NotebookLM 該不該用：從商業問題出發的診斷流程

週三傍晚，通訊軟體跳出主管的一句話：「那個 Google 的筆記 AI，行銷部要不要導？下週一給結論。」你打開搜尋，前三十篇都在教按哪個按鈕、上傳什麼檔案，沒有一篇回答「我們用了會比較快嗎」。分頁越開越多，答案越找越遠，週一早上還是憑感覺回了一句「應該可以試試」。這是建構出來的情境，細節是虛構的，決策的形狀卻很常見：工具卡關的地方從來不是操作，是把工具放進自己業務的判斷。

操作教學解決「怎麼用」，採用決策需要的是另一回事。一支工具值不值得進你的工作流，取決於任務型態、資料能不能離開組織、產出要不要逐段查證、團隊裡既有工具怎麼分工。這些變數因團隊而異，通用教學替你回答不了；能替你回答的是一套判斷順序，跟著走一遍，結論會自己浮出來。

底下就是這套順序：先把任務定位分類，判讀四種常見工作情境的合用度，用五分鐘試金石實測，過額度與資料邊界兩張檢查表（含台灣方案價格），掃一眼 2026 年補上的功能層，跟 ChatGPT、Perplexity 做需求分工，接進內容產線，認得退場訊號，用兩週試點收斂結論。時間緊的讀者先看試金石與兩週試點兩節，其餘當查核清單用。

快速重點：NotebookLM 現名 Gemini Notebook，回答以指定來源為本並附引用。引用是定位器不是認證章，誤讀仍在，關鍵數字回原文核對；指定來源的研究合用，即時資訊與開放創作不合用；免費額度足以完成兩週試點，先試點再談預算。

先別急著開筆記本：三個問題定位你的任務

評估的起點不是開帳號，是回答三個問題。一，答案必須只來自你手上的資料嗎？二，產出是判斷還是創作？三，資料能不能離開組織？三題都過關，值得往下評估；任何一題卡住，就有更適合的工具，不必勉強。

三個問題對應三種任務型態。封閉來源問答：你有一疊固定資料，答案應該就藏在裡面，競品資料、訪談紀錄、標案文件都屬於這類。即時網路資訊：你要的是此刻的市況、價格、政策，資料根本還不在手上。開放式創作：命名、文案、腳本，重點是無中生有，不是忠於來源。NotebookLM 只在第一種是強勢選項，後兩種是拿錯工具，去處留給工具路由那節。

三個問題各有實際的問法。第一題問資料邊界：「這個結論可以只根據我們手上的四十份文件來下嗎？」可以，就是封閉來源；不行，代表關鍵資料還在世界上的某個地方，先去蒐集，或改用會上網找資料的工具。第二題問產出性質：研究簡報是判斷，要的是忠於來源；品牌故事是創作，要的是超越來源，兩者對工具的要求相反。第三題問組織約束：法務、客戶合約、產業監管，任何一條說資料不能出門，選擇就先被砍掉一半，這題沒得商量。

定位錯的工具，再順手都不值得留。把即時研究型的任務硬塞進封閉來源工具，你會花大量時間出門補來源；把創作型任務交給它，你會得到一堆四平八穩、沒有觀點的產出；把不能出門的資料放進去，省下的時間會在事後的補救裡加倍吐出來。三個問題的作用，是把這三種代價提前到採購之前發生；成本最低的失敗，是還沒付錢、還沒動流程，就發現不合用。

這個分類動作跟搜尋在做的事是同一套邏輯：先判斷意圖，再決定給什麼答案。做內容的人對搜尋意圖的分析方法不陌生，把同樣的紀律搬到工具採購，很多錯買在第一關就能擋掉。

名稱先更新一筆，免得舊資料對不上。NotebookLM 已於 2026 年 7 月更名為 Gemini Notebook，Google 官方公告說得明白：同一個產品，以指定來源為核心的定位不變，筆記本、來源與對話都留在原處，輸入舊網址也會自動轉到新址，Workspace 更新公告也確認管理員不需另行設定。同一篇公告也給了使用規模的數字：超過 3,000 萬人、60 萬個組織在用。規模數字對決策的意義要拿捏好：它說明這個工具脫離了實驗階段，功能與額度政策會持續演化，生態與教學會跟上；但採用與否的答案在你的任務裡，不在別人的安裝數裡，規模從來不是合用性的證據。

