科技分析師 Benedict Evans 在其個人博客發表文章，對 OpenAI 的 Deep Research 等 AI 搜索工具的能力邊界提出質疑。他在 2025 年 2 月 17 日的文章《The Deep Research problem》中寫道，OpenAI 的 Deep Research「是為我打造的，但我用不了它」——它又是一個「令人驚嘆的演示，直到它崩潰」，但崩潰的方式「非常有趣」。

在 2025 年 11 月 23 日發表的後續文章《AI, networks and Mechanical Turks》中，Evans 進一步提出兩個核心問題：LLM 究竟能在多大程度上讓搜索和推薦系統的質量實現階躍式提升？它們能否讓企業無需擁有龐大的自有用戶基礎，就能構建出這樣的系統？

核心質疑：演示驚艷，實用存疑

Evans 對 Deep Research 的評價集中在其演示效果與實際可用性之間的落差。他並未否認該產品的技術亮點，而是強調它在真實使用場景中會「崩潰」，且這種崩潰本身具有研究價值。

OpenAI’s Deep Research is built for me, and I can’t use it. It’s another amazing demo, until it breaks. But it breaks in really interesting ways.

這段表述被 Evans 用作文章的摘要，也概括了他對當前 AI 搜索工具的基本判斷：演示階段的驚艷表現，並不等同於穩定可靠的產品能力。

延伸追問：LLM 能否重構搜索與推薦

在後續文章中，Evans 將討論從單一產品擴展到整個搜索與推薦系統領域。他提出的問題包括：LLM 帶來的改進是漸進式的，還是真正的階躍式提升？以及，LLM 是否改變了構建搜索與推薦系統的門檻——尤其是對缺乏龐大用戶基礎的新進入者而言。

這兩個問題指向當前 AI 產品落地的核心爭議：技術能力提升能否直接轉化為產品優勢，以及數據與用戶規模在 AI 時代是否仍是不可逾越的壁壘。Evans 並未在摘要中給出明確結論，而是以提問方式呈現其思考框架。

後續關注點

  • OpenAI Deep Research 在實際使用中的具體崩潰場景與原因，Evans 稱其「非常有趣」，但摘要未展開細節。
  • LLM 對搜索與推薦系統質量的提升幅度，是否構成階躍式變化。
  • 在沒有龐大用戶基礎的情況下，能否借助 LLM 構建具有競爭力的搜索與推薦產品。

上述問題目前均以 Evans 的公開提問形式呈現，其博客正文可能包含更詳細的論證，但現有素材僅提供摘要與核心引語。對於關注 AI 工具真實能力邊界的讀者而言，Evans 的質疑提供了一個從演示效果轉向實用評估的觀察視角。