Hay una pregunta que aparece en cualquier organización que lleva más de tres años operando: ¿dónde está ese documento? No el documento genérico — el documento específico. El que tiene la cláusula exacta de un contrato firmado en 2022, la decisión técnica que tomamos antes de migrar a la nube, el memo que explica por qué se eligió ese proveedor y no el otro.
La respuesta habitual es: "Pregúntale a Fulano, él estuvo en esa reunión." O peor: "Creo que está en la carpeta compartida, pero no sé exactamente dónde."
Ese conocimiento institucional atrapado en PDFs, presentaciones y documentos Word no tiene ningún valor si no es accesible. Existe, pero no sirve. Es como tener una biblioteca sin índice y sin bibliotecario.
NotebookLM resolvió ese problema para mí de una manera que no esperaba. No construí nada. No contraté a nadie. Subí documentos, empecé a preguntar, y en menos de una semana cambié la forma en que trabajo con el conocimiento acumulado de años.
Qué es NotebookLM y por qué importa
NotebookLM es una herramienta de Google que toma documentos que tú subes y construye sobre ellos una interfaz de consulta con IA. No responde desde su conocimiento general — responde exclusivamente desde tus fuentes, con citas que te llevan al fragmento exacto del documento original.
Esa restricción es la característica más importante, no una limitación.
Cuando le preguntas a ChatGPT sobre un proceso interno de tu empresa, inventa. Confabula con confianza. Mezcla lo que sabe del mundo con lo que supone de tu contexto. El resultado puede sonar correcto y estar completamente equivocado.
NotebookLM no puede hacer eso. Si la información no está en los documentos que le diste, te lo dice. Cada respuesta viene anclada a una fuente verificable. Eso lo convierte en una herramienta de trabajo real, no en un asistente de conversación general.
La diferencia clave: ChatGPT sabe mucho sobre el mundo pero nada sobre tu empresa. NotebookLM sabe exactamente lo que le dices — y solo eso. Para consultar conocimiento institucional, la segunda opción es infinitamente más útil.
Cómo construí mi base de conocimiento: los 200 documentos
No llegué a 200 documentos de una vez. Empecé con 15 y fui agregando según los casos de uso que surgían. Después de tres meses, el repositorio tiene cuatro categorías principales:
- Manuales de operación de cada área con sus versiones actualizadas.
- Procedimientos de onboarding documentados para distintos roles.
- Runbooks técnicos — los pasos exactos para resolver incidentes recurrentes.
- Políticas internas: viajes, gastos, seguridad de la información, accesos.
Caso de uso típico: un colega nuevo pregunta cómo funciona el proceso de aprobación de pagos. En vez de buscarle el documento correcto, le comparto acceso al notebook. Encuentra la respuesta en 30 segundos con la cita exacta del manual.
- Contratos con proveedores principales incluyendo SLAs y cláusulas de penalización.
- Acuerdos de nivel de servicio con clientes con los compromisos específicos.
- Términos y condiciones de los servicios que ofrecemos.
- Acuerdos de confidencialidad con sus fechas de vencimiento y restricciones.
Antes de cualquier negociación con un proveedor, le pregunto al notebook: "¿cuáles son los compromisos actuales con este proveedor y cuándo vencen?" La respuesta llega en segundos con las citas exactas del contrato.
- Architecture Decision Records (ADRs) — documentos que capturan el contexto y razonamiento de cada decisión técnica importante.
- Post-mortems de incidentes con las causas raíz y acciones tomadas.
- Evaluaciones de herramientas: por qué elegimos X y no Y, con los criterios usados.
- Reportes de seguridad y resultados de auditorías anteriores.
Este conjunto es el más valioso para conversaciones con el equipo de ingeniería. Cuando alguien propone "¿por qué no usamos Kafka en vez de RabbitMQ?", la respuesta correcta no es "porque sí" — es el ADR de 2023 que documenta exactamente esa evaluación.
- Regulaciones aplicables al negocio de los países donde operamos.
- Guías de organismos reguladores con las interpretaciones vigentes.
- Reportes de cumplimiento anteriores y los gaps identificados.
- Políticas internas de compliance mapeadas a los requisitos regulatorios.
Para una empresa en la industria financiera, este es el conjunto que más tiempo ahorra. Una consulta sobre requisitos de KYC en un mercado específico que antes tomaba una hora buscando en múltiples documentos, ahora toma tres minutos.
