NotebookLM o ChatGPT para analizar PDFs largos: cómo elegir según el tipo de trabajo

NotebookLM organiza el trabajo alrededor de las fuentes seleccionadas. La documentación de Google explica que sus respuestas se apoyan en esas fuentes e incluyen citas para muchas consultas; las tareas creativas pueden comportarse de otra manera. Una referencia permite revisar el pasaje de apoyo, pero no garantiza que la interpretación sea correcta ni que se hayan considerado todas las excepciones del documento.

ChatGPT puede utilizar el documento junto con conocimiento previo del modelo y las herramientas habilitadas. Eso le permite explicar un concepto que el PDF da por supuesto, proponer una estructura nueva o redactar un correo a partir de la lectura. A cambio, la frontera entre lo que dice el documento y lo que añade el modelo es menos visible, y conviene pedirle explícitamente que cite páginas o fragmentos.

La consecuencia práctica es sencilla: si el valor de tu trabajo depende de poder señalar la línea exacta que respalda una afirmación, empieza por la herramienta que fundamenta. Si depende de transformar el contenido, empieza por la que razona.

Contratos, pliegos y normativa interna: aquí el error caro es una cláusula inventada o mal atribuida. NotebookLM resulta más cómodo para preguntar «¿dónde se regula la penalización por retraso?» y comprobar la cita en segundos. Después, si necesitas redactar un resumen para dirección, puedes llevar ese texto ya verificado a ChatGPT.

Apuntes, manuales y material formativo: NotebookLM funciona bien para generar guías de estudio y preguntas a partir de varias fuentes a la vez. ChatGPT gana cuando el alumno necesita que le expliquen algo con otras palabras, con ejemplos que el manual no trae.

Informes con datos y tablas: ninguna de las dos debería ser tu única fuente para cifras. Ambas pueden leer mal una tabla escaneada o mezclar columnas. Úsalas para localizar dónde está el dato y comprueba el número en el original; si el trabajo consiste en extraer tablas de forma masiva, una herramienta de extracción específica es mejor elección.

Con un único PDF de extensión media, las diferencias se notan poco. Se vuelven relevantes con colecciones: veinte informes anuales, un expediente completo o una carpeta de normativa. NotebookLM permite trabajar sobre varias fuentes en un mismo cuaderno y preguntar de forma transversal, lo que es útil para detectar contradicciones entre documentos.

En ChatGPT, los archivos adjuntos se procesan dentro de los límites de contexto y de recuperación del plan que uses, y en documentos extensos puede resumir apoyándose solo en partes. No es un defecto oculto, sino una consecuencia técnica: conviene dividir el trabajo por capítulos y pedir que indique qué secciones ha consultado.

Un método que funciona en ambos casos: antes de preguntar nada, pide un índice del documento con páginas. Si el índice falla, sabrás que la lectura de partida no es fiable y te ahorrarás conclusiones erróneas.

Antes de subir cualquier archivo, revisa las condiciones de la cuenta que usas. Las versiones personales, de empresa y educativas de ambos servicios no tratan los datos igual, y las políticas cambian. La pregunta relevante no es qué herramienta es más segura en abstracto, sino si tu organización tiene un acuerdo que cubra ese uso.

Para expedientes con datos personales, información de salud o secretos comerciales, la opción prudente es anonimizar antes de subir o valorar una solución que se ejecute en tus propios equipos. Si nadie en la organización ha aprobado el uso, el problema no es técnico sino de cumplimiento.

En la práctica, muchos equipos acaban usando ambas. Primero, cargar las fuentes en NotebookLM y hacer las preguntas de localización: qué dice, dónde lo dice, qué documentos se contradicen. Segundo, copiar los fragmentos verificados a ChatGPT para el trabajo de transformación: resúmenes ejecutivos, borradores, tablas comparativas o explicaciones para no especialistas.

Este reparto tiene una ventaja que no aparece en las tablas de funciones: separa la fase en la que la exactitud es innegociable de la fase en la que la creatividad aporta valor. Y deja un rastro de citas que cualquier compañero puede revisar.

Si solo puedes elegir una, hazte esta pregunta: ¿me pedirán cuentas sobre de dónde sale cada afirmación? Si la respuesta es sí, elige la herramienta que fundamenta. Si lo que te piden es un producto nuevo a partir de lo leído, elige la que razona.

Antes de contratar o recomendar una herramienta, prepara un expediente de prueba sin información sensible. Puede contener un contrato ficticio, un anexo que modifica una condición y un correo que menciona una fecha diferente. Añade también una pregunta cuya respuesta no exista en los archivos. La dificultad interesante no es resumir cada pieza por separado, sino distinguir qué documento prevalece y reconocer lo que falta.

Escribe las respuestas de referencia antes de usar la IA. Para cada pregunta, registra la conclusión esperada, el fragmento que la respalda y una excepción relevante. Si preguntas por un plazo, incluye el hecho que activa su cómputo: firma, entrega, notificación o aceptación. Una herramienta puede acertar el número de días y equivocarse en el punto de partida, produciendo una respuesta aparentemente precisa pero inútil.

Usa la misma petición en ambas: «Responde solo con información de los archivos. Para cada afirmación, indica documento, sección y fragmento de apoyo. Separa lo explícito de lo que interpretas. Si hay contradicción o falta información, indícalo». No es una garantía técnica de obediencia; sirve para comparar bajo un criterio común y detectar cuándo el resultado rompe las instrucciones.

Compara tres cosas por separado: localización del pasaje, interpretación y tiempo de comprobación humana. Una respuesta elegante con una cita equivocada pierde frente a una respuesta menos pulida que permite llegar al original. Anota también qué ocurre al reformular la pregunta: si cambia una conclusión factual sin nuevas fuentes, tendrás que investigar la inconsistencia antes de darla por válida.

Imagina una persona responsable de compras que debe decidir si una propuesta cumple un pliego. El entregable útil no es «la oferta parece adecuada», sino una lista de requisitos con evidencia, estado y pendiente de revisión. Para cada requisito, conserva el texto exigido, el texto ofertado, la referencia a ambos y la decisión del responsable. La IA puede preparar esa estructura; la aceptación contractual no debe quedar en manos del resumen.

Distingue tres estados: demostrado, no demostrado y no evaluable con los documentos disponibles. No demostrado no significa necesariamente incumplido: puede faltar un anexo. Esa distinción evita que un asistente convierta ausencia de evidencia en una acusación o, al revés, que trate una descripción comercial como prueba suficiente de una capacidad.

Guarda la versión de las fuentes utilizada. Si cambia el anexo y alguien vuelve a ejecutar la consulta, un resumen anterior puede dejar de servir aunque su redacción siga sonando correcta. Conserva el resultado aprobado junto con el expediente y registra qué comprobó una persona. La trazabilidad importa más que repetir la misma respuesta palabra por palabra.

La recomendación final es condicional: NotebookLM puede resultar cómodo para explorar fuentes y seguir referencias; ChatGPT puede servir para transformar material comprobado en un borrador o una estructura de trabajo. No hay que convertir esa distinción en una ley de producto. Repite la prueba con tu cuenta y tus documentos cuando cambien las funciones o el proceso.