Deep Research: как ИИ делает исследования за вас
Привет! Последнее время мне приходится работать с большим количеством данных: находить информацию, искать, делать выводы и подготавливать отчёты. И в один момент мне надоело делать это вручную и я нашёл инструмент для решений этой проблемы — Deep Research. Сегодня я расскажу о своём опыте использования в трёх популярных нейросетях.
Для начала разберемся что такое Deep Research и зачем он нужен?
Это исследовательский инструмент для поиска, анализа и синтеза информации с использованием ИИ. В этом режиме нейронка анализирует сотни источников из интернета, включая тексты, изображения, pdf-файлы, затем планирует исследования, задаёт уточняющие вопросы и готовит структурированные отчёты с выводами и ссылками на источник.
В чём отличие от обычного поиска?
Обычный поисковик выдаёт страницу со ссылками, которые нужно самому исследовать, выписывать данные, цифры и находить закономерности. Deep research делает это автономно, экономя ресурсы человека и предоставляет результаты в удобном формате: таблицы, списки и пдф-файлы
Но не всё так радужно, у инструментов есть свои ограничения и риски:
- Ошибочные выводы и галлюцинации ИИ Open AI признаёт, что
в 3-5% случаев в исследованиях могут допускаться ошибки из-за ограничения обучающих данных и сложности обработки информации; - Неправильное толкование сложных нормативных актов:
ИИ трудно интерпретировать законы и правила.Это может быть критично в медицине и финансах; - Трудности отличить факты от слухов: ИИ может воспринимать недостоверные данные как достоверные, что снижает качество
и надёжность результатов - ИИ часто предоставляют результаты как однозначные,
не показывается степени вероятности или сомнения.
Про риски поговорили, но когда же его применять?
- Для глубокого и всестороненного анализа множества источников, которые нужны собрать, сверить и критически проанализировать;
- В научных и бизнес-исследованиях для комплексного анализа рынка;
- В UX-дизайне, разработке продуктов, маркетинговых стратегиях
и подготовке докладов; - Когда нужно сэкономить время и получить обзор от множества источников
Сегодня мы разберём 3 популярных элемента:
1. Perplexity Deep Research
- Это поисковая система и чат-бот с функцией Deep Research.
- Стоимость: 4 бесплатных токена, далее $20/мес.
- Скорость: 2–4 минуты на запрос.
- Особенности: анализ сотен источников, экспорт в pdf, публикация через Perplexity Pages.
2. ChatGPT Deep Research
- Модель: GPT o3.
- Стоимость: 4 запроса в месяц бесплатно, безлимит $20/мес.
- Скорость: на ~50% медленнее Perplexity (зависит от задачи).
- Особенности: глубокий анализ, работа с текстами, изображениями, документами; проверка гипотез; вычислительные возможности. Подходит для учёных, аналитиков, дизайнеров и финансистов.
3. Elicit Deep Research
- Фокус: работа с научными публикациями и академическими исследованиями.
- Стоимость: есть бесплатный тариф с ограничениями, полный доступ — по подписке.
- Скорость: быстро обрабатывает статьи и выдаёт результаты, обычно быстрее ChatGPT и Perplexity.
- Особенности: умеет находить релевантные статьи, делать краткие резюме, вытягивать ключевые данные прямо из PDF и структурировать всё в таблицы. Даёт прозрачные ссылки на источники. Подходит для систематических обзоров, научных проектов и метаанализов.
Примеры использования
Я начал с ChatGPT и попросил его помочь в написании промта — это экономит время и усиливает понимание чего я хочу и как этого добиться.
Я делал на примере запроса
Я разрабатываю приложение доставки еды для людей в возрасте 20-45 лет, они имеют достаток средний и выше, пользуются другими сервисами доставки У меня есть гипотеза, что бонусная программа повысит покупки и лояльность покупаетлей. Проведи deep research — приведи паттерны поведения, подтверждающие или опровергающие гипотезу, UX-исследования, данные из e-commerce, и предложи возможные улучшения. Выведи всё в формате таблицы или списка. Если есть ссылки — добавь.
Одна из структур промта для Deep Research такая:
- Что делаю
- Для кого делаю
- Гипотеза
- Запрос
- Формат вывода: таблица, список или ссылки
Плюс GPT в том, что он задаёт уточняющие вопросы: perplexity и elicit этого не делают. Например:
После отправки запрос, GPT начал свою работу и завершил через 4 минуты.
Ответ выглядит в формате статьи, которую можно скачать или поделиться.
Тот же запрос я использовал в Perplexity. Он не стал задавать уточняющие вопросы и сделал анализ за 4 минуты. Содержание ±одинаковое, но у Perplexity отчёты структурированнее поэтому я отдаю предпочтение ему. Вывод нейронки:
Elicit выдала запрос в более «научном» языке, поэтому я загрузил его в gpt для анализа и вывода. С результатом можете ознакомиться по ссылке
Итог
Deep research стоит использовать на этапах Дискавери в продуктовой аналитике/дизайне, чтобы избежать изобретения велосипеда и опираться на имеющиеся данные, которыми можно аргументировать или наоборот опровергнуть решение. При этом стоит осмысленно пользоваться выводами и не доверять на 100%, чтобы избежать галлюцинаций со стороны ИИ и недопонимания со стороны коллег.
А какой у вас опыт использованияй Deep Research?