Vor Kurzem hat OpenAI mit der Veröffentlichung von Deep Research die KI-Landschaft erneut verändert.
Kurz darauf folgten ähnliche Angebote von Perplexity, xAI, Manus und anderen. Im Kern ist Deep Research ein Such-Agent, der eine Nutzeranfrage aufgreift und bis zu 30 Minuten lang komplexe, mehrstufige Recherchen im Internet durchführt, teils anhand von mehr als 100 Quellen. Innerhalb weniger Minuten erstellt das System einen umfassenden Recherchebericht. Für dieselbe Arbeit würden Fachleute normalerweise mehrere Stunden benötigen.
Wir halten dies für eine der bedeutendsten KI-Veröffentlichungen seit GPT-3.
In den anschließenden Gesprächen mit unserer Kundschaft stand eine Frage im Mittelpunkt: „Wann können wir diese Art von Deep Research auf unsere eigenen Daten anwenden?“
Viele dieser Unternehmen haben über Jahre oder sogar Jahrzehnte hinweg mit großer Sorgfalt einige der weltweit größten proprietären Wissensbestände aufgebaut. Diese Daten sind von unschätzbarem Wert und bilden die Grundlage für ihre Wettbewerbsvorteile in den jeweiligen Branchen.
Um diesem Bedarf gerecht zu werden, haben wir einen Ansatz entwickelt, mit dem jedes Unternehmen eigene Deep-Research-Kompetenzen aufbauen kann, abgestimmt auf seinen Markt, seine Daten und seinen Kontext.
Wir nennen diese Lösung Enterprise Deep Research.
In Enterprise Deep Research fließen viele Erkenntnisse ein, die wir in unserer ausführlichen Analyse von RAG-Ansätzen erläutert haben.
Bei Deep-Research-Aufgaben ist es noch wichtiger als beim klassischen RAG, die Nutzeranfrage schrittweise zu verbessern.
Ein gutes Kontextmanagement bleibt entscheidend. Der Research-Agent muss genau verstehen, was er bereits untersucht hat und welche Recherchewege besonders ergiebig waren. Durch eine intelligente Verwaltung dieses Zustands kann das Reasoning des Modells besonders effektiv arbeiten.
Der Research-Agent ist der Motor von Enterprise Deep Research.
Der Research-Agent kennt die Frage, die zuvor ausgeführten Abfragen und die dabei gewonnenen relevanten Informationen. Anschließend setzt er seinen kuratierten Datenstrom mithilfe von Reasoning in konkrete Aktionen um.
Der Research-Agent erhält Zugriff auf zahlreiche Tools, die ihn beim Erreichen seines Ziels unterstützen. Dazu können Tools für Websuche und Web-Operatoren gehören, wie sie bei Deep-Research-Angeboten für Verbraucher üblich sind. Hinzu kommen Tools für den Zugriff auf deine proprietären Datenquellen und Endpunkte.
Das Prinzip ähnelt einem echten Werkzeugkasten: Der Research-Agent muss lediglich das passende Werkzeug für die jeweilige Aufgabe auswählen. Manchmal ist eine Websuche das nützlichste Werkzeug. Vielleicht möchtest du kurzfristig eine heute veröffentlichte Forschungsarbeit prüfen, die noch nicht in die Wissensdatenbank deines Unternehmens aufgenommen wurde.
In Branchen wie Pharma, Finanzwesen oder Recht hängt dein Arbeitsablauf jedoch stark von internen Wissensdatenbanken ab. Für diese Quellen können wir den Research-Agent durch durchgängiges Reinforcement Learning gezielt optimieren, damit er dein proprietäres Wissen möglichst effektiv erschließt. Genau hier spielt unser Enterprise Deep Research seine Stärken aus.
Hier entsteht der entscheidende Mehrwert.
Das Internet bietet enorme Informationsmengen. Doch erst wenn du dein proprietäres Fachwissen direkt in KI-Systeme einbindest, können sie ihr volles Potenzial entfalten. Die wirksamsten Lösungen entstehen aus unserer Sicht, wenn dein einzigartiges Wissen und deine Wettbewerbsvorteile in jeden Prozessschritt einfließen.
Gemeinsam mit Unternehmen entwickeln wir maßgeschneiderte Integrationslösungen, die Daten aus unterschiedlichen Quellen in einem einheitlichen Ökosystem zusammenführen. Dazu zählen strukturierte Datenbanken wie Neo4j, PostgreSQL oder Snowflake ebenso wie Cloud-Speicher und Dateisysteme wie S3 oder SharePoint. Diese Integration sorgt dafür, dass deine proprietären Daten und internen Prozesse alle Bereiche des Systems unterstützen. So kann der Research-Agent dieselben Schritte ausführen wie deine internen Analyseteams.
