Agent d'IA dans Notion : structurer l'espace pour obtenir des livrables

Ce qu'un agent fait dans un espace de travail, et ce qui décide de sa fiabilité

Notion est devenu un point de convergence naturel : gestion de projets, documentation, base de connaissances, opérations éditoriales. L'arrivée d'un agent d'IA directement dans l'espace de travail change la nature de l'exercice : vous n'automatisez pas seulement des tâches, vous standardisez des sorties — pages, bases, propriétés — à partir de votre contexte interne. Cela exige une discipline plus proche de la gouvernance (permissions, sources de vérité, validation) que du simple prompt. Et c'est précisément là que l'outil se différencie : l'IA agit au plus près de vos artefacts opérationnels.

D'où la thèse de tout ce qui suit : sans structure, vous obtenez des réponses ; avec structure, vous obtenez des livrables. Un agent d'IA dans Notion amplifie votre organisation… ou votre désordre. Si votre documentation est contradictoire, l'agent produira des sorties contradictoires. L'objectif est donc de passer d'une IA « qui répond » à une IA « qui produit des livrables exploitables » : structurer un espace « IA-compatible », choisir les automatisations qui tiennent, et repartir avec une checklist de déploiement.

Une réserve de cadrage vaut pour tout le reste : l'espace de travail est un cockpit de production, pas une source finale. Ce qui s'y fabrique est destiné à être validé, puis publié ailleurs. Le périmètre traité ici est celui d'un espace, d'une base et d'une propriété ; les droits au niveau du système d'information, le coût total de possession et les indicateurs de comité relèvent du déploiement d'un agent d'IA en entreprise.

De l'assistant au système qui agit : ce qu'il produit, ce que vous devez lui donner

Notion Agent se présente comme un coéquipier d'IA intégré, capable de créer et de modifier des pages et des bases de données en s'appuyant sur le contexte de l'espace de travail et des applications connectées. Concrètement, il ne se limite pas à proposer du texte : il enchaîne des actions multi-étapes en votre nom — rechercher des informations internes, puis structurer une base projet. La nuance opérationnelle est ailleurs : ce que vous appelez « agent » n'est fiable que si votre environnement impose des formats. Il faut penser « design de système » plutôt que « magie IA ».

Nativement, l'agent sait créer et modifier des pages, créer des bases et des vues, analyser et synthétiser des informations, et aider sur des formules. En revanche, la qualité de ce qu'il rend dépend de ce que vous lui donnez : propriétés bien nommées, statuts normalisés, relations cohérentes, pages d'instructions, sources sélectionnées. Le tableau ci-dessous répartit la responsabilité capacité par capacité — ce que l'outil apporte, ce que vous devez poser, et la sortie que vous obtenez quand vous ne le posez pas.

Les limites fonctionnelles, et pourquoi elles comptent au cadrage

Un agent ne fait pas tout, et connaître ses bords évite de bâtir un processus sur une capacité qui n'existe pas. Dans Notion, l'agent ne gère pas certains réglages d'administration, ni le partage, ni les niveaux d'autorisation. Pour les commentaires et l'historique des versions, ne tranchez pas de mémoire : l'accès en lecture, l'accès en écriture et la profondeur consultable varient selon le type d'agent, le mode et la formule souscrite — testez-les sur votre espace avant d'en faire un point de procédure. Ces limites vous protègent en partie — il n'ouvrira pas seul un espace confidentiel à toute l'organisation — mais elles ne remplacent pas un cadrage.

La seconde borne est plus piégeuse : le périmètre de ses sources dépend du mode choisi. Certains modes s'appuient davantage sur le web que sur votre espace de travail, ce qui change complètement la nature de la réponse rendue — et rien, dans la sortie, ne le signale. Une capacité ne s'écrit donc jamais comme acquise : elle dépend du mode et de la configuration au moment où elle est utilisée. Conséquence pratique pour vos procédures : nommez le mode attendu dans chaque scénario que vous documentez, et testez-le avant de l'inscrire dans un processus que d'autres suivront sans le vérifier.

