16.01.2025 AI Engineering 5 Minuten Lesezeit

Deep-Research-Agenten: Was sie leisten und was nicht

Deep-Research-Agenten planen, browsen und synthetisieren über Minuten statt in einem Schritt zu antworten. Wir definieren das Muster, betrachten Googles Gemini Deep Research vom Dezember 2024 und quantifizieren die Schwachstelle Zitationsqualität. Gemessene Referenzwerte zeigen, warum die Prüfpflicht beim Leser bleibt — und was das für Engineering-Teams bedeutet.

Die Grenzen der einmaligen Suche

Die meisten Forschungsfragen passen nicht in eine einzelne Suchanfrage. "Welche Vektordatenbank passt zu unserem Latenzbudget und unseren Lizenzvorgaben" zerfällt in ein Dutzend Teilfragen. Jede wird von anderen Seiten beantwortet, jede Antwort verändert die nächste Frage. Klassische Chatbots mit Retrieval führen eine Suchrunde aus und fassen die ersten Treffer zusammen. Retrieval-augmentierte Generierung beantwortet die Frage, die Sie gestellt haben — nicht die, die Sie als Nächstes hätten stellen sollen. Das Ergebnis liest sich gut und endet eine Ebene zu früh.

Das GAIA-Benchmark (Mialon et al., November 2023) misst genau diese Lücke. Seine 466 Fragen erfordern Schlussfolgern, Web-Browsing und Werkzeugnutzung. Menschliche Testpersonen erreichen 92 Prozent; GPT-4 mit Plugins erreichte 15 Prozent. Menschen benötigten 6 bis 17 Minuten pro Frage. Der Engpass ist nicht Wissen. Er ist durchgehaltener Prozess: suchen, lesen, erneut suchen, Zwischenstände festhalten.

Eine Aufgabe kommt an — der Agent plant den nächsten Schritt. 1/4

Was einen Deep-Research-Agenten ausmacht

Ein Deep-Research-Agent ist ein System, das eine Frage in einen Rechercheplan übersetzt, diesen Plan über viele Browsing-Schritte ausführt und die gesammelten Belege zu einem zitierten Bericht verdichtet. Drei Eigenschaften unterscheiden ihn von Chat mit Retrieval: ein expliziter Plan, den der Nutzer einsehen kann; ein Horizont aus Minuten und Dutzenden Tool-Aufrufen statt einer einzelnen Runde; und ein Synthese-Schritt über den gesamten akkumulierten Zustand statt über das letzte Suchergebnis.

Ebenso wichtig ist, was er nicht ist. Er validiert seine Quellen nicht. Er unterscheidet ohne Anweisung nicht zwischen begutachtetem Paper und Hersteller-Blog. Er weiß nicht, wann er genug gelesen hat; er stoppt, wenn sein Plan abgearbeitet ist. Er liefert einen Entwurf mit Referenzen, kein geprüftes Dokument.

Gemini Deep Research in der Praxis

Google hat die erste massentaugliche Umsetzung am 11. Dezember 2024 ausgeliefert. Deep Research ist Teil von Gemini Advanced und an den Google One AI Premium-Plan für 20 US-Dollar pro Monat gebunden. Sie wählen "Gemini 1.5 Pro with Deep Research", stellen eine Frage und erhalten einen mehrstufigen Rechercheplan, den Sie überarbeiten oder freigeben. Erst danach beginnt der Agent zu browsen.

Ein Lauf dauert einige Minuten. Der Agent sucht, liest und startet auf Basis des Gelernten neue Suchen; Zwischenergebnisse hält er in einem Kontextfenster von einer Million Token. Das Ergebnis ist ein strukturierter Bericht mit Links zu den Originalquellen, exportierbar nach Google Docs. Seit dem 20. Dezember 2024 ist die Funktion in über 45 Sprachen und mehr als 150 Ländern verfügbar.

Der Zuschnitt beim Start ist aufschlussreich: kein API-Zugang, keine Konfidenzwerte, Verfügbarkeit nur in der Gemini-Oberfläche. Der Bericht enthält Links zu den Originalquellen und eine Liste der besuchten Websites. Google beschreibt die Funktion als Arbeit "unter Ihrer Aufsicht" — dieser Halbsatz wiegt schwerer, als der Marketington vermuten lässt.

