Google ha alzato ulteriormente l’asticella nel campo dell’IA applicata alla ricerca documentale, introducendo due agenti capaci di produrre report strutturati su qualsiasi argomento indicato dall’utente: Deep Research e Deep Research Max. Una mossa che segna un’evoluzione diretta rispetto allo strumento di ricerca AI presentato dalla stessa azienda nel dicembre scorso, che si affidava a Gemini 3 Pro come modello linguistico di riferimento.

Entrambi i nuovi agenti girano su Gemini 3.1 Pro, versione più avanzata del predecessore e disponibile dal febbraio di quest’anno. Il salto qualitativo tra i due modelli è tutt’altro che trascurabile, tanto che sul benchmark BrowseComp sviluppato da OpenAI (una suite di oltre mille task pensati per valutare le capacità di ricerca online dei modelli linguistici) Gemini 3.1 Pro ha ottenuto un punteggio di 85,9, distanziando Gemini 3 Pro di oltre 25 punti.

Ciò che distingue questi agenti da semplici strumenti di sintesi web è la capacità di attingere non solo all’internet pubblico, ma anche ai sistemi informativi interni delle aziende. Il collegamento avviene infatti tramite MCP, protocollo che consente l’integrazione con infrastrutture enterprise. A questo si aggiunge la possibilità, per gli utenti, di caricare manualmente file aggiuntivi (fogli di calcolo, video, documenti) per arricchire ulteriormente il dataset su cui l’agente lavora.

Il potenziale applicativo è concreto e trasversale. In ambito sanitario, un ricercatore può delegare all’agente la preparazione di un report su un nuovo composto con possibili applicazioni terapeutiche, risparmiando ore di consultazione bibliografica. In campo finanziario, un analista può ottenere una panoramica approfondita su società target prima di procedere con valutazioni d’investimento. Google ha citato esplicitamente questi scenari, ma la flessibilità della piattaforma lascia spazio a contesti d’uso ben più ampi.

Visualizzazioni e controllo del processo

Un altro elemento degno di nota è la capacità di visualizzare i dati raccolti. I report possono infatti includere rappresentazioni grafiche generate direttamente in HTML oppure tramite Nano Banana, il generatore di immagini proprietario di Google. Quest’ultimo dispone di un database di conoscenze generali integrato, che gli consente di interpretare correttamente le informazioni da rappresentare senza richiedere istruzioni eccessivamente dettagliate.

Prima ancora di avviare l’elaborazione vera e propria, gli agenti propongono all’utente una panoramica del piano operativo, mostrando quali fonti consultare, con quale priorità e secondo quale struttura. L’utente può intervenire in questa fase per ottimizzare l’output, indicando per esempio specifiche banche dati scientifiche da privilegiare. Si tratta di un meccanismo di supervisione che riduce il margine di errore e aumenta la rilevanza dei risultati finali.

Google Deep Research Max

Due agenti, due filosofie operative

Deep Research e Deep Research Max non sono varianti intercambiabili, ma rispondono a esigenze distinte. Il primo è ottimizzato per l’efficienza e, rispetto al tool di dicembre, Google dichiara costi inferiori, latenza ridotta e qualità delle risposte migliorata. È la scelta più indicata per sviluppatori che necessitano di risposte rapide all’interno di pipeline applicative.

Deep Research Max segue una logica opposta puntando alla massima completezza. Impiega più tempo e più risorse computazionali nella generazione dei report, con l’obiettivo dichiarato di produrre output di profondità superiore. Come hanno sottolineato Lukas Haas e Srinivas Tadepalli, program manager di Google DeepMind, i report generati da questi agenti non sono soltanto prodotti finiti autonomi, ma spesso rappresentano il primo stadio di pipeline agentiche più articolate, dove la raccolta del contesto è il presupposto indispensabile per ogni fase successiva.

Entrambi gli agenti sono attualmente accessibili in anteprima pubblica tramite le API Gemini, con un’estensione prevista a Google Cloud nelle prossime settimane. Google ha inoltre annunciato l’intenzione di aggiungere integrazioni MCP con piattaforme dati specializzate come FactSet e PitchBook, consolidando la vocazione enterprise della soluzione.