Ist ChatGPT Deep Research für Unternehmen geeignet?

Es kann für Markt-, Wettbewerbs- und Wissensrecherche geeignet sein. Unternehmen sollten Berechtigungen, Datenarten, Workspace-Konfiguration, Datenschutzvorgaben und eine eigene Qualitätsprüfung berücksichtigen.

Start›Agenten› Recherche-Agenten›ChatGPT Deep Research

AgentenCode AgentenProfilRecherche

✓ Redaktionell geprüft Prüfdatum: 30. September 2026

AgentenProfil · Recherche

ChatGPT Deep Research

Q: Ist ChatGPT Deep Research ein KI-Agent?

OpenAI beschreibt Deep Research als agentische Fähigkeit für mehrstufige Recherche. AgentenCode ordnet es als integrierten Recherche-Agenten ein, weil das System Recherche plant, Quellen nutzt, Zwischenschritte bearbeitet und einen dokumentierten Bericht erzeugt.

Q: Welche Quellen kann Deep Research verwenden?

Laut OpenAI kann Deep Research das öffentliche Web, hochgeladene Dateien, ausgewählte Websites und unterstützte verbundene Apps verwenden, sofern Konto-, Workspace- und Berechtigungseinstellungen dies zulassen.

Q: Kann man den Rechercheplan beeinflussen?

Ja. In Chat erstellt Deep Research einen vorgeschlagenen Rechercheplan, der vor dem Start geprüft und geändert werden kann. Während der Recherche lässt sich der Fokus weiter anpassen.

Q: Wie aktuell ist dieses Profil?

Das Profil wurde am 30. September 2026 anhand offizieller OpenAI-Quellen redaktionell geprüft.

Mehrstufige Recherche in ChatGPT mit öffentlichem Web, Dateien, ausgewählten Websites und – je nach Konto und Berechtigungen – verbundenen Apps. Das Ergebnis ist ein strukturierter Bericht mit Quellen oder Quellenlinks.

OpenAIRecherche-AgentPrivatpersonenUnternehmen

Offizielle Dokumentation ↗ Recherche-Agenten vergleichen

ÖKOSYSTEM-ZUORDNUNG

Dieses Agentenprofil gehört zur kuratierten Anbieterübersicht. Sicherheitsmerkmale werden nicht zwischen Produkten übertragen.

OpenAI · ChatGPT & Codex ↗

Weböffentliches Web & ausgewählte Websites

Dateienhochgeladene Dateien als Kontext

Appsverbundene Quellen nach Berechtigung

KontrollePlan prüfen, Fortschritt verfolgen, Fokus ändern

AgentenTrust 2.0 · EU & Governance Evidence

EU AI Act, Datenschutz und Kontrolle bei ChatGPT Deep Research

Direktantwort: Für ChatGPT Deep Research sind aktuell 13 von 36 normalisierten Trust-Controls feldgenau öffentlich belegt. Nicht belegte Felder bleiben Unknown – niemals automatisch Nein.

EU AI ActEvidence-Kontext zu Art. 12–15, ohne automatische Anwendbarkeits- oder Compliance-Aussage.

DSGVOEvidence-Kontext zu Art. 5, 28 und 32. Data Residency allein ist kein Compliance- oder Transfer-Nachweis.

DSGVO-KontextDatenschutz & Daten2 von 8 dokumentiertResidency, Training, Retention, DPA, Subprocessors und Processing Scope.

AI Act Art. 15 / DSGVO Art. 32Security & Zugriff7 von 10 dokumentiertVerschlüsselung, SSO, SCIM, RBAC, Rollen und Credential Handling.

AI Act Art. 14 KontextMenschliche Kontrolle0 von 10 dokumentiertApproval, Oversight, Policies, Permissions sowie Stop-/Rollback-Kontrollen.

AI Act Art. 12 KontextAudit & Nachvollziehbarkeit4 von 8 dokumentiertAudit Logs, API/SIEM, Observability, Tracing und Activity History.

Wichtig: Diese Zahlen zeigen Dokumentationsabdeckung, keine Produktbewertung. 0 von 10 bedeutet: Für diese 10 Felder liegt im aktuellen Datensatz kein feldgenauer öffentlicher Beleg vor. Es bedeutet nicht, dass der Agent die Funktionen nicht besitzt.

Entscheidungsrelevante Kernsignale

Zwölf häufige EU-, Datenschutz-, Security- und Governance-Fragen – inklusive Unknowns.

Ja belegtNein belegtWert belegtUnknown

Datenschutz & Daten

Data Residency

Belegt: Ja

Scope: chatgpt_enterprise_edu · geprüft 2026-10-01 · Quelle ↗

Datenschutz & Daten

Kundendaten für Training

Unknown

Nicht öffentlich belegt

Keine feldgenaue öffentliche Evidence im aktuellen Datensatz.

Datenschutz & Daten

Datenaufbewahrung / Retention

Unknown

Nicht öffentlich belegt

Keine feldgenaue öffentliche Evidence im aktuellen Datensatz.

Datenschutz & Daten

DPA / Auftragsverarbeitung

Unknown

Nicht öffentlich belegt

Keine feldgenaue öffentliche Evidence im aktuellen Datensatz.

