NotebookLM : la plupart s'arrêtent au résumé, voici la suite

👋 Hello à toi, c’est Yassine (l’humain) au clavier !

La majorité des gens qui ouvrent NotebookLM lui font faire une seule chose : importer un PDF, cliquer sur “résumer”, écouter le petit podcast généré, et passer à autre chose. C’est dommage, parce que c’est l’usage le moins intéressant de l’outil.

En observant ce que font les utilisateurs avancés sur Reddit, X et les blogs spécialisés, un écart énorme apparaît entre cet usage de surface et ce que la machine sait réellement faire : cartographier un corpus entier avant de répondre, jouer un rôle d’expert sur toutes ses sorties, exécuter du code sur tes données, partir d’une simple question pour aller chercher ses propres sources sur le web. Ce guide te fait passer du premier niveau au dernier, étape par étape.

Et l’outil vient justement de franchir un cap. Le 8 juin 2026, Google a déployé sa plus grosse mise à jour à ce jour : NotebookLM tourne désormais sur Gemini 3.5, chaque carnet dispose de son propre ordinateur cloud capable d’écrire et d’exécuter du code (un moteur baptisé Antigravity, avec une centaine de compétences logicielles intégrées), et l’outil peut aller chercher lui-même ses sources sur le web à partir d’une simple idée. Il montre aussi le détail de son raisonnement étape par étape et exporte en PowerPoint, Excel, PDF ou graphiques. Quelques semaines plus tôt, à Google I/O le 19 mai 2026, c’est le modèle par défaut qui avait basculé sur Gemini 3.5 Flash, environ quatre fois plus rapide. Pour l’instant, ces nouveautés agentiques sont réservées aux abonnés Google AI Ultra et aux comptes Workspace équipés ; mais l’essentiel des astuces de ce guide fonctionne sur toutes les versions, gratuite comprise.

NotebookLM est un assistant de recherche de Google qui ne travaille que sur les documents que tu lui donnes. Tu crées un “notebook” (un carnet), tu y déposes des sources (PDF, pages web, vidéos YouTube, Google Docs, audio…), et l’outil ne répond qu’à partir de ce contenu, en citant ses passages.

La différence avec un ChatGPT ou un Gemini généraliste est là : un chatbot classique pioche dans tout ce qu’il a appris sur le web et peut inventer (on parle d’hallucination, quand le modèle produit une réponse plausible mais fausse). NotebookLM, lui, est “source-grounded” : il reste ancré sur tes documents et te donne une citation cliquable pour chaque affirmation. Tu peux donc vérifier d’un clic d’où vient chaque phrase.

Toute la stratégie d’usage avancé découle d’une seule idée : la qualité de ce que NotebookLM produit dépend directement de la qualité, de la propreté et de la structure de tes sources.

Sous le capot, l’outil fonctionne avec un mécanisme appelé RAG (MCP vs RAG vs Agents IA : bien comprendre la différence), le moteur qui va d’abord rechercher les passages les plus pertinents dans tes documents, puis rédige la réponse à partir de ces extraits. Conséquence directe : ce moteur ne lit que les meilleurs morceaux, pas l’intégralité à chaque fois. Plus tu empiles de sources, plus le signal se dilue et plus la précision baisse. Les ingénieurs parlent même de “perte au milieu” (lost in the middle), ce moment où le modèle privilégie le début et la fin d’un gros tas de documents et néglige le centre.

La règle d’or : trois à dix sources propres et focalisées produisent de bien meilleures réponses qu’un méga-carnet de cinquante documents.

Autrement dit, si tes réponses deviennent vagues, le problème vient rarement de ta question : il vient du fait que tu as noyé l’outil. Le réflexe gagnant n’est pas d’ajouter des sources, c’est d’en retirer ou de scinder ton carnet en plusieurs carnets thématiques (plusieurs notebooks).

