1. Меньше гибкости и контроля над агентами
Главный минус Perplexity Computer — меньший контроль пользователя над архитектурой агента.
- В Perplexity Computer ты формулируешь цель, а система сама решает, какие модели, инструменты и песочницу использовать — всё это спрятано в облаке и не настраивается вручную.
- В ChatGPT (особенно с агентными плагинами, API и собственными скриптами) ты можешь детально управлять цепочками действий, prompt‑инжинирингом, выбором модели, подключением к своим инструментам и данным, что удобно для тех, кто хочет «ручной» подход.
Для многих компаний это не проблема, но для тех, кто ценит прозрачность, настройку и локализацию данных, это ограничение важно.
2. Зависимость от облачной инфраструктуры
- Perplexity Computer работает только в управляемом облаке Perplexity:
- это удобно, но ограничивает самостоятельное размещение,
- твоя задача, промпты и данные проходят через их среду.
- В ChatGPT агенты могут быть запущены:
- в твоём собственном стеке (API, сторонние фреймворки, внутренние сервисы),
- в связке с локальными инструментами или VM‑агентами, где ты сам решаешь, где хранить данные и как настроить безопасность.
Для бизнесов с жёсткими требованиями по безопасности и локализации данных выбор в пользу более гибких ChatGPT‑агентах будет выглядеть разумнее.
3. Сложнее адаптация под кастомные сценарии
- Perplexity Computer оптимизирован под «штабельные» бизнес‑сценарии: ресёрч, отчётность, презентации, конкурентный анализ и т.п. При этом кастомные, очень нишевые процессы приходится «загонять» в формат, который система понимает, и не всегда удаётся гибко настроить поведение агента.
- ChatGPT‑агенты отлично работают там, где ты строишь собственную логику:
- свой фреймворк агентов,
- цепочки с несколькими сервисами,
- сложные правила принятия решений.
Если у тебя есть уникальный рабочий процесс, который не попадает в стандартный шаблон, ChatGPT даёт больше простора для «ручного» дизайна.
4. Меньше свободы по выбору моделей
- В Perplexity Computer выбор и маршрутизация моделей (Opus, Gemini, GPT‑5, Grok и др.) сделаны за тебя — это удобно, но ты не можешь настроить модель под конкретный сценарий так гибко, как в агентных системах на базе ChatGPT/других API.jeremyknox+1
- В архитектуре ChatGPT ты можешь:
- использовать несколько моделей OpenAI,
- комбинировать их с внешними моделями,
- настраивать собственные логики выбора по типу задачи.
Для продвинутых пользователей это означает больше экспериментов и тонкой настройки под конкретный бэкенд.
5. Меньше «разговорного» взаимодействия
- Perplexity Computer позиционируется как агент‑директор: задал цель — получил результат. В нём слабее классический «человеческий» диалог, и он не так удобен для долгих, креативных, импровизированных бесед.
- ChatGPT остаётся сильнее в диалогах, сторителлинге, переписке, переговорах и творческих задачах — там, где важен контекст, тон и «чувство беседы», а не только выполнение задачи.
Когда недостатки Perplexity Computer становятся критичны
- тебе важна максимальная настройка и контроль над агентами,
- нужно localhost‑ или виртуальный стек агентов с собственными моделями,
- бизнес требует жёсткой изоляции данных и отказа от «чужого облака»,
- процессы сильно нишевые и нестандартные, не помещаются в типовые сценарии Perplexity Computer.
В таких случаях ChatGPT‑агенты (с API, плагинами и кастом‑кодом) часто оказываются более гибким выбором, хоть и с большим порогом входа.
Если бы вы выбирали инструмент для агентов, что для вас важнее: «коробочная простота» Perplexity Computer или «глубокий контроль» ChatGPT‑агентов?
Напишите в комментариях, под какой тип задач (маркетинг, аналитика, dev‑аутсорсинг и т.п.) вы бы построили свою агентную систему, а я помогу подобрать конкретный формат: Perplexity Computer, ChatGPT‑агенты или смешанный сценарий.