Deep-Research-Tools: OpenAI vs Perplexity vs Gemini

Der Deep-Research-Moment

Hier die Kurzantwort, falls Sie nur eine Empfehlung wollen. Für die meisten Menschen ist 2026 Perplexity Pro das beste Allround-Deep-Research-Tool in puncto Preis und Geschwindigkeit, OpenAI und Claude liefern die tiefsten Berichte für harte oder mehrdeutige Arbeit, und Gemini gewinnt, wenn Ihr Ausgangsmaterial in Google liegt oder Sie eine aufrufbare API brauchen. Als Entwickler sind Perplexitys Sonar Deep Research und Googles Deep Research API die beiden, auf denen Sie heute aufbauen können, denn OpenAI hat seine eigenen Deep-Research-Modelle im Juli 2026 eingestellt und Anthropic hat nie eines veröffentlicht. Der Rest dieses Leitfadens zeigt, wie sich diese Einschätzungen über Preise, Geschwindigkeit, Benchmarks und reale Aufgaben hinweg bewähren.

Die Kategorie selbst ist gerade einmal 18 Monate alt. Am 2. Februar 2025 kündigte OpenAI Deep Research an. Es war der erste Agent, den die meisten Menschen genutzt hatten, der aus einem Ein-Satz-Prompt eine 30-minütige Untersuchung planen, eigenständig Dutzende von Quellen durchsuchen und mit einem belegten Bericht zurückkehren konnte.

Die Reaktion der Branche war aufschlussreich. Innerhalb von sechs Wochen brachte Perplexity sein eigenes Deep Research heraus (14. Februar) und öffnete die Sonar Deep Research API wenige Wochen später für Entwickler. Google, das Gemini Deep Research im Dezember 2024 leise gestartet hatte, beschleunigte den Rollout und verbesserte laufend die Basis. Anthropic machte Claudes Websuche am 7. Mai 2025 allgemein verfügbar und schnürte die Research-Funktion im selben Frühjahrsfenster.

Vier Labore, eine Produktkategorie, ein Quartal. Das passiert nicht zufällig. 2024 war das Jahr, in dem Kontextfenster die Marke von 200K Token überschritten, Tool-Nutzung zuverlässig wurde und agentische Schleifen nicht mehr stillschweigend auf halbem Weg versagten. Deep Research war die erste verbrauchernahe Anwendung, die alle drei Dinge zahlungswürdig erscheinen ließ. Sie hängt eng mit dem breiteren Wandel hin zu Agentenprotokollen zusammen, den wir in The Agentic Web: Inside the MCP Protocol Wars behandeln.

Wenn Sie schreiben, studieren, Märkte analysieren oder Produkte bewerten, sind Sie bereits im Nachteil, wenn Sie keines dieser Tools nutzen. Die Frage ist, welches und wann.

---

Was "Deep Research" tatsächlich leistet

Es ist leicht, Deep Research mit Chat-Suche zu verwechseln. Sie tippen eine Frage ein, Sie erhalten eine Antwort mit Links. Die Mechanik ist eine andere.

Eine Chat-Suche (wie das reguläre ChatGPT mit Browsing) führt ein oder zwei Web-Abfragen aus und fasst die besten Ergebnisse in Sekunden zusammen. Ein Deep-Research-Agent tut etwas, das eher dem entspricht, was ein Junior-Analyst über einen Nachmittag hinweg tut. Er zerlegt Ihre Frage in Teilfragen, führt Dutzende oder Hunderte von Suchen durch, liest ganze Seiten, folgt Quellenangaben, aktualisiert seinen Plan im Laufe des Lernens und erstellt einen strukturierten Bericht mit Fußnoten.

Fragen Sie eine Chat-Suche "Was sind die wichtigsten Kritikpunkte an der Phillips-Kurve?", erhalten Sie eine dreiabsätzige Zusammenfassung. Stellen Sie einem Deep-Research-Agenten dieselbe Frage, erhalten Sie einen 15-seitigen Bericht, der Friedmans Hypothese der natürlichen Rate, den Stagflationszusammenbruch der 1970er Jahre, Revisionen der rationalen Erwartungen, Debatten über die Verflachung nach 2008 sowie aktuelle Arbeiten aus den Jahren 2023 bis 2025 abdeckt, jeweils mit einer anklickbaren Quelle.

