AI 搜索曾被视为撼动传统搜索引擎格局的关键变量，但现实正在发生变化。近期，被曝在一个月内营收增长 50%，年度经常性收入（ARR）跃升至 4.5 亿美元以上。这一增长并非来自传统“聊天式搜索”，而是源于其战略重心的转移——全面押注 AI 智能体（Agent）与按量计费模式。
这意味着，Perplexity 正在从“信息获取工具”演进为“任务执行系统”，而这一转型，正在重塑 AI 产品的价值衡量方式。
从搜索到执行：产品定位的根本转向
Perplexity 早期以“AI 搜索引擎”切入市场，其核心能力包括：
- 基于大模型的问答
- 实时信息整合
- 引用来源的答案生成
一度被认为是对 搜索体系的重要挑战。
但当前策略已明显变化：
- 从回答问题 → 执行任务
- 从单轮查询 → 多步骤操作
- 从信息聚合 → 行动闭环
公司正在开发的 AI Agent 能够：
- 代表用户完成复杂任务
- 调用外部工具与 API
- 在多轮交互中持续推进目标
这一转变，本质上是：
从“Search Interface”走向“Action Interface”
收入跃升的关键：定价模型与价值重估
Perplexity 收入在短期内快速增长，背后是定价策略的变化：
1. 从订阅制到按量计费（Usage-based Pricing）
传统 AI 产品多采用：
- 固定订阅（subscription）
- 或简单分层（tiered pricing）
而 Agent 系统引入后，成本结构发生变化：
- 每个任务涉及多次模型调用
- 工具调用带来额外成本
- 推理深度与资源消耗强相关
因此，按量计费成为更合理的模式：
- 按调用次数
- 按 token / compute 使用量
- 按任务复杂度
2. 从“回答价值”到“任务价值”
用户不再为“答案”付费，而是为：
- 任务完成度（task completion）
- 自动化程度（automation level）
- 节省的人力成本
这使得单用户价值（ARPU）显著提升。
技术视角：Agent 如何放大算力与收入
Agent 系统的一个重要特征是：计算放大效应（compute amplification）。
一个典型流程可能包括：
- 任务拆解（planning）
- 多轮推理（reasoning）
- 多工具调用（tool use）
- 结果整合（aggregation）
相比单次查询：
- 调用次数增加数倍甚至数十倍
- 上下文长度显著增长
- 推理深度更高
这直接带来两个结果：
- 成本上升（更多 GPU / token 消耗）
- 收入上升（按量计费放大收益）
这也解释了为什么：
Agent 转型往往伴随收入快速增长
用户规模：从 C 端工具到企业服务
数据显示，Perplexity 当前：
这一结构意味着其正在形成双轮驱动：
C 端
B 端
- 企业知识查询
- 自动化流程（research / analysis）
- 内部 Agent 部署
企业客户的引入，将进一步提升：
行业共振：Agent + 定价重构成为主流路径
Perplexity 的变化并非孤例，而是行业趋势的一部分：
- ：推动 Assistants 与 Agent API
- ：在 Gemini 中强化工具与任务执行能力
- 云厂商：逐步转向按算力与调用量计费
一个清晰趋势正在形成：
AI 产品的商业模式，正在向“算力驱动 + 任务计费”迁移
对 AI 工程的影响：设计目标发生变化
1. 成本成为核心约束
开发者需要关注：
- 每个 Agent 任务的 token 消耗
- 工具调用次数
- 推理深度与延迟
系统设计将更加注重：
- cost-performance tradeoff
- caching 与复用
- 模型分层（small vs large models）
2. Agent 架构成为默认选择
未来应用不再是：
而是：
- 任务 → Agent pipeline → 多步执行
这要求工程体系支持：
3. 产品指标发生变化
传统指标：
正在被新的指标补充：
- task success rate
- cost per task
- automation coverage
写在最后：AI 商业化进入“执行阶段”
Perplexity 的增长说明了一件关键事实：
- AI 的价值正在从“理解信息”转向“改变世界”
- 而改变世界，需要执行，而不仅是回答
从搜索到 Agent，从订阅到按量计费，这一转型背后，是 AI 商业逻辑的重构：
可以预见的是，下一阶段的竞争，将围绕一个核心问题展开：
谁能以可控成本，让 AI 真正替用户完成更多工作。
而 Perplexity，正在用营收增长证明，这条路径已经开始奏效。