Google udvider sin satsning på autonome research-agenter med to nye versioner: Deep Research og Deep Research Max. Begge er bygget med Gemini 3.1 Pro og er målrettet længerevarende research-forløb, hvor agenten selv kan indsamle kontekst, analysere og levere rapporter med kildehenvisninger.
Læs videre: Deep Research Max hører hjemme i vores overblik over AI-værktøjer.
Den mest omfattende variant, Deep Research Max, præsenteres som et markant løft i ydeevne målt på branchestandarder for retrieval og ræsonnering. Samtidig placerer Google den “almindelige” Deep Research som en hurtigere agent, der kan bruges til mere direkte assistance, mens Max-udgaven er tænkt til dybere, komplekse projekter og større, offline processer.
En central nyhed er understøttelse af Model Context Protocol (MCP), som gør det muligt for agenterne at forbinde sig sikkert til private datakilder. Det betyder, at research ikke kun kan baseres på åbent web, men også på virksomheders egne data streams, filuploads og tilknyttede filarkiver samt eksterne MCP-endpoints. Google lægger vægt på, at udviklere med ét API-kald kan igangsætte udtømmende workflows, der blander åbne og proprietære kilder til “professionel-grade” analyser.
Derudover kan Deep Research generere indbyggede visualiseringer som diagrammer og infografikker, så kvalitative og kvantitative fund kan omsættes til præsentationsklare elementer direkte i outputtet. Google fremhæver også, at brugere kan guide agentens researchplan for at styre, hvad der undersøges og leveres.
Opgraderingen bygger videre på lanceringen i december, hvor Gemini Deep Research blev gjort tilgængelig for udviklere via Interactions API. Ifølge Googles egen gennemgang betyder skiftet til Gemini 3.1 Pro, at systemet bevæger sig fra avanceret opsummering mod et fundament for enterprise-workflows inden for blandt andet finans, life sciences og markedsresearch. Flere detaljer fremgår af Googles indlæg: https://blog.google/innovation-and-ai/models-and-research/gemini-models/next-generation-gemini-deep-research/
Nyheden er vigtig, fordi den peger på en retning, hvor research- og analysearbejde i stigende grad flytter fra enkeltstående prompts til længere, automatiserede forløb, der kan arbejde på tværs af interne og eksterne datarum. Det skærper samtidig kravene til styring, datatilslutning og sporbarhed, når AI-agenter får en mere central rolle i professionelle beslutningsprocesser.
