こんな感じで、おおまかに数十件アカウントを登録したリストを作って日々眺めていれば、その方々のリポストで違う方の投稿が流れてきたりもするので、良いなと思ったらそこでリストにも追加したり、楽しくリストを育てています。 加えて、自分と同じ分野でAIを活用されている方々を追加するのも刺激になります。私は日本でWebアプリケーションの開発をしているので @mizchi さん @t_wada さん @laiso さん @azukiazusa9 さんなどの開発者の方々のポストも見ています。 最近はローカルLLMにも興味があるので @ollama や @Alibaba_Qwen も入れてみようかなと思っています。 ポストが英語なんだけど！ AI関連の情報はだいたい英語です。 私は英語弱いですが、XはポストごとにGrok翻訳UIがついているおかげで快適に読めます。ありがとうイーロンマスク…（AIリストにアカ

Gemini の参照ファイルに NotebookLM を指定できるようになったので早速試してみました。 5) Smarter responses with @NotebookLM You can now add notebooks as sources in Gemini. Combine shared class notes, deep research on a topic, and get responses grounded in your documents. pic.twitter.com/U4Ro9b8ZfZ— G3mini (@GeminiApp) 2025年12月19日 NotebookLM 🤝 @GeminiApp You can now upload Notebooks directly into the GeminiApp. This is great for:

Disclaimer: 本コラムはGoogle社の公式見解と一切関係なく、僕個人の推察です。またファクトチェックは可能な限り行いましたが、考察がメインである点は了承ください。 前編のおさらいと補足前回 (Google Gemini/NotebookLMの技術的スゴミと推論戦争（前編）) はNotebookLMのすごさについて概要を解説しました。若干大げさな表現もありましたが、今回はより詳細な技術的なバックグラウンドについて解説します。ただ非公開情報が多く、推察がメインのコラムとなっている点はご留意ください。 TLDR (Too Long, Don't Read = まとめ)AIの「嘘」は意図的ではない。 生成AIは、次に来る単語を確率的に予測して文章を作る仕組みのため、知識がないことでも「それらしい」言葉を繋げてしまい、結果的に事実と異なる内容（ハルシネーション）を生成します。 AIに資料

Claude Code MeetUp Tokyo での発表資料

Notebook LM に本を突っ込むとポッドキャストを生成してくれる機能を愛用しています。 生成されたマインドマップを見ながらポッドキャストを聞き、深堀りしたい部分を実際に読んだり、他の記事などもソースに突っ込んで分析するなど読書体験が令和になりました。 o'reilly ebook は PDF もあるため、それを突っ込めばいいのですが、 Kindle 本はそうもいきません。 いくつか検索した結果、ソリューションとして、 KIndle をスクショする スクショした画像を PDF 化する PDF を Notebook LM にアップロードする という方式がよさそうです。 最近 NotebookLM が画像アップロード機能が実装されたようですが、1ノートブックに対して50ファイルが上限となると、厚い本はつらそうです。 forest.watch.impress.co.jp というわけで今回は

G-gen の福井です。Google Workspace Events API と NotebookLM Enterprise API を利用して、Google ドライブ上のファイル操作をトリガーに NotebookLM のノートブック管理を自動化するアーキテクチャと、その実装例を紹介します。 はじめに 当記事の概要 NotebookLM Enterprise とは Google Workspace Events API とは 免責事項 実現したいこと 目的と処理の内容 構成図（To-be） 構成図（Can-be） イベント処理方式について 事前準備 デベロッパープレビュープログラムへの登録 各種APIの有効化 サービスアカウントの準備と権限移譲 サービスアカウントの作成 ドメイン全体の委任の設定 Pub/Sub の準備 サンプルアプリケーション ファイル構成 ライブラリのインストール 環

G-genの杉村です。Google の AI を活用したリサーチ・ライティングアシスタントである NotebookLM の各エディション（無償版、Pro 版、Enterprise 版）の違いについて詳しく解説します。 NotebookLM とは NotebookLM のエディション エディションの比較 どのエディションを選ぶべきか その他の注意点 ノートブックの共有可否 アクセス URL NotebookLM とは NotebookLM は、ユーザーがアップロードしたドキュメントやデータ（ソース）に基づいて、AI が質問応答、要約、アイデア生成などを行うリサーチ・ライティングアシスタントです。従来の検索エンジンや Gemini アプリとは異なり、NotebookLM はユーザーが提供した情報源のみに基づいて回答を生成するため、情報の信頼性をコントロールしやすい点が特徴です。 Noteboo

