ChatGPT Deep Research agora puxa dados de mais de 60 aplicativos
Eu estava no meio de uma análise de mercado imobiliário para um cliente no mês passado — daquelas que normalmente me leva dois dias inteiros puxando dados do Zillow, cruzando com números do Escritório do Censo, e formatando tudo em um relatório que não pareça ter sido montado às 3 da manhã. Minha planilha tinha dezessete abas. Dezessete. E eu tinha completado apenas 40%.
Então um amigo me mandou mensagem no Slack: "Você viu a nova atualização do Deep Research?"
Eu não tinha visto. Mas em 43 minutos testando, aquela mesma análise — na qual eu tinha passado um dia inteiro — estava na minha frente como um relatório completo, com citações, gráficos, resumos executivos e dados que eu nem tinha pensado em incluir. Fechei minha planilha de dezessete abas e não a abri desde então.
Aqui está o que aconteceu, e por que eu acho que essa única atualização muda a forma como profissionais técnicos lidam com pesquisa daqui para frente.
O antigo Deep Research já era impressionante — Então o que mudou?
Se você já usou o Deep Research do ChatGPT antes, sabe que ele já estava um passo à frente da busca web normal. Ele podia aprofundar em temas, sintetizar informações de múltiplas fontes e produzir relatórios estruturados. Um trabalho sólido. Eu o usava regularmente para análise competitiva e comparações de tecnologia.
Mas tinha um teto. Tudo que ele puxava vinha da web aberta. Artigos públicos, documentação, fóruns. Isso é útil, mas não é onde vivem os dados realmente valiosos.
Os dados valiosos vivem dentro dos seus aplicativos. Seu painel do Stripe. Suas buscas salvas no Zillow. Seu histórico de reservas no Expedia. Seu CRM do HubSpot. Seu Google Drive. Suas análises do Amplitude. Seus repositórios do GitHub.
Esta atualização conecta o Deep Research diretamente a essas fontes de dados — mais de 60 delas.
Isso não é uma melhoria incremental. É um tipo fundamentalmente diferente de ferramenta de pesquisa. E eu passei as últimas duas semanas testando em projetos reais para descobrir exatamente onde ela brilha e onde ainda fica aquém. Vou falar de ambos — mas a parte do "brilha" vai levar um tempo, porque há muito a cobrir.
Como a nova interface realmente funciona
A atualização do Deep Research está no mesmo lugar que você esperaria — acessível pelo menu lateral esquerdo no ChatGPT. Você vai notá-la ao lado de Pulse e Images, mas o painel do Deep Research foi completamente reformulado.
A primeira coisa que chamou minha atenção foi o painel de conexão de aplicativos. Antes mesmo de digitar sua consulta de pesquisa, você pode escolher quais fontes de dados incluir. A lista é genuinamente enorme:
Comunicação e Produtividade: Slack, Gmail, Google Drive, Microsoft Teams, Notion, Asana E-Commerce e Finanças: Stripe, Shopify, QuickBooks, PayPal Viagens e Imobiliário: Expedia, Zillow, Booking.com, Airbnb Análise e Marketing: Amplitude, HubSpot, Google Analytics, Conductor, Semrush Desenvolvimento: GitHub, GitLab, Jira, Linear Dados e Mercados: Bloomberg API, Yahoo Finance, Alpha Vantage
E essa não é a lista completa. Contei 63 integrações quando as revisei todas, e a OpenAI parece estar adicionando novas regularmente.
Aqui está a parte que realmente importa — você não está apenas conectando esses aplicativos e esperando pelo melhor. Você tem controle granular sobre o que a pesquisa puxa. Quer que ela olhe apenas sites específicos? Você pode colocá-los numa lista de permissão. Quer excluir certas fontes? Coloque na lista de bloqueio. Você pode salvar essas configurações, copiá-las, limpá-las e reutilizá-las em diferentes sessões de pesquisa.
Configurei um perfil de "análise competitiva tech" que puxa do GitHub, Hacker News, sites de documentação específicos e meus bancos de dados salvos no Notion. Quando preciso, é um clique. Sem reconfigurar toda vez.
