Агентство без сотрудников: как Notion-агенты заменили целую команду

Есть соблазн считать, что AI-агентство — это просто агентство плюс ChatGPT. Кейс Arseny Shatokhin интересен тем, что показывает обратное: настоящий ai-агентство на notion формат держится не на модели, а на том, как организован контекст, из которого эта модель действует. За три месяца автор довёл выручку до $550 в день на perfomance-офере (оплата только за квалифицированные встречи), при этом почти весь back-office — от онбординга клиента до ответов на письма — ведут агенты Notion AI, а не люди.

Что такое AI-агентство на Notion и почему это не очередной AI-стартап

Модель, которую в Sequoia называют «services as software», а в YC — AI-native services, работает наоборот тому, что обычно продают AI-энтузиасты. Вместо того чтобы продавать клиентам «AI-услуги», автор продаёт результат — забронированные встречи, а не факт использования нейросетей. Снаружи это выглядит как обычное аутбаунд-агентство, внутри — конвейер из agent-ролей: копирайтер, критик от лица ICP, автор питч-деков, reply-менеджер. Экономика простая: услуги стоят дороже софта, и там, где услугу уже отдавали на аутсорс, её проще всего заменить агентом.

Company brain вместо vector-database-свалки

Самое ценное в разборе — не список агентов, а то, чем Notion как платформа отличается от типовых самодельных AI-OS на Obsidian или Supabase. Обычная ошибка — сгрузить все документы компании в одну векторную базу и надеяться, что модель сама выберет нужное. Автор организует всё по проектам: у каждого клиента, кампании и внутренней инициативы — своя страница со своими задачами, встречами и решениями, и agent при работе над задачей читает только контекст этого проекта. Это не про экономию токенов ради экономии — это про предсказуемость: agent не подмешивает стратегию годичной давности в письмо новому клиенду. CRM, ERP и таск-трекер здесь тоже не отдельные сервисы, а те же страницы Notion — то есть весь бизнес буквально является тем контекстом, из которого действуют агенты.

Где в связке появляется Claude

Notion-агенты закрывают почти всё, кроме задач, требующих браузера — например, ручной валидации списка лидов в Apollo, где MCP-сервер не даёт нужных фильтров. Для таких задач автор передаёт carточку из Notion в Claude в режиме co-work: тот открывает Chrome, читает тот же контекст через notion MCP и доводит список компаний до нужного качества с помощью subagent-проверок каждого сайта. Отдельно интересен приём с проверкой копирайтинга: сценарий для видео сначала пишет один agent, а затем его критикует другой agent на модели Kimi K2, играющий роль ICP-персоны. Разные модели в роли автора и критика — рабочий способ снять с человека финальную вычитку почти полностью.

Где модель ломается

Честная часть разбора — про провал масштабирования. Слишком широкий ICP (SaaS-компании, агентства, консалтинг) означал, что 3-4 клиента приносили 80% выручки, а остальные едва окупались на perfomance-офере — то есть в убыток агентству. Вывод автора точный: AI не создаёт спрос там, где его нет, экспертиза и узость ниши остаются модом, agent лишь ускоряет исполнение.

Что взять на вооружение

Для тех, кто пробует автоматизировать сервисный бизнес, из этого кейса стоит забрать не список инструментов, а принцип: сначала структурированный по проектам company brain, потом agent harness поверх него — а не наоборот. И держать узкий, проверенный ICP до того, как поручать продажи и деливери агентам.