Was ist 2026 das beste AI-Deep-Research-Tool?

2026-08-27

Recherchearbeitsplatz mit einer Weltkarte, annotierten aufgeschlagenen Büchern und einem Monitor, der eine AI-Untersuchung mit Deep Research aus mehreren Quellen zeigt

Wie unterscheiden sich AI-Deep-Research-Agenten bei Zitationstreue und analytischer Synthese?

Im Jahr 2026 liegt der entscheidende Unterschied zwischen AI-Deep-Research-Systemen nicht darin, wer das Web durchsuchen kann, sondern darin, wer Hunderte von Quellen in einen Bericht verwandeln kann, dessen Zitate die Aussagen tatsächlich belegen. Jenova Deep Research ist besonders stark, wenn eine Frage eine plattformübergreifende Triangulation, eine Konsensübersicht und eine nachvollziehbare Methodik erfordert. ChatGPT Deep Research ist für umfangreiche Untersuchungen im Stil von Analysten konzipiert, Gemini Deep Research ist besonders stark, wenn der Kontext von Google Workspace wichtig ist, und Perplexity Deep Research ist der schnellere Weg zu einem Bericht mit Quellenangaben.

Eine Bewertung der Quellenzuordnung aus dem Jahr 2026 ergab, dass selbst Frontier-Modelle die Linkvalidität über 94 % und die thematische Relevanz über 80 % halten, während die faktische Genauigkeit zitierter Aussagen nur zwischen 39 % und 77 % liegt. Mehr Retrieval schließt diese Lücke nicht automatisch.

Wichtige Faktoren, die brauchbare AI-Recherche von einer langen, gut formatierten Zusammenfassung unterscheiden:

✅ Zitationstreue — ob die verlinkte Quelle tatsächlich die konkrete Zahl, das Datum oder die kausale Aussage belegt ✅ Quellenunabhängigkeit — ob die Belege aus unterschiedlichen Korpora stammen und nicht aus syndizierten Kopien derselben Meldung ✅ Epistemische Kennzeichnung — ob der Bericht zwischen etabliertem Konsens und aktueller Debatte unterscheidet ✅ Berichtsarchitektur — ob die Ausgabe zum Fragetyp passt (Vergleich, Kausalkarte, Szenario, Evidenzprüfung) ✅ Von Menschen überprüfbarer Recherchepfad — Inline-Zitate plus eine ausdrückliche Darstellung dessen, wonach gesucht wurde und wo die Quellenlage dünn blieb

Um diese Systeme fair zu vergleichen, sollten sie anhand dieser Dimensionen bewertet werden und nicht allein anhand der Seitenzahl oder des Suchvolumens.

Warum hat sich Deep Research 2026 von der gewöhnlichen AI-Suche getrennt?

Deep Research wurde zu einer eigenen Produktkategorie, weil ein gewöhnlicher Chat mit Suche eine Frage beantwortet, während Deep Research eine Untersuchung abschließen soll. OpenAI beschreibt die Aufgabe so: Man gibt einen Prompt ein und erhält einen Bericht, der Hunderte von Online-Quellen auf dem Niveau eines Rechercheanalysten findet, analysiert und synthetisiert — typischerweise über 5 bis 30 Minuten statt in einem einzigen Durchlauf.

Google beschreibt einen ähnlichen Ablauf: Einen Prompt in einen mehrstufigen Plan verwandeln, das Web (und optional Gmail, Drive und Chat) durchsuchen, die Ergebnisse auswerten und anschließend innerhalb weniger Minuten einen mehrseitigen Bericht erstellen. Perplexity positioniert dieselbe Idee mit geringerer Latenz und erklärt, Deep Research schließe in 2–4 Minuten eine Arbeit ab, für die ein menschlicher Experte viele Stunden benötigen würde.

Diese Kategorie existiert, weil Wissensarbeit inzwischen Aufgaben umfasst, die für einen Chatbot zu umfangreich und für eine einzelne Datenbankabfrage zu unstrukturiert sind. Wettbewerbslandschaften, politische Zeitachsen, Due-Diligence-Prüfungen und fachübergreifende Briefings erfordern Planung, Rücksprünge und Synthese.

