然而，尽管许多人已能在个人场景中使用深度研究来搜索并综合网上信息，却鲜有人在企业场景中从中受益。这并非因为它没有用（恰恰相反），而是源于对可靠性、数据源分散，以及模型处理大量上下文（例如海量不同类型文件）能力的普遍担忧。
过去12个月构建企业级深度研究工具的经验表明，通过周密的工程设计，这些问题正越来越容易得到缓解。本文将探讨企业深度研究应用有效落地的主要障碍、我们的应对方法，以及该领域在2026年的发展趋势。
执行能力上限已大幅跃升。2025年8月，gpt-5的问世标志着企业AI迎来拐点。在我们的生产系统中，包括为全球最大制药公司之一打造的药物靶点发现平台，来源幻觉率从3%–4%降至几乎为零。随后，12月发布的gpt-5.2进一步提升了有效上下文长度。实际效果是：现在每次研究可处理的来源数量已从数百增至数千，同时不牺牲可靠性。瓶颈已从模型能力回归其本应所在之处——您的数据、评估和程序设计。
数据策略：可访问胜过统一。将企业AI视为数据集成问题的直觉可以理解，但往往适得其反。全面统一既缓慢又牵涉多方利益，还会迫使您在弄清哪些问题真正重要之前就过早选定方向。2026年的务实做法是采用稀疏连接。通过高信号锚点（规格、政策、SKU、合同条款）让数据可访问，而不是耗费数年等待一切统一。前沿模型如今可在推理时跨系统进行“软连接”，无需正式映射即可关联相通的术语。这样既能快速部署，也能保留日后添加来源的灵活性。
导航可防止系统迷失方向。企业数据不同于互联网。它很稀疏，充斥着内部惯例，而且某项事实往往只有一个正确来源。缺乏引导时，模型往往会不断查询，只为多找一个来源，期间不断消耗时间和用户耐心。轻量级语义层（哈希映射、实体查询、精简关系图）可为系统提供快速、低成本的路径，使其高效抵达正确上下文。这就像资深同事给新员工的建议：“收藏这些网站；遇到AWS问题就找Ross。”它不必很复杂。只需帮助系统快速找到所需内容即可。
机械评估（每次查询均运行）：引用健康度、工具规范性、延迟和成本。这些是您的护栏，平凡却不可或缺。
分析评估（定期运行）：系统是否选择了正确工具、沿合理方向研究、采用权威来源，并知道何时停止？通常以标注样本为基准，采用LLM裁判评分。
用户评估（持续进行）：任务完成率、资深用户的定性反馈和使用分析。这是终极检验。我们打造的产品是否真的对人有用？
投资回报来自难题，而非稳妥的小事。有报告称大多数企业AI项目无法实现投资回报，此后，人们已不再容忍那些看似惊艳却无法上线的演示。高管希望迅速看到证据。矛盾的是，这种压力可能促使团队作出错误选择。人们很容易从风险较低的任务入手，因为它们易于部署，也不太会引发异议。但这些用例通常不足以带来显著成效，难以证明继续投资的合理性。企业深度研究系统非常适合证明价值，因为它们瞄准的是本就成本高昂的工作：现状成本清晰可见的复杂、高风险流程。我们见过的最佳用例包括RFP与投标书生成、科研格局分析和投资研究——这些领域衡量的是中标率、推进试验的速度和形成投资确信的速度，而不只是节省多少工时。
用户体验转型：从聊天转向委派，从答案转向交付成果。我们认为，这将是定义2026年的用户体验转型之一。回顾近期采用率最高的产品，有几点尤为突出。随着系统可靠性提升，用户不再将其视为供查询的聊天机器人，而更像可接受任务委派的分析师。实现这一点需要两项能力：让团队按具体工作流定制模板和停止标准；并让用户直接导出真正需要的格式（备忘录、演示文稿、简报等），而不必从聊天记录中自行拼装最终交付成果。二者兼备时，系统便不再只是参考工具，而会成为完成工作的方式。
去年，我们曾撰文探讨将深度研究引入企业。我们将最初由OpenAI推广、以互联网为中心的深度研究范式扩展到企业专有数据源，同时不牺牲溯源能力或控制权。我们还指出，不应将深度研究系统视为对传统RAG系统的背离，而应将其视为后者的演进。
迈入2026年，变化更多的不是深度研究理念本身，而是可实现的执行能力上限。
