Jeg har de sidste par år brugt mere tid, end jeg gider indrømme, på at teste LLM’er, multimodale modeller og nye AI-features – og jeg har set rigtig mange hallucinationer og halvbagte “løsninger” undervejs.
Derfor gik jeg til Perplexity Computer med en sund mængde skepsis: Endnu et agent-setup, endnu et løfte om, at “nu kan AI arbejde for dig, mens du sover”. Alligevel endte jeg med at brænde 45.000 Max-tokens af på fem dage og ni tasks..
Jeg kørte ikke laboratorietests eller fiktive cases. Jeg gav Perplexity Computer nøglerne til mine egne projekter: Mit eget site Kurateretkaos.dk, en specialiseret servicevirksomhed, et site med lidt for meget legacy-teknik og et par mere eksperimentelle opsætninger. Det vil sige rigtige sites, rigtige økonomiske konsekvenser, rigtige systemer som CRM, e-mail-marketing, annoncering og økonomisystemer – og så sagde jeg i praksis: “Her er konteksten, her er målet – nu viser du mig, hvad du kan.”
Sådan har jeg testet Perplexity Computer
Det her er ikke en “jeg bad den om at skrive et haiku”-artikel. Jeg har kørt ni reelle tasks gennem Perplexity Computer på fem dage. Opgaverne har været ting, jeg ellers selv skulle have løst i min hverdag: SEO- og UX-audit på Kurateretkaos.dk, tracking- og WordPress-fejl, marketing- og økonomi-opgaver, små designleverancer samt en beslutningsmodel for mine egne AI-værktøjer.
Jeg har ikke modtaget betaling, rabat eller affiliate-kommission for at skrive det her, og alle vurderinger er baseret på mit faktiske forbrug af tid, tokens og mentale ressourcer – -samt den erfaring, jeg i forvejen har med andre LLM’er og agent-setups.
Hvad Perplexity Computer er – og hvad det ikke er
Perplexity Computer er i praksis et agent-team, du kan sætte på en opgave og lade arbejde i baggrunden, mens du laver noget andet. Det åbner selv browseren, klikker rundt, læser dine sites, dokumenter og systemer, skriver kode, bygger små værktøjer, fejlsøger, tester og dokumenterer undervejs. Du får et arbejdsvindue, hvor du kan se, hvad der foregår – men idéen er netop, at du ikke skal babysitte hvert eneste skridt.
Det er vigtigt for mig at understrege, hvad Computer ikke er. Det er ikke en glorificeret tekstgenerator, der skal skrive dine blogindlæg billigere. Jeg har konsekvent parkeret “ren tekstproduktion” i de billigere, klassiske chat-modeller: ChatGPT, Gemini, almindelig Perplexity-chat osv., fordi det simpelthen er mere økonomisk og ofte godt nok. Computer bruger jeg til de opgaver, hvor du normalt ville overveje at hente en specialist eller konsulent ind: Teknisk SEO-audit, tracking-opsætninger, dashboards, økonomi- og kapacitetsanalyse, værktøjs-apps og komplekse marketingplaner.
Prismæssigt er det ikke svært at komme til at synes, det er dyrt. I mit første testrun fik jeg ædt de 10.000 månedlige tokens plus 35.000 signup-bonus-tokens på få dage og ni tasks. Det gør ondt, hvis du bruger det på egne projekter og pro bono-arbejde, hvor ingen sender dig penge for din egen tid. Men hvis jeg havde kørt præcis de samme opgaver som timebetalt konsulent, havde jeg tjent de 200 dollars for Computer-adgangen hjem ekstremt hurtigt – og så er det i praksis billigere end at købe de samme leverancer hos et bureau.
Kurateretkaos-auditen
Den case, der bedst illustrerer, hvad Perplexity Computer kan for en digitalt stærk solo-operatør, er mit eget medie, Kurateretkaos.dk. Her bad jeg ikke om endnu en generisk “SEO-gennemgang”, men om noget, jeg faktisk kunne omsætte til handling i løbet af en weekend.
Briefet lød nogenlunde sådan her:
Gå mit site igennem. Identificér 10 lavthængende SEO/UX/CRO-forbedringer, som jeg realistisk kan løse på 1–2 dage. Skriv dem som en prioriteret to-do-liste med konkrete tekster, estimeret tidsforbrug og forslag til, hvordan jeg måler effekten.
