這是一個 SasaDaily 假設商業案例。
一家 6 人管理顧問工作室，主要服務：
20～100 人左右的中小企業。
老闆找上門時，真正問的通常不是：
「管理學理論是什麼？」
而是：
「為什麼主管一直帶不動人？」
「員工為什麼留不住？」
「會議開很多，事情還是沒有往前？」
「到底該重新分工，還是該增加主管？」
顧問真正困難的地方，是每次都要同時處理兩種完全不同的東西：
專業方法。
以及：
這個客戶現在真正發生的事情。
Google 8 月 27 日推出 Expert Intelligence 後，符合資格而且已經從 Google Play Books 購買的電子書，可以直接加入 Gemini Notebook。
這家假設工作室因此決定測試一個新工作流程：
書負責提供原則。
客戶資料負責提供現況。
AI 負責找兩者之間的差距。
顧問負責最後判斷。
以前準備一份客戶診斷，要來回翻很多資料
假設客戶正在處理：
主管不知道怎麼給員工負面回饋。
工作室手上可能同時有：
第一次老闆訪談。
主管訪談。
員工匿名回饋。
組織圖。
會議紀錄。
現有 SOP。
以及顧問以前讀過的幾本管理書。
真正花時間的，不一定是：
「不知道管理理論。」
而是：
記得這本書談過，卻找不到原文在哪裡。
或者：
知道某個管理方法很好，
卻忘了作者當初其實有一個重要前提。
最後顧問只能：
重新翻書。
找筆記。
搜尋電子檔。
再重新比對客戶問題。
第一步：每個客戶建立自己的 Notebook
這家假設工作室不建立一個：
「全公司所有書＋所有客戶資料」
的大 Notebook。
而是每一個正式專案建立自己的 Notebook。
例如：
「A 公司主管回饋專案」。
裡面再放：
客戶訪談紀錄。
匿名員工回饋。
公司現有流程。
會議筆記。
以及這次真正相關的專業書籍。
這樣做的原因很簡單：
Gemini Notebook 本來就是以一個 Notebook 作為特定專案的來源集合。
而且不同 Notebook 彼此獨立。
所以專案資料不必全部攪在一起。
第二步：第一輪只勾管理書，不看客戶資料
這一點是整個工作流程的核心。
假設這次要研究：
「主管應該怎麼處理員工反覆犯錯？」
顧問先不要讓 Gemini Notebook 看：
員工訪談。
老闆意見。
自己的判斷。
第一輪只選：
相關的管理書。
然後問：
「只根據目前選取的書籍回答。
作者對『員工反覆出現同樣問題』提出了哪些原則？
每一個重要結論都要能回到來源。
請把：
作者明確主張。
作者舉的案例。
你根據不同章節做出的整理。
分開呈現。」
這不是 Google 官方指定 Prompt。
而是 SasaDaily 為這個假設案例設計的工作方法。
為什麼要故意先把客戶資料關掉？
因為如果一開始全部打開，
AI 很可能做出一份非常順的答案。
例如：
「作者建議先了解員工出錯原因，再增加回饋頻率，接著重新設計工作責任。」
看起來很好。
但其中可能有：
作者原則。
顧問訪談內容。
客戶原本已經決定的措施。
以及 AI 自己的歸納。
最後大家反而不知道：
哪一句到底是誰說的。
所以第一輪的任務只有一個：
先弄清楚：
專業來源真正提供了什麼。
第三步：每個重要觀點先看 Citation
Gemini Notebook 會用來源內容建立 Citation。
顧問看到：
「作者建議主管先確認問題原因。」
不直接複製進簡報。
先點引用。
回去看原文。
檢查：
作者真的這樣主張嗎？
前後有沒有條件？
這是一個普遍原則？
還是只是作者舉的一家公司案例？
這一步很重要。
因為顧問真正賣給客戶的不是：
AI 整理得很漂亮。
而是：
專業判斷能不能站得住。
Citation 的價值也不是替顧問取消查證。
而是讓查證更快。
第四步：第二輪才把客戶資料打開
確認書中原則後，
現在才把：
客戶訪談。
員工意見。
會議紀錄。
流程文件。
一起選進來。
然後問：
「現在同時使用專業書籍與客戶資料。
請分成四區：
- 專業來源明確提出的原則。
- 客戶目前實際發生的情況。
- 兩者吻合的地方。
- 兩者不吻合或資料不足的地方。
不要把客戶資料寫成作者的觀點。
不要直接決定公司應該裁員、調薪、換主管或改組織。」
最後這一句非常重要。
因為 AI 可以協助研究。
但像：
換主管。
調整薪酬。
裁員。
升遷。
更改職責。
這些都不是單純整理資訊。
而是真正會影響人的管理決策。
第五步：AI 只產生「診斷草稿」，不是客戶答案
這家假設工作室把 AI 輸出固定分成三層。
第一層：
來源能證明的事。
例如：
某管理原則在特定條件下適用。
第二層：
客戶資料顯示的事。
例如：
五次主管訪談裡，有四次提到回饋標準不一致。
第三層：
仍然需要顧問判斷的事。
例如：
這代表需要重新訓練主管？
重新定義職責？
改變績效制度？
還是其實只是兩位主管的管理問題？
AI 可以協助提出可能性。
但不要讓：
「AI 找到一個合理解釋」
自動變成：
「這就是公司的真正問題。」
第六步：顧問才決定要跟客戶說什麼
最後真正交給客戶的建議可能是：
先建立主管回饋標準。
先重新設計一對一會議。
先補做兩組員工訪談。
暫時不要調整組織。
或是：
目前證據不足，先不要做重大人事決定。
這些都必須由顧問自己決定。
因為 AI 不知道：
哪一位主管正在離職。
