Как искать и проверять информацию с ИИ: режим глубокого исследования

Коротко: режим глубокого исследования (deep research) — это когда ИИ не отвечает сразу, а сам делает десятки поисковых запросов, открывает страницы и собирает из них отчёт со ссылками за 5–30 минут. Он экономит часы, но не отменяет проверку: модель по-прежнему может неверно пересказать источник или сослаться на страницу, которой нет. Правило простое — открывай ссылки сам. Ниже — не теория, а разбор нашего собственного исследования: что мы добыли, что перепроверили и что честно не смогли достать.

Чем это отличается от обычного чата с поиском

Обычный чат с веб-поиском делает один-два запроса и отвечает через несколько секунд. Режим исследования работает иначе: он разбивает твой вопрос на подвопросы, ищет по каждому, читает найденное, замечает противоречия, доищет недостающее — и только потом пишет структурированный отчёт со сносками. По сути это цикл «поиск → чтение → уточнение», прокрученный много раз без тебя.

Отсюда и разница в ощущениях: обычный ответ — это мнение начитанного собеседника, отчёт deep research — черновик аналитической записки. С библиографией, которую можно проверить. Или не проверить — и наступить на грабли.

И вот главное, что стоит понять сразу: режим меняет не природу технологии, а её экономику. Раньше «обойти сорок страниц» стоило тебе дня. Теперь это стоит десять минут ожидания. Но решение, какие сорок страниц вообще имели смысл и что из них следует, по-прежнему принимает человек. Инструмент удешевил сбор — и ровно ничего не сделал с проверкой. Проверка осталась там же, где была.

Где он есть

• ChatGPT — режим Deep Research, обычно на платных тарифах, с лимитом запусков.
• Gemini — Deep Research, встроен в интерфейс, показывает план исследования до старта.
• Claude — режим Research с веб-поиском и работой с несколькими источниками.
• Perplexity — исторически заточен под поиск, есть отдельный исследовательский режим.

Названия и лимиты меняются едва ли не ежемесячно, поэтому запоминай не бренд, а принцип: если инструмент показывает список источников и тратит на ответ минуты, а не секунды — это тот самый режим. Чем модели отличаются в целом — в статье ChatGPT vs Claude vs Gemini.

Как поставить задачу, чтобы отчёт был полезным

Главная ошибка — кинуть тему в одно слово («рынок EV в Европе») и ждать чуда. Режим отработает, но получишь обзорную вату. Задачу надо ограничивать по четырём осям: вопрос, границы (период, регион, тип источников), формат и что делать с неопределённостью.

Разберём это не абстрактно. Нажми «Запустить» — модель на твоих глазах превратит расплывчатую тему в нормальный бриф. Дальше подставишь свою тему вместо той, что в промпте.

Ты — редактор исследовательских брифов. Вот заявка от заказчика,
как она пришла: «Нужен обзор рынка электромобилей в Европе».

Это плохой бриф. Перепиши его в рабочий, по четырём осям:

1. ВОПРОС. Разбей тему на 4–6 конкретных вопросов, на которые
   можно ответить фактами, а не рассуждением. Плохой вопрос:
   «каковы перспективы рынка». Хороший: «как менялась доля EV
   в новых регистрациях по странам за последние три года».
2. ГРАНИЦЫ. Предложи период, регион и приоритет типов источников.
   Отдельно назови, какие источники по этой теме считать первичными,
   а какие — пересказом.
3. ФОРМАТ. Опиши структуру отчёта и правило цитирования:
   что должно стоять рядом с каждым числом.
4. НЕОПРЕДЕЛЁННОСТЬ. Сформулируй раздел, который исполнитель обязан
   заполнить: где источники расходятся, чего найти не удалось,
   какие утверждения подтверждены слабо.

В конце добавь список из 5 «ловушек этой темы» — типовых чисел
и утверждений, которые в этой области кочуют из статьи в статью
без первоисточника. Объясни, почему каждое стоит перепроверить.

Последняя ось — неопределённость — самая ценная, и её почти никто не просит. Она превращает отчёт из «уверенного текста» в карту знания, где видно, где твёрдая почва, а где болото. База по конструкции запросов — в статье что такое промпт, разборы — в примерах промптов.

Главная ловушка: ссылки, которых нет

Языковые модели выдумывают источники. Не иногда и не «плохие модели» — это системное свойство: модель генерирует правдоподобное продолжение текста, и правдоподобный URL с правдоподобным названием статьи она сочиняет так же легко, как настоящий. Механика разобрана в статье галлюцинации ИИ.

