KI-Assistenten für Teams: Gemeinsamer Kontext und Transparenz in Enterprise-KI

Diskrepanz im Hinblick auf Zuverlässigkeit

Enterprise-KI-Assistenten sind KI-Systeme, die Aktionen innerhalb von gemeinsamen Workflows über Teams und Projekte hinweg ausführen können. Diese Landschaft ist schnell gewachsen, da eine wachsende Liste von Plattformen ihre eigenen Varianten der KI-Unterstützung herausgebracht hat, die sich auf gemeinsame Teaminhalte beziehen.

Die meisten Unternehmen kommen immer noch nicht über Pilotprojekte hinaus. Der Bericht „State of Agentic Orchestration & Automation“ von Camunda aus dem Jahr 2026 ergab, dass nur 11 % der Anwendungsfälle für agentische KI die Produktionsphase erreicht haben, wobei 73 % der Unternehmen von einer Lücke zwischen ihren KI-Ambitionen und der Realität berichteten. Eine separate Dynatrace-Studie ergab, dass die Hälfte aller KI-Projekte in der Konzept- oder Pilotphase stecken bleibt. Das größte Hindernis in beiden Fällen: Vertrauen.

Die Modelle sind bemerkenswert leistungsfähig, aber der Engpass ist die Verantwortlichkeit. Wenn ein KI-Assistent auf geteilte Aufgaben reagiert, die mehrere Personen betreffen, müssen alle Beteiligten wissen, was er getan hat, warum und innerhalb welcher Grenzen. Die meisten KI-Tools beantworten diese Fragen heute nicht, da sie es nicht einfach machen, zu sehen, was die KI getan hat oder warum. Aktionen finden in privaten Verläufen oder hinter Oberflächen statt, wo die Beteiligung der KI unsichtbar ist. Wenn etwas schiefgeht (und bei probabilistischen Systemen wird etwas schiefgehen), gibt es keine Spur, der man folgen kann.

Wir haben AI Teammates auf einer Grundlage entwickelt, die direkt aus unserer Geschichte stammt. Seit über einem Jahrzehnt entwickelt Asana den Work Graph: eine strukturierte Darstellung davon, wer was bis wann erledigt, mit welchem Ziel und in Abstimmung mit wem. Die zugrunde liegenden Prinzipien (gemeinsame Transparenz, klare Verantwortlichkeit, Zugriff mit Berücksichtigung von Berechtigungen, strukturierte Kommunikation) wurden entwickelt, um die Zusammenarbeit zwischen Menschen effektiv zu gestalten. Es stellte sich heraus, dass genau diese Prinzipien erforderlich sind, um die Zusammenarbeit mit KI vertrauenswürdig zu machen.

Auf dem aufbauen, was bereits funktioniert hat

Die meisten KI-Agent-Produkte beginnen mit dem Modell und arbeiten sich dann weiter: Das kann die KI, jetzt wollen wir herausfinden, wie sie in Ihren Workflow passt. Wir haben in die entgegengesetzte Richtung begonnen. Asana hatte bereits klare Vorstellungen, die über Jahre hinweg in das Produkt integriert wurden, wie Struktur, Verantwortlichkeit und mühelose Zusammenarbeit bei gemeinsamer Arbeit erreicht werden können.

Der Work Graph kodiert all das. Jede Aufgabe, jedes Projekt, jedes Ziel und jede Diskussion existiert in einem Netz von Beziehungen: wer dafür verantwortlich ist, wer daran mitarbeitet, wozu es beiträgt, was davon abhängt. Wenn Teams Asana verwenden, bauen sie dieses strukturierte Bild ihrer Arbeit kontinuierlich auf und verfeinern es.

Als wir mit dem Aufbau von KI-Assistenten begannen, stellte sich die Frage: Was wäre, wenn die KI innerhalb derselben Struktur arbeiten würde? Was wäre, wenn wir, anstatt ein separates Kontextmodell für die KI zu entwickeln, sie an dem bereits bestehenden Kollaborationsmodell teilnehmen lassen würden?

Dies ist unser zentrales konzeptionelles Modell hinter AI Teammates: Wo immer möglich, entsprechen ihre Fähigkeiten denen eines menschlichen Nutzers innerhalb eines Unternehmens. Ihnen werden Aufgaben zugewiesen. Sie lesen und verfassen Kommentare. Sie werden in denselben Aktivitätsübersichten angezeigt. Ihr Zugriff auf Inhalte ist so festgelegt, dass die Zusammenarbeit mit einem Teamkollegen niemals dazu führt, dass die Berechtigungen einer Person über das hinausgehen, was sie bereits hat. Die Infrastruktur, die die menschliche Zusammenarbeit organisiert und transparent hält, erstreckt sich natürlich auch auf KI, denn die schwierigen Probleme der KI für Unternehmen (Kontext, Zugriffskontrolle, Koordination, Transparenz) waren bereits Probleme, die wir für Menschen gelöst hatten.