更名順帶送你一個判讀舊教學的方法。網路上大量舊文仍然有效，因為來源接地與引用查證的操作邏輯在更名後完全延續；會過期的是介面名稱與額度數字。看舊文時把兩層分開：講操作邏輯的部分照用，講名稱與數字的部分，對照官方現況再採信。這個習慣適用於所有改版頻繁的 AI 工具，名稱是最不可靠的資訊，機制相對長壽。

三個定位題沒過的讀者，這裡就可以停，往下讀的效益很低，到AI 工具總整理找對口的工具更實在。三題都過關的，繼續看情境判讀。

四種工作情境的合用度判讀

判讀一個情境合不合用，看三個指標：來源封閉性，答案是否就藏在固定資料裡；追溯需求，產出是否要逐段回查出處；承諾壓力，產出會不會變成對外的白紙黑字。前兩個指標越高越合用，第三個越高，人工覆核的比重就要跟著拉高。這三個指標都來自任務本身，不來自工具的功能表；功能會改版，任務的性質相對穩定，用任務判工具，結論的保鮮期比用功能判長得多。

競品掃描是教科書級的合用案例。來源封閉：競品手冊、定價頁、新聞稿都在你手上；追溯需求高：比對結論要能指出是哪份資料說的；承諾壓力低：產出是內部參考。把資料建成一本筆記本，問「針對這個功能，各家說法哪裡一致、哪裡衝突」，再追一句「資料裡有沒有唱反調或持保留態度的說法」，把被一面倒敘述蓋住的反證挖出來。建本的方式影響問答品質：一家競品一本，或全市場一本但提問時指定範圍，兩種都行，混了主題不行。追蹤期的實務做法是每次新資料進場，先重問一次舊問題，看結論有沒有翻；翻了的段落，就是該重新決策的地方。這類任務的退場訊號也好認：當你發現每個問題都得先出門找新資料放進來，封閉來源的前提已經不存在，該換工具了。

訪談與會議逐字稿，合用度同樣高，音訊來源是它的強項。把一季的訪談錄音建成筆記本，問受訪者的立場光譜、關鍵引句落在哪些段落，比自己在逐字稿裡翻找省力。追問的順序：先問全體受訪者對某議題的立場分佈，再針對極端立場的引句逐一點回原文確認語境，確認過的引句清單才能交給寫作段。口語轉寫對專有名詞與數字的錯誤率值得敬畏，受訪者說的型號、金額、百分比，回到原文再核一次才作數。錄音轉逐字稿的工具怎麼挑，AI 會議記錄工具的比較另有一篇可接。

投標與提案資料整編，合用，但承諾壓力這格是紅的。投標文件會變成對外承諾，規格數字、服務條款、期程日期錯一個都代價高昂。它可以當整理草稿的起點，把散落各處的規格與實績收攏成結構，人力的時間集中花在覆核與差異化論述，而不是從零整理。切記產出進文件前是逐段引用回查，不是抽查，標案的錯誤成本不允許抽樣；關鍵數字由兩個人各自算一遍再對數。標案文件還有版本問題：改版之後，舊引用對到的條款編號可能已經位移，回查時務必確認手上的文件版本與引用指向的一致。這類任務的人工比重不是保險，是必要條件。

內部知識傳承，合用，前提是先做來源治理。前輩的經驗若還在腦袋裡或閒聊裡，任何工具都幫不上忙；先把可傳承的經驗萃取成文件，再放入筆記本讓新人問答，效果才會出來。新人端的節奏：前兩週只問不寫，把問題清單留下來，重複被問的題目就是手冊該補的章節；問答品質掉下來時，通常不是工具退步，是來源過期，回頭更新文件。經驗怎麼萃取出來，知識萃取的方法有完整做法；如果你要的是長期累積的個人知識庫而非任務型問答，Obsidian 這類第二大腦工具的定位更貼近，兩者互補而非替代。

三個指標也可以反過來用。情境會漂移：產出從內部參考變成對外承諾、來源從固定轉為流動、資料機密等級隨專案階段升高，指標一變，合用度就要重新判讀。四種情境有共同底線：任務結束就封存筆記本。一本筆記本的價值取決於任務邊界，什麼都放、什麼都問，檢索精準度先垮，垮的是你自己的產出品質。

五分鐘試金石：三步驗收一支工具值不值得留

不必讀完整本手冊才做決定。到官方入口開一本筆記本，放十來份你熟到不能再熟的資料，跑三步：問一個你已知答案的校準題，逐段點開引用回查原文，丟兩份立場相反的來源看它會不會硬調和。三步全過，才值得進入正式評估。

