NotebookLM, un LLM ordinaire, ou les deux enchaînés ? D'abord, déterminez ce dont vous avez vraiment besoin

Beaucoup de gens utilisent NotebookLM ces derniers temps, et on me demande souvent : en quoi se distingue-t-il, au fond, d’un LLM ordinaire comme ChatGPT, Gemini ou Claude ?

Certains se disent aussi : si Gemini peut en plus être enchaîné à NotebookLM, cela ne veut-il pas dire qu’il en est la version plus puissante et plus complète ?

Mon avis : non.

Ces trois modes d’outil ne relèvent pas d’une différence de « niveau, supérieur ou inférieur », mais d’une différence de « manière de travailler ».

1. NotebookLM : un assistant de documentation qui cite ses sources

Il ressemble plutôt à un assistant de documentation qui « joint les sources citées ».

Point fort : vous y déposez des documents, des PDF, des documents de réunion, et il peut vous les résumer, organiser les points clés, repérer les passages pertinents et, en plus, signaler d’où vient chaque réponse. Il convient très bien pour digérer rapidement de grands volumes de matière, bâtir une compréhension initiale et rechercher le contenu à l’intérieur de vos documents.

Limite : quand la matière est abondante, il ne la lit pas nécessairement en entier à chaque fois pour ensuite raisonner sur l’ensemble. Il s’apparente plutôt à ceci : à partir de votre question, il repère les contenus que le système juge pertinents, puis génère une réponse à partir de là. Ainsi, dès que cette étape — la récupération — laisse échapper quelque chose, la réponse peut le laisser échapper elle aussi.

2. Un LLM ordinaire : un consultant fort tant dans la pensée que dans l’expression

Il ressemble plutôt à un consultant dont les capacités de réflexion et d’expression sont toutes deux très marquées.

Point fort : il est doué pour raisonner, reformuler, ordonner la structure, rédiger des textes et comparer différents points de vue. Vous pouvez lui confier un enchevêtrement d’idées confuses et lui demander de les ordonner en un exposé clair.

Limite : si vous ne lui fournissez pas assez de matière, il risque de combler les vides avec ses propres connaissances de fond. La réponse se lit peut-être avec beaucoup de fluidité, mais toutes les phrases ne sont pas nécessairement étayées par une source.

3. LLM enchaîné à NotebookLM : le consultant fait d’abord chercher les données par l’assistant, puis répond

Ce mode ressemble plutôt au consultant qui demande d’abord à l’assistant de documentation d’aller chercher les informations, puis répond en fonction de ce qui a été trouvé.

Point fort : par rapport à un LLM pur et simple, il est plus facile de remonter aux sources ; et c’est bien plus commode que de retéléverser à chaque fois l’intégralité de la matière. Il convient pour des questions-réponses sur une base documentaire déjà existante, ainsi que pour une organisation préliminaire et des comparaisons résumées.

Limite : ce n’est pas une « version améliorée » des deux premiers ; il comporte son propre risque. Si NotebookLM ne remonte au départ que quelques fragments, l’organisation ultérieure du LLM se construira sur ces fragments ; et si le LLM y mêle en plus ses propres connaissances de fond, on peut aboutir à une conclusion qui « paraît tout à fait raisonnable, mais qui en réalité n’est pas véritablement étayée par les sources ».

Alors, comment est-ce que je distingue ces trois-là ?

• NotebookLM : adapté à la recherche de matière.
• Un LLM ordinaire : adapté pour réfléchir aux choses et pour écrire.
• LLM + NotebookLM : adapté pour faire commodément des questions-réponses préliminaires à partir de matière déjà existante, mais cela n’équivaut pas à un raisonnement approfondi sur l’ensemble de la matière.

À propos de RAG et de Long Context : il ne s’agit pas de savoir lequel remplace l’autre

J’en profite pour dire un mot de deux approches que l’on compare souvent :

• RAG (c’est-à-dire la manière de travailler de NotebookLM) ressemble plutôt à « chercher d’abord, lire ensuite » : adapté aux cas où la matière est abondante, où la question est claire et où l’on doit repérer rapidement les passages pertinents.
• Long Context (c’est-à-dire la manière de travailler d’un LLM ordinaire) ressemble plutôt à « tout mettre dedans et le lire » : adapté aux cas où la quantité de matière est maîtrisable et où l’on a besoin du contexte complet et d’une compréhension traversant plusieurs passages.

Le mode de travail idéal n’est pas nécessairement une combinaison de produits particulière ; il consiste à déterminer d’abord la matière indispensable, puis à préciser le rôle de cette matière et les limites des inférences, afin que le modèle puisse mener son analyse à terme dans un contexte maîtrisé.

Conclusion : le point important n’est pas de savoir quel outil choisir

Ainsi, ce qui compte vraiment n’est pas de savoir quel outil on choisit, mais de se clarifier d’abord ceci : ce dont on a besoin en ce moment, est-ce « chercher de la matière », « réfléchir aux choses » ou « réfléchir aux choses à partir de la matière » ?

Il n’y a pas de meilleur ou de pire absolu entre les outils ; il n’y a que la question de savoir si le mode de travail convient. Et lorsqu’il ne convient pas, comment trouver — dans les limites des capacités des outils dont on dispose — une solution raisonnable au problème : voilà, précisément, la clé de la collaboration avec l’IA.