Google Prueba Personal Intelligence En NotebookLM Para Conversaciones Más Útiles

Google está probando en NotebookLM una capa de “Personal intelligence” que, si aterriza tal cual, cambia de forma notable la relación con la herramienta. Ya no se trataría solo de “consultar” un cuaderno, sino de que el cuaderno empiece a entender cómo trabajas tú.

En compilaciones recientes esta opción ya aparece tanto en Ajustes generales como dentro de la configuración específica de cada cuaderno, casi como quien no quiere la cosa. NotebookLM puede aprender de tus chats para entender tus objetivos y ajustar la forma en que responde.

Y aquí surge la pregunta inevitable: ¿ese “aprender” significa personalización útil o significa que Google construye un perfil a partir de tus conversaciones? La diferencia entre ambas lecturas no es menor.

La “Personal intelligence” apunta a una IA con memoria práctica dentro de NotebookLM

Lo más llamativo no es tanto el nombre de la función como el mecanismo que la acompaña. La opción incluye un campo de prompt personalizado que aparece ya rellenado con una descripción tipo perfil, algo que rompe con la dinámica habitual de tener que explicar una y otra vez cómo quieres que te respondan.

En lugar de escribir cada vez “respóndeme corto, con bullets y con código si aplica”, NotebookLM podría arrancar con esas preferencias ya integradas en el sistema. El texto por defecto que se ha visto en esas cadenas parece un preset de “persona” bastante reconocible en el mundillo: investigador centrado en IA y aprendizaje automático, que prefiere explicaciones concisas, técnicas y con fragmentos de código cuando es relevante.

Aquí está el matiz importante. Que aparezca un perfil preescrito no confirma si ese perfil es realmente tuyo o si se trata simplemente de un placeholder pensado para mostrar cómo funcionará la función.

Si es solo texto de muestra, estamos ante un ajuste de UX para que el usuario entienda qué demonios tiene que poner ahí. Pero si no lo es, entonces entramos en un terreno mucho más interesante: la IA podría estar infiriendo tu estilo a partir del historial, y eso ya es otro nivel de producto.

Dos niveles de personalización: uno global y otro por cuaderno

La misma redacción aparece también en la configuración del chat, no solo en los Ajustes generales. Esto apunta a que Google podría estar preparando una personalización a dos niveles: una global para todo NotebookLM y otra local para cada cuaderno.

Bien implementado, esto es oro puro para quien usa NotebookLM como se supone que debe usarse: varios cuadernos para proyectos distintos, cada uno con su propio “cerebro” y sus manías. Puedes imaginar un cuaderno para una tesis con respuestas largas, estilo paper y citas, y otro para el trabajo diario con bullets, tono directo y foco en decisiones.

Lo potente aquí es precisamente lo local. Que distintos cuadernos se comporten de forma diferente según su configuración reduce fricción de manera brutal, porque el usuario deja de pelearse con el prompt cada vez que cambia de contexto. Además, NotebookLM no es un chat suelto, sino una herramienta pensada para hilos largos y trabajo continuado, así que cualquier memoria práctica tiene un impacto inmediato.

Si el sistema recuerda tu formato preferido, baja la latencia mental: menos “cómo quiero que me hables” y más “qué quiero entender”.

La gran duda: ¿de dónde sale ese “perfil” y qué pinta Gemini aquí?

Ahora mismo no está claro de dónde saldrá esa descripción tipo perfil cuando deje de ser un texto genérico, si es que lo es. Hay al menos tres opciones sobre la mesa: que venga de un perfil más amplio de Gemini, que se infiera a partir de conversaciones pasadas dentro del cuaderno, o que sea simplemente una plantilla editable.

Cada una de esas opciones implica un producto distinto. Si depende de Gemini a nivel de cuenta, estaríamos hablando de una personalización horizontal, coherente entre apps y superficies. Tu forma de pedir cosas en un sitio afectaría a cómo te responden en otro, con todo lo bueno —consistencia— y todo lo delicado —sensación de vigilancia— que eso conlleva.

Esta dirección encaja con el impulso de Google por meter contexto tipo memoria en Gemini, incluyendo señales de otras superficies del ecosistema. Sin embargo, si el primer despliegue se limita a chats previos dentro de NotebookLM, el riesgo percibido baja bastante y el valor sigue siendo alto. Para el usuario medio, eso se traduce en algo muy simple: la herramienta clava mejor el tono, ajusta la profundidad y deja de insistir en explicaciones que ya sabes.

A eso se suma el campo de prompt personalizado, que en la práctica funciona como un control manual para ajustar esa memoria sin esperar a que el modelo lo infiera todo por sí solo. Google parece buscar un equilibrio entre inferencia automática y mando humano: tú puedes editar el perfil y decidir cómo quieres que te trate.

Lo que esto cambia (y lo que puede salir regular)

Si se lanza, este sería un paso temprano —pero muy real— hacia un NotebookLM que se adapta al usuario con el tiempo. El beneficio inmediato es claro: menos prompts repetidos, menos recontextualizar y más continuidad entre sesiones.

El riesgo también es evidente. Una personalización mal afinada puede encasillarte. Si NotebookLM decide que “tú eres técnico” y empieza a responder siempre como si estuvieras en un benchmark, puede resultar pesado cuando solo querías una explicación rápida para salir del paso. Por eso el detalle del doble nivel importa tanto: ajustar por cuaderno ofrece una válvula de escape para no convertir toda tu cuenta en una sola “persona” fija.

Aquí también hay una lectura estratégica interesante. Google no solo compite en modelos, compite en experiencia. Cuando los LLM empiezan a parecerse cada vez más en capacidades brutas, lo diferencial pasa a ser quién te entiende antes, quién te estorba menos y quién te deja trabajar.

Tocará esperar para ver si “Personal intelligence” se queda en experimento, llega a producción tal cual o aparece recortada por privacidad, por producto o por ambas cosas. Si Google consigue que NotebookLM aprenda de ti sin volverse intrusivo, esto puede marcar el inicio de una etapa en la que el prompt engineering se vuelve casi invisible.

Y, como es lógico, la competencia no se va a quedar mirando: si esta capa funciona, veremos respuestas rápidas en forma de memorias por proyecto, perfiles editables y personalización granular en media industria.