2부-5장. Deep Research와 Deep Research Max — 보고서 자동 생성기

검색창에 질문을 던지면 답이 나오는 시대는 이미 왔습니다. 그런데 막상 일을 하다 보면, 우리가 정말 필요로 하는 것은 '답변'이 아니라 '판단 재료'인 경우가 훨씬 많습니다. 시장에 들어갈지 말지, 어떤 경쟁사를 먼저 추격할지, 논문 흐름이 어디로 움직이는지, 우리 회사 내부 문서와 외부 뉴스가 같은 결론을 가리키는지 같은 문제는 한 줄 답변으로 끝나지 않습니다.

여기서 Deep Research의 가치가 드러납니다. 검색이 정보를 찾는 일이라면, Deep Research는 의사결정용 보고서를 만드는 일입니다. 제미나이는 질문을 바로 요약해 던지는 대신, 먼저 조사 계획을 세우고, 여러 출처를 뒤지고, 빠진 정보를 다시 찾고, 마지막에 인용이 붙은 보고서 형태로 정리합니다.¹² 말하자면 챗봇이 아니라, 꽤 부지런한 신입 애널리스트를 한 명 붙여 놓는 느낌에 가깝습니다.

검색은 링크를 주고, Deep Research는 맥락을 준다

일반 검색과 Deep Research의 차이를 가장 쉽게 이해하는 방법은 둘이 끝내는 지점이 어디인지를 보는 것입니다.

일반 검색은 보통 여기까지 갑니다. "관련 링크는 이거고, 요약하면 이런 내용입니다." 반면 Deep Research는 한 걸음 더 갑니다. "이 주제를 조사하려면 어떤 하위 질문이 필요한지, 어떤 출처를 먼저 볼지, 서로 충돌하는 정보는 무엇인지, 그래서 최종적으로 어떤 판단이 가능한지"까지 이어집니다.²³

같은 질문을 넣어도 결과는 전혀 다르게 나옵니다. 예를 들어 "한국 AI 코딩 도구 시장을 분석해 달라"고 하면, 일반 검색은 최신 기사와 제품 소개를 모아줍니다. 하지만 Deep Research는 시장 정의부터 다시 잡고, 주요 업체를 나누고, 가격 정책과 사용자 리뷰, 최근 업데이트, 국내 적합성, 리스크까지 포함한 멀티페이지 보고서로 정리합니다.¹²

이 차이는 작아 보이지만 실무에서는 아주 큽니다. 링크를 모으는 시간보다, 그 링크를 읽고 구조화하고 비교하고 보고서로 다시 쓰는 시간이 더 오래 걸리기 때문입니다. Deep Research는 바로 그 구간을 자동화합니다.

Deep Research는 어떻게 움직이는가

Deep Research의 핵심은 한 번 대답하고 끝나는 구조가 아니라, 계획과 실행이 분리된 에이전트형 흐름에 있습니다. 공식 자료를 보면 이 기능은 대체로 네 단계로 이해하면 쉽습니다.¹²³

첫 번째는 계획입니다. 사용자가 질문을 던지면 제미나이는 곧바로 답을 쓰지 않고, 먼저 어떤 각도로 조사할지 연구 계획을 제안합니다. 여기서 사용자는 범위를 좁히거나 넓히고, 빼야 할 주제를 지우고, 소스 우선순위를 바꿀 수 있습니다.

두 번째는 탐색입니다. 그다음 제미나이는 웹, 업로드한 파일, 그리고 사용자가 허용한 경우 Gmail·Drive·Chat 같은 워크스페이스 소스를 오가며 자료를 모읍니다.² 이때 중요한 것은 단순 복붙식 수집이 아니라, 중간에 지식 공백을 발견하면 다시 검색하고 다시 읽는 반복 구조라는 점입니다.⁵

세 번째는 추론입니다. 모인 자료를 그대로 나열하지 않고, 서로 충돌하는 주장과 반복되는 패턴을 비교해 가며 정리합니다. 필요한 경우 중간 사고 흐름 요약을 보여 주고, 어떤 문제를 다음에 확인할지까지 이어 갑니다.²⁴

네 번째는 보고입니다. 마지막에는 인용이 붙은 보고서가 생성되고, 제품 환경에 따라 오디오 요약이나 Docs 내보내기 같은 후속 활용도 가능합니다.³

이 흐름을 기억해 두면 왜 Deep Research가 단순 검색보다 느리지만 훨씬 쓸모 있는지 이해가 됩니다. 느린 게 아니라, 원래 사람이 하던 일을 대신하는 것입니다.

