Économisez 80 % sur les jetons Claude en maîtrisant NotebookLM

Le mois dernier, j’ai fait passer mon abonnement Claude de Pro à Max à 200 $ par mois, pensant que cela suffirait enfin.

Jour 5 : limite hebdomadaire épuisée.

En regardant les logs d’utilisation, j’ai vu exactement où l’argent était passé. Une seule après-midi passée à étudier 47 articles a consommé 10 % de ma limite hebdomadaire d’un coup. En le faisant deux ou trois fois par semaine, la limite ne pouvait naturellement pas tenir.

Le problème, c’est que je n’arrêtais pas de faire faire à Claude ce pour quoi il n’est pas bon : jouer le rôle d’un moteur de recherche en texte intégral.

Mettre un journal de 50 000 caractères dans une conversation et poser une question signifie que chaque fois, le journal entier est compté comme des tokens d’entrée. Même si vous utilisez le cache de prompt (où le prix est 1/10e), la session principale cumule lentement à chaque tour. Pire, le cache a une durée de vie d’une heure ; si vous attendez trop longtemps, vous devez tout réécrire au prix fort. C’est comme demander à un avocat une question, mais l’obliger à lire à voix haute votre contrat de 50 pages avant de pouvoir répondre, à chaque fois.

Claude Code excelle dans le raisonnement, l’orchestration et le codage. La lecture de matériel source brut doit être confiée à d’autres outils, Claude ne voyant que les conclusions. En suivant cette logique, j’ai pensé à NotebookLM.

Suivez ce guide de configuration, et votre compte à 20 $ pourra faire le travail d’un compte à 200 $.

Guide

Cet article est long ; n’hésitez pas à passer directement à ce qui vous intéresse :

• I : Qu’est-ce que NotebookLM ? + Que peut-il faire ?
• II : Pourquoi ajouter une couche Claude par‑dessus ?
• III : Installation de la compétence (configuration en 10 minutes)
• IV : Facture de tokens réelle + Analyse du principe
• V : Workflow pour chercheurs / étudiants
• VI : Workflow pour IPO / Lecture de prospectus
• VII : Workflow pour bases de connaissances personnelles
• Résumé

Si vous voulez d’abord voir les workflows, sautez directement à la partie V.

Thèse en une phrase :

La vraie façon d’économiser les tokens de Claude n’est pas seulement d’activer le cache ; c’est de garantir que les données lourdes n’entrent jamais dans Claude en premier lieu.

Plus précisément : laissez NotebookLM gérer le stockage et la récupération, tandis que Claude s’occupe du raisonnement et de l’orchestration. La division du travail est claire, résumée par cette analogie :

NotebookLM est l’Enseignant

: Les articles, rapports financiers et notes que vous collectez forment sa base de connaissances. Vous lui posez une question, il répond en s’appuyant sur l’expérience avec des citations, restant dans les limites de la source sans halluciner.

Claude est l’Assistant

: Il est chargé d’écrire du code, d’exécuter des scripts, d’organiser les résultats et d’orchestrer les outils. S’il ne sait pas quelque chose, il demande à l’Enseignant, obtient la réponse et continue de travailler.

Vous êtes le Chef de Projet

: Vous n’intervenez qu’aux points de décision clés.

Principes clés : Pourquoi cette division du travail fait économiser de l’argent

1. RAG vs. « Context Stuffing » sont deux modèles de coûts différents.

Mettre 50 000 caractères dans un chat Claude compte comme des tokens d’entrée. Chaque question nécessite de « regarder » à nouveau, et les coûts augmentent linéairement avec la taille du matériel. Avec le RAG, NotebookLM utilise la recherche vectorielle pour extraire les passages pertinents en interne, et Claude ne voit qu’une réponse distillée de quelques centaines de mots, ce qui rend le coût quasiment constant.

2. Le cache de prompt a une durée de vie de 1 heure, et les taux de succès sont faibles dans les scénarios de recherche.

Beaucoup pensent qu’activer le cache résout tout. En réalité, le cache de prompt d’Anthropic expire par défaut au bout d’une heure. Si vous réfléchissez quelques minutes, changez de tâche ou ouvrez une nouvelle session, l’appel suivant doit réécrire le cache au prix fort cache_creation. Les sessions de recherche suivent un rythme « demande, réflexion, nouvelle demande », où les taux de succès sont souvent déplorables. C’est la vraie cause de l’explosion de la facture.

