O Perplexity parece a resposta madura ao ChatGPT. Você faz uma pergunta, recebe uma resposta fluente e, ali mesmo nas notas de rodapé, estão as fontes. A UX é limpa, as citações têm ar de autoridade e — o que é decisivo para um paciente olhando seus resultados de exames — a experiência inteira sugere que “isto é confiável porque está citado”.
Do ponto de vista de design de produto, o Perplexity fez algo genuinamente inteligente: lançou o RAG (Geração Aumentada por Recuperação) como uma experiência de consumo e deixou a recuperação visível. Isso é uma conquista de verdade. Mas, como alguém que acompanha há anos a forma como as pessoas usam a IA médica, posso dizer que esse sinal de confiança faz um trabalho que o sistema por trás dele ainda não mereceu por completo. Neste artigo, quero explicar onde o Perplexity brilha, onde ele falha especificamente na medicina e por que um RAG no estilo do Wizey, sobre um corpus com curadoria, é um produto diferente — mesmo que a arquitetura seja parecida.
O que o Perplexity realmente é
O Perplexity é um produto de LLM aumentado por busca. Nos bastidores, uma consulta dispara uma busca ao vivo na web; os melhores resultados são baixados e divididos em fragmentos; esses fragmentos são vetorizados; os mais relevantes são entregues a um LLM — muitas vezes o GPT, o Claude ou o Sonar, modelo próprio da Perplexity — junto com a consulta; e o modelo é instruído a responder usando esses fragmentos, citando cada afirmação. Esse é o RAG clássico dos manuais, descrito em Lewis et al. (2020), embrulhado em uma interface rápida e atraente.
As escolhas de engenharia centrais são: recuperar da web aberta em tempo real, usar um LLM generalista para sintetizar e exibir as citações no próprio texto. É dessa combinação que vêm tanto seus pontos fortes quanto suas fraquezas na medicina.
O que funciona: conhecimento geral, atualidade e fontes visíveis
Para perguntas não clínicas, o Perplexity é excelente. Ele supera os LLMs estáticos em qualquer tema em que a atualidade importa — lançamentos recentes de produtos, mudanças de políticas, novidades do mercado — porque realmente lê a web no momento da consulta. As citações deixam você clicar e verificar, o que é uma disciplina real em comparação a um chatbot puro, que pede que você confie no treinamento dele. Uma análise da JAMA (2023) observou que exibir as fontes aumenta de forma significativa a confiança percebida nas respostas de IA — para o bem e para o mal.
Para um médico fazendo uma varredura da literatura, o Perplexity Pro, com sua busca voltada ao meio acadêmico, pode ser uma ferramenta de biblioteca genuinamente útil. Se você sabe o que procurar em uma citação, ele economiza tempo.
Para um paciente tentando interpretar o PDF dos seus exames, os mesmos recursos se tornam um risco. Vale a pena destrinchar o porquê.
Por que citação não é o mesmo que precisão na medicina
Três modos de falha específicos aparecem repetidamente quando pacientes usam o Perplexity para interpretar exames:
1. A fonte é real, mas a afirmação que ela sustenta não é o que a fonte de fato diz. Um LLM que resume um fragmento de texto recuperado pode se desviar. O Perplexity pode citar uma página legítima do NIH ao fazer uma afirmação que essa página não contém — a página e a afirmação ficam próximas estatisticamente, não semanticamente. A pesquisa documentada em The Lancet Digital Health (2024) mostra esse padrão em vários sistemas de RAG: as citações aumentam a confiança percebida sem necessariamente aumentar a precisão factual.
2. A fonte parece legítima, mas não tem autoridade médica. A recuperação do Perplexity trata a web aberta como seu corpus. Um blog de saúde bem ranqueado, um resumo do Healthline, um artigo no Medium, uma discussão médica popular no Reddit — tudo isso aparece com frequência nas citações, lado a lado com o PubMed e a Mayo. O paciente não tem como pesar essas fontes com facilidade. Diretrizes clínicas revisadas por pares ficam ao lado do post de um influenciador de bem-estar, ambos exibidos com a mesma formatação de nota de rodapé.