Só isso me poupa vinte minutos por sessão de pesquisa. Mas a verdadeira mágica acontece quando a pesquisa começa a rodar.
O processo de pesquisa parece desconfortavelmente humano
Digo "desconfortavelmente" porque assistir o Deep Research trabalhar em uma consulta complexa é como observar um assistente de pesquisa habilidoso pensando em voz alta. Ele não apenas busca e resume. Passa por fases distintas:
Coleta de Dados — Identifica quais informações precisa e começa a puxar das suas fontes conectadas e da web simultaneamente.
Extração — Isola as peças relevantes de tudo que encontrou. Não é apenas correspondência de palavras-chave — é extração contextual real.
Comparação — Cruza pontos de dados de diferentes fontes, procurando padrões, contradições e lacunas.
Síntese — Constrói uma narrativa coerente a partir dos dados comparados, organizando por relevância em vez de por fonte.
Geração de Relatório — Formata tudo em um relatório estruturado com citações, visualizações e conclusões acionáveis.
Você pode assistir cada fase acontecer em tempo real. E aqui está a parte que me surpreendeu — você pode intervir a qualquer momento.
No meio da pesquisa, percebi que minha consulta sobre preços de viagens estava focando demais em voos domésticos quando eu na verdade precisava de dados de comparação internacional. Na versão antiga, teria que recomeçar do zero. Com esta atualização, pausei a pesquisa, adicionei uma nota esclarecedora ("Incluir Londres, Tóquio e Dubai como destinos de comparação"), e ela retomou de onde parou com o escopo ajustado.
Pausar. Atualizar. Redirecionar. Retomar. Esse é o fluxo de trabalho, e ele muda tudo sobre como você interage com pesquisa automatizada.
Uma das minhas execuções de teste realizou 418 buscas individuais, citou 27 fontes e foi concluída em 24 minutos. Não é erro de digitação. Quatrocentas e dezoito buscas, sintetizadas em um relatório coerente. Manualmente? Isso teria me levado três ou quatro dias. Talvez uma semana se eu quisesse ser minucioso.
O teste com Expedia: Preços de viagens que realmente fazem sentido
Eu queria testar a integração de aplicativos sob pressão, então comecei com algo prático — uma análise de preços de viagens que qualquer pessoa planejando uma viagem acharia útil.
Minha consulta: "Analise as flutuações de preços de voos e hotéis ao longo de 2026 para viagens de Nova York para a Flórida. Mostre-me os meses mais baratos, os períodos mais caros e os pontos ideais onde a relação preço-clima é ótima."
Conectei o Expedia como fonte de dados, coloquei na lista de permissão alguns sites de comparação de viagens e deixei rodar.
O que voltou não foi o que eu esperava.
O relatório não apenas me mostrou gráficos de preços. Ele gerou um resumo executivo, desdobramentos de tendências sazonais, análise de variação entre picos e vales (voos de JFK para Miami variam até 340% entre as janelas de reserva mais baratas e mais caras — eu verifiquei manualmente), tabelas comparativas para diferentes destinos na Flórida, e uma seção sobre estratégias de momento de reserva baseadas em padrões de dados históricos.
Aquela única execução: 125 buscas, 7 citações de dados reais de preços do Expedia, gerada em 43 minutos. O resultado foi um relatório completo que eu poderia ter entregue a um cliente ou usado para meu próprio planejamento de viagem sem nenhuma edição.
Mas aqui está o que quero que você note — ele puxou dados reais do Expedia. Não dados web armazenados sobre o Expedia. Não artigos sobre preços de voos. Dados reais de preços específicos por rota e data da própria plataforma. Essa é a diferença entre ler sobre preços de viagens e ver seus próprios preços de viagens analisados.
Tenho construído fluxos de trabalho de automação com IA há um bom tempo, e esse nível de acesso nativo a dados de dentro de uma IA conversacional é algo que genuinamente não esperava ver tão cedo.
O teste com Zillow: Pesquisa imobiliária que costumava levar semanas
O segundo teste foi mais perto de casa — literalmente. Um amigo estava procurando propriedade em Montana e pediu minha ajuda para reduzir as opções de áreas. Normalmente, eu passaria um fim de semana no Zillow filtrando e comparando manualmente. Desta vez, usei o Deep Research com o Zillow conectado.
