Cos'è davvero NotebookLM

NotebookLM è un'implementazione di RAG — Retrieval-Augmented Generation. Invece di rispondere attingendo alla conoscenza generica del modello, risponde attingendo esclusivamente alle fonti che hai caricato. Ogni risposta è citata: puoi vedere da quale documento proviene ogni affermazione e andare direttamente al punto originale.

Questo lo rende fondamentalmente diverso da un assistente AI generico. ChatGPT o Claude rispondono da una conoscenza vastissima ma non sempre verificabile e potenzialmente datata. NotebookLM risponde da un corpus che hai selezionato tu — il che significa che le risposte sono ancorate a fonti specifiche, controllabili e aggiornate quanto le fonti che hai scelto.

Il limite per notebook è di 50 fonti. Sembra poco ma è già abbastanza per costruire una base di conoscenza solida su qualsiasi argomento circoscritto.

Come aggiungo le fonti

Ci sono due modi. Il primo è manuale: carico PDF, incollare testo, aggiungo URL, importo documenti Google. Lo uso quando so già cosa voglio che il notebook contenga — per esempio le slide del master, la documentazione ufficiale di Python, o i testi di riferimento di un settore cliente.

Il secondo è automatico: NotebookLM può cercare fonti su Google in autonomia a partire da un argomento. Ed è qui che entra un insight che per un SEO ha un valore specifico.

Quando dico a NotebookLM "cerca fonti autorevoli su [argomento]" e guardo cosa recupera, sto vedendo cosa Google ritiene sufficientemente autorevole da includere tra i risultati di una ricerca approfondita. Non è un dato di ranking standard — è una segnalazione di fiducia. Su topic B2B o YMYL dove costruire autorità è il cuore del lavoro SEO, capire quali fonti Google posiziona come riferimenti è un'informazione utile al di là dello studio.

I casi d'uso che uso di più

Studio per il master

Machine learning, Python, analytics

Sto seguendo il Master in AI & Digital Analytics all'Università di Milano-Bicocca — argomenti come Python, SQL, machine learning e statistica applicata al marketing. Ho un notebook dedicato a Python con la documentazione ufficiale, alcune guide selezionate e i materiali del corso. Quando ho un dubbio su un blocco di codice — perché si comporta in un certo modo, qual è la differenza tra due funzioni, come gestisce un caso limite — lo chiedo direttamente al notebook. La risposta è precisa, citata e non mi porta fuori dal contesto in cui sto lavorando. È più rapido di cercare su Stack Overflow e più affidabile di chiedere a un modello generico che potrebbe allucinare API deprecate.

Ricerca su settori dei clienti

Farmaceutica, fisco, real estate

Prima di iniziare un progetto SEO su un settore che non conosco bene, costruisco un notebook con le fonti più autorevoli disponibili: normativa di riferimento, pubblicazioni di settore, documenti ufficiali. Poi ci converso per costruire rapidamente il contesto che mi serve — terminologia tecnica, attori principali, vincoli normativi che impattano il contenuto. Quello che richiederebbe ore di lettura lineare diventa una conversazione esplorativa di venti minuti.

Ricerca per gli articoli del blog

Come per questo

Quando scrivo un articolo su un argomento tecnico, carico le fonti primarie che voglio citare — studi, report, documentazione — e uso il notebook per interrogarle in modo trasversale. Invece di rileggere ogni documento per trovare il dato specifico che mi serve, chiedo direttamente: "quale studio riporta il dato sul CTR degli AI Overview?" La risposta arriva con la citazione esatta, e posso verificarla nell'originale in un secondo.

Podcast e slide: lo studio che non ti aspetti

Una delle funzioni meno ovvie di NotebookLM è la generazione di podcast audio a partire dalle fonti. Due voci sintetiche discutono l'argomento in modo conversazionale, con domande e risposte, esempi e approfondimenti. Il risultato è sorprendentemente utile per la memorizzazione — ascoltare un concetto spiegato in forma dialogica attiva meccanismi diversi dalla lettura.

Lo uso per i materiali del master in AI & Digital Analytics quando devo consolidare argomenti teorici — machine learning, statistica, architetture di modelli. Non sostituisce lo studio attivo, ma funziona bene come ripasso in movimento o come primo contatto con un argomento nuovo.

Le slide funzionano in modo simile: NotebookLM genera una presentazione strutturata a partire dalle fonti, utile per avere una vista sintetica di un argomento complesso prima di immergersi nei dettagli.

Il limite che vale la pena tenere a mente

NotebookLM è preciso ma non onnisciente rispetto alle sue fonti. Se le fonti che hai caricato sono incomplete, contraddittorie o datate, le risposte rifletteranno quei limiti. La qualità dell'output dipende direttamente dalla qualità del corpus — il principio GIGO (garbage in, garbage out) vale qui più che altrove.

Per la SEO questo significa che la selezione delle fonti è parte del lavoro, non un passaggio automatico. Un notebook costruito con documentazione ufficiale Google, studi di Ahrefs e Seer Interactive, e materiale da Search Engine Land darà risposte molto diverse da uno costruito con post di blog generici. Il valore dello strumento dipende dal giudizio editoriale di chi lo usa.

Punto di partenza: crea un notebook per un argomento che stai studiando adesso. Carica 5-10 fonti che già conosci e fidati. Poi inizia a fargli domande come faresti con un collega che ha letto gli stessi documenti. La curva di apprendimento è praticamente zero — il valore emerge subito.