Режим исследования снижает риск, потому что реально ходит по страницам. Но не убирает его. Три способа, как выдумка просачивается в готовый отчёт:

• Битая ссылка. Источник переехал или не существовал никогда — в отчёте оба выглядят одинаково солидно.
• Ссылка есть, а утверждения в ней нет. Самый частый и самый коварный случай: страница открывается, выглядит релевантно, но цифры из отчёта в ней просто нет — модель «додумала» акцент.
• Цепочка пересказов. Отчёт ссылается на блог, блог — на новость, новость — на «исследование», которого никто не видел. Формально сноска есть. Фактически первоисточника нет.

Вывод неприятный, но честный: наличие сноски — это не проверка, это обещание проверки. Проверять придётся тебе.

Как это выглядит на нашем материале

Дальше — не учебный пример. Мы сами провели исследование рынка курсов по ИИ (снято 17.07.2026): вытащили цены и метрики курсов из внутреннего API Udemy, собрали статистику по Coursera, прочитали отзывы недовольных. На этом материале удобно показать все грабли разом, потому что мы на них наступали.

Случай 1. Первоисточник против «все знают»

Расхожее мнение: курсы на Udemy стоят $200, но всегда идёт распродажа со скидкой 90%. Спроси у любой модели — она это уверенно повторит: так написано в тысячах статей. Мы полезли в сырой ответ API (эндпоинт price_text) и увидели вот что:

Ты — аналитик, который читает сырые ответы API и не верит
на слово маркетингу. Вот фрагмент ответа API страницы курса
(получен нами 17.07.2026):

{
  "price": {"amount": 24.99, "currency": "EUR"},
  "list_price": {"amount": 24.99, "currency": "EUR"},
  "saving_price": {"amount": 0.0},
  "has_discount_saving": false,
  "discount_percent": 0
}

Задачи:
1. Что этот фрагмент доказывает, а что — нет? Раздели строго.
2. Расхожее утверждение: «на этой площадке всегда идёт распродажа,
   курс за 200 отдают за 20». Опровергает ли фрагмент это
   утверждение? Полностью или частично?
3. Назови три альтернативных объяснения, при которых оба
   утверждения могут оказаться совместимы.
4. Какие ещё три поля или запроса ты бы затребовал, чтобы
   закрыть вопрос окончательно? Для каждого объясни, какое
   именно сомнение оно снимет.
5. Сформулируй вывод так, как его можно напечатать: одно
   предложение, без преувеличения, с явной оговоркой о границах
   данных.

Что мы увидели: скидки нет. saving_price: 0.0, has_discount_saving: false, discount_percent: 0. Цена курса — €24,99, и это же его полная цена. Из двенадцати топовых курсов, которые мы сняли, одиннадцать стоят €19,99, один (The Complete AI Guide) — €24,99. Никаких «было €199,99».

Это и есть главный урок про первоисточники в одном абзаце. Массовое убеждение существовало, было многократно опубликовано и звучало правдоподобно. Никакой deep research его бы не опроверг: модель нашла бы те самые тысячи статей и добросовестно их пересказала. Опровергает его только машиночитаемый ответ сервера, который надо было пойти и взять. Deep research отлично находит консенсус и почти никогда не находит того, что консенсус пропустил.

Случай 2. Число, которое мы не смогли достать

В нашем же исследовании есть строка, которая нравится мне больше всех цифр: точная цена ChatGPT Plus — не подтверждена, все домены OpenAI отдали 403. Мы знаем эту цену примерно, как знает её каждый. Но первоисточник нам её не отдал, и во внутреннем файле она помечена как вторичная и запрещена к использованию как факт.

Так же помечена цена Udemy Personal Plan: €20,00/мес, промо €10,00/мес — взято с лендинга, потому что udemy.com отдал краулеру 403. Число в отчёте есть, но рядом стоит его происхождение.

Вот это отчёты deep research делают хуже всего. Модель не любит возвращаться с пустыми руками: если первоисточник недоступен, она подставит цифру из пересказа и не скажет тебе об этом ни слова. Разница между «мы проверили» и «мы нашли упоминание» в её отчёте исчезает бесследно. Требуй раздел «чего найти не удалось» явно — сам он не появится никогда.

Случай 3. Авторитетный источник с дырявым методом

Готовясь к локализации, мы наткнулись на EF English Proficiency Index — самый цитируемый рейтинг владения английским в мире. Он ставит Румынию на 11-е место в мире. Любой ИИ-отчёт про языки притащит его первым: он везде, он выглядит как статистика, на него ссылаются медиа.

