Google NotebookLM permite montar un ingeniero de prompts personal con IA en 15 minutos

Se ha propuesto usar Google NotebookLM no como un simple tomador de apuntes, sino como un ingeniero de prompts personal con IA. La idea es sencilla: en lugar de estudiar sin fin técnicas de prompting, crear una base de conocimiento propia y obligar al modelo a responder solo con ella.

Por qué los chats fallan

La principal queja sobre los chatbots habituales en estas tareas es que dan respuestas promediadas. Si se les pide un prompt para Sora, Veo o generación de modelos 3D, el modelo suele mezclar consejos antiguos, parámetros sin confirmar y fragmentos de distintas guías. En escenarios concretos esto se vuelve rápido un problema: un parámetro de más rompe una llamada a la API, y una formulación incorrecta cambia el estilo visual o la estructura del resultado.

Por eso el objetivo no es una «consulta mágica», sino limitar el modelo a un contexto verificado. En esencia, el autor propone ver la ingeniería de prompts como trabajo con fuentes y no como una competición de redacción. Cuanto más estrecho es el dominio (vídeo, imágenes, esquemas JSON, ajustes de RAG), más importa que el asistente se apoye no en conocimiento general, sino en documentación concreta, ejemplos y plantillas de trabajo propias. Esto reduce las alucinaciones y hace que las respuestas sean reproducibles.

Cómo funciona el asistente

En este esquema, NotebookLM de Google actúa como una capa RAG ligera, sin código ni API. El usuario crea un cuaderno nuevo, sube PDF, sitios web, textos y vídeos de YouTube, y luego define para el modelo un rol de sistema claro. Después, el asistente responde solo con los materiales añadidos y puede hacer algo más que entregar un prompt: puede explicar por qué eligió determinados parámetros de cámara, luz, estructura o estilo. Para la persona, es como un experto personal entrenado con su propia biblioteca.

Lo fundamental es no dejar el servicio en modo «interlocutor universal». El autor recomienda indicar explícitamente el perfil de senior prompt engineer y la prohibición de inventar datos ajenos a las fuentes. La mejor parte de este ajuste es exigir que se reconozcan las lagunas de conocimiento en lugar de rellenarlas con tono seguro. La fórmula es corta pero práctica:

«Si no hay información en ellas, di honestamente “no lo sé”».

Ese filtro cambia la calidad de las respuestas más que otra lista de técnicas «secretas» de prompting.

Qué meter dentro

La eficacia del asistente no depende de un prompt inicial vistoso, sino del conjunto de materiales del cuaderno. El artículo aconseja reunir no todo lo que haya, sino solo las fuentes en las que el usuario esté realmente dispuesto a apoyarse en su trabajo. Si se suben vídeos al azar y consejos contradictorios, el servicio simplemente resumirá con pulcritud el caos. Si se reúne un corpus acotado y de calidad, empezará a funcionar como un editor disciplinado.

El mínimo práctico es este:

• documentación oficial de OpenAI, Google, Anthropic y otras plataformas necesarias;
• análisis en vídeo de modelos concretos, que NotebookLM puede transcribir;
• tus propios prompts exitosos, esquemas JSON y plantillas de trabajo;
• guías verificadas sobre imágenes, vídeo y otras tareas específicas.

A partir de ahí, el escenario es muy práctico: el usuario escribe una tarea como «haz 10 variantes de prompt para un vídeo vertical 9:16 en una ciudad cyberpunk», y NotebookLM devuelve no solo un conjunto de formulaciones, sino también su argumentación. Puede explicar para qué sirve un determinado tipo de movimiento de cámara, por qué se eligió la paleta de neón, qué enfoques alternativos existen y qué parámetros conviene evitar para no romper la integración. Esa capacidad de explicación distingue al asistente de una carpeta de notas antiguas y de un chatbot corriente con conocimientos amplios pero difusos.

Qué significa

La idea del ingeniero de prompts personal con IA muestra hacia dónde se desplaza el trabajo diario con modelos: de la caza de la «consulta perfecta» a la construcción de sistemas mini-RAG propios y verificados. Para creadores de contenido, especialistas de marketing y equipos de producto, es una forma rápida de estandarizar prompts, reducir errores y conservar la experiencia en una única base de conocimiento controlada.