Security & Zugriff

Verschlüsselung at rest

Wert belegt

AES-256

Scope: openai_chatgpt_business_products · geprüft 2026-10-01 · Quelle ↗

Security & Zugriff

RBAC

Belegt: Ja

Scope: chatgpt_enterprise · geprüft 2026-10-01 · Quelle ↗

Menschliche Kontrolle

Human Approval

Unknown

Nicht öffentlich belegt

Keine feldgenaue öffentliche Evidence im aktuellen Datensatz.

Menschliche Kontrolle

Human Oversight

Unknown

Nicht öffentlich belegt

Keine feldgenaue öffentliche Evidence im aktuellen Datensatz.

Audit & Nachvollziehbarkeit

Audit Logs

Belegt: Ja

Scope: chatgpt_enterprise_compliance_platform · geprüft 2026-10-01 · Quelle ↗

Audit & Nachvollziehbarkeit

Tracing

Unknown

Nicht öffentlich belegt

Keine feldgenaue öffentliche Evidence im aktuellen Datensatz.

Audit & Nachvollziehbarkeit

Activity History

Unknown

Nicht öffentlich belegt

Keine feldgenaue öffentliche Evidence im aktuellen Datensatz.

Security & Zugriff

Secrets / Credential Handling

Unknown

Nicht öffentlich belegt

Keine feldgenaue öffentliche Evidence im aktuellen Datensatz.

Alle dokumentierten Trust-Signale

Jeder Wert bleibt an Scope, Prüfdatum und Primärquelle gebunden. Ein Plattformbeleg wird nicht automatisch auf jeden Agenten vererbt.

Datenschutz & Daten · 2 dokumentierte Signale

Data Residencyprivacy.residency.available

Belegt: Ja

Scope: chatgpt_enterprise_edu · geprüft 2026-10-01 · Primärquelle ↗

Region auswählbarprivacy.residency.customer_region_selectable

Belegt: Ja

Scope: chatgpt_enterprise_edu · geprüft 2026-10-01 · Primärquelle ↗

Security & Zugriff · 7 dokumentierte Signale

Custom Rolesgovernance.custom_roles

Belegt: Ja

Scope: chatgpt_enterprise · geprüft 2026-10-01 · Primärquelle ↗

Customer-Managed Keyssecurity.customer_managed_key

Belegt: Ja

Scope: chatgpt_enterprise_edu · geprüft 2026-10-01 · Primärquelle ↗

RBACgovernance.rbac

Belegt: Ja

Scope: chatgpt_enterprise · geprüft 2026-10-01 · Primärquelle ↗

SAML SSOgovernance.sso.saml

Belegt: Ja

Scope: chatgpt_enterprise · geprüft 2026-10-01 · Primärquelle ↗

SOC 2 Type 2security.soc2_type2

Belegt: Ja

Scope: openai_chatgpt_business_products · geprüft 2026-10-01 · Primärquelle ↗

Verschlüsselung at restsecurity.encryption.at_rest

Wert belegt

AES-256

Scope: openai_chatgpt_business_products · geprüft 2026-10-01 · Primärquelle ↗

Verschlüsselung in transitsecurity.encryption.in_transit

Wert belegt

TLS 1.2+

Scope: openai_chatgpt_business_products · geprüft 2026-10-01 · Primärquelle ↗

Audit & Nachvollziehbarkeit · 4 dokumentierte Signale

Audit Log APIgovernance.audit_logs.api

Belegt: Ja

Scope: chatgpt_enterprise_compliance_platform · geprüft 2026-10-01 · Primärquelle ↗

Audit Logsgovernance.audit_logs.available

Belegt: Ja

Scope: chatgpt_enterprise_compliance_platform · geprüft 2026-10-01 · Primärquelle ↗

Audit-Log-Aufbewahrunggovernance.audit_logs.retention_days

Wert belegt

Scope: chatgpt_enterprise_compliance_logs_platform · geprüft 2026-10-01 · Primärquelle ↗

SIEM Exportgovernance.audit_logs.siem_export

Belegt: Ja

Scope: chatgpt_enterprise_compliance_platform · geprüft 2026-10-01 · Primärquelle ↗

Kein Compliance-Score.

AgentenTrust bildet Evidence ab. Die rechtliche Einordnung hängt vom konkreten Einsatz ab.

EU-Layer & Control-Mapping →

Kurzantwort

Was ist ChatGPT Deep Research?

ChatGPT Deep Research ist eine agentische Recherchefunktion von OpenAI für komplexe, mehrstufige Informationsaufgaben. Sie kann das öffentliche Web, hochgeladene Dateien, ausgewählte Websites und – abhängig von Konto, Workspace und Berechtigungen – verbundene Apps als Quellen verwenden. In Chat wird ein Rechercheplan vorgeschlagen, der vor dem Start angepasst werden kann; während der Recherche lässt sich der Fokus weiter steuern. Das Ergebnis ist ein strukturierter Bericht mit Zitaten oder Quellenlinks.

