Gyorsaság vagy alaposság? Mostantól nem kell választani
A két új MI-ügynök között kulcsfontosságú különbségek vannak. A Deep Research azokat célozza, akiknek fontos a gyors, interaktív adatfeldolgozás. Itt a rendszer minimális késleltetéssel és alacsony költséggel válaszol bonyolult analitikai kérdésekre – például egy pénzügyi dashboardot szinte élőben láthatunk működni.
Ezzel szemben a Deep Research Max inkább az alaposságot helyezi előtérbe: több számítási kapacitást és hosszasabb elemzést vet be az adatok összeszedésére és elemzésére. Ez főleg ott hasznos, ahol egy elemzőcsapat akár éjszakára is dolgozni akar: a Max reggelre elkészíti a teljes háttérelemzést több forrás és adatbázis alapján, minden hivatkozással együtt.
Privát céges adatbázisokba is betekint a Model Context Protocol
Most először válik lehetővé, hogy a Google MI-ügynökei ne csak publikus webes forrásokat, hanem privát, vállalati adatbázisokat is fésüljenek – mindezt az új Model Context Protocol (MCP) segítségével. Az MCP egy nyílt szabvány, amelyen keresztül az ügynökök képesek közvetlenül hozzáférni vállalati adatforrásokhoz, belső dokumentumtárakhoz vagy speciális, harmadik féltől származó információkhoz – anélkül, hogy az érzékeny adatok elhagynák a szervezet határait.
Akár egy hedge fund is ráirányíthatja az MI-t a saját deal flow adatbázisára, összekapcsolva például Bloomberg-terminállal, majd a webes információkkal együtt kérhet összegzést. A Google együttműködik többek között a Bloomberggel, a FactSettel és az MSCI-vel az MCP fejlesztésében, hogy a pénzügyi szektor alapinfrastruktúrájához igazítsák a szolgáltatást.
Vizualizációk, amik végre tényleg hasznosak
Üzleti környezetben az MI-kutatások gyakran elakadtak ott, hogy a rendszer csak szöveges jelentést tudott prezentálni: minden grafikon és diagram elkészítése az emberre volt bízva. Mostantól a Deep Research natív módon képes infógrafikákat és diagramokat beszúrni a jelentésekbe, akár HTML-ben, akár Google Charts formátumban. Ezek nem képernyőmentések, hanem valódi, renderelt vizualizációk a jelentésben, amelyek átfogó képet adnak a komplex adathalmazokról.
Ez különösen fontos a pénzügy és a tanácsadás világában, ahol az érintetteknek szánt, azonnal prezentálható jelentésekre van szükség – amelyek akár végtermékként is szolgálhatnak. Egy új, kollaboratív tervezési funkcióval a jelentések generálásának menetét az ügyfél is előre megtekintheti, módosíthatja, a rendszer pedig folyamatosan streameli, hol tart az elemzés.
Az MI-ügynök útja: chatbotból vállalati infrastruktúra
A Deep Research fejlődése villámgyors volt: 2024 végén mutatták be Gemini app-kiegészítőként, majd 2025 tavaszán mindenki számára elérhető lett, a Gemini 2.0 Flashre építve. A Gemini 3-as motor már a zárt fejlesztői hozzáférés kapuját is megnyitotta. Most a Gemini 3.1 Pro modell hajtja: ez a rendszer az ARC-AGI-2 teszten 77,1%-os eredményt hozott, míg a SearchQA kutatási mérőszámon 93,3%-ot, a HLE (Humanity’s Last Exam) teszten 54,6%-ot.
A fejlesztők a Gemini API-ban ugyanahhoz az MI-infrastruktúrához férnek hozzá, amely a Google belső rendszereit – például a Gemini, a NotebookLM, a Google Workspace és a Vertex AI – is működteti. Ez azt jelenti, hogy olyan tudással és kutatási lehetőségekkel dolgozhatnak, amelyeket eddig csak házon belül használt a cég.
Versenytársak és árverseny: a Google előnye az összekapcsolhatóság
A Google nincs egyedül az MI-alapú kutatóügynökök piacán: az OpenAI saját megoldásai a ChatGPT-ben, a Perplexity, illetve rengeteg kisebb startup is dolgozik automatizált kutatási megoldásokon. Elképzelhető, hogy hosszú távon a piacot ezek a szereplők is meghatározzák, de jelenleg a Google annak köszönheti egyedülálló helyzetét, hogy az MCP-vel képes a webes keresést és a zárt vállalati adatokat is egyetlen protokollon keresztül összekombinálni.
A Deep Research árazása is agresszív: a tesztidőszakban 2 USD/millió input token és ugyanennyi output token, ami nagyjából 700 HUF-nak felel meg. Ez erősen költséghatékony minden rivális rendszernél.
Negatívum, hogy több felhasználó hiányolta: a legújabb fejlesztések csak API-n keresztül érhetők el, a Gemini appon belül nem.
Mi várható a finanszírozás, biotechnológia és tudásmunka világában?
Leginkább azok fogják megérezni az új ügynök erejét, akik munkájukban folyamatosan hosszú, több forrásból gyűjtött kutatási anyagokra támaszkodnak. Egy befektetési banki elemzőcsapatnak elég egy gombnyomás: a Deep Research Max összegyűjtheti a jogi adatbázisok anyagát, a piacfigyelő jelentéseket és a belső memókat, mindezt napra, órára, percre pontos jelentésben átadva. A Google együttműködése a Bloomberg, a FactSet és az MSCI cégekkel is ezt a piacot célozza.
Az élet- és biotudományokban a Recursion nevű partner arról számolt be, hogy a Deep Research segítségével mélyebb előkutatásokat tudtak folytatni a gyógyszerfejlesztés területén. A piac- és üzletfejlesztési tanácsadó szakembereknek az automatikusan elemzett, vizualizált anyagok jelenthetnek többszörös hatékonyságnövekedést.
Ettől függetlenül még kérdéses, hogy az MI-vel generált jelentések valóban hozzák-e azt a minőséget és megbízhatóságot, amit a szakmák elvárnak. A technológia látványosan fejlődik, ám a valós, összetett, gyakran szubjektív értelmezést igénylő problémák kezelésében még akad kihívás.
A Deep Research és a Deep Research Max már most elérhető a fizetős API-használóknak, a Google Cloudon keresztüli vállalati és startup-hozzáférés hamarosan indul.
A kérdés most az: vajon tényleg eljött az idő, amikor az MI nemcsak segédlet, hanem valóban kiváltja a hús-vér elemzők első műszakját? Jelent-e ez forradalmat, vagy csak egy újabb látványos, de korlátozott MI-demót a vállalati technológia történetében?
