Deep research (AI-onderzoeksmodus)

Wat is deep research?

Deep research is een modus in de grote AI-assistenten waarbij je een vraag afgeeft en een tijdje iets anders gaat doen. Het model antwoordt niet uit wat het al weet. Een agent schrijft eerst een onderzoeksplan, voert tientallen zoekopdrachten uit, opent en leest de pagina's die hij vindt, zoekt opnieuw op basis van wat hij las, en levert na enkele minuten een lang rapport af met achter de meeste beweringen een bronverwijzing.

De naam komt van OpenAI, dat deep research in februari 2025 in ChatGPT lanceerde als een agent die honderden online bronnen vindt, analyseert en samenbrengt in één rapport, en meteen waarschuwde dat een opdracht 5 tot 30 minuten kan duren. Google had twee maanden eerder al Deep Research in Gemini gezet, Perplexity kwam binnen de twee weken met een versie die in twee tot vier minuten klaar is, Anthropic voegde in april 2025 Research toe aan Claude, en Microsoft bouwde zijn Researcher-agent in Microsoft 365 Copilot bovenop het deep-researchmodel van OpenAI. De namen verschillen een beetje, de werking is overal dezelfde.

Vergelijk het met een junior medewerker die je een namiddag naar de bibliotheek stuurt. Je geeft de vraag mee, hij komt terug met een nota en een leeslijst. De nota is meestal goed. Aan de leeslijst zie je of hij de boeken ook echt gelezen heeft.

Hoe verloopt een deep-researchopdracht?

De duidelijkste beschrijving van wat er onder de motorkap gebeurt, komt van het engineeringteam van Anthropic, dat beschreef hoe het de Research-functie van Claude bouwde. Het patroon heet orchestrator-worker, en de meeste deep-researchproducten werken op dezelfde manier.

Een lead agent maakt het plan. De lead agent leest je vraag, denkt na over een aanpak en schrijft dat plan op voor hij iets anders doet. Verschillende producten tonen je dat plan eerst: in Gemini kan je het aanpassen voor je op start drukt, ChatGPT en de Researcher van Copilot stellen vaak eerst een of twee verduidelijkende vragen. Neem die minuut, want het is het laatste moment waarop je nog goedkoop van richting kan veranderen.

Subagents zoeken tegelijk. De lead agent verdeelt de vraag in stukken en geeft elk stuk aan een subagent met een eigen, leeg contextvenster. Elke subagent doet zijn eigen zoekopdrachten en leest zijn eigen pagina's. De richtlijn die Anthropic voor zijn eigen systeem hanteert, geeft een idee van de schaal: een eenvoudige feitenvraag krijgt één agent met 3 tot 10 tool calls, een directe vergelijking 2 tot 4 subagents met elk 10 tot 15 calls, en een complexe onderzoeksvraag kan meer dan 10 subagents inzetten.

Het zoeken gaat in rondes. Een goede run begint met korte, brede zoekopdrachten, kijkt wat er terugkomt en gaat dan pas de diepte in, zoals een mens dat ook doet. De lead agent verzamelt wat de subagents vonden, beslist of hij genoeg heeft, en stuurt anders een nieuwe ronde uit. Daarom kan dit geen vaste pijplijn zijn: niemand weet op voorhand welke pagina het volgende spoor opent.

Een aparte stap plakt de bronnen erbij. In het systeem van Anthropic neemt een aparte citation agent het afgewerkte rapport en de gelezen documenten, en zoekt uit waar elke bronverwijzing hoort. De verwijzingen komen dus na het schrijven, niet tijdens. Hou dat in je achterhoofd bij de sectie over wat je moet nakijken.

Dat alles kost tokens. Anthropic mat dat een agent ongeveer vier keer zoveel tokens gebruikt als een gewone chatbeurt, en een multi-agent onderzoeksrun ongeveer vijftien keer zoveel. Daarom begrenst elke leverancier het aantal runs: sinds een aanpassing in april 2025 krijgen ChatGPT Plus-gebruikers 25 volledige deep-researchopdrachten per maand en gratis gebruikers 5, en Gemini en Perplexity hanteren daglimieten die stijgen met het betaalde abonnement.

Deep research tegenover een chatantwoord, en tegenover RAG op je eigen documenten

Tegenover een gewoon chatantwoord: hoeveel werk gebeurt er voor het eerste woord

Een chatantwoord is één modelaanroep. Het model doet misschien een snelle zoekopdracht op het web, maar antwoordt binnen enkele seconden uit zijn trainingsdata plus wat de eerste zoekresultaten zeiden. Deep research besteedt minuten en tientallen tool calls voor het één woord schrijft, en het rapport is opgebouwd uit wat het las, niet uit wat het zich herinnerde. Vraag een chatmodel naar de huidige prijs van het product van een concurrent en je krijgt een geloofwaardig getal. Vraag het aan deep research en je krijgt een getal met een pagina erachter, die je kan openen.

Tegenover een RAG-assistent: waar de bronnen vandaan komen

Een RAG-assistent op je eigen documenten en een deep-researchagent lijken van buitenaf op elkaar: allebei geven ze een antwoord met verwijzingen. Het verschil dat telt, is waar die bronnen vandaan komen. RAG zoekt in een verzameling documenten die jij gekozen hebt: je contracten, je handleidingen, je SharePoint. Het weet niets buiten die verzameling, en dat is net zijn sterkte: als het een bron citeert, is die bron van jou en kan je ze erop aanspreken. Deep research zoekt op het open web, dat niemand gecureerd heeft. Het vindt dingen waarvan je niet wist dat ze bestonden, en het vindt evengoed een forumpost uit 2019 en een persbericht van een concurrent, en weegt die even zwaar.

