Der ganze Beitrag ist auch als Podcast-Folge verfügbar:

Achtung! Der Podcast wurde komplett von meinem AI-Assistant auf Basis meines Beitrags erstellt – keine Garantie für Fehl-Inhalte.

Was bedeutet Deep Research?

Deep Research bezeichnet die Fähigkeit von KI-Chatbots, wie ChatGPT, Perplexity oder Gemini, komplexe Suchanfragen zu verstehen, in mehrere Rechercheaufgaben runter zu brechen, eigenständig im Internet zu recherchieren und die Ergebnisse strukturiert zu konsolidieren. Anstatt nur Links zu Webseiten aufzulisten – wie wir es von Google gewöhnt sind – analysieren die Systeme die Informationen, synthetisieren sie und liefern dem Nutzer eine umfassende Antwort in Form eines klar geschriebenen Berichts.

Wie kann ich Deep Research Methoden testen und Nutzen?

Am einfachsten lassen sich die neuen Deep Research Funktionen, über die bestehenden KI-Anbieter testen und nutzen. Da die Deep Research Funktion jedoch nochmal deutlich mehr Rechenkapazität benötigt, ist diese Funktion aktuell nur in den Bezahl-Accounts verfügbar.

Hier ein paar Beispiele:

• Perplexity (Pro, 20€/Monat) -> Pro Suche mit R1 Modell starten
• ChatGPT (Pro, 200€/Monat) -> „Deep Research“ Button im Chat anklicken
• Gemini (Advanced, 20€/Monat) -> „1.5 Pro with Deep Research“ Modell wählen

Wie funktioniert Deep Research?

Die Tiefenrecherche bzw. die Methode des Deep Research läuft immer in 4 Schritten ab, wobei sich die Anbieter leicht unterscheiden (Stand 02-2025).

1. Planung: Die KI verarbeitet die Recherche-Aufgabe und plant eigenständig den Suchprozess und die Suchabfragen.
2. Informationssuche: Die KI durchforstet zahlreiche Quellen wie Artikel, Berichte und Studien und filtert Unwichtiges heraus. OpenAI nutzt dabei Web-Browsing-Funktionen, Gemini greift auf Google-Dienste zurück.
3. Analyse: Anschliessend „liest“ die KI alle gesammelten Texte, extrahiert wichtige Fakten, vergleicht Quellen und erkennt Widersprüche.
4. Strukturierung und Aufbereitung: Zum Schluss werden die Erkenntnisse in einem klar gegliederten Bericht präsentiert, meist mit Einleitung, Hauptteil und Fazit. Wichtige Punkte (z. B. Pro/Contra) werden hervorgehoben, und Quellenangaben am Ende sorgen für Transparenz.

Wichtig: Auch mit quellenbasierter Recherche können Sprachmodelle halluzinieren. Es gilt wie immer, KI als Unterstützung und nicht als blinden Ersatz zu nutzen. Insbesondere bei kritischen Fakten gilt das Prinzip der Ergebniskontrolle.

Für welche Anwendungen kann ich Deep Research anwenden?

Die Funktion des Deep Research klingt zwar zunächst sehr verlockend, ist aber dennoch nicht für alle KI-Chatbot Anwendungen nützlich. Zudem braucht diese Methode nochmals deutlich mehr Rechenleistung und Energie und diese sollten nur eingesetzt werden, wenn sie auch benötigt werden.

Grundsätzlich gilt, überall wo viele Quellen nach Informationen durchsucht werden und die Ergebnisse in ein strukturiertes Format gebracht werden müssen, kann Deep Research helfen.

• Themenrecherche: Erstellung eines strukturierten Berichts zu einem Thema, zB „Einführung in KI Agenten“
• Technologie- und Innovationsscouting: Identifikation aufstrebender Technologien (z. B. Quantencomputing, mRNA-Technologie) durch Analyse von Nachrichten, Blogbeiträgen und Patenten, sofern letztere öffentlich zugänglich sind.
• Trendanalyse: Ermittlung neuer Ernährungs- oder Lifestyle-Trends (z. B. Veganismus, Zero-Waste).
• Produktsuche und -vergleich: Anbieterrecherche zu Kategorien wie E-Bikes, 3D-Druckern oder neuen Smart-Home-Systemen.
• News-Übersicht: Zusammenstellung und Konsolidierung der Meldungen zu einem Thema.
• Markt- und Wettbewerbsanalysen: Marktüberblick in Branche Medizintechnik in Deutschland, Stärken und Schwächen der Hauptwettbewerber, Kennzahlen, Produktportfolio, …
• Wissenschaftliche Untersuchung: Zusammenstellung von frei verfügbaren Studien zum Thema „Auswirkungen der Luftverschmutzung auf die Gesundheit“.