3. Les réponses factuelles sont plus efficaces.

Les réponses de NotebookLM sont limitées à vos sources téléchargées, chaque phrase portant des citations [1][2] renvoyant au texte. Il n’invente rien. Lorsque Claude utilise ces réponses pour prendre des décisions, vous n’avez pas à lui demander sans cesse de « vérifier », ce qui vous fait gagner un temps inestimable.

Qui devrait passer son chemin :

• Matériel < 5 000 tokens ou vérification unique ou biquotidienne – demandez directement à Claude.
• Besoins de Q&A purs sans intégration de workflow – utilisez simplement l’interface web de NotebookLM.
• Ceux qui privilégient la rapidité de réponse plutôt que la facture – cette méthode est environ 3 fois plus lente.
• Ceux qui ont besoin de comprendre la structure/les définitions du code – NotebookLM est meilleur pour le RAG textuel.

Qui devrait continuer à lire :

• Ceux qui veulent des étapes d’installation spécifiques et des pièges à éviter.
• Ceux qui veulent voir comment les scénarios se traduisent au niveau des commandes.
• Les utilisateurs de Claude Code qui souhaitent transformer NotebookLM en compétence.

Partie I : Découvrir NotebookLM

J’ai ouvert NotebookLM pour la première fois parce qu’un ami me l’avait recommandé. Sa liste de lecture pour une thèse comprenait plus de 60 articles. Avant, elle faisait Ctrl+F dans les PDF ; maintenant, elle les dépose tous dans un seul notebook et demande : « Qui soutient le point de vue X, qui s’y oppose, et où sont les désaccords ? » – la réponse arrive avec des citations [1][2][3] qui renvoient au paragraphe exact en un clic.

Elle dit que cela lui fait gagner plus de dix heures par semaine.

Je l’ai essayé pendant une semaine avec scepticisme et suis devenu accro. Voici les avantages de NotebookLM :

1. Prend en charge 50 sources gratuitement / 300 pour Pro.
2. La puissance de traitement est gratuite – téléchargement, indexation, génération et chat utilisent tous les ressources de Google.
3. Au-delà du Q&A, il peut générer automatiquement des podcasts audio (excellents pour les trajets), des cartes mentales, des PPT, des fiches de révision, etc., à partir d’un notebook.
4. Les podcasts sont bluffants – entendre deux IA « étrangères » discuter de votre matériel sous des angles auxquels vous n’aviez pas pensé révèle souvent de nouvelles perspectives.

Le format n’est jamais un problème : PDF, URL, retranscriptions YouTube, Google Docs, texte brut, OCR d’image et transcriptions audio peuvent tous être des sources.

Pour beaucoup, NotebookLM est déjà un outil autonome puissant. Si votre besoin se limite à « s’asseoir et poser des questions », vous pouvez arrêter de lire ici.

Mais j’ai constaté qu’il bute à deux endroits :

1. Le changement de contexte casse le flux.

Recherche d’un sujet : poser une question → obtenir une réponse → cliquer sur la citation pour aller à la source → lire une section → revenir au notebook pour copier la réponse → passer à Claude Code pour l’utiliser → exécuter l’expérience → trouver une source manquante → passer à Google Search → télécharger → revenir au notebook pour ajouter la source → continuer à demander... Changer d’onglet 200 fois par après-midi.

2. Il est isolé des outils locaux.

Lors du dépannage d’incidents en ligne, je peux chercher des logs dans le notebook. Mais je dois aussi grep les configurations locales dans le terminal, vérifier les événements k8s et lancer des pods – l’application web ne peut pas exécuter de commandes locales. C’est toujours « lire sur le web → taper manuellement → revenir ».

L’application web NotebookLM se positionne comme la destination. Vous demandez, elle répond, point final. Mais je veux qu’elle soit un maillon de la chaîne de production – planifiée, traitée par lots, avec des résultats qui alimentent l’étape suivante.

C’est là que Claude entre en jeu.

Partie II : Ajouter une couche Claude par‑dessus

Transformez NotebookLM en un outil pour Claude. Une chose suffit : Quand Claude a besoin de connaissances du domaine, il demande à l’Enseignant.

Le flux

L’Enseignant (NotebookLM) est un service d’assistance en lecture seule : vous déposez les 47 articles une fois et ils restent là. Ils attendent les questions. Pas besoin de lui renvoyer des notes ou du code – les points de vue contenus dans les articles suffisent à toutes les requêtes.