So sieht gemeinsamer Kontext in der Praxis aus

Die meisten KI-Tools beschränken einen Agenten auf das, was ein einzelner Benutzer sehen kann, wenn er ihn aufruft. AI Teammates arbeiten anders: Sie befinden sich im selben Arbeitsbereich, in dem die eigentliche Arbeit des Teams stattfindet, zusammen mit den Projekten, Aufgaben, Zielen und Diskussionen, die bestimmen, was ein Unternehmen zu erreichen versucht.

Wenn einem Teamkollegen eine Aufgabe zugewiesen wird, erhält er Kontext zu dieser Aufgabe und zu allen Arbeiten, die unmittelbar damit verbunden sind: das übergeordnete Projekt, die zugehörigen Ziele, Abhängigkeiten und Beteiligten. Er kann auch den breiteren Work Graph durchsuchen und relevante Aufgaben, Projekte, Ziele und Personen auf der Grundlage dessen abrufen, was für die anstehende Arbeit nützlich ist.

Das bedeutet, dass mehrere Personen bei geteilten Aufgaben mit demselben Teamkollegen interagieren. Ein Projektmanager weist eine Aufgabe zu. Ein Designer kommentiert mit Beschränkungen. Ein Entwickler fügt technischen Kontext hinzu. Der Teamkollege baut auf all dem auf und

und sammelt dabei Arbeitswissen, das sich über Beteiligte und Vorhaben erstreckt.

Da der Work Graph bereits erfasst, wie Teams sich koordinieren, kann der Teamkollege auf die gleiche Weise über die Arbeit nachdenken wie ein Beteiligter: Was blockiert die Einführung, wer ist für den nächsten Schritt verantwortlich und was haben wir letzte Woche vereinbart? Diese Art der Argumentation ist nur möglich, wenn die KI innerhalb derselben Struktur arbeitet, die das Team bereits nutzt, um auf dem gleichen Stand zu bleiben.

Wie AI Teammates die Privatsphäre respektieren

Wie menschliche Nutzer unterliegen auch die AI Teammates im gesamten Work Graph expliziten Zugriffskontrollen. Einige Aufgaben und Projekte sind für alle (und jeden AI Teammate) im Unternehmen öffentlich sichtbar. Andere erfordern Projekt- und Portfolio-Mitgliedschaften, die entweder explizit Einzelpersonen gewährt oder über Teams vererbt werden.

Nur eine bestimmte Gruppe von Personen (oft ein Asana-Team) darf Aktionen von einem Teamkollegen auslösen. Sie verwalten gemeinsam das Wissen, die Anleitung und den Zugriff des Teamkollegen auf die Arbeit.

AI Teammates erhalten eine zusätzliche Sicherheitsmaßnahme: Der effektive Zugriff eines Teamkollegen ist immer an die Berechtigungen der Person gebunden, die ihn auslöst. Diese Maßnahme ermöglicht es, Teamkollegen einen umfassenden Zugriff auf Inhalte zu gewähren und gleichzeitig das Risiko zu minimieren, dass jemand den Zugriff des AI Teammates erweitert, um Informationen einzubeziehen, die er in einem separaten, privaten Kontext gelernt hat.

Nicht-Determinismus statt starrer Workflows

Unterschiedliche Unternehmen strukturieren dieselbe Arbeit auf völlig unterschiedliche Weise. Einige verfolgen Abhängigkeiten über Aufgabenbeziehungen, andere über Unteraufgaben, wieder andere über Projektabschnitte. Wir hätten ein starres Ausführungsmodell entwickeln können, das perfekt für einen Workflow-Stil funktioniert. Stattdessen geben wir dem Teamkollegen Kontext darüber, wie Beziehungen in einem bestimmten Arbeitsbereich aussehen, sowie die Möglichkeit, zu suchen und aus früheren Arbeitsvorgängen zu lernen, damit er unternehmensspezifisches Fachwissen aufbaut. Ähnlich wie ein neu eingestelltes Teammitglied lernt es die Arbeitsweise Ihres Teams, anstatt Sie in unsere zu zwingen.

