NotebookLM, ChatGPT e Claude: quali sono le differenze?

NotebookLM risponde in modo conversazionale, ragiona, sintetizza documenti, genera contenuti audio. Si comporta come un’AI, perché lo è. Eppure se lo si confronta con Claude o ChatGPT si accorge presto che qualcosa è diverso, risponde in modo strano su certi argomenti, cita sempre le fonti, a volte dice che non sa qualcosa che gli altri sanno benissimo.

Queste differenze hanno una spiegazione precisa, e capirla cambia il modo in cui si decide quale strumento usare e quando.

La differenza principale è che ChatGPT e Claude attingono a una conoscenza generale costruita durante il training, NotebookLM lavora esclusivamente sulle fonti che l’utente carica. Stesso tipo di tecnologia, filosofia di design opposta.

Cosa hanno in comune

ChatGPT, Claude e NotebookLM sono tutti sistemi basati su modelli linguistici di grandi dimensioni. Tutti e tre elaborano testo in modo conversazionale, tutti e tre ragionano, riassumono, rispondono a domande complesse. Tutti e tre danno l’impressione di «capire» quello che scrivi.

Chi li percepisce come strumenti della stessa famiglia non si sbaglia. La differenza non sta nel cosa sono, ma nel come sono stati configurati per lavorare, e questa distinzione cambia tutto.

Il motore e il veicolo

NotebookLM è alimentato da Gemini, il modello linguistico di Google, disponibile anche in forma autonoma su gemini.google.com. Stesso modello, due esperienze radicalmente diverse.

Come è possibile?

Immaginate un motore automobilistico di alta gamma montato su tre veicoli diversi: un’auto sportiva, una berlina familiare e un camion. Lo stesso motore produce comportamenti completamente diversi a seconda del veicolo che lo contiene e dell’uso per cui quel veicolo è stato progettato. Il motore non cambia, cambia il contesto in cui opera.

NotebookLM è il veicolo. Il modello Gemini al suo interno è identico a quello che gira su gemini.google.com, Google non lo ha modificato ma è intervenuto sull’ambiente in cui opera attraverso le istruzioni di sistema. Queste dicono esplicitamente al modello di usare come unica fonte di conoscenza i documenti caricati dall’utente, ignorando tutto il resto.

Non è che NotebookLM «non sa» cose che Gemini sa. È che l’ambiente in cui opera non gli permette di usarle.

Questo spiega tre comportamenti che chi usa NotebookLM sperimenta ma spesso non riesce a spiegare.

Il primo è la risposta «non ho trovato informazioni su questo nelle fonti fornite», che compare anche su argomenti che Gemini conosce benissimo. Non è un limite del modello, è un vincolo deliberato del sistema.

Il secondo è la citazione sistematica della fonte. Ogni risposta di NotebookLM indica da quale documento e da quale parte proviene l’informazione. Gemini libero non lo fa sistematicamente, perché attinge a una conoscenza distribuita su tutto il suo training e non ha un «documento di provenienza» da indicare.

Il terzo è la minore frequenza di allucinazioni sui contenuti che avete caricato. Quando il modello è vincolato a lavorare solo su testo che ha davanti, il margine per inventare si riduce in modo significativo. Non è zero, i modelli linguistici restano probabilistici, ma è sensibilmente più basso rispetto a un modello che opera su conoscenza generale.

Tutti e tre questi comportamenti non sono difetti da tollerare: sono conseguenze dirette di una scelta progettuale precisa. In ambito accademico, legale, medico o aziendale, un sistema che cita sempre la fonte e non aggiunge conoscenza esterna è spesso esattamente quello che serve.

La differenza architettonica: dove vivono le conoscenze

Claude e ChatGPT operano con una conoscenza che viene dal training: miliardi di parametri costruiti su enormi quantità di testo raccolto prima di una certa data. Quando scrivete un prompt, il modello usato combina quello che ha imparato durante il training con quello che gli state scrivendo in quel momento.

Il vantaggio è la vastità. Sanno di chimica, di storia, di programmazione, di cucina, di diritto. Potete chiedere loro quasi qualsiasi cosa senza preparare nulla.

Lo svantaggio è la distanza dalle vostre fonti specifiche. Se avete cento documenti aziendali, un corpus di ricerca, una serie di PDF che definiscono il vostro dominio di lavoro, il modello non li conosce. Dovete portarglieli ogni volta nel prompt, con tutti i limiti di lunghezza e attenzione che questo comporta.

NotebookLM funziona al contrario. Di default non sa nulla di quello che non gli avete dato, o più precisamente sa molte cose, ma le istruzioni di sistema gli impediscono di usarle perché l’unica conoscenza che può mettere in campo è quella che avete caricato voi. Su quella lavora in profondità, incrocia le fonti tra loro, individua contraddizioni tra documenti, risponde a domande che richiedono di tenere insieme informazioni sparse in decine di file. Il manuale completo di NotebookLM descrive nel dettaglio come caricare le fonti e come interrogarle.

La logica di design è opposta, da un lato conoscenza generale vastissima ma volatile rispetto alle vostre fonti specifiche, dall’altro conoscenza zero di default ma fedeltà totale a quello che avete caricato.