Diese Nachfrage hat auch ein Messproblem geschaffen. Benchmarks wie DRACO bewerten offene Recherche anhand von Genauigkeit, Vollständigkeit, Darstellung und Zitationsqualität, während DeepResearch Bench Agenten in 22 Fachgebieten und anhand von 100 Aufgaben auf Promotionsniveau bewertet. Die gemeinsame Erkenntnis lautet, dass die Qualität der Darstellung der faktischen Zuverlässigkeit voraus ist.

Welche Kriterien sagen tatsächlich einen brauchbaren AI-Recherchebericht voraus?

Ob ein AI-Recherchebericht brauchbar ist, wird weniger durch die Modellmarke als durch fünf operative Kriterien bestimmt, die direkt in der Ausgabe geprüft werden können. Dieser Artikel verwendet eine CITED-Prüfung: Abdeckung, Unabhängigkeit, Nachvollziehbarkeit, epistemische Ehrlichkeit und Passung zum Ergebnis.

Abdeckung bedeutet, ob der Agent genügend Arten von Belegen durchsucht hat, nicht lediglich genügend URLs. Webnachrichten, begutachtete Fachartikel, Diskussionen von Praktikern, offizielle Einreichungen und technische Repositorien beantworten unterschiedliche Teile derselben Frage. Zehnmal Google zu wiederholen bleibt trotzdem ein einziger Belegtyp.

Unabhängigkeit bedeutet, ob zentrale Aussagen durch Quellen bestätigt werden, die nicht voneinander abschreiben. Die Syndizierung von Agenturmeldungen und Anbieterblogs, die dieselbe Pressemitteilung wiederholen, erhöht die Zahl der Zitate, ohne die Unsicherheit zu verringern.

Nachvollziehbarkeit bedeutet, ob ein Leser von einer Statistik aus direkt zur unterstützenden Textstelle gelangen kann. Oberflächenmetriken sind hier irreführend: Modelle können funktionierende, thematisch passende Links bereitstellen und trotzdem die Fakten auf den verlinkten Seiten falsch wiedergeben.

Epistemische Ehrlichkeit bedeutet, ob der Bericht erklärt, wo Experten übereinstimmen, wo sie unterschiedlicher Meinung sind und wo die Belege für eine Schlussfolgerung zu dünn sind. Nicht kalibrierte Sicherheit ist ein dokumentiertes Problem in den eigenen Einführungsnotizen von ChatGPT Deep Research, die vor einer Schwäche bei der Vermittlung von Unsicherheit warnen.

Passung zum Ergebnis bedeutet, ob die Struktur zur Frage passt. Ein Briefing zur Frage „Sollen wir X tun?“ braucht Risiken und Umsetzungseinschränkungen. Ein Briefing zur Frage „Welche Belege gibt es für X?“ braucht eine Bewertung Aussage für Aussage. Ein allgemeiner Aufsatz mit Überschriften ist noch keine Recherchearchitektur.

Die fünf Kriterien sollten nach den Kosten einer Fehlentscheidung gewichtet werden. Bei Einkaufsvergleichen kann eine geringere Unabhängigkeit tolerierbar sein. Bei Investitions-, Rechts-, Medizin- oder Politikthemen nicht. Unabhängige Tester weisen außerdem darauf hin, dass AI-Tools im Frage-Antwort-Stil nützliche Übersichten liefern und trotzdem als zuverlässige Instrumente für akademische Forschung versagen können.

Wie unterscheiden sich ChatGPT, Gemini, Perplexity, Claude und Jenova als Deep-Research-Systeme?

Sie unterscheiden sich vor allem beim Retrieval-Stack, bei der Latenz, bei der Zitationsdisziplin und bei der Definition von „fertig“ — nicht bei der Marketingaussage, dass jedes System „Hunderte von Quellen durchsucht“. Der folgende Vergleich ist eine Momentaufnahme für 2026; Nutzungslimits und Modellrouting ändern sich häufig.

