Guide pratique
Piloter NotebookLM avec Claude : cinq cas d’usage pour automatiser l’analyse de corpus
Comment orchestrer NotebookLM depuis Claude sans dépendre des clics manuels.
→
→
Sommaire
01
Setup et prérequisLes trois éléments à installer et autoriser avant de commencer.
02
Cinq cas d’usageWorkflows exacts, prompts à copier, résultats attendus.
03
Bonnes pratiquesTaille de corpus, formats de sources, prompts personnalisés.
04
TroubleshootingCinq problèmes fréquents et leurs solutions.
05
Extensions et intégrationsObsidian, n8n, bases de données.
1. Setup et prérequis
Trois éléments obligatoires avant de piloter NotebookLM depuis Claude.
Claude in Chrome
Télécharger l’extension depuis le Chrome Web Store et l’ajouter à Chrome ou Edge.
Autoriser NotebookLM
Claude → nom (bas gauche) → Settings → « Claude in Chrome (Beta) » → Add websites → notebooklm.google → confirmer.
La skill NotebookLM
Déjà disponible dans Cowork si installée, ou à importer via Customize → Skills → Upload a skill.
Vérifier que tout fonctionne
Ouvrir Cowork, n’importe quel chat, et taper la commande ci-dessous. La skill doit charger et proposer : Create a new notebook, Read/extract from a notebook, Add sources, Generate Studio outputs.
/notebooklm
2. Cinq cas d’usage
Chaque cas est un module indépendant : contexte, workflow exact, prompt à copier, résultat attendu.
01
Ingérer un corpus et extraire structuré (JSON)
Intermédiaire
15–25 min
Quand l’utiliser : vous avez un ensemble de sources (vidéos, articles, PDFs) et besoin du contenu en format structuré pour une base de données, une formation, ou un traitement ultérieur.
→
NotebookLM + Claude
→
JSON structuré
Workflow
- Préparer la liste des 20 sources (URLs YouTube, articles, PDFs).
- Dans Cowork, taper /notebooklm.
- Demander : créer un notebook, ajouter les sources, puis extraire un JSON complet (titre, auteur, url, résumé, concepts, timestamps).
- Claude ouvre NotebookLM, ajoute les sources, attend l’indexation (5–15 min), interroge le notebook et formate le JSON.
- Récupérer le JSON complet, prêt à l’emploi.
Create a new notebook called "YouTube Sources — [Your Topic]" Add these 20 YouTube sources (paste the list) Once added, extract a complete JSON with: - titre - auteur - youtube_url - resume (3-4 sentences) - concepts (list of key concepts) - timestamps (object with time → description) Format JSON exact and provide the full output.
Temps réel : 15–25 min pour 20 sources. Sans la skill : 2–3 heures de clic et copier-coller.
02
Synthétiser en outputs multiples et les récupérer
Débutant
10–15 min
Quand l’utiliser : vous avez un notebook existant et besoin d’en extraire plusieurs formats (audio, infographie, study guide) sans télécharger manuellement.
→
Studio outputs custom
→
Audio + Infographie + Guide
Workflow
- Dans Cowork, taper /notebooklm et choisir Generate Studio outputs.
- Demander : ouvrir le notebook, générer Audio Overview, Infographic et Study Guide, chacun avec un prompt custom (jamais le mode par défaut).
- Claude ouvre le notebook, clique sur chaque bouton Studio, remplit les prompts personnalisés et déclenche la génération.
- Récupérer les liens de téléchargement une fois les outputs prêts.
Ouvre le notebook "Sécurité de l'IA — Juin 2026" Génère ces outputs Studio (un par un ou en batch si possible) : 1. Audio Overview (focus sur les concepts critiques, pas le contexte généraliste) 2. Infographic (top 7 concepts avec hiérarchie visuelle) 3. Study Guide (key terms, essay prompts, practice questions) Personnalise chaque output avec un prompt custom (ne laisse pas les defaults). Une fois générés, reporte-moi les liens de téléchargement ou confirme que c'est prêt.
Temps réel : 10–15 min. Qualité nettement meilleure qu’avec des prompts par défaut.
03
Analyser en boucle et extraire les nouveautés
Intermédiaire
8–12 min
Quand l’utiliser : vous avez un corpus qui s’enrichit régulièrement et voulez rester à jour sans refaire toute l’analyse.
→
+ nouvelles sources
→
Delta uniquement
Workflow
- Créer une baseline : notebook initial, extraire un JSON complet, le sauvegarder comme référence.
- Un mois plus tard, taper /notebooklm avec les nouvelles sources.
- Demander un JSON limité aux nouvelles sources et aux concepts nouveaux ou modifiés, en joignant la baseline en référence.
- Claude ajoute les sources, compare avec la baseline, extrait uniquement le delta.
