Deep-Research-Tools im Vergleich: OpenAI vs. Perplexity vs. Gemini vs. Claude (Leitfaden 2026)

Der Deep-Research-Moment

Am 2. Februar 2025 kündigte OpenAI Deep Research an. Es war der erste Agent, den die meisten Menschen je genutzt hatten und der aus einer einzigen Eingabeaufforderung eine 30-minütige Untersuchung planen, eigenständig Dutzende von Quellen durchsuchen und einen zitierten Bericht liefern 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 für Entwickler (7. März). Google, das Gemini Deep Research bereits im Dezember 2024 leise gestartet hatte, beschleunigte die Einführung und rüstete im Mai 2025 auf Gemini 2.5 Pro um. Anthropic stellte Claudes Websuche am 27. Mai 2025 allgemein verfügbar und packte die Research-Funktion in dasselbe Frühjahrsfenster.

Vier Labore, eine Produktkategorie, ein Quartal. Das passiert nicht zufällig. 2024 war das Jahr, in dem Kontextfenster die 200K-Token-Marke überschritten, Tool Use zuverlässig wurde und agentische Schleifen nicht mehr auf halber Strecke stillschweigend versagten. Deep Research war die erste Endnutzer-Anwendung, die alle drei Fähigkeiten zahlungswürdig wirken ließ. Sie ist auch eng mit dem breiteren Wandel hin zu Agentenprotokollen verknüpft, den wir in Das agentische Web: Hinter den MCP-Protokollkriegen behandeln.

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

Was „Deep Research" tatsächlich tut

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

Eine Chat-Suche (wie reguläres ChatGPT mit Browsing) führt in Sekunden ein oder zwei Webabfragen aus und fasst die obersten Ergebnisse zusammen. Ein Deep-Research-Agent leistet etwas, das näher an der Arbeit eines Junior-Analysten über einen Nachmittag hinweg liegt. Er zerlegt Ihre Frage in Teilfragen, führt Dutzende oder Hunderte von Suchen durch, liest vollständige Seiten, folgt Zitaten, passt seinen Plan an und erstellt einen strukturierten Bericht mit Fußnoten.

Fragen Sie die Chat-Suche „Was sind die wichtigsten Kritiken an der Phillips-Kurve?" und Sie erhalten eine dreiabsätzige Zusammenfassung. Stellen Sie einem Deep-Research-Agenten dieselbe Frage, und Sie erhalten einen 15-seitigen Bericht, der Friedmans Hypothese der natürlichen Arbeitslosenquote, den Stagflationsbruch der 1970er Jahre, die Revisionen der rationalen Erwartungen, die Abflachungsdebatten nach 2008 und neuere Arbeiten aus 2023 bis 2025 abdeckt, jeweils mit einer anklickbaren Quelle.

Der Preis dafür ist Zeit. Durchläufe dauern je nach Tool und Tiefe zwischen 3 und 45 Minuten. Genau das ist der Sinn. Sie stellen einen in die Warteschlange, arbeiten an etwas anderem und kommen zu einem Bericht zurück, für dessen manuelles Zusammenstellen Sie einen halben Tag gebraucht hätten. Mehr dazu, wie Sie Ihre Forschungsgewohnheiten um KI-Agenten herum neu organisieren, finden Sie in So bauen Sie 2026 einen KI-gestützten Forschungsworkflow auf.

Direktvergleich: Die 4 Tools im Überblick

Hier die Matrix, mit verifizierten Zahlen aus den Launch-Blogs und aktuellen Preisseiten.

Die Ein-Absatz-Profile:

OpenAI Deep Research ist das Schwergewicht. Durchläufe sind langsamer (oft 15-25 Minuten), die Berichte die längsten, und das Reasoning wirkt bei mehrdeutigen Themen sichtbar tiefer. Das angepasste o3-Modell ist auf Web-skalige Synthese statt auf Chat abgestimmt. Die Obergrenze von 25 pro Monat bei Plus ist die eigentliche Einschränkung. Intensive Nutzer verbrauchen das innerhalb einer Woche.

