AI Teammates stworzeni dla zespołów: wspólny kontekst i przejrzystość w sztucznej inteligencji klasy Enterprise

Luka w odpowiedzialności

Agenty AI dla przedsiębiorstw to systemy AI, które mogą wykonywać działania w ramach wspólnych przepływów pracy między zespołami i projektami. Ta dziedzina szybko się rozwinęła, ponieważ coraz więcej platform wprowadziło własne wersje wsparcia sztucznej inteligencji, które mają wpływ na wspólną treść zespołu.

Większość organizacji nadal nie jest w stanie wyjść poza projekty pilotażowe. Raport Camunda „2026 State of Agentic Orchestration & Automation” wykazał, że tylko 11% przypadków zastosowania agentycznej AI przeszło do produkcji, a 73% organizacji zgłosiło rozbieżność między swoimi ambicjami w zakresie AI a rzeczywistością. Odrębne badanie Dynatrace wykazało, że połowa wszystkich projektów AI utknęła na etapie koncepcji lub pilotażu. Główną przeszkodą w obu przypadkach jest zaufanie.

Modele są niezwykle wydajne, ale wąskim gardłem jest odpowiedzialność. Gdy agent AI wykonuje działania w ramach wspólnej pracy, która dotyczy wielu osób, każdy zaangażowany musi wiedzieć, co zrobił, dlaczego i w jakich granicach. Większość dzisiejszych narzędzi AI nie odpowiada na te pytania, ponieważ nie ułatwia sprawdzenia, co AI zrobiła i dlaczego. Działania odbywają się w prywatnych wątkach lub za interfejsami, gdzie zaangażowanie AI jest niewidoczne. Kiedy coś pójdzie nie tak (a w przypadku systemów probabilistycznych tak się stanie), nie ma śladu, który można by prześledzić.

Stworzyliśmy AI Teammates w oparciu o założenie, które wynika bezpośrednio z naszej historii. Od ponad dekady Asana rozwija wykres pracy: ustrukturyzowaną reprezentację tego, kto, co i na kiedy musi wykonać, w jakim celu i w koordynacji z kim. Zasady, na których się opiera (wspólna widoczność, jasna odpowiedzialność, dostęp oparty na uprawnieniach, ustrukturyzowana komunikacja), zostały zaprojektowane z myślą o zapewnieniu efektywnej współpracy między ludźmi. Okazało się, że te same zasady są dokładnie tym, czego potrzeba, aby współpraca ze sztuczną inteligencją była godna zaufania.

Budowanie na tym, co już się sprawdziło

Większość produktów opartych na agentach AI zaczyna się od modelu i rozwija się na zewnątrz: oto, co AI może zrobić, a teraz zastanówmy się, jak to wpisuje się w Twój przepływ pracy. My zaczęliśmy od przeciwnego kierunku. Asana miała już silne przekonania, wbudowane w produkt przez lata iteracji, na temat tego, jak osiągnąć struktur, odpowiedzialności i bezproblemowej współpracy nad wspólną pracą.

Wykres pracy to wszystko zawiera. Każde zadanie, projekt, cel i konwersacja istnieją w sieci relacji: kto jest za nie odpowiedzialny, kto współpracuje, do czego się przyczyniają, co jest od nich zależne. Kiedy zespoły korzystają z Asany, nieustannie budują i udoskonalają ten ustrukturyzowany obraz swojej pracy.

Kiedy zaczęliśmy tworzyć AI Teammates, pojawiło się pytanie: co by było, gdyby sztuczna inteligencja działała w ramach tej samej struktury? Co by było, gdybyśmy zamiast tworzyć osobny model kontekstowy dla AI, pozwolili jej uczestniczyć w modelu współpracy, który już zbudowaliśmy?

To jest nasz podstawowy model koncepcyjny, na którym opierają się AI teammates: tam, gdzie to możliwe, ich możliwości odpowiadają możliwościom ludzkiego użytkownika w organizacji. Przypisuje się im zadania. Czytają i piszą komentarze. Pojawiają się w tych samych kanałach aktywności. Ich dostęp do treści jest ograniczony w taki sposób, że współpraca z członkiem zespołu nigdy nie rozszerza uprawnień nikogo poza te, które już posiada. Infrastruktura, która zapewnia zorganizowaną i przejrzystą współpracę między ludźmi, w naturalny sposób obejmuje również sztuczną inteligencję, ponieważ trudne problemy związane z korporacyjną sztuczną inteligencją (kontekst, kontrola dostępu, koordynacja, widoczność) były już problemami, które rozwiązywaliśmy dla ludzi.