Der Kompromiss ist Zeit. Läufe dauern zwischen 3 und 45 Minuten, je nach Tool und Tiefe. Genau das ist der Sinn. Sie stoßen einen an, arbeiten an etwas anderem und kommen zu einem Bericht zurück, für dessen manuelle Zusammenstellung Sie einen halben Tag gebraucht hätten. Mehr dazu, wie Sie Rechercheroutinen rund um KI-Agenten neu strukturieren, finden Sie in How to Build an AI-Powered Research Workflow in 2026.

---

Direktvergleich: Die 4 Consumer-Tools im Vergleich

Hier die Matrix, mit den zugrunde liegenden Modellen und Preisen, abgeglichen mit den aktuellen Produktseiten im August 2026.

Die Kurzprofile in je einem Absatz:

OpenAI Deep Research ist das Schwergewicht. Läufe sind langsamer, Berichte sind die längsten, und das Reasoning ist bei mehrdeutigen Themen sichtbar tiefer. Ursprünglich lief es auf einem angepassten o3-Modell und sitzt nun auf OpenAIs GPT-5.x-Reasoning-Linie. Das Limit von 25 pro Monat bei Plus ist die eigentliche Einschränkung. Vielnutzer verbrauchen es in einer Woche, weshalb OpenAI den alten 200-$-Pro-Tarif 2026 in eine 100-$- und eine 200-$-Stufe aufteilte.

Perplexity Deep Research ist der Geschwindigkeitsmeister. Die meisten Läufe sind in 2 bis 3 Minuten fertig. Berichte sind kürzer und enzyklopädischer, ideal für ein Briefing statt für einen Essay. Es ist zudem das einzige der vier, dessen Recherche-Agent als vollwertige Entwickler-API ausgeliefert wird.

Gemini Deep Research machte 2026 die lautesten Fortschritte. Google aktualisierte den Consumer-Agenten im April 2026 auf Gemini 3.1 Pro und stellte, entscheidend, eine Deep Research API bereit, sodass Entwickler dieselbe Fähigkeit aufrufen können. Es zieht weiterhin neben dem Web aus Ihrem Gmail, Drive und Docs und zeigt einen sichtbaren Rechercheplan, den Sie bearbeiten können, bevor der Agent läuft.

Claude Research ist das Geduldige. Läufe erreichen regelmäßig das Ende der Spanne von 30 bis 45 Minuten, und die Ausgabe spiegelt das wider: langformatig, nuanciert, gut darin, widersprüchliche Belege abzuwägen. Claudes aktuelle Modelle (Sonnet 5, Opus 5) tragen einen 1M-Token-Kontext zum Standardpreis, sodass große Quellensammlungen nicht abgeschnitten werden.

---

Deep-Research-APIs: Was Sie tatsächlich aufrufen können

Das ist die Frage, die die Vergleichsartikel immer wieder auslassen, und die, nach der Entwickler immer wieder suchen: Welche Deep-Research-Agenten können Sie aus Ihrem eigenen Code aufrufen, wie schnell sind sie und wie gut sind die Quellenangaben? Die Landschaft verschob sich 2026 stark, hier daher das aktuelle Bild.

Drei Dinge stechen heraus.

Perplexity ist weiterhin die einzige schlüsselfertige Deep-Research-API. Sie senden einen Prompt an sonar-deep-research und erhalten einen belegten Bericht zurück, ganz ohne Orchestrierung. Die Preisgestaltung wirkt ungewöhnlich, weil sie ehrlich mit den versteckten Kosten umgeht, die alle anderen verschleiern: Quellen-Token und Reasoning-Token werden separat abgerechnet, und Websuchen kosten 5 $ pro Tausend zusätzlich zur Token-Rechnung. Wenn Sie nach der "schnellsten Deep-Research-API" suchen, ist dies die direkte Antwort, denn Sonar schließt die meisten Läufe in unter drei Minuten ab, wo die anderen fünf bis fünfundvierzig brauchen.

