Когда я объясняю команде, чем Perplexity отличается от ChatGPT, я обычно начинаю с одного UX-наблюдения: пользователи доверяют ответу с ссылкой на источник в среднем сильнее, чем точно такому же ответу без ссылки. Даже если они ни разу не кликнут по этой ссылке. Это эффект социального доказательства, переложенный на интерфейс ИИ — присутствие цитаты воспринимается мозгом как маркер «это уже кто-то проверил».
Perplexity построила на этом эффекте целый продукт. Каждый ответ помечен номерами в квадратных скобках, каждый номер — кликабельная ссылка на конкретный материал, и за два года продукт превратился из нишевого «AI search engine» в массовый сервис с десятками миллионов пользователей и собственным браузером Comet. Идея отличная: показать пользователю не только что система думает, но и откуда она это взяла.
Проблема в том, что в медицине эта механика создаёт иллюзию надёжности, которая не всегда соответствует реальности. Цитата не равна точности — и в этой статье я разберу, в каких сценариях Perplexity действительно полезна, а где её UX вводит в заблуждение даже образованного пользователя. Мы в команде МедАссист много изучали, как люди читают ИИ-ответы по своим анализам, и Perplexity — отдельный кейс, потому что её ошибки выглядят солиднее, чем ошибки чистой LLM.
Что такое search-augmented LLM и чем Perplexity отличается от ChatGPT
Архитектурно Perplexity — это не просто языковая модель, а связка «поисковик + LLM», работающая по схеме, близкой к Retrieval-Augmented Generation (Lewis et al., 2020). Когда вы отправляете запрос, система сначала проводит обычный веб-поиск — собирает релевантные страницы из своего индекса. Затем эти страницы передаются языковой модели как контекст, и модель генерирует ответ, «опираясь» на эти источники и проставляя номера-цитаты.
Под капотом в 2026 году у Perplexity уже не одна модель, а целый зоопарк. Базовый поиск работает на собственной модели Sonar — дообученной Llama 3.3 70B, которая по A/B-тестам Perplexity не уступает GPT-4o и Claude 3.5 Sonnet по удовлетворённости пользователей. Для платных тарифов есть Sonar Pro (больше источников и контекста), Sonar Reasoning Pro (chain-of-thought) и Sonar Deep Research для длинных отчётов. В платных подписках можно переключиться на GPT-5.2, Claude 4.6 или Gemini 3.1 Pro, а в Max-тарифе работает Model Council — один запрос отправляется в три модели сразу. Подробно про сами эти модели и общие принципы того, как универсальные LLM ошибаются на медицинских данных, я разбирал в нашем базовом сравнении МедАссиста и ChatGPT — здесь сосредоточусь именно на специфике поискового подхода.
Принципиальное отличие от чистого ChatGPT: Perplexity не отвечает «из памяти модели», а каждый раз заново ищет информацию в интернете. У этого подхода два больших плюса — актуальность данных (модель не упирается в свой knowledge cutoff) и проверяемость (ссылки можно открыть и прочитать). И у него же есть фундаментальное ограничение: качество ответа ограничено качеством источников, которые поисковик нашёл по конкретному запросу.
Где Perplexity сильнее ChatGPT для медицинских задач
Я честно перечислю плюсы — потому что они есть, и игнорировать их было бы нечестно.
Актуальность данных. ChatGPT в режиме без поиска упирается в дату обучения модели и может не знать про свежие клинические рекомендации, новые препараты или изменившиеся пороговые значения. Perplexity же по определению ходит в интернет и видит свежий контент. Если терапевтическое сообщество в феврале 2026 пересмотрело норму витамина D — у Perplexity больше шансов это поймать.
Проверяемость. Каждое утверждение в ответе подкреплено ссылкой. Это огромный шаг вперёд по сравнению с чёрным ящиком ChatGPT, где источник «знаний» модели в принципе не виден. Если у вас есть привычка проверять важные факты — Perplexity даёт вам инфраструктуру для этого почти бесплатно.
Литературные обзоры. Это сценарий, где Perplexity действительно сильна. Запрос «современные подходы к интерпретации ферритина при системном воспалении» она отработает быстрее и связнее, чем поиск вручную в Google. В режиме Deep Research, который запускает десятки последовательных поисков и читает сотни источников, можно получить вполне приличный обзор темы за 5-10 минут.
