Unire Claude e NotebookLM (terza parte)

Questa è la terza parte del tutorial sulla connessione di Claude e NotebookLM.
La prima parte ha riguardato la configurazione del sistema che permette di far dialogare le due AI.
La seconda parte ha approfondito la gestione, da come si configurano le connessioni ai singoli notebook a come si scrive il prompt ed altro ancora.
Questa terza parte entra nel vivo di questo sistema, raccontando nel dettaglio un esempio reale e impiegando anche la nuova feature delle skill, condividendo anche il documento generato alla fine della sessione.

Questo tutorial racconta nel dettaglio un caso reale di analisi documentale che ho condotto utilizzando Claude connesso a NotebookLM attraverso il server MCP NotebookLM-MCP, sviluppato da Gérôme Dexheimer e disponibile su Github. L’obiettivo non è produrre un’analisi giuridica professionale, che richiederebbe competenze specifiche che non ho, ma mostrare concretamente le potenzialità del metodo applicato a materiale documentale complesso.

Il caso è stato scelto perché presenta caratteristiche tipiche di molti contesti professionali: documenti estesi da analizzare, necessità di identificare pattern e confrontare fonti diverse, output da produrre in formati diversi. Chi lavora con analisi di mercato, review di letteratura scientifica, sintesi di documentazione tecnica o altri ambiti che richiedono di processare materiale complesso può trovare qui principi trasferibili al proprio contesto.

Una precisazione importante: nell’analisi ho usato la skill contextual-writing-assistant, una skill che ho sviluppato per applicare uno stile personalizzato di scrittura. Questo dimostra come Claude possa essere adattato secondo esigenze specifiche, ma il metodo funziona anche senza skill personalizzate.

Qui con Claude si intende Claude Desktop, infatti le feature usate nel test nel loro insieme sono utilizzabili solo con questa versione.

Il contesto di lavoro

L’obiettivo della simulazione era analizzare l’evoluzione della giurisprudenza sull’AI generativa attraverso tre momenti temporali: i casi raccolti nel mio libro Creatività ibrida pubblicato all’inizio del 2025, e due sentenze successive uscite a giugno 2025 (Bartz vs Anthropic, tribunale federale USA) e novembre 2025 (Getty Images vs Stability AI, tribunale di Londra). La questione da analizzare era capire se esiste un approccio condiviso tra diversi paesi e se la giurisprudenza sta sviluppando un framework coerente oppure si stanno definendo divergenze sostanziali.

Il materiale di partenza era già organizzato in due notebook di NotebookLM separati. Il primo con il mio libro completo, il secondo con le due sentenze integrali più recenti. Questa divisione in due notebook separati non è casuale: è uno dei punti dove l’integrazione Claude-NotebookLM mostra vantaggi significativi rispetto all’uso diretto del solo NotebookLM, che non permette di lavorare con più notebook contemporaneamente.

Come output ho richiesto un documento markdown di analisi comparata e una presentazione PowerPoint di circa venti slide. Questo per testare la capacità di Claude di produrre output in formati diversi per esigenze diverse: il documento per chi vuole approfondire, la presentazione per chi ha bisogno di una sintesi visuale. Alla fine del tutorial si può scaricare la presentazione in formato pptx.

Fase zero: definire obiettivi chiari

Il primo passaggio, quello che determina tutto il resto, è definire con chiarezza cosa si vuole ottenere. Non basta dire

“analizza questi documenti“

serve essere specifici su tre aspetti: cosa si cerca esattamente, come si vuole procedere, quale struttura deve avere l’output.

Nel caso specifico ho impostato la richiesta così:

“Voglio che tu analizzi un corpus di materiali legali relativo alle AI attraverso un approccio iterativo con revisione umana tra i passaggi.

Fase 1 – Analisi del primo corpus: accedi al mio notebook NotebookLM “Creatività Ibrida” ed estrai gli atti giuridici presenti (decisioni del Copyright Office USA e sentenze varie). Identifica i pattern ricorrenti nei ragionamenti legali e nei precedenti citati. Prepara un’analisi sintetica che documenti questi pattern con riferimenti specifici ai casi. Una volta completata questa fase, fermati e attendi il mio feedback prima di procedere oltre.