Praxisbeispiele von Deep Research

Im Folgenden zeige ich die Funktionsweise an 3 Beispielen mit drei unterschiedlichen Anbietern. Ich habe in allen Beispielen einfache Prompts genutzt, um zu verstehen, wie die Reasoning-Modelle daraus den Recherche-Prozess planen.

Beispiel 1 (Perplexity): Schnelle Marktanalyse

Ziel
Einen Überblick über einen bestimmten Markt oder Anbieter erhalten.

Prompt
Erstelle eine Übersicht der grössten KI Sprachmodell-Anbieter inklusive Anzahl der Nutzer, Feature-Gegenüberstellung in Tabellenform, Funding und weiteren relevanten Informationen.

Prozess
Im Bereich Forschung siehst du die Suchabfragen, die Perplexity vornimmt, um die Informationen zu sammeln. Im Bereich Überlegungen siehst du wie das R1 Modell die Informationen verarbeitet, um das Ergebnis zu erstellen.

Auch beeindruckend: Insgesamt wurden 86 Quellen durchsucht.

Ergebnis
Zuerst wurde eine allgemeine Übersicht der Top LLM-Anbieter erstellt. Spannend finde ich, dass sehr sinnvolle Kriterien wie „Parameter“ oder „Open Source?“ ergänzt wurden. Problematisch ist, dass es z.B. GPT4.5 nicht gibt, aber als Ergebnis aufgeführt wird.

Anschliessend wurde noch eine Tabelle mit der Feature-Übersicht erstellt. Diese finde ich noch recht simpel, aber könnte durch einen präziseren Prompt erweitert werden. Ausserdem sind die Ergebnisse nicht konsistent oder falsch: Claude 3.5 Sonnet wird z.B. stark in kreativen Funktionen und Marketing eingesetzt. 

Beispiel 2 (Gemini): Themenrecherche zu Deep Research

Ziel
Ein Bericht über das Deep Research Feature von Google Gemini erstellen.

Prompt
Erstelle einen Bericht zum Deep Research Feature von Gemini mit folgenden Inhalten: Definition, Funktionsweise, Potenziale & Risiken, Alternative Anbieter, Anwendungsfälle in Wissensfunktionen.

Prozess
Gemini verarbeitet zuerst meine Anfrage, erstellt den Recherche-Plan inklusive der Suchabfragen und fragt mich nach Feedback. Ich habe jetzt die Möglichkeit, den Plan anzupassen oder die Recherche zu starten.

Basierend auf dem Recherche-Plan hat Gemini 22 Webseiten durchsucht. 

Im letzten Schritt konsolidiert Gemini die Informationen aus den Websites und erstellt daraus einen Bericht. Dieser Schritt hat ungefähr 5 Minuten gedauert.

Ergebnis
Ich erhalte einen vollständigen Bericht in genau der vorgegebenen Struktur. 

Den Text kann ich kopieren oder direkt als Google Doc öffnen. Auffällig war bei diesem Beispiel, dass Gemini die Google-Quellen stark bevorzugt hat. Das kann natürlich an der Aufgabenstellung liegen, aber deutet auch auf einen Bias im Modell hin.

Beispiel 3 (ChatGPT): Trendrecherche zu AI Agents

Ziel
Einen Trendbericht zur Entwicklung von AI Agents und dem Einfluss auf Unternehmen.

Prompt
Dieses Mal habe ich den Prompt etwas ausführlicher gestaltet und mehr Kontext- und Formatvorgaben hinzugefügt:

Erstelle einen Trendbericht zur Entwicklung von KI Agenten. Die Zielgruppe sind Geschäftsführer in mittelständischen Unternehmen.

Gliedere den Bericht wie folgt: 

1. Executive Summary 
2. Einführung zu KI Agenten (Definition, Funktionsweise, …)
3. Entwicklung von KI Agenten (Historie, Status Quo, Zukunftsprognosen)
4. Anwendungsfelder 
5. Chancen, Risiken und Handlungsempfehlungen 

Kläre in deinem Bericht insbesondere folgende Fragen:

• Inwiefern sind KI Agenten schon bereit für den Einsatz im Mittelstand?
• Wie wirkt sich der Einsatz von KI Agenten auf die Produktivität von Unternehmen aus?
• Welche Grundlagen müssen geschaffen werden, um KI Agenten erfolgreich zu implementieren?

