AI Agent yang Dibuat untuk Tim: Konteks Bersama dan Transparansi dalam AI Enterprise

Kesenjangan Akuntabilitas

Agen AI Enterprise adalah sistem AI yang dapat mengambil tindakan di dalam Alur Kerja bersama di seluruh tim dan proyek. Lanskap ini telah berkembang pesat karena sejumlah platform yang terus bertambah telah meluncurkan versi bantuan AI mereka sendiri yang menyentuh konten tim bersama.

Sebagian besar organisasi masih tidak dapat melampaui tahap uji coba. Laporan 2026 State of Agentic Orchestration & Automation dari Camunda menemukan bahwa hanya 11% kasus penggunaan AI agentik yang telah mencapai tahap produksi, dengan 73% organisasi melaporkan adanya kesenjangan antara ambisi AI mereka dan kenyataan. Studi Dynatrace yang terpisah menemukan bahwa setengah dari semua proyek AI terjebak pada tahap konsep atau percontohan. Hambatan utama dalam keduanya: kepercayaan.

Model-modelnya sangat mumpuni, tetapi kemacetan terletak pada akuntabilitas. Ketika agen AI bertindak pada pekerjaan bersama yang memengaruhi banyak orang, semua orang yang terlibat perlu mengetahui apa yang dilakukannya, mengapa, dan dalam batas apa. Sebagian besar alat AI saat ini tidak menjawab pertanyaan-pertanyaan ini karena alat tersebut tidak memudahkan untuk melihat apa yang dilakukan AI atau alasannya. Tindakan terjadi dalam utas pribadi atau di balik antarmuka tempat keterlibatan AI tidak terlihat. Ketika terjadi kesalahan (dan dengan sistem probabilistik, kesalahan akan terjadi), tidak ada jejak yang dapat diikuti.

Kami membangun AI Teammates berdasarkan premis yang berasal langsung dari sejarah kami. Selama lebih dari satu dekade, Asana telah mengembangkan Grafik Kerja: representasi terstruktur tentang siapa yang melakukan apa, sebelum kapan, menuju gol apa, dan berkoordinasi dengan siapa. Prinsip-prinsip di baliknya (visibilitas bersama, kepemilikan yang jelas, akses berdasarkan izin, komunikasi terstruktur) dirancang untuk membuat kolaborasi manusia menjadi efektif. Prinsip-prinsip yang sama ternyata persis seperti yang diperlukan untuk membuat kolaborasi AI dapat dipercaya.

Membangun berdasarkan hal yang sudah berhasil

Sebagian besar produk agen AI dimulai dari model dan kemudian dikembangkan: ini yang dapat dilakukan AI, sekarang mari kita cari tahu cara mencocokkannya dengan Alur Kerja Anda. Kami memulai dari arah yang berlawanan. Asana sudah memiliki pendapat yang kuat, yang dibangun ke dalam produk selama bertahun-tahun iterasi, tentang cara mencapai struktur, akuntabilitas, dan kolaborasi yang mudah pada pekerjaan bersama.

Grafik kerja menyimpan semua ini. Setiap tugas, proyek, gol, dan percakapan ada dalam jaringan relasi: siapa yang bertanggung jawab, siapa yang berkolaborasi, apa yang didukungnya, apa yang bergantung padanya. Saat tim menggunakan Asana, mereka terus membangun dan menyempurnakan gambaran terstruktur dari pekerjaan mereka ini.

Ketika kami mulai membangun agen AI, pertanyaannya menjadi: bagaimana jika AI beroperasi dalam struktur yang sama ini? Bagaimana jika, alih-alih menciptakan model konteks terpisah untuk AI, kita membiarkannya berpartisipasi dalam model kolaborasi yang telah kita bangun?

Ini adalah model konseptual inti kami di balik AI Teammates: jika memungkinkan, kemampuan mereka sesuai dengan kemampuan pengguna manusia dalam organisasi. Mereka diberi tugas. Mereka membaca dan menulis komentar. Mereka muncul di umpan aktivitas yang sama. Akses mereka ke konten dibatasi sehingga berkolaborasi dengan Rekan tim tidak pernah meningkatkan izin siapa pun melebihi izin yang sudah mereka miliki. Infrastruktur yang menjaga kolaborasi manusia tetap tertata dan transparan secara alami diperluas ke AI, karena masalah sulit AI perusahaan (konteks, kontrol akses, koordinasi, visibilitas) sudah menjadi masalah yang kami selesaikan untuk orang-orang.