Fase 2 – Analisi del secondo corpus: sulla base del tuo metodo di analisi dalla Fase 1, applica lo stesso approccio alle due sentenze “Bartz vs Anthropic” e “Getty vs Stability” contenute nel notebook “Corpus giuridico AI”. Documenta i pattern ricorrenti e le peculiarità di questi due casi in un’analisi parallela. Fermati di nuovo per discussione.

Fase 3 – Analisi comparativa: confronta sistematicamente i due set di analisi: identifica pattern comuni tra il primo corpus e i due casi specifici, evidenzia divergenze significative nei ragionamenti legali. Fermati per revisione congiunta.

Fase 4 – Sintesi in formato presentazione: come report finale prepara un documento markdown che integri tutte e tre le analisi con una sezione dedicata alle similarità e differenze. Fermati per revisione. Sulla base del documento markdown approvato, genera una presentazione PowerPoint di circa 20 slide che trasformi le analisi in una narrazione coerente, con slide dedicate ai pattern, ai casi specifici e alle conclusioni comparative.“

Questa richiesta contiene diversi elementi:

• Sabilisce obiettivi precisi: trovare pattern, verificare coerenza, produrre output specifici.

• Definisce un metodo di lavoro: non delego tutto a Claude e aspetto il risultato finale, ma intervengo a ogni passaggio per validare, correggere, indirizzare.

• Predefinisce gli output, che devono avere formati specifici.

Naturalmente per migliorare le richieste ci si può fare aiutare da Claude, cosa che io ho fatto.

Perché dedicare tempo a questa definizione iniziale invece di buttarsi subito nell’analisi? Perché Claude lavora meglio quando capisce non solo cosa deve fare, ma anche come deve farlo e perché. Una richiesta vaga come “analizza questi documenti legali” produrrebbe un output generico, probabilmente non quello che serve. Una richiesta strutturata produce un lavoro mirato, e il metodo human-in-the-loop evita di scoprire problemi solo alla fine, quando correggere costa molto più tempo.

Verifiche tecniche prima di iniziare

Prima di iniziare l’analisi vera e propria serviva verificare che tutto funzionasse: la connessione con NotebookLM, l’autenticazione, la disponibilità dei notebook. Questo è uno dei punti che dimostra come funziona la suddivisione dei compiti. Claude non è solo uno strumento passivo che aspetta comandi ma può gestire autonomamente anche aspetti tecnici.

Nel caso specifico Claude ha verificato la connessione con NotebookLM, ha appurato che era scaduta e ha ripetuto autonomamente la procedura di autenticazione, ripristinando il collegamento. Solo dopo aver verificato il funzionamento di tutto il sistema abbiamo proceduto con le analisi richieste.

Questo tipo di gestione autonoma dei problemi tecnici è importante perché mi permette di concentrarmi sul contenuto dell’analisi invece di perdere tempo con configurazioni e troubleshooting. Affrontare eventuali problemi tecnici subito, prima di iniziare il lavoro sostanziale, evita interruzioni fastidiose a metà dell’analisi.

Fase 1: analisi del primo notebook

A questo punto ho inserito la prima richiesta operativa a Claude:

“Per ogni atto giuridico citato nel libro identifica la giurisdizione, l’oggetto della controversia, i principi giuridici applicati, le conclusioni. Poi cerca caratteristiche comuni o pattern ricorrenti tra casi diversi.“

Prima di essere inviata a NotebookLM la richiesta viene rielaborata in un prompt più definito.

NotebookLM ha restituito un’analisi che Claude ha poi sintetizzato identificando cinque pattern ricorrenti nei casi esaminati. Qui però è emerso il primo problema: l’analisi conteneva alcune imprecisioni, dovute sia a passaggi molto complessi che nel riassunto sono stati riassunti troppo, sia ad un’eccessiva libertà di interpretazione da parte di Claude.

