Notion genopbyggede hele deres AI-system til GPT-5 – og fik 100% bedre resultater
Notion har gennemført en fundamental omstrukturering af deres AI-arkitektur for at udnytte de nye muligheder i GPT-5. Resultatet er en AI-assistent, der ikke bare hjælper med enkelte opgaver, men kan overtage og udføre hele arbejdsgange autonomt.
Da Notion fik adgang til GPT-4 i slutningen af 2022, tog det kun få uger, før de havde lanceret en skriveassistent og integreret AI-funktioner på tværs af deres platform. Men efterhånden som AI-modellerne udviklede sig, og brugerne begyndte at forvente, at AI kunne løse komplette arbejdsgange, stødte teamet på fundamentale begrænsninger i deres system.
“Vi ville ikke bare lappe systemet. Vi havde brug for en arkitektur, der faktisk understøtter, hvordan reasoning-modeller fungerer,” forklarer Sarah Sachs, Head of AI Modeling hos Notion.
Fra enkeltstående opgaver til autonome agenter
I stedet for at rette i det eksisterende system valgte Notion at bygge det op fra bunden. De erstattede deres opgavespecifikke prompt-kæder med en central reasoning-model, der koordinerer modulære under-agenter. Disse agenter kan søge på tværs af Notion, Slack eller internettet, redigere databaser og syntetisere svar ved hjælp af de værktøjer, som opgaven kræver.
Med lanceringen af Notion 3.0 er AI ikke længere bare indlejret i arbejdsgange – den kan nu køre dem selvstændigt. Brugere kan tildele en bred opgave, for eksempel at indsamle feedback fra interessenter, hvorefter agenten selv planlægger, udfører og rapporterer tilbage.
Markante forbedringer med GPT-5
For at validere den nye arkitektur testede Notion GPT-5 mod andre avancerede modeller ved hjælp af faktiske brugeropgaver. Evalueringerne var baseret på feedback, som Notion allerede havde markeret som højt prioriteret.
Resultaterne var betydelige:
- 7,6% forbedring sammenlignet med andre topmodeller på opgaver baseret på reel brugerfeedback
- 15% bedre performance på svære Research Mode-spørgsmål
- Over 100% forbedring på komplekse opgaver som deadlineopdateringer og konkurrentanalyse
- Den eneste model, der fuldt ud klarede benchmarks med modstridende eller forældet information
Design for resultater, ikke hastighed
Notion har designet deres agenter til at køre i sekunder eller minutter afhængigt af opgaven. Hurtige svar prioriteres til simple opslag, mens længerevarende agenter – op til 20 minutter – bruges til baggrundsopgaver som at opsummere indhold eller opdatere databaser.
“Det vigtigste for os er, hvor meget tid brugeren får tilbage, ikke hvor hurtigt modellen svarer,” understreger teamet.
Læringer for andre virksomheder
Notions genopbygning handler ikke kun om at lancere nye funktioner, men om at skabe et system, der kan tilpasse sig, efterhånden som AI-modellerne bliver smartere. Deres tilgang giver en klar køreplan for andre teams:
- Evaluer det, der betyder noget – brug opgaver, dine brugere faktisk udfører
- Test de svære ting – GPT-5 brillerer, når information er tvetydig eller kræver flere trin
- Design for autonomi – hvis agenter skal træffe beslutninger, skal dit system give dem plads til at ræsonnere
- Genopbygning er bedre end lappeløsninger – hvis dit system blev bygget til simple completion-modeller, skalerer det måske ikke til agenter
“Vi ser allerede afkast af genopbygningen,” siger Sachs. “Hvis den næste model låser noget nyt op, vil vi gøre, hvad der skal til for at understøtte det.”
