멀티모델 라우팅으로 무장한 Perplexity Computer, 리서치 에이전트 시장의 판을 어떻게 바꾸는가

2026년 6월 11일 기준 Perplexity는 Deep Research 기능을 단순 심층 검색 도구가 아닌, Perplexity Computer라는 통합 작업 환경 안으로 흡수로 옮겨 놓았다. 가장 큰 변화는 응답을 단일 대규모 언어 모델(LLM) 한 개의 출력에 의존하지 않고, 작업 단위별로 20개 이상의 최첨단 모델에 분산해 라우팅하는 방식이다. 사용자는 하나의 질문을 던졌을 뿐인데, 결과물로 리포트·데크·대시보드 수준의 결과 파일을 받게 된다.

Perplexity Computer 개요와 Deep Research 통합 배경

기존 Perplexity의 Deep Research는 웹을 깊이 탐색해 출처가 명확한 요약과 보고서를 생성하는 기능으로 포지셔닝돼 왔다. 이번 업데이트에서 이 기능은 Perplexity Computer라는 더 큰 작업 환경 안으로 흡수됐고, 이 컴퓨터는 다수의 AI 도구와 외부 서비스를 결합해 멀티스텝 작업을 수행하는 에이전트형 플랫폼이다. Deep Research는 그중에서도 정보 수집과 분석을 담당하는 핵심 모듈로 자리 잡은 것으로 해석된다.

지식 근로자 워크플로 자동화 가능성

Perplexity Computer가 표방하는 가치는 한 사용자가 던진 질문이 곧바로 회의용 슬라이드나 모니터링용 대시보드 산출물로 연결된다는 점이다. 마케터, 컨설턴트, 애널리스트처럼 자료 정리와 문서 작성에 시간을 많이 쓰는 직군에서는 리서치 단계에서 산출 단계까지 한 번에 끝낼 수 있어 업무 시간 절감 효과가 클 것으로 보인다. 다만 결과물 품질이 업무 기준에 부합하는지는 사용자별 검증이 필요하다별 후속 편집 필요 여부에 따라 달라질 수 있다.

모델 종속성·비용 통제·품질 일관성 리스크

20개 이상의 최첨단 모델을 동시에 운용하는 구조는 각 모델의 토큰 비용과 응답 지연(latency)이 작업별로 합산된다는 의미이기도 하다. Perplexity 입장에서 외부 모델 API 의존도가 커지면 가격 협상력, 모델 변경 대응, 결과 품질의 표준화 측면에서 운영 부담이 함께 커진다. 사용자의 경우에도 어떤 모델이 어떤 작업에 사용됐는지 가시성이 충분하지 않으면 결과에 대한 신뢰 형성이 어려울 수 있다.

20개 이상 프론티어 모델을 잇는 라우팅 아키텍처

이번 구조의 핵심은 Perplexity가 자체 호스팅 모델이 아닌, 다양한 프론티어 모델들을 작업 특성에 맞춰 동적으로 호출하는 라우팅 계층을 운영한다는 점이다. 일반적으로 멀티모델 라우팅은 다음과 같은 흐름으로 동작한다.

• 사용자 질의 분석 및 하위 작업으로의 분해(task decomposition)
• 각 하위 작업에 적합한 모델 선정 및 프롬프트 설계
• 선정된 모델들에 병렬 또는 순차적으로 라우팅해 부분 결과를 수집
• 부분 결과의 검증·교차 확인과 통합(final synthesis)
• 리포트·데크·대시보드 형식으로의 자동 포맷팅

이와 같은 오케스트레이션 방식은 OpenAI의 에이전트 SDK, Anthropic의 워크플로 도구들이 추구하는 방향과 유사한 흐름으로 읽힌다. 다만 Perplexity는 라우팅 대상을 자사 모델이 아닌 외부 프론티어 모델군으로 확장해 모델 중립적인 오케스트레이션트레이터 포지션을 선택한 것으로 해석된다.

기존 리서치 에이전트 대비 구조적 차이

기존 리서치 에이전트들은 대체로 하나의 강력한 모델을 깊게 호출하거나, 검색 전용 시스템과 결합해 출처가 풍부한 텍스트 응답을 생성하는 데 집중해 왔다. Perplexity Computer의 차이는 다음 표와 같이 정리할 수 있다.

구분	기존 리서치 에이전트	Perplexity Computer + Deep Research
모델 호출 방식	단일 또는 소수 모델 중심	20개 이상 프론티어 모델에 동적 라우팅
작업 구조	리서치 → 텍스트 요약 중심	리서치 → 하위 작업 분해 → 모델 라우팅 → 산출물 생성
최종 결과물	장문 답변, 마크다운 요약	리포트(Reports), 데크(Decks), 대시보드(Dashboards)
외부 도구 결합	웹 검색·파일 업로드 수준	업무용 산출물 포맷·대시보드 시각화까지 자동화
사용자 후속 작업	대부분 수동 편집 필요	최소 편집 또는 즉시 활용 지향

결과적으로 Perplexity는 답변을 만드는 단계를 넘어, 결과물을 업무 문서 포맷으로 직접 패키징하는 데 차별점을 둔 것으로 보인다. 이는 생산성 SaaS 시장이 텍스트 생성에서 문서·시각화 산출물 자동화로 무게중심을 옮기는 흐름과 맞물린다.

전망과 리스크

단기적으로는 Perplexity Computer가 제시한 멀티모델 라우팅 기반 리서치 워크플로가 지식 근로자용 AI 에이전트의 사실상 표준으로 자리 잡을 가능성이 있다. 다른 플랫폼들도 자사 모델에 종속되지 않는 오케스트레이션 계층을 강화하는 방향으로 대응할 것으로 전망된다. 한편으로는 다음과 같은 리스크도 함께 고려해야 한다.

• 프론티어 모델 제공사의 정책 변경 시 라우팅 로직과 비용 구조가 동시에 흔들릴 수 있음
• 모델별 응답 편향이 작업별로 섞이면 결과의 일관성과 사실 검증이 어려워질 수 있음
• 리포트·데크·대시보드라는 명시적 산출물에 대한 책임 소재와 데이터 거버넌스 이슈가 부각될 수 있음
• 엔터프라이즈 도입 측면에서 모델 호출 로그, 데이터 처리 위치, 보안 인증 등 컴플라이언스 요건 충족이 과제가 될 수 있음

특히 멀티모델 오케스트레이션은 기술적으로 화려해 보이지만, 거버넌스 측면에서는 단일 모델 기반 시스템보다 관리 지점이 크게 늘어난다는 점에 유의해야 한다. 도입 단계에서는 라우팅 로그, 사용 모델 목록, 비용 한도, 결과 검증 절차를 함께 설계하는 것이 안전해 보인다.

정리

Perplexity Computer에 통합된 Deep Research는 단일 모델의 한계를 멀티모델 라우팅으로 보완하면서, 결과물을 텍스트가 아닌 업무용 산출물 형태로 제공하는 새로운 기준을 제시했다. 이는 리서치 에이전트 시장이 ‘더 똑똑한 모델 한 개’를 경쟁 축으로 삼던 시대에서, ‘어떤 작업에 어떤 모델을 어떻게 엮을지’를 다루는 오케스트레이션 경쟁 시대로 이동하고 있음을 시사한다. 사용자와 기업 입장에서는 산출물 자동화의 이득과 함께 모델 종속성·거버넌스 비용을 함께 계산해 도입 범위를 정해야 할 것으로 분석된다.