Le prompt suivant encode les six étapes, la discipline et l’ID spécifique du notebook dans un format que Claude Code peut exécuter (pensez à remplacer l’ID) :

1# Rôle
2Vous êtes mon assistant de recherche. Mon professeur de matière est un notebook NotebookLM fixe 
3(id : 6634ad4d-0594-4700-bddf-4a400ad46fa2) contenant 47 articles pertinents.
4Vous parlez au professeur via la compétence notebooklm installée (commandes `/notecraft chat`).
5
6# Règles absolues
71. Pour toute question concernant des points de vue d’articles, des formules, des méthodes ou des pièges connus, **demandez d’abord au professeur via /notecraft chat**.
8   Ne répondez pas de mémoire et ne me demandez pas de copier le texte de l’article dans le chat.
92. Le professeur est un **service d’assistance en lecture seule** : ne lui renvoyez pas de notes, de code ou de résultats expérimentaux dans le notebook.
10   La base de connaissances reste statique avec les 47 articles.
113. Les réponses du professeur incluent des citations [1][2]. Conservez ces citations exactement telles quelles dans votre sortie à mon intention.
124. Vous décidez si vous devez à nouveau interroger le professeur en cours de route – vous n’avez pas besoin de confirmer chaque étape avec moi.
135. Si le professeur ne peut pas répondre ou si la citation est faible, dites explicitement « Le professeur n’a pas de réponse » ; n’inventez rien.
14
15# Workflow
16① Je vous donne un sujet/sous-problème.
17② Identifiez les points nécessitant des connaissances du domaine (points de vue des articles, méthodes antérieures, formules, modes d’échec).
18③ Interrogez le professeur sur ces points via /notecraft chat pour obtenir des réponses citées.
19④ Exécutez avec les réponses : écrivez du code, lancez des scripts, grep les fichiers locaux, organisez les résultats.
20⑤ Si de nouvelles questions surviennent pendant l’exécution, revenez à ③ et demandez au professeur jusqu’à résolution.
21⑥ Sortie finale à mon intention :
22   - Conclusions (avec [citations] du professeur)
23   - Votre code / résultats expérimentaux
24   - Une section séparée pour les questions ouvertes que le professeur n’a pas traitées
25
26# Format de sortie
27Utilisez ce squelette pour chaque livraison :
28
29## Ce que dit le professeur
30(Points clés de /notecraft chat, en conservant [citations])
31
32## Ce que j’ai fait
33(Code que vous avez écrit / commandes exécutées / résultats observés)
34
35## Conclusion
36(Réponse à mon sujet initial)
37
38## Non traité par le professeur
39(Points sur lesquels le professeur n’a pas pu répondre ou avait des citations faibles, pour mon suivi manuel)
40
41# Début
42Mon premier sujet est : <Écrivez votre question ici>

Points clés :

• Les 47 articles ne pénètrent jamais dans le chat Claude – les tokens de la session principale ne sont dépensés que pour le raisonnement et le code.
• L’Enseignant n’est consulté que pour l’exécution – sa force réside dans la récupération citée du domaine.
• Vous n’intervenez qu’à l’étape ① – Claude décide quand consulter l’enseignant.
• La base de connaissances est statique – 47 articles suffisent.

C’est pourquoi « les relier » est plus fort que « les utiliser séparément » : les changements d’onglets et les tokens économisés sont des avantages supplémentaires. Voyons l’ampleur de ces bénéfices.

Partie III : Installer le client NotebookLM et la compétence

Google ne fournit pas de client NotebookLM officiel, mais @icebear0828 a écrit un client tiers. Une fois installé, les agents peuvent accéder à NotebookLM via la ligne de commande ou le langage naturel.

https://github.com/icebear0828/notebooklm-client

Installation de base :

1# Install client
2npm i notebooklm-client
3
4# Export login session (opens browser for Google login)
5npx notebooklm export-session
6
7# Chat with a notebook
8# npx notebooklm chat <notebook-id> --transport auto --question "Summarize this for me"
9
10# Use `/notecraft` in the agent to automate NotebookLM operations after installation
11npx notebooklm skill install

Après installation, il suffit de dire « Vérifie la partie X dans ce notebook » dans le chat, et Claude l’appellera automatiquement – plus besoin d’expliquer la syntaxe à chaque fois.

Partie IV : Test en conditions réelles – Combien d’argent est économisé ? (Opus 4.7)

Ces chiffres ne sont pas simulés ; ils proviennent d’une session de recherche réelle extraite des logs de session de Claude Code.

Du côté de NotebookLM, le téléchargement, la récupération et la génération sont totalement gratuits sur Google et n’affectent pas votre facture. Tous les chiffres ci-dessous ne comptent que le côté Claude Opus.

