Od prezentacji do codziennego użytku: 5 lekcji dotyczących wdrożenia przepływów pracy z udziałem AI Teammate do środowiska produkcyjnego

Frances Ward is Asana's Head of Global CommunicationsFrances Ward
18 listopada 2026
3 min czytania
facebookx-twitterlinkedin

W skrócie: jak wdrożyć AI Teammate od fazy pilotażowej do środowiska produkcyjnego w dowolnej firmie

Przejście od wersji demonstracyjnej agenta AI do jego codziennego użytkowania ma mniej wspólnego z modelem, a więcej z nietypowymi przypadkami, brakującymi danymi i zaufaniem. Alberto Arrighi kieruje zespołem ds. sukcesu klienta w StackAI, obecnie należącym do Asany, a Max Poff jest jednym z jej inżynierów pracujących na pierwszej linii, którzy dzielą swój czas między pisanie kodu a wdrażanie agentów w bankach, firmach private equity, agencjach i u podwykonawców z sektora obronnego. W niedawnym wywiadzie na kanale MTS podzielili się pięcioma praktykami, które pozwalają przenieść agenta ze stadium prototypu do etapu produkcyjnego: zacznij od monotonnego przepływu pracy o wysokim stopniu ryzyka, traktuj testy użytkowników jako rzeczywistą wersję, połącz dane, na których polega cały zespół, wbuduj pętlę uczenia się i projektuj z myślą o bezpieczeństwie już od pierwszego dnia.

Co jest najtrudniejsze we wdrażaniu agentów AI do środowiska produkcyjnego?

Najtrudniejszy jest etap między działającym demem a momentem, w którym użytkownicy zaczynają ufać agentowi w codziennej pracy. „Najtrudniejszą częścią jest radzenie sobie z nietypowymi przypadkami, które pojawiają się między prezentacją a momentem, w którym użytkownicy naprawdę zaczynają ufać agentowi w codziennej pracy” – powiedział Max.

Wersje demonstracyjne działają na podstawie uporządkowanych danych wejściowych i założeń jednej osoby. Środowisko produkcyjne to bałagan w dokumentach, brakujące uprawnienia i współpracownicy, którzy pracują inaczej niż osoba, która była sponsorem projektu.

1. Zacznij od żmudnego przepływu pracy o wysokim stopniu ryzyka

Najlepsze pierwsze agenty podejmują się zadań, które są niezbędne, ale czasochłonne. Max opisał zespół ds. ryzyka i zgodności w dużym europejskim banku. Za każdym razem, gdy pojawiała się propozycja zmiany biznesowej, menedżerowie ds. ryzyka porównywali ją z obszernym rejestrem ryzyka, aby zidentyfikować nowe zagrożenia, a następnie z rejestrem środków kontroli, aby przypisać działania ograniczające ryzyko.

Obecnie zespół publikuje propozycję w niestandardowym bocie Slacka. Przepływ pracy z aplikacji StackAI zwraca sformatowany skoroszyt programu Excel zawierający pełną ocenę ryzyka, oznaczone zagrożenia i przypisane środki kontroli. „Zadanie, które kiedyś zajmowało całe popołudnie, teraz trwa około 10–15 minut” – powiedział Max.

Dwa czynniki sprawiły, że rozwiązanie to się przyjęło: agent spotkał się z ludźmi w narzędziu, z którego już korzystali, a wynik został dostarczony w formacie, w którym już pracowali.

2. Traktuj testy akceptacyjne użytkowników jako faktyczną fazę tworzenia

Testy akceptacyjne przez użytkowników (UAT) to moment, w którym wersja demonstracyjna staje się produktem. Max współpracował z zespołem asystentów kierownictwa w firmie private equity, aby zautomatyzować kodowanie wydatków w systemie SAP Concur. „Można bardzo szybko utworzyć wersję demonstracyjną do tego zadania” – powiedział. „Ale kiedy przedstawiliśmy ją testerom wersji beta, zaczęła się prawdziwa praca”.

StackAI przeprowadza ustrukturyzowaną fazę UAT przy każdym wdrożeniu, aby zidentyfikować przypadki, w których agent nie działa prawidłowo. Każda poprawka sprawia, że przepływ pracy staje się bardziej odporny na użytkowanie w warunkach rzeczywistych. Zaplanuj tę fazę w swoim harmonogramie; nie jest to oznaka opóźnienia projektu.

3. Połącz dane, na których polega cały zespół

Agent utworzony we współpracy z jednym interesariuszem widzi tylko świat tego interesariusza. Zespół Alberto zbudował agenta do planowania mediów dla jednej z największych agencji medialnych i marketingowych w Europie Północnej. Na podstawie briefu klienta agent ten zaleca kanały, przydział środków budżetowych i plan wdrożenia.

W ocenie głównego interesariusza wyglądał solidnie. Kiedy przetestował go szerszy zespół, jego członkowie wskazali krytyczne zestawy danych, do których agent nie miał dostępu. „Stworzenie wersji demonstracyjnej jest łatwe; dopiero gdy udostępnisz ją prawdziwym testerom, odkryjesz brakujące uprawnienia systemowe lub błędy w logice” – powiedział Alberto. Rozwiązaniem było połączenie większej liczby narzędzi i rozbicie silosów między nimi.

Odzwierciedla to szerszą zmianę. Rok temu większość przypadków użycia łączyła agenta z jedną bazą wiedzy. Obecnie są to systemy orkiestracji, które pobierają dane z wielu źródeł, reagują na zdarzenia i podejmują działania w różnych narzędziach.