Perplexity Deep Research ist der Geschwindigkeitsmeister. Die meisten Durchläufe enden in 2-3 Minuten. Berichte sind kürzer und enzyklopädischer, ideal für ein Briefing statt für einen Essay. Es ist auch das einzige der vier mit einer echten API, zum Launch preislich bei 2 $ Input / 8 $ Output pro Million Tokens angesiedelt.

Gemini Deep Research ist am besten für Google-Workspace-Nutzer integriert. Es zieht Material aus Ihrem Gmail, Drive und Docs zusätzlich zum Web heran. Die Obergrenze von 20 pro Tag bei AI Pro ist großzügig. Berichte kommen mit einem sichtbaren Rechercheplan, den Sie vor Ausführung des Agenten bearbeiten können.

Claude Research ist der geduldige Kandidat. Durchläufe erreichen regelmäßig das obere Ende der Spanne von 30-45 Minuten, und die Ausgabe spiegelt das wider: lang, nuanciert, gut im Abwägen widersprüchlicher Evidenz. Das 200K-Kontextfenster (1M Beta für Unternehmen) bedeutet, dass große Quellensammlungen nicht abgeschnitten werden.

Benchmarks: Was HLE und SimpleQA wirklich aussagen

Die beiden am häufigsten zitierten Zahlen sind Humanity's Last Exam und SimpleQA. Sie sind nützlich und werden gleichzeitig überinterpretiert.

Humanity's Last Exam (HLE), Anfang 2025 von Scale AI und dem Center for AI Safety veröffentlicht, ist ein Benchmark mit 3.000 Fragen aus mehreren Domänen, der Mathematik, Naturwissenschaften, Geisteswissenschaften und Fachwissen an der äußeren Grenze dessen abdeckt, was Experten beantworten können. OpenAI meldete für Deep Research beim Launch 26,6 % (OpenAI, 2. Feb. 2025). Perplexity meldete für Sonar Deep Research 21,1 % (Perplexity, 14. Feb. 2025). Anthropic und Google haben zum Zeitpunkt dieses Textes keine HLE-Werte für ihre Forschungsagenten veröffentlicht.

Was HLE gut misst, ist die Fähigkeit, über Domänen hinweg bei wirklich schwierigen Fragen zu synthetisieren. Was es nicht misst, ist, ob der Agent gut in der Art von Arbeit ist, die Sie tatsächlich leisten. Die meiste reale Recherche ist keine PhD-Physik. Sie lautet eher „Fass aktuelle Debatten zu diesem Thema zusammen" oder „Vergleiche diese fünf Produkte für meinen Anwendungsfall". Bei solchen Aufgaben ist der Benchmark-Abstand zwischen OpenAI und Perplexity viel kleiner, als die 5,5 Prozentpunkte vermuten lassen.

SimpleQA ist Perplexitys stärkere Seite. Der Benchmark testet kurzformige faktische Genauigkeit, und Sonar Deep Research erreichte 93,9 % (Perplexity, 14. Feb. 2025). Das ist ein nützlicher Indikator dafür, ob „der Agent Fakten halluziniert", was besonders dann zählt, wenn Sie die Ausgabe zitieren wollen.

Die ehrliche Lesart: Benchmarks ordnen Tools im Schwierigkeitsbereich des 80. bis 95. Perzentils zuverlässig ein und schlecht darunter. Der beste Weg zur Auswahl ist, denselben realen Prompt über zwei oder drei Tools auf der kostenlosen Stufe laufen zu lassen und zu vergleichen. Benchmarks sind ein Hinweis. Ihr eigener Test entscheidet.

Für ein längeres Argument dazu, warum Benchmark-Obsession in die Irre führen kann, siehe Die KI-Denkfalle.