Configuration du test :

• Matériel : 47 articles liés au SLAM Image + LiDAR, tous dans un seul notebook NotebookLM.
• Modèle : Claude Opus 4.7
• Tours : 5 cycles de Q&A approfondi (des « meilleures méthodes de reconstruction SLAM » aux « pièges des backends 3DGS vs NeRF »).
• Méthode : Conversation normale dans Claude Code, avec l’assistant appelant /notecraft chat à chaque tour.

Résultats (cette méthode) :

La facture est déterminée par les tokens d’entrée + cache_creation et la sortie. Les tarifs moins chers (cache_read + entrée) sont inférieurs à 1/10e du prix, donc concentrons-nous sur les parties coûteuses :

Total pour 5 tours : 0,55 $, soit environ 0,11 $ par tour.

Chiffre clé : cache_creation n’était que de 17 379.

cache_creation est le nombre de tokens pour écrire du nouveau contenu dans le cache. Dans ces 5 tours, seules les réponses du professeur (~3 à 6k tokens) + de petites incrémentations système ont été mises en cache – soit un total de 17 000.

Aucun mot des 47 articles n’est entré dans `cache_creation` de Claude – c’est le secret des économies.

Comparaison : Mettre les 47 articles directement dans le prompt

47 articles représentent 384 000 mots ≈ 500 000 tokens. Le bourrage de prompt traditionnel ressemble à ceci :

La comparaison la plus juste est la deuxième ligne (Session unique, multiple tours) – le meilleur scénario pour les méthodes traditionnelles. Même dans ce cas, la différence de coût sur 5 tours est de 17x (9,59 $ contre 0,55 $). Les scénarios inter-sessions sont encore pires (86x).

Pourquoi le cache n’aide-t-il pas la méthode traditionnelle ? Le cache d’Anthropic expire au bout d’une heure par défaut pour les niveaux payants. Entre la réflexion, le changement de fenêtre ou le démarrage d’une nouvelle session, le cache précédent est souvent évincé.

Dans cette méthode, les articles n’entrent jamais dans Claude, donc les accès au cache n’ont pas d’importance.

Lorsque le matériel double (100, 200 articles), l’écart s’élargit linéairement. Le cache_creation traditionnel croît avec le nombre d’articles ; cette méthode reste quasiment constante.

Pour ceux qui effectuent des recherches sur Opus : Une année de sessions de recherche pourrait représenter une différence de 2 000 $ – le simple fait de garder les articles hors de Claude permet d’économiser suffisamment pour repasser à Max.

Le coût : 3 fois plus lent

Si vous vous souciez des secondes de temps de réponse plutôt que de la facture mensuelle, cette configuration n’est pas pour vous.

Les sections suivantes décrivent trois workflows adaptés à NotebookLM.

Partie V : Workflow chercheur / étudiant

Une liste de lecture constitue une frontière naturelle du savoir.

Point douloureux : Des dizaines d’articles par semestre, à consulter les mêmes PDF sans cesse. Ctrl+F est épuisant, et ChatGPT peut halluciner sans citations.

Recette du matériel (télécharger une fois, utiliser tout le semestre) :

• 20 à 50 PDF d’articles liés au sujet
• Programme du cours, transcriptions des cours
• Emails du directeur de thèse, projets de chapitres, notes de lecture

Questions immanquables pour l’Enseignant :

• « Quels sont les deux articles aux conclusions contradictoires, et sur quelle hypothèse ? »
• « Combien de fois la méthode X apparaît-elle dans ce corpus, et comment est-elle utilisée ? »
• « La formule 3 de l’article A et la formule 7 de l’article B sont-elles réellement équivalentes ? »

Rôle de Claude : Faire avancer le projet – obtenir concepts/formules du professeur → écrire du code pour reproduire → exécuter des expériences → organiser les notes. Les articles bruts n’entrent jamais dans la session Claude.

Partie VI : Workflow IPO / Prospectus

Un prospectus fait 300 à 600 pages, et la fenêtre d’investissement n’est que de trois jours. Il est impossible pour un humain de tout lire à temps.

Point douloureux : Les IPO vont vite. Les documents font plus de 500 pages, couvrant l’historique de l’entreprise, les modèles d’affaires, les finances, les risques et les investisseurs de référence. En lire un prend au moins 4 heures. Avec 5 à 8 IPO par semaine, c’est impossible.

Les informations les plus précieuses ne sont pas l’autosatisfaction ; ce sont les « signaux d’alarme » cachés dans les facteurs de risque et les transactions entre parties liées. Les humains les manquent facilement.