Beleuchte KI Agenten kritisch und führe Studien, Statistiken und Quellen von Vordenkern und Wissenschaftlern aus der KI-Industrie heran wie z.B. Andrew Ng.

Prozess
ChatGPT stellt zuerst Rückfragen, um die Recherche zu verfeinern:

Nachdem ich die Fragen beantwortet habe, hat ChatGPT den Rechercheprozess gestartet. Die Recherche dauerte ungefähr 5 Minuten und umfasste 14 Quellen:

Die Quellenauswahl finde ich sehr ernüchternd. Es wurden fast ausschliesslich Blogs herangezogen und kaum Studien-Ergebnisse oder Statistiken.

Spannend finde ich wiederum, wie man die Arbeitsschritte von ChatGPT live beobachten kann:

Ergebnis
Auch von ChatGPT erhalte ich einen Bericht, der mit 15 Seiten nochmal umfangreicher als das Ergebnis von Gemini ist. Ich habe das o1 Pro Modell verwendet, was die Qualität und Tiefe der Ergebnisse zusätzlich steigert. 

Insgesamt überzeugt mich die Qualität, wenn ich einen Überblick über das Thema und die historischen Entwicklungen erhalten möchte. Erstaunlich gut finde ich den Schreibstil.

Was mir fehlt, sind konkrete Studien-Ergebnisse und Statistiken, die über allgemeine Prognosen auf Unternehmensberater-Blogs hinausgehen.

Auffällig ist, dass der Grossteil der Informationen aus ein paar wenigen referenzierten Quellen kommt, obwohl insgesamt 14 Quellen durchsucht wurden.

Fazit: Deep Research in der Anwendung

Deep Research Features ermöglichen es KI-Chatbots, wie ChatGPT, komplexe Suchanfragen zu verstehen, in mehrere Rechercheaufgaben zu unterteilen, eigenständig im Internet zu recherchieren und die Ergebnisse strukturiert zusammenzufassen. Eine ideale Ergänzung dazu sind Reasoning-Modelle, die unstrukturierte Informationen in schlüssige Berichte umwandeln. Diese Modelle zerlegen bereits einfache Prompts in mehrstufige Suchanfragen, liefern jedoch präzisere Ergebnisse, wenn zusätzlicher Kontext wie die Zielgruppe oder gewünschte Formatvorgaben angegeben werden.

In einem Vergleich verschiedener KI-Chatbots hat Perplexity die meisten Quellen durchsucht, jedoch nur kurze Antworten geliefert und teilweise Fehlinformationen enthalten. ChatGPT im o1 Pro Mode schnitt qualitativ am besten ab, war jedoch nicht deutlich besser als Gemini in Relation zum Preis.

Die Anwendungsbereiche von Deep Research reichen von Themenrecherchen bis hin zu Marktanalysen, wobei die KI-gestützte Recherche eine deutliche Zeitersparnis bei der strukturierten Aufbereitung von Informationen bietet. Dennoch gibt es Risiken, darunter Verzerrungen in den Modellen und die Gefahr, sich zu stark auf die KI zu verlassen, ohne selbst kritisch über die Themen nachzudenken.

Ich persönlich finde es sehr interessant, wenn KI-Chatbots, wie ChatGPT aufzeigen, mit welchem „Denkprozess“ sie meinen Prompt bearbeiten. In den meisten Fällen bin ich dann aber enttäuscht, wenn ich die Qualität der durchsuchten Quellen anschaue. Es werden meist wenig wissenschaftliche Quellen und viele weniger-vertrauenswürdige Quellen verwendet. Und obwohl der „Denkprozess“ so echt und sinnvoll klingt, machen die KI-Chatbots immer noch deutliche Fehler und auch die Deep Reserach Methoden erfordern ein genaues Prüfen der Ergebnisse.

Weitere Fragen

Der Artikel hat euch zum Nachdenken gebracht und ihr habt weitere Fragen? Oder ihr sucht allgemein Unterstützung bei der Nutzung von KI, ChatGPT, Deepseek und Chatbots?

Ich freue ich mich immer über eure Nachrichten, am liebsten per WhatsApp Nachricht oder als E-Mail.

Diesen Beitrag gibt es übrigens auch als Podcast-Folge

Achtung! Der Podcast wurde komplett von meinem AI-Assistant auf Basis meines Beitrags erstellt – keine Garantie für Fehl-Inhalte.