Permissions, contexte et traçabilité : les trois conditions du contrôle

Le point décisif tient en une phrase : l'agent dispose des mêmes autorisations que l'utilisateur qui le lance. S'il ne peut pas voir ou modifier une page, l'agent non plus. Et une partie de ses modifications peut être annulée, avec une portée à vérifier au cas par cas : l'annulation ne couvre pas de la même façon une page réécrite, une propriété changée en masse et un objet créé dans une autre base, et ses limites diffèrent selon le type d'agent et le mode utilisé. Ces deux propriétés forment le socle du contrôle : le périmètre d'action se règle par les droits, pas par la consigne, et l'erreur reste réversible dans les limites que vous aurez constatées vous-même, à condition de savoir où elle s'est produite. Pour un espace partagé, cela déplace la question : elle n'est plus « qu'est-ce que je lui demande ? » mais « sous quel compte, avec quels droits, sur quel périmètre ? ».

Le contexte, lui, est implicite par défaut : l'agent prend la page courante, ou les blocs sélectionnés, et vous l'enrichissez par mention de pages et de personnes, ou en ouvrant la sélection des sources dans une discussion. Un contexte implicite produit des décisions opaques — la sortie paraît correcte, personne ne sait sur quoi elle s'appuie. Votre enjeu est donc double : limiter le périmètre (permissions) et rendre le contexte explicite (sources choisies), pour éviter les décisions opaques. En pratique, une demande sérieuse nomme ses sources plutôt que de parier sur ce que l'agent trouvera.

Reste la trace. L'historique des discussions offre un début d'audit conversationnel : qui a demandé quoi, avec quelles sources, et ce qui a été répondu. Ce n'est pas un journal d'actions complet, et sa profondeur est une caractéristique produit qui évolue — vérifiez-la avant d'en faire un élément de procédure. Combinée à l'historique des versions des pages, elle suffit néanmoins à répondre à la seule question qui compte après un incident : d'où vient cette phrase, et qui l'a validée ?

Préparer l'espace : conventions, propriétés, sources de vérité, templates

Avant d'automatiser quoi que ce soit, verrouillez les invariants qui réduisent l'ambiguïté : noms, statuts, propriétaires, dates, et source de vérité par type d'information. C'est la réponse directe à une dépendance connue des modèles génératifs : ils restent tributaires de la qualité et de l'actualité des données qu'on leur fournit. Cette préparation n'est pas un préalable de confort, c'est elle qui décide de tout le reste.

Les quatre invariants à poser avant d'automatiser

Quatre décisions suffisent, et elles se prennent une fois. Elles ne coûtent presque rien au départ ; elles deviennent très coûteuses à rattraper une fois l'espace peuplé.

• Conventions de nommage : [Type] + [Périmètre] + [Objet] — par exemple PROJET — refonte site — planning.
• Propriétés minimales : Owner, Statut, Échéance, Priorité, Source, Dernière mise à jour.
• Statuts normalisés : À faire / En cours / En revue / Bloqué / Terminé.
• Sources de vérité : une page (ou base) « canonique » par sujet critique — offre, tarification, éléments légaux, messages de marque.

La quatrième est la plus importante et la plus souvent oubliée. Sans page canonique désignée, l'agent arbitrera lui-même entre deux versions contradictoires, et il le fera silencieusement. La règle qui en découle est simple : une information critique a un propriétaire, une date de mise à jour, et un seul endroit où elle fait foi.

Les templates comme garde-fous : imposer la forme, laisser l'IA remplir le fond

Le meilleur levier contre les réponses génériques est structurel, pas rédactionnel. Notion Agent fonctionne très bien quand vous lui demandez de « remplir un format » plutôt que « d'inventer une page ». Les templates deviennent vos garde-fous de forme : ils cadrent la structure attendue, l'IA remplit le fond à partir des sources. Un template reste une convention, pas un verrou : rien n'empêche techniquement de le contourner, d'en retirer une section ou de créer la page sans lui. Ce qu'il apporte est un critère de conformité vérifiable — une section manquante se voit —, jamais une impossibilité. Quatre sections se retrouvent dans tous les modèles qui tiennent :

• Un template par livrable : compte rendu, plan de projet, brief, fiche process.
• Sources à consulter : les mentions des pages de référence à utiliser, et elles seules.
• À valider par un humain : affirmations, chiffres, conformité, décisions.
• Version et date de mise à jour : de quoi piloter la fraîcheur du livrable.

Le format se choisit ensuite par type de sortie, et chaque format s'accompagne de sa validation minimale — sans elle, vous obtenez une page complète que personne n'a le mandat d'approuver.

