Google lanza Deep Research y Deep Research Max con soporte MCP y gráficos nativos

Artículo | LetraAI

Google realmente está desesperado.

Justo después de que se anunciara que Sergey Brin, cofundador de Google, ha reiniciado el "modo fundador", supervisando personalmente y formando un equipo de élite para impulsar al máximo las capacidades clave de Gemini, como la programación de IA y los agentes autónomos, con el fin de alcanzar a competidores como Anthropic.

Poco después, Google anunció una importante actualización en plena noche, lanzando dos nuevos agentes inteligentes de investigación autónoma construidos sobre el modelo Gemini 3.1 Pro: Deep Research y Deep Research Max.

No solo se fortalece la capacidad de razonamiento en la capa subyacente del modelo, sino que también se impulsa activamente la evolución de agentes de investigación autónoma hacia plataformas empresariales y para desarrolladores, mediante la apertura de API, el soporte para datos privados y tareas asincrónicas en segundo plano, con el objetivo de ganar ventaja en el escenario de alto valor de "herramientas de investigación/analítica de IA" y hacer frente a la competencia de rivales como OpenAI (Hermes) y Perplexity.

Estos agentes permiten por primera vez a los desarrolladores fusionar datos de la red abierta con información privada de la empresa mediante una única llamada a la API, generar gráficos e infografías nativamente dentro de informes de investigación, y conectarse a cualquier fuente de datos de terceros a través del Model Context Protocol (MCP).

Dos agentes inteligentes están disponibles a partir de hoy en versión de previsualización pública a través de los planes de pago de Gemini API, accesibles mediante la Interactions API lanzada por Google en diciembre de 2025.

Sí, estos nuevos agentes actualmente solo están disponibles a través de la API; los usuarios normales no pueden acceder a ellos en la aplicación de Gemini, incluso si tienen una suscripción de pago. Al ver las actualizaciones pero no poder utilizarlas, algunos usuarios expresaron su frustración: “Google, de alguna manera, sigue castigando a los usuarios suscritos a Pro de la aplicación Gemini...”

El CEO de Google, Sundar Pichai, también participó directamente en X promocionando: "Cuando necesites velocidad y eficiencia, usa Deep Research; cuando busques la máxima calidad en la recopilación y síntesis de contexto, usa la versión Max, que logra un 93.3% en DeepSearchQA y un 54.6% en HLE mediante el aumento del cálculo durante la prueba."

Hace 18 meses, el objetivo de Google Deep Research era ayudar a los estudiantes de posgrado a evitar ahogarse en una multitud de pestañas del navegador. Hoy, Google espera que pueda reemplazar el trabajo de investigación básico de los analistas junior de bancos de inversión.

La brecha entre estos dos objetivos—y si esta tecnología puede realmente cerrar esa brecha—determinará si los agentes de investigación autónoma se convertirán en un producto transformador en el ámbito del software empresarial, o simplemente en otra demostración de inteligencia artificial que brilla en las pruebas de referencia pero decepciona en las conferencias.

La versión estándar de Deep Research ofrece menor latencia y menor costo, ideal para escenarios donde la velocidad es clave.

Deep Research Max prioriza la profundidad sobre la velocidad. Este agente realiza razonamiento profundo, búsqueda e iteración mediante el cálculo extendido en tiempo de prueba, generando finalmente un informe.

Google señala que los flujos de trabajo asíncronos en segundo plano son su escenario ideal, por ejemplo, ejecutándose mediante tareas programadas (cron job) durante la noche y entregando un informe completo de debida diligencia al equipo de analistas al día siguiente.

En las pruebas de referencia propias de Google, Deep Research Max logró avances significativos en tareas de recuperación e inferencia. Este agente puede obtener información de una mayor cantidad de fuentes que las versiones anteriores y captar matices que los modelos antiguos solían ignorar.

Google también proporciona una comparación con la competencia.

Sin embargo, compararlo con GPT-5.4 de OpenAI y Opus 4.6 de Anthropic no es del todo justo. GPT-5.4 destaca en la búsqueda web autónoma, pero no está optimizado específicamente para investigación profunda. Para ello, OpenAI ofrece su propio agente DR, que tras la actualización de febrero cambió a GPT-5.2 en lugar de GPT-5.4. El modelo de búsqueda más potente de OpenAI es en realidad GPT-5.4 Pro, pero Google claramente no lo incluyó en la comparación.

Según los datos de OpenAI, GPT-5.4 Pro obtuvo una puntuación máxima del 89,3% en la prueba de referencia de búsqueda de agentes BrowseComp, mientras que GPT-5.4 obtuvo una puntuación del 82,7%.

Según el informe propio de Anthropic, Opus 4.6 obtuvo una puntuación del 84% en BrowseComp, superior a la mostrada por Google. Esta puntuación se logró con la función de razonamiento desactivada, y el modelo superó el rendimiento de Google en configuraciones de razonamiento intensivo utilizadas en pruebas de API.

Estas diferencias probablemente se deban a distintos métodos de prueba: si el modelo se evaluó mediante la API original o si se encapsuló en las propias herramientas de cada laboratorio. Los datos de Google no necesariamente son incorrectos, pero merecen una interpretación cuidadosa. De todos modos, su presentación carece de suficiente transparencia.