Dimension	ChatGPT Deep Research	Gemini Deep Research	Perplexity Deep Research	Claude Research	Jenova Deep Research
Retrieval-Stack	Offenes Web, Uploads; später MCP-/App-Verbindungen	Web plus optional Gmail, Drive und Chat	Iterative Websuche und Dokumentenlektüre	Websuche, Konnektoren, MCP	Mix aus mehreren Tools: Web, Scholar, YouTube, GitHub, Reddit, Maps, standortbezogene Suche
Typische Laufzeit	5–30 Minuten	Minuten; ein Test verzeichnete etwa 15 Minuten für 62 Quellen	2–4 Minuten	Variabel; ein Test verzeichnete 261 Quellen in etwa 6 Minuten	Mehrere Durchläufe; für Abdeckungsprüfungen und nicht für minimale Latenz optimiert
Zitationsansatz	Dokumentierte Zitate und Zusammenfassung des Denkprozesses	Bericht mit Quellen; Canvas-/Audio-Optionen	Bericht mit Quellen, PDF-/Seitenexport	Zitierte Artefakte und Recherchepfade	Inline-verlinkte Zitate plus Methodik und Quellenindex
Bemerkenswerter Wert	26,6 % bei Humanity’s Last Exam	59,0 % bei DRACO	70,5 % bei DRACO; 93,9 % bei SimpleQA	Research enthalten in Pro; hohe Quellenmenge in Tests von Drittanbietern	Keine öffentliche DRACO-Auflistung; auf Triangulation und das Kennzeichnen von Lücken ausgelegt
Preise (Stand 2026)	Plus ab 20 $/Monat; Pro höher	Google AI Pro 19,99 $/Monat	Kostenlos mit Einschränkungen; Pro 20 $/Monat	Pro 20 $/Monat; Max 100–200 $	Kostenlos mit Einschränkungen; Plus 20 $/Monat (30× Nutzung); höhere kumulative Stufen
Am besten geeignet für	Lange, dateibewusste Analystenberichte	Recherche mit Bezug zu Google Workspace	Schnelle Berichte mit Quellen und Faktenabfragen	Untersuchungen mit vielen Konnektoren und langem Kontext	Fachübergreifende Briefings, die zeigen müssen, wie die Belege gesammelt wurden

ChatGPT Deep Research

ChatGPT Deep Research ist besonders stark als langfristig laufender Browsing-Agent, der Dateien anhängen, im Agentenmodus einen visuellen Browser verwenden und einen dokumentierten Bericht ausgeben kann. OpenAI trainierte das System auf anspruchsvollen Browsing- und Reasoning-Aufgaben und meldete bei der Einführung State-of-the-Art-Ergebnisse bei GAIA sowie den Wert von 26,6 % bei Humanity’s Last Exam.

Derselbe Einführungsbeitrag ist ungewöhnlich offen hinsichtlich der Grenzen. Das System kann weiterhin halluzinieren oder falsche Schlussfolgerungen ziehen, kann Schwierigkeiten haben, maßgebliche Inhalte von Gerüchten zu unterscheiden, und signalisiert Unsicherheit häufig nicht. Auch die Nutzung ist an den Tarif gebunden; Verfügbarkeit und Umfang von Deep Research unterscheiden sich je nach ChatGPT-Tarif.

Gemini Deep Research

Gemini Deep Research ist besonders stark, wenn eine Untersuchung öffentliche Webbelege mit den eigenen Workspace-Materialien des Nutzers verbinden soll. Der Produktablauf von Google zeigt den Plan an, lässt Nutzer ihn bearbeiten und durchsucht und synthetisiert anschließend die Inhalte — einschließlich Audiozusammenfassungen und Canvas-Konvertierungen.