• Compte rendu : décisions, actions, owners, dates. Validation minimale : les décisions et leurs responsables.
• Brief : objectif, angle, preuves attendues, critères de validation. Validation minimale : les sources et la conformité au discours de marque.
• Procédure : pré-requis, étapes, rollback, zones à confirmer. Validation minimale : une validation opérationnelle par un owner.

Les automatisations utiles : projets, réunions, connaissance, éditorial

La part des tâches répétitives automatisées grâce à l'IA est estimée à 30 % (prévision) (Hostinger, 2026) : les comptes rendus, les briefs et les procédures sont exactement ces tâches-là — volumétrie élevée, structure stable, faible valeur d'invention. Quatre terrains se détachent dans un espace de travail documentaire, et ils ont un point commun : le gain n'est pas le temps économisé sur une occurrence, c'est la standardisation de toutes les suivantes.

Gestion de projets : synthèses, priorisation, backlog

Un agent devient intéressant quand il réduit la charge de coordination : synthèses, priorisation, détection d'écarts, mise en forme pour des décideurs. Le terrain d'analyse le plus parlant reste la comparaison de résultats à un budget, avec l'explication des écarts ; transposé au projet, cela revient à repérer les dérives, regrouper les points bloquants et produire une synthèse exécutable.

• Synthèse hebdomadaire d'un portefeuille : risques, dépendances, top 5 actions.
• Priorisation assistée : regrouper les tâches par impact et par urgence, proposer une séquence.
• Génération de backlog à partir d'une page de cadrage : hypothèses, objectifs, contraintes.

Vous gagnez du temps, mais surtout vous gagnez en standardisation. La règle de priorisation elle-même reste une décision humaine : l'agent propose une séquence, il ne fixe pas le critère.

Réunions : de l'ordre du jour aux objets traçables

La réunion est un cas à volumétrie élevée, donc rentable à industrialiser. Le flux se standardise en trois temps, indépendamment de l'outil qui capte l'échange :

• Avant : générer un ordre du jour à partir du statut du projet et des points bloquants.
• Pendant et après : structurer le compte rendu — décisions, questions ouvertes, actions.
• Ensuite : créer ou mettre à jour les tâches dans la base « Actions », et les assigner.

Le cœur du gain tient en une formule : transformer un échange diffus en objets traçables — tâches, owners, échéances. Un compte rendu qui ne produit pas d'objets est un document d'archive, pas un livrable.

Connaissance interne : le piège n'est pas la recherche, c'est la mise à jour

L'usage « connaissance » est celui où l'agent devient une interface de recherche interne : questions-réponses sur le contenu de l'espace et des applications connectées, interrogation des bases et de leurs propriétés, et — lorsque ces accès sont ouverts, ce qui se vérifie — lecture des commentaires et consultation de l'historique des versions. Le piège, en entreprise, n'est pas la recherche : c'est la mise à jour. Votre automatisation la plus utile est souvent une « boucle de maintenance » qui propose des corrections, mais exige validation.

• Répondre à une question en citant les pages sources, avec leur lien interne et leur date.
• Proposer la mise à jour d'une procédure à partir des notes récentes et des incidents, zones à confirmer comprises.
• Créer une page « version consolidée » quand plusieurs documents se contredisent.

Éditorial : le brief comme contrat, la checklist comme recette

C'est souvent le meilleur terrain : la production est répétable et la structure standardisable. Votre enjeu n'est pas d'écrire « plus », c'est d'écrire « mieux, plus vite, plus cadré ». Servez-vous de l'espace pour préparer — brief, plan, preuves — et non pour improviser. Un brief pilotable se lit comme un contrat : il réduit l'ambiguïté et accélère la validation. Trois champs le rendent exploitable : l'objectif (informer, comparer, convertir, répondre à une objection), l'angle (cadre, méthode, erreurs à éviter, checklist) et les preuves attendues — statistiques avec source, exemples internes, contraintes légales.

Le contrôle qualité, ensuite, ne doit pas être un « feeling » : imposez une checklist, la même pour tout le monde.

• Faits et chiffres : toute donnée critique est rattachée à une source primaire — lien, fichier, page canonique.
• Ton et style : conformité à la page d'instructions qui fixe le style et les ressources prioritaires.
• Doublons : l'IA peut reformuler proprement une idée déjà traitée ailleurs, ce qui nuit à la clarté.
• Risques : retrait des affirmations non prouvées, garde-fous sur les sujets sensibles.

