Редко использую Deep Research там, где вопрос еще не сформулирован.

Deep Research отлично работает, когда структура ответа уже более-менее понятна: сделать обзор конференции, собрать карту рынка, проверить свежие факты.

Недавно, например, Deep Research сделал мне хороший обзор кибербез конференции RSAC по плану, который почти не меняется из года в год: анонсы, темы, релизы, паттерны, тренды vs предыдущие конференции, качественный синтез.

То есть там, где задачу нужно хорошо собрать и сжать, он реально полезен.

Но у меня часто бывают задачи другого типа.

Недавно я закончил другое исследование: 10 стадий, с двумя нейронками почти на каждой. И там Deep Research был бы менее полезен, потому что за время работы сам вопрос менялся 4 раза. К пятой стадии я исследовал уже не то, что спрашивал на первой.

Это работает как процесс управляемого исследования.

Смысл в том, что ценность возникает не только в ответах моделей, а в возможности между этапами пересобрать сам вопрос.

Вот как это выглядело.

Я исследовал новую для себя область и несколько продуктовых гипотез внутри нее.

После первой стадии обе модели выдали длинный обзор и расставили приоритеты. Я же выбрал направление, которое обе оставили вторичным. Не то, чтобы они ошибались. Скорее они смотрели на задачу “снаружи”, а я опирался на свои ресурсы, опыт да и ограничения. В Deep Research мы бы, скорее всего, уже ушли по ветке, которая для меня была бы менее интересна.

После третьей стадии из расхождения между моделями родился уже другой вопрос. Не “какие есть варианты”, а “что конкретно в этом workflow можно занять”. Это был еще один поворот исследования.

На седьмой стадии я вынес отдельный этап не про рост, а про провалы: не “что можно построить”, а “при каких сигналах нужно остановиться”.

Наконец, к девятой стадии получилось дерево решений: если подтверждается одно, идем дальше; если не подтверждается, сужаемся или останавливаемся.

Что делает этот подход другим:

• На каждой стадии одну и ту же задачу получают две разные модели. У меня часто одна строит смелую конструкцию, а вторая ее критикует. Иногда обе креативят, а потом спорят. Особенная ценность бывает в их расхождениях.
• Результаты стадий я фиксирую в markdown-документах, а не оставляю в памяти чата. Следующая стадия при необходимости опирается на предыдущие, и контекст не размывается.
• Между стадиями я не просто общаюсь с AI-советчиками, а меняю приоритеты, пересобираю вопрос и добавляю то, чего модели не знают.

Deep Research дал бы мне хороший ответ за 30 минут. Но ответил бы на вопрос, который, как выяснилось, был поставлен слишком рано.

Если задача в том, чтобы собрать и сжать, я использую Deep Research. Если задача в том, чтобы понять, что именно делать, я использую поэтапный процесс, где после каждого шага можно поменять сам вопрос.