Produktspezifische Evidenzlage zu ChatGPT Deep Research

Dieses Profil trennt den dokumentierten Produktfokus von feldgenauer Evidence. Für ChatGPT Deep Research sind aktuell 7 eindeutige Primärquellen über Profil, Trust- und Relationsdaten verknüpft. Die folgenden Punkte sind keine allgemeine Klassenbeschreibung, sondern stammen aus den für dieses konkrete Produkt gespeicherten Feldern.

Data Residency: Ja · Scope: chatgpt_enterprise_edu · geprüft 1. Oktober 2026 · Primärquelle ↗
Region auswählbar: Ja · Scope: chatgpt_enterprise_edu · geprüft 1. Oktober 2026 · Primärquelle ↗
Customer-Managed Keys: Ja · Scope: chatgpt_enterprise_edu · geprüft 1. Oktober 2026 · Primärquelle ↗
Verschlüsselung at rest: AES-256 · Scope: openai_chatgpt_business_products · geprüft 1. Oktober 2026 · Primärquelle ↗
Verschlüsselung in transit: TLS 1.2+ · Scope: openai_chatgpt_business_products · geprüft 1. Oktober 2026 · Primärquelle ↗

Faktenbasis: offizielle OpenAI-Dokumentation, geprüft am 28. September 2026.

AnbieterOpenAIChatGPT

SchwerpunktDeep ResearchRecherche & Synthese

AusgabeStrukturierter Berichtmit Zitaten / Quellenlinks

ZielgruppenPrivat & Businessje nach Plan und Workspace

AgentenProfil

Standardisierte Referenzdaten

AI-0001

AnbieterOpenAI

KategorieRecherche

ProdukttypIntegrierter Recherche-Agent

ZielgruppePrivatpersonen, Unternehmen

ZugangChatGPT; Verfügbarkeit und Limits konto-/planabhängig

Quellenstatus5 offizielle Quellen dokumentiert

PrüfstatusRedaktionell geprüft

Prüfdatum1. Oktober 2026

Profilversion2.0

RechercheOpenAIprivatpersonenunternehmen

Filterdaten werden aus demselben strukturierten Datensatz erzeugt wie dieses Profil. Unbestätigte Merkmale werden nicht automatisch als „Nein“ gewertet.

AgentenCode Einordnung

Was Deep Research agentisch macht

Diese Einordnung ist keine Herstellerbewertung und kein Ranking. Sie beschreibt, welche agentischen Merkmale aus den dokumentierten Funktionen ableitbar sind.

Rechercheplanungstark ausgeprägtvorgeschlagener Plan, vor Start anpassbar

Quellenarbeitstark ausgeprägtWeb, Dateien, Websites, verbundene Apps

ZwischensteuerungvorhandenFortschritt verfolgen und Fokus anpassen

Ausführung außerhalb RecherchebegrenztDeep Research ist primär Recherche, nicht allgemeine Prozessautomation

Was ist ChatGPT Deep Research?

Deep Research ist innerhalb von ChatGPT für Aufgaben gedacht, bei denen eine einzelne Suchabfrage oder eine kurze Chat-Antwort nicht ausreicht. OpenAI beschreibt die Funktion als agentische Recherche: Der Nutzer formuliert ein gewünschtes Ergebnis, stellt bei Bedarf Kontext und Quellen bereit und lässt das System die Recherche über mehrere Schritte durchführen.

Nach aktueller OpenAI-Dokumentation kann Deep Research standardmäßig das öffentliche Web und hochgeladene Dateien einbeziehen. Zusätzlich können bestimmte Websites ausgewählt und unterstützte verbundene Apps genutzt werden, sofern Konto-, Workspace- und Berechtigungseinstellungen dies zulassen. In Chat erzeugt das System einen vorgeschlagenen Rechercheplan, den der Nutzer prüfen und verändern kann.

AgentenCode ordnet Deep Research deshalb als integrierten Recherche-Agenten ein: Der agentische Anteil liegt vor allem in Planung, mehrstufiger Informationsbeschaffung, Quellenwahl, Auswertung und Synthese. Das ist etwas anderes als ein allgemeiner Computer-Agent, der beliebige Geschäftsprozesse oder irreversible Aktionen autonom ausführt.

Wie funktioniert ChatGPT Deep Research?

Der typische Ablauf beginnt mit einem gewünschten Ergebnis. In Chat erstellt Deep Research anschließend einen vorgeschlagenen Rechercheplan. Der Nutzer kann diesen Plan vor dem Start anpassen, Websites oder Dateien ergänzen und – wenn verfügbar – verbundene Apps als Quellen zulassen.

Während der Recherche lässt sich der Fortschritt verfolgen und der Fokus bei Bedarf unterbrechen oder verändern. Am Ende entsteht ein strukturierter Bericht mit Zitaten oder Quellenlinks. Für wichtige Entscheidungen bleibt die Kontrolle der Primärquellen trotzdem sinnvoll.

1Ziel präzisieren

2Teilfragen planen

3Quellen durchsuchen

4Ergebnisse abgleichen

5Bericht mit Quellen erstellen

Dieser Ablauf ist keine Behauptung, dass jeder interne Schritt bei ChatGPT Deep Research exakt so implementiert ist. Er zeigt das typische agentische Muster der Kategorie und hilft dabei, das Produkt gegenüber einem einfachen Chat, einer klassischen Suche oder einem fest verdrahteten Workflow einzuordnen.