Seperti apa praktik konteks bersama

Sebagian besar alat AI membatasi agen pada apa pun yang dapat dilihat pengguna tunggal saat mereka memanggilnya. AI Teammates bekerja secara berbeda: mereka berada di Ruang Kerja yang sama tempat pekerjaan aktual tim berlangsung, bersama proyek, tugas, gol, dan percakapan yang menentukan hal yang ingin dicapai organisasi.

Ketika Rekan tim diberi tugas, ia menerima konteks tentang tugas itu dan semua pekerjaan yang langsung terhubung dengannya: proyek induk, gol terkait, dependensi, dan kolaborator. Ia juga dapat mencari di seluruh Grafik Kerja yang lebih luas, menarik tugas, proyek, gol, dan orang yang relevan berdasarkan hal yang berguna untuk pekerjaan yang ada.

Ini berarti beberapa orang berinteraksi dengan Rekan tim yang sama pada pekerjaan bersama. Manajer proyek memberikan Tugas. Seorang desainer memberi komentar dengan batasan. Seorang teknisi menambahkan konteks teknis. Rekan tim mengembangkan semua itu, dengan

mengumpulkan pengetahuan kerja yang mencakup kolaborator dan inisiatif.

Karena Grafik Kerja sudah mencatat cara tim berkoordinasi, Rekan tim dapat berpikir tentang pekerjaan seperti yang dilakukan kolaborator: apa yang menghambat peluncuran, siapa yang bertanggung jawab atas langkah berikutnya, dan apa yang kita sepakati minggu lalu. Penalaran semacam itu hanya mungkin terjadi ketika AI beroperasi dalam struktur yang sama dengan yang sudah digunakan tim untuk tetap selaras.

Cara AI Teammates menjaga privasi

Seperti pengguna manusia, AI Teammates tunduk pada kontrol akses eksplisit di seluruh Grafik Kerja. Beberapa tugas dan proyek terlihat secara publik oleh semua orang (dan setiap AI Teammate) di organisasi. Tugas dan proyek lainnya memerlukan keanggotaan proyek dan portofolio yang secara eksplisit diberikan kepada individu atau diwariskan melalui tim.

Hanya sekelompok orang tertentu (sering kali tim Asana) yang diizinkan untuk memicu tindakan dari rekan tim. Mereka secara kolektif mengelola pengetahuan, panduan, dan akses Rekan tim ke pekerjaan.

AI Teammates mendapatkan perlindungan tambahan: akses efektif Rekan tim selalu dibatasi oleh izin orang yang memicunya. Fitur ini memungkinkan rekan tim untuk diberi akses luas ke konten, sekaligus meminimalkan risiko seseorang meningkatkan aksesnya untuk menyertakan informasi yang telah dipelajari AI Teammate dalam konteks pribadi yang terpisah.

Nondeterminisme dibandingkan alur kerja yang kaku

Organisasi yang berbeda menyusun pekerjaan yang sama dengan cara yang benar-benar berbeda. Beberapa melacak dependensi melalui relasi tugas, yang lain melalui subtugas, dan yang lain lagi melalui bagian proyek. Kami bisa saja membangun model eksekusi kaku yang berfungsi sempurna untuk satu gaya Alur Kerja. Sebaliknya, kami memberi Rekan tim konteks tentang bagaimana hubungan terlihat di Ruang Kerja tertentu, serta kemampuan untuk mencari dan belajar dari pekerjaan sebelumnya, sehingga ia membangun keahlian khusus organisasi. Seperti anggota tim yang baru dipekerjakan, Teammate mempelajari cara kerja tim Anda alih-alih memaksa Anda mengikuti cara kerja kami.

