En af de mest nyttige nye AI-funktioner fra de seneste to år er Deep Research. Alle de store laboratorier tilbyder nu en version af den — OpenAIs Deep Research i ChatGPT, Googles i Gemini, Perplexitys Deep Research og lignende funktioner fra Anthropic, xAI og andre, ofte under skiftende produktnavne. De gør alle stort set det samme.
Du stiller ét velafgrænset spørgsmål. Modellen bruger 5–30 minutter på selvstændigt at søge på nettet, læse dusinvis af sider, tage noter og følge op på det, den finder. Til sidst leverer den en struktureret rapport — som regel på 10–30 sider — med kildehenvisninger til alle sine påstande.
Rapporterne er ikke perfekte. De er markant bedre end det, du selv ville kunne producere på samme tid. Og de er gode nok til, at et lille, men reelt antal professionelle researchopgaver nu løses på denne måde.
Denne artikel viser, hvordan du bruger Deep Research rigtigt — hvad det egner sig til, hvad det er dårligt til, og hvilken formulering der gør forskellen mellem en nyttig rapport og en spildt halv time.
Hvad Deep Research faktisk gør
Bag kulisserne er Deep Research en AI-agent. Den modtager dit spørgsmål, planlægger en researchtilgang, udfører websøgninger, læser sider, vurderer kilder, følger lovende spor og sammenfatter det hele i et struktureret resultat. Mens den arbejder, kan du se en statusindikator.
En typisk Deep Research-kørsel tager 5–30 minutter. På den tid kan den gennemse 30–100 sider. Den producerer et resultat, som:
- Har en klar struktur (ledelsesresumé, afsnit, konklusioner).
- Underbygger hver påstand med links til de anvendte kilder.
- Identificerer åbne spørgsmål eller områder, hvor dokumentationen var begrænset.
- Nogle gange indeholder tabeller, sammenligninger og kvantitative resuméer.
Det gør den ikke:
- Læser proprietært, betalingsbelagt eller adgangskodebeskyttet indhold (for det meste).
- Udfører primær research (interviews, spørgeskemaundersøgelser, eksperimenter).
- Skelner pålideligt mellem kilder af høj og lav kvalitet uden din vejledning.
- Erstatter omhyggelig menneskelig vurdering af omstridte eller specialiserede emner.
Hvornår Deep Research er det rigtige værktøj
Deep Research er det rigtige valg, når:
Du har brug for et omfattende overblik over et ukendt emne. “Opsummer den aktuelle status for EU AI Act, herunder tidsplaner for implementering og forpligtelserne for virksomheder af forskellig størrelse.”
Du vurderer muligheder, som kræver sammenligning af mange kilder. “Sammenlign de førende vektordatabaser til produktionsbrug i 2026 — pgvector, Pinecone, Weaviate, Qdrant, Milvus — med hensyn til pris, ydeevne, driftsvenlighed og økosystemunderstøttelse.”
Du har brug for et markeds- eller konkurrenceoverblik. “Lav et markedskort over startups inden for AI-kundeservice, som rejser Series A eller B i 2024-2026, herunder deres differentierende egenskaber og vigtigste kundesegmenter.”
Du vil validere eller afkræfte en hypotese. “Understøtter forskningen påstanden om, at arbejdsuger på fire dage forbedrer produktiviteten? Find den stærkeste dokumentation på begge sider.”
Du forbereder en briefing. “Lav et dokument på én side om [a company] til et møde i morgen — hvad virksomheden laver, den seneste udvikling, dens finansielle situation, hvem der indgår i den øverste ledelse, og om der er noget, jeg bør være forsigtig med at bringe op.”
Det fælles mønster er spørgsmål, hvor selve arbejdet består i at indsamle og sammenfatte information fra mange kilder, ikke i at skabe original indsigt.
Hvornår Deep Research er det forkerte værktøj
Spring Deep Research over, når:
Du allerede kender svaret eller ved præcis, hvor du skal lede. “Hvad er Estlands hovedstad?” eller “Hvem er administrerende direktør for Apple?” kræver ikke en rapport, der tager 20 minutter at udarbejde.
