Notions eingebaute KI unterstützt Ihr Team innerhalb von Notion — Fragen über Workspace-Inhalte beantworten, Seiten schreiben und bearbeiten, Custom Agents scoped auf Notion-Daten ausführen. Ein externer KI-Agent behandelt Notion als Live-Datenbank in einem Workflow, der Notion, E-Mail, Slack und CRM umfasst. Der Agent liest Notion-Projektseiten, um zu entscheiden, welche E-Mails zu senden sind, schreibt Gesprächsnotizen nach deren Abschluss zurück nach Notion und aktualisiert CRM-Datensätze — ohne dass jemand in Notion nach den relevanten Daten suchen muss. McKinsey-Forschung zeigt, dass Mitarbeiter täglich 1,8 Stunden mit der Suche nach Informationen verbringen. Für projektbasierte Unternehmen entfällt der Großteil dieser Zeit auf das Auffinden von Daten, die bereits in Notion liegen.

Ihr Team speichert alles in Notion. Kundenprojektseiten, Gesprächsnotizen, Statustracker, Kontaktdatensätze — alles ist dort. Notions eingebaute KI ermöglicht es Ihnen, Fragen dazu zu stellen, es zusammenzufassen und neue Seiten schneller zu schreiben. Das ist nützlich. Es schließt die Lücke nicht: die Lücke zwischen dem Projektstatus in einer Notion-Datenbank und den drei anderen Tools, die diesen Status widerspiegeln müssen. Diese Lücke schließt ein externer KI-Agent — indem er Notion nicht als Workspace behandelt, dem er assistiert, sondern als Datenbank, die er abfragt und in die er schreibt.

Was Notions eingebaute KI innerhalb des Workspace leistet

Notion AI — einschließlich der Custom Agents, die mit Notion 3.3 im Februar 2026 eingeführt wurden — arbeitet innerhalb Ihres Notion-Workspace. Die Funktionen fallen in vier Kategorien.

Q&A über Workspace-Inhalte. Notion AI beantwortet Fragen über Ihren Workspace in natürlicher Sprache: „Wie ist der Status des Henderson-Projekts?" oder „Welche Aktionspunkte gab es aus dem Meeting letzten Donnerstag?" Die Antwort kommt aus Ihren Notion-Seiten, nicht aus einer Websuche.

Schreiben und Bearbeiten. Notion AI schreibt Erstentwürfe, überarbeitet Abschnitte, korrigiert Grammatik, ändert den Ton und erzeugt strukturierte Inhalte aus einer kurzen Beschreibung. Diese Funktionen laufen innerhalb von Notion-Seiten.

Zusammenfassung. Lange Seiten und große Datenbanken kondensieren auf Anfrage. Eine Projektseite mit 40 Unteraufgaben und 12 Kommentaren fasst sich zu einem Absatz zusammen.

Custom Agents (Notion 3.3 und später). Mehr als 1 Million Custom Agents wurden in Notions Workspace nach dem Launch im Februar 2026 erstellt.[¹] Diese Agents laufen innerhalb von Notion. Wenn eine Aktion das Aktualisieren von Salesforce, das Senden einer E-Mail über Gmail oder das Posten in Slack erfordert, übernimmt ein Notion Custom Agent das nicht.

Die Einschränkung ist der Umfang. Notion AI und Notion Custom Agents eignen sich hervorragend für Aufgaben, die innerhalb von Notion beginnen und enden. Wenn die Arbeit eine Aktion in einem System außerhalb von Notion erfordert, ist eine andere Architektur erforderlich.

Externe Agenten behandeln Notion als Live-Datenschicht

Notions eingebaute Agents und ein externer KI-Agent sind keine Alternativen — sie bedienen unterschiedliche Ebenen. Notion AI unterstützt Ihr Team bei Aufgaben innerhalb von Notion. Ein externer Agent nutzt Notion als Dateninfrastruktur für Workflows, die CRM, E-Mail, Slack und andere Tools umfassen. Beide können gleichzeitig auf demselben Workspace laufen.

Ein externer KI-Agent liest über die Notion-API, um eine Frage zu beantworten: „Was ist der aktuelle Status jedes Kundenprojekts, und welche befinden sich in 'Review ausstehend'?" Mit diesen Daten entwirft und sendet der Agent eine Status-E-Mail an jeden Kunden auf der relevanten Liste — ohne dass jemand eine Tabelle exportiert, einen neuen Tab öffnet oder eine einzige Zeile schreibt.

Dieselbe Architektur funktioniert auch umgekehrt. Ein Agent schließt ein Kundengespräch ab, verarbeitet die Gesprächsnotizen durch einen Transkriptionsdienst und schreibt eine strukturierte Zusammenfassung zurück auf die Notion-Seite des Kunden — aktualisiert das Datum des letzten Kontakts, protokolliert Aktionspunkte und markiert den nächsten Meilenstein.

