Assistentes de IA projetados para equipes: contexto compartilhado e transparência na IA empresarial

O desequilíbrio da responsabilização

Os agentes de IA empresariais são sistemas de IA que podem realizar ações dentro de fluxos de trabalho compartilhados entre equipes e projetos. Esse cenário cresceu rapidamente à medida que uma lista crescente de plataformas lançou suas próprias versões de assistência de IA que afetam o conteúdo compartilhado da equipe.

A maioria das organizações ainda não consegue ir além dos pilotos. O relatório State of Agentic Orchestration & Automation de 2026 da Camunda constatou que apenas 11% dos casos de uso de IA agentiva chegaram à produção, com 73% das organizações relatando uma lacuna entre suas ambições de IA e a realidade. Um estudo separado da Dynatrace descobriu que metade de todos os projetos de IA ficou estagnada na fase de conceito ou piloto. A maior barreira em ambos os casos: a confiança.

Os modelos são notavelmente capazes, mas o gargalo é a responsabilização. Quando um agente de IA atua em um trabalho compartilhado que afeta várias pessoas, todos os envolvidos precisam saber o que ele fez, por quê e dentro de quais limites. A maioria das ferramentas de IA atuais não responde a essas perguntas, pois não facilita a visualização do que a IA fez ou porquê. As ações acontecem em conversas privadas ou por trás de interfaces onde o envolvimento da IA é invisível. Quando as coisas correm mal (e, com sistemas probabilísticos, as coisas correrão mal), não há rastro a seguir.

Criamos os Assistentes de IA com base em uma premissa que veio diretamente da nossa história. Há mais de uma década, a Asana desenvolve o Work Graph: uma representação estruturada de quem está fazendo o quê, para quando, em direção a quais metas e em coordenação com quem. Os princípios por trás dele (visibilidade compartilhada, responsabilidade clara, acesso baseado em permissões, comunicação estruturada) foram concebidos para tornar a colaboração humana eficaz. Esses mesmos princípios acabaram sendo exatamente o que é necessário para tornar a colaboração com a IA confiável.

Construir com base no que já funcionou

A maioria dos produtos de agentes de IA parte do modelo e avança a partir daí: veja o que a IA pode fazer e agora vamos descobrir como ela se encaixa no seu fluxo de trabalho. Começamos na direção oposta. A Asana já tinha opiniões fortes, incorporadas ao produto ao longo de anos de iteração, sobre como alcançar estrutura, responsabilidade e colaboração sem esforço no trabalho compartilhado.

O Work Graph codifica tudo isso. Cada tarefa, projeto, meta e conversa existe dentro de uma rede de relacionamentos: quem é o responsável, quem está colaborando, para o que contribui, o que depende disso. Quando as equipes usam a Asana, elas estão continuamente construindo e refinando essa imagem estruturada do seu trabalho.

Quando começamos a criar os Assistentes de IA, a pergunta passou a ser: e se a IA operasse dentro dessa mesma estrutura? E se, em vez de inventar um modelo de contexto separado para a IA, permitíssemos que ela participasse do modelo de colaboração que já havíamos construído?

Este é o nosso principal modelo conceitual por trás dos assistentes de IA: sempre que possível, as suas capacidades correspondem às de um usuário humano dentro de uma organização. Eles recebem tarefas atribuídas. Eles leem e escrevem comentários. Eles aparecem nos mesmos feeds de atividades. O acesso deles ao conteúdo é definido de modo que a colaboração com um colega de equipe nunca amplie as permissões de ninguém para além do que já têm. A infraestrutura que mantém a colaboração humana organizada e transparente se estende naturalmente à IA, porque os problemas complexos da IA corporativa (contexto, controle de acesso, coordenação, visibilidade) já eram problemas que estávamos resolvendo para as pessoas.

Como é o contexto compartilhado na prática

A maioria das ferramentas de IA limita o escopo de um agente ao que um único usuário pode ver quando o invoca. Os assistentes de IA funcionam de maneira diferente: eles estão no mesmo espaço de trabalho onde o trabalho real da equipe acontece, ao lado dos projetos, tarefas, metas e conversas que definem o que uma organização está tentando realizar.

Quando um colega de equipe recebe uma tarefa, ele recebe contexto sobre essa tarefa e todo o trabalho imediatamente vinculado a ela: o projeto principal, as metas relacionadas, as dependências e os colaboradores. Ele também pode pesquisar em todo o Work Graph, extraindo tarefas, projetos, metas e pessoas relevantes com base no que é útil para o trabalho em questão.

Isso significa que várias pessoas interagem com o mesmo colega de equipe em trabalhos compartilhados. Um gestor de projetos atribui uma tarefa. Um designer comenta com restrições. Um engenheiro adiciona contexto técnico. O colega de equipe se baseia em tudo isso, ac

acumulando conhecimento prático que abrange colaboradores e iniciativas.