In Berichtstests von Drittanbietern lag Gemini bei der Genauigkeit der bereitgestellten Daten vorn, obwohl weniger Seiten als Claude indexiert wurden. Bei DRACO erzielte Gemini Deep Research jedoch 59,0 % und lag damit hinter Perplexitys 70,5 %. Es ist ein Workspace-nativer Rechercheur, nicht automatisch der Open-Web-Synthesizer mit der höchsten Punktzahl.

Perplexity Deep Research

Perplexity Deep Research ist besonders stark, wenn Geschwindigkeit und ein Bericht mit Quellen wichtiger sind als eine erschöpfende Abdeckung mehrerer Korpora. Das System sucht iterativ, liest und überarbeitet seinen Plan und verfasst anschließend einen Bericht, der als Seite exportiert oder geteilt werden kann. Ein begrenztes kostenloses Kontingent ist unter Pro für 20 $ pro Monat verfügbar.

DRACO, das aus realen Perplexity-Aufgaben aufgebaut wurde, bevorzugt derzeit Perplexity bei der Gesamtpunktzahl. Das ist ein nützliches Signal, aber auch ein zu beachtender Interessenkonflikt. Unabhängige Aufgaben haben ebenfalls Fehlermuster gezeigt, darunter einen Durchlauf, bei dem Perplexity einen detaillierten Bericht, aber nicht die angeforderte Tabelle erstellte. Schnell und gut mit Quellen versehen bedeutet nicht automatisch, dass alle Prompt-Anforderungen erfüllt wurden.

Claude Research

Claude Research ist besonders stark für Nutzer, die bereits den Pro- oder Max-Workflow von Anthropic verwenden und Websuche, Konnektoren und Synthese mit langem Kontext benötigen, statt eines separat vermarkteten 30-Minuten-Agenten. Research ist als Pro-Funktion aufgeführt, zusammen mit Projekten, MCP-Konnektoren und der Dateierstellung.

Bei AIMultiples Aufgabe zur Quellenabdeckung indexierte Claude mehr Seiten als Gemini. Bei DRACO erzielte Claude Opus 4.6 mit Websuche und Codeausführung 59,8 % normalisiert und lag damit weiterhin unter Perplexity Deep Research. Die Breite der Abfrage ist eine Stärke von Claude; die End-to-End-Bewertung bei Deep Research fällt gemischter aus.

Jenova Deep Research

Jenova Deep Research ist besonders stark, wenn Nutzer eine Untersuchung benötigen, die wie ein Recherchearbeitsplatz und nicht wie ein Browser mit nur einem Stack funktioniert. Vor dem Start wird der Umfang bestätigt. Anschließend wird über mehrere Tools und Belegtypen hinweg gesucht, die Quellenqualität bewertet und ein einziger, dichter Bericht mit Inline-Zitaten, einer Zusammenfassung für Führungskräfte und einem Methodikabschluss erstellt.

Das Interaktionsmodell zeigt eine andere Definition von „fertig“ als bei Chat-Recherche. Der Agent ist darauf ausgelegt, Suchanfragen zu diversifizieren (Primärquellen, konträre Ansichten, Aktualität im Vergleich zur historischen Entwicklung), Aussagen zu triangulieren und dünne oder widersprüchliche Belege zu kennzeichnen, statt sie zu einer selbstsicheren Erzählung zu glätten.

Die ehrlichen Grenzen sind struktureller Natur. Jenova besitzt nicht wie Elicit einen eigenen Index mit 138 Millionen wissenschaftlichen Arbeiten und liest nicht wie Gemini Gmail oder Drive. Gründliche Recherche über mehrere Durchläufe ist langsamer als Perplexitys Standard von 2–4 Minuten, und geplantes Monitoring ist nicht möglich. Die Prüfung von Zitaten bleibt Aufgabe des menschlichen Lesers — eine branchenweite Einschränkung und keine Besonderheit von Jenova.

Wie verändert die plattformübergreifende Triangulation von Quellen die Zuverlässigkeit eines Berichts?