Deep Research와 Deep Research Max, 무엇이 다른가

2026년 4월 기준으로 구글은 Deep Research를 두 종류의 에이전트로 나눠 설명합니다. 하나는 Deep Research, 다른 하나는 Deep Research Max입니다.⁴

쉽게 말하면 Deep Research는 "지금 회의 전에 빨리 보고서 초안을 뽑아 줘"에 가깝고, Deep Research Max는 "내일 아침까지 실사 보고서 한 편 제대로 만들어 놔"에 가깝습니다.⁴

둘의 차이를 자동차에 비유해 보면 더 쉽습니다. Deep Research가 민첩한 전기 자전거라면, Deep Research Max는 밤새 달리는 화물열차입니다. 출발은 조금 느려도 더 많이 싣고, 더 멀리 가고, 중간에 더 많이 확인합니다.

BrowseComp 점수의 진짜 의미

딥리서치 소개 글에서 종종 BrowseComp 85.9 같은 숫자가 강조됩니다.⁶ 이런 숫자를 볼 때 중요한 건 "와, 점수가 높네"가 아닙니다. 더 중요한 건 무슨 능력을 재고 있는가입니다.

BrowseComp 같은 벤치마크는 대체로 한 번에 정답을 외우는 시험이 아니라, 여러 페이지를 돌아다니며 필요한 단서를 끝까지 찾아내는 능력을 봅니다. 즉, 검색창에 이미 떠 있는 첫 결과를 예쁘게 요약하는 능력보다, 복잡한 웹 환경에서 실마리를 쫓아가는 능력에 더 가깝습니다. 공식 자료에서도 Deep Research는 BrowseComp와 DeepSearchQA 같은 웹 탐색형 벤치마크에서 강한 성능을 보였고, 이후 Deep Research Max는 더 많은 소스를 참고하고 더 높은 종합 품질을 목표로 진화했다고 설명합니다.⁴⁵

이게 왜 중요할까요. 시장 조사나 경쟁사 분석은 정답이 한 페이지에 예쁘게 정리돼 있지 않기 때문입니다. 어떤 정보는 보도자료에 있고, 어떤 정보는 가격 페이지에 있고, 어떤 정보는 리뷰 사이트에 있고, 어떤 정보는 규제 문서에 숨어 있습니다. 높은 BrowseComp류 성능이 의미하는 바는 바로 이것입니다.

보이는 정보를 예쁘게 말하는 것이 아니라, 흩어진 정보를 끝까지 찾아가서 이어 붙일 가능성이 높다.

실무자는 바로 이 능력을 돈으로 삽니다.

시장 조사: "무슨 일이 일어나고 있나"를 넘어 "그래서 어떻게 할까"까지

시장 조사는 Deep Research가 가장 빛나는 분야 중 하나입니다. 이유는 간단합니다. 시장 조사는 원래 소스가 많고, 출처마다 숫자가 다르고, 최신성이 중요하기 때문입니다.

좋은 시장 조사는 보통 다음 질문을 포함합니다. 시장 크기는 얼마인가, 누가 크고 누가 빠르게 커지는가, 가격은 어디서 무너지고 있는가, 규제는 어떤 방향인가, 고객은 무엇을 불편해하는가, 앞으로 12개월 안에 무슨 변화가 올 것인가. 이런 질문은 기사 한두 개로 답할 수 없습니다.

이때 Deep Research에 바로 "AI 시장 조사해 줘"라고 던지면 결과는 평평해집니다. 대신 다음처럼 의사결정형 질문으로 바꾸는 편이 좋습니다.

"2026년 한국 중소기업 대상 AI 코딩 도구 시장을 조사해 주세요. 시장 규모 추정치는 출처별 차이를 표시하고, 주요 플레이어 5곳의 가격 정책, 국내 지원 수준, 보안·관리 기능, 최근 6개월 업데이트를 비교해 주세요. 마지막에는 신규 진입자 관점에서 기회 3가지와 위험 3가지를 제안해 주세요."