Wer Daten effektiv nutzen will, muss häufig wichtige Fragen zu Zugriffsrechten und Berechtigungen klären. Für Datenverantwortliche ist die Sorge nachvollziehbar, dass vertrauliche Informationen versehentlich in Antworten offengelegt werden könnten. Datenschutz und Datensicherheit sind deshalb von Grund auf Bestandteil unserer Lösungen. Bei der Indizierung deiner internen Daten müssen die jeweiligen Verantwortlichkeiten erfasst und Berechtigungen konsequent durchgesetzt werden. So erhalten nur autorisierte Personen Zugriff auf bestimmte Informationen. Ebenso wichtig sind robuste Verfahren, mit denen sich Daten DSGVO-konform und gemäß anderen Vorschriften aus dem Index löschen lassen. Nur so bleiben Datenschutz und regulatorische Anforderungen gewährleistet. Dieses Maß an Kontrolle und Sicherheit unterscheidet unseren Ansatz von öffentlichen Deep-Research-Tools, die das gesamte Internet durchsuchen.
Die Websuche bleibt ein zentraler Bestandteil von Rechercheprozessen in Unternehmen. Klassisches Web-Scraping ist seit Langem eine zuverlässige Methode, um strukturierte Daten aus Onlinequellen zu erfassen. Diese klassischen Methoden eignen sich gut, um große Mengen öffentlich zugänglicher Informationen zu sammeln.
In jüngster Zeit sind Web-Operator-Agenten hinzugekommen, die anspruchsvolle Aufgaben beim Datenabruf im Internet übernehmen. Dazu zählen OpenAIs Operator, Claude von Anthropic und Proxy von Convergence. Sie sind darauf ausgelegt, sich in komplexen Webumgebungen zurechtzufinden, differenzierte Anfragen zu bearbeiten und Daten abzurufen, die mit herkömmlichen Scraping-Verfahren kaum erreichbar sind.
LLMs sind nicht immer das beste Werkzeug, um abgerufene Daten zu analysieren. Deshalb können wir dem Research-Agent für diese Analysen Zugriff auf spezialisierte Tools geben, etwa eine Programmierumgebung oder sogar deine proprietären Werkzeuge. Dieser mehrstufige Ansatz reicht vom klassischen Scraping über fortschrittliche Operator-Agenten bis zu spezialisierten Tools. So bleibt die Recherche in deinem Unternehmen gründlich und anpassungsfähig, unabhängig von der Komplexität der Datenlandschaft.
Jedes Unternehmen hat eine eigene Kultur, branchenspezifische Besonderheiten und etablierte Arbeitsweisen. Sie bestimmen, wie Erkenntnisse am besten aufgenommen und angewendet werden. Standardlösungen liefern häufig allgemeine Antworten, die dem individuellen Kontext deines Unternehmens nicht gerecht werden.
Mit einer maßgeschneiderten Deep-Research-Lösung kannst du die Ergebnisse genau dort und in der Form bereitstellen, in der sie benötigt werden. Du kannst sie etwa in bestehende Analysetools integrieren oder dafür einen eigenen Arbeitsablauf entwickeln.
Wenn du die Rechercheergebnisse an die Sprache und Prozesse deines Unternehmens anpasst, sind die Erkenntnisse nicht nur präzise. Sie fügen sich auch nahtlos in bestehende Entscheidungsprozesse ein.
Wir sehen eine Zukunft, in der jedes Unternehmen von einer maßgeschneiderten Deep-Research-Lösung profitiert, die seine wichtigsten Arbeitsabläufe unterstützt.
Jüngste Veröffentlichungen zeigen, dass führende Unternehmen die KI-Werkzeuge in diesem Bereich gezielt weiterentwickeln. Dazu gehören OpenAIs Responses API mit integrierter Websuche und das kürzlich vorgestellte Agent SDK zum Entwickeln agentischer KI-Systeme. Öffentliche Tools wie OpenAIs Deep Research eignen sich hervorragend für allgemeine Anfragen. Unternehmen, die sich Wettbewerbsvorteile sichern möchten, profitieren jedoch von einem maßgeschneiderten Ansatz, der ihr proprietäres Wissen und ihre besonderen Stärken umfassend nutzt.
Möchtest du herausfinden, wie sich diese Vision in deinem Unternehmen umsetzen lässt? Kontaktiere uns über den Kanal deiner Wahl.