Una chat AI risponde da ciò che il modello ha imparato: per questo inventa. Gemini Notebook risponde solo dalle fonti che carichi e le cita, quindi riduce le allucinazioni. Collegato a un second brain, diventa un modo semplice per interrogare libri e documenti affidabili senza costruirsi un RAG.
Perché poche persone conoscono Gemini Notebook di Google.
Un amico mi ha scritto una cosa onesta: “Non ho ben capito per cosa usi NotebookLM nel tuo second brain. Ma credo sia semplicemente questione di cosa ci fai. Io trovo che non mi dia grandi risposte.”
Questo mio amico ha ragione a metà. Non è (solo) questione di cosa ci fai. È questione di cosa succede se non lo usi. Il marketing di Google dai tempi di Bard è entrato un po’ in crisi. Ha comunicato male alcune cose e il risultato che progetti splendidi come NotebookLM li hanno capiti in pochi. Iniziamo dai nomi appunto: NotebookLM ora si chiama Gemini Notebook.
I limiti dei modelli LLM e delle chat AI.
Se chiedi qualcosa a un LLM senza dargli fonti, la risposta te la dà solo il modello, che sia Sonnet, Gemini o Opus. E quella risposta è per natura inventata: prosa statistica, generata sulla base di cosa è probabile venga dopo la parola precedente, non su cosa è vero. È l’ormai famoso concetto sull’epistemia, di cui parlo in Perché una chat AI non basta.
La mia intuizione nel 2024 è stata semplice: sostituire i RAG (che per me erano relativamente complicati da costruire per un uso casalingo, servono chunking, embedding, un database vettoriale, manutenzione) con Gemini Notebook (ex NotebookLM) appoggiato su fonti certe. Uno strumento pronto all’uso al posto di un’infrastruttura da manutenere.
Che cos’è Gemini Notebook (ex NotebookLM) e in cosa si differenzia dalle altre chat AI?
Gemini Notebook è uno strumento di Google nato come Project Tailwind: un piccolo gruppo di Google Labs ci lavora dal 2022, lo presenta al Google I/O del 2023 e lo rilascia come NotebookLM nel luglio dello stesso anno. Dal 16 luglio 2026 il nome ufficiale è Gemini Notebook. Il prodotto è lo stesso, ma molti lo cercano ancora con il vecchio nome.
La differenza con una chat sta nel punto di partenza. Una chat risponde da tutto ciò che il modello ha imparato. Gemini Notebook risponde dalle sole fonti che carichi tu (PDF, documenti, pagine web, trascrizioni) e indica in ogni risposta il passaggio da cui arriva. Per questo è nato pensando a chi studia e fa ricerca: se studi diritto internazionale, chimica o filosofia non ti servono risposte belle, ti servono risposte esatte.
Sul come resti più aderente alle fonti non c’è una spiegazione ufficiale dettagliata: Google non pubblica come recupera i passaggi né come genera le citazioni. Il principio dichiarato è semplice, i documenti scelti diventano il contesto della risposta e ogni affermazione porta la sua citazione. Le prove indipendenti sono poche. Un piccolo studio del 2025 su 300 documenti ha trovato almeno un’allucinazione nel 13% delle risposte di NotebookLM (come si chiamava allora) contro il 40% di ChatGPT e Gemini. Il campione è minuscolo e il compito uno solo: va preso con le pinze.
Io stesso ho fatto un test sulla progressione di un personaggio del gioco D&D, sviluppata con Gemini, Claude, Grok e NotebookLM e il risultato è stato indicativo: l’unica scheda personaggio davvero corretta era quella strutturata da NotebookLM.
Si usa gratis, con dei limiti. Ogni fonte può arrivare a 500.000 parole o 200 MB e un notebook contiene fino a 50 fonti nel piano gratuito (100, 300 o più in quelli a pagamento). E anche così non è infallibile: riduce le allucinazioni, non le elimina. Se le fonti sono scarse o sbagliate lo saranno anche le risposte.
Perché non caricare le fonti direttamente in una chat o nella cartella raw?
Sono le due alternative ovvie. Funzionano tutte e due, fino a un certo punto.