Minha consulta: "Encontre cidades em Montana com casas com preços entre $500K e $1 milhão, com mais de 3.000 pés quadrados e com mais de 5 acres de terreno. Classifique-as por valor, qualidade da comunidade e proximidade a recreação ao ar livre."
A pesquisa levou cerca de 50 minutos. Mais do que meu teste com o Expedia, mas o escopo era significativamente mais amplo.
O que recebi de volta foi notável. Rankings cidade por cidade com justificativas. Seções de metodologia de fontes de dados explicando como ponderou diferentes fatores. Listagens de exemplo extraídas diretamente do inventário atual do Zillow — não dados obsoletos de páginas web em cache, mas propriedades realmente no mercado. Análise de tendências de preços mostrando quais áreas tiveram reduções recentes. Perfis comunitários com classificações de escolas, dados populacionais e proximidade a parques nacionais.
Meu amigo usou este relatório para reduzir sua busca de "algum lugar em Montana" para três cidades específicas em menos de uma hora. Ele vai visitar duas delas no próximo mês.
Quero ser honesto sobre algo aqui — verifiquei várias das listagens referenciadas, e todas eram listagens legítimas e ativas do Zillow no momento da pesquisa. Mas notei que uma propriedade tinha entrado em contrato entre quando o Deep Research puxou os dados e quando eu verifiquei, o que é um atraso razoável dado o processo. O ponto é: os dados são atuais, mas o mercado imobiliário se move rápido. Não faça ofertas baseado apenas em pesquisa de IA.
O que a maioria das pessoas vai deixar passar sobre esta atualização
Aqui quero mudar de assunto, porque os casos de uso óbvios — viagens, imobiliário, pesquisa de mercado — são apenas a superfície.
O verdadeiro poder está em combinar múltiplas integrações de aplicativos em uma única sessão de pesquisa. Deixe-me dar um cenário.
Imagine que você dirige uma empresa SaaS. Você conecta Stripe (dados de receita), Amplitude (análise de comportamento do usuário), HubSpot (dados de relacionamento com clientes), GitHub (velocidade de desenvolvimento de produto) e Google Analytics (padrões de tráfego). Agora você pergunta ao Deep Research: "Analise a correlação entre nossa cadência de lançamento de funcionalidades nos últimos seis meses e as taxas de retenção de clientes, desdobrado por canal de aquisição."
Essa é uma pergunta que normalmente exigiria um analista de dados, acesso a múltiplos painéis e provavelmente uma semana de trabalho. Com as integrações certas conectadas, o Deep Research pode puxar de todas essas fontes simultaneamente e sintetizar um relatório que identifica padrões que um humano poderia perder completamente.
Não testei este cenário exato (não tenho um SaaS com todas essas ferramentas conectadas), mas conversei com dois fundadores que testaram, e ambos descreveram os resultados como "perturbadores" — não porque os dados eram ruins, mas porque revelaram insights que eles genuinamente não tinham considerado apesar de terem acesso aos mesmos dados por meses.
Essa é a verdadeira história aqui. Não é que a IA consegue buscar melhor na web. É que a IA agora consegue conectar pontos entre seus próprios silos de dados de formas que a maioria das equipes simplesmente não tem largura de banda para fazer manualmente.
A qualidade do resultado merece sua própria seção
Os relatórios que saem do Deep Research atualizado não são apenas paredes de texto. São estruturados, visuais e genuinamente úteis.
Citações em todo lugar. Cada afirmação tem link de volta para sua fonte. Você pode clicar e verificar qualquer coisa que pareça questionável. Aprecio isso porque constrói confiança — e porque já fui enganado por alucinações de IA vezes suficientes para nunca confiar em afirmações não verificadas.
Gráficos e diagramas reais. Não marcadores de posição ou arte ASCII. Visualizações de dados reais incorporadas no relatório. A análise de preços de viagens incluiu curvas de preços sazonais que eu pude capturar e colocar diretamente em uma apresentação.
