커스텀 에이전트(Custom Agents), 데이터베이스 에이전트, 개발자 플랫폼(Workers)
핵심 수치
이메일 트리아지 에이전트로 이메일 처리 시간 70~80% 절감, 데이터 스카우트로 수일 걸리던 고객 분석을 4~5분으로 단축
AI 전환 시점
약 3.5년 전 5명 규모 팀에서 시작, 이후 30~40명으로 확장, 전사 전환에 약 1년 소요
자체 평가
"SaaS 기업 중에서는 AI 활용 상위 1%(99th percentile)지만, AI 네이티브 기업 기준으로는 아직 50번째 백분위 수준"
02핵심 기능/내용 구조
오피스 투어와 '고객 상징' 문화: 1906년 지어진 건물을 리모델링해 역사성과 노션 특유의 분위기를 결합했으며, Ada Lovelace를 기린 카페, 사무실 곳곳에 배치된 세서미 스트리트 인형으로 "모든 회의실에 고객이 있다"는 관점을 시각화한다 (00:00).
피드백 라우터·픽서 에이전트: 프로덕션 슬랙 채널에 고객 피드백이 올라오면 '피드백 라우터' 에이전트가 자동으로 내용을 해석해 담당 팀에 전달하고, '피드백 픽서' 에이전트가 곧바로 코드 수정 PR까지 자동 생성한다 (07:18).
자기 수정형(Self-healing) 라우팅 규칙: 라우팅 규칙 문서가 매우 길지만, 담당자가 "이 피드백은 B팀으로 가야 한다" 같은 피드백을 주면 에이전트가 스스로 규칙 문서를 찾아 수정한다. 노션 문서는 마크다운이 아닌 블록 구조라 에이전트가 필요한 부분만 골라 컨텍스트에 불러오는 RAG적 특성을 가진다 (09:52).
매니저를 복제한 커스텀 에이전트: 한 직원이 휴직한 매니저의 문서를 언어 분석해 매니저의 말투를 흉내내는 에이전트를 만들었다. 처음엔 문서를 대신 써주게 했으나 "AI가 흉내낸 슬롭(slop)"이 되어, 이후 답을 대신 쓰지 못하게 하고 질문과 의견만 주도록 규칙을 바꿔 사고 과정은 사람이 직접 하도록 재설계했다 (12:16).
자연어 기반 데이터베이스 에이전트(평가셋 구축): 모델 평가용 대규모 데이터셋을 만들 때, 속성 3개를 지정한 데이터베이스 에이전트가 초안을 채우면 사람이 관찰(observation) 필드에 코멘트를 달고 'rerun' 체크박스를 누르면 해당 행만 재실행된다. 총 36개 행 중 약 10개(3분의 1)만 사람이 직접 수정이 필요했다 (16:32).
공동창업자 인터뷰 — 데이터 스카우트와 AX 전략: 아크샤이 코타리는 자신이 매일 쓰는 이메일 트리아지 에이전트(처리시간 70~80% 절감)와, Notion을 MCP로 스노우플레이크(Snowflake)에 연결해 고객 데이터를 4~5분 만에 분석해주는 '데이터 스카우트' 에이전트를 소개했다 (26:00 부근, 타임스탬프 샘플 범위 밖 추정).
03기술적 맥락
커스텀 에이전트 3요소: 트리거(무엇이 발생했을 때 실행할지) → 지시문(자연어로 작성하는 행동 규칙) → 컨텍스트(에이전트에게 제공하는 참고 자료), 이 세 가지 조합으로 누구나 코딩 없이 에이전트를 만들 수 있다.
블록 기반 문서 구조: 노션 문서는 markdown 파일처럼 전체를 한 번에 읽는 방식이 아니라 블록 단위로 쪼개져 있어, 에이전트가 필요한 블록만 선택적으로 컨텍스트에 로드할 수 있다(올려주는 사람이 직접 만든 RAG와 유사한 효과).
모델 선택과 컨텍스트 범위 제한: 데이터베이스 에이전트 사례에서, 한 에이전트가 전체 36행을 한 번에 처리하면 뒤로 갈수록 품질이 떨어지지만, 각 행 단위로 컨텍스트를 분리해 사실상 서브에이전트 36개를 동시에 돌리는 것과 같은 효과를 냈다. 사용 모델은 상대적으로 추론 강도가 낮은 모델("Sonic 4.6"으로 언급, 발화자가 정확한 모델명을 명시하지 않아 표기가 불분명함)을 선택해 오히려 더 인간적인 결과를 얻었다고 설명한다.