Se carichi i file in una chat, valgono per quella conversazione: il modello li legge dentro il suo contesto, che ha un limite. Alla conversazione successiva ricominci. Con documenti lunghi, come un libro intero, dipende da ciò che il sistema decide di tenere e di comprimere, cosa che non sempre vedi (ne parlo in Perché una chat AI non basta).
Se li metti nella cartella raw del second brain, li legge il tuo agente e li trasforma in pagine del wiki. Va bene per la conoscenza tua, meno per una biblioteca di libri: ogni lettura consuma contesto. Riscrivere un libro in pagine significa affidare all’AI una sintesi che può contenere errori (anche questo lo racconto in Cinque limiti di un LLM wiki).
Gemini Notebook fa un lavoro diverso. Indicizza fonti anche molto lunghe, fino a 500.000 parole ciascuna, le tiene disponibili da una sessione all’altra e risponde solo da quelle, citando il passaggio. Non le riscrive: le lascia intatte e le consulta. Il second brain tiene la parte tua, cioè decisioni e sintesi con le tue parole. Quando la stessa risposta torna tre volte su problemi diversi, la promuovo a pagina del wiki e da lì non interrogo più il notebook.
| Chat con file caricati | Cartella raw del second brain | Gemini Notebook | |
|---|---|---|---|
| Dove stanno le fonti | Dentro la conversazione | File sul tuo computer, letti dall’agente | In un notebook, indicizzate una volta |
| La volta dopo | Ricominci, salvo che lo strumento abbia una funzione a progetti | Restano, ma l’agente le rilegge ogni volta | Restano disponibili e interrogabili |
| Libri e documenti lunghi | Il sistema comprime ciò che non entra | Pesanti da leggere, con il rischio di sintesi sbagliate | Pensato per fonti lunghe |
| Verifica | Dipende dallo strumento | Dipende da come strutturi le pagine | Ogni risposta cita il passaggio |
| Cosa ci metti | Documenti del momento | Le fonti tue, da cui nasce il wiki | La biblioteca di testi autorevoli |
Cosa succede esattamente in questo dialogo tra Gemini Notebook e il tuo Second Brain.
In pratica, prima di risponderti, l’LLM interroga quelle fonti. E la qualità delle fonti conta quanto la domanda che fai, forse di più. Conta anche la loro contraddittorietà: due libri sullo stesso tema che dicono cose diverse ti danno una risposta migliore di uno solo, perché ti mostrano dove il campo delle opzioni che hai è davvero in accordo e dove no. Il risultato è una risposta mirata, contestualizzata e ancorata alle fonti, oltre che facilmente verificabile: puoi sempre andare a vedere da quale fonte è uscita.
Al mio amico, che non fa ricerca, avrei potuto rispondere “allora non ti serve”. La domanda giusta non è se fai ricerca: è se vuoi che le risposte che ricevi da un LLM siano ancorate a qualcosa di verificabile o no. Anche solo la spesa di casa, alla fine, è un dominio con fonti certe che meritano di essere trattate come tali se stai cercando di fare un budget o il menù per le cene di famiglia.
Come collego Gemini Notebook alla mia chat AI?
Ci sono diverse strade: dipende da che ambiente stai usando. Se usi solo Gemini nel suo ambiente c’è quella nativa di Google, ma se lo stai usando con un second brain quasi sicuramente allora hai altri strumenti come Claude Desktop, OpenClaw, Hermes o Antigravity e in questo caso serve un MCP, cioè un connettore che permette a un assistente di usare uno strumento esterno attraverso un protocollo.
La strada nativa, dentro Gemini.
Il collegamento con Gemini funziona in due modi. Da gennaio 2026 un notebook si aggiunge a una chat dal pulsante “+”, anche con un account Google personale (con Workspace deve abilitarlo l’amministratore). Da aprile 2026 i notebook si creano anche dentro l’app Gemini e si sincronizzano con Gemini Notebook: le fonti che aggiungi in un posto compaiono nell’altro.
Quest’ultima funzione è arrivata prima sul web per chi paga, poi per gli utenti gratuiti e sul mobile. Il numero di fonti che si possono caricare per notebook è quello del tuo piano.
Naturalmente questo vale per la tua chat AI e non per un second brain. Infatti, se stai lavorando su un second brain hai bisogno di un framework agentico, uno strumento come Antigravity che usi Gemini, allora devi continuare a leggere.