OpenAI hat Deep Research in seine allgemeine Modelllinie überführt. Die eigenen Modelle o3-deep-research und o4-mini-deep-research waren wirklich gut, doch OpenAI stufte sie im April 2026 als veraltet ein und schaltete sie am 23. Juli 2026 ab. Der Ersatzweg besteht darin, ein GPT-5.x-Modell über die Responses API mit dem web_search-Tool (und optional Remote-MCP-Servern oder File Search) im Background-Modus laufen zu lassen. Sie erhalten mehr Kontrolle und können weiterhin Deep-Research-Verhalten erreichen, doch Sie bauen die Schleife selbst zusammen, statt ein Modell aufzurufen, das alles von Ende zu Ende erledigt.

Google öffnete 2026 leise die Tür. Über den Großteil der Lebensdauer der Kategorie war Gemini Deep Research eine Consumer-Funktion, die Sie nicht programmatisch aufrufen konnten. Das änderte sich mit der Deep Research API über Googles Interactions API, mit angekündigtem Enterprise-Support für Vertex AI. In Kombination mit Grounding with Google Search (5.000 kostenlose Suchen pro Monat auf den Gemini-3.x-Modellen, danach 14 $ pro 1.000) ist Google nun eine echte Option für Teams, die Quellenangaben wollen, die an Googles Index gebunden sind.

Für die Abfrage "beste API für Recherche-Berichte mit Quellenangaben" im Speziellen funktionieren drei Ansätze. Perplexity liefert Ihnen Quellenangaben von Haus aus und meldet eine hohe Zitiergenauigkeit. Exa und Tavily geben Ihnen rohe, quellenattributierte Suchergebnisse, die Sie in Ihr eigenes Modell einspeisen, was das Muster ist, auf dem die meisten produktiven Deep-Research-Funktionen tatsächlich aufbauen, weil Sie Kosten und Formatierung der Quellenangaben kontrollieren. Und jedes Modell mit einem Web-Search-Tool (Claude, GPT-5.x, Gemini) kann während der Arbeit Quellen angeben, wenn Sie es entsprechend anweisen. Unternehmen, die Prüfpfade benötigen, bevorzugen tendenziell den Exa- oder Tavily-Weg, weil jede Aussage auf eine URL zurückführt, die Sie abgerufen haben, und nicht auf das Gedächtnis eines Modells. Warum Grounding und Retrieval-Qualität mehr zählen als die reine Kontextgröße, lesen Sie in Context Rot: Why RAG Still Beats a Giant Context Window.

---

Benchmarks: HLE, BrowseComp und SimpleQA

Drei Werte werden am häufigsten zitiert: Humanity's Last Exam, BrowseComp und SimpleQA. Sie sind nützlich, und sie werden zugleich überinterpretiert.

Humanity's Last Exam (HLE), veröffentlicht von Scale AI und dem Center for AI Safety Anfang 2025, ist ein Multi-Domänen-Benchmark aus rund 2.500 Fragen am äußersten Rand dessen, was Experten beantworten können. Die Werte erzählen die Geschichte, wie schnell sich diese Kategorie bewegt hat:

In etwas mehr als einem Jahr hat der beste ausgelieferte Agent seinen HLE-Wert mehr als verdoppelt. Was HLE gut misst, ist Synthese über Domänen hinweg bei wirklich schweren Fragen. Was es nicht misst, ist, ob der Agent gut in der Arbeit ist, die Sie tatsächlich tun. Die meiste reale Recherche ist keine Physik auf Doktorniveau. Sie lautet "fasse die jüngsten Debatten zu diesem Thema zusammen" oder "vergleiche diese fünf Produkte für meinen Anwendungsfall", wo die Kluft zwischen den Tools weit kleiner ist, als die Rangliste nahelegt.

BrowseComp (OpenAI, April 2025) ist zum relevanteren Maßstab für diese Agenten geworden. Es sind 1.266 schwere, mehrstufige Browsing-Fragen, die Beharrlichkeit und gute Suchstrategie belohnen. OpenAI Deep Research erreichte zum Start 51,5 %, und Googles Deep Research Max meldete im April 2026 85,9 %. Der kanonische Datenpunkt ist, dass ein reines Browsing-Modell im selben Test unter 2 % erreichte, sodass fast der gesamte Zugewinn aus dem Agenten-Gerüst stammt, nicht aus dem Basismodell.

