NotebookLM, een gewone LLM, of de twee aan elkaar geketend? Bepaal eerst wat u werkelijk nodig hebt

Veel mensen gebruiken de laatste tijd NotebookLM, en men vraagt mij vaak: waarin verschilt het nu eigenlijk van een gewone LLM zoals ChatGPT, Gemini of Claude?

Sommigen denken ook: als Gemini bovendien aan NotebookLM gekoppeld kan worden, betekent dat dan niet dat het de krachtigere, completere versie is?

Mijn mening is: nee.

Deze drie gereedschapsmodi zijn geen verschil in “hoger of lager niveau”, maar een verschil in “manier van werken”.

1. NotebookLM: een documentatie-assistent die zijn bronnen vermeldt

Het lijkt eerder op een documentatie-assistent die “bronvermeldingen bijvoegt”.

Sterke kant: u gooit er documenten, PDF’s en vergaderstukken in, en het kan ze voor u samenvatten, de kernpunten ordenen, de relevante passages opsporen en daarbij aangeven waar elk antwoord vandaan komt. Het is zeer geschikt om snel grote hoeveelheden materiaal te verwerken, een eerste begrip op te bouwen en de inhoud binnen uw documenten op te zoeken.

Beperking: wanneer er veel materiaal is, leest het niet noodzakelijk elke keer alles volledig door om vervolgens over het geheel te redeneren. Het lijkt er eerder op dat het, uitgaande van uw vraag, de inhoud opspoort die het systeem relevant acht en van daaruit een antwoord genereert. Zodra deze stap — het ophalen — dus iets over het hoofd ziet, kan het antwoord het eveneens over het hoofd zien.

2. Een gewone LLM: een consultant die sterk is in zowel denken als uitdrukken

Het lijkt eerder op een consultant wiens denk- en uitdrukkingsvermogen beide zeer uitgesproken zijn.

Sterke kant: het is goed in redeneren, herschrijven, de structuur ordenen, teksten schrijven en het vergelijken van verschillende standpunten. U kunt het een kluwen verwarde gedachten toewerpen en het vragen die tot een helder betoog te ordenen.

Beperking: als u het niet genoeg materiaal geeft, vult het de leemtes mogelijk op met zijn eigen achtergrondkennis. Het antwoord leest misschien heel vloeiend, maar niet elke zin wordt noodzakelijk door een bron gestaafd.

3. Een aan NotebookLM gekoppelde LLM: de consultant laat de assistent eerst opzoeken en antwoordt dan

Deze modus lijkt eerder op de consultant die de documentatie-assistent eerst iets laat opzoeken en vervolgens antwoordt op basis van wat gevonden is.

Sterke kant: vergeleken met een gewone LLM is het makkelijker om naar de bronnen terug te gaan; en het is veel handiger dan elke keer opnieuw het volledige materiaal te uploaden. Het is geschikt voor vraag-en-antwoord tegen een bestaande databank, alsook voor een voorlopige ordening en samenvattende vergelijkingen.

Beperking: het is geen “opgewaardeerde versie” van de eerste twee; het draagt zijn eigen risico. Als NotebookLM in het begin slechts enkele fragmenten aan het licht brengt, zal de latere ordening door de LLM op die fragmenten worden opgebouwd; en als de LLM daar bovendien zijn eigen achtergrondkennis in mengt, kunt u eindigen met een conclusie die “volkomen redelijk klinkt, maar in werkelijkheid niet echt door de bronnen wordt gestaafd”.

Hoe onderscheid ik deze drie dan?

• NotebookLM: geschikt om materiaal te vinden.
• Een gewone LLM: geschikt om dingen te doordenken en om te schrijven.
• LLM + NotebookLM: geschikt om op handige wijze voorlopige vraag-en-antwoord te doen op basis van reeds bestaand materiaal — maar niet hetzelfde als diepgaand redeneren over het volledige materiaal.

Over RAG en Long Context: het gaat er niet om dat de een de ander vervangt

Nu we toch bezig zijn, een woord over twee benaderingen die vaak met elkaar vergeleken worden:

• RAG (dat wil zeggen de manier van werken van NotebookLM) lijkt eerder op “eerst zoeken, dan lezen”: geschikt voor gevallen waarin er veel materiaal is, de vraag helder is en men de relevante passages snel moet opsporen.
• Long Context (dat wil zeggen de manier van werken van een gewone LLM) lijkt eerder op “alles erin stoppen en lezen”: geschikt voor gevallen waarin de hoeveelheid materiaal beheersbaar is en men de volledige context en een begrip dat meerdere passages overspant nodig heeft.

De ideale manier van werken is niet noodzakelijk een bepaalde productcombinatie; ze bestaat erin eerst het onmisbare materiaal te bepalen en vervolgens de rol van dat materiaal en de grenzen van de gevolgtrekkingen duidelijk te benoemen, zodat het model zijn analyse binnen een gecontroleerde context tot een einde kan brengen.

Conclusie: het punt is niet welk gereedschap u kiest

Waar het dus werkelijk om gaat, is niet welk gereedschap u kiest, maar dat u eerst dit voor uzelf verheldert: waaraan u op dit moment behoefte hebt — is het “materiaal vinden”, “dingen doordenken” of “dingen doordenken op basis van materiaal”?

Tussen gereedschappen bestaat geen absoluut beter of slechter; er is alleen de vraag of de manier van werken past. En wanneer ze niet past, hoe men dan — binnen de grenzen van de mogelijkheden van de gereedschappen die men heeft — een redelijke oplossing voor het probleem vindt: dat is nu juist de sleutel tot samenwerking met AI.