3. O problema da escolha seletiva. O RAG recupera fragmentos cujo vetor fica próximo da consulta. Em um tema médico cheio de nuances, o fragmento mais relevante para a consulta muitas vezes é uma frase fora de contexto, que não reflete a orientação completa. Por exemplo, uma pergunta do tipo “ferritina alta é sempre sobrecarga de ferro?” pode recuperar um fragmento dizendo que a ferritina sobe conforme os estoques de ferro — o que é verdade em um cenário e profundamente enganoso no cenário bem mais comum, o da inflamação. A frase citada está correta; a resposta construída a partir dela está errada.
O exemplo da ferritina, na prática
Deixe eu mostrar um padrão real que eu vejo. Um paciente pergunta ao Perplexity: “minha ferritina está em 450, o que isso significa?” Uma resposta típica puxa fragmentos que mencionam sobrecarga de ferro, hemocromatose e doença hepática, cita o MedlinePlus e produz um texto de tom ponderado sobre essas condições. Parece cheio de autoridade.
O que ela costuma deixar passar, a menos que o usuário formule a pergunta exatamente do jeito certo, é que a ferritina é uma proteína de fase aguda. Na presença de inflamação — infecção, crise autoimune, cirurgia recente, inflamação de baixo grau causada pela obesidade — a ferritina sobe independentemente dos estoques reais de ferro. A referência do MedlinePlus sobre a ferritina deixa isso explícito. A interpretação clínica correta depende da leitura conjunta da proteína C reativa (PCR) e do painel completo do ferro (ferro sérico, saturação de transferrina, CTLF). Sem essa leitura conjunta, uma resposta sobre “ferritina alta” não está errada isoladamente — ela só está partindo do quadro de referência errado.
O Wizey dá conta disso porque o pipeline extrai a ferritina e a PCR e o painel do ferro do seu PDF como valores estruturados, e a camada de interpretação tem regras explícitas em seu grafo de conhecimento sobre a interpretação de fase aguda. O mesmo padrão de arquitetura de recuperação do Perplexity, um corpus completamente diferente e restrições completamente diferentes.
A qualidade do RAG é um problema de corpus, não de UX
Este é o ponto que eu quero que os engenheiros que leem isto entendam. A UX do Perplexity oferece citações. Seu corpus é a web aberta. É o corpus que determina o que você consegue e o que não consegue responder de forma confiável.
O RAG do Wizey é arquiteturalmente parecido: extrair os fragmentos relevantes, entregá-los a uma camada de raciocínio, produzir uma resposta fundamentada. A diferença é o corpus — um grafo de conhecimento médico com curadoria, construído sobre diretrizes revisadas por pares (USPSTF, ACP, NICE, recomendações das sociedades de cardiologia e endocrinologia), intervalos de referência filtrados e condutas clínicas validadas. Não há Reddit no corpus. Não há blogs de saúde no corpus. A contrapartida é menos abrangência e muito mais confiabilidade — e você não pode usar o Wizey para procurar as notícias de IA da semana passada, apenas para interpretar dados de exames.
Para uma visão mais ampla de por que a IA médica exige esse tipo de especialização, recomendo a comparação-pilar Wizey vs ChatGPT, que trata em profundidade da distinção entre o generativo e o extrativo.
Privacidade: o Perplexity de consumo e os dados de saúde (PHI)
O produto de consumo do Perplexity retém consultas e respostas para melhorar o serviço, conforme sua política de privacidade padrão. Não é um serviço coberto pela HIPAA e não se destina a dados de saúde protegidos (PHI). O Perplexity Enterprise oferece um tratamento de dados mais forte, mas um BAA (Business Associate Agreement) não é sua configuração padrão, e o produto continua sendo, no fundo, uma ferramenta de busca de uso geral.
Um paciente que cola os valores dos seus exames, o nome no cabeçalho e a data de nascimento em um chat de consumo do Perplexity está expondo dados de saúde protegidos (PHI) a um produto de busca para consumidores. O produto não faz nada para alertá-lo, porque não foi feito para esse caso de uso.