SimpleQA ist Perplexitys starker Auftritt. Der Benchmark testet kurzformatige faktische Genauigkeit, und Sonar Deep Research erreichte 93,9 % (Perplexity, Feb. 2025). Das ist ein nützlicher Näherungswert für "halluziniert der Agent Fakten?", was sehr wichtig ist, wenn Sie die Ausgabe zitieren wollen. Beachten Sie, dass es sich um einen Agent-mit-Suche-Wert handelt, sodass er nicht mit den ~50 % vergleichbar ist, die ein nacktes Modell erreicht.

Die ehrliche Lesart: Benchmarks ordnen Tools am extremen oberen Ende der Schwierigkeit zuverlässig ein und darunter schlecht. Der beste Weg zur Auswahl ist, denselben realen Prompt durch zwei oder drei Tools im kostenlosen Kontingent laufen zu lassen und zu vergleichen. Benchmarks sind ein Hinweis. Ihr eigener Test ist entscheidend. Für ein längeres Argument, warum die Benchmark-Besessenheit in die Irre führt, siehe The AI Thinking Trap.

---

Realitätscheck der kostenlosen Kontingente

Die Marketingseiten heben alle den kostenlosen Zugang hervor. Hier steht, was "kostenlos" tatsächlich bedeutet, wenn Sie versuchen, diese Tools für echte Arbeit zu nutzen.

OpenAI Deep Research (Kostenlos: 5/Monat). Genug zum Evaluieren, nicht genug, um sich darauf zu verlassen. Ein einziges Projekt frisst oft 2 bis 3 Läufe (erster Durchgang, Nachfassen, Klärung). Sie stoßen bis Tag 10 an das Limit, wenn Sie es für die Arbeit nutzen. Plus für 20 $/Monat mit 25 Läufen ist die realistische Einstiegsstufe.

Perplexity Deep Research (Kostenlos: etwa 5/Tag). Das großzügigste der Gruppe. Perplexity begrenzt kostenlose Nutzer auf eine Handvoll Deep-Research-Läufe pro Tag, was sich immer noch zu mehr summiert, als die meisten Menschen brauchen. Die Ausgabe im kostenlosen Kontingent ist kürzer als bei Pro, und Sie erhalten nicht die neueren Sonar-Varianten. Für den gelegentlichen Gebrauch ist dies das kostenlose Kontingent, das Sie tatsächlich weiter nutzen.

Gemini Deep Research (Kostenlos: begrenzter Zugang). Google strukturierte seine Tarife 2026 um, und die günstigste kostenpflichtige Stufe, Google AI Plus, fiel auf 4,99 $/Monat, was Gemini zum kostengünstigen Einstiegspunkt macht, wenn Sie nicht bereits für AI Pro zahlen. Kostenloser Zugang existiert, läuft aber seltener und kürzer als die kostenpflichtigen Stufen.

Claude Research (nur Pro, 20 $/Monat). Kein eigenes kostenloses Kontingent für die Research-Funktion. Der kostenlose Tarif umfasst Chat und Websuche, doch mehrstufige Recherche liegt hinter Pro. Pro umfasst zudem Claudes Sonnet-5-Zugang (Opus 5 in den höheren Stufen), sodass die 20 $ Ihnen eines der stärksten Long-Context-Lesemodelle auf dem Markt bringen.

Wenn Sie nur für eines zahlen, bietet Perplexity Pro das beste Verhältnis von Volumen zu Preis bei 20 $. Wenn Sie nur die klügste Ausgabe wollen, verschafft Ihnen ChatGPT Plus für 20 $ 25 OpenAI-Deep-Research-Läufe plus alles andere im Plus-Paket. Für Google-Workspace-Nutzer oder die niedrigsten Monatskosten sind Geminis AI-Plus- und AI-Pro-Stufen die natürliche Wahl. Claude Pro ergibt am meisten Sinn, wenn Sie Claude bereits zum Lesen und Schreiben nutzen und ein integriertes Abonnement wollen.

---

Welches Tool für welche Aufgabe

Nachdem ich Hunderte von Abfragen über alle vier hinweg durchlaufen ließ, treten klare Muster hervor. So würde ich die Arbeit jetzt zuweisen.