La strada con un MCP.
Su Claude Desktop uso notebooklm-mcp-cli, un progetto open source di terze parti, non ufficiale. Ti autentichi una volta con un comando da terminale. Da lì la chat può interrogare i notebook, aggiungere fonti (link, testo, Drive, file), creare contenuti come audio e report, lanciare ricerche.
Come si può installare? Beh semplice, chiedilo al tuo agente!
Incolla questo prompt:
Installa per me il server MCP "notebooklm-mcp-cli" (github.com/jacob-bd/notebooklm-mcp-cli) per collegarti a Gemini Notebook (ex NotebookLM).
Leggi solo il README ufficiale per i comandi e dimmi i passi prima di eseguirli. Installa il pacchetto con uv e registra il server per questo agente. Se sono su Claude Desktop, dammi i comandi da lanciare io nel terminale con l'app chiusa.
Non fare tu il login: dimmi di lanciare "nlm login". Non leggere né stampare cookie o token. Alla fine verifica con "nlm doctor".
Prima ricordami in due righe i rischi: progetto non ufficiale, API non documentate, possibile conflitto con i termini di servizio di Google.Il prompt gli fa leggere la fonte ufficiale e non lo lascia agire da solo: il login lo fai tu, perché dà accesso al tuo account Google.
Cosa sapere prima di usarlo.
Usa API interne non documentate e il progetto stesso avverte che può non essere in linea con i termini di servizio di Google: si usa a proprio rischio. Le credenziali sono i cookie della tua sessione Google, equivalgono a una password e durano circa 2-4 settimane. Chat e contenuti consumano la quota del tuo piano. E può rompersi quando Google cambia qualcosa: a luglio il prodotto è stato perfino rinominato. Non so se scriverò una guida tecnica perché le cose cambiano così in fretta.
Il valore che porta Gemini Notebook al tuo second brain.
In pratica funziona così: crei un notebook per ogni dominio di competenza e ci carichi solo fonti verificate.
- Le fatture della spesa (noi la facciamo online) finiscono in un notebook “Spesa”;
- Le scansioni delle spese condominiali finiscono in un notebook “Condominio”;
- i tuoi libri digitali sul parenting in “Parenting”;
- i tuoi libri digitali sulla comunicazione di posizionamento in “Positioning”;
E così via, un notebook per ogni area in cui vuoi risposte affidabili invece che plausibili.
Solo con questo passaggio riduci le allucinazioni e soprattutto sei in grado di costruirti un sistema di validazione sulle affermazioni. Non è più un “dimmi cosa ne pensi di questa situazione”. È una cosa del tipo: “Secondo le mie fonti, cosa c’è in gioco in questa situazione?”
Se volessimo descrivere in modo più sofisticato la domanda diventa:
“la situazione che ti sto descrivendo, si può astrarre ad uno schema. Se confronto questo schema con la mia letteratura, dove incontro schemi simili?”
Il modello quindi non viene messo in condizioni di dover usare la sua capacità di scrittura per inventare testo plausibile, ma attraverso i tools (ovvero gli strumenti) viene utilizzato per fare una cosa che sa fare relativamente bene: individuare pattern linguistici, interrogare in modi differenti una fonte di testo che tu hai definito autorevole in uno specifico campo e restituirti in prosa quelle risposte.
In questo processo oltre a darti risposte migliori, (non per forza vere, ho scritto migliori) ti fa risparmiare token e iniezione di contesto a ogni richiesta e soprattutto (a differenza del RAG puro e grazie ad llm-wiki) ti fa costruire relazioni tra i concetti. Relazioni tue, con un significato che tu stesso hai dato loro nel tempo, non solo pezzi di testo recuperati per somiglianza semantica.
Rendere disponibile la tua stessa conoscenza significa renderla funzionale.
Quello che trasforma un bibliotecario in un bravo consulente è la capacità di leggere il contesto, interpretarlo attraverso dimensioni e richiamare la conoscenza adatta a quel caso.
Non basta studiare o sapere: serve capire in fretta cosa serve e soprattutto con i tempi e le aspettative di oggi, sapere quanto serve sapere.
