Google представляет агентов Deep Research

Google в понедельник представила самое значительное обновление возможностей своих автономных исследовательских агентов с момента появления продукта, выпустив двух новых агентов — Deep Research и Deep Research Max. Они впервые позволяют разработчикам объединять открытые данные из интернета с проприетарной корпоративной информацией с помощью одного вызова API, создавать встроенные графики и инфографику внутри исследовательских отчетов, а также подключаться к произвольным сторонним источникам данных через протокол Model Context Protocol (MCP).

Этот релиз, созданный на базе модели Gemini 3.1 Pro от Google, знаменует собой переломный момент в стремительно нарастающей гонке по созданию систем ИИ, способных автономно проводить исчерпывающие исследования по множеству источников, на что у людей-аналитиков традиционно уходили часы или дни. Это также самая четкая заявка Google на позиционирование своей инфраструктуры ИИ в качестве основы для корпоративных исследовательских рабочих процессов в сфере финансов, наук о жизни и рыночной аналитики — в отраслях, где цена ошибки с информацией чрезвычайно высока.

«Мы запускаем два мощных обновления для Deep Research в Gemini API — теперь с повышенным качеством, поддержкой MCP и генерацией графиков и инфографики», — написал генеральный директор Google Сундар Пичаи в X. — Используйте Deep Research, когда вам нужны скорость и эффективность, и Max, когда требуется максимальное качество сбора и синтеза контекста с использованием расширенных вычислений во время тестов, что позволяет достичь 93,3% в DeepSearchQA и 54.6% в HLE».

Оба агента доступны уже сегодня в рамках публичного превью по платным тарифам Gemini API через Interactions API, который Google впервые представила в декабре 2025 года.

Почему Google создала двух исследовательских агентов вместо одного

Этот запуск представляет многоуровневую архитектуру, отражающую фундаментальное противоречие в разработке ИИ-агентов: компромисс между скоростью и тщательностью.

Deep Research, стандартный уровень, заменяет превью-агента, выпущенного Google в декабре, и оптимизирован для интерактивных сценариев с низкой задержкой. Он обеспечивает значительно меньшую задержку и стоимость при более высоком уровне качества по сравнению со своим предшественником. Компания позиционирует его как идеальное решение для приложений, где разработчик хочет встроить исследовательские возможности непосредственно в интерфейс пользователя, например — финансовую панель мониторинга, способную отвечать на сложные аналитические вопросы практически в реальном времени.

Deep Research Max занимает противоположный конец спектра. Он использует расширенные вычисления на этапе тестирования — метод, при котором модель тратит больше вычислительных циклов на итеративные рассуждения, поиск и доработку результата перед выдачей финального отчета. Google разработала его для асинхронных фоновых рабочих процессов: таких задач, когда команда аналитиков запускает пакет отчетов по комплексной проверке перед уходом из офиса и ожидает исчерпывающего анализа со всеми источниками к следующему утру.

Команда Google DeepMind сформулировала это различие в X: «Deep Research: оптимизирован для скорости и эффективности. Идеально подходит для интерактивных приложений, требующих более быстрых ответов. Deep Research Max: использует дополнительное время для поиска и рассуждений. Идеален для исчерпывающего сбора контекста и задач, выполняемых в фоновом режиме».

«Deep Research был нашим первым хостинговым агентом в API и завоевал огромную популярность за последние 3 месяца; мы очень рады, что пользователи смогут протестировать новых агентов и все улучшения, это лишь начало нашего пути в сфере агентов», — написал в X Логан Килпатрик (Logan Kilpatrick), руководящий связями с разработчиками в сфере ИИ-инициатив Google.

Поддержка MCP позволяет агентам впервые использовать закрытые корпоративные данные

Пожалуй, наиболее важной функцией в сегодняшнем релизе является добавление поддержки Model Context Protocol, которая превращает Deep Research из сложного инструмента веб-исследований в нечто больше напоминающее универсального дата-аналитика.

MCP, зарождающийся открытый стандарт для подключения моделей ИИ к внешним источникам данных, позволяет Deep Research безопасно запрашивать частные базы данных, внутренние репозитории документов и специализированные сторонние сервисы данных — и всё это без необходимости передачи конфиденциальной информации за пределы исходной среды. На практике это означает, что хедж-фонд может одновременно направить Deep Research на свою внутреннюю базу данных по сделкам и на терминал финансовых данных, а затем попросить агента обобщить инсайты из обоих источников наряду с общедоступной информацией из интернета.

Google сообщила, что активно сотрудничает с FactSet, S&P и PitchBook над разработкой их серверов MCP, что является сигналом стремления компании к глубокой интеграции с поставщиками данных, на которых Уолл-стрит и индустрия финансовых услуг в целом уже полагаются ежедневно. Цель, согласно записи в блоге менеджеров по продукту Google DeepMind Лукаса Хааса (Lukas Haas) и Сриниваса Тадепалли (Srinivas Tadepalli), состоит в том, «чтобы позволить общим клиентам интегрировать финансовые предложения данных в рабочие процессы на базе Deep Research, а также дать им возможность совершить скачок в производительности за счет сбора контекста из их исчерпывающих массивов данных с молниеносной скоростью».

