Przypadek praktyczny: funkcja Deep Research
Jak zespół badawczy ukończył raport branżowy w godzinach dzięki Deep Research.
Czteroosobowy zespół badań rynku miał jeden dzień roboczy na briefing konkurencyjny. Zaimportowali 12 kluczowych Sources do NotebookLM i użyli Deep Research do wypełnienia luk przed eksportem Studio PDF.
Ograniczenie: każdy punkt w finalnym decku musiał być śledzalny — wymóg, który model cytowań NotebookLM spełnia natywnie.
Oś czasu (rzeczywiste uruchomienie)
| Czas | Akcja | Notatki |
|---|---|---|
| 0:00 | Upload 8 PDF + 4 URL | Decki inwestorów, fragmenty 10-K, transkrypty wyników |
| 0:20 | Chat: pytania scope | Wielkość rynku, zmiany udziałów, ryzyka regulacyjne |
| 0:45 | Przebieg Deep Research | Dodano 6 web Sources rekomendowanych przez NotebookLM |
| 1:30 | Studio Briefing Doc | Executive summary + SWOT z cytatami |
| 2:00 | Eksport PDF + review | PM zweryfikował każdą cytację w mniej niż 30 min |
Przed vs po
| Metryka | Proces ręczny | NotebookLM Deep Research |
|---|---|---|
| Czas rzeczywisty | 2–3 dni | ~2 godziny aktywnej pracy |
| Cytowalne punkty | Ręczne przypisy | Auto-połączone Sources |
| Wykrywanie luk | Pamięć analityka | Sugestie Deep Research |
| Format stakeholderów | Przebudowa w slajdach | Eksport Studio + lekkie edycje |
Wnioski
- Zacznij od wąskiego pytania badawczego — szerokie prompty pompują czas Deep Research
- Preferuj strukturyzowane PDF zamiast scraped HTML gdy liczy się dokładność
- Drugi przebieg Chat: „co zaprzecza naszej tezie?” przed eksportem
- Prowadź notatkę „jakość źródła”: wcześnie oznaczaj paywall lub przestarzałe pozycje
Cytat zespołu: „Deep Research nie zastąpił naszego osądu — zastąpił nudny etap składania, byśmy mogli poświęcić czas na interpretację.”