Keynote: Välkommen till framtiden för team bestående av människor och agenter

God morgon och välkomna till Work Innovation Summit i New York.

Okej. Så varför är vi alla här? Vi är här för att lära oss. Vi har några fantastiska sessioner under resten av dagen. Vi finns här för att knyta kontakter. Om ni tittar till vänster, om ni tittar till höger, är ni omgivna av några av de mest inspirerande ledarna inom tech.

Och vi är också här för att bli inspirerade av framtiden, framtidens arbete och framtiden för agentiskt arbete.

Jag vill börja med att tacka vår medvärd för LTSC, som samarbetar med visionära företag som trivs på lång sikt.

Låt oss börja vår resa med våra liv hemma.

Och hemma ser vi en enorm produktivitetsökning tack vare arbetet med AI-assistenter. De hjälper oss att göra research. De hjälper oss att skapa. De hjälper oss att planera.

Men av någon anledning fungerar de helt enkelt inte när det gäller arbetet.

Och det ni ser är att den stora produktivitetsökning som ni har förväntat er i ert arbetsliv helt enkelt inte har uppnåtts ännu.

Så varför är det så?

Det finns fem anledningar till att arbetslivet skiljer sig från privatlivet.

Den första är den där lilla saken som kallas kunskap, vilket i princip innebär att det enda sammanhang du behöver tänka på hemma finns i ditt eget huvud och att du enkelt kan ta fram det.

Men på jobbet finns vägen till framgång för hur saker och ting har gjorts tidigare i andra människors huvuden. Det är därför som du, om du någonsin har haft en praktikant i ditt team, inser att det tar ett par veckor att introducera dem så att de vet vem som vet vad och hur vi gör saker här.

Arbetet skiljer sig också från ditt privatliv eftersom saker och ting på jobbet berör flera olika system.

Tiotals, hundratals system och flera personer.

Faktum är att det är många personer. När du är hemma och interagerar med en av de här agenterna är den enda person du behöver samordna med dig själv.

Kanske din partner, kanske dina barn.

Men på jobbet måste du samordna med 10, 20, 30 personer för att få de enklaste sakerna gjorda. Och vet du vad? De har alla åsikter.

De har åsikter om hur saker och ting ska se ut, hur saker och ting ska kännas. De har sina egna standarder. De har sina egna preferenser.

Det här är helt annorlunda än ditt privatliv.

Och slutligen, hemma behöver du bara bry dig om dina egna data. Du får välja hur mycket data du vill dela.

Men på jobbet är det valet inte riktigt ditt, eftersom du har den där lilla saken som kallas kunddata, som är väldigt värdefull.

Det är därför arbetet skiljer sig från privatlivet, och det är därför Asana bestämde sig för att bygga operativsystemet för mänskliga medarbetare, där vi löser alla dessa kontextuella utmaningar i arbetsmiljön.

Vi börjar resan med arbetsdiagrammet.

Arbetsdiagrammet är egentligen den levande huvudboken över vem som gör vad och när, och hur saker och ting har gjorts tidigare. Detta ser till att alla medarbetare som börjar arbeta med arbetsdiagrammet redan har den historiken och redan har den kunskapen.

Och för det andra sträcker sig Asana nu över 500 system med våra anslutningar. Det innebär att vår AI-personalschef, Dash, som många av er kommer att träffa i dag om ni inte redan har träffat honom i ert dagliga arbete, kan dra slutsatser om vilka arbetsflöden som behövs. Den kan ta en tvetydig uppmaning, omvandla den till ett arbetsflöde, till en uppsättning uppgifter och faktiskt få arbetet gjort.

Och när det gäller att samordna personer börjar vi med ett verktyg för samarbete för alla.

Vi har en enda arbetsyta, en enda huvudbok, där alla kan se vad som ska göras och vem som måste göra vad härnäst. Koordineringsutmaningen, den omständliga kommunikationen fram och tillbaka, har försvunnit med detta multiplayer-verktyg.

Vi har förbyggda teamkollegor.

Teamkollegor är aktörer som agerar precis som människor.

Vi har definierat och skapat 30 av dem för att börja få arbetet gjort i era team redan i dag.

Men det smidiga med teamkollegor är att du kan interagera med teamkollegor i ett multiplayer-läge, vilket innebär att du kan ge teamkollegan alla de preferenser och alla de smakpreferenser som teammedlemmarna har, hur du vill att saker ska se ut, hur du vill att resultaten ska se ut, vilka indata du vill dra nytta av.

Och med agenter med begränsad behörighet är var och en av de här teamkollegorna programmerbar. De kan bara programmeras för att ha åtkomst till de data som du vill att de ska ha åtkomst till.

Endast för att använda de kostnader som du vill att de ska använda.

Och du kan definiera godkännandekedjan för varje enskild teamkollega så att den följer en befintlig hierarki.

Det här är operativsystemet för mänskliga agenter, där vi har löst de fem stora utmaningarna med hur man levererar AI-produktivitet för företag.

Så låt oss ta en titt på ett verkligt exempel. Och det här verkliga exemplet är Cindy.