La función más influyente en esta lanzamiento es, posiblemente, la nueva compatibilidad con el Model Context Protocol (MCP). Esta función transforma Deep Research de una poderosa herramienta de investigación en línea a un ente más cercano a un “analista de datos universal”.

MCP es un nuevo estándar abierto para conectar modelos de IA con fuentes de datos externas. Permite que Deep Research consulte de forma segura bases de datos privadas, bibliotecas de documentos internos y servicios de datos de terceros especializados, sin que la información sensible salga de su entorno original.

En aplicaciones prácticas, esto significa que un fondo de cobertura puede dirigir simultáneamente Deep Research hacia su base de datos de flujos de operaciones internos y terminales de datos financieros, y luego solicitar al agente que combine ambos con información pública disponible en la web para generar insights integrados.

Google revela que actualmente colabora activamente con empresas como FactSet, S&P y PitchBook para diseñar su servicio MCP, lo que demuestra claramente que Google busca una integración profunda con los proveedores de datos de los que Wall Street y la industria de servicios financieros en general dependen diariamente.

Según el artículo de blog escrito por Lukas Haas y Srinivas Tadepalli, product managers de Google DeepMind, su objetivo es "permitir que los clientes comunes integren productos de datos financieros en flujos de trabajo impulsados por Deep Research y logren un salto en la productividad al aprovechar su inmenso universo de datos para recopilar contexto a velocidad relámpago."

Esta función resuelve directamente uno de los dolores más persistentes al adoptar IA en empresas: la gran brecha entre la información disponible en internet abierta y la información necesaria para las decisiones reales de la organización. Anteriormente, cerrar esta brecha requería un gran esfuerzo de ingeniería personalizada.

MCP admite la combinación de la capacidad de navegación autónoma e inferencia de Deep Research, simplificando la mayor parte de la complejidad en una sola configuración. Los desarrolladores ahora pueden hacer que Deep Research utilice simultáneamente Google Search, servidores remotos MCP, contexto URL, ejecución de código y búsqueda de archivos—o desactivar completamente el acceso a la red y realizar búsquedas únicamente en datos personalizados.

El sistema también admite entradas multimodales, incluyendo PDF, CSV, imágenes, audio y video, como contexto de grounding.

La segunda función importante es la generación nativa de gráficos e infografías.

La versión anterior de Deep Research solo podía generar informes de texto plano. Si los usuarios necesitaban visualizaciones, tenían que exportar los datos y crear gráficos por su cuenta. Esta limitación debilitó significativamente la propuesta de "automatización end-to-end".

Ahora, los agentes de nueva generación pueden incrustar nativamente gráficos de alta calidad e infografías en los informes, renderizando dinámicamente conjuntos de datos complejos en formato HTML o Nano Banana de Google, convirtiéndolos directamente en parte de la narrativa analítica.

Para usuarios empresariales, especialmente aquellos en los sectores financiero y de consultoría que necesitan producir resultados listos para entregar a los interesados, esta función transforma Deep Research de una herramienta que “acelera la fase de investigación” en una herramienta capaz de generar productos de análisis cercanos al resultado final.

Además, al combinar la nueva función de planificación colaborativa (que permite a los usuarios revisar, guiar y optimizar los planes de investigación de los agentes antes de su ejecución) con la salida en flujo en tiempo real de los pasos intermedios de razonamiento, el nuevo sistema permite a los desarrolladores un control de granularidad fina sobre el alcance de la investigación, manteniendo al mismo tiempo el alto nivel de transparencia requerido por la industria regulada.

El artículo oficial del blog de Google especifica claramente que, cuando los desarrolladores construyen utilizando el agente Deep Research, están llamando a la misma infraestructura de investigación autónoma que proporciona capacidades de investigación para múltiples productos populares de Google, como la aplicación Gemini, NotebookLM, Google Search y Google Finance. Esto indica que los agentes proporcionados a través de la API no son versiones simplificadas internas de Google, sino el mismo sistema, ofrecido a escala de plataforma.

Este proceso de evolución ha avanzado extremadamente rápido.

Google lanzó Deep Research por primera vez en la aplicación Gemini en diciembre de 2024 como una función para consumidores, impulsada por Gemini 1.5 Pro. Google lo describió como un asistente de investigación de IA personal que puede sintetizar información de la web en minutos, ayudando a los usuarios a ahorrar varias horas de trabajo.

En marzo de 2025, Google actualizó Deep Research con Gemini 2.0 Flash Thinking Experimental y lo abrió a todos para prueba. Posteriormente, se actualizó a Gemini 2.5 Pro Experimental, y Google informó que los evaluadores prefirieron sus informes en una proporción de 2 a 1 frente a los de sus competidores.

Diciembre de 2025 es un punto de inflexión importante; Google lanzó la Interactions API, que por primera vez ofrece Deep Research de forma programática, impulsada por Gemini 3 Pro, y publicó simultáneamente el benchmark DeepSearchQA de código abierto.

El modelo subyacente que impulsa esta mejora es Gemini 3.1 Pro, lanzado el 19 de febrero de 2026. Logra un avance significativo en las capacidades de razonamiento básico: en la prueba ARC-AGI-2, que evalúa la capacidad de los modelos para resolver patrones lógicos nuevos, el 3.1 Pro obtuvo una puntuación del 77,1%, más del doble que Gemini 3 Pro.