Agents IA pensés pour les équipes : contexte partagé et transparence dans l'IA d'entreprise

Le manque de responsabilisation

Les agents IA d'entreprise sont des systèmes d'IA qui peuvent effectuer des actions dans les processus partagés entre les équipes et les projets. Ce paysage s'est rapidement développé, car de plus en plus de plateformes ont lancé leurs propres versions d'assistance par IA qui touchent au contenu partagé de l'équipe.

La plupart des organisations ne parviennent toujours pas à dépasser le stade des projets pilotes. Le rapport 2026 de Camunda sur l'état de l'orchestration et de l'automatisation agentiques a révélé que seulement 11 % des cas d'utilisation de l'IA agentique ont atteint la production, 73 % des organisations faisant état d'un écart entre leurs ambitions en matière d'IA et la réalité. Une autre étude de Dynatrace a révélé que la moitié de tous les projets d'IA étaient bloqués au stade du concept ou du pilote. Le principal obstacle dans les deux cas : la confiance.

Les modèles sont remarquablement performants, mais le frein est la responsabilisation. Lorsqu'un agent d'IA agit sur un travail partagé qui concerne plusieurs personnes, toutes les personnes impliquées doivent savoir ce qu'il a fait, pourquoi il l'a fait et dans quelles limites. La plupart des outils d'IA actuels ne répondent pas à ces questions, car ils ne permettent pas de voir facilement ce que l'IA a fait ou pourquoi. Les actions se déroulent dans des fils de discussion privés ou derrière des interfaces où l'implication de l'IA est invisible. Lorsque les choses tournent mal (et avec les systèmes probabilistes, les choses tourneront mal), il n'y a aucune trace à suivre.

Nous avons conçu les AI Teammates sur la base d'un principe directement issu de notre histoire. Depuis plus d'une décennie, Asana développe le Work Graph : une représentation structurée de qui fait quoi, pour quand, vers quels objectifs et en coordination avec qui. Les principes qui le sous-tendent (visibilité partagée, attributions claires, accès basé sur les autorisations, communication structurée) ont été conçus pour rendre la collaboration humaine efficace. Ces mêmes principes se sont avérés être exactement ce qu'il fallait pour rendre la collaboration avec l'IA digne de confiance.

S'appuyer sur ce qui a déjà fonctionné

La plupart des produits d'agents d'IA partent du modèle et vont vers l'extérieur : voici ce que l'IA peut faire, voyons maintenant comment elle s'intègre dans votre processus. Nous avons commencé dans la direction opposée. Asana avait déjà des idées bien arrêtées, intégrées au produit au fil des années d'itération, sur la façon de parvenir à une structure, à une responsabilisation et à une collaboration sans effort sur le travail partagé.

Le Work Graph encode tout cela. Chaque tâche, projet, objectif et discussion existe au sein d'un réseau de relations : qui en est responsable, qui collabore, à quoi cela contribue, ce qui en dépend. Lorsque les équipes utilisent Asana, elles construisent et affinent en permanence cette image structurée de leur travail.

Lorsque nous avons commencé à créer des agents d'IA, la question est devenue : et si l'IA fonctionnait au sein de cette même structure ? Et si, au lieu d'inventer un modèle de contexte distinct pour l'IA, nous la faisions participer au modèle de collaboration que nous avions déjà construit ?

C'est notre modèle conceptuel de base derrière les AI Teammates : dans la mesure du possible, leurs capacités correspondent à celles d'un utilisateur humain au sein d'une organisation. Des tâches leur sont attribuées. Ils lisent et rédigent des commentaires. Ils apparaissent dans les mêmes fils d'activités. Leur accès au contenu est limité de sorte que la collaboration avec un collègue n'augmente jamais les autorisations de quiconque au-delà de ce qu'il possède déjà. L'infrastructure qui assure l'organisation et la transparence de la collaboration humaine s'étend naturellement à l'IA, car les problèmes complexes de l'IA d'entreprise (contexte, contrôle d'accès, coordination, visibilité) étaient déjà des problèmes que nous avions résolus pour les personnes.

À quoi ressemble le contexte partagé en pratique ?

La plupart des outils d'IA limitent le champ d'action d'un agent à ce qu'un utilisateur individuel peut voir lorsqu'il l'invoque. Les AI Teammates fonctionnent différemment : ils se trouvent dans le même espace de travail que celui où se déroule le travail réel de l'équipe, aux côtés des projets, des tâches, des objectifs et des discussions qui définissent ce qu'une organisation cherche à accomplir.

Lorsqu'une tâche est attribuée à un collègue, il reçoit le contexte de cette tâche et de tout le travail qui y est immédiatement lié : le projet parent, les objectifs associés, les dépendances et les collaborateurs. Il peut également effectuer des recherches dans l'ensemble du Work Graph, en extrayant les tâches, projets, objectifs et personnes pertinents en fonction de ce qui est utile pour le travail en cours.

Cela signifie que plusieurs personnes interagissent avec le même collègue sur un travail partagé. Un chef de projet attribue une tâche. Un designer commente en indiquant les contraintes. Un ingénieur ajoute le contexte technique. Le collègue s'appuie sur tout cela, en

en accumulant des connaissances de travail qui couvrent les collaborateurs et les initiatives.