McKinsey Global Institute-Forschung zeigt, dass Wissensarbeiter täglich durchschnittlich 1,8 Stunden mit der Suche nach Informationen verbringen.[²] Für projektbasierte Unternehmen — Agenturen, Beratungsfirmen, Recruiting-Teams — entfällt ein erheblicher Teil dieser Zeit auf das Auffinden von Statusinformationen, die bereits in Notion vorhanden sind, aber von jemandem nachgeschlagen werden müssen, bevor darauf gehandelt wird.

Notion AI findet, was in Notion ist. Ihr Agent entscheidet, was damit zu tun ist.

IDC-Forschung schätzt, dass Unternehmen 21,3 % ihrer Produktivität durch dokumentenbezogene Herausforderungen verlieren — einschließlich des Findens, Abrufens und Verifizierens, dass Informationen aktuell sind.[³] Für Teams, deren Informationen in Notion liegen, ist die Lösung kein besseres Notion-Interface. Es ist ein Agent, der Notion auf Abruf abfragt und handelt, ohne dass ein Mensch die Lücke überbrücken muss.

Zweispaltige Gegenüberstellung: linkes Panel zeigt Notion AI-Funktionen (Q&A, Schreiben, Zusammenfassung, Custom Agents) innerhalb einer Workspace-Grenze; rechtes Panel zeigt externe Agent-Funktionen (liest Notion, schreibt zurück, ausgelöst von E-Mail/Formular/Slack, aktualisiert CRM und Slack) über mehrere Tools
Beide können auf demselben Notion-Workspace laufen. Sie operieren auf verschiedenen Ebenen.

Die Workflows, bei denen Notion die Quellebene ist

Drei Workflow-Muster stellen den höchsten Hebel für die Nutzung von Notion als Agent-Datenquelle für Dienstleistungsunternehmen dar.

Status-zu-Kommunikation-Workflows. Der Agent liest eine Notion-Projektdatenbank, gefiltert nach einer Status-Eigenschaft — „Awaiting Review", „Invoice Pending", „Contract Sent" — und sendet für jeden passenden Datensatz die entsprechende ausgehende Kommunikation. Ein wöchentlicher Statusbericht-Workflow liest jedes aktive Kundenprojekt in Notion, erzeugt eine personalisierte Update-E-Mail pro Kunde aus den Projektdaten und sendet diese. Niemand stellt diese manuell zusammen.

Gesprächs-zu-Datensatz-Workflows. Nach einem Verkaufsgespräch oder Kundengespräch empfängt der Agent das Transkript, extrahiert strukturierte Informationen (nächste Schritte, Entscheidungspunkte, Kontaktdaten) und schreibt diese zurück auf die relevante Notion-Kontakt- oder Projektseite. Der Notion-Datensatz ist aktualisiert, bevor das Teammitglied seinen Laptop wieder öffnet.

Recherche-zu-Lieferungs-Workflows. Der Agent sammelt externe Daten — Wettbewerberpreise, Neuigkeiten über die Branche eines Kunden, regulatorische Updates — und schreibt eine strukturierte Zusammenfassung auf eine bestimmte Notion-Seite. Das Team öffnet Notion und findet die Recherche bereits strukturiert und wartend.

Flussdiagramm mit einer Notion-Projektseite links, einem Pfeil mit der Beschriftung 'liest' zu einem zentralen KI-Agenten-Knoten, Pfeilen vom Agenten zu drei Ergebnissen (Kunden-E-Mail, CRM-Update, Slack-Benachrichtigung) rechts und einem gestrichelten orangenen Pfeil zurück nach Notion
Notion-Seite als Quelle. Agent liest und handelt. Ergebnisse zurückgeschrieben — kein manueller Schritt dazwischen.

Was ohne konsistente Notion-Struktur nicht funktioniert

Ein externer KI-Agent liest über die API aus Notion. Die API liefert strukturierte Daten — Datenbankeigenschaften, Seiteninhalte, Eigenschaftswerte — in einem vorhersehbaren Format. Worauf der Agent zuverlässig handeln kann, hängt vollständig davon ab, wie konsistent diese Daten strukturiert sind.

Datenbankeigenschaften sind zuverlässig. Fließtext nicht. Eine Notion-Datenbank mit einer Status-Eigenschaft, die auf einen von fünf definierten Werten gesetzt ist, gibt dem Agenten ein Feld, nach dem er filtern kann. Eine Seite, auf der der Projektstatus irgendwo in einem langen Absatz erwähnt wird, erfordert, dass der Agent natürliche Sprache analysiert — und natürliche Sprache variiert.

Konsistente Benennung ist wichtig. Wenn Kundennamen über verschiedene Notion-Seiten als „Acme GmbH", „Acme", „ACME Gesellschaft" und „Acme GmbH." erscheinen, kann der Agent Datensätze über Datenbanken hinweg nicht zuverlässig abgleichen.

