Google ha relanzado NotebookLM el 8 de junio como plataforma agéntica completa. Cada notebook tiene ahora una máquina virtual aislada en la nube, capaz de escribir y ejecutar código en background, con más de 100 skills curadas que el sistema puede invocar según la tarea. El motor es Gemini 3.5 integrado con la plataforma @Antigravity para razonamiento visible. Los outputs pasan de ser conversaciones a ser artefactos: 11 formatos disponibles, incluidos PDF, DOCX, CSV, JSON, XLSX y PPTX.
Qué cambia técnicamente
NotebookLM deja de ser un 'pregúntale a tus documentos' y se convierte en un research agent ligero. Puedes empezar un notebook con ideas sueltas en el chat y la herramienta busca fuentes en la web (con tu permiso), construye el repositorio, ejecuta análisis y devuelve el primer borrador de un deck o de una hoja de cálculo trabajada. El sandbox es el cambio estructural. Hasta ayer, NotebookLM era un wrapper de RAG sobre tus fuentes. Hoy es un entorno donde el modelo puede ejecutar Python, manipular datos y devolver outputs verificables.
El gating de acceso es relevante. En el lanzamiento la capa agéntica queda fuera para Free, Plus y Pro. Solo tiers superiores empresariales. El motivo declarado por Google: el coste de mantener máquinas virtuales sandbox simultáneas no permite oferta gratuita rentable. Promete ampliar 'con el tiempo' sin fecha pública.
Por qué importa
Esto no es un research agent de juguete. Está integrado con Workspace y consume los archivos que ya tienes en Drive. Para equipos que ya viven en Google (gran parte del ICP de DigitalBrain), es la vía más corta para preparar análisis interno serio sin montar agentes propios con Claude o GPT. Resumen de competidores, sumarios de PLs, briefings ejecutivos, análisis de pricing: todo lo que hoy haces a mano o con ChatGPT entra dentro del alcance. Y el output llega ya formateado, no como bloque de texto que después hay que pasar a Sheets o a una slide.
La limitación sigue siendo la misma. NotebookLM trabaja dentro del jardín de Google, con sus modelos y su perímetro de datos. Para producto verticalizado o flujos que necesitan otros LLMs, no compite con un setup propio. Pero para uso interno de operaciones y management, en muchos casos elimina la necesidad de construir nada.
Qué hacer
- Si tu organización paga Workspace Enterprise, pide acceso a la capa agéntica esta semana y prueba dos casos reales: un resumen ejecutivo y un análisis con datos en Sheets. Lo que tarde 20 minutos versus las 3 horas habituales es la métrica que importa.
- No descartes NotebookLM por estar 'cerrado'. Para el 80% del análisis interno que haces, es más rápido que montar tu propio agente y tiene menos puntos de fallo.
- Mantén tu pipeline serio (Claude o GPT con MCPs propios) para producto orientado a cliente. NotebookLM brilla en consumo interno, no en flujos que se ejecutan dentro de tu app.