Cindy börjar sitt liv väldigt lycklig. Hon arbetar på kundsupporten.

Hon har hittat ett nytt verktyg för kundsupport. Hon vill lansera det för hela sin grupp.

Och hon ligger steget före. Hon vet vad hennes budget är.

Hon vet vilka leverantörer hon överväger. Hon har redan skickat ut anbudsförfrågningar.

Men vad som vanligtvis händer med någon som Cindy med en enkel uppmaning, vi behöver ett nytt verktyg för kundsupport, är att hon kommer att konfronteras med verkligheten.

Verkligheten är hård.

Verkligheten är 100 underuppgifter.

Jag skrev faktiskt manuellt ner några av de här uppgifterna som gällde mig själv. Det finns många uppgifter bara för att få igång ett nytt kundsupportteam … Få igång verktyget.

Så det här är många uppgifter.

Det kanske skulle vara enkelt om de på något sätt var linjära, men i verkligheten är det så här det ser ut när man börjar arbeta.

Man tappar bort sig i allt hattande fram och tillbaka med överlämningar.

Jag vet att några av oss grimaserar smärtsamt här eftersom det är alltför välbekant. För på jobbet lägger vi ofta vår tid på att jobba om jobb i stället för att jobba med jobbet.

Det här är verkligheten för så många team som fastnar i det jag kallar arbetskarusellen.

Det måste finnas ett bättre sätt.

Cindys hopp och drömmar om det här nya kundsupportverktyget har just krossats eftersom det här håller på att bli ett projekt på åtta, nio, tio veckor bara för att välja en leverantör.

Låt oss se om vi kan hjälpa Cindy.

Nu med Asana är din nya ingång Dash, din AI-personalschef.

Dash ska fråga Cindy här vad vi ska göra i dag. Jag vill välja en ny leverantör av kundsupport.

Men Dash börjar inte med en helt tom arbetsyta.

Dash kommer omedelbart att skrapa arbetsdiagrammet.

Dash förstår allt som ditt företag har gjort.

Faktum är att Dash i det här exemplet kan gå igenom och ta reda på om vi någonsin har introducerat en ny leverantör tidigare. Jag tror att vi har gjort det. Vad innebar det? Jag ska gå igenom alla tidigare projekt, alla tidigare budgetar, alla tidigare mål, beslut som har fattats, möten och ta reda på vilka de 100 uppgifter är som behöver utföras. Jag kan helt enkelt lägga ut dem alla på ett snyggt sätt på en enda arbetsyta.

Och vet ni vad? Jag ska göra lite mer än så.

Jag vet liksom vem som är vem. Jag ska tilldela de personer som behöver utföra det här arbetet så att jag nu har ett verktyg för att få det här jobbet gjort.

Och här ser ni att det finns några ovanliga personer som har tilldelats det här arbetet. Vissa personer som vi kanske inte har sett tidigare.

Det här är teamkollegor.

Det här är fördefinierade teamkollegor.

Faktum är att jag nu ska presentera tre av dessa teamkollegor för er. En säkerhetsgranskare, en prissättningsanalytiker, en projektassistent. Det här är fördefinierade, färdiga teamkollegor.

Det visar sig att Asana har en lång historia av att arbeta med arbete. Så vi har skapat 30 fördefinierade teamkollegor som vi vet kommer att vara användbara för er alla.

Vi gick in i var och en av dessa teamkollegor, och vi gav dem färdigheter, och vi utbildade dem så att vi vet exakt hur vi kan vara till störst hjälp för er.

Så det här är era färdigbyggda teamkollegor. Plötsligt har livet blivit mycket bättre för Cindy.

I en enda miljö kan hon samordna flera arbetsflöden som har både människor och agenter i dessa arbetsflöden.

Och det som sticker ut för Cindy är valet av en leverantör.

Det har passerat säkerhetsgranskningen. Det har passerat kraven.

Tyvärr har en viss leverantör inte uppfyllt budgetkravet. Offerten landade på 600 000 USD. Hon hade bara 500 000 USD per år att spendera.

Men oroa dig inte.

Någon annan på det här företaget har redan byggt en förhandlingsagent.

Den här förhandlingsagenten har haft fördefinierade regler att följa. Den vet exakt vilken förhandlingsstrategi den ska följa. Den vet vad dess budgetramar är, och den vet också vem på ekonomiavdelningen som får godkänna saker och på vilken nivå.

Det här är tanken bakom att avgränsa dina agenter. Den här agenten har fördefinierade ramar. Agenten börjar arbeta. Den börjar arbeta med det här erbjudandet. Den svarar faktiskt tillbaka till Cindy. Den ger henne ett nytt förslag till motbud. Leverantören har valts.

Livet är bra.

I stället för åtta veckors kommunikation fram och tillbaka sker det här realistiskt sett på några dagar.

Så min fråga till er alla är: Finns det några arbetsprocesser i någon av era grupper som ni vill agentifiera? Vilka arbetsflöden ska ni agentifiera i dag?