校準題答偏，先別急著換工具，多數時候該換的是來源。這裡有個容易被忽略的機制：每種來源進系統前，都先被轉成文字。掃描版 PDF 靠辨識，數字與欄位可能認錯；網頁抓取會截斷，長文常只剩前半段；影片靠字幕，雜訊不少；音訊靠轉寫，口語的鬆散原樣進場。好文件可能以壞文字的姿態進入系統，校準題答偏時，先查來源的轉換品質，再談工具好壞。

校準題的選法有個訣竅：挑那種你曾經親手查過、知道陷阱在哪裡的問題。例如資料裡有兩個版本的成本數字，正確的是後來的修正版；它答了舊版，代表對時間序不敏感，這個弱點記下來，之後問數字都要帶日期條件。校準題測的不只是對錯，是把工具的個性摸出來。

第二步養的是查證直覺。數字、人名、時間，看到就點引用回原文核對；這個動作做熟了，你對所有 AI 產出的信任都會是有據的信任，不是氛圍的信任。問答的基本功不穩的，先補提示詞的入門寫法，問題問得具體，答案才收斂。

第三步用一個建構情境示範：把兩份立場衝突的資料放進同一本，一份是甲方案的自家說帖，一份是獨立單位的測試報告，然後問一個中性的問題。如果答案四平八穩、兩邊各打五十大板，看起來客觀，其實危險：立場衝突的資料被硬湊成一個調和過的結論，調和本身就是誤導。把兩份來源拆成兩本各問一次，自己對照，差異才會現形。

三步的結果建議留下書面紀錄：校準題的偏差類型、引用回查的命中情況、調和傾向的嚴重程度。兩週試點收斂結論時，這份紀錄就是證據。測試用的資料挑公開或可分享的，機密文件永遠不拿來測試，這是紀律問題，不是額度問題。三步都過，往下看額度與資料邊界；校準題連續答偏且確認不是來源問題，也是個結論，記下來換下一個候選。這套問法不綁品牌，任何一款你正在考慮的來源型工具都能照搬。試金石也值得定期重跑：工具改版、來源大換血之後，五分鐘重驗一次，校準題的偏差類型變了，代表它對你資料的行為變了，信任程度就該重新校準。

答案看得到出處，為什麼還是會出錯

因為引用是定位器，不是認證章。它證明答案宣稱出自某段原文，不證明模型讀對了那段話，更不證明那段話本身可信。把判斷外包給引用，等於把查證外包給一個不做事的機制。

這類工具的運作，借用 RAG（檢索增強生成）就講得通：它先在你給的資料裡撈出相關段落，接著只按撈到的內容作答並附上出處。這是概念模型，不是對內部架構的宣稱，想深究原理，RAG 的白話解釋有完整說明。概念上要記住的是：來源接地把模型的嘴巴綁在你的資料上，壓縮了憑空發明的空間，但綁住不等於讀懂。

找不到依據時，它會明白說「在現有的來源資料中，找不到相關依據」。這是設計出來的誠實訊號，不是故障。碰到時該做的是補來源或換問法，不是反覆重問逼它生出答案；被逼出來的答案，通常長得像有依據的編造。這個訊號也要珍惜著用：把它當搜尋引擎狂問即時資訊，它只會一直告訴你找不到，錯的是用法，不是工具。

引用的數量也不是品質保證。一段回答掛了五個引用，可能是五個來源都這麼說，也可能是它把五個講不同事的段落硬接起來；看引用要看內容對不對得上，不是數數字。多數時候，三個切題的引用比十個攏統的引用更能支撐一個論點。引用的呈現依來源格式而異，格式越雜的筆記本，回查越需要耐心；能拿到文字版的資料，別用掃描版，這也是來源治理的一部分。

引用仍在時的出錯，常見三種。一是誤讀單一文件，把段落裡的限制條件讀掉，只留下結論，原文說「在中小型樣本下成立」，答案只剩「成立」，適用範圍就這樣被無聲放大。二是跨文件的錯誤綜合，把兩份講不同事情的來源湊成一個誰都沒說過的結論，這是試金石第三步要抓的對象。三是來源本身有誤或偏頗，模型忠實引用了一個不可信的出處，引用完整，內容照樣跟著錯。幻覺的完整成因另有專文，AI 幻覺的解析談得更細，這裡只聚焦與引用相關的部分。

