Notion: ИИ-агенты на Claude внутри рабочего пространства — минус 35% времени на поиск информации у клиентов

Контекст и масштаб бизнеса

Notion — платформа рабочего пространства «всё в одном»: документы, базы знаний, задачи и вики для команд. Компания одной из первых на рынке встроила Claude в свой продукт и с тех пор последовательно наращивает ИИ-слой: от автодополнения текста и Q&A по базе знаний до полноценных агентов, которые выполняют многошаговые задачи прямо в рабочем пространстве.

Поворотной точкой стал релиз Notion 3.0 18 сентября 2025 года: Notion AI был пересобран с нуля вокруг агентов. По материалам релиза, агент выполняет любые действия, доступные пользователю в Notion, работает сразу с несколькими страницами, держит более 20 минут многошаговых операций, обновляет или создаёт сотни страниц за раз и подтягивает контекст из подключённых инструментов — Slack, Google Drive, GitHub — в пределах прав пользователя. У агента есть память и кастомные инструкции: со временем он запоминает стиль письма, привычные форматы и правила раскладки файлов — «как коллега, который давно в команде и обладает настоящим контекстом».

Кейс Anthropic описывает текущее поколение этой интеграции: агентов Notion на Claude Opus 4.6 — это первый случай, когда модель уровня Opus стала доступна внутри Notion Agent, — и инфраструктуре Claude Managed Agents, облачных композируемых API для сборки и развёртывания агентов в масштабе. Продакт-менеджер Notion Эрик Лю объясняет выбор словами, которые редко встретишь в enterprise-кейсах: «Claude обслуживает много сценариев, где нам по-настоящему важны ощущение и вайб ответа». Помимо тона, команда называет причинами выбора качество рассуждений и следования инструкциям.

Для Anthropic это витринный кейс сразу по двум линиям: и как пример продукта, построенного на Claude, и как референс инфраструктуры Managed Agents, которую компания продаёт другим разработчикам агентов.

Бизнес-проблема и узкие места

Знаниевая работа тонет в «занятой работе»: сотрудники тратят время на поиск информации по базам, пересборку одного и того же контента и рутинные операции с документами. Сооснователь Notion Саймон Ласт, возглавляющий направление ИИ, формулирует миссию проекта одной фразой: «Мы хотим автоматизировать „занятую работу“ в знаниевой работе и освободить людей для более ценных задач».

Продуктовый сигнал был однозначным: Notion увидела, что клиенты готовы «прыгать через обручи», лишь бы получить нативный опыт работы с агентами внутри Notion, — и что чаще всего они хотели именно Claude. Внешний чат-бот, куда нужно копировать контекст, проигрывает встроенному агенту, который уже видит документы, решения и задачи команды.

Стоит заметить, почему «занятая работа» — правильная первая цель для агентов (это наше редакционное наблюдение, не тезис кейса): поиск по базе знаний, пересборка контента и рутинные операции с документами — задачи с проверяемым результатом и невысокой ценой ошибки. Неверно найденный документ раздражает, но не рушит процесс — в отличие от, скажем, автономных действий в финансовых системах. Это делает knowledge-рутину идеальным полигоном для приучения команд к агентам.

Технический вызов при этом нетривиален. Агент — не одноразовый вызов модели: ему нужны длинные сессии (задача может занимать от 20 минут до часов), управление памятью между шагами и параллелизм — пользователи хотят запускать десятки задач одновременно, а не ждать одну. И всё это упирается в экономику: длинные агентные сессии с большим контекстом стоят на порядки дороже коротких запросов, и без оптимизации инференса такая фича разоряет юнит-экономику продукта. Дополнительное требование — качество «с первого раза»: если результат агента нельзя сразу показать коллеге или клиенту, экономия времени превращается в цикл переделок.

Архитектура и внедрение ИИ-решения

Notion построила агентов на Claude Opus 4.6 поверх Claude Managed Agents — облачной инфраструктуры Anthropic, дающей «из коробки» длительные сессии, управление памятью и prompt caching. «Мы интегрировали Claude Managed Agents, чтобы сделать это возможным», — говорит Эрик Лю. Инженер ИИ-направления Сара Сакс добавляет про модель: «Opus 4.6 отлично интерпретирует, чего пользователь на самом деле хочет, и с первого раза выдаёт контент, которым можно делиться».

Центральный интерфейс — доска задач. Пользователь назначает работу агенту так же, как коллеге: с одной доски агенты выполняют 30+ параллельных задач. «Ты не ограничен одной задачей. Для наших клиентов это значит, что они могут запустить кучу работ в Notion — 30 или 40 одновременно», — объясняет Лю. Агент подхватывает полный контекст задачи: связанные страницы, дизайн-системы, документацию API, продуктовые требования — и отчитывается о прогрессе по ходу работы. Взаимодействие построено по человеческим конвенциям: история версий, предлагаемые правки. «Ты работаешь с Claude просто как с коллегой», — формулирует Лю.

