AI på jobbet
NotebookLM för företag – bygg er egen kunskapsbas
NotebookLM kan hjälpa team att ställa frågor till egna dokument, sammanfatta material och hitta samband mellan källor. För företag är poängen inte att ersätta expertkunskap, utan att göra intern kunskap mer sökbar och lättare att använda – med tydliga regler för data, källor och granskning.
Snabb sammanfattning
- Börja med öppna eller internt godkända dokument, inte känsliga kund- eller personaluppgifter.
- Använd NotebookLM för research, sammanfattningar, utbildningsmaterial och frågor/svar – inte som ensam beslutsfattare.
- Dokumentera återkommande användning i AI-registret: syfte, ansvarig, datatyper, källor och kontroll.
Vad är NotebookLM i ett företagsflöde?
NotebookLM är ett AI-verktyg från Google som arbetar med källor du själv lägger in, till exempel dokument, presentationer, länkar och anteckningar. När källorna finns på plats kan användaren ställa frågor, be om sammanfattningar, skapa studieguider eller få hjälp att jämföra delar av materialet.
Det gör verktyget intressant för företag som har mycket kunskap utspridd i policyer, produktdokument, utbildningsmaterial, kundfrågor, mötesanteckningar och interna processbeskrivningar. I stället för att leta manuellt kan medarbetaren fråga: “Vad säger våra instruktioner om detta?”, “Vilka undantag nämns?” eller “Vilka punkter bör jag kontrollera innan jag svarar kunden?”.
Men samma egenskap gör att verktyget måste användas med eftertanke. Om källorna är fel, gamla, ofullständiga eller för känsliga kan resultatet bli missvisande. För ett företag bör NotebookLM därför ses som en strukturerad kunskapsassistent – inte som en fri kanal där alla laddar upp allt.
Gör kunskapsbasen till en kontrollerad arbetsyta
NotebookLM kan ge stor nytta när företag vill göra dokument, mötesmaterial och interna instruktioner lättare att använda. Men värdet beror på vilket material som läggs in, vem som får använda det och hur svaren granskas. Verktyget bör därför ses som en arbetsyta med tydliga ramar, inte som en allmän sökmotor för allt internt innehåll.
Börja med ett område där dokumenten är relativt stabila och där fel kan upptäckas av användaren. Det kan vara produktutbildning, interna processer eller sammanfattningar av godkända kunskapsartiklar. Undvik att starta med känsliga HR-ärenden, kundavtal eller material där felaktiga svar kan påverka beslut direkt.
För varje källa bör ni dokumentera ägare, uppdateringsintervall och informationsklass. När någon frågar NotebookLM ska det vara tydligt om svaret bygger på aktuellt material eller om det behöver kontrolleras mot en ansvarig person. Den rutinen är ofta viktigare än själva prompten.
Företag som får bäst effekt kombinerar verktyget med utbildning. Visa exempel på bra frågor, dåliga frågor och hur man kontrollerar ett svar. Då blir kunskapsbasen både snabbare och mer tillförlitlig.
När passar NotebookLM på jobbet?
Det bästa startläget är ett avgränsat dokumentområde där nyttan är tydlig och risken går att hantera. Det kan vara en intern produktguide, ett utbildningspaket, en samling policydokument eller ett material som redan är godkänt att delas inom teamet.
NotebookLM passar särskilt bra när människor fortfarande äger beslutet. Verktyget kan ge ett första utkast, en översikt eller en lista med kontrollfrågor, men en ansvarig person ska läsa, bedöma och justera svaret innan det används externt eller påverkar ett beslut.
Undvik att börja med material som innehåller känsliga personuppgifter, affärshemligheter, kundspecifika avtal eller information som bara vissa personer har behörighet till. Om sådant material ska användas krävs först en tydlig bedömning av verktyg, konto, dataskydd, behörighet och företagets AI-policy.
Praktisk tumregel: om dokumentet inte får skickas i ett vanligt internt mejl till hela teamet, ska det inte heller laddas upp i ett AI-verktyg utan godkännande.