立場衝突的來源怎麼放，實務上有個鐵律：分開兩本，各問各的，自己當整合者。模型面對衝突資料時的傾向是調和，因為生成式的本質是給出可讀的答案，不是呈現誠實的分歧；把整合的判斷留給人，是繞過這個弱點的最短路徑。

也要留意各種再呈現的產出。摘要、心智圖、語音形式的 Audio Overview，都是來源的投影：換個形式重說一遍，不是多了新的驗證。投影做得流暢，不代表底下的來源變可信了，把簡報做得漂亮的工具，從來不缺。

引用可回查的價值，要放在對的位置理解。來源接地沒有讓錯誤消失，只是把錯誤從找不到出處的發明，搬成找得到出處的誤讀；錯誤的類型與位置變了，於是可以被審計，這是它相對通用工具的真正優勢。三個限制要一起記住：誤讀仍在，引用不等於讀對；模型會呈現來源差異，不保證判對權威；來源的作者、日期、方法與利益關係，上傳前自己查過才算數。寧可十份切題且可驗證的來源，不要五十份來路不明的資料。

導入前的兩張檢查表：額度與資料邊界

兩張表過完，採用的可行性就清楚了一半：額度那張告訴你跑不跑得動，資料邊界那張告訴你什麼能放進去。先看額度。

對照 2026 年 10 月查核的官方方案頁：方案分免費、Google AI Plus、AI Pro、AI Ultra 四層，Ultra 再對應 20 TB 與 30 TB 兩個儲存方案，下表 Ultra 欄先列 20 TB 的數字。頁上逐項列示的額度只剩筆記本數與來源數兩類結構上限，對話、摘要、報告這類項目次數已改由彈性運算額度管理、未再公開列示。免費與付費的差距，先看這兩項結構上限：

↔ 左右捲動檢視完整表格

額度項目	免費	Google AI Plus	Google AI Pro	Google AI Ultra（20 TB）
筆記本數（每人）	100 本	200 本	500 本	500 本
來源數（每本）	50 個	100 個	300 個	500 個

方案頁角落幾行附註反而最常被略過：協作者共用一本筆記本，雙方的來源上限各算各的；新來源剛加進來時，系統產生的初始摘要只跑一次、不扣額度。至於 50 個來源夠不夠，答案取決於任務：多數商業研究用 15 到 30 份高相關來源就能跑出結論，真的需要更多，多半表示該依主題拆本、一本講一個主題，而不是急著升級付費。

額度制度本身還在演化，看舊資料最容易在這裡失準。2026 年 9 月起，消費者帳號的額度改採每 5 小時刷新的彈性運算額度：它看總用量，提示的長短與複雜度、對話的多寡、來源數、用到的功能全算在內，另設每週上限；官方方案頁仍列筆記本數與來源數這類結構上限，個別項目的每日次數已由這套彈性額度取代、未再公開列示。計算方式以官方用量說明頁為準，方案的倍數也寫在這頁：未訂閱是標準限制，AI Plus 是標準的 2 倍，AI Pro 是 4 倍，AI Ultra 視訂閱內容是 Pro 的 5 倍或 20 倍。對採用決策的意義是把額度當運算預算看，不是功能開關：一次大量互動比多次小互動貴，團隊的問答習慣會直接改變實際可用量。各家工具額度怎麼互相比較，ChatGPT 與 Claude 的額度算法有整理。

把免費額度換算成試點需求，會發現相當寬裕：兩週試點大約需要一到兩本筆記本、二三十份來源、每天個位數的深問答，多半用不到額度上限的一半。額度成為瓶頸的場景是重度日常使用，不是評估；先撞到牆的通常是來源治理的耐心，不是數字上限。

Ultra 那欄要拆開讀。方案頁的 Ultra 對應 20 TB 與 30 TB 兩個儲存方案，頁上仍可查證的是結構上限：兩級的筆記本數都是 500 本，每本來源分別是 500 個與 600 個；對話、報告、深度研究這類項目次數未再逐項列示，實際用量走彈性運算額度，Ultra 視訂閱內容是 Pro 的 5 倍或 20 倍。付費權益的另一條線畫在 Pro，不是 Ultra：可關閉生成內容的可見浮水印（印度、韓國、越南除外）自 Pro 起即可使用；Ultra 對 Pro 的質差集中在最高階模型存取與優先體驗新功能。判斷上先記一條：兩週試點的用量連 Pro 的門檻都摸不到，Ultra 的客群是把工具當日產數十份成品的工作室，或重度使用代理式分析的人；多數商業研究場景，這欄是參考值，不是候選方案。

