Perplexity Deep Research: hoe goed is AI echt in onderzoek?Leestijd: maximaal 14 minuten
Perplexity Deep Research kan binnen enkele minuten tientallen zoekopdrachten uitvoeren, bronnen lezen en daar een uitgebreid onderzoeksrapport van maken. Dat klinkt alsof uren zoekwerk verdwijnen. Toch is snelheid niet hetzelfde als betrouwbaarheid. De echte vraag is daarom niet hoeveel bronnen Perplexity vindt, maar of die bronnen de conclusies ook werkelijk ondersteunen.
Wat is Perplexity Deep Research?
Perplexity Deep Research is geen gewone zoekfunctie die één lijst met resultaten toont. Je geeft de tool een brede onderzoeksvraag. Daarna splitst het systeem die vraag op, zoekt het naar informatie en past het zijn zoekroute tussentijds aan.
Volgens Perplexity kan de functie tientallen zoekopdrachten uitvoeren en honderden bronnen verwerken. De oorspronkelijke versie leverde meestal binnen twee tot vier minuten een rapport op.
De vernieuwde versie uit juli 2026 gaat verder. Perplexity kan documenten meenemen, berekeningen uitvoeren, moeilijker vindbare bronnen openen en tijdens het onderzoek voorlopige bevindingen tonen. De tool kan bovendien verduidelijkende vragen stellen voordat het onderzoek begint.
Wie eerst de gewone werking van de tool wil begrijpen, kan beginnen bij onze uitleg over wat Perplexity AI is en hoe het werkt. Deep Research bouwt namelijk voort op dezelfde combinatie van zoeken, samenvatten en bronnen tonen.
Wat doet Perplexity Deep Research anders dan gewoon zoeken?
Bij een normale zoekopdracht maak je zelf voortdurend keuzes. Je bepaalt welke links je opent, welke informatie belangrijk is en welke bronnen je vertrouwt.
Deep Research neemt een groot deel van die tussenstappen over:
- De hoofdvraag wordt verdeeld in kleinere deelvragen.
- Het systeem zoekt per deelvraag naar bruikbare bronnen.
- Nieuwe informatie kan tot nieuwe zoekopdrachten leiden.
- De gevonden claims worden met elkaar vergeleken.
- Perplexity voegt de informatie samen tot één verhaal.
- Bronnen worden als verwijzingen aan het rapport gekoppeld.
Daarom kun je Deep Research beter zien als een onderzoeksagent dan als een zoekmachine. De tool geeft niet alleen resultaten. Hij voert een zoekproces namens jou uit.
Dat verschil heeft een belangrijk gevolg. Bij Google zie je welke resultaten voor je klaarstaan en bepaal je zelf wat je overslaat. Bij Deep Research zie je vooral wat het systeem heeft geselecteerd. Je weet veel minder goed welke relevante bronnen tijdens het proces niet zijn gevonden of bewust niet zijn gebruikt.
Deep Research is vooral bedoeld voor uitgebreide onderzoeksvragen. Wil je ook de andere functies leren kennen? Bekijk dan onze complete uitleg op Alles over Perplexity.
Hoe goed is Perplexity Deep Research werkelijk?
Het korte oordeel van WegwijsAI is:
Perplexity Deep Research is bijzonder goed in het snel verkennen en structureren van een onderwerp, maar het eindrapport is geen automatisch bewijs dat het onderzoek klopt.
Dat onderscheid is belangrijk. Een rapport kan overtuigend geschreven zijn, veel details bevatten en tientallen citaties tonen. Toch kan de onderliggende selectie onvolledig zijn.
Perplexity heeft met DRACO een benchmark ontwikkeld die Deep Research-systemen beoordeelt op juistheid, volledigheid, objectiviteit en kwaliteit van citaties. De benchmark bevat honderd complexe onderzoekstaken uit tien verschillende vakgebieden.
Daar staat een opvallende uitkomst van een andere benchmark tegenover. WANDR onderzoekt taken waarbij een systeem niet alleen diep, maar ook breed moet zoeken. Zelfs het sterkste geteste systeem behaalde daarbij een soft F1-score van 0,363 en een hard F1-score van 0,133. Dat laat zien dat uitgebreide verzamelopdrachten nog lang niet zijn opgelost.
Met andere woorden: AI kan een indrukwekkend rapport maken en toch een aanzienlijk deel van de relevante informatie missen.
Veel bronnen betekenen niet automatisch goed onderzoek
Een veelvoorkomend misverstand is dat een rapport betrouwbaarder wordt zodra er veel bronverwijzingen in staan.
Een bronverwijzing bewijst echter alleen dat ergens een link staat. Je moet daarna nog controleren:
- Bestaat de genoemde bron werkelijk?
- Is de bron onafhankelijk?
