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

• 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

Контекст

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.

Проблема

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.

Решение

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.

Результат

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

1. Меряйте эффект ИИ-фичи метриками клиентов, а не только своими: 35% экономии времени у Osaka Gas и $35k/год у dbt Labs — аргументы сильнее любых внутренних бенчмарков.
2. Prompt caching — не оптимизация «на потом», а условие жизнеспособности агентов в продукте: 90% экономии на инференсе меняют юнит-экономику фичи.
3. Нативность решает: пользователи готовы терпеть неудобства ради агентов внутри привычного инструмента — значит, встроенный агент побеждает внешний чат-бот.
4. Агентам нужна инфраструктура, а не только модель: длинные сессии, память и параллелизм (30+ задач с одной доски) — это платформенный слой; Notion купила его готовым (Managed Agents) вместо годовой разработки.
5. Стройте взаимодействие с агентом по человеческим конвенциям — доска задач, история версий, предлагаемые правки: это снижает порог доверия («работаешь как с коллегой»).
6. Самообновляющаяся база навыков — механика компаундинга: агент, который после каждой задачи фиксирует «как здесь принято делать», дорожает для команды с каждым днём использования.
7. Онбординг — недооценённый сценарий ROI: 10–20 обращений в день от новичка означают, что агент фактически заменяет часть наставничества.

Частые вопросы