Como o Work Graph já captura como as equipes se coordenam, o colega de equipe pode raciocinar sobre o trabalho da mesma forma que um colaborador: o que está bloqueando o lançamento, quem é o responsável pelo próximo passo e o que combinamos na semana passada. Esse tipo de raciocínio só é possível quando a IA opera dentro da mesma estrutura que a equipe já usa para manter o alinhamento.

Como os colegas de equipe de IA respeitam a privacidade

Assim como os usuários humanos, os assistentes de IA estão sujeitos a controles de acesso explícitos em todo o Work Graph. Alguns projetos e tarefas são visíveis publicamente para todos (e para todos os assistentes de IA) na organização. Outros exigem participações em projetos e portfólios explicitamente concedidas a indivíduos ou herdadas por meio de equipes.

Apenas um conjunto específico de pessoas (geralmente uma equipe da Asana) tem permissão para acionar uma ação de um colega de equipe. Elas gerenciam coletivamente o conhecimento, a orientação e o acesso ao trabalho do colega de equipe.

Os assistentes de IA recebem uma proteção adicional: o acesso efetivo de um colega de equipe é sempre limitado pelas permissões da pessoa que o aciona. Essa funcionalidade permite que os colegas de equipe tenham amplo acesso ao conteúdo, minimizando o risco de alguém ampliar o acesso deles para incluir informações que o assistente de IA tenha aprendido em um contexto separado e privado.

Não determinismo em vez de fluxos de trabalho rígidos

Diferentes organizações estruturam o mesmo trabalho de maneiras completamente diferentes. Algumas monitoram as dependências por meio de relacionamentos entre tarefas, outras por meio de subtarefas, outras por meio de seções de projeto. Poderíamos ter construído um modelo de execução rígido que funcionasse perfeitamente para um estilo de fluxo de trabalho. Em vez disso, fornecemos ao colega de equipe o contexto de como são as relações em um determinado espaço de trabalho, além da capacidade de pesquisar e aprender com o trabalho anterior, para que ele desenvolva conhecimentos específicos da organização. Assim como um membro de equipe recém-contratado, ele aprende a maneira de trabalhar da sua equipe, em vez de forçar você a adotar a nossa.

Não é possível elaborar um único fluxograma de como a IA processa uma solicitação. Isso é intencional. Um sistema determinístico funcionaria bem para a fração de equipes que corresponde às nossas premissas e falharia para todas as outras. O não determinismo é o que permite que o mesmo agente se adapte a maneiras radicalmente diferentes de organizar o trabalho. E, como o Work Graph da Asana já captura como cada equipe estrutura a sua colaboração, o colega de equipe tem uma base rica e específica da organização para aprender desde o primeiro dia.

Memória simples com ciclos de feedback curtos

O sistema de memória do Teammate é, em essência, uma lista de fatos em texto vinculados aos objetos para os quais são relevantes. Começamos por aqui, em vez de um banco de dados vetorial ou um grafo de conhecimento, porque queríamos entender o que um ciclo de feedback curto poderia alcançar antes de investir em uma infraestrutura mais pesada.

O que descobrimos é que o ciclo faz a maior parte do trabalho pesado. O colega de equipe opera em um contexto compartilhado, no qual os usuários naturalmente o corrigem, refinam as suas instruções e interagem com os seus resultados ao longo do trabalho. Fornecer qualquer caminho para que os fatos aprendidos voltem a entrar na janela de contexto em turnos futuros permite todos os tipos de inteligência emergente e personalização. Portanto, para começar, nos concentramos em uma implementação rápida e simples.

A arquitetura evoluirá à medida que o produto amadurecer, mas a percepção que se mantém é que um bom ciclo de feedback é pelo menos tão importante quanto a sofisticação do armazenamento. E, como a memória é apenas texto hoje, ela é totalmente inspecionável. Os usuários podem ver todas as memórias do seu colega de equipe diretamente no perfil dele.

O acesso à memória segue o mesmo modelo de permissão que todo o resto na Asana. Uma memória só é visível para pessoas que podem visualizar a tarefa em que o colega de equipe estava trabalhando quando ela foi criada. Quando uma IA tem acesso a vários projetos com diferentes níveis de acesso, esta é a linha que impede que as informações vazem para além dos limites de permissão.

