はじめに：なぜ毎回同じことを説明しているのか

ChatGPT や Gemini を業務で使い込むほど、ある違和感が積み重なっていきます。

「自分の役割」「プロジェクトの背景」「出力フォーマット」「禁止事項」── これらを毎回プロンプトの先頭に貼り付ける作業、心当たりはないでしょうか。

これは本質的に、AI を「毎回ゼロから指示を必要とするツール」として使っている状態です。一方で、人間の優秀なアシスタントには毎朝「あなたは私の秘書です」と説明し直したりはしません。

本記事では、NotebookLM と Google の Gem（Gemini カスタム）を組み合わせて、AI を「いつもの」で動く専属アシスタントへ進化させる設計を、技術的な観点から掘り下げます。

結論：役割分担で「文脈」と「振る舞い」を分離する

ポイントを先に整理します。

機能	NotebookLM	Gem (Gemini)
主な役割	知識ベース（RAG）	振る舞い・人格定義
強み	ソース固定の正確な引用	一貫したトーン・出力形式
入力単位	PDF / Doc / URL / テキスト	システム指示（自然言語）
更新頻度	中（資料追加時）	低（一度作れば長期固定）

つまり、

「AI に知っていてほしい事実」 → NotebookLM にソースとして投入**「AI にこう振る舞ってほしい指示」 → Gem に固定**

この役割分担を行えば、プロンプトに毎回貼り付けていた前提条件は構造的にゼロになります。

なぜ「カスタム指示」だけでは不十分なのか

ChatGPT の Custom Instructions や Gemini 単体の System Prompt でも、ある程度は同じことが可能です。ただし、実運用では以下の限界に当たります。

1. コンテキストウィンドウへの圧迫

長大な前提を毎リクエスト送ると、有効なやりとり可能トークン数が削られます。Gemini の長コンテキスト（1M〜2M トークン）でも、無駄は無駄です。

2. 事実とハルシネーションの境界が曖昧

カスタム指示に「弊社の主力商品は X です」と書いても、モデルは指示と推論の区別が苦手で、関連事項を勝手に捏造することがあります。NotebookLM はソース由来の根拠付き引用が前提のため、この問題が大幅に軽減されます。

3. 「指示」と「知識」の混在で保守性が落ちる

振る舞いと事実が同じテキストに混ざると、後から「料金表だけ更新したい」が困難になります。

実装ステップ：5 分で組める「専属右腕」

Step 1. NotebookLM に「文脈ソース」を投入

以下のような 更新頻度が低〜中の事実情報 を投入します。

• 自社のサービス資料・料金表（PDF / Doc）
• ペルソナ・ターゲット定義書
• 過去の優良アウトプット（よく出来た記事・提案書）
• 専門用語集・スタイルガイド

NotebookLM は内部でチャンク化＋埋め込みを行い、質問時に関連箇所だけを引用付きで返すRAG 構造になっています。事実の正確性が担保されるのが最大の利点です。

Step 2. Gem に「振る舞い」を定義

Gemini → Gem マネージャーから新規 Gem を作成し、システム指示に 役割・トーン・禁止事項・出力フォーマット だけを書きます。

# Role
あなたは私の専属コンテンツ戦略アシスタントです。
# Tone
...

Step 3. 運用フローを固定する

[新しい依頼]
↓
├─ 事実確認が必要 → NotebookLM に質問 → 引用付き回答を取得
...

この二段構成により、ユーザー側の入力は「やりたいこと」だけになります。前提条件・トーン・事実は、すべて事前に組み込まれた状態で起動します。

比較：従来運用 vs NotebookLM×Gem 運用

項目	従来（毎回プロンプト貼付）	NotebookLM × Gem
1 リクエストあたり入力量	数千〜1 万トークン	数百トークン
...	...

特に チーム展開の容易さ は見落とされがちですが、Gem は共有可能なため、「うちのアシスタント」を組織で配布できるのは大きな差です。

よくある質問（FAQ）

Q1. NotebookLM に入れた情報は学習に使われる？

A. NotebookLM は投入したソースをそのノートブック内の RAG 用途に限定しており、Google のモデル学習には使われない方針が公表されています（執筆時点）。とはいえ機密情報の取り扱いポリシーは事前に最新版を確認してください。

Q2. Gem だけで完結させるのはダメ？

A. 軽い用途なら Gem 単体で十分です。ただし事実の更新頻度が高いプロジェクト（料金変更、商品追加など）では、NotebookLM に分離しないと指示の書き換え地獄になります。

Q3. ChatGPT の「Projects」や Custom GPTs との違いは？

A. 思想は近いですが、RAG のソース管理 UI と引用品質で NotebookLMが一歩リードしている印象です。逆に Custom GPTs は**Actions（外部 API 呼び出し）**が強力なので、用途で使い分けるのが現実解です。

将来の展望：MCPとの接続でさらに進化する

Anthropic が提唱する MCP (Model Context Protocol) が広がるにつれ、AI アシスタントは「自分のローカル資産・SaaS・社内 DB に直接接続できる存在」になりつつあります。

NotebookLM × Gem の構造は、この流れの前哨戦として理解できます。

• 現在：静的ソース（PDF / Doc）を RAG で参照
• 近未来：MCP 経由で
  動的データソース（CRM・カレンダー・Git 履歴）を直結 - その先：エージェントが
  自律的に必要な文脈を取りに行く

つまり今のうちに「事実は外部、振る舞いは指示、依頼は最小」という三層分離の運用思想を体に染み込ませておくと、次のパラダイムへの移行がスムーズになります。

まとめ

• 「毎回プロンプトを貼り付ける」のは、AI 設計が
  未分離であるサインです。 -
  NotebookLM = 事実の置き場、Gem = 振る舞いの置き場と分離するだけで、入力コストはほぼゼロになります。 - 保守性・正確性・チーム展開のすべてで、単体カスタム指示より優位です。
• MCP 時代を見据えても、この
  三層分離の発想は陳腐化しません。

「毎回の指示」は、生産性のサイレントキラーです。今日のうちに NotebookLM へ最初のソースを 1 本入れ、Gem にトーンだけ書いてみてください。AI が**「いつもの感じで」**で動き出す瞬間に、戻れなくなるはずです。

この記事を書いた人

BENTEN Web Works — 業務自動化・AI 活用・システム開発のフリーランスエンジニアです。

Claude Code / GAS / Python を活用した開発や、AI 導入のご相談を承っています。

👉 BENTEN Web Works — 詳細・お問い合わせはこちら

🐦 X（旧 Twitter） — 日々の知見を発信中