Искусственный интеллект Asana позволяет обмениваться данными через память внутри вашей компании, но не с вашими секретами.

Бен Диксон

Корпоративные команды, разрабатывающие ИИ-агентов, постоянно сталкиваются с одной и той же проблемой: чат-бот, который может ответить на запрос, но не помнит, что ему задавали последние пять человек, и не может сказать, работала ли версия, выпущенная в прошлом месяце.

В ходе неформальной беседы с Сэмом Виттевеном из VentureBeat на конференции VB Transform 2026 главный директор по продуктам Asana Арнаб Бозе рассказал о том, как его команда подошла к решению этой проблемы для создания новой операционной системы: Agentic Work Management (AWM). Этот продукт рассматривает агентов ИИ как обучаемых членов команды, работающих бок о бок с людьми, а не как индивидуальных помощников.

Для разработчиков и создателей продуктов, стремящихся выйти за рамки базовых интеграций, Бозе представил подробный анализ внутренней структуры системы. Он подробно рассказал о том, как Asana разработала AWM, предложив план решения реальных проблем и создания масштабируемых агентных систем.

График работы: данные компании за 18 лет, переработанные с учетом современных реалий.

Для создания операционной системы для команд, состоящих из человека и агента, компании Asana потребовался готовый корпоративный контекстный граф. Они построили AWM на основе своей 18-летней архитектуры: графа работы.

Эта база данных на основе графов организует информацию с помощью структуры, которую компания называет «Пирамидой ясности». Наименьшая единица работы — это задача с назначенным исполнителем и сроком выполнения. Задачи относятся к проектам, проекты объединяются в портфели, а портфели связаны с общекорпоративными целями. Граф может помочь отследить, например, как задержка выполнения проектной задачи влияет на корпоративную цель по доходам. Граф работы предоставляет в режиме реального времени учет того, кто что сделал, к какому сроку и почему.

AWM использует эту архитектуру для создания многопользовательского напарника. Стандартный ИИ-помощник не имеет состояния и привязан к подсказке одного пользователя. Поскольку AWM интегрируется с Work Graph, ИИ может отслеживать общие цели компании, обновлять статусы проектов и обмениваться данными с коллегами-людьми.

«Поскольку [агент] подключен к Work Graph, он не просто отслеживает конкретное отправленное вами сообщение или файловую систему Markdown конкретного сотрудника в его локальном файле, — сказал Бозе. — Он работает с общей базой данных для всей компании».

AWM уже запущен в производство. Бозе сказал, что у Asana «несколько клиентов успешно используют эту платформу», в том числе FedEx, которая опубликовала собственное исследование по переходу на новую систему.

Установка ограждений для проведения конфиденциальных работ.

Для внедрения AWM для корпоративных клиентов компании Asana пришлось решить ряд технических проблем. Первая из них — управление данными. Если ИИ-помощник взаимодействует с другими сотрудниками компании, он формирует общую память, обучаясь на основе рабочих процессов и обратной связи от людей.

Бозе выделил критическую проблему, связанную с нарушением границ: если руководитель использует AWM для построения рабочих процессов для конфиденциального проекта, система должна гарантировать, что обновленная память агента не приведет к утечке контекста для неавторизованного сотрудника, который будет взаимодействовать с тем же агентом позже.

«Я не должен иметь возможность использовать эту общую память при запуске ИИ-помощника, если вы создали эту память, используя того же помощника в проекте, который, скажем, является секретным проектом слияния и поглощения, к которому у меня нет доступа», — сказал Бозе. Компания Asana разработала систему контроля доступа, которая регулирует, что именно запускает создание памяти, а что — простое выполнение задачи.

Во-вторых, AWM обрабатывает динамическую маршрутизацию моделей, чтобы абстрагировать разработку подсказок от пользователя. Когда пользователь назначает задачу своему коллеге-ИИ (например, составление должностной инструкции для должности генерального менеджера), ИИ сопоставляет общедоступные объявления о вакансиях, внутреннее руководство по стилю Asana и документы с требованиями к продукту. Для сложных задач система автоматически направляет подсказку к сложной модели — Бозе привел в качестве примеров модели Opus от Anthropic и модели OpenAI — в то время как более простые задачи перенаправляются на более быстрые и дешевые решения.

«Мы не хотим, чтобы работнику, занимающемуся интеллектуальным трудом, приходилось продумывать, какой подсказка, контекст и какие вложения лучше всего использовать для выполнения задачи», — сказал Бозе. «Должно возникать ощущение, будто вы поручаете задачу человеку».

