Caso pratico: funzione Deep Research
Come un team di ricerca ha completato un report di settore in ore con Deep Research.
Un team di ricerca di mercato in quattro aveva un giorno lavorativo per consegnare un briefing competitivo. Hanno importato 12 Sources chiave in NotebookLM e usato Deep Research per colmare lacune prima dell'export PDF Studio.
Vincolo: ogni bullet nel deck finale doveva essere tracciabile — requisito che il modello di citazione di NotebookLM soddisfa nativamente.
Timeline (esecuzione reale)
| Ora | Azione | Note |
|---|---|---|
| 0:00 | Carica 8 PDF + 4 URL | Deck investitori, estratti 10-K, trascrizioni earnings |
| 0:20 | Chat: domande di scope | Dimensione mercato, spostamenti quota, rischi regolatori |
| 0:45 | Pass Deep Research | Aggiunte 6 Sources web raccomandate da NotebookLM |
| 1:30 | Studio Briefing Doc | Executive summary + SWOT con citazioni |
| 2:00 | Export PDF + revisione | PM ha verificato ogni citazione in meno di 30 min |
Prima vs dopo
| Metrica | Processo manuale | NotebookLM Deep Research |
|---|---|---|
| Tempo reale | 2–3 giorni | ~2 ore lavoro attivo |
| Bullet citabili | Note a piè di pagina manuali | Sources collegate automaticamente |
| Rilevamento lacune | Memoria analista | Suggerimenti Deep Research |
| Formato stakeholder | Ricostruire in slide | Export Studio + edit leggere |
Lezioni apprese
- Inizia con una domanda di ricerca ristretta — prompt ampi gonfiano il runtime Deep Research
- Preferisci PDF strutturati allo HTML scrapato quando conta la precisione
- Secondo passaggio Chat: «cosa contraddice la nostra tesi?» prima dell'export
- Tieni una nota «qualità fonte»: segnala presto item paywall o obsoleti
Citazione team: «Deep Research non ha sostituito il nostro giudizio — ha sostituito il noioso passo di assemblaggio così potevamo dedicare tempo all'interpretazione.»