Sie können kein einzelnes Flussdiagramm darüber zeichnen, wie die KI eine Anfrage verarbeitet. Das ist beabsichtigt. Ein deterministisches System würde für den Bruchteil der Teams, die unseren Annahmen entsprechen, gut funktionieren und für alle anderen versagen. Nicht-Determinismus ermöglicht es demselben Agenten, sich an radikal unterschiedliche Arbeitsorganisationsweisen anzupassen. Und da der Work Graph von Asana bereits erfasst, wie jedes Team seine Zusammenarbeit strukturiert, verfügt der Teamkollege vom ersten Tag an über eine umfangreiche, unternehmensspezifische Grundlage, aus der er lernen kann.

Einfache Erinnerung mit kurzen Feedbackschleifen

Das Erinnerungssystem von Teammate ist im Kern eine Liste von Textfakten, die mit den Objekten verknüpft sind, für die sie relevant sind. Wir haben hier angefangen und nicht mit einer Vektordatenbank oder einem Wissensgraphen, weil wir verstehen wollten, was eine enge Feedback-Schleife erreichen kann, bevor wir in eine umfangreichere Infrastruktur investieren.

Wir haben herausgefunden, dass die Schleife den größten Teil der Arbeit erledigt. Der Teamkollege arbeitet in einem gemeinsamen Kontext, in dem Nutzer*innen ihn auf natürliche Weise korrigieren, seine Anweisungen verfeinern und im Rahmen ihrer Arbeit mit seinen Ergebnissen interagieren. Die Bereitstellung eines beliebigen Pfads, über den erlernte Fakten in zukünftigen Runden wieder in das Kontextfenster gelangen können, ermöglicht verschiedenste Arten von emergenter Intelligenz und Anpassung. Deshalb haben wir uns zunächst auf eine schnelle und einfache Implementierung konzentriert.

Die Architektur wird sich weiterentwickeln, wenn das Produkt ausgereift ist, aber die Analytik, die sich weiterhin bewährt, ist, dass eine gute Feedback-Schleife mindestens genauso wichtig ist wie die Komplexität des Speichers. Und da die Erinnerung heute nur aus Text besteht, ist sie vollständig einsehbar. Nutzer können jede Erinnerung, die ihr Teamkollege gespeichert hat, direkt in dessen Profil einsehen.

Der Zugriff auf Erinnerungen folgt demselben Berechtigungsmodell wie alles andere in Asana. Eine Erinnerung ist nur für Personen sichtbar, die die Aufgabe sehen können, an der der Teamkollege zum Zeitpunkt der Erstellung gearbeitet hat. Wenn eine KI Zugriff auf mehrere Projekte mit unterschiedlichen Zugriffsrechten hat, verhindert dies, dass Informationen über die Grenzen der Berechtigungen hinaus gelangen.

Verantwortlichkeit auf Aktionsebene, die Team-Workflows widerspiegelt

Wenn ein Teamkollege Arbeit ausführt, sehen die Benutzer eine Echtzeit-Anzeige seiner Arbeit und können KI-Aktionsprotokolle öffnen – eine vollständige Aufzeichnung jeder Aktion, wie z. B. erstellte Aufgaben, gepostete Kommentare, durchgeführte Suchen, geänderte Objekte. Die konkreten Ergebnisse sind im Work Graph für jeden mit Zugriff sichtbar, einschließlich Personen, die den Teamkollegen nicht aktiviert haben. Bevor Teamkollegen eine datenschutzrelevante Aktion ausführen, müssen sie eine ausdrückliche Genehmigung des Nutzers einholen – eine feste Einschränkung, die in das System integriert ist.

Dieses Modell der Verantwortlichkeit erweitert die Art und Weise, wie Teams bereits in Asana arbeiten. Wenn ein menschlicher Beteiligter eine Aufgabe erledigt oder ein Update postet, ist dies für das Team sichtbar. AI Teammates folgen demselben Muster. Sie können sehen, was sie getan haben. Sie können sie nach dem Grund fragen, und sie werden es aus demselben Kontext heraus erklären, den sie für die Entscheidung herangezogen haben. Sie werden keine sensiblen Aktionen ohne Genehmigung durchführen. Wenn etwas schiefläuft, gibt es eine klare Dokumentation. In einer Umgebung, in der die meisten Unternehmen Transparenz als Hindernis für die Bereitstellung angeben, halten wir konkrete Verantwortlichkeit (sichtbare Aktionen, überprüfbare Erinnerung, Genehmigungsschritte) für wertvoller als abstrakte Versprechen zur Erklärbarkeit. Da AI Teammates in gemeinsamen Team-Bereichen arbeiten, ist ihre Arbeit für das gesamte Team sichtbar – nicht nur für die Person, die sie aktiviert hat. Das ist integrierte Auditierbarkeit: Jeder sieht, was die KI getan hat, nicht nur die Person, die die Anfrage gestellt hat.