Ho dovuto intervenire correggendo le interpretazioni errate e chiedendo di rivedere l’analisi. Senza la mia verifica quegli errori sarebbero passati nelle fasi successive amplificandosi, ma dopo la correzione l’analisi del primo notebook era solida e potevamo procedere.

Fase 2: analisi del secondo notebook

Con il metodo di analisi validato nella Fase 1, sono passato al secondo notebook contenente le due sentenze recenti. Ho chiesto a Claude di applicare lo stesso approccio analitico ai nuovi documenti.

Anche qui la mia richiesta prima di essere inviata a NotebookLM è stata trasformata in un prompt meglio definito. La differenza importante rispetto alla Fase 1 è che ora stavamo interrogando un notebook diverso, contenente materiale differente. Lavorando direttamente in NotebookLM non è possibile lavorare con più notebook nella stessa sessione, mentre qui Claude ha agito da orchestratore gestendo autonomamente il passaggio tra i due notebook e mantenendo il contesto dell’analisi precedente.

L’analisi delle due sentenze ha prodotto risultati più focalizzati: invece di cercare pattern generali in molti casi, si concentrava su due sentenze specifiche identificandone le caratteristiche distintive e i ragionamenti giuridici utilizzati.

Anche questa volta ho verificato l’output prima di procedere. In questo caso l’analisi era accurata e potevamo passare alla fase successiva.

Fase 3: analisi comparativa

Con le analisi dei due notebook validate, è arrivato il momento della fase più complessa: il confronto sistematico. Ho chiesto a Claude di identificare pattern comuni tra i casi del primo corpus e le due sentenze recenti, evidenziare divergenze significative nei ragionamenti legali, e verificare se i precedenti venivano utilizzati in modo coerente.

Questa fase è particolarmente interessante perché dimostra come Claude possa integrare informazioni provenienti da fonti diverse. Non si trattava più di analizzare un singolo notebook, ma di mettere in relazione i risultati di due analisi precedenti, identificando connessioni e differenze che attraversano i documenti.

L’analisi comparativa ha evidenziato sia elementi di continuità che alcune divergenze interessanti nell’approccio giuridico. Anche qui ho verificato che le conclusioni fossero supportate dai documenti e non fossero interpretazioni forzate.

Fase 4: produzione degli output finali

Con tutte le analisi validate, ho chiesto a Claude di produrre prima un documento markdown strutturato che integrasse tutto il lavoro svolto, e successivamente una presentazione PowerPoint di circa venti slide.

Il documento markdown è stato generato includendo le analisi delle tre fasi precedenti con una sezione dedicata alle similarità e differenze emerse. L’ho revisionato controllando che le affermazioni fossero accurate e che il flusso narrativo fosse coerente.

Solo dopo aver approvato il documento markdown ho chiesto la presentazione PowerPoint. Qui Claude ha utilizzato la skill pptx, che contiene le best practice per creare presentazioni di qualità. La presentazione ha trasformato il materiale analitico in una narrazione visuale con slide dedicate ai pattern identificati, ai casi specifici, e alle conclusioni comparative.

Anche la presentazione ha richiesto una revisione prima della finalizzazione. È un altro esempio del principio generale: validare gli output intermedi prima di procedere, non scoprire problemi solo alla fine quando correggerli costa molto più tempo.

Cosa rende efficace questo metodo

Il metodo utilizzato funziona perché combina i punti di forza dell’AI con quelli dell’expertise umana, senza confondere i ruoli.

Claude può processare rapidamente grandi quantità di testo, interrogare fonti multiple, identificare pattern tra documenti diversi, sintetizzare informazione complessa, generare output strutturati in formati diversi. Sono capacità che amplificano enormemente quello che un essere umano può fare manualmente in tempi ragionevoli.

Ma Claude può anche fare inferenze non supportate dai dati, generalizzare eccessivamente, non cogliere distinzioni sottili che richiedono competenza specifica nel dominio, produrre output che sembrano plausibili ma contengono imprecisioni. Per questo serve l’intervento umano continuo.

