Die Szene wiederholt sich in jedem Unternehmen, das anfängt, KI ernst zu nehmen. Jemand im Team entdeckt Deep Research, wirft eine schwierige Frage hinein — das Wettbewerbsumfeld einer Branche, die kommende Regulierung, wer wen kauft — und hat zehn Minuten später einen fünfzehnseitigen Bericht mit Quellen. Die Reaktion ist richtig: Das ist sehr gut. Der Schluss, der danach gezogen wird, fast nie: „Dann müssen wir also nichts bauen."
Die These in einem Satz: Die Grenze zwischen dem Deep Research des Anbieters und einem eigenen Recherche-Agenten ist nicht die Schwierigkeit der Frage, sondern ihre Wiederholung. Für eine Frage, die Sie einmal stellen, gewinnt der Knopf immer und deutlich. Für eine, die Sie jeden Montag über dieselben Quellen stellen, ist der Knopf nicht schlechter — er ist dafür nicht gebaut, und das zeigt sich an vier sehr konkreten Stellen, die nichts mit der Textqualität zu tun haben.
Deep Research von ChatGPT vs eigener Recherche-Agent: was jeder wirklich tut
Deep Research in ChatGPT plant, recherchiert und verdichtet laut OpenAI-Dokumentation eine komplexe Frage zu einem belegten Bericht. Es kann mit dem öffentlichen Web arbeiten, mit hochgeladenen Dateien, mit konkreten Websites, die Sie angeben, und mit verbundenen Apps, die die Funktion unterstützen. Es schlägt einen Rechercheplan vor, den Sie vor dem Start prüfen können, lässt sich mitten im Lauf unterbrechen und neu ausrichten, und liefert einen Bericht mit Zitaten und einem Abschnitt der verwendeten Quellen. Es ist mit Abstand das beste Ergebnis-pro-Aufwand am Markt für eine einmalige Frage.
Ein eigener Recherche-Agent tut etwas anderes, auch wenn das Innenleben ähnlich aussieht. Er beantwortet keine Frage: Er hält eine Beobachtung aufrecht. Er hat ein Quellenset, das niemand neu deklarieren muss, ein Gedächtnis, das Gesehenes ansammelt, ein einmal geschriebenes Kriterium dafür, was Signal und was Rauschen ist, und eine Ausgabe, die irgendwohin geht — ein Postfach, eine Tabelle, einen Kanal — statt in eine Unterhaltung. Der Unterschied ist nicht das Modell. Er ist die Form.
Die vier Grenzen, die keine der Qualität sind, sondern der Form
Alle vier stehen in der OpenAI-Dokumentation selbst, man muss niemandem glauben. Keine davon ist ein Mangel: Sie folgen daraus, dass Deep Research für eine Aufgabe entworfen ist, die beginnt und endet.
1. Es ist per Design nur lesend
Die Dokumentation sagt es unmissverständlich: Deep Research nutzt die Leseaktionen verbundener Apps und nutzt keine Schreibaktionen als Teil der Recherche. Es produziert also einen Bericht, und dort endet seine Arbeit. Niemand bewegt das Ergebnis in die Tabelle, ins CRM oder in den Kanal, wo jemand es verwenden wollte. Wenn die Hälfte des Werts Ihrer Beobachtung darin liegt, dass der Fund irgendwo landet, lässt der Knopf Sie genau vor dieser Hälfte stehen.
2. Das Ergebnis lebt in einer Unterhaltung und stirbt mit ihr
Die Ergebnisse folgen der Aufbewahrungsrichtlinie der Unterhaltung: Löschen Sie den Chat, verschwinden auch die zugehörigen Deep-Research-Ausgaben. Für eine einmalige Frage ist das irrelevant. Für eine wöchentliche Beobachtung ist es das ganze Problem, denn der Wert des Beobachtens liegt nicht im Bericht dieser Woche: Er liegt darin, sagen zu können „das hatten wir im März schon, und da war die Zahl eine andere". Ein Postfach voller Unterhaltungen ist kein Korpus.
