这是一个 SasaDaily 假设商业案例。
一家 6 人管理顾问工作室，主要服务：
20～100 人左右的中小企业。
老板找上门时，真正问的通常不是：
「管理学理论是什么？」
而是：
「为什么主管一直带不动人？」
「员工为什么留不住？」
「会议开很多，事情还是没有往前？」
「到底该重新分工，还是该增加主管？」
顾问真正困难的地方，是每次都要同时处理两种完全不同的东西：
专业方法。
以及：
这个客户现在真正发生的事情。
Google 8 月 27 日推出 Expert Intelligence 后，符合资格而且已经从 Google Play Books 购买的电子书，可以直接加入 Gemini Notebook。
这家假设工作室因此决定测试一个新工作流程：
书负责提供原则。
客户数据负责提供现况。
AI 负责找两者之间的差距。
顾问负责最后判断。
以前准备一份客户诊断，要来回翻很多数据
假设客户正在处理：
主管不知道怎么给员工负面回馈。
工作室手上可能同时有：
第一次老板访谈。
主管访谈。
员工匿名回馈。
组织图。
会议纪录。
现有 SOP。
以及顾问以前读过的几本管理书。
真正花时间的，不一定是：
「不知道管理理论。」
而是：
记得这本书谈过，却找不到原文在哪里。
或者：
知道某个管理方法很好，
却忘了作者当初其实有一个重要前提。
最后顾问只能：
重新翻书。
找笔记。
搜索电子档。
再重新比对客户问题。
第一步：每个客户创建自己的 Notebook
这家假设工作室不创建一个：
「全公司所有书＋所有客户数据」
的大 Notebook。
而是每一个正式项目创建自己的 Notebook。
例如：
「A 公司主管回馈项目」。
里面再放：
客户访谈纪录。
匿名员工回馈。
公司现有流程。
会议笔记。
以及这次真正相关的专业书籍。
这样做的原因很简单：
Gemini Notebook 本来就是以一个 Notebook 作为特定项目的来源集合。
而且不同 Notebook 彼此独立。
所以项目数据不必全部搅在一起。
第二步：第一轮只勾管理书，不看客户数据
这一点是整个工作流程的核心。
假设这次要研究：
「主管应该怎么处理员工反复犯错？」
顾问先不要让 Gemini Notebook 看：
员工访谈。
老板意见。
自己的判断。
第一轮只选：
相关的管理书。
然后问：
「只根据目前选取的书籍回答。
作者对『员工反复出现同样问题』提出了哪些原则？
每一个重要结论都要能回到来源。
请把：
作者明确主张。
作者举的案例。
你根据不同章节做出的整理。
分开呈现。」
这不是 Google 官方指定 Prompt。
而是 SasaDaily 为这个假设案例设计的工作方法。
为什么要故意先把客户数据关掉？
因为如果一开始全部打开，
AI 很可能做出一份非常顺的答案。
例如：
「作者建议先了解员工出错原因，再增加回馈频率，接着重新设计工作责任。」
看起来很好。
但其中可能有：
作者原则。
顾问访谈内容。
客户原本已经决定的措施。
以及 AI 自己的归纳。
最后大家反而不知道：
哪一句到底是谁说的。
所以第一轮的任务只有一个：
先弄清楚：
专业来源真正提供了什么。
第三步：每个重要观点先看 Citation
Gemini Notebook 会用来源内容创建 Citation。
顾问看到：
「作者建议主管先确认问题原因。」
不直接拷贝进演示文稿。
先点引用。
回去看原文。
检查：
作者真的这样主张吗？
前后有没有条件？
这是一个普遍原则？
还是只是作者举的一家公司案例？
这一步很重要。
因为顾问真正卖给客户的不是：
AI 整理得很漂亮。
而是：
专业判断能不能站得住。
Citation 的价值也不是替顾问取消查证。
而是让查证更快。
第四步：第二轮才把客户数据打开
确认书中原则后，
现在才把：
客户访谈。
员工意见。
会议纪录。
流程文档。
一起选进来。
然后问：
「现在同时使用专业书籍与客户数据。
请分成四区：
- 专业来源明确提出的原则。
- 客户目前实际发生的情况。
- 两者吻合的地方。
- 两者不吻合或数据不足的地方。
不要把客户数据写成作者的观点。
不要直接决定公司应该裁员、调薪、换主管或改组织。」
最后这一句非常重要。
因为 AI 可以协助研究。
但像：
换主管。
调整薪酬。
裁员。
升迁。
更改职责。
这些都不是单纯整理信息。
而是真正会影响人的管理决策。
第五步：AI 只产生「诊断草稿」，不是客户答案
这家假设工作室把 AI 输出固定分成三层。
第一层：
来源能证明的事。
例如：
某管理原则在特定条件下适用。
第二层：
客户数据显示的事。
例如：
五次主管访谈里，有四次提到回馈标准不一致。
第三层：
仍然需要顾问判断的事。
例如：
这代表需要重新训练主管？
重新定义职责？
改变绩效制度？
还是其实只是两位主管的管理问题？
AI 可以协助提出可能性。
但不要让：
「AI 找到一个合理解释」
自动变成：
「这就是公司的真正问题。」
第六步：顾问才决定要跟客户说什么
最后真正交给客户的建议可能是：
先创建主管回馈标准。
先重新设计一对一会议。
先补做两组员工访谈。
暂时不要调整组织。
或是：
目前证据不足，先不要做重大人事决定。
这些都必须由顾问自己决定。
因为 AI 不知道：
哪一位主管正在离职。
