Notion KI-Agenten sind nicht nur ein Produktfeature – sie bestimmen, wie das Unternehmen tatsächlich arbeitet. Im Gespräch mit Sam Catania, Product Manager bei Notion, habe ich einen Blick hinter die Kulissen bekommen: wie das Team Tausende von KI-Agenten-Interaktionen pro Woche abwickelt, von Self-Healing Wikis, die Slack-Channels ersetzen, bis hin zu Agent Orchestrators, die sich selbst verbessern. Hier sind die wichtigsten Erkenntnisse – und wie du sie auf deine eigenen Workflows anwenden kannst.
Was ist ein Self-Healing Wiki – und warum nutzt Notion es?
Ein Self-Healing Wiki ist ein KI-Agent, der Fragen beantwortet und dabei seine eigene Dokumentation schreibt. Es ist einer der einfachsten und wirkungsvollsten Wege, wie Notion KI intern einsetzt – und du kannst es in fünf Minuten mit Custom Agents selbst bauen.
So funktioniert das Setup. Früher hatte Notion Dutzende interne Slack-Channels, in denen Leute Fragen gestellt haben. Diese Channels wurden komplett durch Agenten ersetzt, die bestehende Dokumentation, frühere Antworten und verbundene Quellen lesen und automatisch antworten.
Der clevere Teil ist aber nicht die Antwort – es ist der Feedback-Loop.
Der Agent antwortet nicht einfach nur. Er baut Wiki-Abschnitte aus den erhaltenen Fragen auf und trackt jede Änderung in einer Datenbank. Fachleute prüfen diese Änderungen dann regelmäßig – ein einfaches Ja, Nein oder eine Klarstellung.
Mit der Zeit entsteht so eine Single Source of Truth, die zuverlässiger ist als zwei Personen, die in Slack gegensätzliche Dinge sagen. Und sie wächst aus echten Fragen heraus – nicht aus dem, was jemand vor drei Jahren für dokumentierenswert gehalten hat.
Das ist auch ein perfekter Ausgangspunkt für tiefere Automatisierung. Wenn der Agent merkt, dass viele “Fragen” eigentlich Anfragen sind – Zugriffsanfragen, Ressourcenanfragen, Prozessanfragen – werden diese zu deinen nächsten Kandidaten für Workflow-Automatisierung.
Pro-Tipp: Starte mit einer leeren Seite, anstatt dein bestehendes Wiki zu migrieren. Lass den Agenten Dokumentation aus den Fragen aufbauen, die er tatsächlich erhält. Du wirst am Ende dokumentieren, was Menschen wirklich brauchen – nicht was jemand einmal für wichtig hielt.
Wie bauen Teams Agent Orchestrators?
Einige Teams bei Notion sind noch weiter gegangen und haben Agent Orchestrators gebaut – Systeme, in denen mehrere Agenten sich gegenseitig überwachen und verbessern.
Ein Agent übernimmt Q&A für eine große Gruppe. Ein zweiter trackt, wie dieser Agent performt, und protokolliert Fehler und Edge Cases, damit Menschen genau wissen, wo sie ansetzen müssen. Ein dritter läuft in unregelmäßigen Abständen, um die Anweisungen, die andere Agenten für sich selbst geschrieben haben, zu straffen und zu komprimieren – damit sie nicht aufgebläht werden.
Das Ergebnis ist ein System, das sich aufbaut. Jeder Agenten-Run macht den nächsten ein kleines bisschen besser.
Das ist noch früh und nicht trivial umzusetzen – aber es zeigt, wohin die Wissensarbeit geht: Das Entwerfen und Pflegen des Systems wird die Arbeit mit dem größten Hebel sein.
Wie zerlegt man jeden Workflow in KI-taugliche Phasen?
Das praktischste Framework aus diesem Gespräch ist täuschend einfach: Zerlege jeden Workflow in einzelne Phasen und bewerte jede Phase unabhängig auf ihr KI-Automatisierungspotenzial. Wenn du die Notion AI-Möglichkeiten in jeder Phase verstehst, kannst du Systeme bauen, die skalieren.
Sam hat ein Bug-Tracking-Beispiel durchgespielt, um das in der Praxis zu zeigen:
| Workflow-Phase | KI-Potenzial | Was der Agent tut | Menschliche Rolle |
|---|---|---|---|
| Bug-Report-Intake | ~80% | Stellt Nachfragen, fordert Browser-Details, Screen Recordings und Reproduktionsschritte an | Eskalation für Edge Cases |
| Recherche & Reproduktion | ~40–50% | Klickt durch UIs, versucht Reproduktion, prüft bekannte Issues | Übernimmt Integrationskomplexität und OS/Browser-Edge-Cases |
| Fix-Entwicklung | ~50% | Liest Codebase, schlägt Fixes vor, macht ersten Implementierungsversuch | Prüft, validiert, übernimmt komplexe Logik |
| Deployment | ~100% | Vollautomatisches CI/CD (vor KI eingeführt) | Nur Monitoring |
| Kunden-Follow-up | Bewusst niedrig | Entwirft erste Antwort, sammelt Kontext | Persönlicher Touch, Beziehungsaufbau, Bestätigung |
Die entscheidende Erkenntnis: Jede Phase hat eine andere Automatisierungs-Obergrenze. Wenn du diese Obergrenze kennst, weißt du, wo du deine Zeit investieren sollst.