개발자 플랫폼과 Workers: 2026년 5월 발표된 노션의 개발자 플랫폼과 Workers 기능을 통해 Claude, Cursor 등 외부 에이전트도 노션 안으로 끌어올 수 있게 되었으며, 노션이 지향하는 것은 지식노동을 위한 "깃허브(GitHub)와 같은 버전관리·리뷰·승인 인프라"다.
04전략적 의미
노션의 사례는 AI 전환이 "일부 팀의 도구 도입"이 아니라 "회사 전체가 인프라를 재정비하거나 AI 작업을 하는 것 외에는 다른 일이 없는" 수준의 전면적 조직 변화임을 보여준다.
"프롬프트 엔지니어링 → 컨텍스트 엔지니어링 → 하네스 엔지니어링"으로 진화한다는 관점은, 모델 성능 자체보다 지시문 배치·순서·리마인더 같은 세부 설계가 실질적 성과 차이를 만든다는 실무적 시사점을 준다.
"한 사람이 만든 에이전트를 회사 전체가 재사용할 수 있다"는 데이터 스카우트 사례는, 개인 생산성 향상을 넘어 조직 전체의 생산성으로 AI 효과를 확산시키는 것이 노션이 제시하는 핵심 차별점이다.
매니저 복제 에이전트 실패담(초기엔 답을 대신 쓰게 했다가 슬롭이 되어 질문·의견만 하도록 재설계)은, 생성형 AI를 업무에 도입할 때 "AI가 대신 결과물을 만드는 것"과 "AI가 사고를 보조하는 것" 사이의 경계 설정이 실무 품질에 결정적임을 시사한다.
05핵심 워크플로우 또는 비교표
단계
이전 방식
노션 커스텀 에이전트 도입 후
고객 피드백 처리
PM이 슬랙 채널을 일일이 읽고 수동 라우팅, 누락 위험
피드백 라우터가 자동 해석·라우팅, 피드백 픽서가 자동 PR 생성
라우팅 규칙 관리
규칙 문서를 사람이 수정
피드백을 주면 에이전트가 스스로 규칙 문서를 찾아 수정(self-healing)
평가 데이터셋 구축
사람이 전부 수작업으로 작성
AI가 초안 생성 → 사람이 코멘트·재실행 트리거로 행 단위 수정
이메일 처리
수동 확인·답장
트리아지 에이전트가 규칙 기반으로 초안 작성, 처리시간 70~80% 절감
고객 데이터 분석
데이터 요청 후 수일 대기
데이터 스카우트가 Snowflake 연동으로 4~5분 내 분석·제안 제공
06활용 시나리오
팀 피드백 트리아지 자동화: 여러 채널에서 들어오는 고객/내부 피드백을 자동으로 분류·전달하고, 필요 시 코드 수정까지 초안화하는 워크플로우를 사내 협업 툴에 적용.
평가 데이터셋(eval set) 대량 생성 및 검수: 자연어 지시로 초안을 대량 생성한 뒤 사람이 관찰 코멘트만 남기면 해당 항목만 재생성하는 반자동 검수 파이프라인 구축.
개인 업무 보조 에이전트 설계: 이메일 트리아지, 특정 인물의 말투를 반영한 피드백 봇 등, "답을 대신 쓰지 않고 질문·의견만 제공"하도록 역할을 제한해 품질 저하 없이 생산성을 높이는 설계.
조직 지식 확산형 에이전트 공유: 한 명의 데이터 과학자가 만든 에이전트(Snowflake 연동 데이터 스카우트)를 전사가 재사용하도록 개방해, 개인 생산성 향상을 조직 전체로 확산.
07현황 및 전망
노션은 2026년 5월 개발자 플랫폼과 Workers를 발표하며 워크스페이스에서 "에이전트를 위한 허브·인프라" 기업으로 포지셔닝을 확장하고 있다.
Claude, Cursor 같은 외부 에이전트를 노션 안으로 끌어들이는 개방형 전략을 취하고 있으며, 특정 벤더에 종속되지 않는 "에이전트 오케스트레이션 계층"을 지향한다.
노션 스스로도 자사를 AI 네이티브 기업 기준으로는 아직 "50번째 백분위"라고 평가해, 조직 내 AI 확산에 여전히 개선 여지가 크다고 인정한다.
공동창업자는 "AI로 인한 일자리 대체는 있겠지만 인간이 새로운 방식으로 창의성을 발휘할 새 일자리도 생길 것"이라며 인간-기계 협업(맨·머신) 관점을 강조했다.
향후 지식노동 전반에 걸쳐 "에이전트가 야간에 작업하고 사람이 아침에 검토·승인하는" 방식(마치 개발자의 코드 리뷰·버전관리처럼)이 표준이 될 것으로 전망한다.
