Deep Research lanseras – ChatGPT gör research i flera steg med källor

Deep Research lanseras – ChatGPT gör research i flera steg med källor

Den 2 februari 2025 lanserade OpenAI Deep Research, en agentisk funktion i ChatGPT som kunde söka, läsa och analysera stora mängder information från webben under flera steg. Resultatet blev en längre rapport med källhänvisningar i stället för ett snabbt standardsvar.

Marketplace sammanfattar lanseringen i efterhand. Funktionen började hos ChatGPT Pro-användare och breddades successivt till Plus, Team, Enterprise och Edu. Deep Research utvecklades senare med fler källkontroller, anslutna appar och nyare modeller, men grundidén var densamma: låt AI:n genomföra en dokumenterad researchprocess innan den svarar.

Deep Research i korthet

| Punkt | Uppgift vid lanseringen |
|---|---|
| Lanseringsdatum | 2 februari 2025 |
| Produkt | Agentisk researchfunktion i ChatGPT |
| Första målgrupp | ChatGPT Pro-användare |
| Underliggande modell | Tidig version av OpenAI o3 optimerad för webbsökning |
| Arbetstid | Ofta flera minuter eller tiotals minuter |
| Underlag | Webbsidor, bilder, PDF-filer och uppladdade dokument |
| Verktyg | Sökning, webbläsning och Python för dataanalys |
| Resultat | Strukturerad rapport med citerade källor |

Skillnaden mot ett vanligt ChatGPT-svar

Ett vanligt svar skapas snabbt från modellens kunskap, aktuell sökning och den information användaren ger. Deep Research var byggd för frågor där ett enda sökresultat inte räckte.

Funktionen kunde:

1. tolka ett komplext mål
2. skapa en preliminär researchplan
3. söka efter relevanta källor
4. läsa och jämföra materialet
5. ändra sökstrategi när ny information hittades
6. analysera data eller dokument
7. sammanställa en rapport med källor

Det gjorde Deep Research mer likt en junior analytiker än en vanlig sökruta. Men AI:n behövde fortfarande granskas av en människa innan rapporten användes som beslutsunderlag.

Vilka frågor passade bäst?

OpenAI beskrev funktionen som lämpad för flerfacetterade frågor inom bland annat finans, vetenskap, policy och produktresearch.

Exempel var:

• jämföra marknader eller konkurrenter
• kartlägga en teknisk utveckling
• analysera flera vetenskapliga studier
• hitta en produkt som uppfyller många krav
• sammanställa en branschrapport
• granska historiska händelser från flera källor
• jämföra regler mellan länder

En enkel fråga om ett datum eller en definition behövde inte ett långt agentflöde. Vanlig sökning var snabbare och billigare.

Researchplanen kunde ändras under arbetet

En central egenskap var att modellen inte följde en helt fast söklista. Om ett resultat visade att ett antagande var fel kunde agenten byta riktning, söka efter en ny term eller leta efter en primärkälla.

Detta kallas ofta iterativ research. En mänsklig analytiker arbetar på liknande sätt: den första sökningen ger nya begrepp som leder till bättre frågor.

Fördelarna var:

• bättre täckning av komplexa ämnen
• möjlighet att upptäcka motsägelser
• fler typer av källor
• mindre beroende av den första formuleringen

Nackdelen var att processen blev svårare att förutsäga. Agenten kunde lägga mycket tid på en sidofråga eller missa en viktig källa trots många sökningar.

Källor i den färdiga rapporten

Deep Research presenterade rapporter med citat och länkar så att användaren kunde kontrollera underlaget. Det var en viktig skillnad mot tidiga språkmodeller som ofta gav påståenden utan spårbarhet.

En källista gjorde det möjligt att granska:

• om en myndighet eller originalstudie användes
• vilket datum uppgiften hade
• om flera källor stödde samma slutsats
• om en sekundär artikel återgav originalet korrekt
• om rapporten blandade olika definitioner

Källor tog inte bort risken för fel. Modellen kunde citera en sida som inte fullt ut stödde påståendet eller dra en för långtgående slutsats från begränsade data.

PDF-filer, bilder och uppladdade dokument

Deep Research kunde arbeta med mer än vanlig webtext. OpenAI beskrev stöd för bilder och PDF-filer, och användaren kunde ladda upp egna dokument som en del av uppgiften.

Det gjorde funktionen relevant för:

• årsredovisningar
• vetenskapliga rapporter
• tekniska manualer
• tabeller och diagram
• offentliga utredningar
• interna dokument i godkända företagsmiljöer

Vid en PDF med diagram behövde modellen både läsa texten och tolka grafiken. Den kunde fortfarande misstolka en axel, en fotnot eller en tabellrubrik. Siffror borde därför kontrolleras mot originalsidan.

Python för dataanalys

Den underliggande agenten kunde skriva och köra Python för att analysera data. Det gav möjlighet att:

• rensa tabeller
• beräkna statistik
• jämföra scenarier
• skapa diagram
• kontrollera numeriska påståenden
• bearbeta information från flera filer

Kodkörning gjorde analysen mer reproducerbar än ren huvudräkning, men bara om datan och metoden var rätt. Ett felaktigt filter eller en missförstådd kolumn kunde skapa en detaljerad men felaktig slutsats.

Hur lång tid tog en rapport?

OpenAI beskrev att Deep Research kunde arbeta i tiotals minuter med en uppgift som annars kunde ta en människa många timmar. Exakt tid berodde på frågans komplexitet och mängden material.

