Deep-Research-Agent für Markt- und Schreibtischrecherche

Schreibtischrecherche (Marktgrößen, Wettbewerberprofile, Lieferantenscans, Technologieüberblicke) kostet einen Analysten normalerweise Tage an Suchen, Lesen und Notieren. Ein Deep-Research-Agent zerlegt die Frage, führt viele Suchen durch, liest die Seiten, gleicht widersprüchliche Quellen ab und schreibt in Minuten bis einer Stunde einen Bericht mit Quellenbelegen. Er ist ein starkes Werkzeug für den ersten Entwurf und die Breite; der Mensch prüft weiterhin die zentralen Aussagen und verantwortet die Schlussfolgerung.

Problem & Nutzen

• Heute: Beschäftigte nutzen Suchmaschinen, kostenpflichtige Datenbanken und Tabellenkalkulationen oder kaufen Berater-/Analystenberichte. Die Qualität hängt davon ab, wer Zeit hat. Ergebnisse sind selten reproduzierbar oder werden aktualisiert.
• KI-Nutzen: Breite (viele Quellen und Sprachen), Geschwindigkeit, ein einheitlicher Berichtsaufbau und Wiederholbarkeit (dasselbe Briefing lässt sich monatlich erneut ausführen). Typische Einsätze: Briefings vor Meetings, Lieferanten-Longlists, Markteintritts- Scans, Förder-/Trend-Scans, Vorab-Lektüre für Due Diligence.
• Evidenz zur Leistungsfähigkeit: Der BrowseComp-Benchmark von OpenAI mit 1.266 schwierigen Web-Recherchefragen wurde erstellt, weil einfache Faktenbenchmarks ausgereizt waren [1]; DeepResearch Bench bietet 100 Aufgaben auf Doktorandenniveau in 22 Fachgebieten, bewertet nach Berichtsqualität (RACE) und Belegtreue der Quellenangaben (FACT) [2]. Diese Werte messen Agenten, nicht Ihr Geschäftsergebnis
• messen Sie Ihre eigene Zeitersparnis (siehe Kennzahlen). Hier wird keine Zeitersparnis-Angabe eines Herstellers zitiert, weil keine aus einer Primärquelle verifiziert wurde.

Varianten

• Markt- und Wettbewerberscan (Überschneidung mit LANG-017: Dieser Anwendungsfall beobachtet Wettbewerber kontinuierlich anhand von Nachrichtenfeeds; hier entsteht ein Bericht auf Abruf, ausgehend von einer Fragestellung).
• Lieferanten- und Partner-Longlist für den Einkauf (speist AGENT-005).
• Technologie-/Trendradar für F&E und Innovationsmanagement.
• Öffentlicher Sektor: Schreibtischrecherche zu Förderungen, Statistiken, vergleichbaren Kommunen (zu Ausschreibungen siehe KNOW-017).
• Hybrid aus Web und intern: derselbe Agent durchsucht zusätzlich das Unternehmens-DMS oder SharePoint (KNOW-002).
• Private Nutzung: Kaufentscheidungen, Reisen, Gesundheitsverwaltung oder Studienthemen, mit einem Verbraucher-Abonnement.
• Nicht im Umfang: wissenschaftliche Übersichten (KNOW-008), Recht (KNOW-006), Patente (KNOW-007), Finanzberichte (KNOW-023) und personenbezogene OSINT (KNOW-026) haben eigene Quellen und Regeln.

So funktioniert es

Briefing (Frage, Umfang, Zielgruppe)
  -> Rückfragen + Recherchenplan (Mensch kann den Plan bearbeiten)
  -> Supervisor-Agent startet parallele Teil-Recherche-Agenten je Teilfrage
  -> Suche (Websuche-API / interner Index / MCP-Konnektoren) -> Abruf -> Parsing (HTML, PDF)
  -> Notizen je Quelle mit Zitat + URL, Deduplizierung, Bewertung der Quellenqualität
  -> Lückenprüfung („was ist noch unbekannt?“) -> weitere Suchrunden
  -> Synthese und Berichtserstellung mit Inline-Quellenangaben
  -> Verifikationsdurchgang (Abgleich Aussage–Quelle, Zahlen neu berechnet) -> menschliche Prüfung

• Kernmuster: ein LLM mit Werkzeugnutzung in einer Schleife (planen, suchen, lesen, reflektieren), meist ein Supervisor mit parallelen Arbeitern. Reasoning-Modelle dienen Planung und Synthese, günstigere Modelle der Zusammenfassung einzelner Seiten.
• Offene Referenzdesigns: STORM/Co-STORM (erst Gliederung, Befragung aus mehreren Perspektiven, der Mensch kann sich in die Diskussion einschalten) [3]; LangChain Open Deep Research (LangGraph, vier konfigurierbare Modellrollen) [4]; GPT Researcher (Planer- und Ausführungs-Agenten, auch Recherche über lokale Dokumente) [5].
• Mensch-in-der-Schleife (Human-in-the-Loop): den Plan freigeben, Domains auf Allow- bzw. Blocklisten setzen, die 5-10 Aussagen prüfen, die die Entscheidung tragen, und den Bericht abnehmen, bevor er das Unternehmen verlässt.