公司现金还能撑多久。
老板真正愿意改多少。
团队政治关系。
劳动法规。
某一句匿名访谈背后是不是特殊个案。
所以最终工作流程不是：
书＋访谈 → AI → 客户答案。
而是：
专业来源 → 查证。
客户数据 → 比对。
AI → 找差距。
顾问 → 做判断。
这和一般直接问 ChatGPT 有什么差？
假设顾问直接问一般 AI：
「员工反复犯错应该怎么办？」
AI 很可能也能提出：
改善回馈。
增加训练。
明确责任。
检查流程。
答案可能完全合理。
但管理顾问还需要回答另一个问题：
「你这个建议根据什么？」
Expert Intelligence 的价值，就是当顾问真的拥有符合资格的专业书籍时，
可以把那本书直接变成 Notebook Source。
然后回到：
作者原始内容。
引用。
以及自己的客户数据。
这比：
「我记得某本书好像这样说。」
可靠很多。
可以把好几本管理书一起比较吗？
可以。
Google 的 Expert Intelligence 上线时已支持超过 10 万本符合资格的书籍，来自多家大型出版商。
Gemini Notebook 本身也可以放进多个 Sources。
所以顾问可以创建一个项目 Notebook，
放：
两本领导管理书。
一本组织设计书。
客户访谈。
内部文档。
然后比较：
不同作者面对同一问题的观点有没有冲突。
但来源愈多，
愈不能只看最后摘要。
因为 AI 可能从三本书各拿一部分，
最后组成一个：
三位作者其实都没有完整说过的第四套方法。
所以真正专业的做法仍然是：
Citation 回原文。
那团队买一本书，就能六个人一起用吗？
这里有一个非常重要的商业限制。
Expert Intelligence 并不是：
「公司里有一个人买书，整间公司就自动取得 AI 使用权。」
Google 目前替 Play Books 书籍设计了权利控制。
如果 Notebook 被分享给其他人，
其他协作者要进一步访问或使用相关电子书内容，
可能也需要拥有自己的合法副本。
没有相应使用权，
该书 Source 会受到限制。
所以公司正式创建工作流程前，要先确认：
哪些成员真的需要操作书籍 Source？
是不是每一个人都需要？
还是由一位研究顾问完成来源研究，
再把经过整理、可以合法分享的内部研究成果交给团队？
AI 很方便，不代表内容授权自动消失。
这个案例可能省多少时间？
以下全部都是：
SasaDaily 假设数字。
不是 Google 官方成效。
也不是任何真实管理顾问公司的实测结果。
假设这家工作室每周需要准备：
10 份客户研究与会议演示文稿。
以前每一份需要大约：
40 分钟。
其中包含：
翻书。
找旧笔记。
确认作者观点。
整理客户访谈。
创建初步对照。
每周就是：
400 分钟。
如果使用 Gemini Notebook 后，
先由 AI 找出可能相关来源，
顾问再逐项检查 Citation、比对客户数据，
假设平均降到：
22 分钟。
10 份就是：
220 分钟。
每周少掉：
180 分钟。
也就是：
约 3 小时。
如果内部顾问时间用每小时新台币 1,800 元作为假设成本，
每周相当于：
约新台币 5,400 元。
四周约：
新台币 21,600 元。
再次强调：
这些都是 SasaDaily 假设数字。
实际时间会受到：
书籍是否符合资格。
来源数量。
文档长度。
顾问熟悉程度。
案件复杂度。
以及需要查证多少内容影响。
真正的 ROI 可能不是少掉三小时
对专业服务公司而言，
更大的价值可能不是：
「少翻几次书。」
而是降低另一种成本：
顾问把记忆当成来源。
专业工作做久后，
很容易出现：
「我以前读过。」
「某位作者应该有讲。」
「管理学通常就是这样。」
但真正面对客户时，
「应该有」
和：
「我现在可以直接回到来源确认」
是完全不同的专业品质。
所以这套流程真正可能提升的是：
可追溯性。
研究速度。
内部品质控制。
以及顾问知道：
自己现在是在引用来源，还是在做专业判断。
哪些工作不能直接交给 Gemini Notebook？
即使来源都是真的，
也不代表 AI 可以直接替公司决定：
谁该被解雇。
谁该升职。
薪水应该调多少。
哪个主管有问题。
该不该组织重整。
是否涉及歧视。
劳动法律责任。
这些都可能牵涉：
人的权利。
法律。
伦理。
公司文化。
以及 AI 根本看不到的情境。
所以比较成熟的做法不是：
让 AI 变成顾问。
而是：
让 AI 帮顾问更快找到证据。
这个案例最值得小公司学的是什么？
不一定要是管理顾问公司。
如果你做的是：
企业培训。
行销顾问。
设计顾问。
财务规划。
研究服务。
内容策略。
教育。
任何必须同时处理：
专业知识＋客户真实数据
的工作，
都可以先把两件事拆开。
第一轮问：
专业来源到底说了什么？
第二轮才问：
它和我的客户有什么关系？
最后第三步才是：
我们真的要怎么做？
AI 可以加速前两步。
第三步，
仍然应该留给真正需要负责的人。
因为专业服务真正值钱的，
从来不是：
知道最多理论。
而是知道：
哪一个理论，在这一个客户身上到底该不该用。
今天，和 AI 一起进步一点。
每天学会一个 AI 技巧。
每天节省一点时间。
每天提升一点能力。
SasaDaily，陪你一起成长。