이 프롬프트가 좋은 이유는 네 가지입니다. 주제가 명확하고, 지역이 정해져 있고, 시간 범위가 있고, 마지막 출력이 '의사결정용'으로 닫히기 때문입니다. 그러면 제미나이는 단순 요약이 아니라 보고서 구조를 갖추기 시작합니다.

실제 워크플로는 아래 순서가 안정적입니다.

1. 먼저 결정 질문을 적습니다. "진입할까?", "가격을 내릴까?", "어느 경쟁사를 먼저 볼까?"처럼 행동으로 이어지는 질문이어야 합니다.

2. 그다음 범위를 정합니다. 지역, 시점, 제품군, 고객군을 써 줍니다.

3. 조사 계획이 뜨면 빠진 축을 추가합니다. 예를 들어 규제, 유통 채널, 고객 리뷰, 국내 사례 같은 것들입니다.

4. 보고서가 나오면 바로 믿지 말고 핵심 수치 세 개만 원문 확인합니다.

5. 마지막에 "이 보고서를 바탕으로 우리 팀의 실행안 1페이지를 다시 써 달라"고 요청하면 초안에서 실행 문서로 넘어갈 수 있습니다.

즉, 시장 조사의 핵심은 첫 보고서가 아니라 두 번째 요청입니다. 첫 보고서가 세상을 설명한다면, 두 번째 요청은 우리 회사의 선택지를 설명하게 해야 합니다.

경쟁사 분석: 공개 웹과 내부 문서를 한 문장 안에 묶는 순간

경쟁사 분석은 Deep Research의 진짜 킬러 유스케이스입니다. 공식 소개에서도 경쟁사 보고서, 실사, 전략 메모 같은 시나리오가 대표 활용 예로 제시됩니다.²

이 작업이 강력한 이유는 외부 자료와 내부 자료를 한 흐름으로 엮을 수 있기 때문입니다. 예를 들어 웹에서는 경쟁사의 제품 라인업, 가격, 투자 소식, 채용 공고, 사용자 리뷰를 읽고, 내부에서는 우리 팀의 전략 메모, 고객 인터뷰 요약, 세일즈 메일, 비교 스프레드시트를 함께 참조하게 만들 수 있습니다.²⁴

실무에서 잘 먹히는 프롬프트는 이런 형태입니다.

"경쟁사 A를 분석해 주세요. 최근 12개월 기준으로 제품 전략, 가격 정책, 고객 리뷰 트렌드, 주요 인사 이동, 최근 출시 기능을 정리하고, 우리 내부 Drive의 '2026 제품 전략 초안'과 비교해 대응 전략 3가지를 제안해 주세요. 공식 문서와 가격 페이지를 우선하고, 커뮤니티 게시글은 보조 근거로만 사용해 주세요."

이 요청의 핵심은 '경쟁사를 설명해 달라'가 아니라, 우리의 대응 전략까지 이어 달라는 점입니다. 그리고 "공식 문서 우선" 같은 소스 우선순위를 주면 결과의 잡음이 줄어듭니다.

여기서 한 가지 팁이 있습니다. 경쟁사 분석 보고서는 한 번에 완벽하게 만들려 하지 않는 편이 낫습니다. 먼저 외부 공개 정보만으로 1차 보고서를 만들고, 그 다음에 내부 메모와 CRM, 인터뷰 요약을 추가해 2차 보고서를 만드는 식이 안정적입니다. 그래야 무엇이 공개 사실이고 무엇이 우리 해석인지 구분하기 쉽습니다.

학술 리서치: 논문 검색이 아니라 논쟁 구조를 뽑아내는 일

학생과 연구자, 전문직 종사자에게 Deep Research가 유용한 이유는 논문을 많이 읽는 속도보다, 논문 사이의 관계를 잡아내는 속도가 빠르기 때문입니다.

예를 들어 "LLM 에이전트 평가 방법을 정리해 줘"라고만 묻는 대신, 이렇게 바꾸면 훨씬 좋아집니다.

"2024년 이후 발표된 LLM 에이전트 평가 관련 주요 논문과 기관 보고서를 바탕으로, 현재 사용되는 평가 축을 정리하고, 서로 충돌하는 관점, 반복적으로 등장하는 한계, 아직 표준화되지 않은 쟁점을 구분해 주세요. 학술 논문과 기관 문서를 우선하고, 블로그 글은 보조로만 사용해 주세요."