Einige Phasen eignen sich für vollständige Automatisierung. Andere funktionieren am besten als Mensch-KI-Zusammenarbeit. Und die letzte Phase – das Kunden-Follow-up – wird bewusst menschlich gehalten, weil dort Beziehungen aufgebaut werden.
Dieses Framework funktioniert weit über Engineering hinaus. Deine Content-Pipeline, dein Kunden-Onboarding-Prozess oder dein Hiring-Workflow – jeder davon lässt sich in Phasen unterteilen, wo KI glänzt, und Phasen, wo menschliches Urteilsvermögen unverzichtbar ist.
Pro-Tipp: Stelle bei der Bewertung einer Phase zwei Fragen: Ist die Aufgabe wiederholbar? Ist das erwartete Ergebnis vorhersehbar? Wenn beide Antworten Ja sind, ist das ein starker Automatisierungskandidat. Wenn eine Antwort Nein ist, behalte einen Menschen in der Schleife.
Warum “Demos statt Memos” die Art verändert, wie du Entscheidungen triffst
“Demos, not Memos” ist ein kultureller Wandel bei Notion – und er trifft etwas Grundlegenderes darüber, was KI möglich macht.
Anstatt zwei Optionen wochenlang in langen Spezifikationsdokumenten zu debattieren, prototypisiert das Team jetzt beide. Jemand skizziert auf einem Whiteboard, bespricht Trade-offs, gibt dann die Meeting-Notiz und das Whiteboard-Foto mit einer einzigen Anweisung in einen Coding-Agenten: Bau mir beide Optionen.
Das funktioniert, weil Prototyping jetzt schnell genug ist, um ein Entscheidungswerkzeug zu sein – nicht nur ein Entwicklungsschritt.
Du musst keinen Code schreiben, um das anzuwenden. Immer wenn du zwischen zwei Ansätzen feststeckst – zwei Datenbankstrukturen, zwei Workflow-Designs, zwei Content-Formate – bau schnell beide Versionen, anstatt zu debattieren. Du wirst Dinge entdecken, die du aus einem Dokument nie erwartet hättest.
Was sind Notion Workers – und warum sollte dich das interessieren?
Notion Workers sind eine Sandbox-Umgebung, um Custom Code direkt in Notion auszuführen. Die erste Schnittstelle ermöglicht es dir, Custom Agent Tools zu bauen – was bedeutet, dass es keine Grenzen mehr gibt für das, womit Notion AI sich verbinden kann. Für spezifische Notion AI-Begriffe und -Konzepte ist das Notion AI-Lexikon eine nützliche Referenz.
Aber Workers sind nicht nur KI. Sie stehen für einen grundlegenden Plattformwandel.
Sam hat es mit einer nützlichen Unterscheidung erklärt: Viele Aufgaben in KI-Workflows sind gerade “GPU-Aufgaben” – sie verwenden ein LLM für Schlussfolgerungen, auch wenn sie keine Intelligenz brauchen. Workers ermöglichen es, diese in “CPU-Aufgaben” umzuwandeln – deterministischer Code, der schneller, günstiger und zuverlässiger läuft.
Das ist aus drei Gründen wichtig:
- Kosten – Code-Ausführung ist für vorhersehbare Operationen um Größenordnungen günstiger als LLM-Calls
- Zuverlässigkeit – deterministischer Code produziert jedes Mal dasselbe Ergebnis
- Skalierung – Operationen, die mit KI nicht wirtschaftlich waren, werden mit Code trivial
Die praktische Erkenntnis: Nicht alles in deinem KI-Workflow sollte KI sein. Die effektivsten Systeme kombinieren beides – KI für Schlussfolgerungen und Entscheidungen, Code für zuverlässige Ausführung im großen Maßstab.
Workers befinden sich in einer frühen Alpha-Phase, mit Custom Agent Tools als erster Schnittstelle. Weitere Schnittstellen kommen – und wenn du darüber nachdenkst, wo du sonst noch Custom Code in Notion einbinden möchtest, kannst du wahrscheinlich erraten, was als Nächstes kommt.
