Comment les AI Teammates créent de la mémoire : transformer le travail en connaissances réutilisables

La plupart des produits d'IA traitent la mémoire comme une fonctionnalité personnelle : ils se souviennent de faits concernant un utilisateur ou une discussion. Mais une IA qui collabore entre les équipes a besoin d'un type de mémoire fondamentalement différent. Les systèmes d'IA deviennent plus utiles lorsqu'ils peuvent s'appuyer sur ce qu'ils ont appris auparavant. Mais dans les logiciels d'entreprise, la mémoire ne se limite pas au stockage d'un contexte plus étendu. Le problème le plus difficile est de rendre cette mémoire utile dans le travail commun tout en la gardant vérifiable, gouvernable et soumise à des autorisations.

C'est le défi que nous nous sommes fixés de relever avec les AI Teammates.

Les AI Teammates opèrent dans un environnement différent. Ils collaborent sur des tâches, des projets et des documents partagés. Ils reçoivent du feedback de plusieurs personnes. Ils travaillent sur plusieurs systèmes. Et ils doivent s'améliorer au fil du temps sans devenir une boîte noire remplie de contexte caché que personne ne peut auditer.

Cela crée un problème de conception différent. Un AI Teammate a besoin d'un moyen d'apprendre de l'exécution, de récupérer les connaissances pertinentes ultérieurement et d'expliquer comment ces connaissances ont influencé ses actions. Dans le même temps, il ne peut pas considérer toutes les informations antérieures comme réutilisables globalement. Ce dont il se souvient et ce qu'il peut utiliser doivent respecter les mêmes limites que celles qui régissent le travail sous-jacent.

Dans la pratique, cela signifie que la mémoire fait partie de notre architecture de collaboration de niveau entreprise. Elle relie l'apprentissage, la récupération, le contrôle d'accès et la transparence dans un seul système.

Du contexte ponctuel aux connaissances réutilisables

La version la plus simple d'un assistant IA repart de zéro à chaque fois. Vous lui donnez une instruction, vous joignez peut-être quelques fichiers, et il essaie de vous aider dans le cadre de cette interaction unique. Cela peut fonctionner pour des demandes isolées, mais cela échoue rapidement dans les processus d'équipe de longue durée.

Un collaborateur humain ne se contente pas de répondre au message actuel. Il se souvient du processus privilégié par l’équipe, des exemples qui définissent un bon résultat, des documents importants, du feedback reçu la semaine précédente et du contexte du projet qui détermine la manière dont le travail doit être effectué. Pour que les AI Teammates soient perçus comme de véritables collaborateurs, ils doivent pouvoir accumuler le même type de connaissances pratiques.

Pour nous, cela signifiait créer une couche de mémoire unifiée qui couvre l'ensemble du cycle de vie des connaissances :

• Comment les mémoires sont créées

• Comment elles sont récupérées lors des exécutions futures

• Comment elles sont liées au Work Graph : le modèle de données structurées d’Asana qui relie les tâches, les projets, les personnes et les objectifs au sein d’une organisation

• Comment les utilisateurs inspectent et contrôlent ce que le collègue a appris

Ce dernier point est plus important qu'il n'y paraît. Un système de mémoire puissant que personne ne peut inspecter ou corriger ne crée pas de confiance. Il crée un nouveau mode de défaillance.

Comment les AI Teammates créent de la mémoire

L'un des premiers choix de conception que nous avons faits a été d'identifier les bons moments pour qu'un collègue génère des mémoires.

Une catégorie de mémoire est déduite pendant ou après l'exécution. Lorsqu'un collègue travaille sur une tâche, il rencontre des instructions, lit des ressources, effectue des actions et reçoit des commentaires. Certaines de ces informations sont transitoires. Certaines sont durables et méritent d'être réutilisées. Par exemple, un utilisateur peut donner un commentaire tel que « Toujours mettre en copie le réviseur du modèle de données sur ces tâches ». Autre exemple : lorsqu'un collègue parcourt un projet, il peut apprendre des choses sur le but du projet (par exemple : Le projet X contient des ressources sur les bonnes pratiques de l’organisation en matière de campagnes marketing). Ce sont de bons candidats pour la mémoire durable.

Une autre catégorie de mémoire est la mémoire explicite. Les utilisateurs peuvent fournir des conseils directement plutôt que d'attendre que le système les déduise. Ceci est particulièrement important lorsque l'objectif n'est pas de tirer une leçon d'un travail antérieur, mais d'enseigner au collègue comment se comporter dans un contexte de travail plus large ou comment utiliser une ressource particulière.

Ce chemin explicite devient particulièrement efficace pour la mémoire liée aux ressources. Un utilisateur peut donner à un collègue l'accès à un document, puis expliquer le rôle que cette ressource doit jouer. S'agit-il d'un document de processus qui explique comment l'équipe communique ? Un document de référence contenant des connaissances du domaine ? Un modèle qui devrait façonner le travail futur ? La distinction est importante, car le même matériel source peut être utilisé de manière très différente selon l’intention de l’utilisateur.

Chaque fois qu'une mémoire est créée, nous créons des « associations de mémoire », qui sont essentiellement des références aux objets du Work Graph auxquels la mémoire se rapporte ou qui sont pertinents pour elle. Par exemple, il peut s'agir du projet que la mémoire décrit ou d'une ressource Google Doc qu'un utilisateur a importée. Comme nous le décrirons plus en détail dans cet article, ces associations sont essentielles à la façon dont nous récupérons les mémoires et assurons un contrôle d’accès approprié.

