Notion: agentes com suporte Claude dentro do workspace reduzem o tempo de busca de informações dos clientes em 35%

• Notion builds agents on Claude (customer story) — Anthropic / Claude (кейс-стади)
• Notion Q&A | Claude Managed Agents (customer story) — Anthropic / Claude (кейс-стади)
• Notion 3.0: Agents (release notes) — Notion (официальные release notes), 2025-09-18

Contexto

Notion é uma plataforma de workspace tudo em um: documentos, bases de conhecimento, tarefas e wikis para equipes. A empresa foi uma das primeiras do mercado a integrar Claude em seu produto e vem escalando a camada de IA desde então: de preenchimento automático de texto e Q&A de base de conhecimento até agentes completos que executam tarefas de múltiplas etapas diretamente no workspace.

O ponto de inflexão foi o lançamento do Notion 3.0 em 18 de setembro de 2025: Notion AI foi reconstruído do zero em torno de agentes. De acordo com as notas da versão, o agente executa qualquer ação disponível para um usuário no Notion, trabalha em múltiplas páginas simultaneamente, sustenta ações de múltiplas etapas por mais de 20 minutos, atualiza ou cria centenas de páginas de uma vez e extrai contexto de ferramentas conectadas — Slack, Google Drive, GitHub — dentro das permissões do usuário. O agente tem memória e instruções personalizadas: com o tempo, lembra do estilo de escrita, formatos preferidos e regras de arquivamento — "como um colega que está por aqui há tempos e tem contexto genuíno."

O estudo de caso da Anthropic descreve a geração atual dessa integração: agentes Notion no Claude Opus 4.6 — a primeira vez que um modelo de tier Opus ficou disponível dentro do Notion Agent — e a infraestrutura Claude Managed Agents, APIs componíveis hospedadas em nuvem para construir e implantar agentes em escala. O gerente de produto Notion Eric Liu explica a escolha em palavras raramente vistas em estudos de caso empresariais: "Claude potencializa muitos casos de uso onde realmente nos importamos com o sentimento e a vibe da resposta." Além do tom, a equipe cita a qualidade do raciocínio e a capacidade de seguir instruções como razões de seleção.

Para a Anthropic, este é um showcase em duas frentes simultaneamente: como um exemplo de produto construído sobre Claude e como referência para a infraestrutura Managed Agents que vende para outros construtores de agentes.

Problema

O trabalho de conhecimento se afoga em trabalho rotineiro: funcionários gastam tempo buscando bases de conhecimento, remontando o mesmo conteúdo e executando operações rotineiras de documentos. Simon Last, co-fundador do Notion e líder de IA, enuncia a missão do projeto em uma linha: "Queremos automatizar o trabalho rotineiro do trabalho de conhecimento e liberar humanos para que possam fazer atividades de maior valor."

O sinal do produto foi inequívoco: Notion viu clientes dispostos a enfrentar obstáculos para obter uma experiência de agente nativa dentro do Notion — e Claude era o modelo que mais frequentemente queriam. Um chatbot externo que exige cópia de contexto perde para um agente incorporado que já vê os documentos, decisões e tarefas da equipe.

Vale a pena notar por que o trabalho rotineiro é o alvo correto para agentes (nossa observação editorial, não a afirmação do estudo de caso): busca em base de conhecimento, remontagem de conteúdo e operações rotineiras de documentos são tarefas com resultados verificáveis e baixo custo de erro. Um documento recuperado incorretamente irrita, mas não estraga um processo — ao contrário, digamos, de ações autônomas em sistemas financeiros. Isso torna a rotina de conhecimento o campo de testes ideal para acostumar as equipes com agentes.

O desafio técnico não é trivial. Um agente não é uma chamada de modelo de uma única vez: precisa de sessões longas (uma tarefa pode ser executada de 20 minutos a horas), gerenciamento de memória entre etapas e paralelismo — usuários querem lançar dezenas de tarefas simultaneamente, não esperar por uma. Tudo isso colide com a economia: sessões longas de agentes com contexto grande custam ordens de magnitude mais do que consultas curtas, e sem otimização de inferência tal recurso destrói a economia unitária do produto. Um requisito adicional é a qualidade na primeira tentativa: se a saída de um agente não puder ser mostrada a um colega ou cliente imediatamente, o tempo economizado se transforma em um loop de retrabalho.

Solução

Notion construiu seus agentes no Claude Opus 4.6 sobre a infraestrutura Claude Managed Agents — infraestrutura em nuvem da Anthropic fornecendo sessões de longa duração, gerenciamento de memória e cache de prompts prontos para uso. "Integramos Claude Managed Agents... para tornar isso possível," diz Eric Liu. A engenheira líder de IA Sarah Sachs acrescenta sobre o modelo: "Opus 4.6 se destaca na interpretação do que os usuários realmente querem, produzindo conteúdo compartilhável na primeira tentativa."

A interface central é um quadro de tarefas. Um usuário atribui trabalho a um agente da forma como faria com um colega: de um único quadro, agentes executam 30+ tarefas concorrentes. "Você não está limitado a uma tarefa. Para nossos clientes, isso significa que eles podem iniciar muitos trabalhos no Notion, 30 ou 40 simultaneamente," explica Liu. O agente captura o contexto completo da tarefa — páginas conectadas, sistemas de design, docs de API, requisitos do produto — e relata progresso conforme trabalha. A interação segue convenções humanas: histórico de versões, edições sugeridas. "Você está trabalhando com Claude como com um colega," coloca Liu.

O escopo de tarefas vai de geração de código e prototipagem a artefatos: apresentações, PDFs, websites, planilhas e entregas para clientes. Um mecanismo distintivo é a base de dados de habilidades auto-aprimorante: após cada tarefa concluída ou pull request mesclado, o agente atualiza sua própria base de conhecimento sobre como as coisas são feitas nesta equipe — o sistema fica mais útil com o uso, sem treinamento manual.

