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 complessit\u00e0 della richiesta. Pertanto, il modello era costretto a lavorare con output standardizzati, spesso ridondanti o non pertinenti.<\/p>\n
Perplexity reversed this logic with Search as Code<\/strong>. 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.<\/p>\n This approach closely resembles the logic of tool-use agents<\/em>, 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 capacit\u00e0 di ragionamento e autonomia dei modelli linguistici applicati alla ricerca.<\/p>\n Il cuore di Search as Code \u00e8 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 pu\u00f2 interrogare fonti eterogenee, applicare logiche di filtraggio personalizzate e deduplicare i risultati prima di restituirli al modello principale.<\/p>\n According to reports by The Decoder<\/a>, il sistema riduce il consumo di token fino all’85% rispetto alle architetture equivalenti di OpenAI e Anthropic. Questo dato \u00e8 significativo. Infatti, i costi token rappresentano una delle voci di spesa pi\u00f9 rilevanti per chi opera pipeline AI su larga scala.<\/p>\n Inoltre, il sistema supera i benchmark di riferimento del settore. Ci\u00f2 suggerisce che la flessibilit\u00e0 della pipeline generata dinamicamente produce risultati qualitativamente superiori rispetto agli approcci statici. In particolare, la capacit\u00e0 di deduplicazione interna riduce il rumore informativo, migliorando la precisione delle risposte finali.<\/p>\n Per approfondire le implicazioni architetturali degli agenti AI autonomi, \u00e8 utile consultare le analisi di Gartner sull’evoluzione degli AI agent<\/a> and the research work of MIT Technology Review<\/a> on emerging architectures.<\/p>\n La domanda pi\u00f9 rilevante per una PMI italiana non \u00e8 tecnica. \u00c8 operativa: questa tecnologia cambia qualcosa nei miei processi oggi? La risposta dipende dal settore e dal grado di maturit\u00e0 digitale dell’azienda.<\/p>\n In retail B2B<\/strong>, ad esempio, un agente Search as Code potrebbe costruire pipeline di monitoraggio prezzi e disponibilit\u00e0 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.<\/p>\n In digital marketing<\/strong>, 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<\/a> vediamo in questo approccio un’evoluzione naturale degli strumenti di artificial intelligence applied to marketing<\/a>.<\/p>\n Furthermore, in the sector of Professional services<\/strong>, le pipeline di ricerca personalizzate possono supportare attivit\u00e0 di due diligence, monitoraggio normativo e analisi di mercato. Pertanto, il valore non \u00e8 solo nel risparmio sui costi, ma nella qualit\u00e0 e rilevanza delle informazioni raccolte.<\/p>\n Per le aziende che stanno valutando come integrare queste capacit\u00e0, il punto di partenza \u00e8 spesso una revisione della propria Digital marketing strategy<\/a> and existing information flows.<\/p>\n OpenAI and Anthropic offer agentic research solutions through tools like Function Calling<\/em> e tool use<\/em>. Tuttavia, questi approcci restano ancorati a schemi predefiniti. Il modello sceglie quale strumento usare, ma non pu\u00f2 modificarne il comportamento interno.<\/p>\n Search as Code di Perplexity introduce un livello di flessibilit\u00e0 superiore. L’agente non sceglie tra strumenti esistenti. Al contrario, costruisce lo strumento pi\u00f9 adatto alla specifica esigenza. Questa differenza \u00e8 sostanziale dal punto di vista ingegneristico.<\/p>\n In termini di costi, il vantaggio \u00e8 gi\u00e0 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 qualit\u00e0 degli output, riducendo i costi legati alla verifica manuale dei risultati.<\/p>\n Tuttavia, \u00e8 importante non sopravvalutare il confronto. OpenAI e Anthropic dispongono di ecosistemi pi\u00f9 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, \u00e8 utile consultare le analisi di Harvard Business Review sull’AI enterprise<\/a>.<\/p>\n Ogni architettura innovativa porta con s\u00e9 dei trade-off. Search as Code non fa eccezione. Il primo aspetto critico riguarda la sandbox security<\/strong>. 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 pi\u00f9 ampia rispetto alle API fisse.<\/p>\n The second trade-off concerns the riproducibilit\u00e0<\/strong>. Una pipeline generata dinamicamente pu\u00f2 produrre risultati diversi a ogni esecuzione. Questo pu\u00f2 essere un vantaggio in termini di adattabilit\u00e0, ma diventa un problema in contesti che richiedono output deterministici e auditabili.