Spørgsmålet er snævert og specifikt. “Hvad er syntaksen for en Python list comprehension?” — spørg blot modellen direkte.
De oplysninger, du har brug for, ikke findes online. Din virksomheds interne dokumenter, dine egne data eller oplysninger, der kun findes i private databaser. Deep Research kan ikke hjælpe med dette (selv om visse værktøjer som ChatGPT Enterprise kan udføre “Deep Research over your company’s connected sources”).
Spørgsmålet afhænger mere af din konkrete situation end af fakta. “Skal jeg tage imod dette job?” kræver din vurdering, ikke en researchrapport.
Emnet udvikler sig så hurtigt, at rapporten vil være forældet. Aktiekurser, sportsresultater, breaking news. Brug søgning.
Resultatet skal skrives med din stemme. Deep Research producerer rapporter med modellens stemme. Hvis du har brug for en tekst med din stemme, skal du udføre researchen separat og selv skrive teksten.
Sådan formulerer du et Deep Research-spørgsmål
Den enkeltfaktor, der har størst betydning for resultatets kvalitet, er spørgsmålet. Forskellen mellem en nyttig og en ubrugelig rapport ligger som regel i, hvordan du stiller opgaven.
En pålidelig skabelon:
Formål. Hvad jeg vil forstå, og hvorfor.
Afgrænsning. Hvad der skal med; hvad der skal udelades.
Målgruppe. Hvem der skal læse resultatet, og hvad de skal bruge det til.
Påkrævet struktur. De afsnit, jeg ønsker, resultatets format, om jeg vil have en tabel, og den ønskede længde.
Kvalitetskrav. Hvilke typer kilder der skal prioriteres; hvad jeg specifikt vil have verificeret.
Åbne spørgsmål, der skal besvares. Konkrete spørgsmål, jeg ønsker svar på, i prioriteret rækkefølge.
Et gennemarbejdet eksempel:
Formål. Jeg planlægger at flytte vores virksomhed fra Salesforce til et mere moderne CRM. Jeg vil vide, hvilke realistiske alternativer der findes i 2026 for en mellemstor B2B SaaS-virksomhed (~150 medarbejdere, ~$30M ARR).
Afgrænsning. Fokuser på alternativer til Salesforce, der er troværdige i vores skala, ikke niche- eller hobbyværktøjer. Udelad generiske CRM-listeartikler. Medtag data om reelle brugeroplevelser.
Målgruppe. Mig som Head of Operations samt vores CFO. Vi skal bruge dette til at afgrænse en leverandørevaluering.
Påkrævet struktur.
- Et ledelsesresumé på ét afsnit
- En sammenligningstabel, der dækker pris, centrale funktioner, hvor let det er at migrere fra Salesforce, samt økosystem
- For hver leverandør på den korte liste (top 4): en halv sides profil med styrker, svagheder og hvem løsningen passer bedst til
- Et afsnit med “spørgsmål, der skal stilles til hver leverandør under en demo”
- Et afsnit om “almindelige migrationsrisici”
Kvalitetskrav. Prioritér kilder fra G2, kundeanmeldelser fra virkelige brugere på Reddit/HackerNews og offentliggjorte casestudier. Vær skeptisk over for sammenligninger udgivet af leverandører. Undgå SEO-spam i form af listeartikler om “bedste CRM 2026”.
Åbne spørgsmål, der skal besvares.
- Er HubSpot reelt konkurrencedygtigt i vores skala, eller bryder det sammen ved et bestemt ARR?
- Hvor realistisk er det at migrere væk fra Salesforce — hvad er den typiske tidsplan og pris?
- Er der nyere muligheder (post-2023), som bør medtages?
En kørsel med denne formulering vil give et reelt nyttigt og beslutningsklart dokument. En kørsel med “sammenlign CRM-systemer” vil give en middelmådig listeartikel.
