Google completó la transformación del servicio de investigación NotebookLM, utilizado por más de 30 millones de personas y 600 mil organizaciones, en el agente autónomo Gemini Notebook. El motivo para volver a mirar la plataforma fue un nuevo paquete de diez funciones que el especialista en automatización Julian Goldie probó en tareas reales de trabajo. Detrás del cambio de nombre y los nuevos botones de exportación, es fácil pasar por alto el detalle de ingeniería clave de la actualización: ahora cada cuaderno recibe su propia computadora aislada en la nube, capaz de escribir y ejecutar código.
Hasta ahora, estos cuadernos funcionaban como un asistente documental prolijo: subías un lote de archivos, hacías una pregunta y obtenías un resumen con citas a las páginas exactas. Pero ¿qué cambia en el trabajo diario con reportes y tablas cuando la base de conocimiento deja de limitarse a buscar citas y empieza a calcular datos con scripts y armar documentos terminados por sí sola?
Sandbox de Python aislado: cálculo con código en lugar de adivinar cifras
La generación aumentada por recuperación clásica (Retrieval-Augmented Generation) maneja muy bien los significados, pero tropieza con la contabilidad básica. Un modelo de texto funciona como un humanista muy leído con memoria prodigiosa: encuentra al instante la cláusula exacta en un contrato, pero al intentar sumar cientos de filas de una tabla predice cifras por probabilidad —como quien multiplica números grandes de memoria y de oído. De ahí nacen las alucinaciones, cuando el texto suena convincente pero el total no cuadra con la realidad.
Lo que más me llamó la atención de la arquitectura del renovado Gemini Notebook es lo directo que fueron los ingenieros de Google para cerrar esa vulnerabilidad. El cuaderno admite hasta 50 fuentes de hasta 500,000 palabras cada una en una ventana de contexto de 1 millón de tokens. Pero en cuanto tu pregunta toca cálculos, evolución de métricas o una exportación sucia, la red neuronal deja de adivinar palabras y lanza un ciclo de cómputo dentro de un contenedor protegido:
- Indexación transversal. El agente vincula extractos de texto de documentos con cuadrículas numéricas de las tablas CSV y Excel adjuntas.
- Generación del script. El sistema escribe por sí mismo código en Python con las librerías analíticas Pandas y Matplotlib.
- Ciclo de autoverificación. Si el script tropieza con una celda rota, un formato de fecha inconsistente o una columna desplazada, el agente lee el error, reescribe la limpieza de datos y relanza el cálculo hasta obtener la respuesta matemáticamente exacta.
Tomemos una tarea cotidiana de un analista financiero: sobre la mesa hay tres reportes trimestrales en PDF sin estructurar y una exportación cruda de transacciones transactions.csv. Hay que consolidar los gastos operativos y encontrar la causa del salto en los costos de logística. En las tablas corporativas reales, los nombres de columnas en el CSV rara vez coinciden con las expresiones del PDF, y las fechas vienen mezcladas. En lugar de pelear manualmente con fórmulas, planteas la tarea en lenguaje natural en el chat, y en el sandbox en la nube el agente arma y ejecuta este cálculo:
import pandas as pd
import matplotlib.pyplot as plt
# Lectura de transacciones y unificación de formatos de fecha mixtos
df = pd.read_csv("transactions.csv")
df["date"] = pd.to_datetime(df["raw_date"], format="mixed", dayfirst=True)
df["quarter"] = df["date"].dt.to_period("Q")
# Mapeo de códigos de partida a las categorías de los reportes PDF
category_map = {"ship_cost": "Logística", "delivery_fee": "Logística", "ops_misc": "Operativos"}
df["category_clean"] = df["dept_col"].replace(category_map)
# Cálculo exacto de la evolución trimestral de gastos y guardado del gráfico
summary = df.groupby(["quarter", "category_clean"])["amount"].sum().unstack(fill_value=0)
summary.plot(kind="bar", figsize=(8, 4), title="Evolución de gastos operativos y logísticos")
plt.tight_layout()
plt.savefig("expenses_trend.png")
Para el analista, esto cambia todo el ritmo de la rutina del viernes: en lugar de pasar horas limpiando celdas y cazando referencias rotas, obtiene en 3 minutos un reporte verificado. El intérprete de Python normaliza las fechas sin inventar nada, agrupa las partidas de envío y señala con precisión el trimestre en que la logística rompió el presupuesto.