Comment les AI Teammates récupèrent les mémoires

Un système de mémoire n'est efficace que si son modèle de récupération est performant. Stocker des informations utiles ne suffit pas si les bonnes connaissances n'apparaissent pas au bon moment.

Pour les AI Teammates, la récupération fonctionne comme un système à deux voies.

La première voie est la récupération au début de l'exécution. Lorsqu'un collègue commence à travailler sur une tâche, il reçoit un ensemble de mémoires pertinentes avant de commencer à prendre des décisions. Il peut s'agir d'instructions épinglées qui doivent toujours s'appliquer, d'apprentissages antérieurs qui correspondent au travail actuel ou de connaissances de niveau supérieur qui semblent pertinentes sur la base d'une recherche ou d'une similitude sémantique.

La deuxième voie est la récupération contextuelle pendant l'exécution. Lorsqu'un collègue lit une tâche, un projet ou un autre objet en particulier, il reçoit également des mémoires associées à cet objet. Cela est important, car certaines connaissances ne sont généralement pas pertinentes dans l'absolu. Elles deviennent pertinentes parce que le collègue examine maintenant une partie particulière du Work Graph.

Cette combinaison confère au système un équilibre utile. Le collègue peut commencer par un large ensemble de connaissances susceptibles d'être pertinentes, puis obtenir un contexte plus précis au fur et à mesure qu'il se plonge dans le travail.

Rendre la mémoire opérationnelle

L'un des choix de conception les plus importants a été de représenter la mémoire comme quelque chose d'opérationnel plutôt que de mystique. Dans notre modèle de données, la mémoire est un objet concret avec du contenu, des métadonnées et des associations.

Une association de mémoire capture un objet Work Graph auquel la mémoire se rapporte ou qui est pertinent pour celle-ci. Cela nous permet de contextualiser explicitement une mémoire dans le Work Graph au sens large, plutôt que d'avoir des mémoires détachées du contexte qu'elles capturent. 

Le contrôle des accès façonne l'ensemble de la conception

Les systèmes de mémoire d'entreprise deviennent beaucoup plus complexes dès lors que plusieurs personnes, projets et autorisations sont impliqués.

Une IA d’assistant personnel peut souvent traiter la mémoire comme une simple extension de l’historique d’un utilisateur. Cependant, un collègue qui travaille sur des éléments de travail partagés et qui peut être déclenché par plusieurs personnes ne peut pas le faire en toute sécurité. Toute mémoire créée par le système est dérivée d'un travail sous-jacent réel : tâches, commentaires, documents, projets et exécutions antérieures. Si la mémoire était autorisée à flotter librement en dehors de ces sources, elle pourrait devenir un canal de fuite d'informations au-delà des limites des autorisations.

C'est pourquoi la mémoire des AI Teammates doit hériter de la même logique de contrôle d'accès que le travail dont elle est issue.

Chaque récupération de mémoire est limitée à la personne qui a déclenché l'exécution. Le collègue ne peut accéder à une mémoire que si cette personne a une visibilité sur le travail qui l'a produite : les tâches, les commentaires, les documents ou les projets concernés. Même règle pour les associations : si une mémoire fait référence à un objet Asana comme une tâche ou un projet, elle n'apparaît que lorsque l'utilisateur déclencheur peut également voir cet objet. En d'autres termes, un AI Teammate ne voit jamais rien que la personne qui l'a déclenché ne pourrait pas déjà voir.

La transparence boucle la boucle

Le dernier élément est la visibilité. Si un collègue utilise la mémoire pour guider une action, les utilisateurs doivent avoir un moyen de comprendre cette influence.

Cela commence par la mémoire inspectable elle-même. Les utilisateurs doivent pouvoir consulter les mémoires d'un collègue et supprimer celles qui peuvent être inexactes ou obsolètes. De plus, lorsqu'un collègue exécute une action, le système peut montrer quelles mémoires ont été transmises au contexte d'exécution et lesquelles ont été créées au cours de l'exécution.

Au lieu de demander « pourquoi l'IA a-t-elle fait cela ? » de manière abstraite, un utilisateur peut retracer le comportement jusqu'à une instruction apprise spécifique, une mémoire de ressource ou un objet de contexte associé. La correction devient concrète : modifier la mémoire, la supprimer, actualiser la source ou ajouter de meilleures instructions.

Par exemple, si un collègue met en forme un rapport différemment de ce qui était attendu, un utilisateur peut vérifier ses mémoires pour voir qu'il a appris une préférence de mise en forme à partir des commentaires d'un autre membre de l'équipe la semaine précédente, et mettre à jour ou supprimer cette mémoire pour modifier le comportement.

C'est pourquoi la mémoire et la transparence doivent être conçues de pair. Un collègue qui apprend au fil du temps est plus performant. Il est plus difficile de faire confiance à un collègue qui apprend de manière invisible.

Pourquoi c'est important

Dans notre article précédent, nous avons exploré la manière dont les AI Teammates fonctionnent de manière transparente dans les espaces d'équipe partagés. La mémoire est la couche qui rend cette collaboration plus efficace : le système apprend du travail partagé, récupère ces connaissances au moment opportun et le fait dans les mêmes limites de confiance qui régissent le travail lui-même. 

La leçon plus profonde est que l'IA à l'échelle de l'équipe a besoin de plus qu'une plus grande fenêtre de contexte. Elle a besoin d'un modèle pour transformer la collaboration en connaissances durables, réutilisables et gouvernables.

Dans le prochain article, nous verrons comment nous évaluons et sélectionnons les modèles de langage qui alimentent ce raisonnement.

Cet article a été rédigé par Anant Tibrewal, 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.