<\/p>\n Inoltre, la complessit\u00e0 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 pu\u00f2 rappresentare una barriera all’adozione. Pertanto, \u00e8 fondamentale valutare il proprio livello di maturit\u00e0 tecnologica prima di procedere con l’integrazione.<\/p>\n 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 disponibilit\u00e0 del servizio. Una balanced AI strategy<\/a> Always have a contingency plan.<\/p>\n Search as Code \u00e8 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 \u00e8 responsabile del codice generato dall’AI? Come si gestisce l’audit trail in contesti regolamentati?<\/p>\n In secondo luogo, mancano standard di interoperabilit\u00e0. Oggi, una pipeline costruita con Search as Code di Perplexity non \u00e8 facilmente portabile su altri sistemi. Quindi, le aziende che adottano questa tecnologia accettano implicitamente un certo grado di lock-in.<\/p>\n Nonostante ci\u00f2, la direzione \u00e8 chiara. L’industria AI si sta muovendo verso agenti sempre pi\u00f9 autonomi, capaci di costruire i propri strumenti invece di usare quelli predefiniti. Questa evoluzione avr\u00e0 implicazioni profonde per le automated advertising campaigns<\/a>, for the SEO<\/a> and for the content production<\/a>.<\/p>\n Per una PMI italiana che vuole valutare Search as Code, il percorso consigliato \u00e8 graduale. Prima di tutto, \u00e8 utile mappare i propri flussi informativi e identificare dove le pipeline di ricerca rigide creano colli di bottiglia. Quindi, si pu\u00f2 valutare un progetto pilota su un caso d’uso specifico e a basso rischio.<\/p>\n In particolare, le aziende che gi\u00e0 utilizzano agenti AI nei propri processi sono quelle meglio posizionate per sperimentare questa tecnologia. Per chi \u00e8 ancora alle prime fasi, \u00e8 pi\u00f9 prudente consolidare prima le fondamenta: una solida web presence<\/a>, a strategy Structured SEO<\/a> Campaigns LinkedIn<\/a> e Google Ads<\/a> optimized.<\/p>\n We of SHM Studio<\/a> seguiamo l’evoluzione di queste tecnologie con attenzione analitica. Il nostro approccio \u00e8 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 \u00e8 disponibile attraverso la Contact Us<\/a>. Furthermore, on our blog<\/a> We will continue to monitor key developments in the AI and digital marketing landscape.<\/p>","protected":false},"excerpt":{"rendered":" Perplexity lancia Search as Code: agenti AI scrivono pipeline di ricerca in Python, riducendo i costi token fino all’85% rispetto a OpenAI e Anthropic.<\/p>","protected":false},"author":7,"featured_media":23865,"template":"","meta":{"_acf_changed":false,"footnotes":""},"tags":[],"news-category":[162],"class_list":["post-23872","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-ai","entry"],"acf":{"tldr_content":" Perplexity ha presentato un'architettura denominata Search as Code<\/strong>. In sostanza, gli agenti AI non chiamano pi\u00f9 API fisse per cercare informazioni. Invece, scrivono autonomamente le proprie routine di ricerca in Python, all'interno di un ambiente sandbox controllato. Il risultato \u00e8 notevole: riduzione dei costi token fino all'85% rispetto a soluzioni comparabili di OpenAI e Anthropic.<\/p> Pertanto, questa novit\u00e0 non riguarda solo i ricercatori o i team di ingegneria. Riguarda qualsiasi PMI che stia valutando l'adozione di agenti AI nei propri processi. Infatti, minori costi token significano pipeline pi\u00f9 economiche, scalabili e personalizzabili. Inoltre, il sistema supera i principali benchmark di settore, il che indica un vantaggio competitivo concreto e misurabile.<\/p> Noi di SHM Studio<\/strong> monitoriamo da vicino questi sviluppi per valutarne le implicazioni operative per le aziende italiane B2B e retail. In questo articolo analizziamo l'architettura di Search as Code, i casi d'uso pi\u00f9 rilevanti per le PMI e i trade-off da considerare prima di integrare questa tecnologia nei propri flussi di lavoro digitali.<\/p>"},"yoast_head":"\nInternal Architecture: How the Python Sandbox Works<\/h2>\n
Casi d’uso concreti per le PMI italiane<\/h2>\n
The comparison with OpenAI and Anthropic: where the difference lies<\/h2>\n
Trade-offs and risks to consider<\/h2>\n
Il cantiere ancora aperto: cosa manca per l’adozione enterprise<\/h2>\n
Recommended Decision: How to Navigate Today<\/h2>\n