Was kann ChatGPT Deep Research konkret übernehmen?

Die folgenden Anwendungsfelder ergeben sich aus dem dokumentierten Produktschwerpunkt. Ob ein Einsatz sinnvoll ist, hängt davon ab, wie gut der Agent auf die benötigten Daten zugreifen kann, welche Aktionen erlaubt sind und wie wichtig Fehlerfreiheit im jeweiligen Prozess ist.

Kaufrecherche

Bei „Kaufrecherche“ ist für ChatGPT Deep Research besonders „Editierbarer Rechercheplan“ relevant. Der Einsatz sollte im dokumentierten Produktscope „In ChatGPT; Umfang und Limits tarifabhängig“ bewertet werden. Vor produktiver Nutzung gilt als konkreter Prüfpunkt: Quellenqualität bei wichtigen Aussagen selbst prüfen. Diese Einordnung verbindet den gespeicherten Produktfokus mit den sichtbaren Quellen; sie ist kein Leistungsbenchmark.

Produktvergleich

Bei „Produktvergleich“ ist für ChatGPT Deep Research besonders „Quellenangaben und Links“ relevant. Der Einsatz sollte im dokumentierten Produktscope „In ChatGPT; Umfang und Limits tarifabhängig“ bewertet werden. Vor produktiver Nutzung gilt als konkreter Prüfpunkt: Tarifabhängige Nutzungslimits beachten. Diese Einordnung verbindet den gespeicherten Produktfokus mit den sichtbaren Quellen; sie ist kein Leistungsbenchmark.

Reiseplanung

Bei „Reiseplanung“ ist für ChatGPT Deep Research besonders „Eigene Dateien und verbundene Quellen“ relevant. Der Einsatz sollte im dokumentierten Produktscope „In ChatGPT; Umfang und Limits tarifabhängig“ bewertet werden. Vor produktiver Nutzung gilt als konkreter Prüfpunkt: Zeitkritische Preise und Verfügbarkeiten an der Originalquelle kontrollieren. Diese Einordnung verbindet den gespeicherten Produktfokus mit den sichtbaren Quellen; sie ist kein Leistungsbenchmark.

Hintergrundrecherche

Bei „Hintergrundrecherche“ ist für ChatGPT Deep Research besonders „Geeignet für komplexe Vergleiche“ relevant. Der Einsatz sollte im dokumentierten Produktscope „In ChatGPT; Umfang und Limits tarifabhängig“ bewertet werden. Vor produktiver Nutzung gilt als konkreter Prüfpunkt: Quellenqualität bei wichtigen Aussagen selbst prüfen. Diese Einordnung verbindet den gespeicherten Produktfokus mit den sichtbaren Quellen; sie ist kein Leistungsbenchmark.

Praxisbeispiel

Wo der Unterschied zu einer normalen Chat-Antwort sichtbar wird

Beispiel: größere Kaufentscheidung

Statt nur nach „dem besten Produkt“ zu fragen, kann ein Nutzer Kriterien, Budget und Ausschlussgründe vorgeben. Deep Research kann daraus Teilfragen ableiten, Herstellerinformationen und weitere Quellen zusammentragen, Widersprüche sichtbar machen und das Ergebnis als dokumentierten Bericht strukturieren.

Der eigentliche Mehrwert ist damit nicht eine einzelne Empfehlung, sondern die nachvollziehbare Recherchearbeit über mehrere Schritte. Preise, Verfügbarkeit und zentrale Spezifikationen sollten vor dem Kauf dennoch direkt an der jeweiligen Originalquelle geprüft werden.

AufgabeKriterienbasierter Vergleich Agentischer AnteilPlanung · Suche · Synthese Menschliche KontrolleQuellen & finale Entscheidung

Für Privatpersonen und Unternehmen

Für Privatpersonen

Für Privatpersonen besonders interessant bei größeren Kaufentscheidungen, Reiseplanung, Weiterbildung oder Themen, bei denen viele Quellen zusammengeführt werden müssen.

Für Privatpersonen sind Recherche-Agenten vor allem bei Entscheidungen mit vielen Kriterien nützlich: größere Anschaffungen, Reiseplanung, Weiterbildung oder das strukturierte Einarbeiten in ein unbekanntes Thema. Der Mehrwert entsteht nicht durch eine vermeintlich „perfekte Antwort“, sondern durch das Zusammenführen vieler einzelner Rechercheaufgaben.

Für Unternehmen

Unternehmen können Deep Research für Markt-, Wettbewerbs- und Wissensrecherche einsetzen; bei internen Daten sind Berechtigungen und Datenschutzvorgaben zu prüfen.

Unternehmen können Recherche-Agenten für Marktbeobachtung, Wettbewerbsanalysen, Vorbereitung von Kundenterminen, interne Wissensarbeit oder die Auswertung autorisierter Dokumente einsetzen. Kritisch sind dabei Quellenqualität, Zugriffsrechte und der Umgang mit vertraulichen Daten.

Stärken von ChatGPT Deep Research

Die folgenden Punkte sind keine Rangliste. Sie beschreiben Merkmale, die für die dokumentierten Einsatzfelder relevant sein können.

