Замена OpenClaw? Обзор системы Perplexity Computer

Perplexity Computer управляет стеком программного обеспечения так же, как это делает человек. Он анализирует, делегирует, ищет, собирает и запоминает. 

Пользователю достаточно описать желаемый результат — например, разработка презентации на основе финансового квартального отчета. Perplexity Computer создаст задачи для выполнения этого запроса, делегируя их субагентам.

Один агент собирает необходимые данные, другой формирует инфографику, третий составляет документ.

Ариавинд Шринивас, CEO Perplexity, заявил, что это «следующий большой шаг», вспомнив высказывание Стива Джобса: «Музыканты играют на своих инструментах, а я играю на оркестре».

Команда Perplexity считает, что вопреки распространенному мнению, ИИ-модели не становятся все более универсальными, а наоборот специализируются. Каждая передовая модель лучше всего справляется с определенными задачами.

Поэтому для полноценного рабочего процесса необходим доступ ко всем моделям и их грамотное использование.

Так, на момент написания этой статьи Perplexity Computer использует Opus 4.6 в качестве основного механизма логического вывода и объединяет субагентов с лучшими моделями для решения конкретных задач:

• Gemini для углубленных исследований (создание субагентов);
• Nano Banana для обработки изображений;
• Veo 3.1 для обработки видео;
• Grok для ускорения выполнения простых задач;
• ChatGPT 5.2 для воспроизведения длинных контекстов и широкого поиска.

Координация происходит автоматически, а работа ведется в асинхронном режиме. Пользователь может сосредоточиться на других задачах или запустить десятки компьютеров Perplexity параллельно.

Perplexity Computer уже подключен к десяткам внешних сервисов: Gmail, Slack, Notion, Google Drive, GitHub, Jira, Linear, Confluence, Salesforce и многим другим.

Это означает, что агент может читать и составлять электронные письма, ставить задачи и создавать документы, а также писать программный код без участия человека.

Пока функционал доступен не всем. Запуск инструмента носит эксклюзивный характер: опробовать мультиагентную систему можно только в рамках плана Max, стоимость которого составляет $200 в месяц.

При этом архитектура тарифа Max опирается на систему расходуемых кредитов. Каждый месяц подписчикам начисляется 10 000 базовых кредитов. Дополнительно компания предоставляет ранним пользователям единоразовый бонус в размере 20 000 кредитов, срок действия которого сгорает через 30 дней.

Однако, по словам некоторых пользователей, этих кредитов хватает всего на четыре часа тестов.

При этом стоит заметить, что скорость списания средств динамически меняется в зависимости от вовлеченных моделей. Вызов быстрой нейросети Grok обойдется дешевле, чем длительный расчет с привлечением логики Opus 4.6.

Интерфейс позволяет вручную ограничивать бюджет для конкретных сессий. Если задача слишком ресурсоемкая, пользователь может установить жесткие лимиты или принудительно назначить использование менее затратных моделей.

Perplexity Computer ориентирован не только на разовые сложные запросы, но и на фоновую автоматизацию.

Система поддерживает различные повторяемые сценарии:

• «каждое утро присылай бриф по новым письмам в электронной почте»;
• «раз в неделю собирай обновления по репозиториям в GitHub»;
• «формируй отчет по изменениям в Notion и отправляй его команде».

Таким образом, продукт позиционируется как инструмент для делегирования рутинных процессов. 

Подобный функционал выглядит логичным ответом команды Perplexity на рост интереса рынка к автономным агентам и особенно проекту, сменившему названия Clawdbot, Moltbot и затем OpenClaw.

Всплеск массового интереса к автономным системам начался с проекта разработчика Питера Штайнбергера, который за месяц с момента выхода ИИ-агента OpenClaw получил 230 тысяч звезд на GitHub.

Амбициозный проект обернулся взломом аккаунтов и привел к запуску скам-токена с масштабной капитализацией.

В условиях, когда локальные боты дискредитировали себя чередой уязвимостей, разработчики Perplexity Computer представили продукт, кардинально меняющий архитектуру выполнения задач.  

Главное концептуальное отличие кроется в переносе среды вычислений в облако. Пользователь работает с системой через браузер, отправляя комплексные запросы. Получив запрос, Perplexity Computer не пытается внедрить код в локальную операционную систему клиента. Вместо этого инициируется сложный процесс оркестрации на удаленных серверах компании.

Взаимодействие с реальными данными пользователя осуществляется исключительно через официальные API-коннекторы. Если системе требуется отправить письмо или сделать коммит на GitHub, она действует через авторизованные шлюзы с жестко ограниченными правами. Даже в случае критического сбоя логики, ущерб ограничится виртуальным контейнером, не затрагивая конфиденциальные файлы на физическом устройстве.

Вирусный феномен локальных ботов продемонстрировал готовность рынка к делегированию рутины, но череда критических уязвимостей доказала, что бизнес не станет доверять инфраструктуру проектам с открытым исходным кодом, требующим доступа к операционной системе.

Использование изолированной облачной песочницы Perplexity Computer призвано решить эту проблему корпоративной безопасности.

Тем не менее, безрисковых систем не бывает. Так, любая языковая модель подвержена риску создания ложных фактов — галлюцинаций. В рамках одиночного запроса такую ошибку легко обнаружить. В архитектуре долгосрочных агентов эта проблема приобретает каскадный характер.   

Если на раннем этапе исследования субагент неверно интерпретирует цифру из отчета, эта ошибка будет передана следующему модулю, который интегрирует ее в математическую формулу. Итоговая презентация будет выглядеть профессионально, но ее фундамент окажется ошибочным.   

Отсутствие контроля на промежуточных стадиях повышает требования к качеству внутренней верификации. Разработчики частично решают эту проблему мультимодельностью: одни алгоритмы валидируют результаты других. Тем не менее пользователям рекомендуется воспринимать сгенерированные документы как качественные черновики, требующие экспертной вычитки.

Если алгоритм отклоняется от заданного курса или использует нерелевантные источники, человек вмешивается, корректирует запрос и направляет работу в правильное русло.   

Этот подход сохраняет преимущества скорости, но страхует от логических сбоев. Итеративное улучшение результатов превращает контакт с машиной в партнерство, где вычисления ложатся на облако, а функция архитектора остается за пользователем.