AI-teamgenoten voor teams: gedeelde context en transparantie in Enterprise AI

Het Verantwoordelijkheidsgat

Enterprise AI-agents zijn AI-systemen die acties kunnen uitvoeren binnen gedeelde workflows tussen verschillende teams en projecten. Dit landschap is snel gegroeid naarmate een groeiende lijst van platforms hun eigen versies van AI-ondersteuning heeft uitgebracht die betrekking hebben op gedeelde teaminhoud.

De meeste organisaties komen nog steeds niet verder dan pilots. Uit het rapport '2026 State of Agentic Orchestration & Automation' van Camunda bleek dat slechts 11% van de use cases van agentische AI de productiefase heeft bereikt, waarbij 73% van de organisaties meldde dat er een kloof bestaat tussen hun AI-ambities en de realiteit. Uit een afzonderlijke Dynatrace-studie bleek dat de helft van alle AI-projecten vastzit in de concept- of pilotfase. De grootste barrière in beide gevallen: vertrouwen.

De modellen zijn opmerkelijk capabel, maar het knelpunt is verantwoordelijkheid. Wanneer een AI-agent handelt op gedeeld werk dat meerdere mensen raakt, moet iedereen die erbij betrokken is weten wat deze heeft gedaan, waarom en binnen welke grenzen. De meeste AI-tools van vandaag beantwoorden deze vragen niet, omdat ze het niet gemakkelijk maken om te zien wat de AI heeft gedaan of waarom. Acties vinden plaats in privégesprekken of achter interfaces waar de betrokkenheid van de AI onzichtbaar is. Wanneer er dingen verkeerd gaan (en met probabilistische systemen zullen er dingen verkeerd gaan), is er geen spoor te volgen.

We hebben AI-teamgenoten gebouwd op een uitgangspunt dat rechtstreeks uit onze geschiedenis kwam. Al meer dan tien jaar ontwikkelt Asana de Werkgrafiek: een gestructureerde weergave van wie wat doet, wanneer, voor welke doelen en in coördinatie met wie. De principes erachter (gedeelde zichtbaarheid, duidelijke verantwoordelijkheid, toegang op basis van toestemming, gestructureerde communicatie) zijn ontworpen om menselijke samenwerking effectief te maken. Diezelfde principes bleken precies te zijn wat nodig is om AI-samenwerking betrouwbaar te maken.

Voortbouwen op wat al werkte

De meeste AI-agentproducten beginnen bij het model en werken naar buiten toe: dit is wat de AI kan doen, laten we nu uitzoeken hoe het in je Workflow past. Wij zijn vanuit de tegenovergestelde richting begonnen. Asana had al sterke opvattingen, die in de loop van jaren van iteratie in het product waren ingebouwd, over hoe structuur, verantwoordelijkheid en moeiteloze samenwerking bij gedeeld werk kunnen worden bereikt.

De werkgrafiek codeert dit alles. Elke taak, elk project, elk doel en elk gesprek bestaat binnen een web van relaties: wie er verantwoordelijk voor is, wie eraan meewerkt, waaraan het bijdraagt, wat ervan afhangt. Wanneer teams Asana gebruiken, bouwen en verfijnen ze voortdurend dit gestructureerde beeld van hun werk.

Toen we begonnen met het bouwen van AI-teamgenoten, werd de vraag: wat als de AI binnen dezelfde structuur opereerde? Wat als we, in plaats van een apart contextmodel voor de AI te bedenken, haar laten deelnemen aan het samenwerkingsmodel dat we al hadden gebouwd?

Dit is ons kernconceptueel model achter AI-teamgenoten: waar mogelijk komen hun capaciteiten overeen met die van een menselijke gebruiker binnen een organisatie. Ze krijgen taken toegewezen. Ze lezen en schrijven reacties. Ze worden weergegeven in dezelfde Activiteitsfeeds. Hun toegang tot inhoud is zo afgebakend dat samenwerken met een Teamgenoot nooit iemands toestemmingen escaleert tot meer dan wat diegene al heeft. De infrastructuur die menselijke samenwerking georganiseerd en transparant houdt, breidt zich van nature uit naar AI, omdat de moeilijke problemen van zakelijke AI (context, toegangscontrole, coördinatie, zichtbaarheid) al problemen waren die we voor mensen hadden opgelost.