公司現金還能撐多久。
老闆真正願意改多少。
團隊政治關係。
勞動法規。
某一句匿名訪談背後是不是特殊個案。
所以最終工作流程不是：
書＋訪談 → AI → 客戶答案。
而是：
專業來源 → 查證。
客戶資料 → 比對。
AI → 找差距。
顧問 → 做判斷。
這和一般直接問 ChatGPT 有什麼差？
假設顧問直接問一般 AI：
「員工反覆犯錯應該怎麼辦？」
AI 很可能也能提出：
改善回饋。
增加訓練。
明確責任。
檢查流程。
答案可能完全合理。
但管理顧問還需要回答另一個問題：
「你這個建議根據什麼？」
Expert Intelligence 的價值，就是當顧問真的擁有符合資格的專業書籍時，
可以把那本書直接變成 Notebook Source。
然後回到：
作者原始內容。
引用。
以及自己的客戶資料。
這比：
「我記得某本書好像這樣說。」
可靠很多。
可以把好幾本管理書一起比較嗎？
可以。
Google 的 Expert Intelligence 上線時已支援超過 10 萬本符合資格的書籍，來自多家大型出版商。
Gemini Notebook 本身也可以放進多個 Sources。
所以顧問可以建立一個專案 Notebook，
放：
兩本領導管理書。
一本組織設計書。
客戶訪談。
內部文件。
然後比較：
不同作者面對同一問題的觀點有沒有衝突。
但來源愈多，
愈不能只看最後摘要。
因為 AI 可能從三本書各拿一部分，
最後組成一個：
三位作者其實都沒有完整說過的第四套方法。
所以真正專業的做法仍然是：
Citation 回原文。
那團隊買一本書，就能六個人一起用嗎？
這裡有一個非常重要的商業限制。
Expert Intelligence 並不是：
「公司裡有一個人買書，整間公司就自動取得 AI 使用權。」
Google 目前替 Play Books 書籍設計了權利控制。
如果 Notebook 被分享給其他人，
其他協作者要進一步存取或使用相關電子書內容，
可能也需要擁有自己的合法副本。
沒有相應使用權，
該書 Source 會受到限制。
所以公司正式建立工作流程前，要先確認：
哪些成員真的需要操作書籍 Source？
是不是每一個人都需要？
還是由一位研究顧問完成來源研究，
再把經過整理、可以合法分享的內部研究成果交給團隊？
AI 很方便，不代表內容授權自動消失。
這個案例可能省多少時間？
以下全部都是：
SasaDaily 假設數字。
不是 Google 官方成效。
也不是任何真實管理顧問公司的實測結果。
假設這家工作室每週需要準備：
10 份客戶研究與會議簡報。
以前每一份需要大約：
40 分鐘。
其中包含：
翻書。
找舊筆記。
確認作者觀點。
整理客戶訪談。
建立初步對照。
每週就是：
400 分鐘。
如果使用 Gemini Notebook 後，
先由 AI 找出可能相關來源，
顧問再逐項檢查 Citation、比對客戶資料，
假設平均降到：
22 分鐘。
10 份就是：
220 分鐘。
每週少掉：
180 分鐘。
也就是：
約 3 小時。
如果內部顧問時間用每小時新台幣 1,800 元作為假設成本，
每週相當於：
約新台幣 5,400 元。
四週約：
新台幣 21,600 元。
再次強調：
這些都是 SasaDaily 假設數字。
實際時間會受到：
書籍是否符合資格。
來源數量。
文件長度。
顧問熟悉程度。
案件複雜度。
以及需要查證多少內容影響。
真正的 ROI 可能不是少掉三小時
對專業服務公司而言，
更大的價值可能不是：
「少翻幾次書。」
而是降低另一種成本：
顧問把記憶當成來源。
專業工作做久後，
很容易出現：
「我以前讀過。」
「某位作者應該有講。」
「管理學通常就是這樣。」
但真正面對客戶時，
「應該有」
和：
「我現在可以直接回到來源確認」
是完全不同的專業品質。
所以這套流程真正可能提升的是：
可追溯性。
研究速度。
內部品質控制。
以及顧問知道：
自己現在是在引用來源，還是在做專業判斷。
哪些工作不能直接交給 Gemini Notebook？
即使來源都是真的，
也不代表 AI 可以直接替公司決定：
誰該被解雇。
誰該升職。
薪水應該調多少。
哪個主管有問題。
該不該組織重整。
是否涉及歧視。
勞動法律責任。
這些都可能牽涉：
人的權利。
法律。
倫理。
公司文化。
以及 AI 根本看不到的情境。
所以比較成熟的做法不是：
讓 AI 變成顧問。
而是：
讓 AI 幫顧問更快找到證據。
這個案例最值得小公司學的是什麼？
不一定要是管理顧問公司。
如果你做的是：
企業培訓。
行銷顧問。
設計顧問。
財務規劃。
研究服務。
內容策略。
教育。
任何必須同時處理：
專業知識＋客戶真實資料
的工作，
都可以先把兩件事拆開。
第一輪問：
專業來源到底說了什麼？
第二輪才問：
它和我的客戶有什麼關係？
最後第三步才是：
我們真的要怎麼做？
AI 可以加速前兩步。
第三步，
仍然應該留給真正需要負責的人。
因為專業服務真正值錢的，
從來不是：
知道最多理論。
而是知道：
哪一個理論，在這一個客戶身上到底該不該用。
今天，和 AI 一起進步一點。
每天學會一個 AI 技巧。
每天節省一點時間。
每天提升一點能力。
SasaDaily，陪你一起成長。
