Deep Research Max: Google stellt neuen KI-Agenten für umfangreiche Internetrecherchen vor

Zwei Varianten für unterschiedliche Einsatzzwecke

Die Standardvariante Deep Research ersetzt die im Dezember veröffentlichte Preview-Version und soll bei geringerer Latenz und niedrigeren Kosten eine höhere Qualität liefern. Sie ist für Anwendungen gedacht, bei denen Geschwindigkeit wichtig ist, weil der Nutzer auf eine unmittelbare Antwort wartet, etwa bei einem Chat-Interface.

Deep Research Max hingegen zielt auf maximale Gründlichkeit. Der Agent nutzt erweiterte Test-Time-Compute, um iterativ zu schlussfolgern, zu suchen und den finalen Bericht zu verfeinern. Google nennt als typischen Anwendungsfall asynchrone Hintergrund-Workflows, etwa einen nächtlichen Cron-Job, der bis zum Morgen umfassende Due-Diligence-Berichte für ein Analystenteam generiert.

In von Google durchgeführten Benchmarks soll Deep Research Max einen deutlichen Leistungssprung bei Retrieval- und Reasoning-Aufgaben zeigen. Verglichen mit der vorherigen Version konsultiere der Agent laut Google mehr Quellen und erkenne kritische Nuancen, die die ältere Version häufig übersehen habe.

Der Vergleich mit OpenAIs GPT-5.4 ist allerdings nicht eindeutig. Das Modell bietet zwar eine leistungsfähige autonome Internetsuche, ist aber nicht für Deep Research optimiert. Hierfür bietet OpenAI einen eigenen DR-Agenten, der nach dem Februar-Update auf GPT-5.2 basiert, nicht auf GPT-5.4. Das stärkste Suchmodell von OpenAI ist ohnehin GPT-5.4 Pro, das Google offenbar nicht verglichen hat. Laut OpenAI erreicht es bis zu 89,3 Prozent im agentischen Such-Benchmark BrowseComp, GPT-5.4 kommt auf 82,7 Prozent.

Auch Anthropic meldet für Opus 4.6 höhere BrowseComp-Resultate als von Google dargestellt, nämlich 84 Prozent. Das Modell erzielte diese Leistung laut Anthropic ohne Reasoning, da es dabei bessere Ergebnisse lieferte als mit hoher Reasoning-Intensität. Die Abweichungen dürften am Messverfahren liegen: ob die Modelle über die reine API oder eingebunden in die jeweiligen Werkzeuge der KI-Labore getestet wurden. Googles Darstellung ist insofern mit Vorsicht zu lesen, muss aber nicht falsch sein. In jedem Fall ist die Darstellung intransparent.

MCP-Unterstützung öffnet den Agenten für proprietäre Daten

Eine der wesentlichen Neuerungen ist die Unterstützung des Model Context Protocol (MCP). Entwickler können Deep Research damit an eigene Datenquellen und spezialisierte professionelle Datenströme anbinden, etwa von Finanz- oder Marktdatenanbietern. Durch die Unterstützung beliebiger Tool-Definitionen wird der Agent laut Google von einem reinen Web-Sucher zu einem autonomen Agenten, der auch spezialisierte Datenbanken durchsuchen kann.

Erstmals in der Gemini-API generiert der Agent zudem nativ Diagramme und Infografiken direkt in den Berichten, entweder als HTML oder im Format "Nano Banana". Damit sollen komplexe Datensätze visuell aufbereitet werden können.

Weitere neue Funktionen umfassen die Möglichkeit, den vom Agenten erstellten Recherche-Plan vor der Ausführung zu überprüfen und zu verfeinern ("Collaborative Planning"), multimodalen Input aus PDFs, CSVs, Bildern, Audio und Video sowie Echtzeit-Streaming der Zwischenschritte. Entwickler können außerdem den Webzugang komplett deaktivieren und den Agenten ausschließlich über eigene Daten recherchieren lassen.

Die Agenten nutzen laut Google dieselbe Infrastruktur, die auch Recherche-Funktionen in Endnutzerprodukten wie der Gemini-App, NotebookLM, Google Search und Google Finance antreibt. Entwickler können über die Interactions-API mit dem Bau eigener Recherche-Workflows beginnen. Beide Agenten sollen bald auch für Startups und Unternehmen über Google Cloud zugänglich sein.