Browsing und Synthese über lange Horizonte

Das zugrunde liegende Muster ist generisch und älter als das Produkt: Plan-Dekomposition, eine Schleife aus Suchen, Lesen und Verfeinern, Zustandsakkumulation im langen Kontext, abschließende Synthese. Open-Source-Projekte wie GPT Researcher implementieren Varianten davon seit 2023. Die Plan-Freigabe ist die wichtigste Schnittstellenentscheidung: Sie verlagert die Kontrolle an den Punkt, an dem Steuern noch billig ist. In unserer eigenen Agentenarbeit sehen wir dieselbe Schleife unabhängig vom Framework; übertragbar ist das Muster, nicht das Produkt.

Die Trade-offs sind strukturell. Die Latenz steigt von Sekunden auf Minuten; die Kosten skalieren mit geladenen Seiten und gehaltenen Token. Eine frühe Fehlinterpretation lenkt jede folgende Suche — Fehler verstärken sich, statt sich auszumitteln. Die Abdeckung endet dort, wo ein Crawler nicht hinkommt: Paywall-Journale, interne Wikis und Dokumente hinter Logins bleiben unsichtbar. Und Breite schlägt tendenziell Tiefe: eher zehn überflogene Seiten als eine gründlich gelesene.

Zitationsqualität in Zahlen

Für Zitationsqualität gibt es gemessene Referenzwerte. Liu, Zhang und Liang haben 2023 vier generative Suchmaschinen mit menschlichen Bewertern auditiert. Im Mittel waren nur 51,5 Prozent der generierten Sätze vollständig durch ihre Zitate gedeckt, und nur 74,5 Prozent der Zitate stützten ihren Satz. Schlimmer: Die Zitationspräzision korrelierte negativ mit der wahrgenommenen Nützlichkeit (r = −0,96) — die Antworten, die am hilfreichsten wirkten, zitierten am schlechtesten.

Die Studie ist älter als Deep-Research-Agenten; längere Pipelines können besser oder schlechter abschneiden — mehr Quellen pro Aussage, aber auch mehr Paraphrase-Schritte zwischen Quelle und Satz. Stand Januar 2025 existiert kein vergleichbares öffentliches Audit von Gemini Deep Research. Bis es eines gibt, ist ein Link in einem generierten Bericht eine Behauptung, kein Beleg.

System	Zitations-Recall (%)	Zitationspräzision (%)
Bing Chat	58,7	89,5
perplexity.ai	68,7	72,7
NeevaAI	67,6	72,0
YouChat	11,1	63,6
Durchschnitt	51,5	74,5

Die Prüfpflicht bleibt beim Leser

Die Prüfpflicht bleibt deshalb beim Leser. Ein zitierter Bericht verschiebt Arbeit, er beseitigt sie nicht. Unsere Arbeitsregel bei Blue IT Systems: Behandeln Sie den Bericht als kommentierte Bibliografie mit angehängtem Entwurf. Jede tragende Aussage — Zahlen, Daten, Versionskompatibilitäten, rechtliche Aussagen — wird gegen ihre Primärquelle geprüft, bevor sie in eine Entscheidung einfließt.

Flüssiger Text ist kein Beleg. Die Stanford-Zahlen zeigen, dass sprachliche Politur und Zitationsgenauigkeit auseinanderlaufen. Den Bericht zu lesen kostet Minuten; die Quellen hinter den drei Aussagen zu lesen, auf denen Ihre Entscheidung ruht, kostet wenige mehr. Dieses Verhältnis ist der eigentliche Produktivitätsgewinn — nicht das Überspringen der Prüfung, sondern ihre Konzentration auf das Wesentliche.

Ausblick vom Januar 2025

Mit Stand vom 16. Januar 2025 erwarten wir drei Entwicklungen. Erstens Wettbewerb: OpenAI hat im Dezember 2024 sein Reasoning-Modell o3 angekündigt, und die Kombination aus Reasoning-Modellen und agentischem Browsing ist das naheliegende nächste Produkt. Wir erwarten, dass jedes große Labor 2025 eine Deep-Research-Funktion ausliefert. Google hat bereits angekündigt, dass Deep Research Anfang 2025 die Gemini-App und Workspace-Konten erreicht. Zweitens Benchmarks: GAIA-artige Werte werden schnell steigen, sobald Agenten mit langem Horizont darauf optimiert werden.

Drittens wird Zitationspräzision zur beworbenen Kennzahl, weil sie messbar und derzeit schwach ist. Was wir 2025 nicht erwarten: automatisierte Verifikation, die den Leser entlastet. Deep-Research-Agenten komprimieren Recherche von Stunden auf Minuten. Urteilsvermögen wird nicht komprimiert. Planen Sie entsprechend.