Comme le Work Graph reflète déjà la façon dont les équipes se coordonnent, le collègue peut raisonner sur le travail comme le ferait un collaborateur : qu'est-ce qui bloque le lancement, qui est responsable de la prochaine étape et qu'avons-nous convenu la semaine dernière ? Ce type de raisonnement n'est possible que lorsque l'IA opère au sein de la même structure que celle que l'équipe utilise déjà pour rester sur la même longueur d'onde.

Comment les AI Teammates respectent la confidentialité

Comme les utilisateurs humains, les AI Teammates sont soumis à des contrôles d'accès explicites dans l'ensemble du Work Graph. Certains projets et tâches sont visibles publiquement par tous (et par chaque AI Teammate) au sein de l'organisation. D'autres nécessitent des adhésions à des projets et à des portefeuilles explicitement accordées à des individus ou héritées par le biais d'équipes.

Seul un groupe spécifique de personnes (souvent une équipe Asana) est autorisé à déclencher une action de la part d'un collègue. Elles gèrent collectivement les connaissances, les conseils et l’accès au travail du collègue.

Les AI Teammates bénéficient d'une protection supplémentaire : l'accès effectif d'un collègue est toujours limité par les autorisations de la personne qui le déclenche. Cette disposition permet aux collègues de bénéficier d'un large accès au contenu, tout en minimisant le risque qu'une personne étende leur accès pour inclure des informations que l'AI Teammate a apprises dans un contexte distinct et privé.

Non-déterminisme plutôt que processus rigides

Différentes organisations structurent le même travail de manière complètement différente. Certaines suivent les dépendances via les relations entre les tâches, d'autres via les sous-tâches, d'autres encore via les sections de projet. Nous aurions pu concevoir un modèle d'exécution rigide qui fonctionne parfaitement pour un seul type de processus. Au lieu de cela, nous donnons au collègue le contexte sur la façon dont les relations se présentent dans un espace de travail donné, ainsi que la possibilité de rechercher et d'apprendre du travail déjà effectué, afin qu'il développe une expertise spécifique à l'organisation. Tout comme un nouveau membre de l'équipe, il apprend la façon de travailler de votre équipe plutôt que de vous obliger à adopter la nôtre.

Il est impossible de dessiner un organigramme unique de la manière dont l'IA traite une demande. C'est délibéré. Un système déterministe fonctionnerait bien pour la fraction des équipes qui correspondent à nos hypothèses et échouerait pour toutes les autres. Le non-déterminisme est ce qui permet au même agent de s'adapter à des modes d'organisation du travail radicalement différents. Et comme le Work Graph d'Asana enregistre déjà la façon dont chaque équipe structure sa collaboration, le collègue dispose d'une base riche et spécifique à l'organisation dont il peut tirer des enseignements dès le premier jour.

Mémoire simple avec de courtes boucles de rétroaction

Le système de mémoire de Teammate est, à la base, une liste de faits textuels liés aux objets auxquels ils se rapportent. Nous avons commencé par là plutôt que par une base de données vectorielle ou un graphe de connaissances, car nous voulions comprendre ce qu'une boucle de rétroaction étroite pouvait permettre d'accomplir avant d'investir dans une infrastructure plus lourde.

Nous avons constaté que la boucle fait la majeure partie du gros du travail. Le collègue opère dans un contexte partagé où les utilisateurs le corrigent naturellement, affinent ses instructions et interagissent avec ses résultats au cours de leur travail. Le fait de fournir un moyen quelconque pour que les faits appris réintègrent la fenêtre de contexte lors de tours ultérieurs permet toutes sortes d'intelligence émergente et de personnalisation. Nous nous sommes donc concentrés sur une mise en œuvre rapide et simple pour commencer.

L'architecture évoluera à mesure que le produit se développera, mais l'indicateur qui reste valable est qu'une bonne boucle de rétroaction compte au moins autant que la sophistication du stockage. Et comme la mémoire n'est aujourd'hui que du texte, elle est entièrement inspectable. Les utilisateurs peuvent voir chaque mémoire de leur collègue, directement sur son profil.

L'accès à la mémoire suit le même modèle d'autorisation que tout le reste sur Asana. Une mémoire n'est visible que par les personnes qui peuvent voir la tâche sur laquelle le collègue travaillait au moment de sa création. Lorsqu'une IA a accès à plusieurs projets avec différents niveaux d'accès, c'est la ligne qui empêche les informations de fuir au-delà des limites des autorisations.

Responsabilisation au niveau de l'action qui reflète les processus de l'équipe

Lorsqu'un collègue exécute une tâche, les utilisateurs voient un indicateur en temps réel de son travail et peuvent ouvrir les journaux d'actions de l'IA : une trace complète de chaque action, comme les tâches créées, les commentaires publiés, les recherches effectuées, les objets modifiés. Les résultats concrets sont visibles dans le Work Graph par toute personne ayant accès, y compris les personnes qui n'ont pas déclenché le collègue. Avant d'effectuer toute action sensible en matière de confidentialité, les collègues doivent obtenir l'approbation explicite de l'utilisateur, une contrainte stricte intégrée au système.