Læs resultatet kritisk
Resultater fra Deep Research ser professionelle ud. De er strukturerede, kildebelagte og velformaterede. Det er en risiko i sig selv: En rapport, der ser autoritativ ud, er nem at stole på uden kontrol.
En disciplin, der betaler sig: Foretag en fem minutters kontrol efter hver Deep Research-kørsel.
- Stikprøvekontrollér tre påstande. Klik på kildehenvisningen, og kontrollér, at kilden faktisk siger det, rapporten påstår. Forvent at finde mindst én påstand, der er blevet en smule fejlparafraseret eller er underbygget med en side, som modellen har fejllæst — dette har hidtil været fejltypen i alle Deep Research-produkter.
- Led efter de manglende perspektiver. Hvilket synspunkt er underrepræsenteret i rapporten? Svaret er ofte “skeptikerne” — modellen søger mod konsensus eller det, der offentliggøres mest højlydt.
- Kontrollér kilderne. Er de troværdige? Er de nye nok? Er nogen af dem af lav kvalitet (leverandørmarkedsføring, AI-genereret indhold, åbenlys partiskhed)?
- Bemærk hullerne. Hvad behandlede rapporten ikke, som du gerne ville have haft med? Send det som en opfølgning: “Tilføj nu et afsnit om [missing topic].”
Denne fem minutters kontrol er forskellen mellem at bruge Deep Research som et seriøst værktøj og som avanceret autofuldførelse.
Nogle mønstre, der virker
Tilgangen i to omgange. Den første Deep Research-kørsel er bred (“hvad er de vigtigste muligheder”). Den anden kørsel er snæver (“gå for de tre bedste muligheder fra din tidligere rapport mere i dybden med pris, integration og kundesupportens kvalitet”). To snævre kørsler giver bedre resultater end én bred.
Skeptikerens gennemgang. Efter en Deep Research-kørsel skal du spørge den samme model i en ny samtale: “Her er en Deep Research-rapport. Identificer alle påstande, der ikke er tilstrækkeligt underbygget af kilderne, alle logiske spring og det stærkeste modargument, du kan opstille mod rapportens konklusioner.” Det afdækker overraskende mange problemer.
Syntesegennemgangen. Brug resultatet fra Deep Research som input til din egen tekst. “Udarbejd på baggrund af denne rapport et notat på én side til min CFO med min anbefaling og de tre største risici.” Rapporten er råmateriale; syntesen med din vurdering er det egentlige produkt.
Pris og adgang
Adgangen til Deep Research varierer fra og med 2026, alt efter abonnement:
- ChatGPT Plus: et begrænset antal Deep Research-kørsler om måneden.
- ChatGPT Pro: en væsentligt højere grænse.
- Claude Pro / Max: en tilsvarende abonnementsstruktur for Claude Research.
- Gemini Advanced: inkluderet i det betalte Gemini-abonnement.
- Perplexity Pro: en generøs grænse for Deep Research og ofte det mest omkostningseffektive abonnement for storforbrugere.
Hvis du ikke har et betalt abonnement, har Perplexity ofte den mest tilgængelige gratis eller billige Deep Research. For storforbrugere af research peger regnestykket som regel på enten Perplexity Pro eller ChatGPT Pro, afhængigt af din øvrige brug af AI.
Formulér, kontrollér, gentag
Deep Research er det nærmeste, moderne AI kommer på en rigtig researchassistent. Det erstatter ikke ekspertvurdering, men udfører det arbejde med at indsamle og sammenfatte information, som før tog en dag, på femten minutter.
Formulér spørgsmålet omhyggeligt, kontrollér resultatet, og gentag processen med opfølgende spørgsmål. Brugt rigtigt flytter det din tid fra “at læse 50 faner” til “at tænke over, hvad de 50 faner faktisk sagde.” Det er den del af researcharbejdet, der skaber størst værdi, og den del kan AI endnu ikke udføre for dig.