O Wizey, como outras IAs médicas feitas para esse fim, mantém os dados de saúde protegidos (PHI) dentro de um ambiente em conformidade e trata os dados de exames como protegidos desde a concepção.
Quando o Perplexity realmente ajuda
Para terminar com o equilíbrio que o tema merece: o Perplexity é uma boa ferramenta para tarefas específicas ligadas à saúde.
- Fazer uma varredura da literatura recente sobre um medicamento ou uma doença antes de uma consulta com o especialista
- Verificar se alguma diretriz foi atualizada recentemente
- Encontrar fontes confiáveis sobre um tema restrito que você mesmo pode ler depois
- Se orientar em uma subárea da medicina que você não conhece, para descobrir que termos pesquisar
- Ler notícias médicas em outros idiomas, com contexto de tradução embutido
Para isso, a recuperação da web em tempo real é uma vantagem. Só lembre-se de que, para a tarefa mais difícil de interpretar os números dos seus próprios exames, a web aberta é o corpus errado — por mais bonitas que as citações fiquem na tela.
Comparação lado a lado
| Dimensão | Perplexity | Wizey |
|---|---|---|
| Corpus | Web aberta, recuperada ao vivo | Grafo de conhecimento médico com curadoria + protocolos clínicos |
| Estilo de citação | Visível no texto, autoridade mista | Implícita, sempre de fontes validadas |
| Tratamento de PDFs de exames | Lê os números, cola trechos da web | Extração estruturada + interpretação ancorada em protocolos |
| Raciocínio entre marcadores | Fraco — o que os fragmentos recuperados por acaso disserem | Explícito no grafo de conhecimento (ferritina × PCR, TSH × FT4) |
| Acompanhamento longitudinal | Não é oferecido | Séries temporais nativas |
| BAA da HIPAA | Consumo não, Enterprise limitado | Nativo para uso do paciente |
| Melhor uso | Varredura da literatura, atualidade, orientação rápida | Interpretação de exames de ponta a ponta para pacientes |
Mini-FAQ
Se o Perplexity cita as fontes, por que isso não basta na medicina? A citação prova que existe uma fonte perto da afirmação. Não prova que a fonte valida aquela afirmação específica. O Perplexity cita com frequência páginas reais que não sustentam de fato a resposta montada — especialmente em temas clínicos cheios de nuances.
O Perplexity consegue interpretar meus exames? Ele consegue comentar cada marcador costurando trechos da web. Não consegue ancorar a interpretação em protocolos clínicos validados, cruzar marcadores relacionados nem acompanhar tendências.
O Perplexity está em conformidade com a HIPAA? O Perplexity de consumo, não. O Perplexity Enterprise tem um tratamento mais rígido, mas ainda é uma ferramenta de busca de uso geral, não uma plataforma de nível médico.
Qual é a diferença real entre o RAG do Perplexity e o RAG do Wizey? O corpus. O mesmo padrão de arquitetura; web aberta versus grafo de conhecimento médico com curadoria.
Quando o Perplexity é útil na área da saúde? Varredura da literatura, checagens de atualidade, orientação sobre um tema — para usuários que sabem avaliar criticamente as fontes citadas.
Conclusão
O Perplexity transformou o RAG em um belo produto de consumo e, para muitas perguntas não clínicas, é a melhor ferramenta de IA de uso geral disponível. A UX de citações visíveis é uma disciplina genuinamente útil para qualquer sistema de IA.
Na medicina, porém, a parte do sistema que realmente determina a confiabilidade é o corpus, não a UX. A web aberta é o lugar errado para ancorar a interpretação dos exames de um paciente. Um grafo de conhecimento médico com curadoria, fundamentado em diretrizes revisadas por pares e em condutas clínicas validadas — é sobre isso que uma ferramenta especializada como o Wizey é construída. O mesmo padrão de recuperação, uma promessa muito diferente — e, para a tarefa específica de ler seus exames de sangue com segurança, é a promessa que importa. Se você quer o argumento arquitetural mais aprofundado, o post-pilar Wizey vs ChatGPT percorre tudo de ponta a ponta.