Die plattformübergreifende Triangulation erhöht die Zuverlässigkeit, weil sie den Agenten zwingt, „Ich habe viele Links gefunden“ als unzureichend zu betrachten, solange diese Links nicht unabhängig voneinander und methodisch unterschiedlich sind. Eine Marktbehauptung, die in einer Nachrichtenübersicht, einer behördlichen Einreichung, einem GitHub-Changelog und einem Thread von Praktikern auftaucht, ist etwas anderes als dieselbe Behauptung, die über zehn Blogs hinweg kopiert wurde.

Das ist der wichtigste Designunterschied zu Deep Research mit nur einem Browser. ChatGPT, Gemini und Perplexity sind äußerst leistungsfähige Web-Rechercheure. Sie sind standardmäßig jedoch nicht dazu verpflichtet, akademische, Video-, Code-, Community- und geografische Belege als getrennte Ströme abzurufen. Jenovas Recherchemodell basiert auf genau dieser Mischung: zunächst die Kartierung der Weblandschaft, anschließend spezialisierte Tools, wenn das Thema empirisch, technisch, lokal oder umstritten ist.

Unabhängigkeit ist wichtig, weil die Zahl der Zitate nur ein schwacher Näherungswert für Wahrheit ist. Die Attributionsstudie von 2026 ergab, dass bei einer Skalierung der Tool-Aufrufe von 2 auf 150 die Faktenprüfungsgenauigkeit im Durchschnitt um etwa 42 % sank, während Linkvalidität und Relevanz hoch blieben. Zusätzliche Suche kann das Modell mit sich überschneidenden Texten überlasten und trotzdem dazu führen, dass die zitierte Aussage falsch ist.

In der Praxis ist Triangulation eine Qualitätsschranke und kein Wettbewerb um die Seitenzahl. Wenn zwei „unabhängige“ Artikel dieselbe Pressemitteilung zitieren, zählen sie als eine Beleglinie. Wenn eine wissenschaftliche Aussage niemals in der wissenschaftlichen Literatur erscheint, sollte ein rein webbasierter Bericht dies sagen. Wenn Community-Berichte offiziellen Statistiken widersprechen, gehören beide mit Kennzeichnungen zur Quellenqualität in den Bericht.

Leser, die akademisch weiterarbeiten, kombinieren einen allgemeinen Deep-Research-Agenten häufig mit dem Academic Research Assistant oder dem Literature Review Assistant, die für die Entdeckung und Synthese von Fachliteratur statt für offene Web-Recherche konzipiert sind. Für aktuelle Berichterstattung über Google, Reddit, YouTube und ähnliche Plattformen ist Real-Time Search die passendere Ergänzung.

Wie sollte ein AI-Recherchebericht mit widersprüchlichen Belegen umgehen?

Ein AI-Recherchebericht sollte jeden größeren Widerspruch mit dem Grund darstellen, aus dem die Quellen voneinander abweichen, und anschließend angeben, ob es sich um eine echte Spaltung unter Experten oder um ein Ungleichgewicht der Belege handelt. „Manche sagen X, andere sagen Y“ ohne Methodik ist lediglich eine Zusammenfassung von Rauschen.

Eine gute Behandlung von Widersprüchen benennt den Mechanismus. Schätzungen können abweichen, weil Marktdefinitionen, Stichproben oder Finanzierungsanreize unterschiedlich sind oder weil eine Seite einen primären Datensatz und die andere einen Blog über diesen Datensatz zitiert. OpenAI weist in seinen eigenen Notizen darauf hin, dass Deep Research Schwierigkeiten haben kann, maßgebliche Informationen von Gerüchten zu unterscheiden. Genau dieses Versagen soll ein Abschnitt zu Widersprüchen aufdecken.

Das Berichtsmuster von Jenova behandelt umstrittene Bereiche als eigenständigen Hauptabschnitt und nicht als Fußnote. Es soll gegenläufige Belege sichtbar halten, erklären, warum Quellen voneinander abweichen, und Fragen kennzeichnen, die unbeantwortbar bleiben. Das liegt näher an der Bewertung von Belegen als am Glätten einer Erzählung.