이렇게 요청하면 Deep Research는 단순 요약보다 한 단계 높은 결과를 만들 수 있습니다. 즉, '이 논문은 이런 말'이 아니라 '이 분야는 지금 무엇을 두고 싸우고 있는가'를 보여 주기 시작합니다.

또 하나 중요한 점은 입력 형태입니다. 공식 자료에 따르면 Deep Research는 웹뿐 아니라 PDF, CSV, 이미지, 오디오, 비디오까지 함께 맥락으로 삼을 수 있습니다.¹⁴ 그래서 이미 모아 둔 논문 PDF를 올리고, 최신 웹상의 후속 연구를 함께 보게 하는 방식이 좋습니다. 이 조합이 강력한 이유는 내 자료실과 바깥 세상이 한 문서 안에서 만난다는 데 있습니다.

학술 리서치에서 특히 유용한 후속 요청은 세 가지입니다. 첫째, "합의된 내용과 논쟁 중인 내용을 분리해 달라." 둘째, "가장 많이 인용되는 방법론과 새로 떠오르는 방법론을 나눠 달라." 셋째, "이 분야의 연구 공백을 3개만 제안해 달라." 이 세 줄만 붙여도 보고서가 읽을거리에서 연구 메모로 바뀝니다.

MCP 연동: 사내 데이터까지 끌어오는 순간, 검색기가 아니라 조사 인프라가 된다

이 장에서 가장 중요한 기술 변화를 하나만 고르라면 MCP를 꼽고 싶습니다. Model Context Protocol, 줄여서 MCP는 쉽게 말해 AI가 외부 도구와 데이터 저장소에 연결되는 공용 콘센트 같은 것입니다.⁴

공식 발표에 따르면 Deep Research는 이제 웹 검색만 하는 도구가 아니라, 원격 MCP 서버를 통해 사내 데이터나 전문 데이터 스트림에도 연결될 수 있습니다. 여기에 URL Context, Code Execution, File Search 같은 다른 도구를 함께 조합할 수 있고, 필요하면 웹을 아예 끄고 내부 데이터만으로 조사하는 것도 가능합니다.⁴

이 변화가 왜 큰가요. 예전에는 "웹에서 찾은 것"과 "회사 안에 있는 것"이 서로 다른 세계였습니다. 애널리스트는 외부 시장 보고서를 읽고, 다시 사내 위키와 Drive와 스프레드시트를 뒤져야 했습니다. 이제는 같은 조사 흐름 안에서 둘을 합칠 수 있습니다.

예를 들어 이런 시나리오가 가능해집니다. 금융팀은 공개 공시와 산업 뉴스, 사내 거래 메모, 외부 데이터 공급자의 재무 데이터 스트림을 한꺼번에 물릴 수 있습니다. 제품팀은 경쟁사 웹사이트, 내부 VOC 요약, 세일즈 콜 노트, 기능 요청 CSV를 합쳐서 우선순위 보고서를 만들 수 있습니다. 공식 발표에서도 FactSet, S&P Global, PitchBook 같은 데이터 제공사와의 연동 방향이 언급될 정도로, 이 기능은 명백히 기업 리서치 워크플로를 겨냥하고 있습니다.⁴

이쯤 되면 이름이 왜 Deep Research인지 이해가 됩니다. 이건 검색창 강화판이 아니라, 조사를 수행하는 인프라에 가깝습니다.

결과 품질을 높이는 프롬프트는 따로 있다

Deep Research가 똑똑하다고 해서 아무 질문이나 잘 받는 것은 아닙니다. 보고서 품질은 첫 질문보다도, 계획 수정 단계에서 크게 갈립니다.

잘 되는 프롬프트에는 공통적으로 네 가지가 들어갑니다.

1. 의사결정 목적이 있습니다. 단순 설명이 아니라 "선택"이 걸려 있습니다.

2. 범위 제한이 있습니다. 지역, 시간, 대상 고객, 비교군이 정해져 있습니다.

3. 소스 우선순위가 있습니다. 공식 문서 우선인지, 학술 논문 우선인지, 내부 자료 포함인지가 드러납니다.