Under resten av programmet hoppas vi kunna visa er att det är enklare än ni tror att skapa ett agentiskt arbetsflöde, oavsett om ni arbetar med marknadsföring, IT, strategisk verksamhet, forskning och utveckling eller om ni är ett verktyg för processer för hela er organisation.

För med Asana tillhandahåller vi operativsystemet för team bestående av människor och agenter, så att vi alla kan arbeta tillsammans i arbetsflöden.

Jag ska nu överlämna ordet till vår produktchef, Arnah Bose, som ska berätta mer om hur ni alla kan skapa dessa arbetsflöden i dag. Tack.

Hej, allihop! Hur står det till? Sådär … Ja. Nu ska vi få lite energi. Så ja. Ja.

Kul att se energin här i den här New York-publiken. Jag heter Arnab. Jag är produktchef här på Asana.

Och det jag vill gå igenom med er i dag är det som Dan visade på en mer detaljerad nivå.

Det han visade var ett samordnat genomförande över flera system och sedan att bygga allt det med kraften i work graph, det här sammanhangsverktyget som vi har byggt i över ett decennium här på Asana.

I mitt avsnitt ska jag prata om hur det här arbetsdiagrammets kontext kan utnyttjas med kraften i Stack.ai för att samordna åtgärder i flera system och hur vi med upprepad användning av den här heltäckande processen kan skriva tillbaka data till arbetsdiagrammet så att varje gång det uppstår ett undantag eller en ny förhandling sker, registreras de här data i det här kontextsystemet och blir återanvändbar kunskap.

Så det finns några olika ämnen att ta upp. Ett är samordnat genomförande. Hur blir det bättre med kraften i arbetsdiagrammet? Och hur omvandlar vi dessa körningar, dessa upprepade genomföranden, till kunskap så att nästa gång ni kör ert samordnade arbetsflöde blir det så mycket bättre? Det är så mycket mer exakt.

Så vi gör allt detta i back-end när det gäller att ansluta till flera system med kraften i stack.ai, som nu är en del av Asana.

Så jag vill ta er lite djupare in i det förhandlingssteg som Dan gick igenom.

Det kunden fick var en offert från en ny leverantör på 575 000 USD, vilket var betydligt mer än budgeten på 500 000 USD.

Och offerten kom in, som jag är säker på att de flesta av er har sett i er dagliga verksamhet, förmodligen som en PDF-fil.

Det finns villkor i PDF-filen. Det finns småskrift.

Och det är inte helt enkelt att ta reda på om det här är något du bara kan gå vidare med och godkänna.

Det Stack Overflow har gjort i bakgrunden är att gå igenom alla tidigare offerter som kunden har godkänt. Den har läst alla dessa PDF-filer och omvandlat dem till en kunskapsbas som stöder RAG. Det innebär att du kan göra mycket snabba hämtningar och att du kan använda agentbaserade arbetsflöden på den mängden ostrukturerade data.

Så alla dessa små intressanta detaljer i det finstilta handlar om kostnaden per användare per plats, om det finns en uppsägningsklausul i avtalet, om kostnaden inkluderar en supportkostnad – alla dessa saker som gör det mycket mer komplicerat att analysera eftersom det inte är en enkel sökning. Nu, Stackie, kan jag gå vidare och göra den jämförelsen i back-end. Så vi har i princip konverterat all den här ostrukturerade informationen så att du kan ansluta flera system i bakgrunden.

Så vad gör Stack-arbetsflödet? Det analyserar saker som har godkänts. Det granskar den specifika nya offerten och alla villkor och bestämmer att ett motbud bör lämnas. Och motbudet bör vara 489 000 USD med 15 % rabatt.

Men det här är en ny leverantör. Vi har faktiskt inte gått igenom den här processen tidigare.

Så det är en situation där du inte bara kan gå vidare och utföra åtgärden på ett helt automatiserat sätt.

Vi tror att de bästa resultaten uppnås när människor och AI-agenter kan samarbeta som ett team.

Eller hur? Vi tror att kunder och företag lyckas om de kan arbeta tillsammans med automatisering och AI. Så vad Stack kan göra med sina över 190 kopplingar till Asana är att de automatiskt kan skapa ett fullt konfigurerat projekt för det godkännandearbetsflödet. Det kommer att innehålla specifika detaljer om erbjudandet. Det kommer att innehålla detaljer om vad vi bör undersöka ur ett ekonomiskt eller juridiskt perspektiv, tilldela de underuppgifterna och involvera det mänskliga teamet. Det här är människor och AI-agenter som arbetar utifrån samma huvudbok, som arbetar som ett, och det är vad vi menar med samordnat genomförande.

Så när det motbudet är klart för godkännande är det som händer att ekonomiteamet säger: ”Hallå där! Hör här. Vi vill ha en uppsägningsklausul på ett år.

Kanske säger teamet för juridiska godkännanden att det finns en massa röda linjer som vi vill lägga in.

Alla de uppgifter som människorna tillhandahåller registreras nu i arbetsdiagrammet. Så de registreras i uppgifterna, som nu är tillgängliga för Stack AI-arbetsflödet att använda nästa gång ett sådant undantag inträffar.