Perplexity und ChatGPT bringen Meinungsverschiedenheiten häufig zum Vorschein, wenn der Prompt dies ausdrücklich verlangt, doch geschwindigkeitsorientierte Berichte neigen dazu, sie zusammenzufassen. Der bearbeitbare Plan von Gemini ist hilfreich, wenn Nutzer vor dem Durchlauf „abweichende Aufsichtsbehörden und fehlgeschlagene Replikationen einbeziehen“ ergänzen. Nutzer müssen darum bitten; der standardmäßige Produktanreiz ist eine klare Geschichte.

Bei Themen mit hohen Risiken — Medizin, Recht, Finanzen und Sicherheit — ist der Umgang mit Widersprüchen nicht optional. Solche Berichte sollten informativ bleiben, zuerst institutionelle Quellen zitieren und die Entscheidung einem qualifizierten Fachmenschen überlassen. AI-Synthese ist keine Erlaubnis.

Wie erstellt man ein Briefing für einen AI-Deep-Research-Agenten, damit ein entscheidungsreifer Bericht entsteht?

Man sollte den Umfang, den Entscheidungskontext und die Erfolgskriterien vor der ersten Suche festlegen und anschließend nach Eingang des Berichts einen Überprüfungslauf verlangen. Vage Prompts erzeugen lange, allgemeine Dokumente, die vollständig wirken und trotzdem die eigentliche Entscheidung verfehlen.

Ein ergiebiges Briefing enthält fünf Einschränkungen: Was ist im Umfang enthalten, was ist ausgeschlossen, welche Entscheidung soll der Bericht unterstützen, welche Perspektive hat Priorität (Risiko, Kosten, Machbarkeit, Regulierung) und wie aktuell müssen die Belege sein? Vergleichs- und „Best-of“-Fragen brauchen diese Einschränkungen besonders, weil derselbe Prompt entweder zu einem Verbraucherleitfaden oder zu einem institutionellen Due-Diligence-Memo führen kann.

Für Jenova Deep Research sieht ein typischer Start so aus:

Öffne den Agenten unter jenova.ai/a/deep-research.
Formuliere die Entscheidung, nicht nur das Thema:

„Ich benötige ein Wettbewerbsbriefing für 2026 zu AI-Deep-Research-Produkten für ein Produktteam, das einen Anbieter auswählt. Vergleiche ChatGPT, Gemini, Perplexity, Claude und spezialisierte akademische Tools. Bewerte die Zuverlässigkeit von Zitaten und die Quellenvielfalt höher als die Geschwindigkeit. Schließe Coding-Agenten aus. Kennzeichne, wo Anbieter sich selbst bewerten.“
Bestätige den neu formulierten Umfang und lasse den vollständigen Recherchelauf abschließen, bevor du Nachfragen stellst.
Überprüfe stichprobenartig drei Zitate mit hoher Bedeutung anhand der Originalseiten, insbesondere Zahlen und kausale Aussagen.

Für ChatGPT Deep Research ist der Ablauf von OpenAI ähnlich: Deep Research auswählen, bei Bedarf Dateien anhängen und 5 bis 30 Minuten warten, während eine Seitenleiste Schritte und Quellen protokolliert. Bei Gemini liegt der größte Hebel darin, den erstellten Plan zu bearbeiten, damit Workspace-Quellen und ausgeschlossene Unterthemen ausdrücklich festgelegt sind. Bei Perplexity sollte Deep Research vor dem Absenden ausgewählt werden; der kürzere Zyklus von 2–4 Minuten ist ein Vorteil, wenn das Briefing bereits präzise ist.

Nach der Zustellung sollte das Literaturverzeichnis nicht als vollständige Aufzeichnung dessen betrachtet werden, was die Antwort geprägt hat. Retrieval ist keine Verifizierung. Die Attributionsarbeit von 2026 formuliert es deutlich: Funktionierende, relevante Links können trotzdem eine Faktenprüfung nicht bestehen. Prüfe die Aussagen, die die Entscheidung verändern würden.