Меньше галлюцинированных фактов в среднем. Когда модель опирается на реальный текст, а не сочиняет — уровень фактологических ошибок объективно ниже. Медицинское исследование 2024 года по Reference Hallucination Score (RHS) показало, что Perplexity сочиняет ссылки заметно реже, чем ChatGPT-3.5 и Bing того периода (RHS=7 против RHS=11), хотя проигрывает специализированным академическим поисковикам Elicit и SciSpace (RHS=1).
Для общеобразовательных задач — «что такое ферритин и зачем его измеряют», «чем отличается прямой и непрямой билирубин» — Perplexity действительно удобнее, чем ChatGPT, и сильно удобнее обычного Google.
Где Perplexity ломается на расшифровке анализов
Теперь — главный блок, ради которого писалась статья. У Perplexity есть несколько фундаментальных проблем именно для медицинской интерпретации, и UX-обёртка с цитатами их маскирует, а не решает.
Проблема №1. Модель цитирует реальные источники с придуманными утверждениями. Это самый коварный режим ошибки. URL в цитате открывается, страница существует, источник выглядит солидно — но конкретное утверждение, которое модель приписала этому источнику, в нём отсутствует или сформулировано иначе. На задачах с проверкой цитирования у Perplexity по разным замерам 2026 года фиксируется около 37% случаев фабрикации в цитатах — это лучший результат среди потребительских поисковых ИИ, но всё равно «больше одной из трёх ссылок может содержать выдуманный факт». В медицине это худший режим ошибки из возможных, потому что психологически вы уже расслабились — «там же ссылка».
Проблема №2. Поисковик не отличает peer-reviewed публикацию от SEO-блога с такими же ключевыми словами. Это базовое свойство веб-поиска. Когда вы отправляете запрос «что значит ферритин 800 при СРБ 12», в результат могут попасть и статьи из StatPearls на NCBI, и публикация на PubMed, и блог частной лаборатории, и форум пациентов, и пост в Дзене. Perplexity ранжирует их по своим алгоритмам релевантности, но не делает медицинской экспертизы источника. Языковая модель потом одинаково «уважительно» цитирует и метаанализ из NEJM, и статью маркетолога из чата клиники, переписанную копирайтером. Для пользователя оба источника выглядят как одинаково солидные сноски в ответе.
Проблема №3. Поисковая выборка зависит от формулировки запроса. Если вы спросите по-русски «нормальный ли у меня ферритин» — поисковик подтянет преимущественно русскоязычный контент, а в нём качественной медицинской литературы заметно меньше, чем в англоязычном. В международных журналах референсы для ферритина разбираются гораздо детальнее, чем в большинстве русских блогов. Perplexity не подскажет вам, что ваш запрос заведомо вытащит из выдачи слабые источники — она просто отработает на том, что нашла.
Проблема №4. Нет структурного парсинга анализа. Если вы просто скопируете в Perplexity список из 30 показателей с цифрами, она не построит из них структурированную таблицу с привязкой к референсам, единицам измерения и динамике. Она будет работать с этим как с обычным текстом и применять к нему всю логику Lost in the Middle. Подробно этот эффект я разбирал в pillar-статье — на длинных списках показателей универсальные модели систематически проседают на середине, и поисковая обвязка эту проблему не лечит.
Проблема №5. Цитаты создают иллюзию проверки. Это самое важное с продуктовой точки зрения. Мы изучали, как пользователи читают ИИ-ответы по медицинским вопросам — почти никто не открывает ссылки, чтобы убедиться, что утверждение действительно там написано. Из 100 человек примерно 5-7 кликают хотя бы по одной ссылке, и 1-2 действительно читают её содержимое. Остальные используют сам факт наличия цитаты как сигнал «проверено» — и идут дальше. Это нейтральная UX-механика, но в медицине она работает против пользователя.
Сценарий-тест: «что значит ферритин 800 при СРБ 12»
Конкретный пример, чтобы это не выглядело абстрактной критикой. Возьмём типичную ситуацию: ферритин у человека резко повышен (800 нг/мл), С-реактивный белок тоже умеренно повышен (12 мг/л). Это классическая клиническая ловушка: повышенный ферритин в данной ситуации скорее всего отражает не избыток железа в организме, а активное системное воспаление. Ферритин — белок острой фазы, и его уровень закономерно растёт при любом воспалительном процессе.
Когда я отправляю этот запрос в Perplexity, типичная картина выглядит так. Система находит 6-10 источников: пара материалов из NCBI и PubMed, страница частной лаборатории, статья на агрегаторе медицинских вопросов, пара русскоязычных блогов клиник, иногда форум пациентов. Ответ получается связным и в среднем правильным — он упомянет про острую фазу, про необходимость учитывать СРБ, посоветует обратиться к врачу. До этого момента всё хорошо.