Anda tidak dapat menggambar satu diagram alir pun tentang cara AI memproses permintaan. Itu disengaja. Sistem deterministik akan berfungsi dengan baik untuk sebagian kecil tim yang sesuai dengan asumsi kami dan gagal untuk tim lainnya. Non-determinisme adalah hal yang memungkinkan agen yang sama untuk beradaptasi dengan cara menata pekerjaan yang sangat berbeda. Dan karena Grafik Kerja Asana sudah merekam cara setiap tim menyusun kolaborasinya, Rekan tim memiliki fondasi yang kaya dan spesifik untuk organisasi untuk dipelajari sejak hari pertama.

Memori sederhana dengan umpan balik yang ketat

Pada intinya, sistem memori Teammate adalah daftar fakta teks yang ditautkan ke objek yang relevan dengannya. Kami memulai dari sini, bukan dengan basis data vektor atau grafik pengetahuan, karena kami ingin memahami apa yang dapat dicapai oleh rangkaian umpan balik yang ketat sebelum berinvestasi dalam infrastruktur yang lebih berat.

Yang kami temukan adalah bahwa loop melakukan sebagian besar pekerjaan berat. Rekan tim beroperasi dalam konteks bersama di mana pengguna secara alami mengoreksinya, menyempurnakan instruksinya, dan berinteraksi dengan outputnya selama melakukan pekerjaan mereka. Menyediakan jalur apa pun bagi fakta yang dipelajari untuk masuk kembali ke jendela konteks pada kesempatan berikutnya memungkinkan segala macam kecerdasan dan penyesuaian yang muncul. Jadi, kami fokus pada implementasi yang cepat dan sederhana untuk memulai.

Arsitekturnya akan berkembang seiring dengan kematangan produk, tetapi wawasan yang terus bertahan adalah bahwa rangkaian umpan balik yang baik setidaknya sama pentingnya dengan kecanggihan penyimpanan. Dan karena memori saat ini hanyalah teks, memori tersebut sepenuhnya dapat diperiksa. Pengguna dapat melihat setiap memori yang dimiliki Rekan tim mereka, langsung di profilnya.

Akses memori mengikuti model izin yang sama dengan semua hal lainnya di Asana. Memori hanya terlihat oleh orang yang dapat melihat Tugas tempat Rekan tim bekerja saat memori dibuat. Ketika AI memiliki akses ke beberapa proyek dengan tingkat akses yang berbeda, ini adalah batasan yang mencegah informasi bocor melintasi batas izin.

Akuntabilitas tingkat tindakan yang mencerminkan Alur Kerja tim

Saat Rekan tim menjalankan pekerjaan, pengguna melihat indikator real-time dari pekerjaannya dan dapat membuka log tindakan AI – jejak lengkap setiap tindakan, seperti tugas yang dibuat, komentar yang diposting, pencarian yang dilakukan, objek yang dimodifikasi. Hasil konkret terlihat di Grafik Kerja oleh siapa pun yang memiliki akses, termasuk orang yang tidak memicu Rekan tim. Sebelum melakukan tindakan apa pun yang sensitif terhadap privasi, Rekan tim harus mendapatkan persetujuan eksplisit dari pengguna, yaitu batasan ketat yang terintegrasi ke dalam sistem.

Model akuntabilitas ini memperluas cara tim bekerja di Asana. Ketika kolaborator manusia menyelesaikan tugas atau memposting pembaruan, tim dapat melihatnya. AI Teammates mengikuti pola yang sama. Anda dapat melihat hal yang mereka lakukan. Anda dapat bertanya alasannya, dan mereka akan menjelaskan dari konteks yang sama yang mereka gunakan untuk mengambil keputusan. Mereka tidak akan mengambil tindakan sensitif tanpa izin. Ketika terjadi kesalahan, ada bukti proses yang jelas. Dalam lanskap tempat sebagian besar organisasi menyebut transparansi sebagai hambatan penyebaran, kami menganggap akuntabilitas konkret (tindakan yang terlihat, memori yang dapat diperiksa, gerbang persetujuan) lebih berharga daripada janji abstrak tentang kemampuan menjelaskan. Karena AI Teammates beroperasi di ruang tim bersama, pekerjaan mereka dapat dilihat oleh seluruh tim — bukan hanya orang yang memicunya. Ini adalah auditabilitas bawaan: semua orang melihat apa yang dilakukan AI, bukan hanya orang yang memintanya.