Voici la fonctionnalité à plus fort impact. Dans le panneau de chat, une icône d’engrenage (“Configure Notebook”) te laisse écrire des instructions personnalisées qui s’appliquent à toutes les sorties du carnet, le chat comme les podcasts. Et le champ est passé de 500 à 10 000 caractères, soit vingt fois plus d’espace pour cadrer le comportement de l’outil.

Puis :

Concrètement, tu y définis :

• un rôle,

• un ton,

• un format de sortie

• et des contraintes.

Trois personas reviennent souvent chez les utilisateurs les plus avancés :

• Le conseiller de recherche rigoureux : tu lui demandes d’analyser tes sources de façon croisée, de pointer les contradictions et de toujours citer ses passages. Idéal pour de la veille ou une revue de dossier.

• Le prof pour élève de 12 ans : il traduit des sources arides en langage simple, avec une structure imposée (résumé court, une analogie, une liste de vocabulaire, un petit quiz vrai/faux). La consigne clé à lui donner : “N’utilise aucune connaissance extérieure ; si la réponse n’est pas dans les documents, dis-le clairement.” Tu obtiens un explicateur qui ne déborde jamais de ton corpus.

• Le chef de produit : il refuse de résumer et te rend une note de décision avec une rubrique “angles morts” qui liste ce qui manque dans tes sources. Tu passes d’un résumé passif à une aide à la décision qui te dit où tu n’as pas assez d’information.

Deux astuces complètent ce levier. D’abord, garde tes meilleures instructions dans un carnet “modèles de prompts” : au lancement d’un nouveau carnet, tu copies-colles le persona qui convient au lieu de tout réécrire. Ensuite, distingue bien deux niveaux : une instruction tapée directement dans la barre de chat ne modifie que la réponse en cours, alors que le persona défini dans Configure Notebook s’applique partout. La bonne combinaison, c’est un persona fort au niveau du carnet plus des ajustements ponctuels dans le chat.

Quelques habitudes simples font une grosse différence sur la qualité des réponses.

Commence par une question, pas par un upload. Depuis le panneau des sources, NotebookLM peut chercher lui-même des sources web ou dans ton Drive pertinentes pour ta question. Partir d’une question de recherche plutôt que des seuls documents que tu as sous la main t’évite le biais du “document disponible” et construit un meilleur corpus dès le départ.

Sélectionne un sous-ensemble avant de demander. Quand un carnet contient plusieurs sources, tu peux n’en cocher que quelques-unes, ou citer une source par son nom dans ta question. Les réponses deviennent nettement plus ciblées.

Laisse l’outil ranger pour toi. À partir de cinq sources, NotebookLM génère automatiquement des étiquettes (labels) pour catégoriser tes documents. Tu peux les renommer avec ton propre vocabulaire métier. C’est l’un des meilleurs leviers pour passer d’un vrac documentaire à un carnet pilotable, et ensuite générer un podcast ou un rapport sur une seule catégorie.

Privilégie Drive pour les documents vivants. Quand un fichier doit évoluer (une spec, des notes de réunion, un playbook), branche-le depuis Google Drive : NotebookLM le resynchronise tout seul à intervalles réguliers, tu n’as pas à réimporter.

L’Audio Overview transforme ton corpus en une discussion façon podcast entre deux voix de synthèse.

Le champ “Personnaliser le résumé audio” te laisse orienter le niveau d’expertise (“explique à un curieux non spécialiste” ou au contraire “considère que ton auditeur est un chercheur du domaine”) et focaliser le contenu (“ignore l’introduction, concentre-toi sur les résultats”). Tu peux aussi contrôler la longueur, avec deux réglages : court (environ 5 minutes et plus), par défaut (environ 10 minutes).

À noter : les podcasts existent désormais dans plus de quatre-vingts langues (80 !!!).