Dernière mécanique, la plus rentable à long terme : capitaliser. Chaque fois que l'agent synthétise une discussion, un incident ou une revue, capturez l'enseignement sous une forme réutilisable — question, réponse courte, preuve, lien vers la source. À terme, vous disposez d'une bibliothèque de formulations validées plutôt que d'un espace de stockage.

Intégrations et modèle de droits

Avant de connecter « tout », partez d'un scénario déclencheur simple et mesurable. Une bonne intégration, c'est un flux unidirectionnel clair, avec une gestion d'échec prévue, pas une toile d'araignée. Le sens du flux se décide en premier — vers l'espace ou depuis l'espace — parce qu'un flux bidirectionnel non arbitré finit toujours par écraser une version. Si vos équipes s'appuient encore sur des reportings et des modèles opérationnels dans un classeur, ce que produit un agent d'IA sur Excel rejoint votre espace par un flux simple d'import/export, avec un statut « À valider » pour sécuriser la donnée.

Des flux unidirectionnels, avec un plan de gestion d'erreur par événement

Chaque intégration se décrit en quatre éléments : l'événement qui la déclenche, l'entrée, la sortie produite dans l'espace, et le plan de gestion d'erreur. Le quatrième est celui qu'on saute, et c'est celui qui rend les trois autres exploitables.

• Nouveau ticket : entrée — résumé, priorité, owner ; sortie — page projet, tâches, échéances ; en cas d'erreur — état « À valider » si des données manquent.
• Nouveau document source : entrée — un PDF ou un CSV ; sortie — page de synthèse et points à confirmer ; en cas d'erreur — bloc « hypothèses » et demande de validation.
• Fin de sprint : entrée — changements et incidents ; sortie — mise à jour de la documentation et notes de version ; en cas d'erreur — rollback, la version précédente est conservée.

Un scénario auquel manque ce quatrième élément n'est pas une intégration, c'est un pari.

Qui peut lire, écrire, publier, valider — et la chaîne qui l'applique

Plus vous automatisez, plus vous devez réduire les surfaces modifiables. Découpez vos espaces — production, validation, archive — et limitez l'écriture automatique aux périmètres à faible risque. Quatre niveaux suffisent, à décliner par espace, par base et par propriété :

• Lire : large, pour maximiser le contexte utile.
• Écrire : restreint à des bases « d'atterrissage » — brouillons, pré-backlog.
• Publier : réservé, avec validation humaine obligatoire.
• Valider : rôle explicite (juridique, produit, métier), traçable dans une propriété.

Ce modèle ne tient que si les droits le portent. Un statut « En revue », une propriété « validateur » ou une convention d'équipe ne bloquent aucune modification : ce sont des marqueurs que n'importe qui — l'agent compris, dès lors qu'il a le droit d'écrire — peut changer ou ignorer. Seules les permissions du compte qui lance l'agent et la mise en lecture seule des pages canoniques empêchent réellement une écriture ; le statut dit alors où en est le travail, il ne l'arrête pas. Appliqué à une chaîne d'états sans droits derrière, il se contourne au premier délai serré. Industrialiser ne signifie pas « automatiser tout » : cela signifie rendre l'exécution reproductible. Cinq états y suffisent : l'intake, où la demande devient une page avec ses données minimales obligatoires ; la qualification, où l'agent propose un plan, des risques et les sources à consulter ; la production, où les livrables sont créés au bon format ; la validation, où un humain relit et corrige ; la clôture, où l'on archive, où l'on versionne et où l'on extrait les apprentissages. Chaque action crée alors un artefact réutilisable — tâche, procédure, brief — et la dette documentaire cesse de croître.

Mesurer et sécuriser : indicateurs, risques, déploiement

Mesurez, sinon vous ne saurez pas si l'agent accélère vraiment. Les repères généraux existent — les gains de productivité constatés après adoption de l'IA sont de +15 à 30 % en Europe (Bpifrance, 2026), et 90 % des utilisateurs estiment que l'IA fait gagner du temps (McKinsey, 2025) — mais ce sont des ordres de grandeur relevés sur des périmètres variés : ils cadrent une hypothèse, ils ne mesurent pas votre espace. Ces repères et leurs variantes figurent dans notre relevé de statistiques sur l'IA.

