NotebookLM para trabajar con documentos: qué es y para qué sirve

NotebookLM es una herramienta de Google que responde a tus preguntas usando las fuentes que tú le das, no lo que el modelo aprendió durante su entrenamiento. Le añades un conjunto de documentos —un informe largo, una normativa interna, un año de actas— y a partir de ahí le preguntas sobre ellos. Esa es su diferencia real frente a un chat generalista, y es mayor de lo que parece de entrada.

Un chat como ChatGPT responde con conocimiento general y, si le pegas un documento, lo tiene en cuenta mientras dure la conversación. NotebookLM invierte el planteamiento: el material es el punto de partida fijo, la conversación gira alrededor de él y, cuando responde, te remite al punto de la fuente del que ha salido cada cosa. Puedes ir a comprobarlo en lugar de fiarte de lo bien redactada que suene la respuesta.

Eso lo vuelve interesante justo donde más texto se acumula en una empresa: informes que nadie se lee enteros, normativa interna que cada uno interpreta a su manera, actas que envejecen en una carpeta compartida, documentación técnica que solo domina una persona. Este artículo va de para qué sirve, cómo encaja con lo que ya usas y qué te sigue exigiendo a ti. De su ficha técnica, no: es una herramienta joven y cualquier lista de límites, formatos o funciones que escriba hoy estará caducada antes de que te sirva de algo. Si lo que buscas es que un equipo aprenda a trabajar así con sus propios documentos, eso es formación en IA para empresas.

Qué es NotebookLM y en qué se diferencia de un chat normal

La mecánica de fondo es la misma que la de cualquier herramienta de IA generativa: un modelo que produce texto plausible. Lo que cambia es de dónde saca el material para producirlo.

La fila que más cambia el trabajo diario es la tercera. En un chat generalista la respuesta llega sin costuras, y verificarla es un trabajo aparte que casi nadie hace. Aquí la comprobación está a un clic, y eso convierte un hábito teórico —revisar siempre— en algo que la gente acaba haciendo, sencillamente porque cuesta poco.

Para qué sirve NotebookLM: cinco situaciones reales

Antes de las cinco, una ventaja que solo se aprecia a las pocas semanas: montar el cuaderno obliga a decidir qué documentos son los buenos. Elegir las fuentes —esta versión del procedimiento sí, la de hace tres años no— es un pequeño ejercicio de orden que resuelve ya la mitad de los problemas de quien pregunta a documentos equivocados.

• Un documento largo del que solo necesitas tres cosas. Un pliego, una memoria, un informe de auditoría. En vez de leerlo entero para localizar tres apartados, preguntas por ellos y abres la cita para leer solo lo que importa.
• Normativa o procedimientos internos. El caso clásico de «¿esto lo cubre el procedimiento o no?». La respuesta que sirve no es la del modelo: es el párrafo al que te lleva.
• Actas acumuladas de un proyecto. Un año de reuniones es material imposible de repasar a mano. Preguntar qué se decidió sobre un asunto, cuándo y qué quedó pendiente es exactamente el tipo de pregunta transversal que un cuaderno resuelve bien.
• Documentación técnica que solo domina una persona. Manuales, especificaciones, histórico de incidencias. No sustituye a esa persona, pero le quita de encima las preguntas repetidas de primer nivel.
• Documentos que se contradicen entre sí. Dos versiones de una propuesta, la oferta y el contrato firmado, el procedimiento y lo que dice la instrucción de trabajo. Preguntar por las diferencias y verificarlas una a una es más rápido que cotejarlos en dos pantallas.

En los cinco casos el patrón es el mismo: el material lo pones tú, y lo que se ahorra es la búsqueda y la primera síntesis. Lo que no se ahorra es la decisión final, que sigue siendo tuya.

Lo que necesitas antes: documentos que ya sean texto

Aquí hay un paso previo que se pasa por alto. NotebookLM trabaja sobre documentos; si lo que tienes son escaneos, fotos de páginas o papel en un archivador, primero hay que convertirlo. Esa es otra tarea, con sus propias herramientas y su propia forma de verificar, y está desarrollada en pasar documentos en papel o imagen a texto con IA.

Merece la pena hacerlo bien, porque un texto mal extraído arrastra el error hasta el final: si en la digitalización se coló un número cambiado, la respuesta te llevará educadamente al número equivocado.

El punto del prompt que NotebookLM resuelve por diseño

Cuando una tarea importa, la instrucción que funciona tiene siete partes: contexto real, objetivo, restricciones, fuentes que puede usar, entregable exacto, criterios de aceptación y comprobaciones antes de terminar. Lo desarrollo en qué es un prompt y por qué importa cómo lo escribes.

El cuarto punto —qué material puede usar y si puede salirse de ahí— es el que más reduce el relleno inventado, y también el que más se olvida. NotebookLM lo resuelve por construcción: al montar el cuaderno ya has contestado a esa parte antes de escribir nada.