Datenaufbereitung

Die meisten Eingaben stammen aus dem offenen Web, daher ist wenig klassische Datenaufbereitung nötig. Entscheidend ist die interne Seite: die Fragestellung, die Quellen und die Qualitätskriterien. Sollen interne Dokumente einbezogen werden, liegen sie auf Dateiablagen, in einem DMS, in SharePoint, in CRM-Notizen und Postfächern, oft als Scans oder veraltete Versionen. Typische Lücken sind vage Rechercheaufgaben, keine Liste vertrauenswürdiger Quellen, interne Berichte ohne Metadaten und vertrauliche Dateien, die nicht in ein externes Werkzeug gelangen dürfen.

Aufbereitungsschritte: (1) ein Standard-Briefing für Recherchen schreiben - Frage, Umfang, Zeitraum, erforderliche Quellen, Ausgabeformat (PREP-016); (2) eine Liste bevorzugter und ausgeschlossener Quellen sowie der Unternehmensterminologie pflegen (PREP-015); (3) bei internen Quellen eine saubere Teilmenge auswählen, Scans per OCR erfassen und Duplikate entfernen (PREP-006, PREP-009); (4) Regeln festlegen, welche Daten in welches Werkzeug eingegeben werden dürfen (PREP-024); (5) zwei oder drei frühere Berichte als Goldstandard-Beispiele und eine Checkliste für die Prüfung sammeln (PREP-018).

Werkzeuge: der Datei-Upload des Recherche-Produkts selbst, Paperless-ngx für Scans, ein gemeinsamer Ordner für freigegebene Quellen. Der Aufwandsanteil ist gering, etwa 10-20 Prozent; die meiste Zeit fließt in Prompt-Vorlagen und Prüfroutinen.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A - ausgereifte Deep-Research-Produkte gibt es zu niedrigen Preisen pro Arbeitsplatz, und Schreibtischrecherche ist ein Standardprozess, der keine Integration braucht.
• Großunternehmen: Weg B - Analysten brauchen Berichte, die auf internen Quellen und eigenen Qualitätsregeln beruhen, was ein Eigenbau auf Cloud-APIs mit einer gemeinsamen Plattform unterstützt.
• Entwickler: Weg C - offene Agenten-Frameworks mit lokalen oder Open-Weight-Modellen erlauben Experimente und Kontrolle über Suchquellen und Kosten.
• Privat: Weg A - Recherchemodi für Verbraucher sind für Studium und persönliche Projekte gut genug.
• Öffentlicher Sektor: Weg C - souveräne oder selbst betriebene Umgebungen vermeiden, dass Anfragen zu Beschaffungs- oder Politikthemen an Nicht-EU-Dienste gehen.

Weg A - Kaufen (für die meisten KMU empfohlen)

• Eingebaute Assistentenfunktionen: ChatGPT Deep Research (OpenAI), Gemini Deep Research (Google), Claude Research (Anthropic), Perplexity Deep Research, Microsoft 365 Copilot Researcher, Mistral Le Chat Deep Research (EU, Frankreich). Geschäftstarife bieten Bedingungen ohne Training mit Ihren Daten und teils EU-Datenhaltung; prüfen Sie dies je Anbieter.
• EU-/deutsche Optionen: Mistral Le Chat (EU-Anbieter), Langdock (deutsch, Multi-Modell-Arbeitsumgebung mit Agenten), Stacks auf Basis von Aleph Alpha (prüfen Sie vor dem Kauf den aktuellen Produktumfang).
• Spezialisierte Werkzeuge: AlphaSense, Hebbia (Finanzen, siehe KNOW-023), Elicit/Consensus (Wissenschaft, siehe KNOW-008).
• Wählen Sie A, wenn: die Recherche gelegentlich stattfindet, die Themen öffentlich sind, keine vertraulichen Daten in den Prompt gelangen und ein schneller Start wichtig ist. Testen Sie immer mit einem Briefing, dessen Antwort Sie bereits kennen.