Дальше начинаются нюансы. Во-первых, ссылки в ответе будут перемешаны: утверждение «ферритин — белок острой фазы» может оказаться подкреплено ссылкой на блог лаборатории, хотя в самом блоге этой формулировки нет, а есть в источнике из NCBI, который оказался «соседом» в выдаче. Во-вторых, конкретные числовые рекомендации (например, «при СРБ выше 10 мг/л интерпретация ферритина смещается на N единиц») часто берутся из источника, где это утверждение либо отсутствует, либо приведено в другом контексте. В-третьих, ответ не учитывает вашей индивидуальной картины — нет ваших предыдущих анализов, нет других показателей того же забора, нет анамнеза. Поэтому совет всегда будет общим — а не «у вас вот так-то, и поэтому это с большой вероятностью означает то-то».
Сравните с тем, как должен работать специализированный медицинский ИИ: загрузите PDF с этим анализом, добавьте предыдущие результаты — и система вытащит структурированную таблицу, посчитает динамику, сопоставит ферритин со всеми маркерами воспаления одновременно, отметит, что отсутствует трансферрин и насыщение трансферрина (которые тут принципиально нужны), и сформулирует вопрос к врачу: «вероятно, вторичный реактивный гиперферритинемия на фоне воспаления — нужно дообследование причины воспаления, а не лечение избытка железа». Без выдумок, но с конкретикой.
Pro-тариф и Deep Research: помогает ли в медицине
Логичный вопрос: а если включить платный тариф? У Perplexity есть Pro ($20/месяц), Max ($200/месяц), а также режим Deep Research, который обещает «обзор уровня кандидатской». По собственному бенчмарку DRACO Deep Research лидирует среди потребительских инструментов по фактологии и качеству цитирования.
Для общего research это работает заметно лучше базового режима. Deep Research действительно прочитает десятки источников, найдёт несколько метаанализов, сравнит подходы — и выдаст структурированный отчёт. Если задача звучит как «собери для меня обзор актуальных подходов к интерпретации ферритина в ревматологии» — это инструмент уровня младшего научного сотрудника.
Но три фундаментальные проблемы остаются. Первое: даже Deep Research выбирает источники из открытого веба, а не из закрытых медицинских баз. Лидеры специализированного медицинского поиска — OpenEvidence, Consensus, Elicit — работают строго в индексе peer-reviewed литературы, и в медицинских задачах они объективно надёжнее. Второе: Deep Research всё равно работает на уровне темы, а не вашего личного бланка. Это инструмент изучения области, а не интерпретации конкретных цифр. Третье: UX-эффект «много ссылок = надёжно» в Deep Research даже сильнее, чем в обычном режиме — отчёт на 5000 слов с сотней цитат психологически воспринимается как почти научная работа, и пользователь ещё реже проверяет конкретные утверждения.
Я не призываю не пользоваться Deep Research — это объективно полезный инструмент. Просто различайте задачу «изучить тему» и задачу «разобрать свой анализ». Deep Research хорош для первой и не приспособлен под вторую.
Когда Perplexity имеет смысл использовать в меддиалоге
Я сторонник честных рекомендаций — не «всё плохо, идите в МедАссист», а «вот сценарии, где этот инструмент действительно полезен».
- Понять, что вообще такое ваш диагноз. Получили заключение «реактивный артрит» — Perplexity даст связный обзор лучше, чем гугление в случайном порядке.
- Сравнить подходы к лечению, о которых упомянул врач. «Чем отличается метформин от пиоглитазона», «когда назначают комбинированную терапию при гипертонии» — это задачи на структурированный обзор, и Perplexity в них хороша.
- Подготовиться к консультации с узким специалистом. Узнать терминологию, понять, какие вопросы задавать, какие исследования обычно назначают в этой ситуации.
- Проверить актуальность рекомендации. Если врач назначил вам препарат, который вы хотите дополнительно изучить, Perplexity покажет свежие источники по его профилю безопасности и эффективности.
- Изучить редкое или нишевое состояние. Когда тема настолько узкая, что Википедия даёт три абзаца — Perplexity может вытащить отраслевые публикации, до которых руки не дойдут.
