Google Deep Research Max menambahkan MCP dan visual asli: agen penelitian menjadi saluran pembuat yang dapat digunakan kembali
Pembaruan Penelitian Mendalam Google pada tanggal 21 April kurang penting sebagai fitur chatbot dan lebih penting sebagai pergerakan sistem agen. Gemini Deep Research dan Deep Research Max kini dapat memadukan web terbuka dengan data pribadi, menghasilkan bagan sebaris, dan dijalankan sebagai pekerjaan penelitian latar belakang yang mendukung model berikutnya dalam rantai tersebut.
Apa yang sebenarnya dikirimkan Google
Google mengatakan agen baru ini dibangun di atas Gemini 3.1 Pro dan sekarang mendukung alur kerja penelitian yang menggabungkan pencarian web, server MCP jarak jauh, file yang diunggah, penyimpanan file yang terhubung, konteks URL, eksekusi kode, dan pencarian file. Perusahaan membagi produk menjadi dua mode: Deep Research standar untuk latensi lebih rendah, pengalaman interaktif berbiaya lebih rendah, dan Deep Research Max untuk proses latar belakang dengan komprehensifitas lebih tinggi yang menggunakan lebih banyak komputasi waktu pengujian.
Pengumuman resminya sangat eksplisit mengenai alur kerja target. Contoh Google bukanlah permintaan obrolan konsumen. Ini adalah tugas cron setiap malam yang menghasilkan laporan uji tuntas sebelum tim analis bangun. Hal ini merupakan sinyal kuat bahwa agen penelitian diposisikan sebagai infrastruktur untuk pekerjaan hilir, bukan sekadar mesin penjawab.
Mengapa hal ini penting bagi pembangun
Ada tiga perubahan penting di sini. Pertama, Google mengubah penelitian menjadi tahap yang dapat digunakan kembali. Sebuah tim dapat menjalankan Penelitian Mendalam untuk mengumpulkan dan mensintesis bukti, lalu menggunakan API Interaksi untuk menyerahkan status tersebut ke model Gemini lainnya melalui previous_interaction_id untuk meringkas, memformat ulang, atau mengeksekusi langkah berikutnya. Kedua, Google mengurangi kesenjangan antara konteks publik dan pribadi dengan membiarkan agen bekerja di seluruh web ditambah sumber data khusus. Ketiga, bagan dan infografis kini menjadi bagian dari proses yang sama, bukan sebagai langkah visualisasi yang terpisah.
Bagi para pembuat, itu berarti "penelitian mendalam" tidak lagi menjadi fitur UI premium dan mulai terlihat seperti kelas pekerjaan backend. Tim produk dapat melampirkannya ke ringkasan penelitian, persiapan penjualan, alur kerja kepatuhan, pemindaian pasar, dan investigasi teknis. Jika berfungsi dengan baik, ini akan mengurangi waktu yang dihabiskan untuk menggabungkan pencarian, catatan, keluaran spreadsheet, dan ringkasan eksekutif secara manual.
Peringatan penting: dokumen masih terus diperbarui
Ada peringatan berguna yang tersembunyi di permukaan Google sendiri. Entri blog mengatakan Deep Research sekarang mendukung MCP jarak jauh dan alat gabungan, namun halaman dokumen API Interaksi publik masih menampilkan peringatan era pratinjau 15 April dan ID model lama. Ketidakcocokan ini tidak berarti peluncuran tersebut palsu. Artinya, permukaan produk bergerak lebih cepat dibandingkan dokumen stabil.
Di sinilah tepatnya pemborosan token dan kebingungan tim dimulai. Jika Anda membuat langsung dari salinan pengumuman, Anda berisiko melebih-lebihkan apa yang stabil saat ini. Jika Anda mengabaikan peluncurannya, Anda kehilangan perubahan alur kerja yang sebenarnya. Aturan praktisnya adalah memperlakukan agen penelitian seperti runtime pratinjau lainnya: sematkan agen atau ID model yang Anda uji, catat campuran alat mana yang benar-benar berfungsi, dan simpan jalur cadangan ketika permukaan beta berubah.
Ini adalah disiplin operasi yang sama yang diterapkan TRH Kenyataan kuota Google AI Studio Dan Desain waktu proses OpenAI Agents SDK. Kompresi alur kerja hanya berguna jika runtime tetap dapat dibaca.
Sudut pandang TRH: jalur penelitian juga membutuhkan anggaran
Token Robin Hood pembaca harus memperhatikan bentuk penagihan, bukan hanya grafik patokan. Deep Research Max dioptimalkan untuk kedalaman, yang biasanya berarti proses yang lebih lama, penggunaan alat yang lebih banyak, akumulasi konteks yang lebih banyak, dan artefak keluaran yang lebih besar. Hal ini akan bermanfaat jika laporan tersebut dapat digunakan kembali atau dikaitkan dengan pendapatan. Akan sia-sia bila laporan mati di tab atau dibuat ulang dari awal karena tidak ada yang menyimpan hasilnya dalam bentuk yang dapat digunakan oleh tumpukan lainnya.
Pola yang tepat itu sederhana. Mengikat pekerjaan. Tentukan sumber data mana yang diizinkan. Simpan hasilnya dalam format yang dapat digunakan kembali. Rangkaian hanyalah langkah model berikutnya yang benar-benar perlu dilakukan. Jika laporan hanya akan dibaca sekilas sekali, Deep Research Max mungkin merupakan default yang salah. Jika ini menjadi lapisan pengarahan untuk agen pengkodean, alur kerja penjualan, atau memo operasi, pengeluaran tersebut mungkin dapat dibenarkan.
Apa yang harus dilakukan pembangun selanjutnya
Mulailah dengan satu alur kerja latar belakang di mana kualitas penelitian lebih penting daripada latensi instan: pemantauan kompetitif, uji tuntas, pelacakan kebijakan, forensik bug, atau persiapan mitra. Bandingkan Riset Mendalam reguler versus Max pada satu tugas yang berulang. Ukur total waktu proses, kegunaan keluaran, dan seberapa sering hasilnya dapat diserahkan ke model kedua tanpa menyatakan ulang keseluruhan masalahnya. Kemudian putuskan apakah versi mahal tersebut termasuk dalam produksi atau hanya berada di belakang gerbang manusia.
Jika tumpukan Anda sudah menggunakan agen, tambahkan satu aturan lagi: keluaran penelitian harus menjadi masukan, bukan jalan buntu. Pertahankan, buat versinya, dan pertahankan agar penyerahan hilir tetap eksplisit.