Akademische Literaturübersicht. Claude Research. Das lange Kontextfenster zählt, wenn der Agent mehr als 20 Papers im Arbeitsgedächtnis halten muss, und Claude ist merklich besser darin, zwischen oberflächlich ähnlichen Aussagen zu unterscheiden. Läufe dauern länger, doch Literaturübersichten sind nicht zeitkritisch.

Marktvolumen und Wettbewerbsanalyse. OpenAI Deep Research. Die Tiefe des Reasonings bei mehrdeutigen strategischen Fragen (warum ein Markt wuchs, was den Kundenwechsel antreibt) kommt hier klar zum Vorschein. Es ist das, dem ich bei "hilf mir, diese Branche zu verstehen"-Prompts am meisten vertraue.

Schnelle faktische Briefings. Perplexity Deep Research. Wenn Sie vor einem Meeting nur eine belegte zweiseitige Zusammenfassung brauchen, ist Perplexitys Durchlauf in 3 Minuten schwer zu schlagen. Faktische Genauigkeit im SimpleQA-Stil ist eine echte Stärke.

Kaufentscheidungen und Produktvergleiche. Perplexity oder Gemini. Beide ziehen genug reale Bewertungsdaten heran (Foren, YouTube-Transkripte, Datenblätter), um nützliche Gegenüberstellungen zu erzeugen. Geminis Vorteil ist, Ihre eigenen Gmail-Belege und Drive-Notizen einzubeziehen.

Recherche mit Ihren eigenen Dokumenten. Gemini Deep Research. Die Workspace-Integration ist der Burggraben. Wenn Sie ein Thema recherchieren, bei dem die Hälfte des Ausgangsmaterials in Ihrem Drive liegt (Meeting-Notizen, PDFs, alte E-Mails), kommt nichts anderes heran.

Entwickler-Integrationen und Massenläufe. Perplexity Sonar Deep Research für einen schlüsselfertigen Agenten, oder Exa und Tavily, wenn Sie die Schleife selbst bauen und die Formatierung der Quellenangaben kontrollieren wollen. Googles neue Deep Research API ist die Enterprise-Wahl, wenn Sie Ergebnisse wollen, die an Googles Index gebunden sind.

Widersprüchliche Belege zusammenführen. Claude. Wenn Quellen sich widersprechen (z. B. "ist Ballaststoff bei Divertikulitis tatsächlich gut?" oder "funktioniert die Pomodoro-Technik?"), ist Claude am ehesten bereit, die Uneinigkeit sichtbar zu machen, statt vorschnell eine Seite zu wählen.

Ein Muster, das manche überraschen könnte: kein einzelnes Tool dominiert. Für Arbeiten mit hohem Einsatz lasse ich denselben Prompt durch zwei Agenten laufen. Die Kosten betragen etwa 40 $/Monat für zwei Abonnements, und der Nutzen ist eine merklich bessere Ausgabe, als ein einzelnes Tool allein erzeugt. Chat-Suche und Deep Research fühlen sich zunehmend weniger wie konkurrierende Produkte an und mehr wie ein Stack, den Sie zusammensetzen.

---

Das fehlende Puzzleteil: Aus Recherche-Berichten nutzbares Wissen machen

Hier ist, was fast kein Vergleichsartikel erwähnt. Der Bericht, den der Agent erzeugt, ist nicht das Ergebnis Ihrer Recherche. Ihr Verständnis ist es.

Eine 20-seitige Claude-Research-Ausgabe oder ein 15-seitiger OpenAI-Deep-Research-Bericht ist der Anfang der Arbeit, nicht das Ende. Lesen Sie ihn einmal, überfliegen Sie die Schlussfolgerung, schließen Sie den Tab, und Sie haben einen Agenten dafür bezahlt, etwas zusammenzufassen, das Sie nicht wirklich gelernt haben. Die MIT-Media-Lab-Studie von 2025 zur passiven KI-Nutzung (nachverfolgt in unserer Analyse zu AIs Auswirkungen auf das Lernen) zeigte, dass Vielnutzer von ChatGPT durchweg weniger von dem behielten, was sie "lasen", als aktive Lernende.