Чего я не советую делать в Perplexity: загружать туда свой бланк анализов и ждать персональной интерпретации; принимать числовые пороги из ответа без сверки с первичным источником; полагаться на советы по корректировке терапии. Это всё про точность работы с вашими личными данными — и тут даже хороший поиск не заменит специализированного медицинского пайплайна. Из соседних постов серии — у Gemini похожая история с обработкой фото бланка: мультимодальность красиво показывает, как ИИ «видит» ваш документ, но точность извлечения цифр в этом сценарии всё равно ниже, чем у строгого OCR-парсера.
Сравнительная таблица: Perplexity vs МедАссист
| Параметр | Perplexity (Pro/Max) | МедАссист |
|---|---|---|
| Архитектура | Search + LLM (Sonar/GPT/Claude/Gemini) | Пайплайн: OCR → парсинг → RAG-аналитика по клин. рекомендациям |
| Источник данных | Открытый веб + индекс Perplexity | Верифицированная база клинических рекомендаций |
| Качество источников | Зависит от выдачи; peer-reviewed и SEO-блог в одной выборке | Только peer-reviewed гайдлайны и валидированные источники |
| Структурный парсинг анализов | Нет, текст обрабатывается как обычный документ | Да, каждый показатель — отдельный объект с референсом |
| Risk reference hallucination | ~37% по citation-бенчмаркам (лучший среди потребительских) | Близко к 0 за счёт жёстких guardrails |
| Динамика по визитам | Не сохраняется | Тренды и сравнение бланков по годам |
| Приватность для пользователя из РФ | Серверы вне РФ, политика 152-ФЗ не закрывается | Защищённый контур, ориентация на 152-ФЗ |
| Лучший сценарий | Обзор темы, сравнение подходов, изучение терминологии | Расшифровка анализов, подготовка к визиту, отслеживание динамики |
| Худший сценарий | Интерпретация конкретного бланка с цифрами | Литературные обзоры по широкой теме |
Mini-FAQ
Если Perplexity показывает ссылку на источник — значит, ответ проверен? Нет. Ссылка означает только то, что система нашла источник, который тематически похож на ответ. Сам ответ генерируется языковой моделью, и она может пересказать источник неточно — или процитировать утверждение, которого в источнике вообще нет. Это явление называют «reference hallucination», и в медицинских тестах оно встречается у Perplexity заметно реже, чем у обычного ChatGPT, но всё ещё встречается.
Какие модели использует Perplexity в 2026 году? Базовый поиск работает на собственной модели Sonar (дообученная Llama 3.3 70B), для Pro-пользователей доступны Sonar Pro и Sonar Reasoning Pro. В платных тарифах можно переключаться на GPT-5.2, Claude 4.6 и Gemini 3.1 Pro, а в Max-тарифе — Model Council, который прогоняет один запрос через три модели одновременно.
Помогает ли Perplexity Deep Research для расшифровки моих анализов? Deep Research отлично подходит для обзора литературы по теме — например, «современные подходы к интерпретации ферритина при воспалении». Но это не инструмент расшифровки конкретных цифр из вашего бланка: он не парсит документ построчно, не валидирует единицы измерения и не сопоставляет показатели с референсами. Для общего изучения темы — да, для разбора своих результатов — нет.
Можно ли загружать анализы в Perplexity? Технически Pro-аккаунт принимает PDF, DOC, DOCX, TXT и RTF. Но качество разбора будет уровня универсальной LLM с поиском по интернету, а не специализированного медицинского пайплайна. Плюс серверы Perplexity находятся за пределами РФ, что для медицинских данных — отдельная история про 152-ФЗ.
Чем Perplexity лучше обычного гугления для медицинских вопросов? Тем, что собирает несколько источников в один связный ответ и показывает, откуда взяты конкретные утверждения. Это экономит время и снижает риск «застрять на первой странице». Но критическое чтение источников остаётся за вами — Perplexity не различает peer-reviewed публикацию и SEO-блог по одному и тому же запросу.
Заключение
Perplexity — отличный инструмент для исследования темы, и я искренне ей пользуюсь, когда нужно быстро войти в незнакомую область. Но для расшифровки личных анализов работают не цитаты в интерфейсе, а строгий парсинг данных, сопоставление с клиническими рекомендациями и удержание динамики по годам — то, что мы в команде МедАссист встроили в продукт изначально.
Если вам нужно понять «что вообще пишут про мою ситуацию в литературе» — открывайте Perplexity. Если нужно разобрать вот этот конкретный бланк с конкретными цифрами и принять конкретное решение, к какому врачу идти — тут специализированный медицинский ИИ объективно надёжнее. Это не про «лучше или хуже» в общем — это про подходящий инструмент под подходящую задачу.