Weg B - Auf Cloud-KI-Diensten aufbauen

• Modelle: ein führendes Reasoning-Modell für Planung und Schreiben (Claude, GPT, Gemini, Mistral Large über EU- Regionen / EU-Anbieter) und ein kleines, günstiges Modell für Seitenzusammenfassungen. Anbieter stellen in ihren Agenten-APIs zudem eingebaute Websuche- und Abruf-Werkzeuge bereit.
• Suchschicht: Tavily, Exa, Brave Search API, Linkup (französisch) oder Perplexity Search API [6]; Firecrawl oder Jina Reader zur Seitenextraktion. Prüfen Sie, wo Anfragen verarbeitet werden (Dienste mit Sitz in den USA erhalten Ihre Suchbegriffe).
• Orchestrierung: LangGraph (Open Deep Research als Vorlage) [4] oder eine einfache Supervisor-Schleife mit einem Agenten-SDK; MCP-Server für interne Quellen und lizenzierte Datenbanken (siehe AGENT-013).
• Wählen Sie B, wenn: Sie eine eigene Quellen-Allowlist, Berichtsvorlagen, interne Daten, geplante Wiederholungsläufe oder die Integration in CRM/Notion/SharePoint brauchen. Eine erste Version dauert Tage.

Weg C - Selbst betreiben (Open Source)

• Orchestratoren: GPT Researcher (Apache-2.0) [5], Open Deep Research (MIT, Repository inzwischen archiviert) [4], STORM (MIT) [3].
• Modelle: Tongyi DeepResearch 30B-A3B (Apache-2.0, 30,5B Parameter gesamt / ~3,3B aktiv, 128K Kontext), speziell für agentische Websuche trainiert [7]; allgemeine offene Modelle (Qwen3, gpt-oss, Mistral, Llama-Familien), betrieben mit vLLM oder Ollama.
• Suche und Crawling: SearXNG (selbst betriebene Metasuche), Crawl4AI, Playwright sowie ein interner Index (OpenSearch/Qdrant) für Unternehmensdokumente.
• Hardware: Das MoE-Agentenmodell passt quantisiert auf eine 48-80-GB-GPU (HW3); kleinere Modelle laufen auf HW2, aber Planungsqualität und Synthese über langen Kontext lassen deutlich nach. Beachten Sie, dass die Websuche selbst weiterhin das Netzwerk verlässt; „On-Premises" gilt nur für das Modell und für interne Dokumente.

Weg D - Eigenes Training

Lohnt sich selten. Erwägen Sie es nur für ein Produkt im Anbietermaßstab oder einen geschlossenen Bereich mit einem großen Korpus an Verlaufsspuren (Plan-/Such-/Lesespuren mit von Experten bewerteten Berichten): ein mittelgroßes offenes Modell mit überwachtem Lernen und Verstärkungslernen auf Suchverläufen feintunen, wie es das Tongyi-Team getan hat [7]. Für Unternehmen bringt die Feinabstimmung von Prompts/Vorlagen, kuratierte Quellenlisten und ein Reranker den besseren Ertrag.

Stand der Technik (2026)

• Produktisierte Agenten aller großen Modellanbieter laufen mehrere Minuten bis eine Stunde, lesen Dutzende bis Hunderte Seiten und liefern Berichte mit Quellenbelegen; Perplexity verkauft inzwischen auch Such-, Agenten- und Embedding-APIs getrennt [6], die „Suchschicht" ist also zu einem Standardbaustein geworden.
• Benchmarks: BrowseComp (1.266 Fragen) misst ausdauerndes Browsen [1]; DeepResearch Bench misst Berichtsqualität und Zitiergenauigkeit mit einem LLM als Bewerter [2]. In den eigenen Läufen des LangChain-Projekts schwankten die Werte je nach Modell (RACE 0,4309 mit den gpt-4.1-Standardeinstellungen gegenüber 0,4943 mit GPT-5 als Recherchemodell), bei sehr unterschiedlichen Kosten - die Modellwahl ist ein Hebel für Qualität und Kosten [4]. Ranglisten ändern sich monatlich; prüfen Sie die aktuelle Liste statt einer Herstelleraussage.
• Techniken: Parallelität von Supervisor und Sub-Agenten, Kontextkompression zwischen den Runden, Planbearbeitung durch den Nutzer, MCP-Konnektoren für private Daten, Quellenprüfung auf Ebene einzelner Aussagen.
• Fehlerbilder: (1) erfundene oder falsch zugeordnete Quellenangaben - klicken Sie immer durch; (2) Verlass auf SEO-Spam und KI-generierte Seiten als „Quellen"; (3) Verzerrung zugunsten des Englischen und leicht zu crawlender Seiten, Daten hinter Bezahlschranken und nur als PDF werden übersehen; (4) veraltete Zahlen, die als aktuell dargestellt werden; (5) selbstsichere Synthese über widersprüchliche Quellen; (6) in Webseiten versteckte Prompt Injection, die den Agenten lenken oder Daten abziehen will; (7) Marktgrößen- zahlen, die von minderwertigen Aggregatoren übernommen wurden.