Hoe gedeelde context er in de praktijk uitziet

De meeste AI-tools beperken een agent tot wat een enkele gebruiker kan zien wanneer deze de agent aanroept. AI-teamgenoten werken anders: ze bevinden zich in dezelfde werkruimte waar het echte werk van het team plaatsvindt, naast de projecten, taken, doelen en gesprekken die bepalen wat een organisatie probeert te bereiken.

Wanneer een Teamgenoot een taak toegewezen krijgt, ontvangt deze context over die taak en al het werk dat er direct mee verbonden is: het bovenliggende project, gerelateerde doelen, afhankelijkheden en Medewerkers. Hij kan ook zoeken in de bredere Werkgrafiek en relevante taken, projecten, doelen en personen ophalen op basis van wat nuttig is voor het werk dat gedaan moet worden.

Dit betekent dat meerdere mensen met dezelfde Teamgenoot communiceren over gedeeld werk. Een projectmanager wijst een taak toe. Een ontwerper reageert met beperkingen. Een engineer voegt technische context toe. De Teamgenoot bouwt daarop voort en

en verzamelt daarbij praktische kennis die Medewerkers en initiatieven omvat.

Omdat de Werkgrafiek al vastlegt hoe teams coördineren, kan de Teamgenoot nadenken over het werk zoals een Medewerker dat doet: wat blokkeert de lancering, wie is eigenaar van de volgende stap en wat hebben we vorige week afgesproken. Dat soort redenering is alleen mogelijk wanneer de AI opereert binnen dezelfde structuur die het team al gebruikt om op één lijn te blijven.

Hoe AI-teamgenoten privacy respecteren

Net als menselijke gebruikers zijn AI-teamgenoten onderworpen aan expliciete toegangscontroles in de hele Werkgrafiek. Sommige taken en projecten zijn openbaar zichtbaar voor iedereen (en elke AI-teamgenoot) in de organisatie. Voor andere zijn project- en portfoliolidmaatschappen vereist die expliciet aan personen zijn verleend of via teams zijn overgenomen.

Alleen een specifieke groep mensen (vaak een Asana-team) mag actie van een Teamgenoot activeren. Zij beheren gezamenlijk de kennis, begeleiding en toegang tot het werk van de Teamgenoot.

AI-teamgenoten krijgen een extra beveiliging: de effectieve toegang van een Teamgenoot wordt altijd begrensd door de toestemmingen van de persoon die deze activeert. Door deze voorziening kunnen teamgenoten brede toegang krijgen tot inhoud, terwijl het risico wordt geminimaliseerd dat iemand hun toegang escaleert om informatie op te nemen die de AI-teamgenoot in een aparte, privécontext heeft geleerd.

Nondeterminisme boven rigide workflows

Verschillende organisaties structureren hetzelfde werk op totaal verschillende manieren. Sommigen houden afhankelijkheden bij via taakrelaties, anderen via subtaken, weer anderen via projectsecties. We hadden een rigide uitvoeringsmodel kunnen bouwen dat perfect werkt voor één Workflow-stijl. In plaats daarvan geven we de Teamgenoot context over hoe relaties eruitzien in een bepaalde Werkruimte, plus de mogelijkheid om te zoeken en te leren van werk uit het verleden, zodat het organisatiespecifieke expertise opbouwt. Net als een nieuw aangenomen teamlid leert het de manier van werken van je team in plaats van je te dwingen om op onze manier te werken.