Mengapa properti ini tidak dapat dipisahkan

Konteks bersama tanpa akuntabilitas adalah risiko. AI yang mengumpulkan pengetahuan dari pekerjaan beberapa orang tetapi tidak menawarkan cara untuk memeriksa apa yang diketahuinya atau cara kerjanya akan dengan cepat kehilangan kepercayaan. Orang akan menahan konteks dari AI yang tidak dapat mereka audit, yang bertentangan dengan tujuan desain yang berfokus pada tim.

Akuntabilitas tanpa konteks bersama memecahkan masalah yang lebih sederhana dan kurang menarik. Jika AI beroperasi dalam utas yang terisolasi, auditabilitasnya mudah dilakukan. Tantangan sebenarnya adalah membuat AI bertanggung jawab ketika beroperasi pada pekerjaan bersama dan lintas fungsi yang memengaruhi orang-orang dengan level akses yang berbeda dan kepentingan yang berbeda.

Model akses menyatukan mereka. Tahun-tahun yang dihabiskan Asana untuk membangun model izin untuk kolaborasi manusia menyediakan sebagian besar fondasi. Memperluasnya ke AI berarti melangkah lebih jauh, memastikan bahwa akses siapa pun tidak ditingkatkan dengan bekerja bersama Rekan tim. Tanpa pendekatan berlapis itu, AI yang berlingkup tim akan menjadi gagal total bagi sebagian besar organisasi.

Posisi kami saat ini

Tim menggunakan AI Teammates untuk manajemen proyek, dokumentasi, penelitian, dan koordinasi lintas fungsi. Pola paling umum yang kami lihat: AI membuat koordinasi dapat dikelola pada skala yang melampaui perhatian manusia. Rekan tim yang ditugaskan untuk proyek peluncuran mengikuti pekerjaan mulai dari penetapan gol hingga pelaksanaan, menyoroti hal yang memerlukan perhatian tanpa ada yang secara manual menyusun pembaruan status.

Secara konsisten, umpan balik positif yang kami kumpulkan menekankan tiga kualitas. Rekan tim dapat ditugaskan dan kolaboratif, bekerja bersama Anda dalam tugas bersama. Mereka beroperasi dengan akses yang dapat diaudit, jadi Anda melihat hal yang mereka lakukan dan mereka bertanya sebelum melakukan hal yang sensitif. Dan mereka membangun pengetahuan adaptif, menjadi lebih berguna melalui setiap interaksi seiring bertambahnya rangkaian umpan balik dan memori sederhana.

Seluruh industri sedang berupaya mengatasi kesenjangan antara kemampuan demo AI dan kinerja produksi yang andal. Tim yang menemukan nilai nyata dengan AI Teammates adalah tim yang memperlakukan AI Teammates seperti karyawan baru yang membutuhkan konteks, umpan balik, dan batasan yang jelas agar efektif.

Secara internal, kami telah menggunakan AI Teammates untuk pekerjaan sensitif, termasuk membuat laporan status, memilah bug, dan mengatur urutan peluncuran. Kami telah memanfaatkan model kontrol akses dan checkpoint manusia untuk memberi kami keyakinan bahwa manusia dan AI dapat berkolaborasi dengan aman dan produktif, terlepas dari tugas yang ada.

Agen yang bertahan bukanlah yang memiliki demo paling mengesankan. Mereka akan menjadi agen yang bekerja dengan cara kerja tim saat ini: di ruang bersama, dengan tindakan yang terlihat, membangun pola kolaborasi yang sudah dipercaya tim. Asana menghabiskan waktu bertahun-tahun mempelajari cara membuat kerja tim manusia terstruktur, terlihat, dan akuntabel. AI Teammates adalah evolusi dari prinsip-prinsip tersebut di era AI kolaboratif.

Artikel ini ditulis oleh Cory Desautels, Insinyur Perangkat Lunak. Cory Desautels adalah insinyur di tim AI Teammates, tempat ia berupaya membangun dan menskalakan produk AI agen kolaboratif Asana.