Gemeinsame Bausteine & Kombinationen

• Dieselben Bausteine (agent-framework + web-scraping + llm-reasoning + Such-/Vektorindex): LANG-017 (Wettbewerbsbeobachtung), KNOW-008 / KNOW-006 / KNOW-007 (spezialisierte Recherche mit anderen Quellen), KNOW-023 (Finanzquellen), KNOW-026 (OSINT), AGENT-005 (Beschaffungsagent, der die Lieferanten-Longlist nutzt), AGENT-007 (Interessentenrecherche für die Vertriebsansprache), KNOW-017 (Ausschreibungssuche).
• Gemeinsame Infrastruktur: ein selbst betriebener LLM-Server (HW3), das Crawler-/Such-Gateway, der interne Index aus KNOW-001/KNOW-002 und die MCP-Konnektorschicht können alle bedienen.
• Nachgelagert: KNOW-013 (fertige Berichte in einen Wissensgraphen überführen), KNOW-018 (Notizen in einer persönlichen Wissensbasis ablegen), Berichtsvorlagen als Foliensätze/Dokumente.

Aufwand, Kosten & Kennzahlen

• Weg A: Stunden bis Tage; Abonnement pro Arbeitsplatz, teils mit Nutzungsgrenzen für Deep-Research-Läufe.
• Weg B: Tage bis ~4 Wochen für einen Workflow im eigenen Auftritt; Kosten = Token für Dutzende Seitenabrufe pro Bericht plus Aufrufe der Such-API. Die Kosten pro Bericht schwanken je nach Modellwahl um eine Größenordnung [4]; setzen Sie ein Budget pro Lauf.
• Weg C: 1-3 Monate inkl. Such-Gateway, Evaluation und Hosting; GPU-Server plus Wartung.
• Kennzahlen: Analystenstunden pro Bericht, Anteil der in Stichproben als korrekt geprüften Aussagen (Zielwert legen Sie fest), Zitiergenauigkeit (Anteil der Links, die die Aussage tatsächlich stützen), Quellenvielfalt, Kosten pro Bericht, Aktualität der Daten, Akzeptanz bei den Nutzern und Nacharbeitsquote.

Menschen & Veränderung

Binden Sie die Geschäftsführung ein, um den Zweck und die Entscheidungen festzulegen, die sich auf KI-erzeugte Recherchen stützen dürfen, die Abteilungsleitung, die den Rechercheprozess verantwortet, und die Endnutzer - Analysten, Produktmanager, Gründer - die Ergebnisse testen. Die IT gibt Konten und Werkzeuge frei; Recht/Compliance und die oder der Datenschutzbeauftragte legen Regeln für vertrauliche oder personenbezogene Daten in Prompts fest (siehe GUIDE-007 und GUIDE-005).

Betriebsrat: in der Regel nein. Das Werkzeug unterstützt inhaltliche Arbeit und bewertet keine Beschäftigten; stellt der Anbieter jedoch Nutzungs-Dashboards pro Person bereit oder wird das Werkzeug als Teil einer größeren Suite eingeführt, die Aktivitäten protokolliert, kann §87(1) Nr. 6 BetrVG gelten, und §90(1) Nr. 3 verlangt die rechtzeitige Unterrichtung über KI in Arbeitsprozessen. Prüfen Sie die Protokollierung des Anbieters vor dem Roll-out; öffentliche Stellen beteiligen den Personalrat. Personenbezogene Daten sind vor allem ein Thema, wenn namentlich genannte Personen recherchiert oder Kundendateien hochgeladen werden - lassen Sie beides in der ersten Phase aus und schließen Sie mit dem Anbieter einen AVV ab (GUIDE-010).