Editierbarer Rechercheplan

„Editierbarer Rechercheplan“ ist bei ChatGPT Deep Research deshalb entscheidungsrelevant, weil das Profil „Kaufrecherche“ als konkretes Einsatzfeld führt. Der Nutzen hängt davon ab, ob dieser Arbeitsablauf im gebuchten Plan und mit den vorgesehenen Daten- und Toolrechten verfügbar ist. Gegenprüfung vor dem Einsatz: Quellenqualität bei wichtigen Aussagen selbst prüfen.

Quellenangaben und Links

„Quellenangaben und Links“ ist bei ChatGPT Deep Research deshalb entscheidungsrelevant, weil das Profil „Produktvergleich“ als konkretes Einsatzfeld führt. Der Nutzen hängt davon ab, ob dieser Arbeitsablauf im gebuchten Plan und mit den vorgesehenen Daten- und Toolrechten verfügbar ist. Gegenprüfung vor dem Einsatz: Tarifabhängige Nutzungslimits beachten.

Eigene Dateien und verbundene Quellen

„Eigene Dateien und verbundene Quellen“ ist bei ChatGPT Deep Research deshalb entscheidungsrelevant, weil das Profil „Reiseplanung“ als konkretes Einsatzfeld führt. Der Nutzen hängt davon ab, ob dieser Arbeitsablauf im gebuchten Plan und mit den vorgesehenen Daten- und Toolrechten verfügbar ist. Gegenprüfung vor dem Einsatz: Zeitkritische Preise und Verfügbarkeiten an der Originalquelle kontrollieren.

Geeignet für komplexe Vergleiche

„Geeignet für komplexe Vergleiche“ ist bei ChatGPT Deep Research deshalb entscheidungsrelevant, weil das Profil „Hintergrundrecherche“ als konkretes Einsatzfeld führt. Der Nutzen hängt davon ab, ob dieser Arbeitsablauf im gebuchten Plan und mit den vorgesehenen Daten- und Toolrechten verfügbar ist. Gegenprüfung vor dem Einsatz: Quellenqualität bei wichtigen Aussagen selbst prüfen.

Grenzen und Punkte vor dem Einsatz

Agenten sollten nicht nur anhand einer Demo bewertet werden. Entscheidend ist, wie sie mit unvollständigem Kontext, widersprüchlichen Daten, fehlenden Berechtigungen und ungewöhnlichen Fällen umgehen. Für ChatGPT Deep Research sind insbesondere folgende Punkte sinnvoll zu prüfen:

Quellenqualität bei wichtigen Aussagen selbst prüfen

Quellenqualität bei wichtigen Aussagen selbst prüfen. Dieser Punkt ist für ChatGPT Deep Research besonders bei „Kaufrecherche“ relevant, weil Agentenwirkung und Risiko vom tatsächlich freigegebenen Scope abhängen. AgentenCode wertet fehlende öffentliche Evidence dabei nicht als Gegenbeleg; offene Punkte bleiben Unknown und sollten im Pilot oder mit dem Anbieter geklärt werden.

Tarifabhängige Nutzungslimits beachten

Tarifabhängige Nutzungslimits beachten. Dieser Punkt ist für ChatGPT Deep Research besonders bei „Produktvergleich“ relevant, weil Agentenwirkung und Risiko vom tatsächlich freigegebenen Scope abhängen. AgentenCode wertet fehlende öffentliche Evidence dabei nicht als Gegenbeleg; offene Punkte bleiben Unknown und sollten im Pilot oder mit dem Anbieter geklärt werden.

Zeitkritische Preise und Verfügbarkeiten an der Originalquelle kontrollieren

Zeitkritische Preise und Verfügbarkeiten an der Originalquelle kontrollieren. Dieser Punkt ist für ChatGPT Deep Research besonders bei „Reiseplanung“ relevant, weil Agentenwirkung und Risiko vom tatsächlich freigegebenen Scope abhängen. AgentenCode wertet fehlende öffentliche Evidence dabei nicht als Gegenbeleg; offene Punkte bleiben Unknown und sollten im Pilot oder mit dem Anbieter geklärt werden.

Sicherheit, Datenschutz und Berechtigungen

Bei Recherche-Agenten sind zwei Risiken besonders relevant: falsche Schlussfolgerungen trotz korrekt verlinkter Quellen und die ungewollte Übermittlung sensibler Informationen an externe Dienste. Bei wichtigen Entscheidungen sollten Primärquellen geöffnet und vertrauliche Daten nur in dafür freigegebenen Konten und Datenräumen verwendet werden.

Bei ChatGPT Deep Research sollte zusätzlich geprüft werden, welche Daten an den Anbieter und gegebenenfalls an verbundene Modell- oder Tool-Anbieter übertragen werden. Maßgeblich sind die aktuelle Dokumentation, der gebuchte Tarif und die konkrete Organisationskonfiguration. AgentenCode macht deshalb keine pauschale Aussage wie „DSGVO-konform“ oder „sicher“, wenn die Bewertung vom Einsatzkontext abhängt.

Praktische Regel: Je mehr ein Agent lesen, verändern oder extern ausführen darf, desto wichtiger sind minimale Berechtigungen, nachvollziehbare Logs, Testfälle und Freigaben für irreversible Aktionen.