2025年初我们开始构建这些系统时，前沿模型包括o1、gpt-4o和claude-3.5-sonnet（短短12个月确实进步巨大……）；年初几个月，o3和gemini-2.5-pro等模型又带来了重大飞跃。它们在当时表现出色，也确实能用来构建稳健的深度研究应用，但存在上限。这一上限通常是数百个来源；超过后就必须大幅剪枝上下文，否则会付出答案信息损失、指令遵循能力下降甚至直接产生幻觉的代价。
构建过这类系统的人会熟悉其中一些故障模式。
举个具体例子：2025年年中，我们开始与全球最大制药公司之一合作构建企业深度研究解决方案。该系统旨在加速药物靶点发现，即研究人员寻找可作为治疗疾病靶点的人体基因、激素或其他对象的过程。当时可用的最强模型是o3。尽管该模型表现优异，但其生成的回复中仍有3%–4%包含并未通过工具调用从客户专有数据源提供给模型的来源。我们通过事后引用检查来缓解这一问题，标记答案中缺乏所提供上下文支持的部分。项目尚处于早期概念验证阶段，这种方法有效增强了利益相关者对工具的信心，也帮助我们迅速推进。但我们仍继续努力降低此类错误，在满足利益相关者添加更多来源的要求时，尽力缓解模型局限。
8月gpt-5的问世，是构建前沿深度研究解决方案乃至更广泛智能体解决方案的关键转折点。从o3换成gpt-5后，我们的评估显示来源幻觉率立即降至0%。
准确地说，这项指标只跟踪模型是否引用了检索上下文中不存在的文档ID或URL。在o3及更早时期，模型有时会虚构听起来可信的文件名或论文，以填补知识空白。gpt-5使我们得以基本消除这一特定问题。
请注意，这不同于忠实度错误（引用了正确文档却误读文本）；后者仍是一项挑战，我们通过上述事后检查进行管理。
这带来了巨大的突破。基于这一突破，我们开始测试新一代模型究竟能将系统推进多远。我们发现，一次深度研究运行可处理的来源数量增加了约10倍，达到约3000–5000个；最终遇到的限制不再是指令遵循能力崩溃，而是长上下文性能。模型的有效上下文长度往往远低于标称值，尤其在处理密集的制药数据等内容时。
12月中旬发布的gpt-5.2在一定程度上缓解了这一限制。我们的内部长上下文基准测试表明，其有效长上下文性能显著提升，使我们能够进一步拓展前沿深度研究系统的能力。这使我们最终能向负责生成用户输出的模型直接传递更多Token，从而提供内容更丰富的答案。不过，我们仍希望前沿模型的有效上下文长度在2026年继续提升。
随着模型原始能力取得这些进步，构建高性能深度研究系统的瓶颈在许多方面已回归其本应所在之处：您的数据、评估，以及在企业内设置深度研究项目的方式。其中每一步都要求您务实判断，哪些选择能真正推动深度研究项目取得成效。
本文余下部分将阐述我们如何看待这些决策。
一种颇具诱惑力的做法，是将企业研究项目视为数据集成问题。统一来源、规范化模式，然后让模型在其上自由运行。
需要说明的是：有时这确实是正确做法。如果所在领域的核心实体稳定、查询可重复，并且最终目标是将工作流规模化，那么统一确实能带来显著收益。典型场景包括关联客户与收入数据、市场定价数据，或任何需要可靠跨系统报告的情况。
然而在实践中，如今具有创新意识的领导者对企业深度研究系统有着不同诉求。
随着人们日益关注AI支出的投资回报，决策者的一个关键目标是在企业实际运作的复杂现实中迅速证明价值。而全面统一数据源恰恰是获得首个价值证明最慢的方式之一。它非常繁重。还会牵涉多方利益。而且往往会迫使您在弄清哪些问题真正重要之前就选定方向。
因此，我们认为2026年构建前沿深度研究系统的务实起点通常是：先让数据可访问，再追求数据完美。
如果未来很可能继续添加来源（大多数企业都是如此），那么稀疏连接的价值往往被低估。您可以通过统一的检索接口开放数十个来源。系统仍可正常工作，而关键在于您能继续快速交付。以后添加更多来源时，也无需大动干戈。只需接入一个新连接器，向核心系统说明它是什么以及如何使用，之后交给模型即可。之所以可行，是因为如今的前沿模型可在推理时对两个或更多数据源进行软连接，无需编写正式映射，即可将一个系统中的“客户ID”与另一个系统中的“客户参考编号”对应起来。持这种观点的不只有我们。持这种观点的不只有我们：OpenAI的内部数据智能体旨在让模型对7万个异构数据集进行推理，其做法是在查询时让上下文和连接可访问，而不是强制预先全面统一。