KI-Kompetenz: Unterstützen Sie die Beschäftigten mit einer Schulung zu Quellenprüfung, Überprüfung von Quellenangaben und halluzinierten Verweisen (GUIDE-006). Vermitteln Sie, dass der Agent einen ersten Entwurf und keine fertige Analyse liefert; jede Zahl, auf der eine Entscheidung beruht, muss ein Mensch bis zur Quelle zurückverfolgen. Starten Sie mit einer Pilotgruppe von 3-5 Analysten an echten Fragestellungen und vergleichen Sie die Ergebnisse mit manueller Recherche (GUIDE-009). Typische Sorge: Qualität und Plagiat - begegnen Sie ihr mit einer Prüfcheckliste und einer Quellen-Allowlist.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko; keine Kategorie nach Anhang III, die KI-Kompetenz (Art. 4) gilt. Die Transparenz nach Art. 50 (anwendbar ab 2. August 2026) ist relevant, wenn KI-generierter Text veröffentlicht wird, um die Öffentlichkeit zu Themen von öffentlichem Interesse zu informieren, ohne redaktionelle Prüfung durch Menschen; die Kennzeichnungspflichten für erzeugte Inhalte liegen vor allem bei den Anbietern [8]. Wird der Agent genutzt, um Einzelpersonen für Personal-, Kredit- oder Strafverfolgungs- entscheidungen zu profilieren, ändert sich die Einstufung - hier nicht im Umfang (siehe KNOW-026).
• DSGVO: Briefings und Webseiten können personenbezogene Daten enthalten (Führungskräfte, Einzelunternehmer, Bewerter). Vermeiden Sie es, personenbezogene oder vertrauliche Daten in Prompts von Verbraucherwerkzeugen einzugeben; nutzen Sie Geschäftsbedingungen mit einem Auftragsverarbeitungs- vertrag, EU-Datenhaltung, wo erforderlich, und minimieren Sie personenbezogene Recherche (Zweckbindung, Art. 5-6 DSGVO).
• Urheberrecht und Nutzungsbedingungen: Beachten Sie robots.txt und Lizenzen beim Crawlen; keine vollständige Wiederveröffentlichung von Inhalten hinter Bezahlschranken; die EU-Schranken für Text und Data Mining (DSM-Richtlinie Art. 3/4) kennen Nutzungsvorbehalte (Opt-out).
• Sicherheit: indirekte Prompt Injection über Webseiten; geben Sie dem Agenten nur lesende Werkzeuge, keinen Zugriff auf schreibende interne Aktionen, Egress-Filterung und trennen Sie Agenten für interne Daten und für das offene Web.
• Qualität und Haftung: Kennzeichnen Sie die Ausgabe als KI-unterstützt, bewahren Sie Quellenliste und Abrufdatum auf und prüfen Sie Zahlen, die Entscheidungen oder Investitionen tragen.

Erste Schritte

1. Wählen Sie 3 wiederkehrende Rechercheaufgaben und schreiben Sie das Briefing (Frage, Umfang, Zielgruppe, Ausgabeformat, Quellenregeln).
2. Führen Sie sie in zwei Werkzeugen von Weg A aus und vergleichen Sie mit einem früheren menschlich erstellten Bericht; zählen Sie falsche oder unbelegte Aussagen.
3. Definieren Sie eine „Quellenrichtlinie" (vertrauenswürdige Domains, gesperrte Aggregator-Seiten, Sprachen) und eine Berichtsvorlage.
4. Sind die Ergebnisse gut, verpacken Sie das in Weg B (LangGraph oder eine einfache Schleife) mit internen Daten über MCP, Budgetgrenzen und einem Schritt zur Quellenprüfung; planen Sie monatliche Wiederholungsläufe.
5. Schulen Sie die Beschäftigten: zentrale Aussagen prüfen, nie vertrauliche Daten in Verbraucherwerkzeuge einfügen, die Prüfung dokumentieren.

Quellen

1. OpenAI / arXiv - BrowseComp: a benchmark for browsing agents (1,266 questions) - https://arxiv.org/abs/2504.12516
2. DeepResearch Bench (100 PhD-level tasks, RACE and FACT metrics) - https://github.com/Ayanami0730/deep_research_bench
3. Stanford OVAL - STORM and Co-STORM - https://github.com/stanford-oval/storm
4. LangChain - Open Deep Research (architecture, Deep Research Bench runs and cost) - https://github.com/langchain-ai/open_deep_research
5. GPT Researcher - https://github.com/assafelovic/gpt-researcher
6. Perplexity API documentation (Agent, Search, Embeddings APIs) - https://docs.perplexity.ai/
7. Alibaba Tongyi DeepResearch (30B-A3B, Apache-2.0) - https://github.com/Alibaba-NLP/DeepResearch
8. AI Act Article 50 transparency obligations (applies from 2 August 2026) - https://artificialintelligenceact.eu/article/50/
9. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj