Caso práctico: función Deep Research
Cómo un equipo de investigación completó un informe sectorial en horas con Deep Research.
Un equipo de investigación de mercado de cuatro personas tenía un día laborable para entregar un briefing competitivo. Importaron 12 Sources clave a NotebookLM y usaron Deep Research para cubrir huecos antes de exportar un PDF Studio.
Restricción: cada viñeta del deck final debía ser trazable — un requisito que el modelo de citas de NotebookLM cumple de forma nativa.
Cronología (ejecución real)
| Hora | Acción | Notas |
|---|---|---|
| 0:00 | Subir 8 PDF + 4 URL | Decks de inversores, extractos 10-K, transcripciones de resultados |
| 0:20 | Chat: preguntas de alcance | Tamaño de mercado, cambios de cuota, riesgos regulatorios |
| 0:45 | Pase Deep Research | Añadidas 6 Sources web recomendadas por NotebookLM |
| 1:30 | Studio Briefing Doc | Resumen ejecutivo + SWOT con citas |
| 2:00 | Exportación PDF + revisión | PM verificó cada cita en menos de 30 min |
Antes vs después
| Métrica | Proceso manual | NotebookLM Deep Research |
|---|---|---|
| Tiempo real | 2–3 días | ~2 horas de trabajo activo |
| Viñetas citables | Notas al pie manuales | Sources enlazadas automáticamente |
| Detección de huecos | Memoria del analista | Sugerencias Deep Research |
| Formato para stakeholders | Reconstruir en diapositivas | Exportación Studio + edición ligera |
Lecciones aprendidas
- Empieza con una pregunta de investigación estrecha — prompts amplios inflan el tiempo de Deep Research
- Prefiere PDF estructurados frente a HTML raspado cuando importa la precisión
- Haz un segundo pase Chat preguntando «¿qué contradice nuestra tesis?» antes de exportar
- Mantén una nota de «calidad de fuente»: marca pronto ítems de pago o desactualizados
Cita del equipo: «Deep Research no reemplazó nuestro juicio — reemplazó el aburrido paso de ensamblaje para que pudiéramos dedicar tiempo a la interpretación.»