- Ondersteunt de bron precies de bijbehorende bewering?
- Is het een primaire of secundaire bron?
- Is de informatie nog actueel?
- Worden onzekerheden in de bron correct weergegeven?
Onderzoek naar commerciële taalmodellen en Deep Research-agents vond dat ongeveer 3 tot 13 procent van de onderzochte bron-URL’s waarschijnlijk niet bestond. In totaal werkte 5 tot 18 procent van de links niet. Deep Research-agents leverden wel meer bronverwijzingen, maar verzonnen in het onderzoek relatief vaker URLs dan gewone zoekondersteunde modellen.
Dat betekent niet dat iedere analyse van Perplexity onbetrouwbaar is. Het betekent wel dat een lange bronnenlijst nooit het eindpunt van je controle mag zijn.
De citation autopsy
Een sterke manier om een rapport te beoordelen is wat wij bij WegwijsAI een citation autopsy noemen. Daarbij controleer je niet het rapport als geheel, maar ontleed je de belangrijkste beweringen één voor één.
Gebruik bijvoorbeeld deze tabel:
| Controlepunt | Aantal |
|---|---|
| Belangrijke controleerbare claims | … |
| Claims met een bron | … |
| Volledig ondersteund door de bron | … |
| Gedeeltelijk ondersteund | … |
| Bron spreekt de claim tegen | … |
| Bron niet toegankelijk | … |
| Primaire bronnen | … |
Dit levert meer inzicht op dan de vraag of het rapport “goed geschreven” lijkt. De kwaliteit van onderzoek zit niet in de vorm, maar in de verbinding tussen bewering en bewijs.
Waarom kan Perplexity belangrijke informatie missen?
Perplexity zoekt niet in alle bestaande kennis. Het zoekt in informatie die online gevonden, geopend en verwerkt kan worden.
Daar ontstaat bronbias.
Goed vindbare websites hebben daardoor mogelijk een voordeel boven:
- publicaties achter een betaalmuur;
- vakliteratuur in kleine databases;
- niet-Engelstalige bronnen;
- documenten met een slechte technische opmaak;
- oudere rapporten die nauwelijks nog worden gelinkt;
- lokale Nederlandse onderzoeken;
- informatie die alleen in een bijlage of tabel staat.
Dit leidt tot een tegenintuïtief inzicht: het meest leesbare onderzoeksrapport kan juist onvollediger zijn dan een rommelige verzameling handmatig gevonden bronnen.
Bij handmatig onderzoek zie je namelijk waar je hebt gezocht. Je kunt bewust een database, brancheorganisatie of overheidswebsite nalopen. Bij AI-onderzoek blijft een deel van de zoekroute onzichtbaar.
Wetenschappelijke analyses van Deep Research-agents waarschuwen daarom voor ondoorzichtige bronselectie, verkeerd gewogen bewijs en beperkte reproduceerbaarheid. De onderzoekers adviseren de systemen vooral als hulpmiddel te gebruiken, niet als vervanging van menselijke beoordeling.
De WegwijsAI Deep Research Stress Test
Om Perplexity Deep Research eerlijk te beoordelen, zou je de tool niet één eenvoudige vraag moeten geven. Een bruikbare test bevat opdrachten waarbij verschillende zwakke plekken zichtbaar worden.
Gebruik bijvoorbeeld deze vijf tests:
Test 1: een actuele marktvergelijking
Laat Perplexity een markt in Nederland of Europa analyseren. Vraag om cijfers, belangrijke aanbieders, ontwikkelingen en primaire bronnen.
Hiermee test je actualiteit en bronkwaliteit.
Test 2: een onderwerp waar experts over verschillen
Kies een vraag waarop geen eenvoudig ja-of-nee-antwoord bestaat. Vraag Perplexity om argumenten voor beide kanten en laat de tool expliciet benoemen waar bewijs onzeker is.
Hiermee test je nuance en tegengeluid.
Test 3: een nicheonderwerp
Kies een kleine sector of specialistisch onderwerp met weinig bekende websites.
Hiermee test je of Perplexity verder komt dan populaire en goed geoptimaliseerde pagina’s.
Test 4: snel veranderende informatie
Laat de tool prijzen, regelgeving of productfuncties vergelijken. Noteer vooraf de peildatum.
Hiermee test je of oude en nieuwe informatie door elkaar worden gehaald.
Test 5: bekende bronnen die teruggevonden moeten worden
Stel vooraf zelf een lijst samen met tien relevante bronnen. Laat Perplexity daarna onafhankelijk onderzoek uitvoeren en meet hoeveel van deze bronnen terugkomen.
Hiermee test je niet alleen wat de tool vindt, maar vooral wat de tool mist.