Jak wygląda wspólny kontekst w praktyce

Większość narzędzi AI ogranicza agenta do tego, co widzi pojedynczy użytkownik, gdy go wywołuje. AI Teammates działają inaczej: znajdują się w tym samym obszarze roboczym, w którym odbywa się faktyczna praca zespołu, obok projektów, zadań, celów i konwersacji, które określają, co organizacja próbuje osiągnąć.

Gdy członkowi zespołu zostanie przypisane zadanie, otrzyma on kontekst dotyczący tego zadania i całej pracy bezpośrednio z nim związanej: projektu nadrzędnego, powiązanych celów, zależności i współpracowników. Może również przeszukiwać szerszy wykres pracy, pobierając odpowiednie zadania, projekty, cele i osoby w oparciu o to, co jest przydatne do bieżącej pracy.

Oznacza to, że wiele osób wchodzi w interakcję z tym samym członkiem zespołu w ramach wspólnej pracy. Kierownik projektu przypisuje zadanie. Projektant dodaje komentarz z ograniczeniami. Inżynier dodaje kontekst techniczny. Członek zespołu opiera się na tym wszystkim,

gromadząc wiedzę roboczą obejmującą współpracowników i inicjatywy.

Ponieważ wykres pracy już pokazuje, w jaki sposób zespoły się koordynują, członek zespołu może analizować pracę tak, jak robi to współpracownik: co blokuje premierę, kto jest odpowiedzialny za kolejny krok i co uzgodniliśmy w zeszłym tygodniu. Tego rodzaju rozumowanie jest możliwe tylko wtedy, gdy sztuczna inteligencja działa w ramach tej samej struktury, której zespół już używa do utrzymywania zgodności.

Jak AI Teammates szanują prywatność

Podobnie jak ludzie, AI Teammates podlegają wyraźnej kontroli dostępu w całym wykresie pracy. Niektóre zadania i projekty są publicznie widoczne dla wszystkich (i każdego AI Teammate) w organizacji. Inne wymagają członkostwa w projekcie i portfolio, które jest wyraźnie przyznawane poszczególnym osobom lub dziedziczone za pośrednictwem zespołów.

Tylko określona grupa osób (często zespół w Asanie) może uruchamiać działanie członka zespołu. Osoby te wspólnie zarządzają wiedzą, wskazówkami i dostępem do pracy członka zespołu.

AI teammates mają dodatkowe zabezpieczenie: faktyczny dostęp członka zespołu jest zawsze ograniczony uprawnieniami osoby, która go uruchamia. To rozwiązanie pozwala na przyznanie członkom zespołu szerokiego dostępu do treści, przy jednoczesnym zminimalizowaniu ryzyka, że ktoś rozszerzy ich dostęp na informacje, które AI Teammate poznał w odrębnym, prywatnym kontekście.

Niedeterminizm zamiast sztywnych przepływów pracy

Różne organizacje organizują tę samą pracę w zupełnie różny sposób. Niektóre śledzą zależności poprzez relacje między zadaniami, inne poprzez podzadania, a jeszcze inne poprzez sekcje projektu. Mogliśmy zbudować sztywny model realizacji, który doskonale sprawdza się w przypadku jednego stylu przepływu pracy. Zamiast tego dajemy członkowi zespołu kontekst, jak wyglądają relacje w danym obszarze roboczym, a także możliwość przeszukiwania i uczenia się na podstawie wcześniejszej pracy, dzięki czemu zdobywa on wiedzę specyficzną dla organizacji. Podobnie jak nowo zatrudniony członek zespołu, uczy się sposobu pracy Twojego zespołu, zamiast zmuszać Cię do przestrzegania naszego.

Nie można narysować jednego schematu blokowego przedstawiającego, w jaki sposób sztuczna inteligencja przetwarza zlecenie. To jest celowe. System deterministyczny dobrze sprawdziłby się w przypadku niewielkiej części zespołów, które odpowiadają naszym założeniom, a dla wszystkich innych byłby nieudany. Niedeterminizm jest tym, co pozwala temu samemu agentowi dostosować się do radykalnie różnych sposobów organizacji pracy. A ponieważ wykres pracy Asany już rejestruje, w jaki sposób każdy zespół organizuje współpracę, Teammate ma bogatą, specyficzną dla organizacji podstawę, z której może czerpać wiedzę od pierwszego dnia.