Deux usages avancés valent le détour. Le mode interactif te permet de rejoindre la conversation à la voix : tu interromps les deux hôtes, tu poses ta question, ils consultent tes sources, te répondent, puis reprennent le fil. Prépare tes questions à l’avance pour en tirer le maximum. Et surtout, force le vrai débat : par défaut les hôtes sont trop complaisants (“excellent point !”). Demande-leur explicitement de centrer toute la discussion sur les faiblesses, les contradictions et les questions non résolues, l’un jouant l’optimiste qui défend les données, l’autre l’avocat du diable. Tu passes d’un échange lisse à une analyse critique réellement utile.

Quand le résultat te plaît, tu télécharges l’audio en .WAV (fichier assez volumineux), tu le convertis en MP3 pour une taille optimale (avec un outil gratuit en ligne comme Mp3Converter) et tu peux l’héberger pour le diffuser.

Le simple fait de demander “résume” à NotebookLM dégrade irréversiblement ton information. Cela signale au modèle d’élaguer les nuances, de lisser les détails et d’ignorer les contradictions. Il est possible de contourner ce piège et de sortir des analyses de niveau professionnel. Voici comment 👇

Première substitution, simple et radicale. Au lieu de demander un résumé, demande au modèle d’expliquer chaque sous-partie de ton sujet, une par une, en croisant systématiquement toutes tes sources pour chaque point. Cette contrainte oblige l’outil à fouiller en profondeur plutôt qu’à survoler. Certains ajoutent même une instruction contre-intuitive dans la configuration : “prends ton temps, explore en profondeur, ne te précipite pas”. Le logiciel ne ressent évidemment pas le temps, mais cette formulation modifie la pondération de sa génération et l’amène vers des réponses plus longues et mieux sourcées.

C’est la technique reine pour les gros corpus mal structurés (heures de transcriptions, notes éparses, articles qui se chevauchent). Le principe : faire cartographier à NotebookLM son propre savoir avant toute analyse.

Le mode opératoire se déroule en trois temps. D’abord, tu demandes à l’outil de ne produire aucune synthèse, mais uniquement la liste des grands et petits sujets présents dans tes sources, regroupés par thèmes. Ensuite, tu sauvegardes ce résultat en note, puis tu le réinjectes comme nouvelle source. Nomme ce fichier “000 Master Index”. Le tri alphanumérique de l’interface place mécaniquement cette source tout en haut, et l’outil s’appuie dessus en priorité à chaque question. Tu lui as donné une carte de navigation permanente, ce qui réduit nettement la confusion dans les grands corpus et les erreurs.

Dans la même logique, certains créent un simple fichier “README” qui liste les documents essentiels et l’ordre de lecture, puis demandent dans la configuration de le consulter en premier. Très utile quand ton dossier contient des sources contradictoires datées différemment.

Un document qui ne contient aucune donnée, seulement un protocole d’analyse détaillé, importé comme source. Tu transformes alors NotebookLM en machine d’analyse modulaire qui suit ta méthode. Quelques protocoles que la communauté réutilise :

• Audit de couverture : le système compare tes documents à un objectif de recherche, repère les trous et te suggère les types de documents qui manquent, avant même de rédiger. Tu évites un livrable biaisé.

• Désambiguïsation : il traque un terme ou une métrique à travers tes sources, expose les usages incohérents et recommande une terminologie unifiée. Précieux quand tu fusionnes des rapports de plusieurs équipes au jargon différent.

• Avocat du diable : tu soumets ta propre thèse, le modèle est forcé d’identifier tes affirmations non étayées et de construire la contre-argumentation la plus solide possible à partir de tes données. Un test de résistance avant une présentation importante.

Ces trois sections (Master Index, “expliquer”, protocoles) restent du travail de formulation, pas du code : aucune compétence technique requise. Ce que NotebookLM fait ensuite des données que tu lui confies va beaucoup plus loin.

Un carnet peut désormais écrire et lancer son propre code sur un tableur de milliers de lignes, nettoyer les données et sortir des graphiques sans que tu touches une seule formule. Et le même outil, branché sur des années de messages intimes, fabrique un podcast si troublant de justesse que des chercheurs ont publié une étude sur le malaise qu’il provoque.