De leveranciers dichten de kloof langs beide kanten. Gemini Deep Research kan je Gmail en Drive als bron meenemen, Research in Claude leest Google Workspace naast het web, en de Researcher van Microsoft combineert je bestanden, mails en vergaderingen met webresultaten in één rapport. Dat is handig, en het maakt de vraag scherper in plaats van overbodig: bij elke bewering in het rapport, van welke kant komt ze?

Waar deep research goed voor is in een KMO

Deep research verdient zijn plaats bij vragen waar het antwoord verspreid zit over veel publieke pagina's en niemand in het bedrijf een namiddag heeft om ze allemaal te lezen.

1. Een marktscan
   "Welke bedrijven in België en Nederland verkopen industriële labelprinters aan de voedingssector, en hoe positioneren ze zich?" De agent vindt een lijst die je met de hand niet had samengesteld, en mist de twee firma's die enkel op LinkedIn bestaan.

2. Een leverancierscheck
   Gegevens uit de Kruispuntbank van Ondernemingen (KBO), neergelegde jaarrekeningen, nieuws, rechtspraak, reviews. Een goede eerste ronde voor je tekent, op voorwaarde dat je daarna de pagina van de Kruispuntbank zelf opent.

3. Een samenvatting van regelgeving
   "Wat betekent de Europese verpakkingsverordening voor een bedrijf dat 200 pakjes per dag verstuurt, en tegen wanneer?" Deep research is sterk in het bijeenbrengen van de relevante artikelen en data. Het is zwakker in weten welke uitvoeringshandeling vorige week gepubliceerd werd.

4. Prijzen van concurrenten
   Publieke prijslijsten, webshoppagina's, gegunde aanbestedingen. Vraag om een prijstabel met per rij een bron-URL en je hebt iets dat je kan bijhouden.

Waar moet je op letten bij deep research

Het leest enkel wat het kan bereiken. Vaktijdschriften achter een betaalmuur, handelsdatabanken, sites die bots blokkeren en pdf's waarvoor je moet inloggen, bestaan niet voor de agent. Net zomin als wat gepubliceerd werd nadat de zoekindex bijgewerkt is. Een rapport over een onderwerp waar de goede bronnen achter een betaalmuur zitten, is opgebouwd uit de gratis bronnen die over die goede bronnen praten, en dat is iets anders.

De bron zegt niet altijd wat de zin beweert. Omdat de verwijzingen na het schrijven toegevoegd worden, kan een zin een redelijke samenvatting zijn van drie pagina's en toch eindigen met één verwijzing die maar een deel ervan dekt. Een studie van tien modellen en agents, in april 2026 gepubliceerd door een team van de University of Pennsylvania, vond dat 3 tot 13 procent van de bron-URL's in zulke rapporten naar pagina's wijst die nooit bestaan hebben, en dat deep-researchagents meer bronnen per vraag citeren dan chatmodellen met zoekfunctie, maar ook vaker URL's verzinnen. Een bronverwijzing is een wegwijzer, geen bewijs.

Dun bewijs leest als zelfverzekerde tekst. De lanceringspagina van OpenAI zegt zelf dat het model moeite kan hebben om gezaghebbende informatie van geruchten te onderscheiden, en dat het zijn onzekerheid vaak niet goed overbrengt. In de praktijk: twee blogposts die elkaar napraten, komen eruit als een consensus in de sector. Het rapport wordt niet minder vlot als het bewijs dunner wordt.

De pagina's die het leest, kunnen terugpraten. De system card van OpenAI noemt prompt injection als een concreet risico: als een pagina die de agent leest instructies bevat, kan het model die volgen en een fout antwoord geven, bijvoorbeeld het verkeerde product aanbevelen. Bij een leverancierscheck betekent dat dat de leverancier zelf, via zijn eigen website, een stem heeft in het rapport.

Twee runs, twee rapporten. Het zoekpad is dynamisch, dus dezelfde vraag op maandag en op dinsdag kan andere pagina's openen en tot andere conclusies komen. Dat kan je niet uitschakelen; je kan het wel gebruiken, zie hieronder.

Hoe kijk je een deep-researchrapport na?

Een rapport van 4.000 woorden ga je niet regel per regel nakijken, en dat hoeft ook niet. Vier gewoontes vangen het meeste op.

Steekproef van drie bronnen. Kies de drie beweringen waar je iets mee gaat doen, open de bron en lees de passage zelf, niet enkel de paginatitel. Als een van de drie niet zegt wat het rapport zegt, behandel je het hele rapport als een kladversie en kijk je de andere beweringen na die voor jou tellen.

Lees het zoeklogboek. ChatGPT toont een zijbalk met de gezette stappen en de gebruikte bronnen, Gemini toont zijn redenering terwijl het werkt, en de andere producten houden iets gelijkaardigs bij. Overloop het op wat de agent niet gevonden heeft: de zoekopdracht die hij opgaf, de site die hij niet kon openen. De gaten vertellen je welk deel van het rapport de agent zelf heeft samengevat in plaats van gelezen.

Laat het twee keer lopen. Stel dezelfde vraag in een nieuwe sessie, liefst in een ander product. Waar de twee rapporten het eens zijn, staat het bewijs waarschijnlijk stevig. Waar ze verschillen, heb je precies de plek gevonden waar een mens nodig is.

Vraag wat het niet gevonden heeft. Sluit je prompt af met de vraag om op te lijsten welke deelvragen het niet kon beantwoorden met de bronnen die het bereikte. Een rapport dat drie gaten toegeeft, is nuttiger dan een rapport dat ze opvult.