NotebookLMに追加された「スライド資料」作成機能が話題です。 NotebookLMはとにかく一発で非常にクオリティの高いプレゼンテーションスライドを出してくるので、いろんな人が「もうこのままでプレゼンできる」と言ってしまうレベルです。ボタン一発でこんなふうに。 これだけ見るとぜんぜん悪くないですよね。プレゼン屋の目線で見ても悪くない。 ただ、次にこちらも見てみてください。 こちらもまったく同じソースを使ってNotebookLMで一発で出したスライドなのですが、後者の方は意図してこのスライドデザインになるよう指定したものです。 この記事ではこのようにNotebookLMでスライド生成するときのデザインの指定方法をご紹介していこうと思います。 NotebookLMの使い方NotebookLMを使ったことがある方はご存じだと思いますが、他の生成AIとの大きな違いがユーザが最初に文書データ

クラウド事業本部 オペレーション部 カスタマーサポートグループ アカウントチーム の chicca です。 2025年1月にチームの業務を効率化するために作成した AI を ChatGPT から NotebookLM にお引越し（リプレイス）しました。 今回はなぜリプレイスしたのか、どうやってNotebookLM版を作ったのかをご紹介します。 １：今までのAI（ChatGPT版）のあゆみ ChatGPT版の作成について詳細は前回のブログをご覧ください。 ChatGPT でチームへの問い合わせに回答する AI 作成してみた 本番環境移行時に AI プラットフォームは改めて検討する予定でしたが、 本番リリースを3か月前倒ししたため、そのまま ChatGPT で運用を開始しました。 2025年1月下旬～2025年5月末まで運用した結果です。 対象月 AI解決数 AI未解決数 解決率 削減時間 A

こんにちは、uです。 AIが文章を整えてくれる時代になったが、「書く」と「読む」について考えてみたいと思います。 最近、NotebookLMが驚くほど進化した。 雑に書いたメモを投げるだけで、驚くほど綺麗なスライドが返ってくる。デザインも構成も洗練されていて、「あ、これでいいじゃん」と思わせる仕上がりになる。 ただ、その便利さの裏側で、大事なことを見落としつつある。 文章を書くこと、文章を読むこと。その2つの行為が持っている“本来の難しさ”だ。 文章は、単語・文・構造のレイヤーが連動しながら、書き手の思考と意図を運ぶ媒体だ。私は文章を、単なる情報の入れ物ではなく、「思考そのものの外在化」だと考えている。 そして読み手は、その外に出された思考を、自分の中で正確に再構築することで、はじめて理解に到達する。 読むことも書くことも、思っている以上に高度な営みです。読み書き算盤とは本当によく言ったも

本記事は、AIに下書きを生成させた後、人によるファクトチェックや調整を慎重に行なった後に投稿しています。 こんにちは。AIエンジニアのYusukeです。 先日参加したハッカソンで、ひとつの発見がありました。 コード内に存在する複雑なアルゴリズムをわかりやすく説明するスライドを、コードから生成できる——というアイデアです。 アイデア出しから実装、プレゼンを準備する時間はわずか3時間。プレゼン資料をゼロから作っている余裕はありませんでした。そこで試したアプローチが思いのほかうまくいったので、記録として残しておきます。 ありがたいことに、この方法をハッカソンの運営の方がポストしてくださり、反響をいただいています。(12/4現在1600いいね&180リポスト) ハッカソンのプレゼン、今は実装からスライド生成までできる時代なの、めちゃくちゃ良い Claude Code で実装、コードから Noteb

研究者や大学教員、そして日常的に論文を扱う人にとって、「文献管理」「PDFの保管」「内容理解や整理」は永遠のテーマです。私自身これまで試行錯誤を重ねてきましたが、ここ最近になってようやく“理想のワークフロー”にたどり着きました。 それが Paperpile → Google Drive → NotebookLM という三段構えの流れです。 文献整理は Paperpile が最適だった何年も Paperpile を使って文献を管理していますが、最大の魅力は Google Drive と完全連携してくれる点です。 PDFは自動的に Google Drive にアップロードされ、情報も自動的に追加されるので、面倒な管理をする必要がほぼありません。 気づけば 2,500本以上の論文PDF を Paperpile 経由で Drive に蓄積していました。 ここまではこれまでの既存フローです。 ポイン

2025/10/22 に『Gemini と NotebookLM を組み合わせて 目標設定の負荷を軽減する方法』というお題で登壇しました。 6月あたりから私の発信内容に Gemini, NotebookLM など AI 関連のものが多くなったのはこれをやってたからでした。 補足 15分の登壇では伝えきれなかった部分の補足です。 Gem の設定方法の紆余曲折 Gem の共有機能ができたのは今回の仕組みのリリース後だったので、最初はすべてのユーザーに同じカスタム指示を設定して貰う方法にしていた その後、 ファイル指定をしても問題なく動作することがわかり、カスタム指示欄に直接入力する方法からファイル指定する方法に変えた 運用が開始してからしばらくたった後にカスタム指示欄の内容を直接テキストで設定する場合と、ファイル指定した場合の挙動に差ができて、ファイル指定だと想定通りに動作しなくなったので、カ

