ChatGPT Deep Research: Der Modus, der Recherche zur Nebensache macht

Vor ein paar Wochen saß ich mit dem Geschäftsführer eines mittelständischen IT-Dienstleisters zusammen, der mir erklärte, sein Team verbringe pro Woche acht bis zwölf Stunden mit Recherche: Wettbewerber beobachten, Ausschreibungsunterlagen auswerten, technische Entwicklungen verfolgen. Er wollte wissen, ob ChatGPT das beschleunigen könnte. Ich zeigte ihm Deep Research. Nach fünfzehn Minuten hatte er einen Bericht auf dem Bildschirm, der drei seiner vier Wochenfragen beantwortete – mit Quellenangaben, strukturiert, in einem Format, das er direkt an sein Team weiterleiten konnte. Sein Kommentar: „Warum hat mir das noch niemand gezeigt?“ Genau das ist das Problem. Deep Research existiert seit Anfang 2025, aber die meisten ChatGPT-Nutzer wissen nicht einmal, dass es diesen Modus gibt.

Was Deep Research anders macht

Im normalen Chat beantwortet ChatGPT Fragen aus dem, was es gelernt hat – seinem Trainingsstand. Manchmal sucht es dazu im Internet, aber diese Suche ist oberflächlich: ein paar Treffer, schnell zusammengefasst, ohne tieferes Eintauchen. Deep Research arbeitet fundamental anders. Es bekommt eine Aufgabe, erstellt einen Rechercheplan, durchsucht dann systematisch Dutzende bis Hunderte von Quellen, liest Texte, PDFs und Datenbanken, vergleicht Informationen aus verschiedenen Quellen und erstellt am Ende einen zusammenhängenden Bericht. Dieser Prozess dauert zwischen fünf und dreißig Minuten – je nach Komplexität der Fragestellung.

Der Unterschied zum normalen Chat ist kein gradueller. Es ist ein anderer Modus. Während der normale Chat reagiert, agiert Deep Research. Es stellt sich selbst Zwischenfragen, verfolgt Spuren, verwirft Sackgassen und baut schrittweise ein Bild auf. Man sieht den Fortschritt in einer Sidebar: welche Quellen gerade gelesen werden, welche Zwischenergebnisse vorliegen, wie sich der Bericht formt. Das ist keine Spielerei – es macht den Prozess nachvollziehbar und erlaubt, früh einzugreifen, wenn die Recherche in die falsche Richtung läuft.

So promptet man Deep Research

Und hier kommt der Punkt, an dem die meisten scheitern. Deep Research ist kein besserer Chat. Man kann nicht einfach „Recherchiere mal zum Thema XY“ eingeben und ein brauchbares Ergebnis erwarten. Was man bekommt, hängt direkt davon ab, wie präzise man die Aufgabe formuliert. Der Unterschied zu normalem Prompting: Bei Deep Research promptet man nicht für eine Antwort, sondern für einen Auftrag. Man beschreibt, was man am Ende in den Händen halten will.

Ein guter Deep-Research-Prompt enthält vier Elemente. Erstens: das Ziel, also was genau man wissen möchte. Nicht „Etwas über den deutschen Markt für Projektmanagement-Software“, sondern „Die fünf größten Anbieter von Projektmanagement-Software im DACH-Raum, mit Marktanteilen, Preismodellen und typischen Zielgruppen.“ Zweitens: der Umfang. Soll der Bericht zwei Seiten haben oder zehn? Soll er als Executive Summary funktionieren oder als ausführliche Analyse? Drittens: die Einschränkungen. Welcher Zeitraum? Welche Branchen? Welche Quellen sind erwünscht, welche nicht? Und viertens: das Ausgabeformat. Tabelle, Fließtext, Vergleichsmatrix, Präsentationsvorlage.

Was viele nicht wissen: Es gibt eine versteckte Zeichenbegrenzung von etwa 1.300 Zeichen für den Prompt. Wer länger schreibt, riskiert, dass der Prompt abgeschnitten wird, ohne dass eine Fehlermeldung erscheint. Das bedeutet: Man muss dicht und präzise formulieren statt ausschweifend. Jeder Satz im Prompt sollte eine Information tragen, die das Ergebnis steuert.

Ein Prompt, der funktioniert

Ein Beispiel, das ich in Trainings verwende: „Erstelle eine Wettbewerbsanalyse der drei größten Anbieter von ChatGPT-Schulungen im deutschsprachigen Raum. Berücksichtige Preismodelle, Zielgruppen, Trainingsformate und Online-Sichtbarkeit. Begrenze die Analyse auf Anbieter mit eigener Website und erkennbarem Geschäftsbetrieb. Ausgabe als strukturierter Bericht mit Vergleichstabelle, maximal fünf Seiten.“

Dieser Prompt funktioniert, weil er alle vier Elemente enthält und trotzdem unter der Zeichengrenze bleibt. Was ChatGPT daraus macht, ist ein Bericht, der in der Regel acht bis fünfzehn Quellen auswertet, die Informationen in einer Tabelle zusammenfasst und die wichtigsten Unterschiede herausarbeitet. Perfekt? Nein. Aber als Ausgangspunkt für eine Entscheidung oder ein Strategiegespräch deutlich brauchbarer als das, was der normale Chat liefern würde.

