NotebookLM, ¿un LLM normal o los dos encadenados? Primero averigua qué necesitas de verdad

Últimamente mucha gente usa NotebookLM, y a menudo me preguntan: ¿en qué se diferencia, en el fondo, de un LLM normal como ChatGPT, Gemini o Claude?

También hay quien piensa: si Gemini, además, se puede encadenar con NotebookLM, ¿no significa eso que es la versión más potente y más completa?

Mi opinión es: no.

Estos tres modos de herramienta no son una diferencia de «nivel superior o inferior», sino de «forma de trabajar».

1. NotebookLM: un asistente de documentación que cita sus fuentes

Se parece más bien a un asistente de documentación que «adjunta las fuentes citadas».

Punto fuerte: le echas documentos, PDF y materiales de reuniones, y puede resumírtelos, ordenar los puntos clave, encontrar los pasajes relevantes y, además, señalar de dónde procede cada respuesta. Va muy bien para digerir con rapidez grandes volúmenes de material, construir una comprensión inicial y localizar el contenido dentro de tus documentos.

Limitación: cuando hay mucho material, no necesariamente lo lee todo por completo cada vez para luego razonar sobre el conjunto. Se parece más a que, a partir de tu pregunta, encuentra el contenido que el sistema considera relevante y genera a partir de ahí una respuesta. Por eso, en cuanto ese paso —la recuperación— se deja algo fuera, la respuesta también puede dejárselo.

2. Un LLM normal: un consultor fuerte tanto pensando como expresándose

Se parece más bien a un consultor cuya capacidad de pensar y de expresarse son ambas muy altas.

Punto fuerte: es bueno razonando, reescribiendo, ordenando la estructura, redactando textos y comparando puntos de vista distintos. Puedes lanzarle una maraña de ideas enredadas y pedirle que las ordene en una exposición clara.

Limitación: si no le das suficiente material, puede rellenar los huecos con su propio conocimiento previo. La respuesta quizá se lea con mucha fluidez, pero no todas las frases están necesariamente respaldadas por una fuente.

3. Un LLM encadenado con NotebookLM: el consultor primero manda al asistente a buscar y luego responde

Este modo se parece más bien a que el consultor primero pide al asistente de documentación que busque, y luego responde a partir de lo encontrado.

Punto fuerte: comparado con un LLM a secas, resulta más fácil remontarse a las fuentes; y es mucho más cómodo que volver a subir cada vez todo el material completo. Va bien para preguntas y respuestas sobre una base documental ya existente, además de para una organización preliminar y comparaciones resumidas.

Limitación: no es una «versión mejorada» de los dos anteriores; también entraña su propio riesgo. Si al principio NotebookLM solo saca a la luz algunos fragmentos, la organización posterior del LLM se construirá sobre esos fragmentos; y si el LLM, además, mezcla su propio conocimiento previo, puedes acabar con una conclusión que «suena de lo más razonable, pero que en realidad no está respaldada por las fuentes».

Entonces, ¿cómo distingo yo estos tres?

• NotebookLM: va bien para buscar material.
• Un LLM normal: va bien para pensar las cosas y para escribir.
• LLM + NotebookLM: va bien para hacer, de forma cómoda, preguntas y respuestas preliminares sobre material ya existente, pero no equivale a un razonamiento profundo sobre el material completo.

Sobre RAG y Long Context: no se trata de que uno sustituya al otro

Ya de paso, unas palabras sobre dos enfoques que suelen compararse:

• RAG (es decir, la forma de trabajar de NotebookLM) se parece más a «buscar primero y leer después»: conviene cuando hay mucho material, la pregunta es clara y necesitas localizar rápidamente los pasajes relevantes.
• Long Context (es decir, la forma de trabajar de un LLM normal) se parece más a «meterlo todo dentro y leerlo»: conviene cuando la cantidad de material es abarcable y necesitas el contexto completo y una comprensión que cruce distintos pasajes.

El modo de trabajo ideal no es necesariamente una combinación concreta de productos, sino primero determinar el material imprescindible y luego dejar claros el papel de ese material y los límites de las inferencias, para que el modelo pueda llevar a cabo su análisis dentro de un contexto controlado.

Conclusión: lo importante no es qué herramienta eliges

Así que lo que de verdad importa no es qué herramienta eliges, sino aclarar primero esto: lo que necesitas ahora mismo, ¿es «buscar material», «pensar las cosas» o «pensar las cosas a partir del material»?

No hay entre las herramientas un mejor o un peor absolutos; solo está la cuestión de si la forma de trabajo encaja. Y, cuando no encaja, cómo encontrar —dentro de las capacidades de las herramientas que tienes— una solución razonable para el problema: eso es, precisamente, la clave para colaborar con la IA.