Realitätscheck für kostenlose Stufen

Die Marketingseiten heben alle den freien Zugang hervor. Hier ist, was „kostenlos" tatsächlich bedeutet, wenn Sie diese Tools für echte Arbeit nutzen wollen.

OpenAI Deep Research (Kostenlos: 5/Monat). Genug zum Ausprobieren, zu wenig für den produktiven Einsatz. Ein einzelnes Projekt verbraucht oft 2-3 Durchläufe (erster Durchgang, Nachfrage, Klärung). Sie erreichen die Obergrenze an Tag 10, wenn Sie es beruflich nutzen. Plus für 20 $ pro Monat mit 25 Durchläufen ist die realistische Einstiegsstufe.

Perplexity Deep Research (Kostenlos: 5/Tag). Die großzügigste Variante. 5 pro Tag sind 150 pro Monat, mehr als die meisten Menschen brauchen. Die Ausgabe der kostenlosen Stufe ist kürzer als bei Pro, und Sie erhalten nicht die neueren Sonar-Varianten. Für den gelegentlichen Einsatz ist das die kostenlose Stufe, die Sie tatsächlich weiter nutzen.

Gemini Deep Research (Kostenlos: begrenzter Zugang). 2025 in eingeschränkter Form ausgerollt, mit reduzierter Frequenz und kürzeren Berichten als AI Pro. Wenn Sie bereits ein Google-One-Abo mit AI Pro haben, ist die Obergrenze von 20 pro Tag die Benchmark.

Claude Research (nur Pro, 20 $/Monat). Keine dedizierte kostenlose Stufe für die Research-Funktion. Der kostenlose Plan umfasst Chat und Websuche, aber mehrstufige Recherche liegt hinter Pro. Pro enthält zudem den vollen Zugang zu Claudes Sonnet 4.5 und Opus 4.5, sodass die 20 $ Ihnen das stärkste Long-Context-Lesemodell auf dem Markt verschaffen.

Wenn Sie nur für eines zahlen, liefert Perplexity Pro die höchste Durchlaufzahl (500/Monat) für 20 $. Wenn Sie nur die intelligenteste Ausgabe wollen, verschafft Ihnen ChatGPT Plus für 20 $ 25 Durchläufe OpenAI Deep Research plus alles andere im Plus-Paket. Für Google-Workspace-Nutzer ist Gemini AI Pro die natürliche Wahl. Claude Pro ergibt am meisten Sinn, wenn Sie Claude bereits zum Lesen und Schreiben verwenden und ein integriertes Abonnement möchten.

Welches Tool für welche Aufgabe

Nach Hunderten von Abfragen über alle vier Tools hinweg zeichnen sich klare Muster ab. So würde ich die Arbeit heute verteilen.

Akademische Literaturübersichten. Claude Research. Das lange Kontextfenster zählt, wenn der Agent 20+ Arbeiten im Arbeitsspeicher halten muss, und Claude ist merklich besser darin, oberflächlich ähnliche Aussagen zu unterscheiden. Die Durchläufe dauern länger, aber Literaturübersichten sind nicht zeitkritisch.

Marktgrößenabschätzung und Wettbewerbsanalyse. OpenAI Deep Research. Die Tiefe des Reasonings bei mehrdeutigen strategischen Fragen (warum ein Markt gewachsen ist, was Kundenwechsel antreibt) kommt hier klar zum Tragen. Es ist das Tool, 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 zitierte zweiseitige Zusammenfassung brauchen, ist die 3-Minuten-Bearbeitungszeit von Perplexity schwer zu schlagen. SimpleQA-ähnliche faktische Genauigkeit ist eine echte Stärke.

Kaufentscheidungen und Produktvergleiche. Perplexity oder Gemini. Beide ziehen genügend Review-Daten aus der realen Welt heran (Foren, YouTube-Transkripte, Datenblätter), um nützliche Gegenüberstellungen zu erstellen. Geminis Vorteil ist das Einbeziehen Ihrer eigenen Gmail-Belege und Drive-Notizen.