Så det vi visar här och vad vi egentligen menar med samordnat genomförande är inte bara att ni får det här fullt fungerande arbetsflödesverktyget som kopplar samman flera dokumenteringssystem, flera backend-system – ni har sett många sådana tidigare – utan att det drivs av arbetsdiagrammet. Så det börjar med sammanhanget. Det drivs också av arbetsdiagrammet och allt som Asana erbjuder, så att ni, när det uppstår ett undantag, kan involvera det mänskliga teamet för samarbete, samordning och för att komma fram till rätt nästa steg, och ni kan förbättra den processen framöver. Det här är vad vi menar med att samla kunskap. Asana tillhandahåller ackumulerad kunskap och hjälper er att bygga upp den där företagshjärnan där alla interaktioner registreras när AI-teamkollegor samarbetar med ert team, med era medarbetare, så att AI-teamkollegan presterar mycket bättre nästa gång. Genomför, bevara, förbättra. Upprepa loopen om och om igen.

Så Stack från Asana, som den faktiska exekveringsmotorn, är ett verktyg som inte kräver kodning. Den har över 500 integreringar. Som ni ser stöder den ”human in the loop”. Och nu drivs det helt och hållet av arbetsdiagrammet, inte bara för det ursprungliga sammanhanget, utan när det registrerar vissa undantag kan det även föra tillbaka hela det sammanhanget till arbetsdiagrammet.

Jag vill presentera OG, personen som byggde Stack.ai. Välkomna Bernard, medgrundare av Stack.ai, upp på scenen.

Tack, Arnav.

Det är kul att vara här, allihop.

Jag heter Bernard.

Som Arnab visade lite grand ger vi på Stack dot ai företag möjlighet att omvandla sina mest komplexa arbetsflöden med AI-agenter.

Med Stack dot ai kan ni bygga team av AI-agenter som är anslutna till fler än 500 företagssystem och kan arbeta som vilken anställd som helst med en egen dator, en egen terminal och en egen webbläsare, vilket gör att de kan ta itu med de mest komplicerade processerna och integrera dem i sin AI.

I kombination med WorkGraph kan Stack AI-agenter arbeta i samband med det som företaget faktiskt gör. Vem jobbar med vad? Vilka är målen? Och arbeta under en enda enhet och plan.

Företag som LifeMD, Exeter, Wild Retirement och BA Systems arbetar i dag alla med Stack.ai för att driva några av sina mest komplexa arbetsflöden i stor skala.

Ett av de här företagen är SciMotion.

I över tjugo år har SciMotion tillhandahållit personlig vård genom att vara en förstklassig leverantör och har gjort det genom att erbjuda en specialiserad tjänst till alla patienter och kunder, särskilt genom att samarbeta med vårdpersonal.

Att erbjuda en sådan nivå av personlig vård kan dock vara mycket dyrt och komplicerat.

Så snart de får in en uppsättning patientjournaler kan det ta dem upp till två timmar att gå igenom sitt lager i SAP, titta på patientinformationen i SharePoint, titta på olika laboratorieresultat i hela skript och sina egna data, och sammanställa allt till ett fint, personligt varumärke.

De visste att det här inte var rätt sätt att göra det på. Och med AI-eran kunde de förändra saker och ting. Med Stack.ai tog de ett nytt agentiskt tillvägagångssätt, och de sa att de tog alla dessa delar och byggde ett team av AI-agenter som på Stack AI-plattformen kunde söka igenom all data från kosttillskottslagret, all patientinformation och alla laboratorieresultat varje gång en ny beställning kom in, vilket minskade bearbetningstiden från två timmar till bara fem minuter.

Och som en del av den här processen kunde de göra det samtidigt som de höll människor informerade, där varje kritiskt beslut alltid innebär att vårdpersonalen utvärderar och godkänner alla viktiga beslut.

Idag har vi fördelen av att inte bara höra det från mig. Vi har också med oss Max Perisky, CRO på SignMojian, som kommer att berätta historien live och utifrån sin egen erfarenhet. Välkommen, Max. Varsågod.

Trevligt att se dig.

Trevligt att se dig, Max. Tack för att du är med oss i New York. Jag uppskattar det. Och eftersom vi har dig här i dag är det … Det ska bli kul att höra lite om hur du kom hit. Hur ser du på den här processen för att skapa medicinska paket med hjälp av stack.ai? Och visst.

Ja, du vet, jag tror att … Det började med att jag är CRO. Och jag fick faktiskt höra att jag är den första CRO:n som står på Asanas scen under det här evenemanget, eftersom vi tidigare inte nödvändigtvis hade någon anledning att vara här. Men mitt jobb är egentligen att … Wow. Jag trodde inte att jag skulle få applåder för det. Mitt jobb är egentligen att bygga upp en infrastruktur och en strategi som på sätt och vis minskar friktionen för våra kunder, och våra kunder är sjukvårdspersonal.

