Praxisfall: Deep-Research-Funktion
Wie ein Rechercheteam mit Deep Research einen Branchenbericht in Stunden fertigstellte.
Ein vierköpfiges Marktforschungsteam hatte einen Werktag für ein Wettbewerbs-Briefing. Sie importierten 12 Kern-Sources in NotebookLM und nutzten Deep Research zur Lückenfüllung vor dem Studio-PDF-Export.
Randbedingung: Jede Bullet im finalen Deck musste nachverfolgbar sein — eine Anforderung, die NotebookLMs Zitationsmodell nativ erfüllt.
Zeitplan (tatsächlicher Lauf)
| Zeit | Aktion | Notizen |
|---|---|---|
| 0:00 | 8 PDFs + 4 URLs hochladen | Investor-Decks, 10-K-Auszüge, Earnings-Call-Transkripte |
| 0:20 | Chat: Scope-Fragen | Marktgröße, Marktanteilsverschiebungen, Regulierungsrisiken |
| 0:45 | Deep Research-Durchlauf | 6 von NotebookLM empfohlene Web-Sources ergänzt |
| 1:30 | Studio Briefing Doc | Executive Summary + SWOT mit Zitaten |
| 2:00 | PDF-Export + Review | PM prüfte jede Zitation in unter 30 Min |
Vorher vs nachher
| Metrik | Manueller Prozess | NotebookLM Deep Research |
|---|---|---|
| Wandzeit | 2–3 Tage | ~2 Stunden aktive Arbeit |
| Zitierbare Bullets | Manuelle Fußnoten | Auto-verlinkte Sources |
| Lückenerkennung | Analystengedächtnis | Deep Research-Vorschläge |
| Stakeholder-Format | In Slides neu bauen | Studio-Export + leichte Edits |
Erkenntnisse
- Mit einer engen Forschungsfrage starten — breite Prompts blähen die Deep Research-Laufzeit auf
- Strukturierte PDFs statt gescraptem HTML bevorzugen, wenn Genauigkeit zählt
- Zweiten Chat-Durchlauf: „Was widerspricht unserer These?“ vor Export
- „Quellenqualität“-Notiz führen: Paywall- oder veraltete Items früh markieren
Team-Zitat: „Deep Research hat unser Urteil nicht ersetzt — es hat den langweiligen Assembly-Schritt ersetzt, damit wir Zeit für Interpretation hatten.“