Мы его выбросили целиком — и вот почему. Его выборка самоотобранная (EF сам это пишет в методологии): тест проходят те, кто сам решил проверить свой английский на сайте языковой школы. Средний возраст сдающих — 26 лет. А теперь сверимся с источниками, у которых выборка вероятностная: Евробарометр 540 (n = 26 523) и Eurostat AES 2022 говорят, что Румыния — худшая в ЕС: 51,2% жителей не знают ни одного иностранного языка, английским владеют 25%. Одиннадцатое место в мире и худшее место в ЕС — это не разброс оценок. Это несовместимые утверждения, и одно из них произведено сломанным методом.

Отсюда правило, которое дороже любого списка проверок: смотри на то, как получена цифра, а не на то, кто её опубликовал. Deep research ранжирует источники по авторитету и заметности — а сломанный метод как раз и делает источник заметным, потому что даёт красивые цифры.

Случай 4. Исследование, которое говорит не то, что кажется

Единственный рецензируемый эксперимент, который мы нашли по нашей теме: Bälter, Kann, Mutimukwe & Malmström, Applied Linguistics Review 15(6): 2373–2396, 2024. Рандомизированное контролируемое, n = 2 263 шведских студента, онлайн-курс программирования, случайное распределение на шведскую и английскую версию.

Результат: отсев 57% на шведском против 71% на английском (φ = 0,2; p < 0,00001). Средний балл среди оставшихся: 16,9 против 14,3, размер эффекта δ = 0,085 — ничтожный.

Теперь смотри, что тут произошло. По баллам разницы фактически нет. Соблазн — написать «язык не влияет на результат»: цифра-то есть, значимости нет. Но по отсеву разница огромная. Английский не ухудшил понимание — он заставил уйти. Это разные утверждения, и второе видно, только если посмотреть, что именно исследование меряло и на ком. Самооценка свободного владения, кстати, от отсева не защищала.

Отчёты deep research регулярно ломаются ровно здесь: они пересказывают вывод из аннотации, а не конструкцию исследования. Аннотация — это тоже пересказ, просто написанный авторами.

Случай 5. Цифра, которая выглядит ответом, но им не является

Считая рынок по языкам, мы уперлись в счётчики курсов Udemy: столько-то курсов на испанском, ноль на шведском. Красивое число, готовый слайд. Только оно меряет предложение, а не спрос. Ноль шведских курсов — это либо пустая ниша, куда надо срочно бежать, либо доказательство, что рынка там нет. Одно и то же число, два противоположных вывода, и данных, чтобы выбрать между ними, у нас нет. Так и записали: двусмысленно.

Полезная привычка: перед тем как поставить число в вывод, спроси себя, какое противоположное решение это же число тоже подтверждает. Если подтверждает — это не аргумент.

Случай 6. Размер эффекта против размера заголовка

Индустрия локализации обещает рост «+40–70%». Мы искали независимое подтверждение и нашли ровно два измерения. eBay при внедрении машинного перевода: +10,9% экспорта (Brynjolfsson, Hui & Liu, Management Science 65(12), 2019), причём эффект падал с ростом цены товара. A/B-тест Wikimedia: +3,64%. Обещания «+40–70%» ничем независимым не подтверждены.

Разрыв между 3,64% и 70% — это не спор о цифре. Это разница между измерением и рекламой. И заметь деталь про падение эффекта с ростом цены: она есть только в статье и исчезает в любом пересказе, потому что портит заголовок. Оговорки умирают первыми — в цепочке пересказов их отрезают раньше всего остального.

Проверка отчёта за 5 минут

1. Выпиши утверждения, от которых что-то зависит. Обычно их 3–7 на весь отчёт, а не сорок. Остальное — контекст, и ошибка там не стоит ничего.
2. Открой ссылку к каждому. Открывается? Дальше — поиск по странице (Ctrl+F) по числу или ключевому слову. Не нашлось — утверждение не подтверждено, точка.
3. Дойди до первоисточника. Если сноска ведёт на новость про отчёт — найди сам отчёт. Цифра часто мутирует по дороге, а оговорки отваливаются.
4. Проверь дату. Свежий отчёт легко собирается из статей пятилетней давности, если ты не ограничил период.
5. Проверь метод, а не бренд. Как получена цифра? Кого спрашивали и как выбирали? Наш случай с EF — ровно про это.
6. Спроси противоположное. Запусти второй запрос: «найди аргументы против вывода X и данные, которые ему противоречат». Если контраргументов не находится вообще — скорее всего, плохо искали.

Первые пять минут окупаются тем, что ты не процитируешь выдумку. Шестой шаг окупается тем, что ты не процитируешь правду, которая ничего не значит.