A economia foi resolvida com cache de prompts: reduziu os custos de inferência em 90% e latência em até 85%. Isso não é cosmético, mas a condição de existência do recurso: sem cache, sessões longas de agentes com contexto de workspace repetido custaria dez vezes mais, e agentes teriam que ser estritamente racionados.

O quadro da plataforma também importa: conforme o lançamento do Notion 3.0, agentes operam dentro das permissões existentes do usuário, conectam a fontes externas via conectores MCP e conectores de IA (Notion Mail primeiro, Box e Outlook anunciados), ajudam a gerar fórmulas de banco de dados, e agentes personalizados podem ser executados autonomamente em acionadores agendados para trabalhos específicos — processamento de feedback do cliente, atualizações de projeto, solicitações de TI. A operação em escala de banco de dados é uma capacidade própria: o agente atualiza ou cria centenas de páginas em uma operação, transformando-o de um "escritor de texto" em uma ferramenta para alterações em massa em todo o workspace.

Notion permanece uma plataforma multi-modelo: o lançamento 3.0 anuncia acesso a vários modelos, incluindo o da OpenAI, sem taxas por modelo. Mas o núcleo do agente descrito no estudo de caso da Anthropic funciona com Claude — e o fato mesmo de uma plataforma com escolha colocar seu cenário principal no Opus 4.6 é, previsivelmente, usado pela Anthropic como argumento.

Resultado

O impacto é medido principalmente pelo lado dos clientes da Notion. Osaka Gas reduziu o tempo de busca de informações em 35%. Remote economiza 10 minutos por busca em 300 consultas diárias. dbt Labs economizou mais de $35k por ano ao descartar ferramentas de IA separadas — os agentes da Notion cobriram esses cenários. Durante a integração, novos funcionários consultam o assistente de IA 10–20 vezes por dia em suas primeiras semanas. Dentro do próprio Notion, um exemplo registrado viu 12 horas de trabalho de prototipagem se colapsar em cerca de 20 minutos: "Então toda a sua equipe pode entrar e refinar juntos," diz Liu.

Para o próprio Notion, o resultado-chave é a economia: o cache de prompts reduziu o custo de execução de agentes em 90% e latência em até 85%. É isso que torna agentes comercializáveis como um recurso de massa em vez de uma opção premium para poucos.

Estrutura. O caso é publicado pela Anthropic — o fornecedor que vende tanto o modelo quanto a infraestrutura Managed Agents; as métricas de clientes (35% em Osaka Gas, $35k em dbt Labs) vêm sem metodologia de medição; 12 horas → 20 minutos é um único exemplo, não uma média; e a comparação antes/depois não isola a contribuição do Opus 4.6 da evolução geral do Notion AI.

Análise editorial. Primeiro: este é um dos poucos casos em que uma história de fornecedor contém métricas de terceiros — os clientes dos clientes (Osaka Gas, Remote, dbt Labs), e esses números são mais convincentes do que benchmarks internos, embora também tenham passado pelo filtro de marketing da Anthropic. Segundo: o emparelhamento de "90% de economia com cache" com "30+ tarefas concorrentes" revela a estrutura real de custo dos produtos de agentes — o vencedor não é quem tem o modelo mais inteligente, mas quem aprendeu a reutilizar contexto; para qualquer pessoa construindo agentes em seu SaaS, esse é o aprendizado mais transferível do caso. Terceiro: a história do dbt Labs ($35k economizados ao descartar ferramentas de IA de terceiros) esboça a dinâmica de consolidação do mercado — agentes integrados de plataformas estão comendo os orçamentos de complementos de IA especializados, vale a pena lembrar ao decidir o que construir você mesmo versus o que vem em pacote com a plataforma. Uma quarta observação diz respeito ao ritmo do crescimento da autonomia: o lançamento do Notion 3.0 em setembro de 2025 afirmou "mais de 20 minutos de ações de múltiplas etapas", enquanto o estudo de caso da Anthropic já descreve tarefas executadas de 20 minutos a horas. Em questão de meses, o horizonte autônomo do agente cresceu várias vezes — e é essa curva, não qualquer métrica única, que determina quais categorias de trabalho rotineiro os agentes assumirão a seguir.

Lições aprendidas

1. Meça um recurso de IA pelas métricas de seus clientes, não apenas as suas: 35% de economia de tempo em Osaka Gas e $35k/ano em dbt Labs vencem qualquer benchmark interno.
2. Cache de prompts não é uma otimização 'posterior', mas uma condição de viabilidade para agentes incorporados ao produto: 90% de economia de inferência mudam a economia unitária do recurso.
3. Nativo vence: usuários toleram atrito para obter agentes dentro de sua ferramenta cotidiana — um agente incorporado vence um chatbot externo.
4. Agentes precisam de infraestrutura, não apenas um modelo: sessões longas, memória e paralelismo (30+ tarefas de um quadro) são uma camada de plataforma; Notion comprou pronto (Managed Agents) em vez de um ano de trabalho interno.
5. Projete a interação do agente em torno de convenções humanas — um quadro de tarefas, histórico de versões, edições sugeridas: reduz a barreira de confiança ('trabalhando com Claude como com um colega').
6. Uma base de dados de habilidades auto-aprimorante é uma mecânica composta: um agente que registra 'como as coisas são feitas aqui' após cada tarefa fica mais valioso a cada dia de uso.
7. Integração é um cenário de ROI subestimado: 10–20 consultas diárias de um novo funcionário significam que o agente substitui efetivamente parte da mentoria.

Perguntas frequentes