Ein zweites Beispiel, das im Unternehmensalltag häufig vorkommt: „Recherchiere aktuelle regulatorische Entwicklungen zum Thema KI in der EU, die für Unternehmen mit 50–500 Mitarbeitern relevant sind. Fokus auf den AI Act und branchenspezifische Regelungen für den Finanzsektor. Zeitraum: letzte sechs Monate. Ausgabe als Briefing für die Geschäftsführung, maximal drei Seiten.“ Hier ist die Zielgruppe definiert, der thematische und zeitliche Rahmen gesetzt und das Format klar. Deep Research liefert darauf einen Bericht, den man mit minimaler Nacharbeit weiterreichen kann.

Die Limits kennen

Deep Research ist nicht unbegrenzt verfügbar, und das sorgt bei vielen für Frustration. Mit einem ChatGPT-Plus-Abo bekommt man zehn Anfragen im vollen Modus pro Monat, dazu fünfzehn auf einem leichteren Modell, das schneller, aber weniger gründlich arbeitet. Wer ein Pro-Abo hat, erhält 125 plus 125. Kostenlose Nutzer bekommen fünf leichte Anfragen.

Zehn Anfragen klingen nach wenig, sind aber mehr als die meisten brauchen, wenn man sie richtig einsetzt. Der Fehler, den ich oft sehe: Leute verbrauchen ihre Anfragen für Fragen, die der normale Chat genauso gut beantworten könnte. „Was ist der Unterschied zwischen Scrum und Kanban?“ braucht kein Deep Research. „Vergleiche die fünf führenden Scrum-Tools hinsichtlich Preis, Funktionsumfang und Integration mit Jira für ein mittelständisches Softwareunternehmen“ dagegen schon. Die Daumenregel: Wenn man für die manuelle Recherche mehr als eine Stunde bräuchte, lohnt sich Deep Research.

Ein Tipp, der Credits spart: Bevor man Deep Research startet, kann man im normalen Chat eine Vorrecherche machen und die Fragestellung schärfen. Je präziser der Prompt, desto seltener muss man nachrecherchieren, weil das Ergebnis nicht das Richtige getroffen hat.

Wann Deep Research die falsche Wahl ist

Nicht jede Recherche gehört in Deep Research. Für Faktenfragen („Wann wurde das Unternehmen X gegründet?“) ist der normale Chat schneller und verbraucht keine Credits. Für Aufgaben, die internes Wissen erfordern, das nirgendwo im Internet steht, liefert Deep Research keine besseren Ergebnisse als eine leere Seite. Und für kreative Aufgaben – Texte schreiben, Ideen entwickeln, Konzepte entwerfen – ist der normale Chat oder der Canvas-Modus das richtige Werkzeug.

Wo Deep Research glänzt: bei Fragestellungen, die eine breite Quellenauswertung erfordern. Marktanalysen, Technologievergleiche, regulatorische Übersichten, Branchenberichte, Wettbewerbsbeobachtung. Also genau die Aufgaben, für die Unternehmen bisher entweder teure Beraterstunden gebucht oder eigene Mitarbeiter tagelang an den Schreibtisch gesetzt haben. Nicht dass Deep Research die Berater ersetzt – aber es liefert eine Grundlage, auf der Berater und Fachleute aufbauen können, statt bei null anzufangen.

Deep Research mit eigenen Daten

Seit Anfang 2026 kann Deep Research nicht nur das öffentliche Internet durchsuchen, sondern auch auf verbundene Unternehmensdaten zugreifen. Wer seinen SharePoint oder sein OneDrive mit ChatGPT verknüpft hat, kann Recherchen starten, die beide Welten kombinieren: externe Quellen und interne Dokumente. Das eröffnet Anwendungsfälle, die vorher nicht möglich waren. Zum Beispiel: „Vergleiche unsere interne Produktstrategie für 2026 mit den öffentlich verfügbaren Roadmaps unserer drei Hauptwettbewerber und identifiziere Lücken und Überschneidungen.“

Das klingt nach Zukunftsmusik, ist aber Gegenwart. Die Kombination aus interner und externer Recherche ist der Punkt, an dem Deep Research von einem nützlichen Werkzeug zu einem strategischen Instrument wird. Voraussetzung: ein ChatGPT Team- oder Enterprise-Plan, korrekt eingerichtete Connectoren und – das ist der Teil, der in keinem Feature-Announcement steht – die Fähigkeit, die richtigen Fragen zu stellen. Denn auch hier gilt: Die Qualität des Outputs hängt direkt an der Qualität des Prompts. Und genau diese Fähigkeit ist es, die den Unterschied macht zwischen Teams, die ChatGPT als Spielzeug betrachten, und solchen, die damit arbeiten.

Martin Lang

Gründer & KI-Workflow-Experte

Martin Lang ist Gründer der Yellow-Boat Consulting (2011) und der chatgpt-trainings.de (2025). Er verbindet über ein Jahrzehnt Erfahrung in digitaler Transformation mit tiefem Verständnis für Large Language Models und Prompt Engineering. Als KI-Workflow-Experte entwickelt er systematische Ansätze, mit denen Unternehmen ChatGPT nicht als Spielzeug, sondern als strategisches Arbeitsinstrument einsetzen – von der Prompt-Architektur über Custom GPTs bis zum produktiven Dauerbetrieb.

LinkedIn-Profil