Prosta pamięć z krótkim obiegiem informacji zwrotnych

System pamięci Teammate to w istocie lista faktów tekstowych powiązanych z obiektami, do których się odnoszą. Zaczęliśmy od tego, a nie od bazy danych wektorowych czy grafu wiedzy, ponieważ chcieliśmy zrozumieć, co można osiągnąć dzięki ścisłej pętli informacji zwrotnych, zanim zainwestujemy w bardziej rozbudowaną infrastrukturę.

Odkryliśmy, że pętla wykonuje większość ciężkiej pracy. Członek zespołu działa we współdzielonym kontekście, w którym użytkownicy w naturalny sposób go poprawiają, dopracowują jego instrukcje i wchodzą w interakcje z jego wynikami w trakcie wykonywania swojej pracy. Zapewnienie dowolnej ścieżki, dzięki której wyuczone fakty mogą ponownie pojawić się w oknie kontekstowym w przyszłych turach, umożliwia wszelkiego rodzaju rozwijającą się inteligencję i dostosowywanie. Dlatego na początek skupiliśmy się na szybkiej i prostej implementacji.

Architektura będzie ewoluować wraz z rozwojem produktu, ale stały wniosek jest taki, że dobra pętla informacji zwrotnych jest co najmniej tak samo ważna, jak zaawansowanie techniczne pamięci. A ponieważ pamięć jest dziś tylko tekstem, można ją w pełni sprawdzić. Użytkownicy mogą zobaczyć każdą pamięć, którą przechowuje ich członek zespołu, bezpośrednio na jego profilu.

Dostęp do pamięci opiera się na tym samym modelu uprawnień, co wszystko inne w Asanie. Pamięć jest widoczna tylko dla osób, które mogą wyświetlać zadanie, nad którym pracował członek zespołu w momencie jej utworzenia. Gdy AI ma dostęp do wielu projektów z różnymi poziomami dostępu, jest to linia, która zapobiega wyciekowi informacji poza granice uprawnień.

Odpowiedzialność na poziomie działania, która odzwierciedla przepływy pracy zespołu

Gdy członek zespołu wykonuje pracę, użytkownicy widzą wskaźnik jego pracy w czasie rzeczywistym i mogą otworzyć dzienniki działań AI – pełny ślad każdego działania, takiego jak utworzone zadania, opublikowane komentarze, przeprowadzone wyszukiwania, zmodyfikowane obiekty. Konkretne wyniki są widoczne na wykresie pracy dla każdego, kto ma dostęp, w tym dla osób, które nie uruchomiły członka zespołu. Przed wykonaniem jakiejkolwiek akcji wrażliwej pod względem prywatności członkowie zespołu muszą uzyskać wyraźne zatwierdzenie użytkownika – jest to twarde ograniczenie wbudowane w system.

Ten model odpowiedzialności rozszerza sposób, w jaki zespoły już pracują w Asanie. Gdy ludzki współpracownik ukończy zadanie lub opublikuje aktualizację, jest to widoczne dla zespołu. AI Teammates postępują według tego samego schematu. Możesz zobaczyć, co zrobili. Możesz ich zapytać, dlaczego, a oni wyjaśnią to w tym samym kontekście, w jakim podjęli decyzję. Nie podejmą wrażliwych działań bez pozwolenia. Jeżeli coś idzie nie tak, istnieje wyraźny zapis. W sytuacji, w której większość organizacji wymienia przejrzystość jako barierę we wdrożeniu, uważamy, że konkretna odpowiedzialność (widoczne działania, pamięć, którą można sprawdzić, bramki zatwierdzeń) jest bardziej wartościowa niż abstrakcyjne obietnice dotyczące możliwości wyjaśnienia. Ponieważ AI teammates działają we wspólnych przestrzeniach zespołu, ich praca jest widoczna dla całego zespołu – nie tylko dla osoby, która je uruchomiła. Jest to wbudowana możliwość audytu: każdy widzi, co zrobiła sztuczna inteligencja, a nie tylko osoba, która o to poprosiła.