Warum diese Eigenschaften untrennbar miteinander verbunden sind

Ein gemeinsamer Kontext ohne Verantwortlichkeit ist ein Risiko. Eine KI, die Wissen über die Arbeit mehrerer Personen sammelt, aber keine Möglichkeit bietet, zu überprüfen, was sie weiß oder wie sie handelt, wird schnell das Vertrauen verlieren. Die Menschen werden einer KI, die sie nicht überprüfen können, den Kontext vorenthalten, was den Zweck eines teambezogenen Designs zunichte macht.

Rechenschaftspflicht ohne gemeinsamen Kontext löst ein einfacheres und weniger interessantes Problem. Wenn die KI in isolierten Threads arbeitet, ist die Überprüfbarkeit unkompliziert. Die eigentliche Herausforderung besteht darin, KI rechenschaftspflichtig zu machen, wenn sie an gemeinsamen, funktionsübergreifenden Aufgaben arbeitet, die Personen mit unterschiedlichen Zugriffsebenen und unterschiedlichen Interessen betreffen.

Das Zugriffsmodell verbindet sie miteinander. Die Jahre, in denen Asana ein Berechtigungsmodell für die Zusammenarbeit zwischen Menschen aufgebaut hat, bildeten den größten Teil der Grundlage. Die Ausweitung auf KI bedeutete, noch einen Schritt weiter zu gehen und sicherzustellen, dass der Zugriff von niemandem durch die Zusammenarbeit mit einem Teamkollegen erweitert wird. Ohne diesen mehrschichtigen Ansatz wäre KI auf Teamebene für die meisten Unternehmen nicht realisierbar.

Stand der Dinge

Teams nutzen AI Teammates für Projektmanagement, Dokumentation, Recherche und funktionsübergreifende Koordination. Das häufigste Muster, das wir beobachten: KI macht die Koordination in einem Umfang überschaubar, in dem die menschliche Aufmerksamkeit versagt. Ein Teamkollege, der einem Projekt für Produkteinführungen zugewiesen ist, verfolgt die Arbeit von der Zielsetzung bis zur Ausführung und zeigt auf, was Aufmerksamkeit erfordert, ohne dass jemand manuell ein Status-Update erstellen muss.

Das positive Feedback, das wir gesammelt haben, hebt durchweg drei Eigenschaften hervor. Teamkollegen können zugewiesen werden und sind kooperativ. Sie arbeiten mit Ihnen an gemeinsamen Aufgaben. Sie arbeiten mit einem überprüfbaren Zugriff, sodass Sie sehen, was sie getan haben, und sie fragen, bevor sie etwas Sensibles tun. Und sie bauen adaptives Wissen auf und werden durch jede Interaktion nützlicher, da sich Feedbackschleifen und einfache Erinnerungen ansammeln.

Die gesamte Branche arbeitet daran, die Kluft zwischen KI-Demo-Funktionen und zuverlässiger Produktionsleistung zu schließen. Die Teams, die mit AI Teammates einen echten Mehrwert erzielen, behandeln sie wie neue Mitarbeiter, die Kontext, Feedback und klare Grenzen benötigen, um effektiv zu sein.

Intern haben wir AI Teammates für sensible Arbeitsvorgänge eingesetzt, darunter die Erstellung von Statusberichten, die Sichtung von Fehlern und die Planung von Produkteinführungen. Wir haben das Zugriffskontrollmodell und menschliche Kontrollpunkte genutzt, um die Gewissheit zu haben, dass Menschen und KI unabhängig von der jeweiligen Aufgabe sicher und produktiv zusammenarbeiten können.

Die Agenten, die sich am Ende durchsetzen, werden nicht diejenigen sein, die die beeindruckendsten Demos haben. Es werden diejenigen sein, die so arbeiten, wie Teams es bereits tun: in gemeinsamen Räumen, mit sichtbaren Aktionen, aufbauend auf vertrauten Mustern der Zusammenarbeit. Asana hat jahrelang gelernt, wie man menschliche Teamarbeit strukturiert, transparent und verantwortungsbewusst gestalten kann. AI Teammates sind die Weiterentwicklung dieser Prinzipien im Zeitalter der kollaborativen KI.

Dieser Artikel wurde von Cory Desautels, Softwareentwickler, verfasst. Cory Desautels ist Entwickler im AI Teammates-Team, wo er daran arbeitet, das kollaborative agentenbasierte KI-Produkt von Asana aufzubauen und zu skalieren.