Con questo sistema di accesso alla conoscenza puoi ottenere molto di più che un elenco di nozioni. Non ti fermi a fatture e bollette: puoi costruire un notebook con i migliori libri su un tema che ti interessa, che sia parenting, branding o edilizia fai-da-te. La logica non cambia.
Ho letto decine di libri sul positioning, sul branding e sulla comunicazione (se ti interessa ti consiglio questi). Me li ricordo quelli che ho letto. Ma se mi chiedi un dettaglio beh… insomma, forse non ho la memoria di Magnus Carlsen. Se tu sì, beato te.
Mi ricordo gli elementi principali, i concetti. Le eccezioni che mi hanno fatto pensare “ah interessante questo” e dove la chiave emotiva ha creato un’ancora mnemonica. Se volessi dimensionarlo, mi ricordo il 20% dell’80% che conta.
Un po’ perché, diciamocelo, molti libri moderni sono frutto del marketing per venderli: c’è un 10% di core concept che fa il grosso, un 20% di esempi e un 70% di fuffa che serve per poter trasformare quel libro in prodotto. Non dico che per tutti sia così, ma nella saggistica americana, buona parte è così (e ho trovato una soluzione per questo problema tra i protocolli del mio second brain).
Quando sono di fronte a una decisione, sia al lavoro sia nella vita personale, porto quella conoscenza appresa e la lego con il contesto che ho di fronte. “ah qui si fa come dice Tizio nel libro X“. Sono pattern, il tuo cervello li riconosce e li collega. E così porti un’idea nuova da un contesto ad un altro.
Ecco, collegando Gemini Notebook con il mio second brain ottengo questo: sono in grado di descrivere una situazione con i suoi pattern e confrontarla con la letteratura di riferimento.
Un esempio: il loop tra creatività, advertising e brand positioning.
Il second brain AI può anche interrogare più Gemini Notebook, non per forza uno solo. Ci sono contesti multidisciplinari che richiedono un ciclo reiterato tra schemi.
E allora è proprio cosi quando le best practices di Advertising ti insegnano che l’insight è il punto di partenza per fare breccia nel tuo pubblico, ma sono le best practices di ricerca marketing che ti dicono come si studia un segmento per capire il suo accepted consumer belief sul quale creare proprio l’insight. E una volta che hai un angolo, come lo strutturi? Beh forse sono i migliori testi sul copywriting a suggerirti cosa si usa in questi specifici casi. Ma quindi se presento il prodotto in questo modo, allora forse c’è spazio per un brand positioning migliore: quali sono gli esempi che ho a disposizione in questo mercato?
Al primo ciclo del loop hai già le idee chiare sul perimetro, sulle possibilità a disposizione e una bozza dalla quale partire a lavorare. Chi ha fatto questo mestiere sa quanto sforzo richiede questo lavoro e soprattutto quanto è scarsa la proposta che viene fatta mediamente sui tavoli con le agenzie.
Naturalmente, scendendo nei dettagli non è così semplice. Mi sono costruito regole, guardrail, protocolli di validazione e sistemi di controllo. Se vuoi un aiuto a configurare un second brain nella tuo lavoro da manager, possiamo parlarne qui.
Il sistema di routing sui Notebook: a chi fare la domanda giusta.
L’ancora è la “domanda canonica”: una domanda chiave che permette al second brain di fare routing, ovvero di capire quale Gemini Notebook interrogare e permettere al modello di indirizzare la domanda al notebook corretto. Anche i perimetri semantci sono importanti: non puoi fare un solo Notebook con “tutto dentro”. I modelli sono sensibili e se due argomenti sono distinti ma semanticamente adiacenti, rischi di ricevere risposte decontestualizzate. Meglio dichiarare che due contesti differenti arrivano alla stessa conclusione, piuttosto che perdersi le sfumature.