Вот готовый аудитор для шага 1–3. Промпт самодостаточен: отчёт зашит внутрь, запускай как есть.

Ты — фактчекер. Тебе дали фрагмент ИИ-отчёта. Твоя задача —
не проверить факты (интернета у тебя нет), а построить план
проверки и отсортировать утверждения по риску.

ФРАГМЕНТ ОТЧЁТА:
«Рынок онлайн-курсов по ИИ переживает бум. Согласно отраслевым
оценкам, объём рынка достигнет 47 млрд долларов к 2030 году
(источник: блог маркетингового агентства, 2025). Курсы продаются
со средней скидкой 87% — площадки практически раздают их даром.
Крупнейший курс собрал более 400 000 учеников. Эксперты сходятся
во мнении, что видеоформат остаётся предпочтительным для
большинства учащихся. Исследование показало, что локализация
контента повышает конверсию на 40–70%.»

Сделай четыре вещи:

1. РАЗБОРКА. Выпиши каждое утверждение отдельной строкой.
   Для каждого укажи класс: измеримый факт / прогноз / оценка /
   пересказ мнения / маркетинговое клише.
2. РИСК. Проставь каждому риск быть выдумкой или искажением:
   высокий / средний / низкий. Обоснуй одной фразой.
   Обрати особое внимание на числа без даты и метода
   и на обороты «эксперты сходятся», «исследование показало».
3. ПЛАН. Для трёх самых рискованных утверждений напиши,
   какой конкретно первоисточник закрыл бы вопрос и какой
   один запрос к нему нужно сделать.
4. ПЕРЕПИСЬ. Перепиши фрагмент так, чтобы в нём осталось
   только то, за что можно отвечать, а всё остальное было
   явно помечено как неподтверждённое. Ничего не выдумывай:
   если данных нет — так и напиши.

Когда источник — это люди

Половина нашего исследования — не цифры, а отзывы. Мы собрали 26 цитат недовольных учеников дословно, с авторами и датами (плюс две с форумов — их мы считаем отдельно, потому что форум это не отзыв о курсе). Например, про видеокурсы:

«why read straight from the slide? I can do that. This was not a helpful course at all» — Janie I., 02.07.2026, 1★

«50% of this course is reading script like a robot from the slides. …they are just reading text from the slides which you can also you from any good website» — Shashank T., 13.04.2026, 1★

Тут важно, что мы сделали дальше. Мы не написали «ученики массово недовольны». Мы посчитали долю негатива (≤3.5★): у Generative AI for Beginners — 9,61%, у Complete AI Guide — 10,36%. То есть недовольных примерно один из десяти. Цитаты сильные, но они иллюстрируют меньшинство, и в тексте это обязано стоять рядом.

И вторая честная оговорка: у Coursera фильтрация отзывов по звёздам сделана на стороне браузера — серверный HTML всегда отдаёт первую страницу. Значит, наши цитаты оттуда — из дефолтной выдачи, которую видит любой человек, а не результат систематического отбора. Это ослабляет утверждение, и мы это записали.

Правило: цитата — это доказательство существования мнения, а не его распространённости. Отчёт deep research, склеенный из отзывов, всегда звучит как приговор — потому что вопли громче молчания, а негативный отзыв пишут охотнее нейтрального. Требуй знаменатель.

Как отличить хороший отчёт от красивого

Отчёты deep research почти всегда выглядят убедительно: заголовки, буллеты, сноски, ровный аналитический тон. Красота формы ничего не говорит о качестве содержания.

• Сколько разных источников на ключевые утверждения. Если весь отчёт держится на двух страницах — это пересказ двух страниц.
• Есть ли разнообразие типов. Отчёт только из блогов и медиа — слабый. Отчёт с первичкой (сырые ответы API, статистика, документация, отчётность, научные статьи) — сильный.
• Указаны ли даты. Утверждение без даты в быстро меняющейся теме почти бесполезно.
• Указан ли метод. Кого спрашивали, сколько их было, как выбирали. Без этого «опрос показал» — просто оборот речи.
• Признаётся ли неопределённость. Хороший отчёт где-то говорит «данные расходятся» или «подтверждения не нашлось». Отчёт, в котором всё однозначно, — подозрительный: реальность так не выглядит.
• Отделены ли факты от выводов. «Продажи выросли на X%» и «рынок ждёт бум» — утверждения разного класса.

Проверь свой отчёт на прочность вот этим — промпт работает без интернета, он атакует логику текста, а не факты.

Ты — адвокат дьявола. Твоя работа — попытаться разрушить вывод
ниже. Не будь вежливым и не ищи баланс.