3. Die Quellen werden bei jeder Aufgabe neu deklariert
Sie können die Suche auf konkrete Domains beschränken, sie gegenüber dem offenen Web priorisieren und Dateien hochladen. Das ist mächtig, und es ist manuell: Jede neue Aufgabe beginnt bei dieser Konfiguration wieder bei null. Beim ersten Mal ist es Luxus. Beim dreißigsten ist es Verwaltungsarbeit, die jemand an einem hektischen Dienstag überspringt — und das ist der Tag, an dem die Beobachtung aufhört, mit sich selbst vergleichbar zu sein.
4. Das Kontingent ist für punktuelle Nutzung gedacht
Die Nutzung variiert je nach Tarif, im Produkt gibt es einen sichtbaren Zähler, und bei Tarifen mit festem Monatskontingent wird dieser Zähler alle 30 Tage ab dem Datum der ersten Nutzung zurückgesetzt — nicht am Monatsersten. Das ist eine Ökonomie für Fragen, die kommen, wenn sie kommen. Eine wiederkehrende Beobachtung, multipliziert mit den Personen, die sie brauchen, frisst dieses Kontingent ziemlich vorhersehbar auf.
Beachten Sie, was NICHT auf dieser Liste steht: nichts über Denkqualität, Quellenabdeckung oder Formulierung. Darin ist das Deep Research des Anbieters schwer zu schlagen, und wer Ihnen erzählt, sein selbstgebauter Agent denke besser, hat vermutlich nicht verglichen.
Die Frage, die entscheidet — in zehn Sekunden beantwortet
Werden Sie dieselbe Frage nächsten Monat erneut stellen, über dieselben Quellen, in der Erwartung, die Antwort mit der von heute zu vergleichen?
Lautet die Antwort nein, schließen Sie diesen Tab und nehmen Sie den Knopf. Im Ernst: Die meisten Fragen eines Unternehmens sind von dieser Art, und dafür zu bauen ist die teuerste Art, nichts zu lernen. Lautet die Antwort ja, brauchen Sie keinen besseren Bericht. Sie brauchen festgezurrte Quellen, Gesehenes aufbewahrt, eine Ausgabe, die dort landet, wo die Leute arbeiten, und niemanden, der daran denken muss, das Ding zu starten.
| Signal | Knopf des Anbieters | Eigener Agent |
|---|---|---|
| Häufigkeit | Einmal, oder wenn es aufkommt | Feste Kadenz: wöchentlich, monatlich |
| Quellen | Für diese Frage ausgewählt | Ein stabiles Set ohne Neudeklaration |
| Vergleichbarkeit | Jeder Bericht beginnt bei null | Heute vergleicht sich mit März |
| Wohin der Fund geht | In eine Unterhaltung | Tabelle, Postfach, Kanal, System |
| Wer auslöst | Eine Person, die daran denkt | Ein Kalender |
| Wer haftet bei Ausfall | Niemand: es fiel nicht aus, es fand nicht statt | Jemand mit Namen |
Was der Knopf gewinnt und was Sie nicht nachbauen sollten
Sobald man beschließt zu bauen, gibt es die Versuchung, alles nachzubauen. Ein teurer Fehler. Drei Dinge am Deep Research des Anbieters sind sehr gut und lohnen keine Replikation: der vor dem Start editierbare Rechercheplan, die Nachvollziehbarkeit der Zitate im Endbericht und die Möglichkeit, mittendrin zu unterbrechen und neu auszurichten. Ein gut angelegter eigener Agent konkurriert damit nicht: Er nutzt es, wo es sinnvoll ist, und kümmert sich um den Rest.
Anders gesagt: Die Entscheidung ist nicht „Anbieter oder selbst". Sie lautet, welcher Teil der Arbeit eine Frage ist und welcher ein Prozess. Die Frage beantwortet der Anbieter sehr gut. Der Prozess — Kadenz, Gedächtnis, Ziel, Eigentümer — gehört Ihnen, und den verkauft niemand, weil er von Ihren Quellen und Ihrem Organigramm abhängt.