Die Lösung ist, was Forschende seit Jahrhunderten getan haben: annotieren. Markieren Sie die Aussagen, die zählen. Kennzeichnen Sie die Quellen, die Sie verifizieren wollen. Verknüpfen Sie Erkenntnisse über Berichte hinweg.

Genau hier passt Glasps Web-Highlighter in den Workflow. Führen Sie Ihre Recherche auf OpenAI, Perplexity, Gemini oder Claude aus. Fügen Sie den Bericht in eine lesbare Seite ein. Markieren Sie direkt im Browser, während Sie lesen. Ihre Markierungen synchronisieren sich mit Ihrer Glasp-Bibliothek, durchsuchbar und organisiert, neben allem anderen, was Sie in diesem Monat gelesen haben.

Ein paar konkrete Workflows, die funktionieren:

Markieren, dann erneut abfragen. Lesen Sie den Bericht, markieren Sie die 10 bis 15 Aussagen, die am meisten zählen. Fügen Sie diese Markierungen mit "bei diesen konkreten Punkten mehr in die Tiefe gehen" wieder in denselben Agenten ein. Iterativ statt in einem Schuss.

Berichte nach Thema stapeln. Wenn Sie dasselbe Thema über zwei Tools hinweg recherchieren (etwa OpenAI und Claude), lässt Sie das Markieren beider Berichte in Glasp sehen, wo sie übereinstimmen und auseinandergehen. Uneinigkeiten sind oft die interessantesten Teile.

YouTube neben Text nutzen. Wenn die besten Quellen Podcasts oder Vorträge sind, gibt Ihnen YouTube Summary Zusammenfassungen auf Transkriptebene mit Zeitstempeln. Einen Text-Deep-Research-Bericht mit 3 bis 4 annotierten YouTube-Vorträgen zu kombinieren, deckt ein Thema gründlicher ab als jedes allein.

Mit Ihren Markierungen chatten. Glasps KI-Chat kann Fragen anhand Ihrer Annotationen als Quelle beantworten. Es ist der Unterschied zwischen "Was hat der Agent über X gesagt?" und "Was habe ich tatsächlich über X geschlossen?".

Veröffentlichen, was Sie gelernt haben. Die Community auf Glasp ist voller anderer Menschen, die ähnliche Themen recherchieren. Markierte Berichte zu teilen ist ein Zwang, die Recherche abzuschließen, statt nur mehr davon anzustoßen. Für eine Schritt-für-Schritt-Anleitung siehe How to Annotate Articles the Right Way.

Ein Bericht, den Sie einmal lesen, ist eine Quittung, kein Wissen. Der Schritt des Markierens und Annotierens ist es, der aus der Agentenausgabe etwas macht, das Sie tatsächlich wissen.

---

Häufig gestellte Fragen

Welches Deep-Research-Tool ist am genauesten?

Bei den neuesten veröffentlichten Benchmarks führt Googles Gemini Deep Research Max Humanity's Last Exam mit 54,6 % an (Google, Apr. 2026), ein großer Sprung gegenüber den 26,6 %, die OpenAI Deep Research zum Start der Kategorie erzielte (OpenAI, Feb. 2025). Für kurzformatige faktische Genauigkeit erreichte Perplexity Sonar 93,9 % bei SimpleQA (Feb. 2025), was hervorragend ist. In der praktischen Nutzung sind die Genauigkeitsunterschiede zwischen den Top-Tools kleiner, als Benchmarks vermuten lassen. Der größere Unterschied ist Tiefe gegen Geschwindigkeit.

Was ist die schnellste Deep-Research-API?

Perplexitys sonar-deep-research ist die schnellste schlüsselfertige Option, die die meisten Läufe in unter drei Minuten abschließt, wo OpenAI, Gemini und Claude fünf bis fünfundvierzig brauchen. Sie ist mit 2 $ pro Million Input-Token und 8 $ pro Million Output-Token bepreist, plus separater Quellen- und Reasoning-Token-Gebühren und 5 $ pro 1.000 Suchen. Wenn Sie rohe Geschwindigkeit bei einzelnen Suchen wollen, um Ihre eigene Schleife zu bauen, liefern Exa und Tavily quellenbelegte Ergebnisse in Sekunden.