Dlaczego te właściwości są nierozłączne

Wspólny kontekst bez odpowiedzialności to ryzyko. Sztuczna inteligencja, która gromadzi wiedzę na podstawie pracy wielu osób, ale nie oferuje możliwości sprawdzenia, co wie lub jak działa, szybko straci zaufanie. Ludzie będą ukrywać kontekst przed sztuczną inteligencją, której nie mogą kontrolować, co jest sprzeczne z celem projektowania na poziomie zespołu.

Odpowiedzialność bez wspólnego kontekstu rozwiązuje prostszy i mniej interesujący problem. Jeśli sztuczna inteligencja działa w odizolowanych wątkach, możliwo��ć audytu jest prosta. Prawdziwym wyzwaniem jest zapewnienie odpowiedzialności sztucznej inteligencji, gdy działa ona w ramach wspólnej, międzyfunkcyjnej pracy, która dotyczy osób o różnych poziomach dostępu i różnych interesach.

Model dostępu łączy je ze sobą. Lata, które Asana poświęciła na tworzenie modelu uprawnień do współpracy między ludźmi, zapewniły większość podstaw. Rozszerzenie go na sztuczną inteligencję oznaczało pójście o krok dalej i zapewnienie, że dostęp nikogo nie zostanie rozszerzony w wyniku współpracy z członkiem zespołu. Bez tego wielopoziomowego podejścia sztuczna inteligencja na poziomie zespołu nie miałaby szans w większości organizacji.

Gdzie jesteśmy

Zespoły korzystają z AI Teammates do zarządzania projektami, tworzenia dokumentacji, zbierania i analizowania danych oraz koordynacji międzyfunkcyjnej. Najczęściej obserwujemy następujący wzorzec: sztuczna inteligencja sprawia, że koordynacja staje się wykonalna na skalę, która przekracza możliwości ludzkiej uwagi. Członek zespołu przypisany do projektu wprowadzania produktu na rynek śledzi pracę od wyznaczenia celów do realizacji, wskazując, co wymaga uwagi, bez konieczności ręcznego przygotowywania aktualizacji statusu przez kogokolwiek.

Zebrane przez nas pozytywne opinie konsekwentnie podkreślają trzy cechy. Członków zespołu można przypisywać do zadań i współpracują oni z Tobą przy udostępnionych zadaniach. Działają one z dostępem podlegającym audytowi, więc możesz zobaczyć, co zrobiły, a one pytają, zanim wykonają jakąkolwiek wrażliwą czynność. Budują też wiedzę adaptacyjną, stając się bardziej przydatni z każdą interakcją, w miarę jak gromadzą się pętle informacji zwrotnych i prosta pamięć.

Cała branża stara się wypełnić lukę między możliwościami demonstracyjnymi sztucznej inteligencji a niezawodną wydajnością produkcyjną. Zespoły, które odnajdują prawdziwą wartość w AI Teammates, traktują ich jak nowych pracowników, którzy potrzebują kontekstu, informacji zwrotnych i jasnych granic, aby być efektywnymi.

Wewnętrznie korzystaliśmy z AI Teammates do zadań o poufnym charakterze, w tym do tworzenia raportów o statusie, sortowania błędów i ustalania kolejności premier. Wykorzystaliśmy model kontroli dostępu i ludzkie punkty kontrolne, aby mieć pewność, że ludzie i sztuczna inteligencja mogą współpracować bezpiecznie i produktywnie, niezależnie od zadania.

Agenci, którzy przetrwają, nie będą tymi z najbardziej imponującymi wersjami demonstracyjnymi. Będą to te, które działają tak, jak już działają zespoły: we wspólnych przestrzeniach, z widocznymi działaniami, opierając się na wzorcach współpracy, którym zespoły już ufają. Asana przez lata uczyła się, jak sprawić, by praca zespołowa ludzi była ustrukturyzowana, widoczna i oparta na odpowiedzialności. AI Teammates to ewolucja tych zasad w dobie sztucznej inteligencji nastawionej na współpracę.

Ten artykuł został napisany przez Cory'ego Desautelsa, inżyniera oprogramowania. Cory Desautels jest inżynierem w zespole AI Teammates, gdzie pracuje nad tworzeniem i skalowaniem opartego na agentach, opartym na współpracy produktu AI Asany.