Och för att göra det tänkte jag för ungefär ett år sedan att det kanske finns ett sätt som AI kan hjälpa till med att lösa några av dessa problem, genom att, som du sa, föra samman dessa komponenter. Så jag fick en infall och en helg började jag bara leka lite med några av de agenter som finns tillgängliga och kunde på sätt och vis bevisa konceptet, men jag var inte nöjd med den typen av dokumentdisciplin och webbsökningsdisciplin. Jag hittade Stack och började leka med den kostnadsfria versionen, och jag kunde bygga en agent som på ett sätt löste det för min försäljningsgrupp för att hjälpa dem att verkligen leverera värde till kunderna väldigt snabbt och distribuera den. Vi implementerade den faktiskt innan vi ens betalade för den.

Jag minns, jag minns. Och de betalar för den nu.

Nu betalar vi för den. Ja. Det är därför jag är här.

Okej. Men det är bra. Ni vet att ni vinner mycket effektivitet genom det, som att automatisera både verksamheten inom intäkter och verksamheten på klinisk nivå, vilket vi visar er, att skapa läkemedelsförpackningar, allt. Jag är nyfiken. Med all den här effektiviteten får ni förmodligen mycket ny tid över. Vad har det möjliggjort för Zimmergen som företag?

Tja, ett par saker. Vi började med att implementera det här som ett verktyg för våra säljare för att hjälpa dem att leverera värde väldigt snabbt. Vi har över 300 produkter. Så föreställ dig att var och en av dem är utformad för att vara ett kliniskt verktyg. Så de är nyanserade. De är komplicerade.

Och vi hade precis bytt ut en stor del av vårt försäljningsteam. Så det fanns många nya personer som var tvungna att lära sig 300 produkter och leverera rätt produkt till rätt person vid rätt tidpunkt. Så det hjälpte verkligen till att underlätta den processen och på sätt och vis påskynda inlärningskurvan för dem. Det var det första koncepttestet. Och sedan tänkte vi att vi skulle ta det till kunden, och det är ungefär vad vi implementerar nu med Catalyst.

Fantastiskt. Och nu kommer vi förhoppningsvis mycket snart att nå mycket större framgångar. Det är toppen. Tack så mycket för att du var med oss, Max. Jag uppskattar det. Jag ser fram emot många fler år av att få saker gjorda tillsammans och, du vet, ta det hela vägen till månen.

Ja.

Tack för att ni bjöd in mig.

Okej.

Tack för att du var med oss. Skål. Tack.

Så ja.

Så vi fick höra från Max live om det. Och han var väldigt vänlig och berättade alla detaljer i sin historia. Hur ser det ut om vi tittar bakom kulisserna? Hur tar man dessa idéer till produktion? Vi ska gå igenom historien om ett annat företag, som liknar SimoGen väldigt mycket,

som heter Aiuhealth, som också tillhandahåller personlig vård och kosttillskott.

Aiuhealth verkar inom ett liknande område och har exakt samma problem. De var tvungna att bygga ett system som enkelt kunde göra det möjligt för dem att ta patientjournaler och utifrån dem söka i en samling system, söka på webben och samla in data för att anpassa ett medicinskt paket med en skräddarsydd lösning på det här problemet. Som ni kan se på skärmen skapade de en AI-agent som kunde ta emot en PDF-fil med patientuppgifter, söka i alla dessa system, söka i alla skriptverktyg och sedan sammanställa alla resultat i ett anpassat paket, med hänvisningar till var man hittar uppgifterna och vilka källorna är.

Inte nog med det, det ger er insyn i alla spår av de åtgärder ni har vidtagit. Och när vi sammanställer det här i mFrame-filresultatet, vad gör det här bakom kulisserna medan det tänker och samlar in all den här informationen? I Stack.ai, som ni kan se på skärmen, bygger de ett agentbaserat arbetsflöde som skulle ta emot ett meddelande från en användare, en fil och en uppsättning API-specifikationer för hela skript. Och med det kommer den att ansluta till ett ramverk som i det här fallet drivs av Claude med en anpassad prompt för deras problem och ansluta den till deras viktigaste kunskapsbas i SharePoint, deras data i PowerShell-skript, ansluta den till en webbläsare, möjligheten att skicka e-postmeddelanden, söka på webben, fungera precis som vilken annan personlig AI-agent som helst, men skräddarsydd för deras användningsfall så att den kan aktivera alla dessa system när en ny förfrågan kommer in.

Och resultatet blir att när de väl har gått igenom den här processen kan de få en personlig plan. Utövaren kan få alla data, sammanfatta dem, få källorna till resultaten, ge feedback till agenten och samarbeta för att ge en personlig upplevelse som både kan användas för att stödja den här kunden och för att stärka deras andra verksamheter på ett mänskligt sätt.

Och även om ni alltid kan fortsätta med FIBA och använda det, kan det här gå ännu längre.

IU Health tog det här ett steg längre och anslöt det till WarGraph via Asana och kunde göra så att när deras kliniska forskningsverksamhet utvärderade en ny undersökning eller ett nytt fenomen kunde de koppla in det till den här agenten och aktivera den direkt från en Asana-uppgift så att den här AI-agenten kunde söka efter samma information och sammanställa den till ett gemensamt resultat.