Computer åbnede Kurateretkaos.dk, kørte performance-målinger og begyndte at notere meget konkrete issues: en ødelagt meta-description på forsiden, manglende gennemarbejdede title-tags, manglende metadata på kategori-sider, for svag nyhedsbrev-CTA, alt-tekster der manglede, intern linking-muligheder og tekniske ting som LCP-optimeringer. Det hele blev samlet i et Markdown-dokument med en tabel: problem, hvorfor det betyder noget, estimeret impact, hvor lang tid det tager at fikse, og konkrete tekster jeg kunne copy-paste ind i WordPress, SEO-plugin og nyhedsbrevssoftware.
Som bonus uploadede jeg et artikel-draft, som jeg selv syntes lugtede lidt for meget af “AI-stil”. Computer kortede det ned, strammede vinklen og gjorde sproget mindre buzzword-tungt. Det krævede et par iterationer, før tonen sad, men jeg stod tilbage med en version, der var tættere på den måde, jeg selv ville have skrevet den – bare hurtigere.
Det afgørende her er ikke, at Computer “skrev en tekst” eller “lavede en audit”. Det afgørende er, at jeg efter én nat havde:
- En prioriteret liste med 10 konkrete quick wins, jeg kunne eksekvere i løbet af 1–2 dage.
- Færdige tekster og copy-forslag, så jeg ikke skulle sidde og ordnørde på hver CTA.
- En følelse af, at en kompetent kollega havde sat sig ned med mit medie og sagt: “Her er de vigtigste ting at gøre først – og her er ordene, du skal bruge.”
Når Computer tager de tunge opgaver: tracking, ROI og dashboards
En ting er en SEO-audit på et medie som Kurateretkaos. Noget andet er de opgaver, hvor jeg normalt overvejer at ringe til en specialist: Tracking, økonomi, kapacitet og større samarbejder.
I et specialiseret servicesetup stod jeg med klassikeren: WordPress-fejl, skæv tracking mellem annoncer og site, og en følelse af, at “Google Analytics ser rigtig ud, men jeg stoler ikke på tallene”. Som ikke-hardcore-developer ved jeg godt, hvordan jeg burde gøre – men ikke uden at bruge en masse timer og bande undervejs. Her fik Computer lov at læse sitet, kigge på scripts, events og opsætning og så komme tilbage med både en diagnose og en konkret plan for at få tracking mellem annoncer, site og analytics på plads. Det blev løst langt hurtigere og mere struktureret, end jeg realistisk ville have fået gjort alene.
I en anden opgave handlede det om, hvorvidt et større samarbejde med en kendt influent overhovedet kunne betale sig. Jeg fodrede Computer med pitch-mailen, mine bekymringer og nogle åbne tal – og bad om en reel ROI-case. Svaret var ikke bare en “det lyder spændende, du bør overveje X og Y”-chat, men en model med scenarier, worst case-beregninger, antagelser der var deklareret og et dokument, jeg kunne bruge som beslutningsgrundlag.
Tilsvarende på dashboard-siden: I stedet for endnu en generisk “sådan laver du et marketingdashboard” gik Computer ind i de tal og systemer, der faktisk eksisterer: Timeforbrug, omsætning, kapacitet, leads, pipeline. Det resulterede i en ret klar konklusion om, hvor flaskehalsen i forretningen lå – og en skitse til et cockpit, der giver mening for den konkrete virksomhed, ikke bare en generisk template.
Fælles for de tunge opgaver er, at Computer ikke bare gør det hurtigere. Det gør nogle ting mulige, jeg ærligt talt nok ikke havde fået gjort uden et ekstra sæt hænder og hjerne – i hvert fald ikke på det niveau af grundighed.
Hvor Perplexity Computer er stærkest – i praksis
Efter ni tasks tegner der sig et mønster i, hvor Computer virkelig skinner:
- Veldefinerede, komplekse marketing- og business-opgaver
Når jeg giver en klar problemformulering, kontekst og constraints – men lader metoden være nogenlunde fri – kommer der strukturerede planer, konkrete to-dos og brugbare dokumenter ud på den anden side. - Opgaver med en stærk systemkrog
Alt hvad der handler om tracking, CRM-pipelines, dashboards, audits af eksisterende opsætninger osv., bliver markant bedre, når Computer får lov at læse de faktiske systemer og data i stedet for bare at gætte. - Lang kontekst og meget strukturering
Når jeg fodrer Computer med roller, mål, filer, tidligere beslutninger og begrænsninger, bliver output langt mere pragmatisk og mindre “AI-agtigt”. - Små, velafgrænsede design-leverancer
Opgaver som “lav en enkel, brandet A4-tjekliste, klar til print” bliver løst overraskende præcist og hurtigt, uden alt det grafiske overhead.