Спектр задач — от генерации кода и прототипов до артефактов: презентаций, PDF, сайтов, таблиц и клиентских материалов. Отдельная механика — самообновляющаяся база навыков: после каждой завершённой задачи или смерженного pull request агент актуализирует собственную базу знаний о том, как в этой команде делаются дела, — то есть система становится полезнее по мере использования без ручного обучения.

Экономику решили через prompt caching: кеширование промптов снизило стоимость инференса на 90%, а задержки — до 85%. Это не косметика, а условие существования фичи: без кеширования длинные агентные сессии с повторяющимся контекстом рабочего пространства стоили бы в десять раз дороже, и агентов пришлось бы жёстко лимитировать.

Важно видеть и платформенную рамку: по релизу Notion 3.0, агенты работают в пределах существующих прав пользователя, подключаются к внешним источникам через MCP-коннекторы и AI-коннекторы (первым подключён Notion Mail, анонсированы Box и Outlook), помогают генерировать формулы баз данных, а кастомные агенты могут запускаться автономно по расписанию под конкретные задачи — обработку клиентской обратной связи, апдейты проектов, IT-заявки. Работа на масштабе базы данных — отдельная способность: агент обновляет или создаёт сотни страниц за одну операцию, что превращает его из «писателя текстов» в инструмент массовых изменений по всему рабочему пространству.

Notion при этом остаётся мультимодельной платформой: в релизе 3.0 заявлен доступ к нескольким моделям, включая модели OpenAI, без доплаты за модель. Но агентное ядро, описанное в кейсе Anthropic, работает на Claude — и сам факт, что платформа, у которой есть выбор, поставила флагманский сценарий на Opus 4.6, Anthropic предсказуемо использует как аргумент.

“Мы хотим автоматизировать «занятую работу» в знаниевой работе и освободить людей для более ценных задач. — Саймон Ласт, сооснователь Notion, руководит направлением ИИ

Измеримый результат и экономика

Эффект измерен прежде всего на стороне клиентов Notion. Osaka Gas сократила время поиска информации на 35%. Компания Remote экономит 10 минут на каждом поиске при 300 запросах в день. dbt Labs сэкономила более $35 тысяч в год, отказавшись от отдельных ИИ-инструментов — агенты в Notion закрыли эти сценарии. Во время онбординга новые сотрудники обращаются к ИИ-ассистенту по 10–20 раз в день в первые недели. Внутри самой Notion зафиксирован случай, когда 12 часов работы по прототипированию сжались примерно до 20 минут: «Потом вся команда может подключиться и дорабатывать вместе», — говорит Лю.

Для самой Notion ключевой результат — экономика: prompt caching снизил стоимость работы агентов на 90%, задержки — до 85%. Это то, что позволяет продавать агентов как массовую фичу, а не премиум-опцию для избранных.

Рамки. Кейс опубликован Anthropic — вендором, продающим и модель, и инфраструктуру Managed Agents; клиентские метрики (35% у Osaka Gas, $35k у dbt Labs) приведены без описания методики замера; 12 часов → 20 минут — единичный пример, а не средний показатель; сравнение «до/после» не изолирует вклад именно Opus 4.6 от общего развития продукта Notion AI.

Редакционный анализ. Первое: это один из немногих кейсов, где вендорская история содержит метрики третьих сторон — клиентов клиента (Osaka Gas, Remote, dbt Labs), и такие цифры убедительнее внутренних бенчмарков, хотя и они пришли через фильтр маркетинга Anthropic. Второе: связка «90% экономии на кешировании» и «30+ параллельных задач» показывает реальную структуру затрат агентных продуктов — побеждает не тот, у кого умнее модель, а тот, кто научился переиспользовать контекст; для всех, кто строит агентов в своём SaaS, это главный переносимый вывод кейса. Третье: кейс dbt Labs ($35k экономии на отказе от сторонних ИИ-инструментов) намечает консолидационную динамику рынка — встроенные агенты платформ съедают бюджеты специализированных ИИ-надстроек, и это стоит учитывать при выборе, что строить самим, а что получить «в комплекте» с платформой. Четвёртое наблюдение — про темп роста автономности: релиз Notion 3.0 в сентябре 2025 года заявлял «более 20 минут многошаговых действий», а кейс Anthropic уже описывает задачи длительностью от 20 минут до часов. За считаные месяцы горизонт автономной работы агента вырос кратно — и именно эта кривая, а не любая отдельная метрика, определяет, какие категории «занятой работы» агенты заберут следующими.

Уроки для индустрии

Верифицированные первоисточники

1. Notion builds agents on Claude (customer story) ↗ — Anthropic / Claude (кейс-стади)
2. Notion Q&A | Claude Managed Agents (customer story) ↗ — Anthropic / Claude (кейс-стади)
3. Notion 3.0: Agents (release notes) ↗ — Notion (официальные release notes) · 2025-09-18