Recherche mit Ihren eigenen Dokumenten. Gemini Deep Research. Die Workspace-Integration ist der Wettbewerbsvorteil. Wenn Sie zu einem Thema recherchieren, bei dem die Hälfte des Quellenmaterials in Ihrem Drive liegt (Besprechungsnotizen, PDFs, alte E-Mails), ist nichts anderes vergleichbar.

Entwicklerintegrationen und Massendurchläufe. Perplexity Sonar Deep Research API. Sie ist die einzige mit echten API-Preisen zu einem vernünftigen Satz. Wenn Sie ein Produkt bauen, das Deep Research als Feature braucht, ist das die offensichtliche Wahl.

Widersprüchliche Evidenz synthetisieren. Claude. Wenn Quellen uneins sind (z. B. „Ist Ballaststoffreiche Ernährung bei Divertikulitis tatsächlich sinnvoll?" oder „Funktioniert die Pomodoro-Technik?"), ist Claude am ehesten bereit, den Dissens offen zu legen, statt vorschnell eine Seite zu wählen.

Ein Muster könnte Menschen überraschen: kein einzelnes Tool dominiert. Ich lasse denselben Prompt bei wichtigen Aufgaben über zwei Agenten laufen. Die Kosten liegen bei 40 $/Monat für zwei Abos, und der Nutzen ist eine merklich bessere Ausgabe, als ein einzelnes Tool allein erzeugt. Chat-Suche und Deep Research beginnen, weniger wie konkurrierende Produkte und mehr wie ein Stack zu wirken, den man komponiert.

Das fehlende Stück: Rechercheberichte in nutzbares Wissen verwandeln

Hier ist, was fast kein Vergleichsartikel erwähnt. Der Bericht, den der Agent erstellt, 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 Beginn der Arbeit, nicht das Ende. Einmal lesen, die Schlussfolgerung überfliegen, den Tab schließen, und Sie haben einen Agenten dafür bezahlt, etwas zusammenzufassen, das Sie nicht wirklich gelernt haben. Die MIT-Media-Lab-Studie 2025 zur passiven KI-Nutzung (verfolgt in unserer Analyse zu KI und Lernen) zeigte, dass intensive ChatGPT-Nutzer konsistent weniger von dem behielten, was sie „gelesen" hatten, als aktive Lerner.

Die Lösung ist, was Forscher seit Jahrhunderten tun: annotieren. Heben Sie die Aussagen hervor, die zählen. Markieren Sie Quellen, die Sie verifizieren möchten. Verknüpfen Sie Erkenntnisse über Berichte hinweg.

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

Einige konkrete Workflows, die funktionieren:

Markieren, dann erneut abfragen. Lesen Sie den Bericht, heben Sie die 10-15 wichtigsten Aussagen hervor. Fügen Sie diese Highlights wieder in denselben Agenten ein mit „Vertiefe diese konkreten Punkte". Iterativ statt einmalig.

Berichte nach Thema stapeln. Wenn Sie dasselbe Thema über zwei Tools hinweg recherchieren (etwa OpenAI + Claude), ermöglicht Ihnen das Markieren beider Berichte in Glasp zu sehen, wo sie konvergieren und divergieren. Meinungsverschiedenheiten sind oft die interessantesten Teile.

YouTube neben Texten nutzen. Wenn die besten Quellen Podcasts oder Vorträge sind, liefert Ihnen YouTube Summary Zusammenfassungen auf Transkriptebene mit Zeitstempeln. Die Kombination eines textbasierten Deep-Research-Berichts mit 3-4 annotierten YouTube-Vorträgen deckt ein Thema gründlicher ab als jedes allein.