Je kunt geen enkel stroomschema tekenen van hoe de AI een aanvraag verwerkt. Dat is opzettelijk. Een deterministisch systeem zou goed werken voor het deel van de teams dat overeenkomt met onze veronderstellingen en zou falen voor alle anderen. Niet-determinisme is wat dezelfde agent in staat stelt om zich aan te passen aan radicaal verschillende manieren om werk te organiseren. En omdat de Werkgrafiek van Asana al vastlegt hoe elk team zijn samenwerking structureert, heeft de Teamgenoot een rijke, organisatiespecifieke basis om vanaf de eerste dag van te leren.

Eenvoudig geheugen met strakke feedbacklussen

Het geheugensysteem van de Teamgenoot is in de kern een lijst met tekstfeiten die zijn gekoppeld aan de objecten waarvoor ze relevant zijn. We zijn hier begonnen in plaats van met een vectordatabase of kennisgrafiek, omdat we wilden begrijpen wat een strakke feedbacklus zou kunnen bereiken voordat we in een zwaardere infrastructuur zouden investeren.

Wat we ontdekten is dat de lus het meeste zware werk doet. De Teamgenoot opereert in een gedeelde context waarin gebruikers deze op een natuurlijke manier corrigeren, de instructies verfijnen en tijdens het uitvoeren van hun werk communiceren met de output. Door een pad te bieden voor geleerde feiten om het contextvenster bij toekomstige beurten opnieuw te openen, is er ruimte voor allerlei soorten opkomende intelligentie en aanpassing. Dus richtten we ons om te beginnen op een snelle en eenvoudige implementatie.

De architectuur zal evolueren naarmate het product zich verder ontwikkelt, maar het inzicht dat blijft gelden is dat een goede feedbacklus minstens zo belangrijk is als de verfijning van de opslag. En omdat het geheugen vandaag de dag alleen uit tekst bestaat, is het volledig inspecteerbaar. Gebruikers kunnen elk geheugen dat hun Teamgenoot heeft, direct op het profiel zien.

Geheugentoegang volgt hetzelfde permissiemodel als al het andere in Asana. Een herinnering is alleen zichtbaar voor mensen die de taak kunnen bekijken waaraan de Teamgenoot werkte toen deze werd gemaakt. Wanneer een AI toegang heeft tot meerdere projecten met verschillende toegangsniveaus, is dit de lijn die voorkomt dat informatie over toestemmingsgrenzen lekt.

Verantwoordelijkheid op actieniveau die teamworkflows weerspiegelt

Wanneer een Teamgenoot werk uitvoert, zien gebruikers een realtime indicator van het werk en kunnen ze AI-actielogboeken openen – een volledig overzicht van elke actie, zoals gemaakte taken, geplaatste reacties, uitgevoerde zoekopdrachten, gewijzigde objecten. De concrete resultaten zijn in de Werkgrafiek zichtbaar voor iedereen met toegang, inclusief mensen die de Teamgenoot niet hebben geactiveerd. Voordat Teamgenoten een privacygevoelige actie uitvoeren, moeten ze expliciete goedkeuring van de gebruiker krijgen, een harde beperking die in het systeem is ingebouwd.

Dit verantwoordelijkheidsmodel breidt uit hoe teams al werken in Asana. Wanneer een menselijke medewerker een taak voltooit of een update plaatst, is dit zichtbaar voor het team. AI-teamgenoten volgen hetzelfde patroon. Je kunt zien wat ze hebben gedaan. Je kunt ze vragen waarom, en ze zullen het uitleggen vanuit dezelfde context die ze gebruikten om de beslissing te nemen. Ze zullen geen gevoelige acties ondernemen zonder toestemming. Als er iets misgaat, is er een duidelijk verslag. In een landschap waar de meeste organisaties transparantie als een implementatiebelemmering noemen, vinden wij concrete verantwoordelijkheid (zichtbare acties, inspecteerbaar geheugen, goedkeuringspoorten) waardevoller dan abstracte beloften over verklaarbaarheid. Omdat AI-teamgenoten in gedeelde teamruimtes werken, is hun werk zichtbaar voor het hele team, niet alleen voor de persoon die ze heeft geactiveerd. Dit is ingebouwde controleerbaarheid: iedereen ziet wat de AI heeft gedaan, niet alleen de persoon die het heeft gevraagd.