Det här är framtiden för företagsprogramvara och AI-assistenter inom företaget. En enda plats där AI-agenter kan komma, arbeta med alla dessa verktyg, hantera ostrukturerade data, utföra ostrukturerade åtgärder, och där människor kan styra processen, ge feedback och erbjuda all vägledning.

Naturligtvis är det här inte bara det sista steget. Det finns många vägar att gå. Och i dag … AI-assistenter och människor arbetar enligt olika planer. I framtiden måste de båda arbeta enligt en enda gemensam verksamhetsplan. Och ni kommer att få höra om hur Asana löser det här problemet. Därför kommer Prachi Gore, CMO på Asana, att vara med oss och berätta lite om den här framtiden. Tack.

Tack, Bernard. Så som han sa: För att kunna leverera på löftet om ett energiskt företag behöver man agenter som arbetar i flera system, vilket vi just såg. Men ni behöver också människorna, alltså personer, oss, våra team, som arbetar tillsammans mot samma mål, samma plan och med fullständig gemensam information om företaget.

Det blir möjligt med Agentic Work Management.

Som Dan nämnde har Agentic Work Management 30 AI-assistenter som är förberedda, styrda och redo att sätta igång bara för dig.

Alla Asana-användare har också åtkomst till en personlig personalschef som heter Dash. Dash följer allt ditt arbete i e-postmeddelanden, möten och alla dina projekt, så den vet exakt vad du arbetar med.

Och den kan också vidta åtgärder för din räkning, till exempel skapa uppföljningsuppgifter efter ett möte så att du kan fokusera på det viktigaste arbetet.

Vi har också över 20 integreringar med olika verktyg som vi använder varje dag, såsom Figma, Databricks, HubSpot och Google Drive, så att allt ert arbete kan utföras på ett och samma ställe.

Och några av världens största varumärken använder Asana. Men i dag vill jag gå närmare in på ett sådant företag som heter Skydance. Skydance har skapat några av våra favoritprogram. För mig är det SvampBob Fyrkant och Yellowstone.

Men inom hela tv-verksamheten, livestreamingen, gör de sport, nyheter och animering.

De har tusentals personer som arbetar varje dag för att omvandla idéer till innehåll, samordna ett antal lanseringar och få ut nya program på marknaden.

Och för att kunna göra det och fortsätta att skala upp sin verksamhet behövde Skydance ett sätt att fortsätta växa samtidigt som de höll sina team samordnade.

Det var då Agentic Work Management kom in i bilden, en plats där deras team och deras agenter kan samarbeta utifrån gemensamma sammanhang mot samma mål.

När det gäller Skydance finns det ett exempel som jag vill dela med mig av. Ett verksamhetsteam på tre personer på Pluto TV kan hantera 750 innehållsartiklar varje månad genom att introducera AI-assistenter i sitt arbetsflöde.

På samma sätt sorterar AI redan igenom alla supportförfrågningar på CBS News och skapar strukturerat arbete innan en människa faktiskt behöver ta itu med det.

Men låt oss höra det med deras egna ord.

Vi har några ambitiösa mål, och för att vi ska kunna uppnå dem måste vi ha en pålitlig partner, stabila system och en mycket hög grad av AI-användning.

Vår lastbil rullar ner.

Vi vill vara ett teknikinriktat mediebolag som kombinerar den kreativa delen av Hollywood med den innovativa andan i Silicon Valley.

Vi är inte ett traditionellt företag.

Bakom kulisserna stöttar vi de mest kreativa människorna på planeten. Det fanns en tid då kulturen var mycket decentraliserad.

Paramount är mycket stort, med hundratals avdelningar och sektioner. Eftersom AI snabbt sprider sig på arbetsplatsen skapar det många silor.

Alla använde AI i sina egna olika arbetsflöden. Det gjorde det svårt att ge support, skala upp och uppdatera när det skedde förändringar.

Och det är faktiskt den saknade länken i AI – om du inte har säker åtkomst till data eller om du … Allt är utspritt överallt, och din AI kommer att misslyckas.

Asana lade grunden för AI.

AI är inbyggt där arbetet redan sker.

Det är inte ett extra klick eller en annan skärm. Den finns precis där i dialogrutan du redan använder.

Tillgänglighet är avgörande för att verktyget ska tas i bruk. Att använda AI-assistenter krävde bara ett knapptryck.

Kontextfönstret tog bara några sekunder, vilket är helt otroligt.

Asana har låtit oss spåra olika AI-funktioner, vem som har använt dem mycket, deras business case och verkligen förstå avkastningen på investeringen, samt dela de här användningsfallen med andra delar av verksamheten.

För att vara ärliga valde vi Asana eftersom de kom in och hjälpte oss att förstå vår verksamhet. Det är inte så vanligt hos leverantörer.

Jag ser Asana som vår långsiktiga partner.

Och nu vill jag bjuda upp Laksh Nathan, EVP och CIO på Skydance, på scenen för att berätta mer.

Hej. Tack för att ni bjöd in mig.

Tack, Laksh, för att du är här med oss. Ditt team har gjort ett fantastiskt jobb. Men berätta för oss, hur var det att integrera AI-agenter i era arbetsflöden? Ge oss lite insyn bakom kulisserna.

