Gemini Deep Research erhält MCP-Integration, kollaborative Planung und zwei neue Versionen

Am 21. April 2026 veröffentlichte Google im Gemini API-Changelog eine bedeutende Erweiterung des Deep Research-Agenten. Entwickler haben nun Zugang zu zwei neuen Modellversionen, Streaming-Antworten, Integration mit MCP-Servern (Model Context Protocol) sowie kollaborativer Forschungsplanung.

Was ist passiert?

Google hat zwei neue Modelle in der Gemini API veröffentlicht: deep-research-preview-04-2026 und deep-research-max-preview-04-2026. Das erste ist laut offizieller Beschreibung „auf Geschwindigkeit und Effizienz ausgelegt, ideal für Streaming zum Client-Interface”, während das zweite auf „maximale Vollständigkeit für automatisiertes Kontextsammeln und Synthese” abzielt.

Neben den neuen Modellen kommen vier Schlüsselfunktionen hinzu: Streaming-Antworten (Teilergebnisse treffen ein, während der Agent noch arbeitet), kollaborative Planung (der Agent schlägt zunächst einen Plan vor, den der Nutzer vor der Ausführung bearbeiten kann), Visualisierungen (der Agent kann Grafiken und Diagramme als Teil der Ergebnisse erstellen) sowie MCP-Server-Integration mit Unterstützung für File Search.

MCP (Model Context Protocol) ist ein offenes Protokoll, das Anthropic zuerst standardisiert hat, und Google baut die Unterstützung dafür nun tief in die Gemini-Plattform ein. Praktisch bedeutet dies, dass der Deep Research-Agent während der Recherche auf eigene Datenbanken, CRM-Systeme, interne Wikis oder andere MCP-kompatible Quellen des Nutzers zugreifen kann.

Warum ist das wichtig?

Deep Research als Agentenkategorie ist seit einem Jahr ein wichtiges Schlachtfeld zwischen den großen KI-Labors — ChatGPT Deep Research, Perplexity und Anthropic Research haben alle ähnliche Agenten vorgestellt. Googles Vorteil lag bisher in der Qualität der Synthese, aber sie lagen bei der Flexibilität der Integrationen zurück.

Die MCP-Integration ändert diese Gleichung. Anstatt dass Deep Research ausschließlich aus dem öffentlichen Web schöpft, können Enterprise-Kunden es nun über ein Standardprotokoll mit eigenen Datenquellen verbinden — ohne für jede Quelle eigene Konnektoren schreiben zu müssen. Für Unternehmen eröffnet dies Szenarien wie „Durchsuche unser Ticketsystem und fasse die Hauptursachen gemeldeter Fehler der letzten 90 Tage zusammen” ohne den Aufbau eines eigenen RAG-Stacks.

Kollaborative Planung löst die bisherige Kritik an Agenten — dass sie „in die falsche Richtung gehen” und der Nutzer 5–10 Minuten Wartezeit verliert. Durch das Zeigen des Plans vor der Ausführung wird der Agent zu einem vorhersehbaren Werkzeug statt einer Black Box.

Was kommt als Nächstes?

Beide Versionen befinden sich derzeit im Preview-Status, was bedeutet, dass Google das Recht behält, die API vor einem stabilen Release zu ändern. Entwickler, die bereits die Gemini API nutzen, können sie sofort ausprobieren, und die vollständige Dokumentation ist auf der offiziellen Deep Research-Seite von Googles KI-Plattform verfügbar.

Die praktische Empfehlung lautet: Das Preview-Modell für interaktive Anwendungen nutzen, bei denen Streaming wichtig ist, und das Max-Modell für nächtliche Batch-Jobs, bei denen maximale Berichtsqualität gefragt ist.

Zusammen mit Googles ReasoningBank-Arbeit vom Vortag wird ein klares Muster sichtbar — Google positioniert das Gemini-Ökosystem als Plattform für Agenten, die mit externen Tools arbeiten und Wissen akkumulieren, nicht nur als Chatbot.