Was nur ein eigener Agent kann
Vier Dinge, und alle sind langweilig. Genau deshalb zeigt sie niemand in einer Demo.
- Ansammeln. Jeden Fund mit Datum und Quelle speichern, damit die sechste Runde „das hat sich geändert" sagen kann, statt den Kontext zu wiederholen. Ohne das gibt es keine Beobachtung, nur lose Berichte.
- Landen. Das Ergebnis dorthin schreiben, wo jemand es benutzt. Und das hört, sobald es die Unterhaltung verlässt, auf ein Rechercheproblem zu sein und wird eines der Berechtigungen und der Identität: Was darf der Agent lesen und schreiben, mit welchen Zugangsdaten, und wer kappt ihn im Zweifel. Wie man das aufsetzt, steht in KI mit Ihren Systemen verbinden.
- Nach eigenem Kriterium filtern. Was in IHREM Markt als Signal zählt, weiß kein generisches Modell: Es wird einmal geschrieben, mit den ersten False Positives korrigiert, und bleibt geschrieben. Dieses Kriterium ist das Asset, nicht der Prompt.
- Einen Eigentümer haben. Eine Person, die die Ausgabe prüft, das Kriterium nachjustiert, wenn es abdriftet, und entscheidet, wann der Rahmen wächst. Der Entwurf dieser Aufsicht steht in der Mensch in der Schleife einer KI-Automatisierung, und er ist nicht optional: Ein Recherche-Agent ohne Prüfer produziert am Ende einen Newsletter, den niemand öffnet.
Der Fehler, zu früh zu bauen
Die gesunde Reihenfolge ist kontraintuitiv: Nutzen Sie den Knopf, bis es wehtut. Stellen Sie die Frage sechs oder sieben Wochen hintereinander von Hand. Sie werden drei Dinge herausfinden, die man vorher nicht wissen kann: welche Quellen Sie am Ende immer verwenden, welchen Teil des Berichts Sie wirklich lesen und welchen Sie überspringen, und was Sie mit dem Fund machen, wenn Sie ihn haben. Diese drei Antworten sind die Spezifikation des Agenten, und sie kosten nichts.
Vorher zu bauen ist das Muster, das Agenten hervorbringt, die funktionieren und nichts nützen: Sie recherchieren gut ein Thema, das niemand anschaut, in einem Format, das niemand liest, und es kümmert niemanden, wenn sie stehen bleiben. Die allgemeinen Kriterien, wann ein Agent im Unternehmen existieren darf, stehen in KI-Agenten für Unternehmen; diese Entscheidung ist ein Sonderfall davon.
Wie man in zehn Minuten entscheidet
- Schreiben Sie die Frage auf, die Sie automatisieren wollen. Passt sie nicht in einen Satz, ist sie noch keine Beobachtung: Sie ist ein Thema.
- Zählen Sie, wie oft Sie sie schon gestellt haben. Weniger als fünfmal: Bleiben Sie beim Knopf.
- Prüfen Sie, ob die Quellen jedes Mal dieselben sind. Wechseln sie, bleiben Sie beim Knopf — was Sie haben, ist Neugier, keine Beobachtung.
- Fragen Sie, was mit dem Fund geschieht. Lautet die Antwort „eine Person liest ihn und entscheidet", reicht der Knopf. Lautet sie „es muss festgehalten und verglichen werden", dort beginnt der Agent.
- Suchen Sie den Namen des Eigentümers. Gibt es keinen, bauen Sie nicht: Sie produzieren einen verwaisten Newsletter.
Vier Neins und ein Ja: Nehmen Sie den Knopf. Fünf Jas: Was Sie brauchen, ist ein Recherche-Agent, der auf Ihren Quellen läuft, kein längerer Bericht.
Wir bauen den langweiligen Teil — Kadenz, Gedächtnis, Ziel und Eigentümer — als KI-Mitarbeiter, die auf Ihren Systemen arbeiten. Und wenn die ehrliche Antwort lautet, dass der Knopf Ihnen reicht, sagen wir das: Es ist der billigste Rat, den wir geben, und der, den wir am häufigsten geben.