Это решает одну из самых насущных проблем при внедрении корпоративного ИИ: разрыв между тем, что модель может найти в открытом интернете, и тем, что организации действительно нужно для принятия решений. До сих пор преодоление этого разрыва требовало сложной кастомной инженерии. Поддержка MCP в сочетании с возможностями автономного поиска и рассуждений Deep Research сводит большую часть этой сложности к этапу настройки. Разработчики теперь могут одновременно запускать Deep Research с Google Search, удаленными серверами MCP, контекстом URL, выполнением кода и поиском по файлам — или полностью отключить доступ к сети для поиска исключительно по пользовательским данным. Система также принимает мультимодальные входные данные, включая PDF, CSV, изображения, аудио и видео, в качестве контекста для обоснования.

Встроенные графики и инфографика превращают отчеты ИИ в готовые для презентации материалы

Вторая ключевая особенность — встроенная генерация графиков и инфографики — может показаться незначительным улучшением, но она решает практическое ограничение, сдерживавшее полезность сгенерированных ИИ исследовательских материалов в профессиональной среде.

Предыдущие версии Deep Research выдавали только текстовые отчеты. Пользователям, которым требовалась визуализация, приходилось экспортировать данные и строить графики самостоятельно — барьер, который подрывал идею сквозной автоматизации. Новые агенты генерируют качественные графики и инфографику прямо внутри отчетов в формате HTML или в формате Nano Banana от Google, динамически визуализируя сложные наборы данных как часть аналитического повествования.

«Агент генерирует графики HTML и инфографику прямо в отчете. Не скриншоты. Не предложения „визуализировать эти данные“. Реально отрендеренные графики внутри вывода в формате markdown», — отметила комментатор по вопросам ИИ Шрути Мишра (Shruti Mishra) в X, подчеркивая практическую значимость изменения.

Для корпоративных пользователей — особенно в сфере финансов и консалтинга, которым необходимо готовить материалы для заинтересованных сторон — это превращает Deep Research из инструмента, ускоряющего фазу исследований, в средство, способное потенциально выдавать практически готовые аналитические продукты. В сочетании с новой функцией совместного планирования, позволяющей пользователям просматривать, направлять и уточнять план исследования агента до его выполнения, а также потоковой передачей промежуточных шагов рассуждения в реальном времени, система дает разработчикам детальный контроль над масштабами расследования при сохранении прозрачности, требуемой в регулируемых отраслях.

Как Deep Research превратился из потребительской функции чат-бота в инфраструктуру корпоративной платформы

Сегодняшний релиз кристаллизует стратегическую линию, которую Google выстраивала месяцами: Deep Research — это не просто потребительская функция, а элемент инфраструктуры, который поддерживает работу множества продуктов Google и теперь предлагается внешним разработчикам в качестве платформы.

В посте в блоге прямо отмечается, что когда разработчики создают продукты с помощью агента Deep Research, они подключаются к «той же инфраструктуре автономных исследований, которая обеспечивает исследовательские возможности в некоторых из самых популярных продуктов Google, таких как приложение Gemini, NotebookLM, Google Search и Google Finance». Это говорит о том, что агент, доступный через API, не является урезанной версией того, что Google использует внутри компании, а представляет собой ту же систему, предлагаемую в масштабах платформы.

Путь к этому моменту был удивительно быстрым. Google впервые представила Deep Research как потребительскую функцию в приложении Gemini в декабре 2024 года, первоначально на базе Gemini 1.5 Pro. Тогда компания описывала ее как персонального помощника по исследованию с помощью ИИ, который мог сэкономить пользователям часы, синтезируя веб-информацию за считанные минуты. К марту 2025 года Google обновила Deep Research с помощью Gemini 2.0 Flash Thinking Experimental и сделала ее доступной для всех желающих. Затем последовало обновление до Gemini 2.5 Pro Experimental, где, по данным Google, оценщики отдавали предпочтение ее отчетам перед конкурирующими сервисами глубоких исследований с перевесом более чем 2 к 1. Декабрьский релиз 2025 года стал переходом к открытию доступа для разработчиков, когда Google запустила Interactions API и впервые сделала Deep Research доступным программно на базе Gemini 3 Pro в сопровождении открытого <бенчмарка> DeepSearchQA.