L’utente definisce obiettivi chiari e metodo di lavoro, valida ogni output prima di procedere alla fase successiva, corregge imprecisioni quando le identifica, fornisce contesto che Claude non può avere, decide quando l’analisi è sufficiente e quando serve approfondire.

Il risultato è un processo efficiente che lascia però la responsabilità ultima dell’accuratezza sempre nelle mani dell’utente. Non è automazione completa, è collaborazione intelligente.

Guardando più in dettaglio le componenti del sistema, NotebookLM fornisce ricerca affidabile e fonti verificate, ma è limitato a singoli notebook e manca di capacità generative avanzate. Claude eccelle in analisi, sintesi e generazione, ma tende ad allucinare quando mancano fonti precise. Le skill automatizzano la produzione di documenti professionali, ma richiedono contenuto di qualità. Integrati tramite NotebookLM-MCP, questi tre elementi si compensano a vicenda: NotebookLM ancora Claude alle fonti, Claude orchestra ricerche complesse impossibili in NotebookLM nativo, e le skill trasformano i risultati in output utilizzabili professionalmente.

Vantaggi specifici dell’integrazione Claude-NotebookLM

Rispetto all’uso diretto di NotebookLM, l’integrazione con Claude via MCP ha offerto vantaggi specifici che nel caso riportato si sono rivelati determinanti:

• La possibilità di interrogare più notebook nella stessa sessione: NotebookLM permette di lavorare solo con un notebook alla volta. Con Claude è possibile confrontare direttamente materiale da notebook diversi, fare domande che richiedono di mettere insieme informazioni da fonti separate. Senza questa capacità, l’analisi comparativa tra i casi del libro e le sentenze recenti sarebbe stata molto più macchinosa.

• L’integrazione di fonti multiple: Claude mentre elabora le risposte di NotebookLM può anche leggere pagine web, accedere a documenti, ricordare conversazioni precedenti. Nel caso specifico ha integrato il materiale dei notebook con altri articoli che avevo pubblicato online, producendo un’analisi più ricca di quella che sarebbe stata possibile usando solo i notebook.

• La capacità di produrre output in formati diversi: NotebookLM è ottimo per analizzare contenuti, ma si ferma lì. Se poi serve un documento markdown strutturato o una presentazione PowerPoint, bisogna fare tutto manualmente. Claude può generare direttamente questi output, applicando anche skill specifiche come pptx per le presentazioni o contextual-writing-assistant per lo stile di scrittura.

• La gestione autonoma di aspetti tecnici: Claude verifica connessioni, gestisce autenticazioni, risolve problemi senza che si debba intervenire manualmente ogni volta. Nel caso specifico ha risolto autonomamente il problema dell’autenticazione scaduta senza che io dovessi occuparmene.

Mettendo insieme questi vantaggi otteniamo qualcosa che è più della somma delle parti: un sistema che permette di affrontare analisi complesse su materiale esteso, mantenendo il controllo qualità, in tempi che altrimenti sarebbero impraticabili.

Limiti e precauzioni

Questo metodo non è una bacchetta magica e ha limiti chiari che vanno riconosciuti.

Non sostituisce l’expertise dell’utente, anzi la richiede. Se non avessi letto diversi articoli oltre alle sentenze non avrei potuto identificare le imprecisioni nell’analisi di Claude. Il metodo amplifica le capacità di chi ha già competenza, non le crea dal nulla.

Non garantisce automaticamente l’accuratezza. Ogni affermazione fattuale va verificata, ogni sintesi va controllata rispetto ai documenti originali, ogni interpretazione va validata con la propria expertise. Claude può produrre testo che sembra plausibile ma contiene errori, e senza validazione umana continua quegli errori finiscono nell’output finale. La conseguenza è che non funziona se si delega completamente il lavoro. Il metodo funziona proprio perché c’è l’interazione continua, il feedback, la correzione iterativa.

Ha senso solo per certi tipi di compiti. Per un’analisi veloce di un singolo documento breve probabilmente è più rapido leggerlo direttamente che impostare tutto il processo. Il metodo mostra i suoi vantaggi quando il materiale è esteso, l’analisi è complessa, servono confronti tra fonti multiple, gli output devono essere strutturati.