Waarom deze eigenschappen onlosmakelijk met elkaar verbonden zijn

Gedeelde context zonder verantwoordelijkheid is een risico. Een AI die kennis verzamelt over het werk van meerdere mensen, maar geen manier biedt om te inspecteren wat het weet of hoe het handelt, zal snel het vertrouwen verliezen. Mensen zullen context achterhouden voor een AI die ze niet kunnen controleren, wat het doel van een ontwerp op teamniveau tenietdoet.

Verantwoordelijkheid zonder gedeelde context lost een eenvoudiger en minder interessant probleem op. Als de AI in geïsoleerde threads werkt, is controleerbaarheid eenvoudig. De echte uitdaging is om AI verantwoordelijk te maken wanneer het werkt aan gedeeld, cross-functional werk dat van invloed is op mensen met verschillende toegangsniveaus en verschillende belangen.

Het toegangsmodel verbindt ze met elkaar. De jaren die Asana heeft besteed aan het bouwen van een toestemmingsmodel voor menselijke samenwerking, vormden het grootste deel van de basis. Het uitbreiden naar AI betekende verder gaan, ervoor zorgen dat niemands toegang wordt geëscaleerd door samen te werken met een Teamgenoot. Zonder die gelaagde aanpak zou AI op teamniveau voor de meeste organisaties een non-starter zijn.

Waar we zijn

Teams gebruiken AI-teamgenoten voor projectbeheer, documentatie, onderzoek en cross-functional coördinatie. Het meest voorkomende patroon dat we zien: AI maakt coördinatie beheersbaar op een schaal waar menselijke aandacht faalt. Een Teamgenoot die is toegewezen aan een lanceerproject volgt het werk vanaf het stellen van doelen tot de uitvoering en brengt naar voren wat aandacht nodig heeft, zonder dat iemand handmatig een statusupdate samenstelt.

De positieve feedback die we hebben verzameld, benadrukt consequent drie kwaliteiten. Teamgenoten zijn toewijsbaar en samenwerkend en werken samen met jou aan gedeelde taken. Ze werken met controleerbare toegang, zodat je kunt zien wat ze hebben gedaan en ze vragen voordat ze iets gevoeligs doen. En ze bouwen adaptieve kennis op en worden nuttiger door elke interactie naarmate feedbacklussen en eenvoudig geheugen zich ophopen.

De hele sector werkt aan het overbruggen van de kloof tussen AI-demomogelijkheden en betrouwbare productieprestaties. De teams die echte waarde vinden in AI-teamgenoten, behandelen ze als een nieuwe medewerker die context, feedback en duidelijke grenzen nodig heeft om effectief te zijn.

Intern hebben we AI-teamgenoten gebruikt voor gevoelig werk, waaronder het maken van statusrapporten, het triëren van bugs en het plannen van de volgorde van lanceringen. We hebben het toegangscontrolemodel en menselijke controlepunten gebruikt om ons het vertrouwen te geven dat mensen en AI veilig en productief kunnen samenwerken, ongeacht de taak die voor ons ligt.

De agenten die het langst meegaan, zullen niet degenen zijn met de meest indrukwekkende demo's. Het zullen degenen zijn die werken zoals teams al werken: in gedeelde ruimtes, met zichtbare acties, voortbouwend op samenwerkingspatronen die teams al vertrouwen. Asana heeft jaren besteed aan het leren hoe menselijk teamwerk gestructureerd, zichtbaar en verantwoordelijk kan worden gemaakt. AI-teamgenoten zijn de evolutie van die principes in het tijdperk van collaboratieve AI.

Dit artikel is geschreven door Cory Desautels, Software Engineer. Cory Desautels is een engineer in het AI-teamgenoten-team, waar hij werkt aan het opbouwen en opschalen van het collaboratieve agentische AI-product van Asana.