Google Deep Research Max는 MCP와 기본 시각적 요소를 추가합니다. 연구 에이전트는 재사용 가능한 빌더 파이프라인이 되고 있습니다.
Google의 4월 21일 Deep Research 업데이트는 챗봇 기능보다는 에이전트 시스템 이동에 더 중요합니다. Gemini Deep Research 및 Deep Research Max는 이제 개방형 웹을 개인 데이터와 혼합하고, 인라인 차트를 생성하고, 체인의 다음 모델을 제공하는 백그라운드 연구 작업으로 실행할 수 있습니다.
Google이 실제로 배송한 것
Google은 새로운 에이전트가 Gemini 3.1 Pro를 기반으로 구축되었으며 이제 웹 검색, 원격 MCP 서버, 업로드된 파일, 연결된 파일 저장소, URL 컨텍스트, 코드 실행 및 파일 검색을 결합하는 연구 워크플로를 지원한다고 밝혔습니다. 회사는 제품을 두 가지 모드, 즉 대기 시간이 짧고 비용이 저렴한 대화형 경험을 위한 표준 Deep Research와 더 많은 테스트 시간 컴퓨팅을 사용하는 보다 포괄적인 백그라운드 실행을 위한 Deep Research Max로 나눴습니다.
공식 발표는 대상 워크플로에 대해 비정상적으로 명시적입니다. Google의 예는 소비자 채팅 쿼리가 아닙니다. 분석가 팀이 깨어나기 전에 실사 보고서를 생성하는 야간 크론 작업입니다. 이는 연구 에이전트가 단순한 답변 엔진이 아닌 다운스트림 작업을 위한 인프라로 자리매김하고 있다는 강력한 신호입니다.
이것이 건축업자에게 중요한 이유
여기에는 세 가지 중요한 변화가 있습니다. 첫째, Google은 연구를 재사용 가능한 파이프라인 단계로 전환하고 있습니다. 팀은 Deep Research를 실행하여 증거를 수집 및 종합한 다음 Interactions API를 사용하여 다음을 통해 해당 상태를 다른 Gemini 모델에 전달할 수 있습니다. previous_interaction_id 요약, 형식 재지정 또는 다음 단계 실행을 위한 것입니다. 둘째, Google은 에이전트가 웹과 맞춤 데이터 소스를 통해 작업할 수 있도록 하여 공개 컨텍스트와 비공개 컨텍스트 간의 격차를 줄이고 있습니다. 셋째, 차트와 인포그래픽은 이제 별도의 시각화 단계가 아닌 동일한 실행의 일부입니다.
빌더에게 이는 "심층 연구"가 프리미엄 UI 기능이 아닌 백엔드 작업 클래스처럼 보이기 시작한다는 것을 의미합니다. 제품 팀은 연구 개요, 영업 준비, 규정 준수 워크플로, 시장 조사 및 기술 조사에 이를 첨부할 수 있습니다. 제대로 작동하면 검색, 메모, 스프레드시트 출력 및 요약을 수동으로 연결하는 데 소요되는 시간이 줄어듭니다.
중요한 경고: 문서가 여전히 따라잡고 있습니다.
Google 자체 화면에는 유용한 경고가 숨겨져 있습니다. 블로그 게시물에 따르면 Deep Research는 이제 임의의 원격 MCP와 결합된 도구를 지원하지만 공개 Interactions API 문서 페이지에는 여전히 4월 15일 미리 보기 시대의 주의 사항과 이전 모델 ID가 표시됩니다. 이러한 불일치가 출시가 가짜라는 의미는 아닙니다. 이는 제품 표면이 안정적인 문서보다 빠르게 움직인다는 의미입니다.
바로 여기서 토큰 낭비와 팀 혼란이 시작됩니다. 공지사항 카피에서 바로 구축한다면 현재 안정적인 것을 과대평가할 위험이 있습니다. 출시를 무시하면 실제 작업 흐름 변화를 놓치게 됩니다. 실제 규칙은 연구 에이전트를 다른 미리 보기 런타임과 마찬가지로 처리하는 것입니다. 즉, 테스트한 정확한 에이전트 또는 모델 ID를 고정하고, 어떤 도구 조합이 실제로 작동했는지 기록하고, 베타 표면이 변경될 때를 위한 대체 경로를 유지하는 것입니다.
이는 TRH가 추진하는 것과 동일한 운영 원칙입니다. Google AI Studio 할당량 현실 그리고 OpenAI 에이전트 SDK 런타임 설계. 워크플로 압축은 런타임을 읽을 수 있는 경우에만 유용합니다.
TRH 각도: 연구 파이프라인에도 예산이 필요합니다.
Token Robin Hood 독자들은 벤치마크 차트뿐만 아니라 과금 형태에도 주의를 기울여야 합니다. Deep Research Max는 깊이에 최적화되어 있습니다. 이는 일반적으로 더 긴 실행, 더 많은 도구 사용, 더 많은 컨텍스트 축적 및 더 큰 출력 아티팩트를 의미합니다. 보고서가 재사용 가능하거나 수익과 연결되어 있으면 그만한 가치가 있습니다. 스택의 나머지 부분이 사용할 수 있는 형식으로 결과를 저장한 사람이 아무도 없기 때문에 보고서가 탭에서 사라지거나 처음부터 다시 생성되는 것은 낭비입니다.
올바른 패턴은 간단합니다. 작업을 묶었습니다. 허용되는 데이터 소스를 정의합니다. 출력을 재사용 가능한 형식으로 저장합니다. 실제로 발생해야 하는 다음 모델 단계만 연결합니다. 보고서를 한 번만 훑어볼 예정이라면 Deep Research Max가 잘못된 기본값일 가능성이 높습니다. 코딩 에이전트, 영업 워크플로우 또는 운영 메모에 대한 브리핑 레이어가 되면 지출 자체가 정당화될 수 있습니다.
건축업자가 다음에 해야 할 일
즉각적인 대기 시간보다 연구 품질이 더 중요한 하나의 백그라운드 워크플로(경쟁력 있는 모니터링, 실사, 정책 추적, 버그 포렌식 또는 파트너 준비)로 시작하세요. 반복 가능한 하나의 작업에 대해 일반 Deep Research와 Max를 비교하세요. 전체 실행 시간, 출력 유용성 및 전체 문제를 다시 설명하지 않고도 결과를 두 번째 모델에 전달할 수 있는 빈도를 측정합니다. 그런 다음 값비싼 버전이 프로덕션에 속해 있는지 아니면 인간 문 뒤에만 속해 있는지 결정하세요.
스택이 이미 에이전트를 사용하는 경우 규칙을 하나 더 추가합니다. 연구 결과는 막다른 골목이 아니라 입력이 되어야 합니다. 이를 유지하고, 버전을 지정하고, 다운스트림 핸드오프를 명시적으로 유지하세요.