Comprometimento no nível da ação que reflete os fluxos de trabalho da equipe

Quando um colega de equipe executa um trabalho, os usuários veem um indicador em tempo real do seu trabalho e podem abrir os registros de ações da IA — um rastreamento completo de cada ação, como tarefas criadas, comentários publicados, pesquisas realizadas e objetos modificados. Os resultados concretos são visíveis no Work Graph para qualquer pessoa com acesso, incluindo pessoas que não acionaram o colega de equipe. Antes de realizar qualquer ação sensível à privacidade, os colegas de equipe devem obter a aprovação explícita do usuário, uma restrição rígida incorporada ao sistema.

Este modelo de responsabilidade amplia a forma como as equipes já trabalham na Asana. Quando um colaborador humano conclui uma tarefa ou publica uma atualização, isso fica visível para a equipe. Os assistentes de IA seguem o mesmo padrão. Você pode ver o que eles fizeram. Você pode perguntar o motivo, e eles explicarão a partir do mesmo contexto que usaram para tomar a decisão. Eles não realizarão ações confidenciais sem permissão. Quando algo dá errado, há um registro claro. Em um cenário em que a maioria das organizações cita a transparência como uma barreira à implementação, acreditamos que a responsabilidade concreta (ações visíveis, memória inspecionável, etapas de aprovação) é mais valiosa do que promessas abstratas sobre a explicabilidade. Como os assistentes de IA operam em espaços compartilhados da equipe, o trabalho deles é visível para toda a equipe, não apenas para a pessoa que os acionou. Isso é auditabilidade integrada: todos veem o que a IA fez, não apenas a pessoa que solicitou.

Por que essas propriedades são inseparáveis

O contexto compartilhado sem responsabilização é um risco. Uma IA que acumula conhecimento a partir do trabalho de várias pessoas, mas não oferece nenhuma maneira de inspecionar o que sabe ou como age, perderá a confiança rapidamente. As pessoas ocultarão o contexto de uma IA que não podem auditar, o que anula o propósito do design com escopo de equipe.

A prestação de contas sem contexto compartilhado resolve um problema mais simples e menos interessante. Se a IA opera em tópicos isolados, a auditabilidade é simples. O verdadeiro desafio é tornar a IA responsável quando ela opera em trabalhos compartilhados e interdisciplinares que afetam pessoas com diferentes níveis de acesso e diferentes interesses.

O modelo de acesso as une. Os anos que a Asana passou desenvolvendo um modelo de permissão para a colaboração humana forneceram a maior parte da base. Estendê-lo à IA significou ir mais longe, garantindo que o acesso de ninguém seja ampliado ao trabalhar com um colega de equipe. Sem essa abordagem em camadas, a IA com escopo de equipe não seria viável para a maioria das organizações.

Situação atual

As equipes usam assistentes de IA para gestão de projetos, documentação, pesquisa e coordenação interdisciplinar. O padrão mais comum que observamos: a IA torna a coordenação administrável em uma escala em que a atenção humana falha. Um colega de equipe atribuído a um projeto de lançamento acompanha o trabalho desde a definição de metas até a execução, destacando o que precisa de atenção sem que ninguém tenha de compilar manualmente uma atualização de status.

O feedback positivo que coletamos enfatiza consistentemente três qualidades. Os colegas de equipe são atribuíveis e colaborativos, trabalhando ao seu lado em tarefas compartilhadas. Eles operam com acesso auditável, para que você veja o que eles fizeram e para que eles perguntem antes de fazer qualquer coisa sensível. E eles desenvolvem conhecimento adaptativo, tornando-se mais úteis a cada interação, à medida que os ciclos de feedback e a memória simples se acumulam.

Todo o setor está trabalhando para superar a lacuna entre as capacidades de demonstração da IA e o desempenho confiável na produção. As equipes que estão obtendo valor real com os assistentes de IA são as que os tratam como um novo contratado que precisa de contexto, feedback e limites claros para ser eficaz.

Internamente, usamos assistentes de IA para trabalhos confidenciais, incluindo a criação de relatórios de status, a triagem de bugs e o sequenciamento de lançamentos. Aproveitamos o modelo de controle de acesso e os pontos de verificação humanos para ter a confiança de que os humanos e a IA podem colaborar de forma segura e produtiva, independentemente da tarefa em questão.

Os agentes que perdurarão não serão os que tiverem as demonstrações mais impressionantes. Serão aqueles que trabalham da maneira como as equipes já trabalham: em espaços compartilhados, com ações visíveis, baseando-se em padrões de colaboração nos quais as equipes já confiam. A Asana passou anos aprendendo a tornar o trabalho em equipe humano estruturado, visível e responsável. Os assistentes de IA são a evolução desses princípios na era da IA colaborativa.

Este artigo foi escrito por Cory Desautels, engenheiro de software. Cory Desautels é engenheiro da equipe de assistentes de IA, onde trabalha para desenvolver e dimensionar o produto de IA colaborativa e agentiva da Asana.