这里值得明确的一点是：稀疏并不意味着浅薄。
稀疏集成的最佳效果来自有意义、且能被系统轻松利用的连接。一种很好的理解方式，是将某些信息视为锚点（规格、政策、产品定义、SKU、合同条款等）。不必统一每个数据集也能发挥这些锚点的作用；只需一个稳定标识符和几条高信号边。
例如，假设模型（或用户）查询一项规格。在简单粗糙的系统中，交互到此便结束。系统获取规格、加以总结，或许再附上引用。但在构建实用数据结构时，我们希望将这次查询转化为受控扩展的起点。例如，我们可以选择将该规格的记录链接到历史上相关的材料。这里的“相关”可以有多种含义，但通常取决于系统正在执行的任务，可能包括引用该规格的RFP、凭该规格中标的既往回复、法务部门对该规格提出异议的修订稿等。这种方法可在查询时迅速向深度研究系统呈现最关键的洞察，从而大幅提升答案质量并降低延迟。
这又引出了下一个问题：面对由少量高信号边稀疏连接的数据源，如何避免深度研究系统像逛糖果店的孩子一样四处乱转，而让它像资深分析师一样导航？
企业数据源的运行方式不同于互联网。它们很稀疏，充斥着内部惯例，而且某项事实往往只有一个“正确”来源——前提是您能找到它。此外，如今的模型在搜索问题上往往总想最大化召回率，不断查询，只为再多找一个来源，同时消耗时间和用户耐心（精心设计提示词可在一定程度上缓解此问题）。
最有效的解决方案是提供一款轻量级工具，帮助模型在杂乱的企业数据环境中找准方向。有些团队称之为本体。另一些团队称之为语义层、查询服务、图或概念库。具体名称并不重要。
重要的是，它能为系统提供一组快速、低成本的路径，使模型在正确的上下文片段之间高效跳转，而不是仿佛无休止地四处摸索。
打个简单的比方：您刚加入一家公司或新项目时，同事会告诉您“一定要收藏这些网站，以后会经常用”，或者“遇到任何AWS问题就找Ross，他会提供所需信息”，诸如此类。同理，我们只是想帮助深度研究系统快速找到所需内容。
实践中，这套系统不必复杂，也不必手动维护。我们发现，最佳实现方案要么由LLM在摄取管道中生成（提取实体并自动填充图），要么只是直接接入现有记录系统（例如查询Salesforce API）。常见示例包括：
哈希映射查询（例如输入产品名称，返回产品说明）
精简的“常见”关系查询（例如在因果基因关系图中，该基因最常与哪些疾病相关）
命名实体识别模型（主要适用于制药等实体消歧问题复杂的领域）
对于数据关系最复杂的情况，轻量级RDF图可提供扩展性最强的本体解决方案
……以及更多方式
有了这些，系统便可高效遍历您的数据源。接下来的问题很简单：如何知道它在真实使用中始终做对了事？
数据现已可访问，导航层也提供了地图，系统因而具备了完成工作的能力。但在企业场景中，没有可靠性，能力便毫无意义。
这里埋葬着最多的AI项目。许多团队掉入了“凭感觉”评估的陷阱。他们运行一次查询，读完输出，满意地点点头，然后直接上线。如果深度研究系统要自主遍历5000份文档，为价值数百万美元的供应链决策提出建议，这种方法就行不通。
这里的重要转变是：您评估的不再是模型，而是一个系统。问题理解、规划、工具调用、解读、上下文剪枝、重排序，甚至时间戳等看似枯燥的连接器细节，都会反映在用户体验中。
结构化、可重复的评估有助于解决这些问题。
构建评估时，我们大体可将其分为三类，范围从机械客观到主观判断。
这部分最接近单元测试，团队通常能在早期最快取得进展。它们通常也是最稳定的；设置完成后，可在项目整个生命周期中持续创造价值。
“机械评估”通常是无需人工介入、可对每次查询运行的检查。这些检查帮助我们确信，系统在真实用户负载下也能以可预测且安全的方式运行。
例如：
引用健康度：所有引用是否都指向实际检索到的文本片段？是否存在未注明引用的论断？是否存在原始材料不支持的论断？引用是否过于宽泛（例如用整份文档支持单一论断）？
工具规范性：系统是否实际使用了它声称使用的所有工具？是否正确使用了导航工具？是否错误地设置了工具请求格式？返回错误时是否进行了合理重试？
延迟与成本预算：首个Token响应时间是否控制在目标范围内？工具调用次数或开支是否超出预期？是否为微小收益耗费了大量时间和算力？