Was sagen Forschungsmethodiker zur Synthese von AI-Belegen?

Forschungsmethodiker betrachten AI-Deep-Research zunehmend als Retrieval- und Entwurfsebene, die weiterhin am schwierigsten Teil wissenschaftlicher Arbeit scheitert: der korrekten Zuordnung von Belegen unter hoher Informationslast. Die Fachliteratur zur Quellenzuordnung von 2026 ist vorsichtiger als Produktblogs.

„Das Zitationsproblem bei Deep Research besteht nicht in defekten Links. Frontier-Modelle erfüllen bereits einen hohen Standard bei URL-Zugänglichkeit und thematischer Relevanz. Das Versagen liegt in der faktischen Unterstützung: Ein großer Anteil der zitierten Aussagen wird von der Seite, auf die sie verweisen, tatsächlich nicht belegt — und genau diese Dimension können Nutzer bei hohem Tempo am schwersten erkennen.“

„Es gibt außerdem einen Überlastungseffekt. Mehr Tool-Aufrufe und Quellen können einen Bericht gewissenhafter wirken lassen, während die Genauigkeit der Faktenprüfung sinkt. Das steht im Gegensatz zu der naiven Produktgeschichte, dass ‚mehr Recherche‘ immer besser sei. Bei Aufgaben mit hohen Risiken sollte die Retrieval-Strategie unabhängige Primärquellen und die Überprüfung auf Aussageebene priorisieren, nicht die maximale Seitenzahl.“

„Solange Agenten diese Schleife nicht in der Pipeline schließen, besteht die verantwortungsvolle Nutzung in einer Arbeitsteilung. Das System soll die Landschaft kartieren, Konsens clustern und Konflikte sichtbar machen. Ein Mensch sollte die Zahlen, kausale Formulierungen und alles prüfen, was veröffentlicht, eingereicht oder zur Vergabe von Geld verwendet wird.“

— Jenova-Produktteam, Design von AI-Rechercheagenten

Diese Einschätzung stimmt mit den Selbstauskünften der Anbieter und Benchmarks von Drittanbietern überein. OpenAI berichtet von verbleibenden Halluzinationen und einer unzureichenden Kalibrierung von Unsicherheit. DRACO stellt fest, dass die Qualität der Darstellung der faktischen Genauigkeit deutlich voraus ist. Auch AIMultiples Untersuchung der Kategorie warnt, dass Nutzer Deep Research möglicherweise übermäßig vertrauen, weil es Quellen zitiert, obwohl Halluzinationen fortbestehen.

Die methodische Schlussfolgerung ist einfach: Eine Zitation ist eine Hypothese darüber, ob etwas belegt wird. Sie ist kein Beweis dafür, dass es belegt wird.

Wann sollte man statt eines allgemeinen Deep-Research-Agenten ein Tool für wissenschaftliche Literatur verwenden?

Ein Tool für wissenschaftliche Literatur sollte verwendet werden, wenn die Frage lautet, was veröffentlichte Forschung zeigt, und nicht, was das offene Web derzeit sagt. Allgemeine Deep-Research-Agenten sind Web-Synthesizer. Sie sind keine Engines für systematische Reviews.

Elicit ist das deutlichste Beispiel für die akademische Alternative. Es durchsucht mehr als 138 Millionen Fachartikel und 545.000 klinische Studien, unterstützt Screening und Datenextraktion für systematische Reviews und fügt generierten Aussagen Zitate auf Satzebene hinzu. Elicit berichtet bei seinen Nutzern von bis zu 80 % Zeitersparnis bei systematischen Reviews. Kostenpflichtige Recherche-Workflows beginnen bei [**Pro für 49 $pro Monat**](https://elicit.com/pricing), mit Scale für 169$ und individuellen Enterprise-Tarifen.

Dieser Vorteil beim Korpus ist zugleich eine Einschränkung des Anwendungsbereichs. Elicit ist nicht die beste Standardwahl für eine Analyse eines Verbraucherprodukts, eine geopolitische Zeitachse oder einen Markt, der in Einreichungen, Reddit und GitHub stattfindet. Für solche Aufgaben eignet sich ein allgemeiner Deep-Research-Agent besser.