Du vet, redan från början är vi en mycket komplicerad organisation. Vi är kreativa. Vi är en nyhetsorganisation. Vi är kontorsarbetare. Så jag tror att själva mångfalden i vår kultur har varit …

Det är en väldigt öppen duk för oss. Så det faktum att vi har kunnat börja gå igenom var och en av våra processer, förenkla dem och låta medarbetarna hjälpa till att bygga upp dem har varit fantastiskt för oss.

Det är toppen. Skulle du kunna ge mig ett exempel eller bara gå närmare in på något för att visa hur det ser ut i den dagliga verksamheten? Ja.

Så, hör här, vi har en hel massa AI-verktyg och -partners och allt sådant.

Så märkligt nog använder vi Asana för att hålla koll på allt det. Och det bästa är att eftersom vi har att göra med så många olika grupper som måste granska det, likt de agenter som du såg tidigare, har det varit livsförändrande för oss att ha alla dessa team på en enda plattform med deras egna sammanhang som kommer in i systemet och sedan få det automatiserat.

Det är fantastiskt. Tack än en gång för att du var med oss, Lax, och grattis till det fantastiska arbetet. Tack så mycket. Låt oss ge honom en stor applåd.

Och nu vill jag bjuda upp SVP och GM för AgenTik Work Management, Kirk Miles, på scenen.

Wow.

Var det inte fantastiskt?

Det är så kul att se hur Skydance använder vår AgenTeq-svit. Hej, allihop. Jag heter Kirk Miles och leder AgenTeq Work Management på Asana.

Ni har hört historien, och nu är jag här för att få visa upp en del av produkten bakom den.

I dag ska vi följa med en kampanjchef på en resa genom en vecka och en kampanj som ska genomföras i sista minuten, allt med hjälp av Agentic Work Management.

Men innan jag sätter igång vill jag berätta om några saker som ni ser som är nya.

Först har vi AI-möten, som omvandlar det som sägs under ett samtal till att göra-punkter som faktiskt blir gjorda.

Därefter har vi sidor, som omvandlar era dokument till levande planer som teamet kan arbeta utifrån.

Och slutligen tabeller, som tar era företagsdata från kalkylark och flyttar dem … Flyttar dem till där arbetet faktiskt sker.

Allt detta finns i arbetsdiagrammet, så att dina mänskliga teamkollegor och agentteamkollegor alla kan arbeta med samma gemensamma sammanhang.

Med det sagt ska vi sätta igång. Och jag vill presentera Sarah för er. Sarah leder kampanjverksamheten på ett medieföretag.

Det är fredag eftermiddag, och hon har precis fått en förfrågan i sista minuten om en stor lansering med ett stort tillhörande tillväxtmål som ska genomföras om mindre än en vecka.

Sarah är stressad. Och uppriktigt sagt skulle jag också vara det om jag blev ombedd att genomföra en stor lansering på mindre än en vecka.

Men oroa dig inte, Asana stöttar henne. Låt mig visa dig hur.

I det här fallet börjar förfrågan faktiskt utanför Asana, i Slack.

Michael, chefen för tillväxt, publicerade en förfrågan i kanalen för kreativa förfrågningar, och Asana Studio plockar automatiskt upp den, skapar uppgiften, fyller i detaljer om kampanjen och budgeten och lägger till alla medarbetare i uppgiften som behöver ha insyn i den.

Den följer upp med Michael för att bekräfta den regionala omfattningen och kontrollerar den mot deras bibliotek med tillgångar.

I det här fallet ser den att en av tillgångarna inte är godkänd för användning i EMEA, så den skapar en underuppgift åt Sarah för att få godkännande från varumärkes- och juridikavdelningarna innan kampanjen kan gå vidare.

Låt oss ta en titt på biblioteket för tillgångar eftersom det är uppbyggt i tabeller.

I det är varje rad en annan visuell tillgång med detaljer som dess rättighetsfönster och dess regionala godkännanden samt dess tillhörande kampanjer.

Låt oss zooma in på EMEA-kolumnen, eftersom det är det största hindret mellan Sarah och hennes lansering nästa vecka.

Så låt oss gå vidare till måndag.

Sarah vet att det är mycket som ska göras på mindre än fyra arbetsdagar för att få det klart, så hon sätter igång direkt. Hon bad Dash att skapa ett utkast till en sida i Asana för juridik- och varumärkesteamen, där hon beskrev sammanhanget kring lanseringen, omfattningen av tillgångarna, bristen på tillgångar för EMEA samt en deadline för godkännanden på tisdag.

Den skapar ett utkast till en sida som hämtar information från intagningsuppgiften i tillgångsbiblioteket och delar den med juridik- och varumärkesteamen, som omedelbart går in på sidan och lägger till en inline-kommentar där de föreslår att de ska ha ett samtal för att diskutera de visuella tillgångarna för EMEA.

Dagen därpå hoppar de in i ett samtal med en … Med AI-möten aktiverade.