Lång väntetid var en avsiktlig del av produkten. Agenten skulle hinna söka, läsa och verifiera mer än ett snabbt ChatGPT-svar.

Användaren kunde följa en aktivitetsöversikt medan arbetet pågick. Det gav viss insyn i vilka steg som genomfördes, men var inte samma sak som en fullständig revisionslogg över varje internt beslut.

Begränsningar och hallucinationer

OpenAI var tydligt med att Deep Research fortfarande kunde göra fel. Vanliga risker var:

• skilja dåligt mellan pålitliga rykten och verifierade fakta
• dra fel slutsats av en källa
• missa en relevant publikation
• ange osäkerhet för svagt
• formatera en citation fel
• blanda information från olika år
• skriva en övertygande rapport på bristfälligt underlag

En lång rapport kan uppfattas som mer trovärdig än ett kort svar. Därför var det extra viktigt att kontrollera de mest avgörande påståendena.

Deep Research jämfört med ChatGPT Search

| ChatGPT Search | Deep Research vid lanseringen |
|---|---|
| Snabbt svar på aktuella frågor | Längre flerledad researchprocess |
| Några centrala webbkällor | Många källor och ändrad sökstrategi |
| Passar vardagsfrågor | Passar komplexa analyser |
| Resultat på sekunder | Resultat efter flera minuter |
| Lägre resursåtgång | Högre beräknings- och användningskostnad |

Läs vår historiska artikel om ChatGPT Search och OpenAI:s inbyggda webbsökning.

Företagsdata och anslutna källor

Vid lanseringen låg fokus främst på öppna webbkällor och uppladdat material. Senare utvecklades funktionen med anslutningar till företagsdata och tjänster.

Företag som använde egna dokument behövde kontrollera:

1. vilka arbetsytor och konton som var godkända
2. om data användes för modellträning
3. vilka region- och lagringsvillkor som gällde
4. om personuppgifter och affärshemligheter fick behandlas
5. vilka källor som kunde citeras i slutrapporten
6. hur åtkomst och historik kunde raderas

En rapport kan läcka känslig information även om originaldokumentet var korrekt skyddat. Behörigheter behöver därför gälla både källan och det genererade resultatet.

Användning inom finans och investeringar

Deep Research kunde snabbt sammanställa bolag, marknader och riskfaktorer. Men funktionen var inte en licensierad finansiell rådgivare och saknade garanti för fullständighet.

En investerare behövde kontrollera:

• primära rapporter och myndighetsdata
• valuta och redovisningsperiod
• om prognoser blandades med historiska fakta
• intressekonflikter i källorna
• när marknadsdata senast uppdaterades
• om ett påstående byggde på ett pressmeddelande eller en oberoende granskning

AI-rapporten kunde vara en startpunkt, inte ett automatiskt köp- eller säljbeslut.

Forskning och vetenskap

För forskare kunde Deep Research hjälpa till att kartlägga litteratur, identifiera begrepp och skapa en första struktur. Men modellen kunde missa studier bakom betalvägg, blanda preprint med referentgranskad forskning eller tolka korrelation som orsak.

Ett säkert arbetsflöde var att:

• definiera inklusions- och exklusionskriterier
• kontrollera DOI och publikation
• skilja preprint från slutlig artikel
• läsa originalstudiens metod och begränsningar
• dokumentera den egna sökstrategin
• använda etablerade databaser parallellt

Deep Research kunde öka forskarens kapacitet men ersatte inte en systematisk litteraturöversikt.

Svensk användning

För svenska företag och redaktioner var funktionen användbar för internationell research. Lokala ämnen krävde särskild kontroll mot svenska primärkällor som myndigheter, lagtext, kommuner och officiell statistik.

En engelskspråkig AI-agent kunde annars prioritera internationella sammanfattningar framför den svenska originalregeln. I juridiska och offentliga frågor borde den svenska primärkällan alltid kontrolleras manuellt.

Vanliga frågor

När lanserades Deep Research?

OpenAI lanserade funktionen den 2 februari 2025.

Vilken modell drev funktionen?

Vid lanseringen användes en tidig version av OpenAI o3 som optimerats för webbläsning och analys.

Hur snabbt blev rapporten klar?

En avancerad uppgift kunde ta flera minuter eller tiotals minuter beroende på omfattning.

Visade Deep Research källor?

Ja. Den färdiga rapporten innehöll citationer och länkar till webbkällor.

Kunde funktionen läsa PDF-filer?

Ja. OpenAI beskrev analys av webbsidor, bilder, PDF-filer och uppladdat användarmaterial.

Var rapporterna alltid korrekta?

Nej. Funktionen kunde fortfarande misstolka källor, missa information och dra fel slutsatser.

Sammanfattning

Deep Research lanserades den 2 februari 2025 och gjorde ChatGPT till en agent för flerledsad webbresearch. Funktionen sökte, läste, analyserade och sammanställde en källbelagd rapport över flera minuter.

Den stora vinsten var kapacitet: användaren kunde få en omfattande första analys betydligt snabbare. Den stora risken var överdriven tillit till en lång och professionellt formaterad rapport. Primärkällor, siffror och avgörande slutsatser behövde fortfarande kontrolleras av en människa.

Faktaunderlag: OpenAI, ”Introducing deep research” och Deep Research System Card, publicerade 2 februari 2025. Artikeln är en historisk sammanfattning publicerad i efterhand.