Cinq indicateurs, eux, se mesurent chez vous : le temps de cycle, de la demande au livrable validé ; le taux de reprise, part du contenu conservé après relecture ; la complétude des champs obligatoires sur les briefs, les projets et les procédures ; les erreurs — faits non sourcés, incohérences, doublons ; et la satisfaction interne, par une enquête rapide et mensuelle, équipe par équipe. Le plus utile au quotidien est le taux de reprise : c'est le seul qui dise si l'agent produit un livrable ou un brouillon.

Restent les risques, qui ne se traitent pas par la confiance. Un agent produit des contenus convaincants… et parfois faux ; il peut faire circuler une information interne qui n'était pas destinée à circuler ; il peut réécrire silencieusement une page que tout le monde utilise. Chaque risque appelle un garde-fou nommé et, surtout, un test qui prouve qu'il tient : une règle que personne n'a vérifiée n'existe pas.

Déployez enfin par petits lots, avec des scénarios testés, sinon vous n'isolerez jamais la cause d'un problème. Cinq points sécurisent un pilote : un périmètre restreint — 1 base, 1 template, 1 équipe ; des scénarios nommés à l'avance (création de page, mise à jour, synthèse multi-sources, import de fichier) ; des garde-fous actifs, en séparant ceux qui bloquent — les permissions — de ceux qui signalent : statut « En revue », champs obligatoires, validateur nommé ; une validation avec ses rôles, ses délais et ses règles d'escalade ; et un retour arrière prévu — procédure d'annulation, versionning, archive. L'annulation intégrée ne rattrapant pas tous les cas, ce dernier point ne se déduit pas : mesurez ce qu'elle couvre réellement sur votre espace, et complétez-la par l'historique de version des pages critiques. Documentez pour finir vos règles dans une page d'instructions dédiée, afin de stabiliser le comportement d'une session à l'autre. L'objectif n'est pas de tout automatiser : c'est de rendre l'automatisation prévisible.

FAQ sur l'agent d'IA dans Notion

Qu'est-ce que Notion Agent ?

Notion Agent est un coéquipier d'IA intégré à Notion, conçu pour créer et modifier des pages et des bases de données en s'appuyant sur le contexte de votre espace de travail et, selon la configuration, sur des applications connectées. Il se lance depuis l'interface, propose des actions contextualisées et peut exécuter des tâches multi-étapes. Il respecte vos permissions : il n'accède pas à ce que vous ne pouvez pas voir ou modifier, et ses modifications peuvent en général être annulées — la portée exacte de cette annulation, comme l'accès aux commentaires et à l'historique, se vérifie selon le type d'agent et l'action concernée.

Comment utiliser l'IA dans Notion ?

Partez d'un livrable — page, base, brief — et d'un format imposé par un template, plutôt que d'un prompt libre. Ajoutez explicitement le contexte par mention des pages et des personnes concernées et, quand c'est disponible, par la sélection des sources dans la discussion. Chargez des pièces jointes (PDF, CSV) quand vous voulez transformer un contenu en structure exploitable. Imposez enfin une étape « En revue » avant tout usage opérationnel.

Quelles tâches peut-on automatiser avec Notion ?

La création et la mise à jour de pages, la production de bases avec leurs vues et leurs propriétés, la synthèse multi-sources et la génération de livrables standard — comptes rendus, procédures, briefs — à condition d'avoir une structure claire. Les cas les plus rentables sont ceux à forte répétition : comptes rendus, extraction d'actions, consolidation de documentation. Évitez d'automatiser les sujets à fort risque, juridiques ou engageants commercialement, sans validation stricte et sources obligatoires.

Comment intégrer Notion avec d'autres outils ?

Partez d'un événement déclencheur — nouveau ticket, nouveau fichier, fin de sprint —, définissez le sens du flux (vers l'espace ou depuis l'espace), puis ajoutez une gestion d'erreur : statut « À valider » si l'entrée est incomplète, bloc d'hypothèses si une donnée manque, conservation de la version précédente en cas d'écrasement. Gardez une gouvernance de permissions stricte : connecter ne doit pas ouvrir de surface de risque inutile.

Notion Agent est-il pertinent pour la gestion de projets en équipe ?