Persönliche ChatGPT-Konten

Datenkontrollen beachten

OpenAI stellt für persönliche ChatGPT-Nutzung Datenkontrollen bereit, mit denen Nutzer unter anderem festlegen können, ob neue Gespräche zur Modellverbesserung beitragen. Welche Optionen verfügbar sind, hängt von Konto und Einstellungen ab.

OpenAI Datenkontrollen ↗

Business-Produkte

Andere Datenbedingungen

OpenAI erklärt für ChatGPT Business, Enterprise, Edu und die API, dass Geschäftsdaten standardmäßig nicht zum Training oder zur Verbesserung der Modelle verwendet werden. Für einen konkreten Unternehmenseinsatz bleiben Vertrag, Rollen, Datenarten und Konfiguration maßgeblich.

OpenAI Geschäftsdaten ↗

Wichtig: Diese Produktinformation ist keine Datenschutz- oder Rechtsberatung. Aus allgemeinen Herstellerangaben lässt sich keine pauschale Aussage ableiten, dass ein konkreter Einsatz automatisch DSGVO-konform ist.

Zugang, Kosten und Voraussetzungen

Aktuell dokumentierter Zugang: In ChatGPT; Umfang und Limits tarifabhängig

Preis- und Nutzungsmodelle ändern sich bei KI-Agenten häufig. Manche Anbieter rechnen über Nutzerlizenzen, Credits, Modellverbrauch, Aufgaben oder erfolgreich bearbeitete Vorgänge ab. Deshalb verzichtet AgentenCode auf unbestätigte oder schnell veraltende Preisangaben und verweist für Vertragsentscheidungen auf die offiziellen Anbieterinformationen.

Wie lässt sich ChatGPT Deep Research sinnvoll vergleichen?

Ein Vergleich sollte nicht mit der Frage „Welcher Agent ist der beste?“ beginnen, sondern mit dem konkreten Ziel. Für diese Kategorie sind insbesondere folgende Kriterien relevant:

Quellenzugriff	Bei ChatGPT Deep Research sollte „Quellenzugriff“ im konkreten Einsatzfall „Kaufrecherche“ geprüft werden. Relevant sind der gebuchte Produkt-Scope, die dafür dokumentierten Quellen und der Prüfpunkt „Quellenqualität bei wichtigen Aussagen selbst prüfen“. Ein fehlender Beleg bleibt Unknown und wird nicht als negatives Produktmerkmal gewertet.
Nachvollziehbarkeit	Bei ChatGPT Deep Research sollte „Nachvollziehbarkeit“ im konkreten Einsatzfall „Produktvergleich“ geprüft werden. Relevant sind der gebuchte Produkt-Scope, die dafür dokumentierten Quellen und der Prüfpunkt „Tarifabhängige Nutzungslimits beachten“. Ein fehlender Beleg bleibt Unknown und wird nicht als negatives Produktmerkmal gewertet.
Eigene Dateien	Bei ChatGPT Deep Research sollte „Eigene Dateien“ im konkreten Einsatzfall „Reiseplanung“ geprüft werden. Relevant sind der gebuchte Produkt-Scope, die dafür dokumentierten Quellen und der Prüfpunkt „Zeitkritische Preise und Verfügbarkeiten an der Originalquelle kontrollieren“. Ein fehlender Beleg bleibt Unknown und wird nicht als negatives Produktmerkmal gewertet.
Steuerbarkeit der Recherche	Bei ChatGPT Deep Research sollte „Steuerbarkeit der Recherche“ im konkreten Einsatzfall „Hintergrundrecherche“ geprüft werden. Relevant sind der gebuchte Produkt-Scope, die dafür dokumentierten Quellen und der Prüfpunkt „Quellenqualität bei wichtigen Aussagen selbst prüfen“. Ein fehlender Beleg bleibt Unknown und wird nicht als negatives Produktmerkmal gewertet.
Aktualität und Quellenprüfung	Bei ChatGPT Deep Research sollte „Aktualität und Quellenprüfung“ im konkreten Einsatzfall „Kaufrecherche“ geprüft werden. Relevant sind der gebuchte Produkt-Scope, die dafür dokumentierten Quellen und der Prüfpunkt „Tarifabhängige Nutzungslimits beachten“. Ein fehlender Beleg bleibt Unknown und wird nicht als negatives Produktmerkmal gewertet.

Zusätzlich sollte ein Pilot mit realen Aufgaben durchgeführt werden. Ein Agent, der in einer Demo beeindruckt, kann im eigenen Daten- und Berechtigungskontext ganz anders abschneiden. Reproduzierbare Testfälle sind deshalb aussagekräftiger als Marketingbenchmarks allein.

Häufige Fragen zu ChatGPT Deep Research

Was ist ChatGPT Deep Research?

ChatGPT Deep Research ist eine agentische Recherchefunktion von OpenAI für komplexe, mehrstufige Informationsaufgaben. Sie plant Recherche, arbeitet mit Quellen und erzeugt einen strukturierten Bericht.

Ist ChatGPT Deep Research ein KI-Agent?