價格層，台灣現在是四層。Google One 方案與定價頁（2026 年 10 月查核）：免費帳號有 15 GB 儲存空間與標準額度；Google AI Plus（2 TB）每月 NT$330，年繳 NT$3,300；Google AI Pro（5 TB）每月 NT$650，年繳 NT$6,500；Google AI Ultra 在官方支援國家清單上含台灣，但公開方案頁未列出未登入可見的台灣牌價，實際價格以登入後產品端顯示為準。常見的買錯點順手擋一下：方案頁上的 Basic（100 GB，每月 NT$65）是純儲存方案，不含任何 AI 額度。以決策看，Plus 與 Pro 每月只差 NT$320，小於一次錯誤導入的時間成本；層級留給試點結論決定，不給品牌直覺決定。

學生有另一條門。官方 2026 年 9 月 15 日的公告給大專院校學生一年免費：美國學生是 Google AI Pro，筆記本額度是未訂閱者的 4 倍；其餘 140 多個 AI Plus 適用市場的學生是 Google AI Plus，額度 2 倍。排除名單是美國、玻利維亞、阿爾巴尼亞、加拿大、澳門、香港、突尼西亞；台灣屬 AI Plus 支援市場、不在排除名單，符合資格的學生可以兌換。兩個但書照公告讀：兌換期限到 2026 年 12 月 31 日，而且要綁有效付款方式，一年後沒取消會自動收費（公告列的牌價分兩級：美國 Pro 試用後每月 19.99 美元，其餘 AI Plus 適用市場每月 4.99 美元或當地等值）。對團隊採購的意義：學生方案是個人試用的零成本入口，不是團隊授權的替代品；免費也不改變資料紀律，機密文件照樣不進個人帳號。

資料邊界依帳號類型分三層。個人 Google 帳號：資料不用於訓練，除非主動送出意見回饋，送出時，你問了什麼、上傳了什麼、它回了什麼，可能一併被真人審視，官方回饋機制說明寫明這一點。工作與學校帳號：不做人工審查、不用於訓練。企業方案：走 Google Cloud，適用 Google Cloud Platform 與 SecOps 的服務條款與組織管理流程。還有一條界線常被漏看：在 Google 搜尋的 AI Mode 裡打開筆記本時，那邊的對話可能依設定用於廣告營利、個人化與改進 Google 生成式 AI 模型，筆記本本身的來源與指示則不在該用途範圍內，這條線怎麼畫，官方對 AI Mode 筆記本的說明寫得明白。

上傳前四問，比事後補救省太多：這是誰的資料？機密等級多少？我用哪種帳號？誰看得到？機密等級文件不進個人帳號，這條沒有例外；工作帳號在資料處理上給的承諾，離客戶點頭還很遠：帳號、合約、授權是三道分開的關卡；受監管產業的合規靠帳號類型與企業合約解，不靠品牌承諾。

第四問「誰看得到」最容易輕忽。筆記本預設是私人空間，共享功能一開，協作者就看得到全部來源；把客戶資料放進共享筆記本，等於替客戶做了資訊揭露的決定，而這個決定權不在你手上。開共享或對外分享連結前，來源清單先整本掃一遍。

需要分析但不能外流的資料，走去識別化：客戶名稱換代碼、人名拿掉、可回推的數字改區間。去識別化會損失一點問答精度，換來的是出事時的底線；哪些欄位可以去、哪些去了就失去意義，各產業自己列，這張表值得花一次工做好。四問都答得乾淨，再按上傳。

2026 年的功能層：語音對話、學習工具、代理與手機 App

先給總評：這波更新改變的是「用得多順」，沒有動搖「該不該用」的三個定位題；封閉來源研究仍然合用，即時資訊與開放創作仍然不合用。逐項看仍值得，因為其中幾項會實質改變工作流的形狀。

語音對話是最大的一項。依官方 9 月的學習工具公告，手機 App 上可以用語音跟筆記本即時對話，支援近 100 種語言，回答立基於你的來源，可以邊聽邊插話追問；公告的開放順序是 Google AI Ultra 訂閱者（18 歲以上）先行，AI Pro 與其他方案後續開放，非 Ultra 帳號的實際可用時間以產品端顯示為準。別跟 Audio Overview 的互動模式混為一談：互動模式是加入語音摘要兩位 AI 主持人的對話，目前僅支援英文。採用判斷上的意義：通勤與複習這類耳朵空著的情境可用度上升，但語音答案一樣會誤讀來源，查證紀律不因介面從文字換成聲音而打折。