Los casos de uso que cambiaron mi forma de trabajar
Describir lo que hace NotebookLM es fácil. Lo que cambia cuando lo usas durante semanas es más difícil de articular. Aquí van los casos concretos que más impacto tuvieron:
Preparación para reuniones de alto stakes
Antes de cualquier reunión donde se discutan contratos, regulaciones, o decisiones técnicas pasadas, hago una ronda de preguntas al notebook para llegar con el contexto completo. Le pregunto cosas como:
Onboarding acelerado
Cuando alguien nuevo se une al equipo, el tiempo de rampa más largo no es aprender las herramientas — es absorber el contexto acumulado de años de decisiones. ¿Por qué el sistema está diseñado así? ¿Qué se intentó antes y no funcionó? ¿Cuáles son los acuerdos con los que no se puede negociar?
Compartir acceso al notebook con un límite claro de qué documentos puede ver según su rol ha reducido ese tiempo de rampa de semanas a días para ciertos tipos de preguntas. No reemplaza la mentoría humana — complementa la parte que es puramente informativa.
Auditorías y preparación regulatoria
Cuando llega una auditoría, la pregunta que más tiempo consume es: "¿tenemos documentado que hacemos X?" El notebook convierte esa búsqueda de una hora en una pregunta de treinta segundos. Y si la respuesta es "no encuentro evidencia de esto en los documentos", eso también es información crítica — sabes que hay un gap antes de que lo encuentre el auditor.
Investigación de incidentes
Cuando ocurre un incidente y alguien dice "¿esto ya pasó antes?", la respuesta correcta no debería depender de si alguien que estuvo en ese equipo sigue en la empresa. Los post-mortems anteriores están en el notebook. Una pregunta sobre síntomas similares devuelve los incidentes históricos, las causas raíz que se encontraron, y las acciones que se tomaron.
Lo que NotebookLM no hace bien — honestidad técnica
No todo es eficiencia. Hay límites reales que hay que entender antes de depender de la herramienta para decisiones importantes.
No sintetiza con juicio. Si le preguntas "¿cuál es la mejor opción para este problema?", va a citar documentos que mencionan opciones, pero no va a hacer la síntesis evaluativa que haría un experto. Es un recuperador de información muy bueno, no un analista de decisiones.
La calidad del output depende de la calidad del input. Si los documentos que subiste son vagos, están desactualizados, o tienen información contradictoria, el notebook te la devolverá tal cual. No resuelve el problema de documentación deficiente — lo expone con más claridad.
Los documentos escaneados con mala calidad se indexan mal. PDFs generados desde texto funcionan perfectamente. Escaneos de documentos físicos con baja resolución o escritura a mano no se procesan bien y las respuestas de esas fuentes son poco confiables.
No razona sobre lo que no está escrito. El conocimiento tácito — lo que todo el equipo sabe pero nadie documentó — no existe para el notebook. Esta es tanto una limitación como una señal de qué hay que documentar.
El efecto secundario más valioso: Usar NotebookLM te muestra con precisión quirúrgica qué conocimiento de tu organización nunca fue documentado. Cuando el notebook dice "no encuentro información sobre esto", tienes una lista de trabajo para tu equipo de documentation.
Cómo organizar los documentos para sacarle el máximo
NotebookLM permite crear múltiples notebooks separados. Después de experimentar con una estructura plana de todo junto y con múltiples notebooks temáticos, llegué a una recomendación clara:
Un notebook por dominio de conocimiento, no por departamento. La separación por departamento replica los silos que ya existen. La separación por dominio (operaciones, legal/compliance, tecnología, relaciones con clientes) refleja cómo se hacen las preguntas reales.
Algunas prácticas que mejoraron la calidad de las respuestas:
- Nombra bien los archivos. "Contrato_Proveedor_AWS_2024_v3.pdf" da mejor contexto al modelo que "contrato_final_REVISADO_OK.pdf". El nombre del archivo forma parte de lo que el modelo usa para entender de qué trata el documento.
- Incluye un documento de contexto por notebook. Un archivo de una página que describe el propósito del notebook, el tipo de documentos que contiene, y el público que lo usa. Le da al modelo un marco de interpretación que mejora notablemente las respuestas.
- Actualiza los documentos cuando cambien. Esto parece obvio, pero es la disciplina más difícil de mantener. Un contrato renovado que no reemplazó al anterior en el notebook genera respuestas incorrectas con citas de la versión vieja. Asigna a alguien la responsabilidad de hacer ese mantenimiento.