这些测试听起来很平凡，却恰恰能防止企业系统逐渐劣化。
以现实项目为例，我们在药物靶点发现深度研究项目中采用了两层引用检查，并对每次查询运行。第一，在生成答案时，我们要求模型频繁插入行内引用。LLM能够可靠做到这一点也是较新的现象，大致出现于2025年上半年（此前尝试对大量数据执行此操作的人都会明白，这曾多么棘手）。据此，我们可以执行一组简单的正则表达式检查，例如判断答案是否提到了所提供来源中不存在的文章链接。
第二层检查在答案流式输出完成后进行。首先将答案拆分为多个片段，再逐一评估；系统会在已检索数据中查找支持各片段所述论断的来源。若找不到支持证据，系统便会将其标记为潜在幻觉。
如果机械评估是单元测试，那么分析评估就是代码审查。
在这里，我们要判断系统是否能把工作完成得足够好。我们通常关注它是否使用了正确工具、选择了正确研究方向和最权威的来源，以及是否知道何时停止等。
实践中，这些评估通常表现为一系列问答对，例如已知合理的工具调用顺序，或根据第一个工具找到的研究资料判断正确决策。需要注意，问答对不必与完整深度研究系统的输入输出一一对应，也可用于测试子流程。有了这些由人工标注员或高能力标注模型（这里的“高能力”是相对概念）生成的标签，我们便可采用LLM裁判方法为研究运行评分并评估表现。持续跟踪这些分数，可以了解改动是否让系统朝正确方向改善，或是否引入了性能回退。
由于这些运行耗时且成本较高，通常应按固定周期或在版本更新前定期执行。
这还有一个很好的间接收益：此类分析评估可直接指导前文所述稀疏连接的升级。如果模型反复作出同样高质量的跳转，例如“规格→历史上相关的RFP示例”，即使目前人员并未显式关联这些材料，这也是有用的信号。您可以将这种跳转升级为正式的边或快捷路径，让后续运行以更低延迟获得更一致的结果。
这里还能发现深度研究系统中代价最高的问题之一：默认追求召回率最大化。模型总能再找到一个来源。问题是它是否应该这样做。我们可以调整模型，强化合理的停止行为：当系统判断继续检索不太可能改变结论时，便停止检索并交付证据充分、切实回答用户问题的结果。
机械评估告诉您系统是否安全。分析评估告诉您系统是否胜任。用户评估告诉您系统是否真的有用。
这也是许多团队容易失足的领域。他们打造出技术上令人赞叹的产品，却没人愿意用第二次。在企业场景中，这正是成功部署与昂贵研究项目之间的区别。
用户评估的根本目的，是了解系统是否以正确方式解决了正确问题。这意味着不能只问“答案正确吗？”，还要问“它提供的内容能让我采取行动吗？”
实践中，用户评估通常有以下几种形式：
任务完成研究：借助系统，用户能否真正更快或更好地完成实际工作？重点不在于模型能否回答问题，而在于真实用户能否在实际工作流中获得所需内容。
定性反馈闭环：定期与资深用户进行结构化交流。他们会反复运行哪些查询？他们会在哪些环节失去信任？他们何时会放弃并回到旧方法？这些交流经常揭示测试集中从未出现的故障模式，因为用户会以您未预料的方式提问，或者采用您不知道的隐性质量标准。
使用分析：哪些查询会被重新运行？哪些答案会被复制并用于其他地方？用户会在哪里点击“踩”？使用量下降并不总意味着失败（有时用户得到答案后便离开），但人们何时以及如何放弃查询的模式，能充分揭示系统在哪些方面未达到预期。
综合这些方法，您无需猜测即可衡量实用性，并能在问题损害用户信任之前及时发现。
不过，即使系统在机械准确性方面获得满分并令早期用户满意，仍可能无法通过终极检验：推动企业营收增长。可靠性和用户满意度只是实现这一目标的前提。要跨越从成功试点到变革性企业资产的鸿沟，必须超越系统如何运行的问题，转而关注它应用在何处。
我们已经介绍了如何让数据服务于系统，以及如何让系统服务于用户。现在，需要讨论如何让这套系统服务于企业。
近来，企业领导者高度关注这一点，而且理应如此。在MIT声称95%的企业AI项目无法实现投资回报等报告发布后，人们已不再容忍那些看似惊艳却无法上线的演示。模型已经准备就绪。架构已经得到验证。现在的问题是：您能否真正以为企业创造价值的方式部署它？