學習工具補得整齊。報表底下新增互動式學習總覽，把摘要跟資訊圖表、測驗、學習卡織成同一份溫習材料；測驗新增簡答、多選、填充等格式；做完之後直接在對話裡追問自己哪裡錯最多。短影音摘要支援 80 多種語言，一支約 60 秒，把公式與圖表動畫化。這幾項依公告都在未來幾週推向全體用戶的軌道上，評估時以產品當日現況為準。操作層的細節，每種工具的入口、客製選項、匯出格式與常見地雷，站上另有一篇 Studio 產出工具的逐一實戰；本文停在診斷層，兩篇分工讀。

代理能力是業務團隊最該盯的一項。7 月的更名公告宣布每本筆記本配一台安全雲端電腦，可以直接在筆記本裡寫程式並執行，做立基於來源的資料分析，當時先開放 AI Ultra 訂閱者與特定 Workspace 商務方案；到本次查核的方案頁，數據分析與自訂對話已列為所有方案可用，進階共用仍限付費。它把工具從引述數字推向真的去算數字：來源裡的報表可以進分析，不再只是被摘要。但程式產出的表一樣是草稿，假設、口徑與關鍵數字照樣人工覆核，這條不因執行者變成程式而放寬。

手機 App 已經能下載，Android 10 以上與 iPhone、iPad 都有，台灣在官方支援清單上。App 能做的：隨身問答與指定來源、背景下載語音摘要離線聽、用學習卡與測驗複習、瀏覽網頁或 PDF 時用分享選單直接存成來源，首頁輸入框還能跑 Fast Research，讓它去網路上找來源並匯入。做不到的也要記：記事、心智圖、報表、資料表目前不能在 App 生成，對話設定與分析也沒有，官方自己的建議是完整體驗用電腦版。定位上把 App 當蒐集與複習的延伸，不是把整條研究產線搬上手機；採購評估的功能全集，仍以網頁版為基準。

和 ChatGPT、Perplexity 怎麼分工：一張路由表

團隊已經有 ChatGPT 和 Perplexity 時，再導一支工具的理由不是取代，是補位。判準四問：這批資料的答案封閉嗎？產出需要逐段引用嗎？要的是即時資訊還是既有資料？創意開放度多高？按任務本質分工，不按品牌忠誠分工，寫成表：

↔ 左右捲動檢視完整表格

任務訊號	交給誰	交棒注意事項
答案只依我這疊資料	Gemini Notebook	引用回查後採用，立場衝突的來源分開兩本問
要查最新市況與價格	Perplexity	查證過的資料存進筆記本當固定來源
開放改寫、下標、腳本、程式	ChatGPT 或 Claude	帶引用的素材交棒，保留出處與版本
跨信件、文件、行程的總務	Gemini App	入口相連不等於同一工具，對話紀錄預設分開，共享脈絡可自行開啟

跟 Gemini App 的界線常被問。可以在 Gemini App 裡存取筆記本，兩邊的對話紀錄預設分開；Google 另提供可選的跨產品脈絡設定，開啟後，你在 Gemini 裡跟筆記本的對話會成為筆記本端的共享脈絡，出現在來源面板、供後續問答引用，這些對話只能在 Gemini 端管理，預設不開，官方整合說明寫得完整。「依我這疊資料回答」的需求進筆記本，放開來想、查、寫的需求用通用助理。名稱相連帶來的混淆是實際的：不少人以為筆記本是 Gemini App 裡的一個資料夾，用通用助理的方式問它，得到摻了模型記憶的答案，還回頭怪工具不準；入口在哪裡不重要，答案的依據在哪裡才重要。這張表刻意寫定位差異而非功能清單：功能每季改版，定位相對穩定，表才不會三個月就過期。

路由真正的難處在交棒，不在選擇。每段交棒保留來源與版本，講起來八個字，做起來是習慣：從 Perplexity 帶回來的資料，存成筆記本來源前先核網址與日期；從筆記本帶出去的論點，連引用一起帶；從通用工具帶回來的改寫，標清楚哪段是生成、哪段是原文。素材轉手三次還查得到出處，路由才算成立；否則分工越細，責任越模糊。

一支工具打通關的誘惑永遠在，因為切換有成本。但通用工具回答來源內的問題時，你分不清答案是出自你的資料還是模型的記憶；這個分不清，在查證要求高的工作裡就是不合格。分工不是浪費，是讓每段產出都有明確的責任歸屬。