Wie lange dauern Deep-Research-Läufe?

Perplexity schließt die meisten Läufe in unter 3 Minuten ab. Gemini läuft typischerweise 5 bis 15 Minuten. OpenAI Deep Research braucht 5 bis 30 Minuten, je nach Komplexität der Abfrage. Claude Research kann sich bei harten Prompts auf 5 bis 45 Minuten strecken. Wenn Sie jetzt eine Antwort brauchen, Perplexity. Wenn Sie warten können, erzeugen Claude oder OpenAI meist gründlichere Berichte.

Kann ich Deep-Research-Tools über eine API nutzen?

Ja, und die Optionen änderten sich 2026. Perplexitys sonar-deep-research ist die einzige schlüsselfertige Deep-Research-API: Ein Aufruf liefert einen belegten Bericht zurück. Google stellt nun eine Deep Research API über seine Interactions API und Vertex AI bereit. OpenAI stellte seine eigenen Modelle o3-deep-research und o4-mini-deep-research am 23. Juli 2026 ein, sodass Sie nun stattdessen ein GPT-5.x-Modell über die Responses API mit dem Web-Search-Tool laufen lassen. Anthropic bietet keinen eigenen Recherche-Agenten, aber Sie können einen mit dem Messages-API-Web-Search-Tool (10 $ pro 1.000 Suchen) und dem Claude Agent SDK bauen. Exa und Tavily sind die beliebten "Selbst bauen"-Search-for-AI-APIs.

Welche API liefert die besten Quellenangaben?

Für Quellenangaben von Haus aus liefert Perplexitys Sonar Deep Research einen vollständig belegten Bericht zurück und meldet eine hohe Zitiergenauigkeit. Für produktive Systeme, die jede Aussage auf eine URL zurückführen müssen, bauen Teams meist auf Exa oder Tavily auf, die quellenattributierte Suchergebnisse zurückgeben, die Sie in Ihr eigenes Modell einspeisen, sodass Sie die Formatierung kontrollieren und einen Prüfpfad zeigen können. Jedes Modell mit einem Web-Search-Tool (Claude, GPT-5.x, Gemini) kann inline zitieren, wenn Sie es entsprechend anweisen.

Ist irgendein Deep-Research-Tool wirklich kostenlos?

Ja, aber mit Grenzen. OpenAI gibt kostenlosen Nutzern 5 Deep-Research-Läufe pro Monat. Perplexity gibt 5 pro Tag im kostenlosen Kontingent, das großzügigste Kontingent. Gemini hat begrenzten kostenlosen Deep-Research-Zugang, und seine günstigste kostenpflichtige Stufe (Google AI Plus) beginnt nun bei 4,99 $/Monat. Claude bietet Research in seinem kostenlosen Kontingent nicht an. Für den gelegentlichen Gebrauch deckt Perplexity Free die meisten Bedürfnisse ab. Für regelmäßige Arbeit ist ein Pro-Tarif für 20 $/Monat der realistische Einstiegspunkt.

Wie stoppe ich Halluzinationen in Deep-Research-Berichten?

Drei praktische Taktiken. Erstens: Klicken Sie stets mindestens die obersten 3 bis 5 zitierten Quellen an und prüfen Sie, ob die Aussage in der Quelle steht (Halluzinationen entstehen häufiger durch das Fehlzitieren einer echten Quelle als durch das Erfinden einer falschen). Zweitens: Lassen Sie denselben Prompt durch ein zweites Tool laufen und vergleichen Sie. Uneinigkeiten zwischen Claude und OpenAI etwa sind oft die Stellen, an denen eines von beiden etwas falsch verstanden hat. Drittens: Bevorzugen Sie Perplexity für faktische Abfragen mit hohem Einsatz, da sein SimpleQA-Wert von 93,9 % eine echte Kalibrierung bei kurzformatigen Fakten widerspiegelt.

Können Deep-Research-Tools meine privaten Dokumente lesen?