ユーザーインタビューを実施した後、情報をまとめるのって時間がかかりますよね。 Google NotebookLMを使えば、効率的にユーザーインタビューから必要な情報を抽出したり、価値マップを作成できます。 なぜユーザーインタビューを価値マップにするのか？ ユーザーインタビュー（発話録）は、ユーザーの行動や思考、感情を理解するための有効な手段です。 しかし、ユーザーインタビューで得られた言葉をそのまま鵜呑みにしてしまうと、表面的なニーズや要望に留まり本質的な課題や価値にたどり着くことはできません。 KA法（本質的価値抽出法）は、ユーザーの発話を意味ごとに分解しその背後にある意図や価値観を段階的に抽象化していく手法です。 具体的な意見を抽象化することによって、複数のユーザーに共通する価値観や動機を見つけ出し、サービス設計の判断軸として活用できるようになります。 例えば「アイスコーヒーが好き」と

お疲れさまです。とーちです。 皆さんの会社では社内勉強会をやったりしていますか？ 業務都合等もあって勉強会に参加できない人もいると思いますが、そういった方にも勉強会の内容は共有したいですよね。また、勉強会後に個人的に復習したいなというケースもあるかなと思います。 こういった勉強会の内容の共有をするためにNotebookLMを使うのがいいかもと思ったので、今日はその内容を共有しようと思います。 前提条件 前提としてGoogle Workspaceを使っている環境を想定しています。 Google Workspaceのプランごとの比較表を見る限りでは今回ご紹介する内容なら Business Standard プラン以上であれば試せると思いますが、筆者が試した環境はEnterpriseプラン環境である点をご承知おきください。 勉強会の内容はMeetで録画・文字起こし オンラインでもオフラインでも勉

ノートという概念を大きく変えたあのNotebookLMが、なんと一般公開できるようになりました！これ、誰でもLLMとインタラクティブにやりとりできる本／ノートを共有できるようになったってことで、何気に活版印刷技術の発明以来くらいの革命なのでは……。とにかくやばい。 試しに以下Googleアカウントでログインして見てみてください。 やりかたは「共有」から「リンクを知っている全員」を選択して、「リンクをコピー」し、あとはリンクをシェアするだけ。簡単すぎる。 ちなみに樋口が初めてNotebook LMを触ったときの衝撃は以下の記事に書き留められています。

はじめに こんにちは。SmartHRで勤怠管理プロダクトのPM（プロダクトマネージャー）を務めている@hiroki_mです。 私が扱う領域は勤怠管理という領域ですが、プロダクト開発の現場では、CursorやDevin、ClineなどのAI開発支援ツールを積極的に活用しています。 この記事では、私がPMとしてAI開発支援ツールをどのように活用しているかを紹介します。 AIを活用する目的はなにか PMの業務を効率化することで、PMとしてより価値を生む業務に集中するためです。 勤怠管理機能の開発チームはとても優秀で、爆速で開発を進めています。PMが開発をスケールするうえでボトルネックとならないよう、要件定義の効率化、さらにはPM抜きでも要件定義及び開発を進められる体制を築いていきたいと思っています。 その結果、プロダクト戦略の立案と解くべき課題の解像度を上げることに対し、より時間を割けるようにし

Google NotebookLM のような RAG にドキュメントを読み込ませることで、質問をすることができる時代になりました。 これにより、ドキュメントに質問をして「足りていない部分」や「わかりにくい部分」を気軽に確認できます。Google NotebookLM はそもそも質問も色々考えてくれます。 この「ドキュメントに質問ができる」というのは本当に革命的です。正直こんな時代が来るとは思っていませんでした。実際、ドキュメントがしっかり書けていない機能の部分を質問すると「残念な回答」しかしてきません。そのかわり、長いけど、しっかり書いている部分を RAG に質問すると「良い回答」をしてくれます。 ドキュメントの書き方が「人にとってわかりやすくて読みやすい」から「LAG が間違いにく理解しやすい」に変わったような気がします。

みなさんは NotebookLM 使ってますか？ 今までなにかの調査をするのに「DeepResearchが一番！」と思い使ってきたのですが、 NotebookLMを初めて使ってみて「NotebookLM、最高じゃん…」となりました。 具体的には、調査系のタスクをする上で下記の点が良かったです！ ⭐️ 1度ソースをまとめると、疑問点が浮かんだときに何度も聞ける。 DeepResearchだと一度の調査に時間がかかる上、「この観点抜けてたな」と思い尋ねるとさらに時間がかかったりします…。 NotebookLMもはじめにソースをまとめる手間はありますが、一度まとめるとスムーズに疑問点を解消できます。 少し前に検索機能も追加され、より手軽にまとめられるようになりました。 DeepResearchの結果をソースとして使用するのも良さそうです。（※下部のコメントにて紹介いただきました！） ⭐️ ソース