Sex användningsfall som fungerar i praktiken
För många företag är den största vinsten inte att skapa helt nytt material från ingenting. Vinsten är att göra befintlig kunskap mer användbar i vardagen. Här är sex exempel där NotebookLM kan ge nytta utan att arbetssättet blir för riskfyllt.
1. Sammanfatta policyer och interna instruktioner
Ett HR-, IT- eller compliance-team kan lägga in godkända policyer och be NotebookLM förklara vad som gäller för en viss situation. Det kan ge snabbare första svar till medarbetare, men svaret ska alltid hänvisa tillbaka till källan och granskas vid osäkerhet.
2. Skapa frågor och svar från utbildningsmaterial
Utbildningsmaterial blir mer användbart när medarbetare kan ställa följdfrågor. NotebookLM kan hjälpa till att ta fram vanliga frågor, kunskapstest och korta sammanfattningar för introduktion, internutbildning eller produktträning.
3. Jämföra flera dokument och hitta skillnader
När flera versioner av instruktioner, offerter, kravlistor eller processbeskrivningar finns i omlopp kan verktyget hjälpa teamet att upptäcka skillnader. Det ersätter inte en formell granskning, men det kan göra förarbetet snabbare.
4. Förbereda möten med bättre underlag
Inför ett kundmöte, ett ledningsmöte eller en intern workshop kan NotebookLM sammanfatta relevanta källor, lista öppna frågor och föreslå vilka delar som behöver mänsklig kontroll. Det sparar tid utan att mötesägaren tappar ansvar.
5. Bygga introduktionsmaterial för nya medarbetare
Nya kollegor behöver ofta förstå många dokument snabbt. Genom att samla godkända källor kan teamet skapa en intern kunskapsbas där nya medarbetare får förklaringar, exempel och kontrollfrågor kopplade till företagets egna rutiner.
6. Hitta luckor i dokumentationen
En oväntad men värdefull användning är att fråga verktyget vad som saknas. Om NotebookLM inte kan svara på återkommande frågor med stöd i källorna är det ett tecken på att dokumentationen behöver förbättras.
En promptmall att börja med
En bra prompt gör det tydligt vilken roll verktyget ska ta, vilket material som får användas och hur svaret ska kontrolleras. Håll prompten enkel, men kräv att osäkerhet och antaganden markeras.
Du är en intern kunskapsassistent för ett svenskt B2B-företag. Uppgift: Hjälp mig att förstå [ämne/fråga] utifrån de uppladdade källorna. Regler: - Använd bara information som stöds av källorna. - Markera tydligt om något saknas eller är osäkert. - Skriv på enkel svenska för [målgrupp]. - Lista vilka källor eller avsnitt svaret bygger på. - Avsluta med tre kontrollfrågor som en människa bör granska. Format: kort sammanfattning, detaljerad förklaring, risker/oklarheter och nästa steg.
Byt ut hakparenteserna mot neutral information. Om du behöver använda intern eller känslig data ska du först kontrollera företagets AI-policy, dataklassning, behörighetsregler och vilken AI-miljö som är godkänd.
Risker som behöver styras
NotebookLM kan kännas säkrare än en öppen chatt eftersom användaren arbetar med egna källor. Det betyder inte att risken försvinner. Företaget behöver fortfarande styra vilka källor som används, vem som får se materialet och hur svaret kontrolleras.
Den vanligaste risken är inte att verktyget är “dåligt”, utan att arbetsflödet är otydligt. Om teamet inte vet vilka dokument som är aktuella, vilka uppgifter som får laddas upp eller vem som ansvarar för kontrollen, blir AI-användningen svår att följa upp.
Fel eller gamla källor
Använd versionsstyrda dokument, namnge källpaketet och ange när det ska uppdateras.
För känslig information
Klassificera data innan uppladdning. Separera allmän intern kunskap från kunddata, personaldata och affärshemligheter.
Övertro på sammanfattningar
Kräv mänsklig granskning, särskilt när svaret ska användas i kundkontakt, avtal, HR-ärenden eller ledningsbeslut.