Leere Felder führen zu stillen Fehlern. Ein Workflow, der das Datum des letzten Kontakts aus einem Notion-Kontaktdatensatz liest und ein Follow-up sendet, wenn das Datum mehr als 30 Tage zurückliegt, tut nichts für Datensätze, bei denen „Letzter Kontakt" leer ist. Das ist kein Agent-Fehler — es ist ein Datenqualitätsproblem.

Die praktische Konsequenz: Bevor Notion mit einem Agent-Workflow verbunden wird, die relevante Datenbank auf Feldkonsistenz prüfen. Benennungsvariationen und leere Pflichtfelder beheben. Das Agent-Setup ist in der Regel schneller als die Datenbankbereinigung.

Notion mit Ihrem Agentensystem verbinden

Die Verbindung eines externen Agenten mit Notion nutzt die Notion-API mit OAuth-Integration.

1

Notion-Integration erstellen

In Notions Entwicklereinstellungen eine Integration mit den erforderlichen Fähigkeiten erstellen: Inhalte lesen, aktualisieren und einfügen. Die Integration erzeugt einen API-Token für die Agent-Authentifizierung.

2

Seiten und Datenbanken verbinden

Die spezifischen Notion-Seiten und Datenbanken mit der Integration teilen. Der Agent kann nur auf Inhalte zugreifen, die explizit mit ihm geteilt wurden — nicht auf den gesamten Workspace.

3

Datenstruktur kartieren

Die Eigenschaftsnamen, -typen und -werte identifizieren, die der Agent abfragen wird. Dokumentieren, welche Felder für den Workflow erforderlich sind. Datenbankqualitätsprobleme in den relevanten Datenbanken beheben, bevor der Workflow konfiguriert wird.

4

Workflow-Logik aufbauen

Definieren, was den Agenten auslöst, aus Notion zu lesen (ein Zeitplan, eine eingehende E-Mail, eine Slack-Nachricht, ein Webhook), was er liest, welche externen Aktionen er durchführt und was er zurückschreibt.

5

An einer Teilmenge testen

Den Workflow gegen einen kleinen Satz von Notion-Datensätzen ausführen — fünf bis zehn Einträge — bevor er für die gesamte Datenbank aktiviert wird. Prüfen, ob der Agent die richtigen Felder liest, die richtigen Aktionen ausführt und an den richtigen Ort zurückschreibt.

Die meisten Notion-Integrationen für externe Agent-Workflows gehen innerhalb von zwei bis vier Tagen live. Das Datenstruktur-Audit in Schritt 3 ist häufig der längste Schritt — nicht weil er technisch komplex ist, sondern weil er die Feldinkonsistenzen aufdeckt, die vor dem zuverlässigen Lauf des Workflows behoben werden müssen.

Häufig gestellte Fragen

Was ist der Unterschied zwischen Notion AI und einem externen KI-Agenten? Notion AI arbeitet innerhalb von Notion — es beantwortet Fragen über Workspace-Inhalte, schreibt und bearbeitet Seiten, fasst Datenbanken zusammen und führt Automatisierungen durch, die auf Notion beschränkt sind. Ein externer KI-Agent nutzt Notion als Datenquelle in einem Workflow über mehrere Tools. Notion AI findet, was in Notion ist. Ein externer Agent entscheidet, was damit im gesamten Stack zu tun ist.

Wie liest ein KI-Agent aus Notion? Ein externer KI-Agent liest über die Notion-API mit OAuth-basierter Authentifizierung aus Notion. Der Agent kann Datenbankeinträge lesen, Seiteninhalte abrufen und gefilterte Ansichten abfragen. Der Lesezugriff ist auf die spezifischen Datenbanken und Seiten beschränkt, die der Agent benötigt.

Welche Notion-Strukturen eignen sich am besten für Agent-Workflows? Agent-Workflows lesen aus Notion am zuverlässigsten, wenn Daten in Datenbanken mit konsistenten Eigenschaftstypen gespeichert sind und nicht in Freitext-Seiten. Je strukturierter die Notion-Datenbank, desto zuverlässiger kann ein Agent darauf handeln.

Können Notions eingebaute Agents und ein externer KI-Agent gleichzeitig laufen? Ja. Notions eingebaute Agents und ein externer KI-Agent operieren auf verschiedenen Ebenen und kollidieren nicht. Beide können gleichzeitig aus demselben Notion-Workspace lesen und schreiben, solange beide den entsprechenden API-Zugriff haben.

Quellen

  1. Notion. (2026). „February 24, 2026 — Notion 3.3: Custom Agents." https://www.notion.com/releases/2026-02-24
  2. McKinsey Global Institute. Forschung zur Produktivität von Wissensarbeitern. Referenziert über Cottrill Research: https://cottrillresearch.com/various-survey-statistics-workers-spend-too-much-time-searching-for-information/
  3. IDC. Forschung zur Dokumentenproduktivität und zum Informationsabruf. Referenziert über AgilityPortal: https://agilityportal.io/blog/time-wasted-searching-information