Fluxogramas Mermaid. Para pesquisa orientada a processos, ele gera fluxogramas em formato Mermaid mostrando árvores de decisão, fluxos de trabalho e mapas de relacionamento. Se você é desenvolvedor, sabe o quão úteis são. Se não é — imagine um diagrama visual gerado automaticamente de como diferentes fatores se conectam entre si.
Resumos executivos. Cada relatório começa com um resumo conciso que lhe dá as descobertas principais em 2-3 parágrafos. Perfeito para compartilhar com pessoas que não vão ler o relatório completo (que, sendo honestos, são a maioria dos stakeholders).
Opções de exportação. Formatos Word e PDF são ambos suportados. A formatação se transfere de forma limpa — testei ambos. A exportação em PDF é particularmente polida, o que importa quando você está compartilhando relatórios externamente.
Algo que vou sinalizar: os relatórios tendem a ser minuciosos até a exaustão. Meu relatório de pesquisa do Zillow tinha cerca de 4.500 palavras. Isso é ótimo para análise abrangente, mas se você só quer uma resposta rápida, a busca antiga pode ainda ser mais rápida. Deep Research é uma ferramenta de potência, não uma consulta rápida.
O que levou mais tempo — E se isso importa
Preciso abordar o elefante na sala: o novo Deep Research leva mais tempo que a versão anterior. Meus testes variaram de 24 minutos para uma consulta focada a mais de 50 minutos para análise imobiliária ampla.
A versão anterior teria retornado algo em 5-10 minutos. Então estamos falando de um aumento de 3x a 5x no tempo de processamento.
Isso importa? Aqui vai minha opinião honesta.
Se você está fazendo buscas factuais rápidas — "Qual é a capital de Montana?" ou "Como configuro um proxy reverso nginx?" — não use Deep Research de jeito nenhum. Para isso existe o ChatGPT regular ou uma busca web.
Mas se você está fazendo pesquisa real — do tipo que levaria horas ou dias para fazer manualmente — esperar 30-45 minutos por um relatório completo, respaldado por citações e com dados reais de aplicativos não é um sacrifício. É um presente. Eu costumava passar dois dias em análise competitiva que agora me leva 40 minutos de espera passiva.
O insight chave: Deep Research roda em segundo plano. Lancei minha análise do Zillow, fui preparar o almoço, voltei, e o relatório estava me esperando. Você não precisa ficar sentado assistindo a barra de progresso. Inicie a pesquisa, faça outra coisa, volte ao trabalho concluído.
Essa é uma mudança de fluxo de trabalho que a maioria das pessoas não fará imediatamente. Somos treinados a esperar resultados instantâneos da IA. Deep Research pede que você seja paciente, e recompensa essa paciência com um resultado dramaticamente melhor.
Onde não funciona (Ainda)
Eu estaria te prejudicando se não falasse das lacunas, porque elas existem e vale a pena conhecê-las antes de reestruturar seu fluxo de pesquisa em torno desta ferramenta.
Limitações de conexão de aplicativos. Nem toda integração de aplicativo é igualmente profunda. Algumas dão ao Deep Research acesso completo aos dados; outras fornecem endpoints de API limitados. A integração do Stripe, por exemplo, é sólida para dados de receita e transações, mas não puxa metadados detalhados de clientes. A profundidade varia por integração, e não há documentação clara sobre qual nível de acesso cada uma fornece.
Limitação de taxa em algumas fontes. Durante meu teste com o Expedia, notei que a pesquisa pausou brevemente em um ponto — provavelmente atingindo limites de taxa da API. Ela se recuperou sozinha e continuou, mas para pesquisas sensíveis ao tempo, esteja ciente de que algumas fontes de dados podem introduzir gargalos.
Sem dados em tempo real. Apesar de puxar de aplicativos ativos, os dados têm um atraso. São atuais o suficiente para a maioria das análises (estamos falando de minutos a horas, não dias), mas se você precisa de preços de ações em tempo real ou contagens de inventário ao vivo, esta não é a ferramenta para esse trabalho.