- No subas todo de golpe. Empieza por los documentos que más te preguntan o que más tiempo pierdes buscando. El valor se siente de inmediato y eso crea el hábito de mantener el notebook actualizado.
Alternativas y cuándo tiene sentido ir por otro camino
NotebookLM no es la única opción y no es la correcta para todos los casos. Vale la pena saber cuándo tiene sentido ir por otro camino.
Si tienes documentos muy sensibles que no pueden salir de tu infraestructura: NotebookLM procesa los documentos en servidores de Google. Para información bajo acuerdos de confidencialidad estrictos o datos regulados, eso puede no ser aceptable. En ese caso, soluciones self-hosted como un RAG propio sobre un modelo open source son el camino correcto — con la inversión técnica que eso implica.
Si necesitas que la IA actúe sobre los documentos y no solo consulte: NotebookLM es de consulta. Si lo que necesitas es extraer datos estructurados de cientos de documentos, transformarlos, o integrarlos con otros sistemas, necesitas un pipeline de procesamiento de documentos, no una interfaz de preguntas y respuestas.
Si la base de conocimiento necesita actualizarse en tiempo real: Subir documentos manualmente no escala si el conocimiento cambia constantemente. Para bases de conocimiento que se actualizan frecuentemente desde múltiples fuentes, un sistema con ingesta automatizada tiene más sentido a largo plazo.
Para el caso más común — documentación institucional que se actualiza con una cadencia razonable y que no tiene restricciones extremas de privacidad — NotebookLM es imbatible en relación costo-beneficio. Cero infraestructura, cero código, resultado funcional en horas.
El cambio de mentalidad que esto requiere
La barrera técnica para usar NotebookLM es casi inexistente. La barrera real es otra: aceptar que documentar bien el conocimiento de la organización no es un lujo — es infraestructura.
Cuando empecé a usar el notebook seriamente, me di cuenta de que la mitad de las preguntas que le hacía no podía responderlas porque nadie había documentado esa información. El proceso existía, la gente lo seguía, pero nunca quedó por escrito. Eso significa que cuando esa persona sale de la empresa, se lleva el proceso con ella.
NotebookLM no crea esa cultura de documentación por sí solo. Pero hace visible el costo de no tenerla de una manera que ningún argumento abstracto logra. Cuando el notebook dice "no encuentro información sobre este proceso" por quinta vez en una semana, el equipo entiende visceralmente por qué documentar importa.
El principio que guía esta herramienta: El conocimiento institucional que no está documentado no existe para los que vienen después. NotebookLM no resuelve ese problema — te lo muestra con una claridad que hace que ignorarlo sea más difícil que resolverlo.
Por dónde empezar hoy mismo
Si quieres replicar esto en tu organización, el camino más corto no es esperar a tener los 200 documentos perfectamente organizados. Es empezar con el problema más doloroso.
Identifica la pregunta que te hacen o que tú haces más de una vez por semana y que siempre requiere buscar en múltiples documentos. Esa es tu primera fuente. Súbela, empieza a preguntar, y verás el valor de inmediato.
Después, agrega la siguiente categoría de documentos que más tiempo te cuesta buscar. No intentes subir todo de una vez — eso genera notebooks caóticos que son difíciles de mantener y que dan peores respuestas que un conjunto curado de documentos relevantes.
En dos semanas tendrás un notebook funcional que justifica el tiempo invertido. En un mes tendrás un recurso que el equipo usa activamente. En seis meses tendrás algo que las organizaciones que no lo hicieron no pueden construir de la noche a la mañana: conocimiento institucional accesible.
La consultoría cara no siempre tiene el contexto que tú tienes sobre tu propio negocio. El conocimiento que acumulaste en años de operación, bien documentado y bien indexado, es más valioso que cualquier consultor externo para las preguntas del día a día.
NotebookLM no reemplaza el juicio humano. Lo que sí hace es eliminar el trabajo de buscar el contexto para ejercer ese juicio. Y cuando el tiempo entre "surge un problema" y "tengo toda la información relevante" se mide en segundos en vez de horas, la calidad de las decisiones mejora de una manera que es difícil de medir pero imposible de ignorar.
¿El conocimiento de tu empresa vive solo en la cabeza de las personas?
En Saphia Labs ayudamos a organizaciones en LATAM a construir sistemas de conocimiento institucional que escalan: desde auditorías de documentación hasta implementaciones de consultas con IA sobre bases de conocimiento propias. Si quieres explorar cómo aplicar esto a tu contexto específico, conversemos.
Agendar llamada gratuita