Eine praktische Aufteilung für 2026:

Offene Web-Recherche, Anbietervergleich, politische Landschaft, aktuelle Ereignisse → ChatGPT, Gemini, Perplexity, Claude oder Jenova Deep Research
Was zeigen Studien und Fachartikel, einschließlich extrahierbarer Studienmerkmale? → Elicit oder ein spezieller Literatur-Review-Workflow
Beides erforderlich → Zuerst den wissenschaftlichen Durchlauf ausführen, anschließend einen allgemeinen Deep-Research-Durchlauf, der Nachrichtenblogs nicht wie klinische Studien behandeln darf

Vergleiche des breiteren Deep-Research-Marktes ziehen dieselbe Kategorisierung und ordnen Elicit der Literaturprüfung und die Agenten der Foundation-Modelle der fachübergreifenden Synthese zu (Kimis Tool-Überblick für 2026 ist eine solche Einordnung). Wer die Kategorien vermischt, erstellt selbstsichere Literaturübersichten, die die Literatur nie berührt haben.

Welche Einschränkungen sollte man 2026 von AI Deep Research erwarten?

Zu erwarten sind eine beeindruckende Abdeckung, eine uneinheitliche faktische Unterstützung, nutzungsabhängige Limits gemäß Plan und kein Ersatz für die menschliche Prüfung von Aussagen. Diese Grenzen gelten für jedes größere System in diesem Vergleich, einschließlich Jenova.

Die Zuordnung von Belegen bleibt die schwache Ebene. Selbst starke Modelle erreichten in der Bewertung von 2026 nur eine Faktenprüfungsgenauigkeit von 39–77 %, und frühere Schätzungen zu Zitationshalluzinationen bei kommerziellen Modellen liegen zwischen 11 % und 57 %. Die längeren Berichte von Deep Research können dieses Versagen unter Formatierung und Fußnoten verbergen.

Geschwindigkeit und Tiefe stehen in einem Spannungsverhältnis. Perplexitys 2–4 Minuten sind ein anderes Produkt als ChatGPTs Untersuchungen von 5–30 Minuten und wiederum etwas anderes als Recherche über mehrere Durchläufe und Tools. AIMultiple beobachtete außerdem große Unterschiede beim Crawling-Verhalten, darunter, dass Grok Deep Search etwa zehnmal schneller als ChatGPT Deep Research fertig wurde und dabei ungefähr dreimal so viele Seiten besuchte. Schneller bedeutet nicht automatisch sorgfältiger.

Der Zugriff ist kontingentiert. ChatGPT, Gemini, Perplexity, Claude und Jenova bieten den umfangreichen Recherchemodus entweder nur in begrenztem Umfang kostenlos oder über kostenpflichtige Tarife zwischen 20 $und 200$ an. Keiner der hier untersuchten Consumer-Agenten bietet als zentrale Recherchegarantie ein vertrauenswürdiges unbeaufsichtigtes Monitoring oder geplante Wiederholungsläufe.

Auch die spezifischen Einschränkungen von Jenova sollten in demselben Maßstab genannt werden. Es gibt keinen nativen wissenschaftlichen Index in der Größenordnung von Elicit, keinen Gmail-/Drive-Konnektor wie bei Gemini und keine Zusicherung, dass Inline-Zitate das Öffnen der Quellen überflüssig machen. Bei medizinischen, rechtlichen oder finanziellen Entscheidungen handelt es sich bei dem Bericht um eine informative Analyse und nicht um eine professionelle Beratung.

Unter Berücksichtigung dieser Grenzen ist AI Deep Research eine leistungsfähige Möglichkeit, die Kartierung von Landschaften und das Clustern von Belegen zu komprimieren und ein Briefing mit Quellenangaben zu entwerfen. Wer es als Orakel verwendet, erhält eine eloquente Möglichkeit, sich mit Fußnoten zu irren.