Curva de aprendizado para configuração de escopo. As funcionalidades de lista de permissão e lista de bloqueio de sites são poderosas mas não imediatamente intuitivas. Passei cerca de 20 minutos descobrindo a configuração ideal para minha primeira sessão de pesquisa. Uma vez configurada, salvar configurações torna as sessões futuras fluidas. Mas essa fricção inicial de configuração é real.
Considerações de custo. Deep Research com integrações de aplicativos roda no nível premium do ChatGPT. Se você está no plano gratuito ou mesmo no plano pago básico, algumas dessas funcionalidades podem não estar disponíveis. Testei tudo no nível Plus. A proposta de valor é óbvia para profissionais que pesquisam regularmente, mas se você é um usuário casual, o cálculo custo-benefício muda.
Meu fluxo de trabalho agora vs. três semanas atrás
Quero pintar um quadro claro do antes e depois, porque descrições abstratas de funcionalidades só vão até certo ponto.
Antes da atualização:
- Identificar o que preciso pesquisar
- Abrir 5-8 abas do navegador (Zillow, painel do Stripe, Google Analytics, sites de concorrentes)
- Extrair manualmente dados de cada fonte
- Copiar e colar em uma planilha ou documento do Notion
- Cruzar referências e procurar padrões eu mesmo
- Escrever as descobertas em um relatório coerente
- Adicionar gráficos usando ferramentas externas
- Formatar e exportar
Tempo: 4-8 horas para uma análise moderadamente complexa
Depois da atualização:
- Conectar as integrações de aplicativos relevantes (configuração única)
- Escrever uma consulta de pesquisa detalhada
- Configurar o escopo (lista de permissão/bloqueio, perfis salvos)
- Iniciar a pesquisa e ir fazer outra coisa
- Revisar o relatório concluído
- Fazer edições menores se necessário
- Exportar
Tempo: 30-60 minutos de trabalho ativo, mais tempo de espera passivo
A diferença de qualidade não é sutil. Os relatórios gerados por IA incluem consistentemente pontos de dados e referências cruzadas que eu teria perdido fazendo o trabalho manualmente. Não porque sou descuidado — porque analisar simultaneamente dados de seis fontes diferentes é algo que a IA faz melhor que humanos. Essa é simplesmente a realidade.
Meu tempo ativo de pesquisa caiu aproximadamente 80%. A qualidade do resultado subiu. Ainda estou me ajustando à ideia de que posso confiar em um assistente de pesquisa de IA nesse grau, mas os resultados continuam validando a confiança.
Integrando pesquisa em fluxos de trabalho automatizados
Esta é a parte que mais me empolga como alguém que constrói sistemas de automação com IA — Deep Research com integrações de aplicativos é um candidato perfeito para automação de fluxos de trabalho.
Imagine uma execução de pesquisa automatizada semanal: toda segunda-feira de manhã, o Deep Research puxa seus dados de receita do Stripe, suas métricas de usuário do Amplitude e seu pipeline do HubSpot, depois gera um relatório de análise de tendências que chega na sua caixa de entrada antes da sua primeira reunião.
Ou um sistema de monitoramento imobiliário: pesquisa conectada ao Zillow rodando semanalmente contra seus critérios salvos, sinalizando novas listagens, quedas de preços e mudanças de mercado. Sem trabalho manual. Apenas relatórios aparecendo quando há algo que vale a pena saber.
Ainda não construí essas automações — o acesso por API para o Deep Research ainda é limitado — mas no momento em que a OpenAI abrir acesso programático a essas funcionalidades, vou construir imediatamente. A combinação de integração de aplicativos + pesquisa automatizada + execução agendada vai ser uma categoria de fluxo de trabalho que realmente não existe ainda.
Por enquanto, você pode aproximar isso executando sessões manuais de Deep Research em uma agenda regular. Não é automatizado, mas ainda é dramaticamente mais rápido do que fazer a pesquisa você mesmo.
Dica profissional: Salve suas configurações de escopo. Tenho cinco perfis salvos — "Análise Competitiva Tech," "Imobiliário Montana," "Planejamento de Viagens," "Revisão de Receita de Clientes," e "Tendências de Mercado." Cada um tem conexões de aplicativos e listas de permissão de sites pré-configuradas. Quando preciso rodar uma sessão de pesquisa, seleciono o perfil, digito minha consulta e pronto. Zero tempo de configuração após a configuração inicial.