OpenAI beschreibt Deep Research als agentische Fähigkeit. AgentenCode ordnet es als integrierten Recherche-Agenten ein, weil Planung, Quellenarbeit, mehrstufige Bearbeitung und Synthese innerhalb einer Aufgabe zusammengeführt werden.

Welche Quellen kann Deep Research verwenden?

Nach aktueller OpenAI-Dokumentation kann Deep Research das öffentliche Web, hochgeladene Dateien, ausgewählte Websites und unterstützte verbundene Apps verwenden. Die tatsächlich verfügbaren Quellen hängen von Konto, Workspace, Region und Berechtigungen ab.

Kann man den Rechercheplan beeinflussen?

Ja. In Chat wird ein vorgeschlagener Rechercheplan angezeigt, der vor dem Start angepasst werden kann. Während der Recherche lässt sich der Fokus weiter verändern.

Worin unterscheidet sich Deep Research von ChatGPT Search?

Search ist für schnelle, aktuelle Webantworten gedacht. Deep Research ist für umfangreichere Aufgaben ausgelegt, bei denen mehrere Quellen und Recherche-Schritte zu einem dokumentierten Ergebnis zusammengeführt werden sollen.

Ist Deep Research für Unternehmen geeignet?

Es kann für Markt-, Wettbewerbs- und Wissensrecherche geeignet sein. Bei internen oder sensiblen Daten sollten Unternehmen Workspace-Einstellungen, Rollen, Datenfreigaben, Anbieterbedingungen und eigene Governance-Vorgaben prüfen.

Wie aktuell ist dieses Profil?

AgentenCode hat das Profil am 28. September 2026 anhand der unten verlinkten offiziellen OpenAI-Quellen geprüft.

Für Unternehmen

Ist Ihr Prozess wirklich ein Fall für einen KI-Agenten?

Der kostenlose AgentenCode Unternehmenscheck bewertet Agent-Eignung, technische Bereitschaft, Risiken, Autonomie und Wirtschaftlichkeit direkt im Browser.

Agenten-Check starten →

Offizielle Quellen

Dieses Profil verknüpft 7 eindeutige Primärquellen aus Produktprofil, feldgenauer Evidence, Trust-Layer und dokumentierten Relationen. Die Quellen bleiben maßgeblich, wenn sich das Produkt zwischen zwei Prüfzyklen ändert.

Transparenz

Letzte redaktionelle Prüfung: 1. Oktober 2026. Fakten wurden gegen aktuelle offizielle OpenAI-Quellen abgeglichen. Redaktionelle Einordnungen sind als solche erkennbar; es gibt keine bezahlte Rangfolge.

Deep Profile · GEO/SEO-Evidenzlayer

ChatGPT Deep Research: belegte Einordnung und Entscheidungscheck

ChatGPT Deep Research ist Mehrstufige Recherche in ChatGPT mit Web, Dateien, steuerbaren Quellen und zitiertem Bericht. Anbieter ist OpenAI; AgentenCode ordnet das Produkt der Kategorie Recherche und dem Produkttyp Integrierter Recherche-Agent zu. Diese Einordnung ergänzt den ausführlichen Artikel um einen kompakten, maschinenlesbaren Evidenz- und Auswahlkontext.

Welche Punkte sind für die Auswahl entscheidend?

Bei Recherche-Agenten entscheidet nicht die Menge des erzeugten Textes, sondern die Nachvollziehbarkeit der Quellenarbeit. Quellenraum, Aktualität, Zitate, verbundene Daten und menschliche Verifikation sollten getrennt bewertet werden.

Welche Quellen darf der Agent verwenden?

Nur dokumentierte Antworten als Tatsache übernehmen; fehlende Information bleibt unbekannt.

Sind Zitate und Herkunft einzelner Aussagen nachvollziehbar?

Nur dokumentierte Antworten als Tatsache übernehmen; fehlende Information bleibt unbekannt.

Welche verbundenen Datenquellen werden einbezogen?

Nur dokumentierte Antworten als Tatsache übernehmen; fehlende Information bleibt unbekannt.

Welche zeitkritischen Aussagen müssen Menschen verifizieren?

Nur dokumentierte Antworten als Tatsache übernehmen; fehlende Information bleibt unbekannt.

Welche Stärken und Grenzen sind dokumentiert?

Dokumentierte Stärken

Editierbarer Rechercheplan
Quellenangaben und Links
Eigene Dateien und verbundene Quellen
Geeignet für komplexe Vergleiche

Vor dem Einsatz prüfen

Quellenqualität bei wichtigen Aussagen selbst prüfen
Tarifabhängige Nutzungslimits beachten
Zeitkritische Preise und Verfügbarkeiten an der Originalquelle kontrollieren

Welche Eigenschaften von ChatGPT Deep Research sind feldgenau belegt?

Die folgenden Aussagen sind in AgentenGraph direkt mit Primärquellen verknüpft. Nicht aufgeführte Eigenschaften bleiben unbekannt, solange keine geeignete Quelle sie bestätigt oder ausdrücklich verneint.

api.rest

dokumentiert

OpenAI deep research is programmatically available through the Responses API.

OpenAI Developers – Deep research →

governance.audit_logs.api

dokumentiert

ChatGPT Enterprise audit/compliance data is accessible through API.