各工具的深入教學，站上都有：ChatGPT 的使用指南、Perplexity 的中文教學、Claude 的完整指南，想理解 Gemini 家族的模型取捨，Gemini 3 的完整指南談得完整，一段一句，不在此展開。

行銷團隊把 AI 放進工作流的進度，HubSpot 的行銷現況報告給了一個參照：它把 AI-powered workflows 列為 2026 年的行銷趨勢，顯示 AI 已從實驗走向流程化使用。重點從來不是用不用，是用在哪一段；這張路由表就是把「哪一段」寫清楚的工具。至於分工之後效率提升多少，讓兩週試點的數字說話，不讓採購情緒說話。

從研究到發文：三段交接與兩個人工卡點

評估通過後，它在內容產線上的位置是三段式：研究段當主力，草稿段退居查證後盾，發布段當讀者模擬器。兩個人工卡點放在草稿定稿前與發布前，人審不外包、不省略。

研究段它是主力。把主題的參考資料建成一本筆記本，問答、摘要、結構理解都在裡面完成，產出是對主題的結構理解與帶引用的摘要，不是文章本身。問答的深度比數量重要：與其五十個淺問題，不如十個帶條件的深問題，例如「只看這三份來源，定價策略的假設是什麼，哪一份提出了反證」。深問題的答案會直接變成文章段落的骨架。這一段的完成訊號：你能不看筆記，講出這個主題的三層結構與主要爭議；講得出來，研究段收工。研究段也別急著生成報告，先問答問到有骨架感；報告是最終的打包，不是理解的替代。

草稿段主角換人。骨架與初稿交給擅長開放改寫的工具，筆記本退居查證後盾：寫到不確定的論點，回研究筆記本拿帶引用的答案，確認過原文再寫進文章。人工卡點一在這裡：關鍵論述回溯到一手資料才算數，模型轉述不算。長文的寫作方法，SEO 文章的寫作指南有完整流程。

發布段它當讀者模擬器。用常見問題類產出當讀者視角檢查表，看文章漏了哪些讀者會問的題目；再開一本新筆記本只放自己的文章，問它核心論點是什麼、哪一段最薄弱，拿到模擬的第一印象。兩個必問：文章最想說服讀者的一句話是什麼；讀到哪一段會想離開。第一個檢驗主軸，第二個找薄弱段；兩個都答不好，回去改的是文章，不是筆記本。人工卡點二在發布前：最終人審過一遍，特別擋那種被模型調和過度、兩邊討好卻沒講清楚適用條件的段落。

每段交棒保留來源與版本。研究段的交棒物是摘要與引用清單，草稿段的交棒物是帶出處的論點列表，發布段的交棒物是修訂紀錄；素材在多次轉手之間最容易失去可追溯性，回頭要查證時找得到出處，這條產線的信任才成立。

把三段串起來，它補上的是研究與寫作之間最難標準化的那段轉換：來源整理成結構理解，結構理解交棒成草稿，草稿帶著查證過的論述走向發布，人審始終站在發布前。對齊內容行銷策略的整體產線來看，這個位置放對了，研究到發文的速度與品質才有機會一起往上。

四個退場訊號：出現就該換工具

用到什麼程度該停，看四個訊號：任務轉向即時資訊、產出需求轉向開放創作、來源品質先天不良、資料機密等級升高。任一出現，續用的隱性成本會高於換工具。

訊號一的行為指標很具體：你問「最新」的次數多過問「這批資料」。對話紀錄裡出現「現在」「這個月」「最新版」的頻率超過一半，任務已經變質成即時研究，硬撐著用封閉來源工具，等於不斷繞道補來源，繞路的成本會吃掉它省下的時間。

訊號二，創作的比重上升。當產出需求從整理轉向命名、文案、腳本這類無中生有的工作，來源接地的約束從助力變阻力，主力該換到開放創作工具，筆記本留著當查證後盾就好。判斷的方法很土但有效：統計自己一週的產出需求，整理與創作的比例逼近五五波，訊號就成立了。

訊號三，來源品質先天不良。掃描文件的辨識誤差、網頁截斷、字幕雜訊，這些轉換損耗換工具解決不了，先治理來源：重新取得乾淨版本、自製逐字稿、改用原始檔。治理的成本若不划算，就是退場的訊號，帶著壞來源的工具，產出只是壞來源的放大器。分辨的方法很直接：把同一份文件的文字版與掃描版各問一次，落差大，轉換損耗就是主因。