Mit Ihren Highlights chatten. Glasps KI-Chat kann Fragen mit Ihren Anmerkungen als Quelle beantworten. Das ist der Unterschied zwischen „Was hat GPT zu X gesagt?" und „Was habe ich tatsächlich über X gefolgert?".

Teilen Sie, was Sie gelernt haben. Die Community auf Glasp ist voll von anderen Menschen, die ähnliche Themen recherchieren. Das Teilen markierter Berichte ist ein Mechanismus, der Sie zwingt, die Recherche abzuschließen, statt immer mehr in die Warteschlange zu stellen. Für eine Schritt-für-Schritt-Anleitung siehe Wie man Artikel richtig annotiert.

Ein Bericht, den Sie einmal lesen, ist eine Quittung, kein Wissen. Der Schritt des Markierens und Annotierens ist das, was die Agentenausgabe in etwas verwandelt, das Sie tatsächlich wissen.

Häufig gestellte Fragen

Welches Deep-Research-Tool ist am genauesten?

In veröffentlichten Benchmarks führt OpenAI Deep Research bei Humanity's Last Exam mit 26,6 % (OpenAI, Feb. 2025) gegenüber 21,1 % von Perplexity (Perplexity, Feb. 2025). Anthropic und Google haben keine HLE-Werte für ihre Research-Agenten veröffentlicht. Bei der kurzformigen faktischen Genauigkeit erzielte Perplexity Sonar 93,9 % auf SimpleQA, was hervorragend ist. Im praktischen Einsatz sind die Genauigkeitsunterschiede zwischen OpenAI, Claude und Gemini geringer, als Benchmarks vermuten lassen. Der größere Unterschied liegt zwischen Tiefe und Geschwindigkeit.

Wie lange dauern Deep-Research-Durchläufe?

Perplexity schließt die meisten Durchläufe in unter 3 Minuten ab. Gemini läuft typischerweise 5-15 Minuten. OpenAI Deep Research dauert je nach Komplexität der Anfrage 5-30 Minuten. Claude Research kann bei schwierigen Prompts 5-45 Minuten dauern. Wenn Sie sofort eine Antwort brauchen, nehmen Sie Perplexity. Wenn Sie warten können, liefern Claude oder OpenAI in der Regel gründlichere Berichte.

Ist irgendein Deep-Research-Tool wirklich kostenlos?

Ja, aber mit Einschränkungen. OpenAI gibt kostenlosen Nutzern 5 Deep-Research-Durchläufe pro Monat. Perplexity gibt 5 pro Tag in der kostenlosen Stufe, was das großzügigste Kontingent ist. Gemini bietet eingeschränkten kostenlosen Zugang zu Deep Research. Claude bietet Research in seiner kostenlosen Stufe nicht an. Für gelegentliche Nutzung deckt Perplexity Free den Großteil der Bedürfnisse. Für regelmäßige Arbeit ist ein 20 $/Monat-Pro-Plan bei einem der vier Anbieter der realistische Einstiegspunkt.

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

Perplexity ist derzeit der einzige große Anbieter mit einer echten Deep-Research-API. Sonar Deep Research startete am 7. März 2025 zu 2 $ pro Million Input-Tokens und 8 $ pro Million Output-Tokens. OpenAI bietet Zugang zu o3 über die API, doch die vollständige Deep-Research-Agentenschleife ist an ChatGPT gebunden. Claude und Gemini bieten ihre Research-Features noch nicht als eigenständige APIs an, wenngleich ihre zugrundeliegenden Modelle (Sonnet 4.5, Opus 4.5, Gemini 2.5/3 Pro) verfügbar sind.

Ersetzt Deep Research die traditionelle Suche?

Nein. Deep Research ist eine Ergänzung, kein Ersatz. Für eine schnelle Tatsache ist die Suche immer noch schneller. Für eine Zwei-Satz-Definition chatten Sie mit einem regulären LLM. Deep Research gewinnt, wenn Sie einen strukturierten, zitierten Bericht zu einer vielschichtigen Frage wollen, dessen manuelles Zusammentragen 30+ Minuten dauern würde. Die meisten Menschen nutzen alle drei.