Ce modèle de responsabilisation étend la façon dont les équipes travaillent déjà sur Asana. Lorsqu'un collaborateur humain termine une tâche ou publie une mise à jour, l'équipe peut le voir. Les AI Teammates suivent le même schéma. Vous pouvez voir ce qu'ils ont fait. Vous pouvez leur demander pourquoi, et ils vous expliqueront en se basant sur le même contexte que celui qu'ils ont utilisé pour prendre la décision. Ils n'effectueront pas d'actions sensibles sans autorisation. Lorsqu'une erreur se produit, il y a un enregistrement clair. Dans un contexte où la plupart des organisations citent la transparence comme un obstacle à la mise en œuvre, nous pensons qu'une responsabilisation concrète (actions visibles, mémoire inspectable, étapes d'approbation) est plus utile que des promesses abstraites d'explicabilité. Étant donné que les AI Teammates opèrent dans des espaces d'équipe partagés, leur travail est visible par toute l'équipe, et pas seulement par la personne qui les a déclenchés. Il s'agit d'une auditabilité intégrée : tout le monde voit ce que l'IA a fait, pas seulement la personne qui a fait la demande.

Pourquoi ces propriétés sont indissociables

Un contexte partagé sans responsabilisation est un risque. Une IA qui accumule des connaissances à partir du travail de plusieurs personnes, mais qui n'offre aucun moyen d'inspecter ce qu'elle sait ou la manière dont elle agit, perdra rapidement la confiance. Les gens cacheront le contexte à une IA qu'ils ne peuvent pas auditer, ce qui va à l'encontre de l'objectif d'une conception à l'échelle de l'équipe.

La responsabilisation sans contexte partagé résout un problème plus simple et moins intéressant. Si l'IA opère dans des fils de discussion isolés, l'auditabilité est simple. Le véritable défi consiste à rendre l'IA responsable lorsqu'elle opère sur un travail partagé et interfonctionnel qui concerne des personnes ayant différents niveaux d'accès et différents enjeux.

Le modèle d'accès les relie entre elles. Les années qu'Asana a passées à élaborer un modèle d'autorisation pour la collaboration humaine ont fourni la majeure partie des fondations. L'étendre à l'IA signifiait aller plus loin, en veillant à ce que l'accès de personne ne soit pas élargi en travaillant avec un collègue. Sans cette approche à plusieurs niveaux, l'IA à l'échelle de l'équipe serait vouée à l'échec pour la plupart des organisations.

Point sur la situation

Les équipes utilisent AI Teammates pour la gestion de projet, la documentation, la recherche et la coordination interfonctionnelle. Le schéma le plus courant que nous observons : l'IA rend la coordination gérable à une échelle où l'attention humaine est insuffisante. Un collègue affecté à un projet de lancement suit le travail de la définition des objectifs à l'exécution, en mettant en évidence ce qui nécessite une attention particulière sans que personne n'ait à rédiger manuellement une mise à jour de statut.

Les commentaires positifs que nous avons recueillis mettent systématiquement l’accent sur trois qualités. Les collègues sont assignables et collaboratifs, et ils travaillent à vos côtés sur des tâches partagées. Ils fonctionnent avec un accès vérifiable, ce qui vous permet de voir ce qu'ils ont fait, et ils vous demandent votre autorisation avant d'effectuer toute action sensible. Et ils développent des connaissances adaptatives, devenant plus utiles à chaque interaction à mesure que les boucles de rétroaction et la mémoire simple s'accumulent.

L'ensemble du secteur s'efforce de combler l'écart entre les capacités de démonstration de l'IA et les performances de production fiables. Les équipes qui tirent une réelle valeur des AI Teammates sont celles qui les traitent comme de nouveaux collaborateurs qui ont besoin de contexte, de commentaires et de limites claires pour être efficaces.

En interne, nous avons utilisé AI Teammates pour des tâches à caractère sensible, notamment la création de rapports d’avancement, le tri des bugs et le séquençage des lancements. Nous avons tiré parti du modèle de contrôle d’accès et des points de contrôle humains pour nous assurer que les humains et l’IA peuvent collaborer de manière sûre et productive, quelle que soit la tâche à accomplir.

Les agents qui perdureront ne seront pas ceux qui présentent les démos les plus impressionnantes. Ce seront ceux qui travailleront de la manière dont les équipes travaillent déjà : dans des espaces partagés, avec des actions visibles, en s'appuyant sur des modèles de collaboration auxquels les équipes font déjà confiance. Asana a passé des années à apprendre à rendre le travail d'équipe humain structuré, visible et responsable. Les AI Teammates sont l'évolution de ces principes à l'ère de l'IA collaborative.

Cet article a été rédigé par Cory Desautels, ingénieur logiciel. Cory Desautels est ingénieur au sein de l'équipe AI Teammates, où il travaille à la création et au développement du produit d'IA agentique collaborative d'Asana.