En este punto se disipa la principal desconfianza hacia la IA en analítica. El modelo de lenguaje se encarga de entender tu tarea y leer los documentos, mientras que toda la aritmética la asume código determinista, físicamente incapaz de inventar cifras por su cuenta.
Panel Artifact Studio: armado de diapositivas y flujos de trabajo desde archivos crudos
Obtener totales exactos es solo la mitad del trabajo, porque no vas a enviarle la salida de consola de un script a un directivo o a un cliente. El segundo pilar de la actualización es el panel derecho Artifact Studio, que convierte los cálculos en archivos de trabajo listos.
En nuestro ejemplo de gastos, el agente no deja las cifras perdidas en el hilo del chat: lleva al panel lateral una tabla dinámica interactiva, adjunta el gráfico de tendencia y arma una diapositiva destacando los tres principales riesgos operativos con enlaces a los PDF originales. El artefacto terminado se puede fijar, retocar y exportar a archivos Word, Excel, PowerPoint, PDF o CSV, o llevar directamente a Google Docs, Google Sheets y Google Slides. Para no rehacer el diseño final, resulta práctico combinar esta exportación con el modo de aprobación de estructura en dos etapas de Gemini Notebook, que permite validar el esquema antes de ensamblar las diapositivas.
La misma combinación funciona mucho más allá de las finanzas: cuando una base de conocimiento obtiene código ejecutable y salida en archivos, una carpeta con documentos se transforma en un pipeline reproducible. Entre las novedades paralelas del lanzamiento, Julian Goldie armó seis sistemas aplicados —desde calendarios de contenido, tablas de análisis de competencia y briefs SEO hasta estudios de guiones de video y capacitación de equipos. El agente planifica por sí mismo búsquedas web profundas Deep Research en decenas de sitios y mantiene roles personalizados en la configuración del chat, mientras los presentadores del podcast Audio Overview comentan los hallazgos del sandbox de Python junto a los nuevos resúmenes en video estilizados e ilustraciones de Nano Banana. También se actualizaron las tarjetas de estudio vistas en la integración del cuaderno con Google Docs y formatos interactivos: ahora admiten imágenes en el anverso, cronómetro para entrenar respuestas a FAQ en menos de 5 segundos y recordatorios matutinos en Android e iPhone.
Aislamiento de red, librerías cerradas y límites del contenedor
Darle a una red neuronal permiso para ejecutar código sobre documentos internos es un paso delicado, por eso en Google rodearon el sandbox de un perímetro de seguridad estricto. Esos límites dejan claro de inmediato dónde funciona sin fisuras y dónde topa con techo.
Ante todo, el contenedor serverless está completamente desconectado de internet. Un script de Python que corra adentro no podrá consultar cotizaciones bursátiles en vivo vía API externa, pero tampoco es físicamente capaz de enviar filas de tu tabla a un servidor ajeno. Para la seguridad de los datos es una ventaja enorme, aunque tendrás que cargar todos los catálogos necesarios en el cuaderno de antemano.
Además, la ejecución del script está limitada por un timeout de seguridad de unas decenas de segundos y una lista cerrada de paquetes analíticos estándar de Python —la instalación de librerías externas está bloqueada. En la versión actual, el código corre sobre todo «entre bastidores» del agente: ves el gráfico y la tabla listos en el estudio, pero no tienes una terminal interactiva para depurar línea por línea. Por eso, para entrenar modelos propios, analizar logs de varios gigabytes o usar librerías no estándar, Google Colab y Jupyter local siguen siendo insustituibles.
Las funciones agénticas se despliegan por oleadas, empezando por las suscripciones Google AI Ultra y los planes empresariales de Workspace. Antes de subir estados financieros reales, contratos o bases de clientes, revisa las políticas de retención de datos en la consola de tu Google Workspace corporativo: no debes usar una cuenta personal para secretos comerciales confidenciales.
La unión del sandbox de Python aislado y el panel Artifact Studio lleva a Gemini Notebook a un rol completamente distinto: en lugar de un recopilador pasivo de citas, tienes a mano a un analista digital ejecutivo. Asume la rutina más tediosa —limpiar tablas dispares con código sin alucinaciones, cruzarlas con PDF de texto y armar en minutos un resumen limpio o una presentación—, siempre que tengas presentes los límites del contenedor y las reglas de privacidad. Y si miras tu carpeta de trabajo ahora mismo, ¿qué reporte periódico o tabla siempre desordenada sigues consolidando a mano cada semana?