Wie verhindere ich Halluzinationen in Deep-Research-Berichten?

Drei praktische Taktiken. Erstens, klicken Sie immer mindestens die obersten 3-5 zitierten Quellen an und verifizieren Sie, dass die Aussage in der Quelle enthalten ist (Halluzinationen entstehen häufiger durch Fehlzitate realer Quellen als durch das Erfinden gefälschter Quellen). Zweitens, lassen Sie denselben Prompt durch ein zweites Tool laufen und vergleichen Sie. Meinungsverschiedenheiten zwischen Claude und OpenAI etwa sind oft die Stellen, an denen eines der Tools etwas falsch verstanden hat. Drittens, bevorzugen Sie Perplexity für wichtige faktische Abfragen, da sein SimpleQA-Wert von 93,9 % eine echte Kalibrierung bei kurzformigen 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 Erlaubnis). Claude Research unterstützt Google-Workspace-Connectors. OpenAI Deep Research kann Dateien lesen, die Sie während einer Sitzung hochladen, integriert sich aber nicht direkt mit Cloud-Speichern. Perplexity arbeitet in erster Linie gegen das Web. Wenn Ihr Quellenmaterial hauptsächlich in Google Workspace liegt, ist Gemini die offensichtliche 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 für genau diesen Workflow gebaut: Highlights synchronisieren sich mit einer Bibliothek, die Sie durchsuchen, mit anderen Highlights verknüpfen und wieder aufsuchen können. Ohne einen Markierungsschritt werden die meisten Deep-Research-Berichte einmal gelesen und vergessen. Das hängt mit dem zusammen, was Pädagogen den „Generationseffekt" nennen: Informationen, die Sie aktiv verarbeiten, werden weit besser behalten als solche, die Sie passiv aufnehmen.

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

Ein Jahr nach dem Launch von OpenAI hat sich die Kategorie geklärt. Deep-Research-Agenten sind kein Winner-takes-all-Markt. Sie sind ein Vier-Spieler-Mix, bei dem die richtige Antwort davon abhängt, was Sie recherchieren, wie viel Zeit Sie haben und wo Ihr Quellenmaterial liegt.

Wenn ich für die meisten Wissensarbeiter 2026 eines auswählen müsste, wäre es Perplexity Pro. Fünfhundert Durchläufe pro Monat für 20 $ sind das beste Volumen-Preis-Verhältnis, Durchläufe sind schnell genug, um in einen normalen Arbeitsrhythmus zu passen, und die SimpleQA-Genauigkeit ist echt stark. Für anspruchsvollere oder mehrdeutigere Arbeit kombinieren Sie es mit OpenAI Deep Research oder Claude Research.

Aber die Toolwahl 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 tatsächliche Wissen entsteht, wenn Sie die Aussagen markieren, die zählen, sie mit anderen Dingen verknüpfen, die Sie gelesen haben, und später darauf zurückgreifen, 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 Highlights, wenn Sie sich an etwas Bestimmtes erinnern müssen. Teilen Sie Ihre Arbeit mit anderen, die dieselbe Recherche betreiben.

Die Deep-Research-Agenten werden weiter besser werden. Jene, die nicht zusätzlich eine Highlight-Ebene erhalten, werden weiter Berichte produzieren, die einmal gelesen und vergessen werden. Bauen Sie Ihren 2026er-Research-Workflow nicht um ein einziges Tool herum. Bauen Sie ihn um einen Stack und stellen Sie sicher, dass das letzte Glied dieses Stacks dasjenige ist, in dem Ihr eigenes Verständnis festgehalten wird.

Beginnen Sie diese Woche, eine echte Recherchefrage über 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 Feature-Liste.