Ouvre le notebook "Veille IA-RH 2026" Ajoute ces 8 nouvelles sources : [liste URLs] Une fois ajoutées, extrait un JSON UNIQUEMENT des nouvelles sources + des concepts NOUVEAUX qui ne sont pas dans la version de janvier 2026 que je vais te passer. Fournis aussi une liste des concepts qui ont ÉVOLUÉ (ex : "alignment IA" avant vs maintenant). Joins ma baseline JSON en référence.
Temps réel : 8–12 min. Sans la skill : risque de doublons et perte de contexte.
04
Synthétiser pour une décision business
Avancé
20–30 min
Quand l’utiliser : vous analysez des sources (appels client, articles, rapports) pour prendre une décision, avec besoin de synthèse, contradictions et signaux faibles.
→
Synthèse citée
→
Objections, gaps, signaux
Workflow
- Préparer les sources : transcriptions d’appels, URLs d’articles, extraits collés.
- Taper /notebooklm et créer un notebook dédié à l’analyse.
- Ajouter toutes les sources puis poser des questions précises (objections fréquentes, gaps produit, signaux faibles), en exigeant des citations exactes.
- Claude orchestre l’indexation et la synthèse, puis restitue des réponses sourcées.
Create a new notebook called "Market Analysis — Q3 2026" Add these sources: - 15 sales call transcripts (uploaded as text) - 5 market reports (URLs) - 2 competitive analyses (pasted text) Once indexed, answer these specific questions: 1. Quels sont les 3 objections clients les plus fréquentes ? 2. Quel est notre principal gap produit vs la concurrence (sourcé précisément) ? 3. Quels sont les 2-3 signaux faibles qui indiquent une évolution du marché ? Pour chaque réponse : cite les sources exactes avec timestamps/pages.
Temps réel : 20–30 min pour 20 sources avec réponses citées. Sans ça : 2 jours de lecture et compilation.
05
Créer une base de connaissances interrogeable
Avancé
1–2 h
Quand l’utiliser : vous voulez transformer un corpus en knowledge graph réutilisable, sans repasser par NotebookLM à chaque question.
→
JSON → notes Obsidian
→
Knowledge graph navigable
Workflow
- Ingérer le corpus (cas 1) et obtenir le JSON complet pour 30 vidéos.
- Transformer le JSON en notes Markdown avec le script transform_to_obsidian.py.
- Indexer les notes dans Obsidian avec Smart Connections (Rebuild Index).
- Créer des notes-concepts reliant chaque concept clé aux 3–5 vidéos qui le développent.
python transform_to_obsidian.py videos.json Copilot-Studio
Temps réel : 1–2 h pour 30 vidéos. Réutilisabilité : infinie.
3. Bonnes pratiques
Taille des corpus
Petit (1–10 sources) : pas besoin de la skill, le copier-coller manuel suffit — sauf pour obtenir un JSON structuré.
Moyen (10–50) : le sweet spot. La skill fait toute la différence, 15–30 min, zéro perte.
Grand (50–200) : possible, mais à découper en batches — 5 notebooks de 40 sources plutôt qu’un seul.
Très grand (200+) : non recommandé en manuel — passer par n8n + API.
Format des sources
URLs (YouTube, articles) : parfait, NotebookLM les traite nativement — vérifier qu’elles sont publiques.
Vidéos locales : non prises nativement — passer par YouTube non-listé ou par transcription.
Transcriptions : excellent input, plus fiable que l’audio brut.
PDFs : acceptés en upload — attention aux PDFs scannés sans OCR, illisibles.
Optimiser l’extraction
Prompts personnalisés : jamais de mode par défaut sur les Studio outputs — toujours un ton et un style explicites.
Extraction structurée : demander du JSON avec le schéma exact attendu, jamais du texte à reformater après coup.
Citations sources : toujours exiger une citation précise pour chaque affirmation.
| Critère | Petit (1–10) | Moyen (10–50) | Grand (50–200) | Très grand (200+) |
|---|---|---|---|---|
| Skill nécessaire | ✗ optionnelle | ✓ sweet spot | ✓ avec découpage | ✗ non recommandée |
| Temps réel | manuel | 15–30 min | variable, par lot | — |
| Risque de dilution | non | faible | oui si non découpé | élevé |
| Approche recommandée | copier-coller manuel | la skill telle quelle | notebooks de ~40 sources | n8n + API |
4. Troubleshooting
Cliquer sur un problème pour afficher cause et solution.
5. Extensions et intégrations
Obsidian
Le JSON de sources devient des notes Markdown (transform_to_obsidian.py), indexées par Smart Connections : un knowledge graph navigable et réutilisable.
→
Notes Obsidian
→
Knowledge graph
n8n
NotebookLM via Claude est manuel ; n8n script la boucle : nouvelles sources (RSS, email, Slack) → ingestion Claude → JSON → notes Obsidian, mises à jour au quotidien.
→
n8n
→
Claude + NotebookLM
Base de données
Le JSON se transforme en schéma SQL et se charge dans PostgreSQL ou MongoDB : requêtes programmatiques ultérieures, sans repasser par Claude ou NotebookLM.
→
Schéma SQL
→
Postgres / Mongo