A verdadeira pergunta que ninguém está fazendo
Todo mundo está focado no que o Deep Research pode fazer. A pergunta para a qual eu continuo voltando é diferente: o que acontece com o valor das habilidades humanas de pesquisa quando a IA pode fazer 80% do trabalho a 10% do custo?
Não acho que a resposta é "pesquisadores humanos se tornam obsoletos." Acho que é mais nuançado que isso. Deep Research é brilhante para coletar, sintetizar e apresentar dados. O que ele não pode fazer — ainda não — é fazer as perguntas certas em primeiro lugar.
Minha pesquisa do Zillow só foi útil porque eu soube perguntar sobre área do terreno em acres e proximidade a recreação ao ar livre, não apenas preço e metros quadrados. Minha análise do Expedia foi valiosa porque enquadrei a consulta em torno de relações preço-clima, que não é um ângulo óbvio.
A habilidade que importa agora não é coleta de dados. É design de perguntas. As pessoas que vão tirar mais proveito de ferramentas como esta são as que sabem o que perguntar — porque a IA vai cuidar de encontrar, comparar e relatar.
Essa é uma mudança que vale a pena prestar atenção, especialmente se você está no início da carreira e construindo habilidades de pesquisa. Não aprenda a coletar dados mais rápido. Aprenda a fazer perguntas melhores. As máquinas já dão conta da parte de coleta.
O que vem a seguir
Tenho acompanhado de perto o espaço de ferramentas de IA nos últimos dois anos, e o padrão é claro: primeiro vem a capacidade, depois a integração, depois a automação. Estamos solidamente na fase de integração com o Deep Research. As conexões de aplicativos estão ativas. Os fluxos de dados funcionam. Os relatórios são genuinamente úteis.
A fase de automação é a próxima, e acho que está vindo mais rápido do que a maioria espera. Quando o Deep Research obtiver acesso por API e puder ser acionado programaticamente — combinado com ferramentas como Zapier, Make ou scripts personalizados — estaremos olhando para um mundo onde pesquisa acontece continuamente em segundo plano, revelando insights sem que ninguém precise perguntar.
Para engenheiros e construtores de IA, este é o momento de começar a projetar fluxos de trabalho que se conectem a essas capacidades no segundo em que estiverem disponíveis. Não espere pelo anúncio. Tenha sua arquitetura de automação pronta.
Para todos os demais, comece a usar o Deep Research agora. Não para as coisas simples — para as difíceis. A análise de múltiplas fontes, as comparações entre plataformas, as perguntas que costumavam tomar seu fim de semana. Familiarize-se com a ferramenta, aprenda suas peculiaridades, construa seus perfis salvos.
Porque daqui a três meses, as pessoas que começaram a usar isso cedo terão uma capacidade de pesquisa que seus colegas ainda estarão tentando descobrir. E em um mundo onde melhor informação leva a melhores decisões, essa lacuna se acumula rapidamente.
A planilha de dezessete abas que mencionei no início? Eu a deletei. Não porque os dados eram ruins — mas porque percebi que estava fazendo pesquisa do jeito difícil por anos, e acabei de encontrar um jeito melhor. Meu único arrependimento são as horas que não posso recuperar.
Qual é a pergunta de pesquisa que você tem adiado porque parecia grande demais para enfrentar? Comece por aí. A ferramenta está pronta. As fontes de dados estão conectadas. A única coisa que falta é sua consulta.
🤝 Vamos trabalhar juntos
Procurando construir sistemas de IA, automatizar fluxos de trabalho ou escalar sua infraestrutura tecnológica? Adoraria ajudar.
- 🔗 Fiverr (desenvolvimentos e integrações personalizados): fiverr.com/s/EgxYmWD
- 🌐 Portfólio: mejba.me
- 🏢 Ramlit Limited (soluções empresariais): ramlit.com
- 🎨 ColorPark (design e marca): colorpark.io
- 🛡 xCyberSecurity (serviços de segurança): xcybersecurity.io