Pro-Tipp: Denk an Workers als Ergänzung zu KI-Agenten, nicht als Ersatz. Nutze KI, wo du Schlussfolgerungen brauchst. Nutze Code, wo du Wiederholbarkeit brauchst. Die Kombination ist der Ort, wo die echte Power liegt.
Wo fängst du mit Notion KI-Agenten an?
Wenn du dich von der Geschwindigkeit der KI-Entwicklung überwältigt fühlst, hier sind drei praktische Ratschläge von Sam.
Bitte die KI, dir beim Herunterbrechen zu helfen. Wenn du eine große, unklare Aufgabe hast, von der du nicht weißt, wie du sie automatisieren sollst – beschreibe sie einfach ehrlich. KI ist überraschend selbstbewusst in Bezug auf ihre eigenen Fähigkeiten und Grenzen und gibt dir ein nützliches Ausgangsframework dafür, was funktionieren wird und was nicht.
Lass dich nicht entmutigen. Diese Systeme sind nicht deterministisch, und die zugrundeliegenden Modelle verbessern sich ständig. Etwas, das vor drei Monaten nicht funktioniert hat, könnte heute perfekt funktionieren. Bleib am Experimentieren.
Fühle keinen Druck, mit allem Schritt zu halten. Sei bereit, neue Dinge auszuprobieren, aber brenn nicht aus, indem du jedem Update nachläufst. Finde heraus, was zu deiner Arbeitsweise passt, und gehe dort in die Tiefe.
Und eine Erkenntnis, über die es sich lohnt nachzudenken: Wenn KI das Wie übernehmen kann, wird die entscheidende Frage das Was – nicht das Wie. Das ist eine größere, beängstigendere und aufregendere Frage als jeder Produktivitäts-Hack.
💼 Brauchst du Hilfe dabei, herauszufinden, wo KI in die Workflows deines Teams passt? Unser Notion Consulting Team kann dir dabei helfen.
Möchtest du mehr über den Aufbau von KI-Systemen erfahren, die sich selbst verbessern? Trag dich in unseren wöchentlichen Newsletter ein für tiefe Einblicke in Notion AI, Automatisierungs-Frameworks und praktische Strategien zum Skalieren mit Agenten.
Häufig gestellte Fragen
Wie nutzt Notion KI-Agenten intern?
Notion setzt Custom KI-Agenten im gesamten Unternehmen ein, um wiederholbare Aufgaben im großen Maßstab zu übernehmen. Das bekannteste Beispiel ist das Self-Healing Wiki – Agenten, die interne Slack-Q&A-Channels ersetzt haben, automatisch Fragen beantworten und ihre eigene Dokumentation über die Zeit aufbauen. Tausende von Fragen pro Woche werden so bearbeitet, sodass sich das Team auf schwierigere, bedeutungsvollere Probleme konzentrieren kann.
Was ist ein Self-Healing Wiki in Notion?
Ein Self-Healing Wiki ist ein Custom Agent, der Fragen beantwortet, indem er bestehende Dokumentation und verbundene Quellen liest, und dann seine eigenen Docs basierend auf den erhaltenen Fragen schreibt und aktualisiert. Fachleute prüfen Änderungen regelmäßig, sodass eine Wissensbasis entsteht, die mit der Zeit genauer wird – ohne manuellen Dokumentationsaufwand. Du kannst es in wenigen Minuten mit Notion Custom Agents bauen.
Was sind Notion Workers?
Notion Workers sind eine Sandbox-Umgebung, um Custom Code in Notion auszuführen. Die erste verfügbare Schnittstelle ermöglicht es dir, Custom Tools für KI-Agenten zu erstellen, was praktisch jede Grenze dessen aufhebt, womit Notion AI sich verbinden kann. Workers übernehmen deterministische, wiederholbare Aufgaben, die keine KI-Schlussfolgerungen erfordern – und machen Workflows schneller, günstiger und zuverlässiger.
Wann solltest du KI-Agenten vs. Custom Code verwenden?
Nutze einen KI-Agenten, wenn eine Aufgabe Schlussfolgerungen, Entscheidungsfindung oder die Verarbeitung unstrukturierter Informationen erfordert. Nutze Custom Code via Workers, wenn eine Aufgabe vorhersehbar, wiederholbar und zuverlässig im großen Maßstab ausführbar sein muss. Die effektivsten Workflows kombinieren beides – KI übernimmt das Denken, Code die Ausführung.
Wie fängst du mit Notion KI-Agenten an?
Beginn damit, einen wiederholbaren Workflow in einzelne Phasen zu zerlegen. Bewerte, welche Phasen vorhersehbare Inputs und Outputs haben – das sind deine besten Automatisierungskandidaten. Bau zuerst einen einfachen Agenten für eine Phase, schau wie er performt, und erweitere von dort. Versuche nicht, einen ganzen Workflow von Anfang bis Ende an Tag eins zu automatisieren.