訊號四，資料機密等級升高。專案進到合約、個資、未公開財務的階段，個人帳號的路徑整條關閉；這個訊號常與專案階段綁在一起，前期的研究它做得來，進到需要保密的階段就該整段移走。企業方案的成本與流程若不合算，退場比勉強用安全，安全問題沒有折衷方案。

退場不等於棄用。任務結束就封存筆記本，保持任務邊界，下個任務來時再開新的。跟開頭的定位三分法對照：定位進場，訊號出場，一套判斷走完工具在你手上的整個生命週期。四個訊號沒有先後，誰先出現誰說了算；把它們寫進採用文件，比放在心裡可靠。

換你當來源：你的內容會被丟進別人的筆記本

這套工具對做內容的人還有一層決策含義：別人也在用來源接地的工具讀你的網站。把內容寫成可引用、可查證的來源，是 AI 搜尋時代的基本功，跟工具採用是同一套判準；但沒有保證被引用的開關。

官方談 AI 搜尋，給的仍是顧好一般搜尋的根本：頁面能被爬取、能進索引，文字寫得清楚，結構化資料跟看得到的內容相符。沒有專為 AI 設的標記，引用也沒有穩拿的方法；不要拿這個工具的產品行為反推搜尋引擎的引用機制，它的輸出同樣不能當作自己被引用的預測。

具體的寫法調整比玄學實在：把結論的適用條件寫在結論旁邊，把方法與工具版本寫在方法旁邊，把資料日期寫在數字旁邊。這三件事對真人讀者是誠意，對來源接地的工具是可匹配的結構；寫給機器看的隱藏標記換不來這些，看得見的清楚才換得來。換不來引用的動作清單也順便記下：堆關鍵字密度、湊固定字數、改日期。E-E-A-T 是搜尋品質評估的概念，不是引用權重，體系化的說明放E-E-A-T 完整指南；實作面的技術與內容做法，接著讀生成式搜尋優化與AI SEO 的實作教學，方法論交給那三篇，這裡只留啟發。

換個角度做自我檢查：把自家網站的首頁與三篇主力文章丟進一本測試筆記本，問它讀到了什麼。主張是什麼、證據在哪、哪些段落讀不出重點，答案常常令人清醒；這個動作不需要特殊工具，卻是最便宜的內容健檢，讀不出重點的段落，機器與讀者一起卡住。

兩週試點計畫：用一個真任務做出結論

讀完之後怎麼向主管交代？挑一個真的要做的中小型研究任務跑兩週。第一週建來源、跑校準題、做問答，別急著生成產出，額度與注意力都留給問答；第二週再生產出，做覆核，每天記錄花在上面的時間，含查證與改寫。用三條標準收斂出結論，不憑印象回話。任務的選擇有兩個條件：真的要做、做完有人用；以及範圍中等、兩週內看得到產出。拿假任務試點，測不出真實用量；拿一年的大工程試點，結論等不了。

三條標準：引用回查通過率，抽出的關鍵主張有多少經得起回查；產出可直接採用的比例，草稿等級、不需大改的才算數；與原流程的時間成本對比，省下的時間要扣除查證與改寫，才是淨值。第三條最常被跳過，也最誠實，紀錄越細，這條越算得準。三條標準都要在開跑前設好底線：通過率低於多少、採用比例低於多少、時間淨值沒有轉正，就是 no-go；先設底線再看數字，結論才不會被沉沒成本帶著走。

評估時把再呈現的性質算進去：摘要、心智圖、語音節目都是來源的投影，不是新證據，算的是可直接採用的比例，不是產出數量。生成一百份漂亮簡報、採用率一成，不如十份草稿採用八成。

產出上線前過一次原創性與 AI 偵測的檢查，不直接複製貼上，工具面的原理看AI 內容偵測的原理。試點結束把判斷文件化留在團隊：什麼任務交給它、什麼訊號退場、覆核比例多少，寫下來才叫傳承；哪些認知工作該外包、哪些該保留，AI 時代的知識管理有完整的框架。

結論是 go，把上傳四問與路由表寫進團隊的工作說明，新人第一天就知道邊界在哪；結論是 no-go，把原因寫下來，額度或功能改版時重跑一次試金石，成本還是五分鐘。名稱會再改，額度會再調，介面會再換，這套判斷流程的壽命比任何一版產品長。兩週後交出去的不該是「很好用」或「不好用」，而是一個說得出理由、看得到數字、經得起追問的採用或不用決定；下次再有主管在週三傍晚丟來一句「那個新工具要不要導」，你手上多了一整套可以重跑的流程。