Applicabilità ad altri contesti

Il caso riguardava un’analisi giuridica, ma i principi del metodo sono trasferibili a molti altri contesti professionali. Funziona ogni volta che c’è bisogno di processare materiale documentale esteso, identificare pattern, fare confronti, produrre sintesi o report strutturati.

• Chi fa analisi di mercato potrebbe confrontare le conclusioni di diverse società di ricerca organizzate in notebook diversi su trend specifici.

• Chi fa review di letteratura scientifica potrebbe organizzare paper per area tematica e identificare filoni di ricerca emergenti.

• Chi lavora con documentazione tecnica potrebbe avere manuali di prodotti diversi e fare analisi comparative delle funzionalità.

• Chi si occupa di formazione e deve creare materiali didattici verificati in frazione del tempo tradizionale

• Gli analisti e ricercatori che sintetizzano grandi quantità di documentazione tecnica o normativa, consulenti che generano report e presentazioni per clienti partendo da knowledge base proprietarie, e creatori di contenuti che producono contenuti divulgativi accurati e ben documentati.

In tutti questi casi i principi sono gli stessi: definire obiettivi chiari, organizzare il materiale in notebook NotebookLM, usare Claude per interrogare i notebook e integrare fonti multiple, validare e correggere gli output a ogni passaggio, produrre documenti o presentazioni strutturate. L’investimento iniziale nell’impostare il metodo viene ripagato dalla velocità e dalla qualità dell’analisi che ne risulta.

La chiave è comprendere che non stiamo usando tre strumenti separati, ma un sistema integrato dove ogni componente amplifica le capacità degli altri, creando possibilità di lavoro precedentemente inaccessibili.

Considerazioni finali

L’integrazione di Claude con NotebookLM, gestita attraverso un metodo human-in-the-loop strutturato, permette di affrontare analisi complesse su materiale esteso mantenendo il controllo qualità e l’accuratezza. Non è automazione completa del lavoro intellettuale, è amplificazione delle capacità umane attraverso la collaborazione con l’AI.

Il segreto sta nel non confondere i ruoli. L’AI fa quello che fa bene: processare rapidamente grandi volumi di informazione, identificare pattern, sintetizzare contenuti, generare output strutturati. L’umano fa quello che fa bene: definire obiettivi, validare risultati, correggere imprecisioni, fornire expertise del dominio, mantenere la responsabilità dell’accuratezza finale.

Il risultato è un processo efficiente che produce output in tempi che altrimenti sarebbero impraticabili, lasciando però il controllo e la responsabilità ultima nelle mani dell’utente. È questo equilibrio tra amplificazione delle capacità e mantenimento del controllo che rende il metodo efficace per chi lavora con materiale documentale complesso.

Penso ci siano possibilità di miglioramento:

• Lavorare sulla definizione del prompt che Claude passa a NotebookLM, trasformando le richieste dell’utente in prompt strutturati più adatti a estrarre le informazioni. e sulla gestione dei dati che Claude riceve dall’altra parte. Possibili sviluppi includono lavorare sui prompt che Claude invia verso NotebookLM, trasformando la richiesta dell’utente in prompt strutturati più adatti a estrarre le informazioni.

• Un lavoro sul server MCP potrebbe essere utile per migliorare il collegamento fra le due parti.

Per chi volesse vedere il risultato concreto dell’analisi descritta in questo articolo, la presentazione PowerPoint generata da Claude è scaricabile a questo link.

La presentazione mostra come il sistema ha organizzato le informazioni estratte dai notebook, identificando le sentenze rilevanti, i principi giuridici consolidati, e le questioni ancora aperte nel dibattito su AI e copyright.

La prima parte del tutorial è qui.
La seconda parte del tutorial è qui.

Questo articolo è una tappa del Percorso Claude e NotebookLM via MCP, che lo unisce ad altri articoli del blog su questo tema.

Vai al Percorso →