Geef iedere test een score van 1 tot 10 voor:
| Onderdeel | Waar let je op? |
|---|---|
| Juistheid | Kloppen de controleerbare feiten? |
| Bronkwaliteit | Zijn primaire en onafhankelijke bronnen gebruikt? |
| Volledigheid | Ontbreken belangrijke invalshoeken? |
| Actualiteit | Is de nieuwste bruikbare informatie verwerkt? |
| Tegengeluid | Worden afwijkende conclusies meegenomen? |
| Bruikbaarheid | Kun je met het rapport verder werken? |
Publiceer de resultaten pas nadat de claims handmatig zijn gecontroleerd. Voeg bij iedere test screenshots, tijdsmetingen en de exacte gebruikte prompt toe. Daardoor wordt de test later reproduceerbaar.
De prompt bepaalt meer dan veel gebruikers denken
Perplexity kan een onduidelijke onderzoeksopdracht niet volledig zelf herstellen.
Vergelijk deze twee opdrachten:
Zwakke prompt
Doe onderzoek naar de Europese markt voor AI-tools.
Sterkere prompt
Analyseer de Europese markt voor generatieve AI-tools tussen januari 2025 en augustus 2026. Gebruik waar mogelijk primaire bronnen, Europese overheidsinformatie en openbare bedrijfsrapporten. Maak onderscheid tussen feiten, ramingen en verwachtingen. Benoem tegenstrijdige cijfers en leg uit waardoor de verschillen ontstaan. Sluit af met vijf onzekerheden die nader gecontroleerd moeten worden.
De tweede prompt geeft grenzen aan. Daardoor weet de tool welke periode, regio, bronnen en onzekerheden belangrijk zijn.
Heb je Perplexity nog niet vaak gebruikt? In onze handleiding lees je hoe je Perplexity gebruikt voor betere antwoorden. Dat artikel helpt je eerst met de basis, voordat je grotere onderzoeksopdrachten start.
Een praktisch stappenplan
Volg bij belangrijk onderzoek deze route:
- Formuleer één duidelijke hoofdvraag.
- Geef de periode en geografische afbakening aan.
- Geef aan welke soorten bronnen voorrang krijgen.
- Vraag expliciet naar tegenstrijdig bewijs.
- Laat feiten en aannames apart weergeven.
- Controleer minimaal de belangrijkste vijf claims.
- Zoek daarna handmatig naar bronnen die mogelijk ontbreken.
- Gebruik het rapport als startpunt voor je eigen conclusie.
Hier zit de echte tijdwinst. Niet in het blind overnemen van een rapport, maar in het sneller bereiken van een goede eerste onderzoeksbasis.
Wanneer is Perplexity Deep Research een slechte keuze?
Gebruik Deep Research liever niet voor één enkel feit. Een gewone zoekopdracht is dan sneller en beter controleerbaar.
Wees ook terughoudend bij:
- medische conclusies over een persoonlijke situatie;
- juridisch advies zonder controle door een specialist;
- financiële beslissingen met grote gevolgen;
- officiële beleidsinterpretaties;
- systematische literatuurreviews;
- onderzoek dat volledig reproduceerbaar moet zijn;
- conclusies waarbij uitsluitend primaire bronnen zijn toegestaan.
In de medische wetenschap worden Deep Research-agents vooral gezien als hulpmiddelen voor het verzamelen en ordenen van informatie. Problemen met brongetrouwheid, ondoorzichtige selectie en automatiseringsbias blijven bestaan.
De juiste rol is daarom: onderzoeksassistent, niet eindverantwoordelijke onderzoeker.
Perplexity Deep Research versus menselijk onderzoek
De vergelijking tussen mens en AI wordt vaak te simpel gemaakt. AI is snel en de mens is zorgvuldig. In werkelijkheid heeft iedere werkwijze een ander voordeel.
| Onderzoeksfase | Perplexity | Mens |
|---|---|---|
| Eerste verkenning | Zeer snel | Relatief langzaam |
| Veel bronnen verzamelen | Sterk | Kost veel tijd |
| Informatie ordenen | Sterk | Sterk |
| Verborgen bronbias herkennen | Beperkt | Sterker met ervaring |
| Vakinhoudelijke betekenis beoordelen | Wisselend | Essentieel |
| Belangen van bronnen doorzien | Beperkt | Sterker |
| Eindverantwoordelijkheid nemen | Niet mogelijk | Noodzakelijk |
Een marktanalist kan bijvoorbeeld in enkele minuten een bruikbaar overzicht laten maken. Toch moet die persoon nog herkennen dat een marktcijfer afkomstig is van een bedrijf dat zelf belang heeft bij een hoge groeiverwachting.
Daar verdwijnt menselijke expertise dus niet. Ze verschuift. Minder tijd gaat naar losse pagina’s verzamelen. Meer tijd gaat naar beoordelen, vergelijken en interpreteren.