Базовой моделью, лежащей в основе сегодняшних улучшений, является Gemini 3.1 Pro, которую Google выпустила 19 февраля 2026 года. Эта модель продемонстрировала значительный скачок в возможностях базового логического мышления: на ARC-AGI-2, бенчмарке, оценивающем способность модели решать новые логические задачи, 3.1 Pro набрала 77,1% — более чем в два раза превысив результат Gemini 3 Pro. Deep Research Max унаследовала эту основу рассуждений и надстроила поверх нее автономное исследовательское поведение, набрав 93,3% в DeepSearchQA (по сравнению с 66,1% в декабре) и 54.6% в Humanity’s Last Exam (по сравнению с 46,4%).

Google сталкивается с высокой конкуренцией в сфере создания автономных исследовательских агентов

Google работает не в вакууме. Запуск происходит на фоне усиления конкуренции в области автономных исследовательских агентов. OpenAI разрабатывает собственные возможности агентов в рамках ChatGPT под кодовым названием Hermes, что включает конструктор агентов, шаблоны, планирование и интеграцию со Slack, согласно циркулирующим в соцсетях отчетам. Perplexity построила свой бизнес на исследованиях с поддержкой ИИ. А растущая экосистема стартапов берется за различные аспекты автоматизированного рабочего процесса исследований.

Что отличает подход Google, так это сочетание его поисковой инфраструктуры — которая дает Deep Research доступ к самому широкому и актуальному индексу веб-информации — с возможностью подключения к источникам корпоративных данных на основе MCP. Ни одна другая компания в настоящее время не предлагает исследовательского агента, способного одновременно запрашивать открытый интернет в масштабах Google Search и перемещаться по проприетарным репозиториям данных через стандартизированный протокол. Ценовая структура также свидетельствует о намерении Google стимулировать внедрение: по данным Sim.ai, отслеживающей цены на модели, агент Deep Research в декабрьском превью оценивался в $2 за миллион входных токенов и $2 за миллион выходных токенов при контекстном окне в 1 миллион токенов, что делает его конкурентоспособным по стоимости для генерируемого объема исследований.

Впрочем, не все встретили анонс с безоговорочным энтузиазмом. Несколько пользователей в X отметили, что новые агенты доступны только через API, но не в потребительском приложении Gemini. «Не в приложении Gemini», — заметил TestingCatalog News, в то время как другой пользователь написал: «Google почему-то продолжает наказывать подписчиков Gemini App Pro». Другие выразили обеспокоенность по поводу представления результатов бенчмарков, причем один из пользователей утверждал, что графики Google могут быть «вводящими в заблуждение» с точки зрения отражения процентного улучшения. Эти жалобы указывают на более широкое противоречие в стратегии Google в области ИИ: компания все больше направляет свои самые передовые возможности на разработчиков и корпоративных клиентов, получающих доступ через API, в то время как ориентированные на потребителя продукты порой отстают.

Что Deep Research Max означает для финансов, биотехнологий и будущего интеллектуального труда

Практические последствия сегодняшнего запуска наиболее ощутимы в отраслях, зависящих от исчерпывающих исследований из множества источников как ключевой бизнес-функции. В сфере финансовых услуг, где аналитики регулярно тратят часы на сбор отчетов по комплексной проверке из разрозненных источников — документов SEC, стенограмм отчетов о доходах, терминалов рыночных данных, внутренних меморандумов по сделкам — Deep Research Max предлагает возможность полностью автоматизировать фазу первичного исследования. Партнерства с FactSet, S&P и PitchBook показывают, что Google серьезно настроена на обеспечение совместной работы с инфраструктурой данных, которой финансисты уже пользуются.

В науках о жизни в публикации в блоге отмечается, что Google сотрудничала с Axiom Bio, создающей системы ИИ для прогнозирования токсичности лекарств, и выяснила, что Deep Research открыла новые уровни глубины первичных исследований биомедицинской литературы. В маркетинговых исследованиях и консалтинге возможность создавать готовые для руководства отчеты со встроенными визуализациями и детальными цитатами может сократить сроки реализации проектов с дней до часов.

Ключевой вопрос заключается в том, будут ли качество и надежность этих автоматизированных результатов соответствовать стандартам, требуемым профессионалами в этих областях. Показатели бенчмарков Google впечатляют, но тесты измеряют производительность на стандартных задачах — реальные исследования сложнее, более амбивалентны и часто требуют суждений, которые по-прежнему трудно поддаются автоматизации. Deep Research и Deep Research Max уже доступны в публичном превью на платных тарифах Gemini API, а в скором времени ожидается доступ на Google Cloud для стартапов и предприятий.

Восемь месяцев назад Deep Research была функцией, которая помогала аспирантам не утонуть во вкладках браузера. Сегодня Google делает ставку на то, что она сможет заменить первую смену в инвестиционном банке. Расстояние между этими двумя амбициями — и способность технологии преодолеть его — определит, станут ли автономные исследовательские агенты трансформационной категорией корпоративного софта или останутся очередной демонстрацией ИИ, которая ослепляет в тестах и разочаровывает в конференц-зале.