Recette du matériel (un notebook par entreprise) :

• Prospectus complet – La pièce maîtresse.
• Documents de souscription des investisseurs de référence – Qui les soutient et pour combien de temps ?
• Rapports financiers des pairs – Références pour l’évaluation.
• Recherches du sponsor/souscripteur – Logique de tarification officielle.
• Entretiens avec la direction et tours de financement antérieurs – Sauts de valorisation.

Questions immanquables pour l’Enseignant :

Pour décider d’investir, posez ces 8 questions qui prennent habituellement des heures à trouver :

1. « Quel est le produit principal ? Comment la structure des revenus a-t-elle changé sur 3 ans ? Concentration de la clientèle ? »
2. « Comment cela se compare-t-il aux pairs (A, B, C) en termes de marge brute, croissance et R&D ? »
3. « Qui sont les investisseurs de référence, montants et périodes de blocage ? »
4. « Décomposer l’utilisation des fonds. Quelle est la plus grande partie ? Dilution post-IPO ? »
5. « Quels facteurs de risque sont spécifiques à l’industrie ou à l’entreprise ? »
6. « Valorisation passée : multiple de saut entre le dernier tour et l’IPO ? Blocage du dernier tour ? »
7. « Y a-t-il des signes de gains ponctuels gonflant les bénéfices ? Le flux de trésorerie correspond-il au bénéfice net sur 3 ans ? »
8. « Transactions entre parties liées en % des revenus ? Y a-t-il des parties liées parmi les cinq premiers clients ? »

Chaque réponse inclut des citations [Numéro de page].

Rôle de Claude :

Le traitement par lots est l’âme de ce workflow :

Pool IPO hebdomadaire = [Action A, Action B, Action C, ...]

Claude résume les 8 entreprises en un tableau de décision markdown → Vous scannez et classez en 15 minutes.

5 à 8 IPO = 40 à 64 requêtes. Le matériel total représente environ 1 million de tokens. Les méthodes traditionnelles brûleraient plus de 50 $ par semaine ; cette méthode coûte moins de 2 $.

Partie VII : Workflow Base de connaissances personnelle

Construisez votre « Deuxième cerveau ».

Point douloureux : La recherche Obsidian ne reconnaît que les mots-clés. Elle ne peut pas répondre à « Comment ma vision de X a-t-elle évolué en trois ans ? » Les notes sont dispersées et de formats variés.

Recette du matériel :

• Exportations complètes d’Obsidian / Notion
• Surlignages Kindle, clips Readwise
• Journaux de travail, comptes-rendus de réunions, documents de bilan

Questions immanquables pour l’Enseignant :

• « Qu’ai-je écrit sur le thème « concentration » ces trois dernières années ? Ma vision a-t-elle changé ? »
• « Où « Principes » et « Pensée rapide et lente » se chevauchent-ils ou s’opposent-ils sur les biais cognitifs ? »
• « Quelles ont été les attitudes individuelles envers le projet X dans tous les comptes-rendus de réunions du mois dernier ? »

Rôle de Claude : Les questions sur l’évolution de la pensée nécessitent une IA conversationnelle + l’intégralité du matériel. Claude synthétise les réponses multiples du professeur en résumés structurés (chronologies, comparaisons de points de vue, listes de suivi).

Point commun des trois workflows : Requêtes répétées, inter-documents, limites privées. Si vous en rencontrez un, le coût de configuration de 15 secondes est amorti en une semaine.

Dernières réflexions

Points à noter :

1. storage_state.json contient votre session Google active. Gardez-le en sécurité.
2. notebooklm-client est un logiciel rétro-conçu. Google ne le prend pas officiellement en charge ; les backends pourraient changer.

Le cœur de tout cela est la Division du travail :

• NotebookLM comme Enseignant : Répond aux connaissances du domaine avec des citations, sans hallucinations.
• Claude comme Assistant : Orchestre les outils, écrit le code, organise les résultats, interroge l’enseignant en cas de blocage.
• Vous comme Chef de Projet : N’intervenez qu’aux points de décision clés.

J’utilise cela depuis un mois, et les économies suffisent à plusieurs bons repas au restaurant. Plus important encore, le fait de rechercher des dizaines d’articles ne me fait plus craindre ma limite – la liberté de « ne pas avoir à compter les tokens » est plus addictive que les économies elles-mêmes.

Si cet article vous a plu, suivez-moi @MinLiBuilds.

Enfin, je recommande la première partie de ma série sur le cache, qui explique simplement le mécanisme de mise en cache pour vous aider à économiser des tokens :

https://x.com/MinLiBuilds/status/2041178722230030384