La consecuencia práctica es que puedes concentrarte en los otros seis, y conviene aprovecharlo en vez de relajarse. La diferencia entre «resume esto» y «dame los cinco compromisos con fecha que aparezcan en las actas, con quién los asumió y en qué reunión, y márcame los que no tengan fecha» sigue siendo enorme. Ceñir las fuentes mejora de dónde sale la respuesta; no mejora una pregunta vaga.

Sigue generando lo plausible: qué revisar igualmente

Esta es la parte que no se puede saltar. Con las fuentes acotadas el riesgo baja bastante, pero no desaparece, porque debajo sigue habiendo un modelo que genera la continuación más plausible y no comprueba hechos. En la práctica se manifiesta así:

• Resúmenes con el matiz cambiado. El texto es correcto en casi todo, y ese poco que no lo es altera el sentido de una condición o de un plazo.
• Fuentes mezcladas. Si dos documentos dicen cosas distintas, la síntesis puede sonar coherente y estar juntando lo que no va junto.
• La cita que no sostiene lo que afirma. Que la respuesta te remita a un fragmento no garantiza que ese fragmento diga exactamente lo que la respuesta resume.
• Respuestas a medias. Puede localizar tres de las cinco menciones que hay en el material y no avisarte de que faltan dos.

De ahí sale la regla de trabajo: la respuesta es el índice, no la conclusión. Sirve para llevarte al sitio en segundos; lo que se lleva a un cliente, a un comité o a un contrato se lee en la fuente. Cuando el resultado va a salir de casa, esa comprobación es parte del método y no una precaución opcional.

Antes de subir nada: el criterio de privacidad de siempre

Trabajar sobre documentación interna significa sacarla de vuestros sistemas y llevarla a un servicio externo. Eso exige exactamente el mismo criterio que aplicamos con cualquier otra herramienta, y está detallado en qué no compartir nunca con ChatGPT.

Tres preguntas antes de añadir la primera fuente: con qué cuenta estás entrando y qué condiciones tiene esa cuenta; si el documento contiene datos personales o material de un tercero que no es tuyo para compartir; y qué dice la política interna de tu empresa al respecto. Si no hay política interna, ese es el problema a resolver primero, y no lo arregla ninguna herramienta.

No es Gemini, y no sustituye a ChatGPT ni a Copilot

Conviene no meterlo todo en el mismo saco. Gemini dentro de Google Workspace es otra cosa: un asistente que vive en Gmail, Drive o Docs y trabaja con lo que ya está en tu cuenta, con su propia forma de pedirle las cosas (prompts para Gemini). NotebookLM es una herramienta aparte, con otra lógica: tú decides qué entra en el cuaderno y el trabajo pasa dentro de ese perímetro.

Tampoco compite con ChatGPT ni con Microsoft 365 Copilot. Son piezas distintas: para redactar, reescribir o resolver una tarea suelta, un chat generalista va sobrado; para consultar un cuerpo de documentación, un cuaderno de fuentes gana. Si estás decidiendo qué herramientas tiene sentido pagar, el mapa completo está en qué IA encaja mejor en tu empresa.

Dónde acaba usarlo y dónde empieza la implantación

Aquí la confusión es muy fácil, y sale cara. Todo lo anterior es usarlo: una persona prepara un conjunto de documentos para una tarea concreta, pregunta, comprueba y aprovecha el resultado. Se aprende en unas horas y es lo que enseño desde aquí.

Otra cosa distinta es que la empresa tenga un asistente sobre su propia documentación: que se actualice solo cuando cambia un procedimiento, que respete los permisos de cada perfil, que esté disponible para toda la plantilla y que alguien lo mantenga. Eso es implantación, con análisis previo, decisiones de seguridad, coste recurrente y riesgo técnico propio. No lo abordo desde aquí; lo trabajo desde Meridian Data, la consultora de datos e IA desde la que hago los proyectos técnicos.

Empezar por lo segundo cuando aún nadie ha usado lo primero es el orden equivocado. Un par de personas trabajando unas semanas con cuadernos propios te dicen, con datos reales, si merece la pena montar algo más grande y sobre qué documentación exactamente.

Por dónde empezar

Coge una tarea que ya te esté costando tiempo y que cumpla tres condiciones: el material existe y es texto, la pregunta se repite y la respuesta es comprobable. Un procedimiento interno, el histórico de un proyecto, la documentación de un producto. Monta el cuaderno con las versiones buenas, escribe tres preguntas reales de las que hoy resuelves a mano y compara el tiempo.

Si el resultado convence, el paso siguiente no es subir toda la unidad compartida: es enseñar el criterio. Qué documentos entran, cómo se pregunta, qué se revisa siempre y qué no se sube nunca. Eso se practica con documentación propia en la formación en IA para empresas y, si lo que quieres afinar es la forma de pedir las cosas —la parte que ninguna herramienta resuelve por ti—, en el curso de prompt engineering.

Y si prefieres decidirlo hablando, reserva media hora y miramos qué documentación tenéis, cuál merece un cuaderno y cuál pide otra solución.