OpenAI Help – Compliance Platform for Enterprise and Edu →

governance.audit_logs.available

dokumentiert

ChatGPT Enterprise provides compliance/audit logs.

OpenAI Help – Compliance Platform for Enterprise and Edu →

governance.audit_logs.retention_days

30

The ChatGPT Compliance Logs Platform documents 30-day retention.

OpenAI Help – Compliance Platform for Enterprise and Edu →

governance.audit_logs.siem_export

dokumentiert

ChatGPT Enterprise compliance logs can feed SIEM tooling.

OpenAI Help – Compliance Platform for Enterprise and Edu →

governance.custom_roles

dokumentiert

ChatGPT Enterprise supports custom roles.

OpenAI Help – Managing feature access with RBAC in ChatGPT →

governance.rbac

dokumentiert

ChatGPT Enterprise supports RBAC.

OpenAI Help – Managing feature access with RBAC in ChatGPT →

governance.sso.saml

dokumentiert

ChatGPT Enterprise supports SAML SSO.

OpenAI – Enterprise privacy →

hosting.managed

dokumentiert

ChatGPT business features are delivered as managed OpenAI services.

OpenAI – Enterprise privacy →

privacy.residency.available

dokumentiert

Eligible ChatGPT Enterprise/Edu customers can use data residency.

OpenAI Help – Data residency and inference residency for ChatGPT →

privacy.residency.customer_region_selectable

dokumentiert

Eligible customers can select a supported ChatGPT data-residency region.

OpenAI Help – Data residency and inference residency for ChatGPT →

security.customer_managed_key

dokumentiert

ChatGPT Enterprise/Edu supports customer-managed encryption keys through EKM.

OpenAI Help – Enterprise Key Management overview →

security.encryption.at_rest

AES-256

OpenAI documents AES-256 encryption at rest.

OpenAI – Enterprise privacy →

security.encryption.in_transit

TLS 1.2+

OpenAI documents TLS 1.2+ encryption in transit.

OpenAI – Enterprise privacy →

security.soc2_type2

dokumentiert

OpenAI documents SOC 2 Type 2 coverage for ChatGPT business products.

OpenAI – Security and privacy →

Maschinenlesbare Fakten öffnen →

Welche Primärquellen stützen dieses Profil?

AgentenCode bevorzugt aktuelle Primärquellen. Aussagen eines Anbieters werden nicht automatisch auf andere Produkte oder Detailfelder übertragen.

Quelle	Typ	Verwendung
OpenAI Developers – Deep research	Primärquelle	Profil-, Evidence-, Trust- oder Relationsbeleg
OpenAI Help – Compliance Platform for Enterprise and Edu	Primärquelle	Profil-, Evidence-, Trust- oder Relationsbeleg
OpenAI Help – Managing feature access with RBAC in ChatGPT	Primärquelle	Profil-, Evidence-, Trust- oder Relationsbeleg
OpenAI – Enterprise privacy	Primärquelle	Profil-, Evidence-, Trust- oder Relationsbeleg
OpenAI Help – Data residency and inference residency for ChatGPT	Primärquelle	Profil-, Evidence-, Trust- oder Relationsbeleg
OpenAI Help – Enterprise Key Management overview	Primärquelle	Profil-, Evidence-, Trust- oder Relationsbeleg
OpenAI – Security and privacy	Primärquelle	Profil-, Evidence-, Trust- oder Relationsbeleg

AgentenGraph · Produktverlauf

Strukturierte Historie von ChatGPT Deep Research

Baseline seit 1. Oktober 2026

AgentenGraph speichert strukturierte Zustände dieses Agenten über die Zeit. Neue Werte ersetzen ältere Zustände nicht stillschweigend: Änderungen werden versioniert und als Ereignis erfasst. Frühere Zustände vor der Baseline werden nicht rückwirkend behauptet.

01Baseline erfasst1. Oktober 2026

Ab diesem Datum beobachtet AgentenCode strukturierte Änderungen dieses Agenten.

Der heutige Stand ist der Ausgangspunkt. Historische Aussagen vor diesem Datum erscheinen nur, wenn sie durch belastbare Quellen belegt werden können.

Aktueller strukturierter StandAI-0001 · 39 aktive Aussagen

15 feldgenau belegt

AnbieterOpenAI

KategorieRecherche

ProdukttypIntegrierter Recherche-Agent

Zielgruppeprivatpersonen, unternehmen

ZugangIn ChatGPT; Umfang und Limits tarifabhängig

Letzte Profilprüfung1. Oktober 2026

Strukturierte Anwendungsfelder

KaufrechercheHintergrundrechercheReiseplanungProduktvergleich

Evidenzstatus

15 von 39 aktiven Aussagen besitzen bereits eine explizite Feld-zu-Quelle-Zuordnung. Die übrigen Aussagen verwenden weiterhin das Quellen-Set des Profils.

Methodik zur Datenhistorie →

Dokumentierte Änderungen seit BaselineProduktbezogene AgentenGraph-Ereignisse

2026-10-01 · 2 Datenschutzeigenschaften dokumentiert

Eine erstmalige Datenaufnahme oder Feldverifikation ist nicht automatisch eine neue Herstellerfunktion.

1. Oktober 2026privacy.residency.available