Quando usare cosa

Non esiste una risposta universale, esiste la risposta giusta per il task specifico. Tre fattori concreti aiutano a orientarsi.

Il primo è la provenienza della conoscenza necessaria, già discusso, NotebookLM se la risposta deve venire dai vostri documenti, mentre Claude o ChatGPT se richiede conoscenza del mondo,.

Il secondo è il volume del materiale. NotebookLM è progettato per lavorare su corpus ampi in modo persistente: ogni fonte può contenere fino a 500.000 parole, e il sistema mantiene coerenza tra tutte le fonti caricate senza che dobbiate ripresentare i documenti a ogni sessione. La versione gratuita supporta fino a 50 fonti per notebook, la versione Plus fino a 300, in entrambe le versioni c’è un limite di 200 Mb per singolo file.
Claude e ChatGPT possono gestire documenti allegati, ma li elaborano all’interno della finestra di contesto della conversazione: il numero e le dimensioni dei file sono quindi limitati, e il ragionamento trasversale su corpus numerosi non è il loro punto di forza.

Il terzo è il tipo di fonte. NotebookLM accetta PDF, Google Docs, testo, pagine web tramite URL, immagini, video di YouTube e file video caricati direttamente, con la precisazione che NotebookLM non analizza il contenuto visivo del video ma ne estrae la trascrizione audio e lavora su quella. Non funziona quindi su video privi di parlato, come clip musicali o contenuti solo visivi. Claude e ChatGPT accettano PDF, immagini e testo, ma non URL da indicizzare e non file video: potete incollare il contenuto estratto da una pagina, non puntare direttamente a un sito e chiedergli di leggerlo.

La sezione Studio di NotebookLM permette poi di generare diversi tipi di output a partire dalle vostre fonti, audio overview, guide di studio, FAQ, cronologie, briefing document e altro ancora, tramite preimpostazioni l’utente sceglie il tipo di output e NotebookLM lo produce senza dover necessariamente costruire un prompt. Claude e ChatGPT possono generare gli stessi tipi di output, ma lasciano all’utente la gestione completa tramite prompt, il che offre più controllo a chi sa usarli ma richiede più lavoro di impostazione.

Una nota sui piani gratuiti

C’è un aspetto pratico che vale la pena citare, perché influisce concretamente sulla scelta.

NotebookLM nella versione gratuita è già uno strumento completo e usabile anche in contesti professionali, non ci sono limiti stringenti sul numero di notebook, le funzionalità principali sono tutte disponibili, e la qualità delle risposte non è degradata rispetto alla versione a pagamento. La versione Plus aggiunge capacità aggiuntive, ma il piano gratuito non è una demo.

Le versioni gratuite di Claude e ChatGPT, soprattutto il primo, hanno invece limiti più incisivi sul volume di utilizzo: numero di messaggi, accesso ai modelli più capaci, lunghezza del contesto. Per un uso occasionale o esplorativo funzionano bene, ma per un flusso di lavoro professionale continuativo i limiti si fanno sentire. Le pagine ufficiali di Anthropic e OpenAI riportano i dettagli aggiornati su limiti di messaggi e accesso ai modelli per ciascun piano.

Come usarli insieme

La domanda «quale dei due?» presuppone una scelta esclusiva che nella pratica spesso non ha senso. I workflow più efficaci li usano in sequenza, assegnando a ciascuno il compito per cui è progettato.

Un esempio, carico su NotebookLM un corpus di documenti su un tema specifico, li analizzo per estrarre le tesi principali, identificare i punti di convergenza e contraddizione tra le fonti, generare un briefing document per un primo orientamento. Poi porto le sintesi estratte in Claude per il confronto con conoscenza esterna, lo sviluppo di argomenti, la generazione dell’output finale.

È un approccio che sfrutta le caratteristiche di entrambi, invece di costringerli a fare cose per cui non sono ottimizzati.

Il collegamento fra NotebookLM e gli altri LLM può anche essere automatizzato, restando in casa Google

Ho esplorato anche l’integrazione tecnica diretta, connettendo Claude Desktop a NotebookLM tramite un server MCP, una seconda parte e una terza parte completano la serie con i test pratici e l’analisi dei risultati. Questo tipo di integrazione permette di automatizzare il flusso, eliminando il passaggio manuale di copiare le sintesi da un tool all’altro, ed è percorribile per tutti gli LLM che supportano il protocollo MCP. Chi invece lavora nell’ecosistema Google ha un’opzione nativa: i notebook di NotebookLM possono essere usati direttamente come fonti in Gemini, senza bisogno di integrazioni esterne.

Una questione di filosofia progettuale

Quando qualcuno chiede «NotebookLM è meglio di ChatGPT?», la risposta onesta è che la domanda non è ben posta, non perché chi la fa si sbagli, ma perché manca il contesto che la rende rispondibile.

Per quale lavoro? Meglio per cosa? Con quali documenti? In quale fase del lavoro?

NotebookLM, Claude e ChatGPT sono tutti sistemi AI conversazionali basati su modelli linguistici potenti. La differenza non è di qualità o di capacità assoluta, è di filosofia progettuale. Capire quella differenza non richiede di diventare esperti di architetture AI, richiede solo di chiedersi, ogni volta, dove vivono le conoscenze di cui avete bisogno.