Oui, surtout pour standardiser des rituels — synthèses, comptes rendus, extraction d'actions — et réduire la charge de coordination. Il devient réellement utile quand vous imposez des propriétés (owner, statut, priorité) et des templates, afin d'obtenir des livrables homogènes. La pertinence augmente avec la volumétrie : plus l'équipe répète les mêmes processus, plus le gain est net. Sans conventions partagées, en revanche, l'agent amplifie l'incohérence.

Comment structurer une base de données Notion pour que l'IA produise des sorties fiables ?

Commencez par un schéma minimal stable : statuts normalisés, owner obligatoire, dates, priorité, et une propriété « source » pour rattacher chaque information. Utilisez des relations entre bases — projet, tâches, livrables — pour que l'agent navigue et produise des synthèses cohérentes. Ajoutez des vues opérationnelles (en revue, à valider, bloqué) qui guident l'exécution. Désignez enfin une source de vérité par sujet critique et éliminez les informations dupliquées.

Comment créer des briefs éditoriaux pilotables dans Notion ?

Créez un template de brief avec des champs obligatoires : objectif, angle, preuves attendues avec leurs sources, contraintes à respecter et critères de validation. Le brief doit dire « quoi prouver » et « comment structurer », pas seulement « quoi écrire » : c'est ce qui le rend lisible comme un contrat. Ajoutez une section « à valider par un humain » pour les affirmations, les chiffres et les points de conformité.

Comment éviter les réponses génériques et garder le ton de marque dans Notion ?

Utilisez une page d'instructions dédiée pour fixer le style, les règles et les ressources prioritaires, et demandez explicitement à l'agent de s'y conformer plutôt que de « faire au mieux ». Ajoutez des exemples validés, extraits de pages internes. Réduisez l'ambiguïté par des templates et des contraintes : longueur, sections obligatoires, affirmations interdites, sources exigées. Et conservez une validation humaine sur toutes les pages à enjeu.

Quelles bonnes pratiques de permissions et de validation appliquer avant d'automatiser ?

Appliquez le moindre privilège : lecture large, écriture restreinte, publication très restreinte. L'agent héritant des autorisations de l'utilisateur qui le lance, les rôles doivent être propres avant toute automatisation. Créez des espaces « brouillon » et « validé » séparés par des droits, et non par un simple statut : « En revue » et le nom d'un validateur documentent une étape, ils n'interdisent aucune écriture. Définissez enfin un plan de retour arrière et une règle unique : sur toute page canonique, l'agent propose, un humain valide.

Comment mesurer l'impact des workflows Notion ?

Mesurez ce qui se passe dans l'espace, pas ailleurs : temps de cycle entre la demande et le livrable validé, taux de reprise (ce qui est gardé contre ce qui est réécrit), complétude des champs obligatoires et taux d'erreurs factuelles. Comparez ces valeurs avant et après la mise en place, sur le même type de livrable. Le taux de reprise est le plus parlant : il dit si le processus produit un livrable ou un brouillon.

Quelles limites attendre d'un agent d'IA dans Notion et quand éviter l'automatisation ?

L'agent ne gère pas certains réglages d'administration, le partage, les niveaux d'autorisation ni les commentaires, et le périmètre de ses sources dépend du mode choisi — certains s'appuient davantage sur le web que sur votre espace. Au-delà, la limite la plus fréquente est la qualité de vos données : informations obsolètes, contradictions, absence de formats imposés. Évitez l'automatisation autonome sur les contenus sensibles — légal, promesses commerciales, données personnelles — et restez en mode assisté avec validation.

Continuez votre lecture

• Votre espace est structuré et vos synthèses sont fiables, mais la règle reste à écrire : dès qu'il faut trancher l'ordre des priorités, les dépendances et l'escalade, le sujet devient celui de l'agent d'IA de gestion de projet.
• Les comptes rendus atterrissent bien chez vous, mais la réunion se tient ailleurs : si le point d'entrée à équiper est l'espace de collaboration — canaux, réunions, support interne —, c'est un agent d'IA dans Teams qu'il faut poser.
• L'espace reste votre référentiel, mais plusieurs outils doivent s'enchaîner : dès que les déclencheurs, les connecteurs et la reprise sur erreur se décident hors de Notion, le choix se fait au niveau de la plateforme d'agent d'IA.