4. Wbuduj pętlę uczenia się w każdy przepływ pracy

Agenci stają się bardziej użyteczni, gdy pamiętają to, czego się uczą. Agenci StackAI przechowują wspólne pliki pamięci dla wszystkich użytkowników w organizacji klienta. Gdy ludzie korzystają z agenta i przekazują informacje zwrotne, pamięć ta jest aktualizowana, a agent wczytuje ją podczas kolejnych uruchomień.

Alberto wskazał na drugą pętlę: zapisywanie wyników z powrotem w oryginalnej bazie wiedzy. „Ta ciągła pętla zapisywania informacji z powrotem jest ogromnym czynnikiem zwiększającym wartość naszych wdrożeń w organizacjach” – powiedział. Z biegiem czasu każde uruchomienie poszerza zasób wiedzy organizacji.

5. Projektowanie z myślą o bezpieczeństwie i zarządzaniu już od pierwszego dnia

W branżach podlegających regulacjom to, gdzie agent działa, jest równie ważne, jak to, co robi. Największe instytucje finansowe coraz częściej wymagają, aby agenci działali w ich prywatnej chmurze lub lokalnie, a nie we wspólnej infrastrukturze SaaS. StackAI obsługuje również podwykonawców z sektora obronnego działających w środowiskach odizolowanych od sieci.

„W przypadku sektora obronnego, bankowości i funduszy hedgingowych bezpieczeństwo perymetru danych nie podlega negocjacjom” – mówi Max. Zarządzanie, obserwowalność i bezpieczeństwo stają się niezbędne, gdy agenci mają dostęp do wrażliwych danych i podejmują działania o wyższym ryzyku.

Co agenci AI potrafią teraz, a czego nie potrafili jeszcze kilka lat temu?

Modele dobrze radzą sobie teraz z danymi ustrukturyzowanymi. „Kiedy zaczynałem, powszechną radą było: jeśli Twój przepływ pracy zależy od chaotycznego, skomplikowanego arkusza kalkulacyjnego w formacie Excel, sztuczna inteligencja prawdopodobnie nie jest właściwym rozwiązaniem” – powiedział Max. Obecnie wiele tworzonych przez niego agentów generuje złożone, sformatowane skoroszyty programu Excel.

Agenci mogą również działać w tle, utrzymując warstwę danych, podczas gdy ludzie po prostu zadają pytania. Max uważa, że stawia to pod presją statyczne pulpity nawigacyjne BI: „Pulpity nawigacyjne to statyczne migawki tego, co ktoś przewidział, że możesz chcieć zobaczyć”.

Gdzie w tym wszystkim mieści się Wykres pracy® Asany

Każda z powyższych praktyk sprowadza się do jednego: kontekstu, wiedzy organizacyjnej… zrozumienia, kto, co, na kiedy, jak i dlaczego musi wykonać. Agent przechodzi od fazy demonstracyjnej do codziennego użytku, gdy ma dostęp do danych, decyzji i informacji o osobach odpowiedzialnych za pracę. To właśnie znajduje się w Wykresie pracy® Asany. StackAI dodaje możliwość wykonywania zadań w różnych systemach, dzięki czemu agenci mogą podejmować działania w narzędziach, z których korzysta firma. W połączeniu z Asaną przepływ pracy nie musi rozpoczynać się w oknie czatu: przypisanie zadania w Asanie może spowodować, że agent StackAI wykona je od początku do końca, a osoby zaangażowane będą zatwierdzać i przekazywać sobie pracę na poszczególnych etapach. „Połączenie możliwości agentowych bezpośrednio z wykresami pracy w firmie otwiera zupełnie nowy poziom operacyjny” – mówi Alberto.

Rozpocznij

Chcesz przenieść własne przepływy pracy z udziałem agentów AI z etapu demonstracji do codziennego użytku? Dowiedz się, w jaki sposób StackAI od Asany pomaga przedsiębiorstwom tworzyć, testować i wdrażać agentów w systemach, na których opiera się ich działalność.

Dowiedz się więcej

Informacje o ekspertach

Alberto Arrighi kieruje zespołem ds. sukcesu klienta w StackAI, które obecnie jest częścią Asany. Jego zespół złożony ze specjalistów ds. strategii AI i inżynierów ds. wdrożeń współpracuje z klientami korporacyjnymi, aby znaleźć przepływy pracy o najwyższej wartości dla agentów i przekształcić je w specyfikacje oraz wymagania dotyczące wdrożeń produkcyjnych. Rozpoczął pracę w StackAI jako strateg ds. sztucznej inteligencji. 

Max Poff jest inżynierem ds. wdrożeń w firmie StackAI, która obecnie jest częścią Asany. Dzieli swój czas między pisanie kodu a wdrażanie agentów u klientów korporacyjnych, w tym w zespołach ds. ryzyka i zgodności w sektorze bankowym oraz w zespołach operacyjnych w sektorze private equity, a także wykorzystuje zdobytą wiedzę do ulepszania produktu.

Powiązane artykuły

W jaki sposób Asana wykorzystała Astra, Codex i Command, aby obniżyć koszty związane z agentem przeglądarki
inżynieria

Jak 76-krotnie obniżyliśmy koszty związane z agentem przeglądarki i sprawiliśmy, że działa on 5 razy szybciej, pozostawiając jego pamięć podręczną nienaruszoną