Динамическая маршрутизация создает третью проблему: абстракция выставления счетов. Вычислительная сложность задач агентов различается, что делает темпы расходования кредитов непредсказуемыми.

«Мы не хотим оказаться в ситуации, когда нашим клиентам придется рассуждать о том, что некоторые из этих задач… гораздо сложнее других, и они будут расходовать кредиты с разной скоростью», — сказал Бозе, добавив, что непредсказуемое ценообразование может привести к тому, что клиенты будут ограничивать возможности своих сотрудников, устанавливая лимит на частоту запуска ИИ-помощника.

Для обеспечения коммерческой жизнеспособности AWM компания Asana разработала свою архитектуру выставления счетов таким образом, чтобы взимать фиксированную плату за каждое выполненное задание. Платформа учитывает сложность выбора модели, количества токенов и лимитов выполнения, обеспечивая предсказуемое ценообразование для предприятий.

Проблема с чат-ботами без сохранения состояния.

AWM решает конкретную проблему существующих корпоративных решений в области ИИ: отсутствие состояния. Разработчики могут легко подключать большие языковые модели к корпоративным инструментам, таким как Slack, Google Drive или Databricks, используя интеграцию с протоколом контекста модели (MCP). Однако базовые агенты на основе чата не обладают возможностью сохранения состояния.

Бозе подробно описал сценарий, в котором пользователь просит оператора чата составить маркетинговую кампанию на основе исторических данных и анализа конкурентов. Оператор получает данные из внешних инструментов для ответа на запрос, но выполнение происходит изолированно. Это разовая задача, выгодная одному человеку. Она не позволяет создать многоразовый рабочий процесс для следующего человека, разрабатывающего аналогичную кампанию.

«Проблема в том, что эти звонки не имеют состояния и не используют общую корпоративную базу данных, основанную на графах, или контекстный граф», — сказал Бозе.

AWM решает эту проблему, создавая постоянное состояние. Когда ИИ-помощник в AWM завершает задачу, система записывает метаданные. Она регистрирует, улучшило ли завершение задачи статус проекта и как это способствовало достижению целей компании более высокого уровня.

Закулисные презентации новых продуктов CoreWeave

Облачный провайдер CoreWeave одним из первых начал использовать AWM для модернизации сложных процессов запуска новых продуктов.

«CoreWeave использует как наши детерминированные правила рабочего процесса в студии ИИ, так и нескольких коллег-ИИ для запуска новых продуктов», — поделился Бозе.

Раньше менеджеры по продуктам CoreWeave заполняли сложные формы, подробно описывающие инфраструктуру, параметры и затраты. Затем эти формы вручную проверялись специалистами, которые распределяли их по конкретным задачам для финансового, маркетингового и аппаратного отделов.

В рамках рабочего процесса AWM менеджер продукта создает стандартный документ Google, содержащий требования к продукту. Детерминированный рабочий процесс на основе ИИ считывает документ, автоматически создает структуру проекта и назначает задачи. Затем специализированные агенты берут на себя выполнение. Один агент отслеживает общее состояние проекта и выявляет узкие места; другой, работая над отдельными задачами, прогнозирует затраты на инфраструктуру и рекомендует утверждения, когда цифры совпадают с историческими бюджетами. Система автоматически сортирует рутинную работу, в то время как люди сосредотачиваются на оценке результатов работы ИИ.

Проблема «друга-врага»

Ситуация осложняется тем, что те же самые поставщики, работающие по передовой модели и обеспечивающие функционирование AWM — Anthropic и OpenAI — также выпускают собственные конкурирующие продукты для агентов, такие как Claude от Anthropic в Slack (Tag). На вопрос о пересечении интересов Бозе не стал оспаривать существующее противоречие.

«Думаю, это та реальность, в которой нам всем приходится жить», — сказал он.

Его аргумент в пользу устойчивости AWM основан на 18-летнем опыте Asana в области анализа пользовательского опыта и рабочих процессов, а также на готовых стандартных операционных процедурах для конкретных отраслей — экспертизе, которой, по его мнению, не обладают базовые модели. По его словам, такой продукт, как Tag, может хорошо работать в Slack, но для этого требуется тщательно отобранный канал и отдельные учетные данные для каждого приложения, с которым он взаимодействует.

«Существует большая разница между мощностью модели и простым способом продемонстрировать ее ценность, и чем-то, что уже создано… для полноценного комплексного использования», — сказал Бозе.

Источник: venturebeat.com