Equals Money: 200+ релизов в месяц и 24+ часа в неделю на Custom Agents

Equals Money — финтех с продуктовой командой, которая до Notion AI тратила огромные куски времени на рутинные задачи: сводка новых релизов, обновления базы знаний, триаж пользовательских отзывов, регуляторные изменения. По словам Rich Coombes, VP Technology, основная боль была не в самом продукте, а в накладных расходах вокруг него — обновлять документацию, готовить релизные ноты, разбирать вопросы по продукту от внутренних команд.

Что собрали в Notion AI Custom Agents. Product Updates Watcher — автоматически ловит новые релизы и обновляет документацию. Product Education Helper — отвечает на продуктовые вопросы прямо в Slack, читая базу знаний. Knowledge Base Amendment — дописывает базу знаний при появлении пробелов. Create Ticket и Release Request Standard — автоматизация инженерного пайплайна. Плюс отдельные агенты для SEO/AEO-возможностей и триажа клиентского фидбэка.

По цифрам, которые приводит сама команда: 160+ продуктовых вопросов в неделю получают ответ от агентов без участия людей. 50–75 фидбэков в неделю триажатся и обогащаются автоматически. 200+ релизных одобрений в месяц проходят без ручной обработки. 453 отзыва обработано пакетом — сэкономлено 37+ часов на одной задаче. Каждое регуляторное обновление снимает 4 часа ручного анализа. Суммарно команда экономит 24+ часа в неделю.

Цитата Jake Clarke, Product Marketing & Operations Lead: «Раньше документацию приходилось периодически чистить. С Custom Agents она поддерживает себя сама». Это и есть ключевое наблюдение: знания не накапливаются как мёртвый груз, требующий ручной уборки раз в квартал, а живут в автоматическом цикле — поймали изменение, обновили документ, ответили на вопрос пользователя.

Стэк под капотом — Custom Agents, базы данных Notion, автоматизации, Knowledge Base. Никаких отдельных систем — всё в той же платформе, где команда уже работает. На странице вендор не приводит ограничений или сценариев неудач, что для customer story типично; объективно из архитектуры можно предположить, что качество ответов агентов зависит от качества базы знаний — если она грязная, агент будет давать грязные ответы.