Fabrice Frossard

Vous le savez, je suis un grand fan de NotebookLM, enfin, Gemini Notebook depuis peu. Dès qu’il s’agit de traiter de l’information au niveau massif pour apprendre, restituer, synthétiser, écrire, bref, tout ce que l’on peut faire avec une IA et un RAG, cet outil est sans doute le plus performant en termes d’investissement en temps/bénéfice. Reste que la multiplication des outils dispos dans NBLM et des carnets peut vite créer un chaos cognitif. Pour pallier ce chaos, et étendre les fonctions de Notebooklm, le coupler à une IA tierce peut être une bonne idée. Surtout si l’on souhaite automatiser son workflow. Alors comment faire ? 

Pour ceux qui utilisent déjà Gemini, il est facile de coupler vos carnets avec le Gemini via le menu. Une fois le notebook choisi, le moteur s’appuiera sur vos sources pour vous répondre en plus de celles puisés dans son moteur. Avantages ? Vous choisissez le modèle, l’interface est plus lisible que celle de NBLM et vous avez accès à plus d’informations et réponses.

 

C’est pratique, mais cela ne passe pas facilement à l’échelle, d’autant plus si vous avezs des centaines de sources à charger. Comment contourner cet écueil ?

 

Imaginez : vous avez 50 vidéos YouTube à analyser pour un projet de formation. Ou une pile de documents à synthétiser. Ou besoin d’extraire des concepts clés d’un corpus fermé sans que ça prenne deux jours de copier-coller.

Classiquement, vous pouvez ouvrir NotebookLM, créer un notebook, ajouter les sources manuellement, cliquer sur les Studio outputs. Ça marche. Mais ça ne scale pas. Et surtout, ça n’est jamais vraiment votre workflow — vous servez l’interface au lieu qu’elle vous serve.

Il existe une autre route. Claude peut piloter NotebookLM directement via la skill NotebookLM. Pas de UI, pas de clic. Juste des commandes qui orchestrent. C’est moins visible, mais infiniment plus puissant.

Le problème réel : l’analyse de corpus au-delà du clic

NotebookLM excelle sur une chose : transformer un corpus volumineux en réponses fiables et citées à la source. C’est son ADN. Mais ce qui ralentit, ce n’est pas le traitement, c’est tout ce qui s’y ajoute.

Ajouter 30 vidéos YouTube une à une ? Interminable. Extraire les points clés sans recopier à la main ? Impossible. Générer un audio, une infographie, puis les récupérer ? Le téléchargement manuel ne scale jamais.

Le vrai enjeu, c’est l’automatisation du pipeline. Pas une étape. Le pipeline entier.

C’est là que Claude prend la main. Vous décrivez ce que vous voulez. Claude prend le contrôle de votre navigateur, créé le notebook, ajoute les sources, extrait le contenu, génère les outputs. Pendant ce temps, vous travaillez sur autre chose.

Trois cas d’usage où ça change vraiment le jeu

1. Ingérer un corpus en batch et extraire structuré

Vous avez 20 vidéos YouTube sur un sujet. Vous voulez un JSON avec titre, auteur, résumé, concepts clés, timestamps pour chaque vidéo. Zéro manuel.

Workflow classique : NotebookLM + copier-coller dans un document, puis transformer en JSON (2-3 heures).

Workflow Claude :

• Donnez à Claude la liste des 20 URLs
• Tapez /notebooklm → « Crée un notebook, ajoute ces 20 vidéos, extrait moi un JSON structuré »
• Claude ouvre NotebookLM, ajoute les sources, interroge le notebook via le chat intégré, exporte le JSON

Temps réel : 15 minutes. Qualité : bien meilleure qu’un copier-colle.

Vous pouvez aussi demander à Claude de trouver de nouvelles sources pour compléter un carnet

 

Cas concret : J’ai construit une formation à partir de 7 vidéos YouTube (plus pas mal de doc). Pipeline : JSON de NotebookLM → transformation en notes Obsidian → knowledge graph → contenu pédagogique. Sans la skill Claude, c’est au minimum un jour de travail manuel. Avec, c’est une commande.

 

2. Synthétiser en sortie, pas en brut

NotebookLM a des « Studio outputs » — audio overview, infographics, study guides, etc. Mais ils vivent dans l’interface. Les télécharger, les organiser, les indexer manuellement, c’est de la friction.

Avec Claude, vous dites : « Génère-moi un audio overview, une infographic et un study guide de ce notebook, puis mets-les dans mon dossier projets ».

Claude le fait en une volée. Sans que vous ayez à cliquer quatre fois sur des boutons.

C’est particulièrement utile si vous travaillez avec des contenus sensibles ou propriétaires : pas de passage par des downloads à trouver dans Chrome. C’est orchestré directement.

3. Analyser en boucle, pas en one-shot

Vous avez un corpus qui évolue. Tous les mois, de nouvelles sources arrivent. Vous en avez besoin à jour.

Workflow classique : recréer le notebook, re-ajouter tout, re-générer. Encore du clic.

Workflow Claude :

/notebooklm

Ouvre le notebook “Veille Cyber 2026”

Ajoute ces 5 nouvelles URLs

Extrai-moi les nouveaux concepts qui ne sont pas dans la version de janvier

Claude lit la version antérieure, compare, extrait juste le delta. Vous restez synchronisé sans perte de contexte.

Concrètement, comment ça marche

Vous avez besoin de trois choses :

 

3. La skill Claude NotebookLM Elle existe. Elle est créée par Paul J Lipsky. Elle prend le contrôle de votre navigateur via Claude in Chrome et orchestre NotebookLM pour vous.
4. Claude in Chrome L’extension qui permet à Claude de voir et contrôler votre navigateur. Installation : Chrome Web Store. Autoriser NotebookLM dans les paramètres Claude.
5. Un notebook NotebookLM existant ou vierge Ou Claude en crée un. Les sources, URLs, fichiers, texte, deviennent ses inputs.

 

La commande type :

/notebooklm

Create a new notebook called “Analyse de l’IA en Europe”

Add sources: [liste d’URLs]

Extract: résumé, concepts clés, citations précises

Format: JSON

Claude démarre. Vous voyez le navigateur se piloter tout seul. 10-20 minutes plus tard, le JSON arrive.

Où ça s’arrête

Soyons honnêtes : la skill a des limites. Elle ne peut pas (encore) :

• Modifier NotebookLM depuis zéro si l’UI change drastiquement
• Gérer les authentifications complexes (Google Drive OAuth, etc.)
• Traiter des volumes massifs (100+ sources en une seule volée)

Et elle demande du navigateur ouvert, donc pas de tâche scheduled « fire and forget ».

Mais pour l’analyse structurée de corpus fermés, l’extraction de concepts, et l’orchestration d’outputs ? C’est de la gagne.

La vraie valeur : du temps cognitif récupéré

L’IA, c’est pas juste « plus rapide ». C’est « je ne fais plus les trucs répétitifs et je me concentre sur le travail qui exige de la pensée ».

Ici, ça c’est traduire : vous ne passez plus 3 heures à cliquer, télécharger, ranger, formater. Vous passez 30 minutes à décrire ce que vous voulez, puis vous pensez au reste.

Pour une formation, un audit de corpus, une veille automatisée, une analyse competitive : c’est le delta.

Vous avez un besoin d’analyse structurée sur plusieurs sources ? Vous voulez le faire sans dépendre de l’UI ? La skill existe. 

Le guide complet, comment configurer, cas d’usage détaillés, bonnes pratiques.

 

Prochaine étape ? Utiliser “project” pour avoir une grille d’analyse permanente. J’en reparlerai 🙂