Gemini Deep Research hat die tiefste Integration, mit nativem Zugriff auf Ihr Gmail, Drive und Docs (mit Berechtigung). Claude Research unterstützt Google-Workspace-Konnektoren. OpenAI Deep Research kann Dateien lesen, die Sie während einer Sitzung hochladen, integriert sich aber nicht direkt mit Cloud-Speicher. Perplexity arbeitet in erster Linie gegen das Web. Wenn Ihr Ausgangsmaterial größtenteils in Google Workspace liegt, ist Gemini die naheliegende Wahl.

Was ist der beste Weg, Deep-Research-Berichte zu speichern und wiederzuverwenden?

Exportieren Sie den Bericht als PDF oder Markdown, öffnen Sie ihn in einer lesbaren Ansicht und markieren Sie ihn wie jeden langen Artikel. Glasp ist genau für diesen Workflow gebaut: Markierungen synchronisieren sich mit einer Bibliothek, die Sie durchsuchen, mit anderen Markierungen verknüpfen und erneut aufrufen können. Ohne einen Markierungsschritt werden die meisten Deep-Research-Berichte einmal gelesen und vergessen. Das hängt mit dem zusammen, was Pädagogen den "Generierungseffekt" nennen: Informationen, die Sie aktiv verarbeiten, werden weit besser behalten als Informationen, die Sie passiv aufnehmen.

---

Fazit: Der Recherche-Stack, nicht das Recherche-Tool

Anderthalb Jahre nach OpenAIs Start hat sich die Kategorie geklärt. Deep-Research-Agenten sind kein Winner-take-all-Markt. Sie sind ein Mix, bei dem die richtige Antwort davon abhängt, was Sie recherchieren, wie viel Zeit Sie haben, wo Ihr Ausgangsmaterial liegt und ob Sie einen Knopf drücken oder eine API aufrufen.

Wenn ich eines für die meisten Wissensarbeiter im Jahr 2026 wählen müsste, wäre es Perplexity Pro. Das Verhältnis von Volumen zu Preis bei 20 $ ist das beste der Gruppe, Läufe sind schnell genug, um in einen normalen Arbeitsrhythmus zu passen, und die SimpleQA-Genauigkeit ist wirklich stark. Für schwerere oder mehrdeutigere Arbeit kombinieren Sie es mit OpenAI Deep Research oder Claude Research. Für Entwickler sind Perplexitys Sonar Deep Research und Googles neue Deep Research API die beiden, auf denen Sie heute aufbauen können.

Doch die Tool-Wahl zählt weniger als das, was Sie mit der Ausgabe tun. Der größte Fehler, den ich Menschen machen sehe, ist, einen Deep-Research-Bericht als fertige Arbeit zu behandeln. Das ist er nicht. Er ist Rohmaterial. Das eigentliche Wissen entsteht, wenn Sie die Aussagen markieren, die zählen, sie mit anderen Dingen verknüpfen, die Sie gelesen haben, und später zu ihnen zurückkehren, wenn das Thema wieder aufkommt.

Genau für diesen Workflow ist Glasp konzipiert. Markieren Sie jeden Bericht, jeden Artikel, jedes YouTube-Transkript. Bauen Sie eine durchsuchbare Bibliothek dessen auf, was Sie tatsächlich für wichtig hielten. Chatten Sie später mit Ihren Markierungen, wenn Sie sich an etwas Bestimmtes erinnern müssen. Teilen Sie Ihre Arbeit mit anderen, die dieselbe Recherche betreiben.

Die Deep-Research-Agenten werden immer besser, und die APIs werden sich weiter vervielfachen. Diejenigen, die nicht zusätzlich eine Markierungsschicht obendrauf bekommen, werden weiterhin Berichte produzieren, die einmal gelesen und vergessen werden. Bauen Sie Ihren Recherche-Workflow 2026 nicht um ein einzelnes Tool herum. Bauen Sie ihn um einen Stack, und sorgen Sie dafür, dass das letzte Glied in diesem Stack jenes ist, in dem Ihr eigenes Verständnis festgehalten wird.

Beginnen Sie damit, diese Woche eine echte Recherchefrage durch zwei der vier Tools laufen zu lassen. Markieren Sie beide Berichte. Vergleichen Sie, was Sie gelernt haben. Das ist der Workflow. Alles andere ist eine Funktionsliste.