’agente non sceglie tra strumenti esistenti. Al contrario, costruisce lo strumento più adatto alla specifica esigenza. Questa differenza è sostanziale dal punto di vista ingegneristico.

In termini di costi, il vantaggio è già quantificato: fino all’85% di riduzione nel consumo di token. Per un’azienda che gestisce volumi significativi di query AI, questo si traduce in risparmi operativi concreti. Analogamente, la riduzione del rumore informativo migliora la qualità degli output, riducendo i costi legati alla verifica manuale dei risultati.

Tuttavia, è importante non sopravvalutare il confronto. OpenAI e Anthropic dispongono di ecosistemi più maturi, con integrazioni enterprise consolidate. Quindi, la scelta tra le diverse piattaforme dipende dal contesto specifico di ogni organizzazione. Per una lettura approfondita delle dinamiche competitive nel settore AI, è utile consultare le analisi di Harvard Business Review sull’AI enterprise.

Trade-offs and risks to consider

Ogni architettura innovativa porta con sé dei trade-off. Search as Code non fa eccezione. Il primo aspetto critico riguarda la sandbox security. Consentire a un agente AI di scrivere ed eseguire codice Python introduce rischi di sicurezza che devono essere gestiti con attenzione. Perplexity afferma di aver implementato controlli robusti, ma la superficie di attacco rimane più ampia rispetto alle API fisse.

The second trade-off concerns the riproducibilità. Una pipeline generata dinamicamente può produrre risultati diversi a ogni esecuzione. Questo può essere un vantaggio in termini di adattabilità, ma diventa un problema in contesti che richiedono output deterministici e auditabili.

Inoltre, la complessità operativa aumenta. Gestire un sistema in cui il codice viene generato e eseguito dinamicamente richiede competenze tecniche specifiche. Per le PMI senza un team IT strutturato, questo può rappresentare una barriera all’adozione. Pertanto, è fondamentale valutare il proprio livello di maturità tecnologica prima di procedere con l’integrazione.

Infine, la dipendenza da un singolo fornitore rimane un rischio strategico. Affidarsi a Perplexity per una componente critica della pipeline informativa espone l’azienda a variazioni di pricing, policy o disponibilità del servizio. Una balanced AI strategy Always have a contingency plan.

Il cantiere ancora aperto: cosa manca per l’adozione enterprise

Search as Code è una tecnologia promettente, ma non ancora matura per un’adozione enterprise generalizzata. Diversi aspetti restano da definire. In primo luogo, la governance degli agenti: chi è responsabile del codice generato dall’AI? Come si gestisce l’audit trail in contesti regolamentati?

In secondo luogo, mancano standard di interoperabilità. Oggi, una pipeline costruita con Search as Code di Perplexity non è facilmente portabile su altri sistemi. Quindi, le aziende che adottano questa tecnologia accettano implicitamente un certo grado di lock-in.

Nonostante ciò, la direzione è chiara. L’industria AI si sta muovendo verso agenti sempre più autonomi, capaci di costruire i propri strumenti invece di usare quelli predefiniti. Questa evoluzione avrà implicazioni profonde per le automated advertising campaigns, for the SEO and for the content production.

Recommended Decision: How to Navigate Today

Per una PMI italiana che vuole valutare Search as Code, il percorso consigliato è graduale. Prima di tutto, è utile mappare i propri flussi informativi e identificare dove le pipeline di ricerca rigide creano colli di bottiglia. Quindi, si può valutare un progetto pilota su un caso d’uso specifico e a basso rischio.

In particolare, le aziende che già utilizzano agenti AI nei propri processi sono quelle meglio posizionate per sperimentare questa tecnologia. Per chi è ancora alle prime fasi, è più prudente consolidare prima le fondamenta: una solida web presence, a strategy Structured SEO Campaigns LinkedIn e Google Ads optimized.

We of SHM Studio seguiamo l’evoluzione di queste tecnologie con attenzione analitica. Il nostro approccio è sempre lo stesso: valutare l’impatto reale prima di raccomandare l’adozione. Per approfondire come queste innovazioni possono integrarsi nella strategia digitale della vostra azienda, il team è disponibile attraverso la Contact Us. Furthermore, on our blog We will continue to monitor key developments in the AI and digital marketing landscape.