Is Perplexity Deep Research beter dan ChatGPT of Gemini?
De beschikbare vergelijkingen wijzen niet op één winnaar voor iedere situatie.
Perplexity wordt vaak positief beoordeeld op snelheid, compacte rapporten en direct controleerbare bronverwijzingen. ChatGPT levert volgens meerdere praktijktests doorgaans langere en diepere analyses. Gemini heeft vooral voordeel wanneer onderzoek samenhangt met Google-diensten en eigen documenten.
Welke tool het beste past, hangt daarom af van je doel:
- Perplexity: snel overzicht en bronnen direct nalopen.
- ChatGPT: langere analyse en uitgebreidere redeneerlijnen.
- Gemini: onderzoek combineren met Google-documenten en diensten.
- Menselijke onderzoeker: bewijs wegen en verantwoordelijkheid nemen.
Wil je verschillende onderliggende modellen binnen Perplexity leren kiezen? Lees dan onze vergelijking van Perplexity-modellen zoals Claude, Grok en Kimi. Zo voorkom je dat je alleen naar de functie kijkt, terwijl het gekozen model ook invloed kan hebben op de uitwerking.
Kan Perplexity Deep Research helpen bij SEO?
Voor marketeers is Deep Research vooral bruikbaar vóórdat het schrijven begint.
Je kunt de tool laten zoeken naar:
- terugkerende vragen van doelgroepen;
- tegengestelde meningen binnen een onderwerp;
- relevante experts en organisaties;
- primaire cijfers en rapporten;
- onderwerpen die concurrenten oppervlakkig behandelen;
- ontbrekende Nederlandse invalshoeken;
- begrippen die vaak verkeerd worden uitgelegd.
Toch is Deep Research geen vervanging voor zoekwoorddata, Search Console of eigen klantkennis. De tool kan thema’s en verbanden vinden, maar toont niet automatisch welke onderwerpen daadwerkelijk zoekverkeer opleveren.
Bij WegwijsAI zien we de grootste waarde daarom in de combinatie: gebruik Deep Research om de inhoudelijke kaart te maken, gebruik zoekdata om prioriteiten te bepalen en voeg eigen tests toe om iets te publiceren dat niet eenvoudig gekopieerd kan worden.
Conclusie: hoe goed is Perplexity Deep Research?
Perplexity Deep Research is vooral goed in het versnellen van de eerste 70 tot 80 procent van het onderzoekswerk. Het verzamelt informatie, ordent bronnen en maakt snel zichtbaar welke lijnen binnen een onderwerp bestaan.
De laatste stap blijft echter menselijk. Je moet bepalen of bronnen werkelijk gezaghebbend zijn, welke informatie ontbreekt en of een conclusie niet sterker klinkt dan het bewijs toelaat.
De belangrijkste vaardigheid van de komende jaren wordt daardoor misschien niet sneller zoeken. Het wordt beter leren controleren wat een onderzoekssysteem namens jou heeft gevonden.
Wil je Perplexity rustig en praktisch leren gebruiken? Begin dan met één afgebakende onderzoeksvraag en controleer eerst de vijf belangrijkste bronverwijzingen.
Dit artikel is geschreven en gecontroleerd door Maarten en Sanne van WegwijsAI.
FAQ
Is Perplexity Deep Research betrouwbaar?
Perplexity Deep Research is betrouwbaar genoeg voor een eerste verkenning, het verzamelen van bronnen en het structureren van een onderwerp. Belangrijke feiten en conclusies moet je wel handmatig controleren. Een bronverwijzing betekent namelijk niet automatisch dat de bron de volledige bewering ondersteunt.
Wat is het verschil tussen Perplexity Deep Research en gewoon zoeken?
Bij gewoon zoeken kies je zelf welke resultaten je opent en vergelijkt. Deep Research neemt dit proces gedeeltelijk over. De tool maakt deelvragen, voert meerdere zoekopdrachten uit, leest bronnen en schrijft daarna één samenhangend rapport met verwijzingen.
Kan ik Perplexity Deep Research gebruiken voor mijn werk?
Ja, bijvoorbeeld voor marktverkenningen, concurrentieonderzoek, beleidsanalyses en het voorbereiden van rapporten. Deel geen vertrouwelijke gegevens zonder eerst de privacyregels van je organisatie te controleren. Gebruik de uitkomst als onderzoeksbasis en niet als ongecontroleerd eindadvies.
Is Perplexity Deep Research geschikt voor wetenschappelijk onderzoek?
De functie kan helpen bij de verkenning van een onderwerp en het vinden van mogelijke bronnen. Voor een systematische literatuurreview of officiële publicatie is alleen een AI-rapport onvoldoende. Je moet databases, zoektermen, selectiecriteria en uitgesloten publicaties zelf documenteren.
Over de auteur