4. 출력 형식이 있습니다. 표, 타임라인, 비교표, 권고안처럼 결과 모양이 정해져 있습니다.

반대로 실패하는 프롬프트는 대개 이렇습니다. "요즘 AI 시장 어때?", "좋은 툴 추천해 줘", "경쟁사 조사해 줘." 질문은 그럴듯하지만, 보고서를 만들어도 실제 행동이 나오지 않습니다.

한 문장으로 정리하면 이렇습니다.

검색 프롬프트는 궁금증을 풀기 위해 쓰고, Deep Research 프롬프트는 결정을 내리기 위해 쓴다.

30분 실습: 첫 번째 의사결정용 보고서 만들기

이 책의 흐름에 맞춰, 이번 장도 30분 안에 체감할 수 있는 방식으로 끝내 보겠습니다. 주제는 당신이 실제로 결정해야 하는 것으로 잡는 편이 좋습니다. 예를 들어 "내가 들어갈 시장", "우리 팀이 비교할 경쟁사", "지금 공부할 논문 분야" 정도면 충분합니다.

1. 0~5분: 질문을 바꿉니다.
   "알려줘"를 "판단하게 도와줘"로 바꾸세요. 예: "한국 1인 크리에이터용 AI 영상 툴 시장에 지금 들어갈 만한지 조사해 주세요."

2. 5~10분: 조사 계획을 수정합니다.
   범위, 기간, 우선 소스를 추가하세요. 예: "2025년 이후만", "한국 시장 우선", "공식 가격표와 리뷰 우선", "경쟁사 5개만 비교".

3. 10~20분: 보고서를 생성합니다.
   이 시간에는 괜히 재촉하지 말고, 다른 일을 하세요. Deep Research는 원래 몇 분이 걸리는 도구입니다.¹²

4. 20~25분: 핵심 주장만 검증합니다.
   모든 문장을 검수하려 하지 말고, 숫자 3개, 날짜 3개, 결론 1개만 원문 링크로 확인하세요.

5. 25~30분: 실행 문서로 재가공합니다.
   "이 보고서를 바탕으로 우리 팀의 다음 액션 5개를 우선순위와 함께 정리해 줘"라고 다시 요청하세요.

이렇게 하면 Deep Research는 단순한 리포트 생성기가 아니라, 실행 문서의 초안을 만드는 도구가 됩니다.

어디까지 믿고, 어디서부터 검증할 것인가

Deep Research는 매우 강력하지만, 무비판적으로 믿을 도구는 아닙니다. 공식 자료가 강조하듯 인용과 계획 수정, 출처 투명성은 강점이지만, 최종 판단은 여전히 사람이 내려야 합니다.¹⁴⁵

특히 세 가지는 꼭 기억해 두는 편이 좋습니다.

첫째, 숫자는 원문 확인이 필요합니다. 시장 규모, 점유율, 성장률은 출처마다 다를 수 있습니다.

둘째, 공개 웹에 없는 정보는 못 찾습니다. 유료 벽 뒤의 기사나 닫힌 데이터는 따로 열어 주지 않으면 비어 있게 됩니다.

셋째, 내부 데이터를 연결할수록 편리해지지만 보안 기준도 같이 올라가야 합니다. 워크스페이스나 사내 데이터 소스를 붙일 때는 조직 정책과 접근 권한을 먼저 확인하는 습관이 필요합니다.²³

그래도 방향은 분명합니다. 이제 리서치의 병목은 '찾는 속도'보다 '좋은 질문을 설계하고, 나온 보고서를 어떻게 의사결정에 연결할 것인가'로 이동하고 있습니다.

Deep Research를 잘 쓰는 사람은 검색을 많이 하는 사람이 아닙니다. 조사 결과를 행동으로 바꾸는 사람입니다. 그리고 Deep Research Max까지 손에 넣는 순간, 그 사람은 혼자서도 작은 리서치 팀처럼 움직일 수 있게 됩니다.

참고

¹Gemini Deep Research 에이전트 | Gemini API | Google AI for Developers

²Gemini Deep Research — your personal research assistant

³Deep Research로 보고서 받기

⁴Deep Research Max: a step change for autonomous research agents

⁵Build with Gemini Deep Research

⁶Gemini Deep Research 사용법: 구글도 못 알려준 진짜 활용법