ВЫВОД: «Видеоформат проигрывает тексту в обучении взрослых
по цифровым навыкам, потому что видео нельзя листать в своём
темпе, а транскрипт есть у текста по определению.»

ПОДТВЕРЖДЕНИЯ, НА КОТОРЫЕ ОПИРАЕТСЯ ВЫВОД (реальные отзывы
на топовые видеокурсы, собраны 17.07.2026):
- «It is too fast for a beginner… until you try to see and
  understand it the next screen pops up» — Amit A., 29.04.2026,
  2★, курс The Complete AI Guide
- «I am very frustrated that I can not easily access a transcript
  to reference later. The instructors are talking so quickly»
  — Vince D., 16.03.2026, 1★, курс не указан
- доля отзывов ≤3.5★ у The Complete AI Guide: 10,36%

Сделай пять вещей:
1. Назови самое слабое место в этой аргументации.
2. Объясни, что доказывают эти отзывы, а что нет. Отдельно:
   что означает цифра 10,36% для силы вывода — усиливает
   её или ослабляет?
3. Построй сильнейший контраргумент: при каких условиях видео
   выигрывает у текста, и для кого именно.
4. Придумай, какие данные опровергли бы вывод начисто. Опиши
   исследование, которое их бы дало.
5. Перепиши вывод так, чтобы он был честен по отношению
   к имеющимся данным. Скорее всего, он станет уже и скучнее.
   Это нормально.

Отдельно про цепочку пересказов

Самая тихая из ошибок. Ссылка живая, страница открывается, число на ней есть — а первоисточника нет, потому что все ссылаются друг на друга по кругу. Deep research тут беспомощен: формально каждая сноска валидна.

Вот та же история с «+40–70%», разложенная по шагам. Отчёт ИИ утверждает «локализация повышает конверсию на 40–70%» и ссылается на блог платформы переводов. Блог, 2025: «исследования показывают рост на 40–70%» — ссылка на пресс-релиз отраслевой ассоциации. Пресс-релиз, 2024: «по данным опроса участников рынка, компании сообщают о росте до 70%» — ссылки нет вообще.

Смотри, где сломалось. Между пресс-релизом и блогом «компании сообщают о росте до 70%» превратилось в «исследования показывают рост на 40–70%». Самоотчёт заинтересованных участников стал «исследованием», «до 70%» стало диапазоном «40–70%», а нижняя граница взялась из воздуха. К третьему пересказу это уже звучит как измерение. При этом ни в одном звене цепочки нет ни одной формально ложной ссылки — и ровно поэтому машинная проверка сносок тут не спасает.

А настоящее измерение всё это время лежало рядом и в цепочку не попало: те самые +10,9% у eBay, с падением эффекта при росте цены. Первоисточник проиграл пересказу, потому что давал цифру хуже.

Когда режим исследования — не тот инструмент

• Нужен один факт. Курс, дата, определение — обычный поиск быстрее.
• Тема свежее суток. Индексация и доступ к свежим страницам работают неровно; горячие новости лучше читать глазами.
• Данные закрыты. Платные базы, внутренние документы, статьи за пейволом — модель туда не попадёт и, что хуже, соберёт обзор по пересказам аннотаций. Наши 403 от Udemy и OpenAI — ровно этот класс.
• Нужен не консенсус, а то, что консенсус пропустил. История со скидкой на Udemy показывает границу жанра: то, чего нет в текстах, режим не найдёт по определению.
• Цена ошибки — медицинская или юридическая. Отчёт годится как карта местности и список источников, но не как основание решения.

Как встроить это в работу

Рабочая схема: deep research собирает поле (кто что говорит и где) → ты за 5 минут проверяешь ключевые утверждения → просишь модель переписать отчёт, оставив только подтверждённое, и отдельно перечислить снятое. На выходе — короткий текст, за каждую строчку которого ты можешь ответить.

Именно так устроен файл, из которого взята эта статья. У него есть раздел «чего у нас нет»: цена ChatGPT Plus (403), фильтр отзывов Coursera (клиентский), Reddit (краулеру недоступен). Раздел неприятный — он публично перечисляет наши дыры. И он же единственная причина, по которой остальным цифрам можно верить: у автора, который признаёт три дыры, четвёртую искать легче, чем у автора, у которого всё сошлось.

Держи в голове и базовую гигиену: не грузи в исследовательский режим чувствительные и чужие данные — приватность при работе с ИИ здесь работает так же, как в обычном чате. Если ты только осваиваешься — начни с гида по ChatGPT. А если отчёт пришёл с ошибкой в выводе, а не в фактах — это уже про то, как модели накапливают ошибку по шагам.