Otydligt ansvar
Sätt en ägare för varje återkommande notebook: syfte, datatyper, behörighet, granskning och uppdatering.
Så inför ni arbetssättet utan att skapa skugg-AI
Börja litet. Välj ett team, ett dokumentpaket och ett tydligt problem. Det kan till exempel vara “snabbare svar på interna produktfrågor” eller “bättre introduktion för nya säljare”. Dokumentera varför ni testar, vilka källor som ingår och vem som ansvarar för att materialet är aktuellt.
Nästa steg är att testa verkliga frågor. Be användarna ställa de frågor de faktiskt får i vardagen. Jämför svaren med källorna och notera när verktyget är hjälpsamt, när det blir för vagt och när det saknar underlag. Detta är ofta mer värdefullt än att försöka skriva perfekta instruktioner från början.
När ni hittar ett fungerande arbetssätt ska det in i företagets AI-register. Där bör det framgå vilket verktyg som används, vilket syfte användningen har, vilka datatyper som ingår, vem som är ansvarig, hur svar granskas och när källorna ska uppdateras.
Om testet fungerar kan ni skala till fler dokumentpaket. Men skala inte genom att låta alla ladda upp egna filer fritt. Skala genom att skapa tydliga notebooks för avgränsade syften, med ansvarig ägare och gemensamma regler.
Checklista innan ni skalar upp
Använd checklistan som en enkel beslutsgrind. Om ni inte kan svara på frågorna är det bättre att pausa, förtydliga processen och först därefter bredda användningen.
| Fråga | Varför den behövs | Rekommenderad kontroll |
|---|---|---|
| Vilket problem löser notebooken? | Utan syfte blir användningen svår att prioritera och följa upp. | Skriv ett kort syfte och en målgrupp. |
| Vilka källor ingår? | Kvaliteten på svaren beror på kvaliteten i källorna. | Använd versionsstyrda och godkända dokument. |
| Vilka datatyper används? | Olika information kräver olika skyddsnivå. | Klassificera data innan uppladdning. |
| Vem ansvarar för granskning? | AI-svar behöver mänsklig bedömning. | Utse ägare och granskningsrutin. |
| Hur dokumenteras användningen? | Återkommande AI-användning behöver kunna följas upp. | Registrera i AI-registret och koppla till AI-policy. |
Exempel: från dokumentmapp till kunskapsbas
Tänk ett företag som har produktblad, interna instruktioner och återkommande frågor utspridda i flera mappar. Första steget är inte att ladda upp allt. Första steget är att välja ett område, till exempel “vanliga frågor från säljavdelningen om produktfamilj X”.
Teamet samlar de dokument som är godkända, tar bort gamla versioner och bestämmer vilka typer av frågor verktyget får hjälpa till med. Sedan testar de tio till tjugo vanliga frågor och kontrollerar svaren mot källorna. När de hittar luckor uppdaterar de dokumentationen i stället för att bara justera prompten.
Efter testet kan teamet bestämma om notebooken ska bli ett återkommande arbetsstöd. Då behöver den en ägare, en uppdateringsrutin och en plats i AI-registret. På så sätt blir NotebookLM inte ett privat experiment, utan en kontrollerad del av företagets kunskapshantering.
Börja med AI-registret och tydliga regler
Om NotebookLM eller liknande verktyg används återkommande bör ni dokumentera syfte, datatyper, ansvar och kontroll. Det gör det lättare att få nytta av AI utan att tappa överblick.
Källor och vidare läsning
Denna guide är praktisk information och inte juridisk rådgivning. För dataskydd och AI-reglering, se IMY:s vägledning om AI och dataskydd samt EU-kommissionens information om AI-förordningen. För produktspecifika funktioner och villkor, kontrollera alltid Googles aktuella dokumentation för NotebookLM och Google Workspace.
Google NotebookLM Help · Google Workspace och dataskydd · IMY om AI och dataskydd · EU-kommissionen om AI Act