Hvor den snubler: Begrænsninger, fejl og overkill i Perplexity Computer
Det er fristende at kalde Computer magisk, men der er nogle ret klare zoner, hvor det enten bliver middelmådigt eller direkte irriterende:
- Eksterne værktøjer med UI-login
Så snart noget kræver, at den logger ind i en ekstern app via browser-UI, rammer vi sandbox-begrænsninger. Resultatet bliver ofte meta-snak og forslag til workarounds fremfor reelt, håndgribeligt output. - Skrøbelige formater som stor YAML og kompleks HTML
Når jeg har forsøgt at lade Computer generere store, nested e-mail-skabeloner i YAML eller meget komplekse HTML-strukturer, tipper det hurtigt over i “en lille fejl ødelægger det hele”-land. - Lange tekster, der “bare lige” skal kortes ned og af-AI’ficeres
Det kan Computer godt, men det kræver flere iterationer og tydelig styring, før tonen er der, hvor jeg vil have den. - Første iteration kan være for pæn og generisk
Hvis briefet er for bredt, starter outputtet ofte et sted, hvor det er korrekt, men kedeligt. Det er først i v2/v3, når jeg presser på for kant og prioritering, at det bliver rigtig godt.
Og så er der overkill-faktoren: Computer er dyr i tokens. Bruger du den til småting, du lige så godt kunne have løst med en standardchat og lidt manuel browsing, er det en dårlig business case.
Tillid, kontrol og hvordan jeg faktisk bruger det
Jeg stoler ikke blindt på nogen LLM – heller ikke på Perplexity Computer. Men min måde at kontrollere tingene på har ændret sig.
På en helt ny opgave ligger min tillid måske omkring 60 %: jeg forventer, at noget skal justeres, og jeg spot-tjekker de vigtigste antagelser, links og tal. Hvis jeg derimod eksplicit beder Computer om selv at end-to-end-teste, køre debug eller vurdere sit eget output med et andet “skillsæt”, bevæger vi os tættere på 80–85 %. Det vigtige er, at det kan bygges ind i opgaven, hvis du ved, du skal gøre det.
Det, der giver mig tillid, er ikke bare, at outputtet ser pænt ud. Det er, at jeg kan se browserarbejdet, procesloggen og kombinationen af kvalitative og kvantitative argumenter – især i de økonomi- og strategirelaterede opgaver. Sammenlignet med en klassisk ChatGPT-agent eller en tung research-session i en anden model, er resultatet simpelthen på et andet niveau.
Jeg bruger i praksis Computer som en effektiv junior/specialist, og mig selv som redaktør og revisor. Det er et ret sundt arbejdsforhold.
Pris, værdi og hvem det giver mening for
Efter fem dage og 45.000 tokens er min konklusion ret enkel: Perplexity Computer er dyrt, hvis du ikke ved, hvad du vil bruge det til – og overraskende billigt, hvis du bruger det som en ekstern specialist og ikke som tekstrobot.
Har du ikke har fakturerbar tid, eller sidder du primært med opgaver, der handler om at skrive tekster, studere eller løse simple content-ting, vil du efter min vurdering brænde dine tokens af på opgaver, billigere værktøjer kan klare. Kommer du direkte fra et ChatGPT-setup, ville jeg i øvrigt anbefale først at lege med de nyeste modeller i almindelig chat, før du tager skridtet op til Computer.
Omvendt: hvis du er senior digital nørd, marketing- eller produktansvarlig, konsulent eller iværksætter med reel P&L- eller leveranceansvar – og du har komplekse system- og strategiske opgaver, du normalt udskyder – så er det her første gang, jeg oprigtigt vil kalde et AI-værktøj for en “kollega” uden at cringe alt for meget.
Det er ikke for tekstforfattere og studerende, og det er ikke for alle. Men for den lille gruppe, der både har teknisk forståelse og en nogenlunde skarp prompt-muskel, er Perplexity Computer tæt på at føles som snyd.