Ecco un estratto semplificato, redatto, pulito del mio routing sul wiki Calibra (ho escluso i notebook personali e quelli legati a temi che non voglio condividere):
| Notebook | Domanda canonica | Si usa |
|---|---|---|
| Think with Google | Quali trend o innovazioni Google sono rilevanti per questo progetto o cliente? | Sempre per primo, poi Digital Strategy o Business Design |
| Business Design | Come strutturiamo questa nuova idea di business? | Per primo, poi Digital Strategy o un workshop |
| Digital Strategy | Quale approccio strategico uso per questo progetto o campagna digitale? | Dopo Business Design, prima di Project Management |
| Jobs To Be Done | Perché questo cliente vuole davvero fare questa cosa? | Prima di Brand positioning |
| Brand positioning | Come si differenzia questa azienda nel suo mercato? | Dopo Jobs To Be Done |
| Project Management | Come strutturo o evolvo questo processo della metodologia Calibra? | Dopo Digital Strategy |
| Prompt Engineering & AI Systems | Come costruisco o miglioro questo prompt o sistema AI? | Da solo |
Le regole sono due. Una sola domanda canonica per notebook. Mai più di due notebook per problema, prima quello che inquadra e poi quello che esegue. Se ne servono tre, il problema è definito male e va scomposto.
Sono regole che mi sono dato io, sulla base di un’esperienza ridotta ma intensiva di 5 mesi di uso continuo. Per te può essere diverso.
Ci sono dei limiti?
Sì. Sia nel funzionamento, sia negli strumenti, nei risultati e anche nella pazienza.
Oltre ai limiti importanti del second brain con un LLM wiki, che racconto in Cinque limiti di un LLM wiki, ci sono quelli di Gemini Notebook e quelli dell’MCP.
I limiti di Gemini Notebook.
Un notebook contiene fino a 50 fonti nel piano gratuito (100, 300 o più in quelli a pagamento). Ogni fonte non può superare le 500.000 parole o i 200 MB. Anche l’uso ha un tetto: Google non pubblica i numeri e dichiara che cambiano. Nel mio uso, con un account gratuito, ho tracciato circa 50 domande al giorno, condivise tra browser e MCP. È un dato mio, non ufficiale.
Poi c’è il risultato. Gemini Notebook riduce le allucinazioni ma non le elimina. Quando sbaglia, raramente inventa un numero o un nome. Nello studio che ho citato gli errori erano soprattutto interpretazioni troppo sicure: una caratterizzazione di una fonte che la fonte non sostiene. Per questo la citazione serve, ma va aperta. E vale sempre il principio delle fonti: se sono scarse o sbagliate, lo saranno anche le risposte.
I limiti dell’MCP.
L’MCP che uso è non ufficiale e si appoggia a API interne non documentate. Il progetto stesso avverte che può non essere in linea con i termini di servizio di Google. La conseguenza pratica è doppia: può rompersi quando Google cambia qualcosa. Va anche tenuto aggiornato: escono nuove versioni di frequente.
L’accesso funziona con i cookie della tua sessione Google, che durano circa 2-4 settimane. Poi scadono e bisogna rifare il login dal terminale. Il problema è che lo strumento può dirti che è tutto a posto mentre le richieste falliscono: l’unico segnale affidabile è una domanda vera. Con notebook molto grandi, oltre una cinquantina di fonti, una risposta può impiegare più di un minuto e conviene usare la modalità asincrona. E interrogare tutti i notebook insieme è un buon modo per finire la quota.
Avevo provato anche l’alternativa che pilota un browser reale. Dava timeout ripetuti e ora il progetto è stato archiviato, quindi non la consiglio. Tutto questo è il prezzo di usare uno strumento che Google non ha pensato per essere collegato così.
E poi c’è la pazienza.
Gemini Notebook cambia nome, funzioni e limiti nel giro di pochi mesi. Le guide invecchiano più in fretta di quanto uno vorrebbe. Per questo ho deciso di non fissare tutto in una procedura: ti do i principi e i prompt per farti installare lo strumento dal tuo agente. I dettagli li verifichi sul momento.
Il punto è solo capire bene che cos’è e cosa non è. Proprio per questo motivo nasce questa serie di articoli. Se vuoi l’idea completa leggi Cos’è un second brain, spiegato semplice. Se vuoi provare da solo c’è la mia guida pratica: Second brain con Obsidian e LLM wiki: guida pratica.
Oppure, se hai una sfida di business che vuoi provare a risolvere con questo metodo, si parte da un second brain che posso aiutarti a configurare su misura. Parliamone qui.