好消息是，依据上述原则构建的前沿深度研究系统非常有希望达到这一标准。它们并非试图自动化一切，也不是要取代整个职能岗位。它们旨在显著提升优秀人才完成现有高价值工作的效率。
但要从“技术上可行”迈向“创造投资回报”，还需突破几个环节：组织、用户体验和衡量方式方面的选择，将决定它会成为日常工具，还是被遗忘的浏览器标签页。
根据我们的经验，关键有两点。
人们往往想从“总结这场会议”等低风险内部任务入手。虽然安全，但这类用例很少能证明足以抵偿成本的价值。
深度研究系统最适合处理规模庞大、难度较高的任务——在这些高成本问题上，质量或速度的提升可带来可证明的收入增长或战略优势。
企业选择以下切入点时，我们看到的投资回报最高：
复杂投标书与RFP生成：深度研究系统可自动调取最相近的历史成功案例（以及失败案例），提取总会触发修订的少数条款，寻找满足特定要求的最有力佐证等，再将这些信息转化为有力且连贯的投标定位。这里衡量的不是节省时间，而是中标率、利润率保持情况，以及后期法律或商务意外是否减少。
科研格局分析：在研发密集型组织（制药、生物技术、半导体）中，切入点是将数周的文献和内部知识浓缩为可用的研究方向。深度研究系统可通读数千篇论文、专利、内部报告、实验室笔记和既往项目审查，梳理已知内容与争议焦点，生成有证据支持的全景分析。这样可以加快迭代周期、减少走入死胡同的投入，最重要的是缩短首次人体试验所需时间。
市场洞察：对银行和对冲基金而言，价值在于将零散的内部研究（笔记、模型、文字记录、经纪商评论）与外部信号（申报文件、财报、宏观数据、新闻）转化为可支持决策的交易资料。深度研究系统可持续构建并更新对公司、主题或宏观问题的看法，呈现相比上周的关键变化，协调相互冲突的来源，并生成来源完整可追溯的投资备忘录或交易资料包。
这些用例的共同点是：它们不是聊天。它们是复杂工作流，通常需要昂贵的外部顾问或资深员工投入数周时间。让深度研究系统处理这些问题，价值便不言而喻。
这是将定义2026年的用户体验转型之一。
如果深度研究系统只是供用户查询信息的聊天机器人，很快就可能沦为偶尔才用的工具。它仍只是参考工具，用户最终还得自行将输出整理成想要的最终成果。但如果它像一位随时待命、可接受任务的分析师，就能彻底改变团队的运作模式。
我们正看到用户从“聊天”（简短的来回交流）转向委派（定义范围、模板和目标，然后让系统自行运行）。
以下三项具体转变促成了这一变化：
将输出作为交付成果：高价值工作很少留在聊天窗口中，而是存在于文档、备忘录和演示文稿中。现代深度研究系统应跳过聊天阶段，直接生成最终业务交付成果。当用户可以要求“按公司格式撰写一份3页投资备忘录”，并收到可下载文件而非连续文本时，实现价值所需的时间便会锐减。这通常还会扩展到定时生成：随着新数据出现，用户可要求系统自动生成包含最新洞察的电子邮件或报告，并分发给相关人员。
通过自定义模板进行局部优化：模型已足够稳健，业务部门乃至个人用户如今可以自行调整提示词和行为，而不致破坏系统。伦敦和纽约的风险报告形式并不相同。允许团队上传或设计自己的结构化模板，并自定义停止标准（例如“始终检查这三个特定内部数据库”）或输出格式，可让用户从系统中获得更大价值，并打造出他们越来越愿意使用的工具。
以信任作为界面：用户委派一项需要运行20多分钟的任务时，信任就成为重中之重。您不能只呈现一个黑箱。界面必须展示系统的思考过程和选择，让用户看到正在使用哪些工具、引用如何生成等信息。我们经常发现，这类系统的最佳用户体验是默认展示研究进展的高层洞察，同时让用户可在侧边栏等位置展开并深入查看详情。
我们设想，未来每家领先企业都会在最关键的工作流背后部署量身定制的深度研究系统。它们将成为一系列随时待命的分析师，可靠遍历数千份内部材料，生成可供人员采取行动的决策和交付成果。随着前沿模型提高执行能力上限，差异化优势将转向基本功：让数据可访问、为系统提供地图，并通过评估将可靠性落实到运营中。
过去一年模型能力的提升，最清楚地昭示了这一领域的发展方向。2026年，领导者的机遇在于及早行动。选择价值清晰可见的切入点，通过溯源和护栏赢得信任，并将企业深度研究解决方案从试点转化为企业每天使用、价值持续积累的能力。