NotebookLM, ein normales LLM oder beide verkettet? Finde erst heraus, was du wirklich brauchst

In letzter Zeit nutzen viele Leute NotebookLM, und oft werde ich gefragt: Worin unterscheidet es sich eigentlich von einem normalen LLM wie ChatGPT, Gemini oder Claude?

Manche überlegen auch: Wenn Gemini sich zudem mit NotebookLM verketten lässt, heißt das dann nicht, dass es die stärkere, vollständigere Version ist?

Meine Ansicht: nein.

Eine Infografik, die drei Modi vergleicht – NotebookLM, ein normales LLM und ein mit NotebookLM verkettetes LLM – sowie die Unterschiede zwischen RAG, Long Context und Hybrid

Diese drei Werkzeugmodi sind kein Unterschied von „höherem oder niedrigerem Rang“, sondern ein Unterschied in der „Arbeitsweise“.

1. NotebookLM: ein Rechercheassistent mit Quellenangaben

Es gleicht eher einem Rechercheassistenten, der „Quellenangaben beifügt“.

Stärke: Du wirfst Dokumente, PDFs und Sitzungsunterlagen hinein, und es kann sie für dich zusammenfassen, die Kernpunkte ordnen, die einschlägigen Passagen finden und dabei kennzeichnen, woher die Antwort stammt. Es eignet sich sehr gut dazu, große Materialmengen rasch zu verdauen, ein erstes Verständnis aufzubauen und den Inhalt in Dokumenten nachzuschlagen.

Grenze: Wenn es sehr viel Material gibt, liest es nicht unbedingt jedes Mal alles vollständig durch und schließt dann über das Ganze. Es findet eher, ausgehend von deiner Frage, die Inhalte, die das System für einschlägig hält, und erzeugt daraus eine Antwort. Übersieht also dieser eine Schritt, das Abrufen, etwas, dann kann die Antwort es ebenfalls übersehen.

2. Ein normales LLM: ein Berater, der stark im Denken wie im Ausdruck ist

Es gleicht eher einem Berater, dessen Denk- und Ausdrucksvermögen beide sehr ausgeprägt sind.

Stärke: Es ist gut im Schlussfolgern, Umschreiben, Strukturieren, Verfassen von Texten und im Vergleichen unterschiedlicher Sichtweisen. Du kannst ihm einen Knäuel wirrer Gedanken hinwerfen und ihn bitten, daraus eine klare Darlegung zu ordnen.

Grenze: Gibst du ihm nicht genug Material, füllt es die Lücken womöglich mit seinem eigenen Hintergrundwissen. Die Antwort liest sich vielleicht sehr flüssig, aber nicht jeder Satz ist zwangsläufig durch eine Quelle gedeckt.

3. LLM verkettet mit NotebookLM: der Berater lässt den Assistenten erst nachschlagen und antwortet dann

Dieser Modus gleicht eher dem, dass der Berater den Rechercheassistenten zuerst etwas nachschlagen lässt und dann auf Grundlage des Gefundenen antwortet.

Stärke: Verglichen mit einem bloßen LLM lässt es sich leichter auf die Quellen zurückführen; und es ist weit bequemer, als jedes Mal das vollständige Material erneut hochzuladen. Es eignet sich für Frage-und-Antwort an einer bestehenden Datenbasis, für erstes Ordnen und für vergleichende Zusammenfassungen.

Grenze: Es ist keine „aufgewertete Version“ der ersten beiden – es birgt sein eigenes Risiko. Wenn NotebookLM anfangs nur einen Teil der Bruchstücke zutage fördert, baut das spätere Ordnen des LLM auf eben diesen Bruchstücken auf; und mischt das LLM dann noch sein eigenes Hintergrundwissen hinein, kann am Ende ein Schluss herauskommen, der „völlig plausibel klingt, in Wahrheit aber gar nicht durch die Quellen gestützt ist“.

Wie also würde ich diese drei auseinanderhalten?

NotebookLM: gut zum Auffinden von Material.
Ein normales LLM: gut zum Durchdenken von Dingen und zum Verfassen von Texten.
LLM + NotebookLM: gut für bequeme, erste Frage-und-Antwort auf Grundlage vorhandenen Materials – aber nicht dasselbe wie tiefes Schließen über den vollständigen Materialbestand.

Zu RAG und Long Context: Es geht nicht darum, dass eines das andere ablöst

Bei der Gelegenheit noch ein Wort zu zwei Ansätzen, die oft miteinander verglichen werden:

RAG (also die Arbeitsweise von NotebookLM) gleicht eher dem „erst suchen, dann lesen“: geeignet für Fälle, in denen es sehr viel Material gibt, die Frage klar ist und man die einschlägigen Passagen rasch auffinden muss.
Long Context (also die Arbeitsweise eines normalen LLM) gleicht eher dem „alles hineinlegen und lesen“: geeignet für Fälle, in denen die Materialmenge überschaubar ist und man den vollständigen Zusammenhang sowie ein passagenübergreifendes Verständnis braucht.

Die ideale Arbeitsweise ist nicht zwangsläufig irgendeine bestimmte Produktkombination. Sie besteht darin, zuerst das tatsächlich nötige Material zu bestimmen, dann die Rolle dieses Materials und die Grenzen der Schlussfolgerungen klar zu benennen, damit das Modell seine Analyse innerhalb eines kontrollierten Zusammenhangs zu Ende führen kann.

Fazit: Der Punkt ist nicht, welches Werkzeug du wählst

Worauf es also wirklich ankommt, ist nicht, welches Werkzeug du wählst, sondern dir zuerst darüber klar zu werden: Was du gerade brauchst – ist es „Material finden“, „Dinge durchdenken“ oder „auf Grundlage von Material Dinge durchdenken“?

Es gibt kein absolutes Besser oder Schlechter zwischen Werkzeugen, nur die Frage, ob die Arbeitsweise passt. Und wenn sie nicht passt, wie man dann innerhalb der Fähigkeiten der Werkzeuge, die man hat, eine vernünftige Lösung für das Problem findet – das ist der Schlüssel zur Zusammenarbeit mit KI.