Perplexity Estrena el Model Council Combinando 3 Modelos de IA

Perplexity ya no se conforma con que le pidas una búsqueda y te la “resuma bonito”. Ahora está probando algo bastante más agresivo: poner a tres IAs potentes a trabajar en paralelo mediante una función interna llamada Model Council, ligada directamente al plan Perplexity Max.

Tras anunciar Advanced Deep Research, todo apunta a que la compañía está preparando un salto de producto que suena más a orquestador de modelos que a otro chatbot con una skin nueva. No es un simple ajuste cosmético, sino un cambio de enfoque.

Model Council aparece etiquetada como “Max”, lo que deja claro desde el primer momento que se trata de una función premium. Sin embargo, lo realmente interesante no es el paywall, sino la idea que hay detrás: comparar y, potencialmente, combinar respuestas de varios modelos al mismo tiempo.

Model Council apunta a una idea simple: si dudas, preguntas a varios “cerebros”

La descripción de Model Council indica que permite comparar respuestas de múltiples modelos de IA de forma simultánea. En lugar de fiarte de una única “verdad” generada por un solo LLM, el sistema te muestra varias respuestas para que decidas cuál tiene más sentido… o directamente deja que Perplexity haga el trabajo sucio por ti.

Al activarlo, el selector de modelos permitiría elegir tres modelos a la vez, y no precisamente de segunda fila. Los que aparecen como seleccionables simultáneamente son Gemini 3 Pro, GPT-5.2 y Claude Opus 4.5 con razonamiento.

La elección no es casual ni discreta: es casi un statement. Lo más potente de Google, OpenAI y Anthropic compartiendo el mismo panel, como si Perplexity estuviera diciendo “no me caso con nadie, yo quiero el mejor resultado posible”.

Aquí surge una pregunta incómoda pero clave: ¿esto existe solo para que tú compares respuestas, o Perplexity también va a fusionarlas?

La presencia de estos modelos sugiere un sistema capaz de asignar la misma tarea a varios LLMs y combinar sus salidas. Básicamente, un “jurado” de IAs donde cada una responde, se cotejan diferencias y se intenta llegar a una versión final más robusta y fiable.

La gracia del multimodelo no es postureo: ya ha ganado en benchmarks duros

Los sistemas multimodelo no son una idea teórica ni un experimento de laboratorio. Ya han mostrado resultados sólidos en benchmarks exigentes como ARC-AGI.

En envíos anteriores a este benchmark —incluyendo la propuesta de Poetiq del año pasado y otra presentada este año— las configuraciones multimodelo han superado a muchas ejecuciones basadas en un solo modelo. Cuando el problema exige generalización real y no solo “hablar bien”, hacer que varios modelos colaboren o compitan ofrece una ventaja tangible.

A esto se suma un matiz clave: los LLMs fallan de formas distintas. Uno puede ser brillante razonando pero flojo con fechas, otro puede alucinar menos pero ser demasiado conservador, y otro clavar el estilo mientras patina en detalles técnicos. Si consigues un pipeline capaz de detectar esas diferencias y quedarse con lo mejor de cada uno, el resultado final puede ser más fiable que cualquier respuesta monolítica.

Eso sí, todo esto tiene letra pequeña: coste y latencia. Lanzar la misma consulta a tres modelos punteros implica pagar tres inferencias —o algo muy parecido— y esperar a que todas terminen para poder comparar. Puede ser una locura de calidad… o una locura de segundos de espera y euros por consulta, dependiendo de cómo lo empaquete Perplexity.

Perplexity intenta diferenciarse donde otros se ponen nerviosos: no priorizar “su” modelo

Si Perplexity convierte esta orquestación multimodelo en una funcionalidad de producto madura, puede diferenciarse claramente de otros asistentes que suelen empujarte hacia “la opción de casa”, incluso cuando existe un modelo externo que encaja mejor con tu caso de uso.

Esto sería algo más cercano a un comparador de “mejor respuesta posible” que a un escaparate de marca. La gran incógnita es cómo rinde esto en el uso cotidiano.

ARC-AGI está muy bien para titulares, pero el día a día es otro: búsquedas con contexto difuso, temas ambiguos, documentos largos, prompts mal escritos y usuarios que cambian de idea a mitad del proceso. Ahí es donde la orquestación se juega su valor real. Si Model Council no solo muestra tres respuestas, sino que además te ayuda a decidir rápido, entonces sí hablamos de una mejora tangible.

También entra en juego la ergonomía. Si la interfaz te obliga a leer tres biblias y elegir, puede ser potente pero poco usable. La diferencia entre un juguete para frikis y una feature que se vuelve hábito está en cuánto tiempo te ahorra, no en cuántos modelos apila.

Y luego está Gamma: un modo misterioso que en el código se llama ASI

Además de Model Council, aparece mencionado otro modo llamado Gamma. No hay descripción, solo un icono con estética de IA, lo que deja muy poco de donde tirar.

En el código, Gamma se referencia como ASI, abreviatura de “artificial superintelligence”. El nombre suena grande, casi excesivo: superinteligencia artificial, palabras mayores. Más allá de eso, no hay información suficiente para inferir su propósito, así que su función sigue siendo incierta.

Si encaja con la dirección que está tomando Perplexity, podría tratarse de un modo “superior” orientado a capacidades más ambiciosas —más autonomía, más planificación, más herramientas— o simplemente marketing interno con nombre exagerado. Hasta que lo veamos funcionando, Gamma es humo con icono.

Lo que sí parece claro es la tendencia: Perplexity quiere dejar de ser solo una “respuesta rápida” para convertirse en arquitecto de respuestas, el sistema que decide qué modelo usar, cuándo y por qué.

Al final, el futuro de todo esto depende de un detalle muy humano: si notas que aciertas más y pierdes menos tiempo, pagarás el Max sin pensarlo. Y si Model Council consigue que tres modelos discutan por ti y te entreguen una respuesta final más fiable, esto probablemente sea solo el inicio de una nueva guerra: no la de quién tiene el mejor LLM, sino la de quién sabe combinarlos mejor.