Och så snart samtalet avslutas publiceras transkriptionen och sammanfattningen automatiskt i kampanjprojektet och delas med alla deltagare, samtidigt som förslag på åtgärdspunkter och ägare läggs till.

När Sarah kommer till sitt skrivbord granskar hon en lista och ser att en medlem i juridikteamet redan har tagit sig an en av dem. Hon godkänner resten, inklusive en juridisk ansvarsfriskrivning som har tilldelats till deras teamkollega som är kampanjkoordinator.

Kampanjkoordinatorn skriver ett utkast till den juridiska friskrivningsklausulen och skickar den till juridikavdelningen för godkännande.

Och så snart juridikteamet har godkänt uppdateras biblioteket för tillgångar automatiskt.

Och det EMEA-godkännande som Sarah var så orolig för blir omedelbart grönt.

Vid slutet av tisdagen känner Sarah sig optimistisk. Hon var inte säker, men nu känner hon att de faktiskt kommer att kunna klara det här.

Så låt oss gå vidare till onsdagen.

Inget verkar vara kritiskt, men med fem team att samordna och fler än 20 leveranser vill Sarah vara säker, så hon frågade Dash.

Och Dash flaggar för en sak.

Teamet för betalda sociala medier missade sin deadline igår, och dagens granskning riskerar att bli försenad.

Sarah behöver bara ge ett svar.

Flytta fram leveransen från teamet för betalda sociala medier till i dag, omtilldela Priyas uppgift till Marcus och markera allt som högprioriterat.

Dash förhandsgranskar varje ändring som den är på väg att göra så att inget ändras förrän Sarah godkänner det. Och så fort hon gör det uppdateras alla uppgifter samtidigt.

Vid slutet av onsdagen är alla 20 leveranser godkända, och den här lanseringen är klar att genomföras.

Så låt oss gå vidare till fredag. Lanseringen har genomförts. Sarah är så lättad och så glad, men hennes arbete är inte klart.

Hennes vice VD förväntar sig en statusuppdatering för att förstå hur lanseringen går, och hon är på väg att sätta sig ner för att skriva den för hand.

Hon … När hon öppnar uppgiften dyker den skapade... Kampanjanalytikern, en teamkollega som någon i hennes team har skapat, dyker proaktivt upp och erbjuder sig att ta över uppgiften.

Den här teamkollegan har en anpassad färdighet som förstår det rapportformat som hennes vice VD föredrar och kan hämta resultatdata och budget jämfört med faktiska siffror via Databricks-anslutningen.

Hon avslutar uppgiften, och den hämtar resultat för alla fem kampanjer, inklusive justeringen för betalda sociala medier och resultatet jämfört med planen.

Sarah ger den faktiskt en knuff för att säga: "Jag skulle hellre …" Istället för en sammanfattning vill jag hellre ha en presentation.

Och den känner igen att det här är återkommande arbete och erbjuder sig därför att ta hand om det varje fredag. Hon säger ja.

Nu sammanställer hennes teamkollega varje fredag automatiskt en snyggt utformad presentation som sammanfattar uppdateringar från alla deras kampanjer, vilken Sarah kan dela med sin vice VD.

Något som tidigare tog henne en hel eftermiddag tar nu bara några minuter.

I det här fallet uppdaterar Sarah en rad och skickar den till sin vice vd.

Hennes vice VD är så imponerad att hon vidarebefordrar rapporten till sin marknadschef med stort beröm för Sarah.

Så det är fem team, över 20 tillgångar och mindre än en vecka.

Allt från mottagande av förfrågningar till samordningsmöten, spårning av godkännanden och rapportering – allt möjliggörs eftersom det finns i arbetsdiagrammet.

Och när det gäller de nya produkterna är jag glad att kunna berätta att Pages är tillgängligt i dag, och AI-möten och tabeller kommer senare den här månaden. Och om ni vill veta mer kan ni komma och besöka oss i utställningshallen, så visar vi gärna en demo för er.

Så med det vill jag bjuda upp Arnaud på scenen igen för att berätta mer om vad vi har utvecklat utöver Agentic Work Management. Tack.

Tack, Kirk. Var inte det en fantastisk demo? Gillade ni demon? Ja?

Återigen var det Kirk visade ett samordnat genomförande över flera system och all den nya kraft vi tillför till arbetsdiagrammet för att lägga till mer och mer kontext i det. Sidor, möten, alla dessa ostrukturerade data som utgör grunden för att få människor och agenter att arbeta bättre tillsammans.

Det jag ska gå igenom härnäst är tre nya agentiska applikationer som vi har byggt på den här plattformen. Var och en av dessa applikationer ärver och drar nytta av plattformens funktioner och blir bättre, men de är specialutformade för specifika team.

Vi presenterade dessa applikationer på Wiz London tidigare i år, och sedan förra månaden är de alla allmänt tillgängliga. Var och en av de här tre agentteknikapplikationerna är nu allmänt tillgängliga. Du kan köpa dem i dag. Mitt mål i det här avsnittet är att få er tillräckligt intresserade av var och en av dem så att ni strömmar ut från huvudscenen när det här är över och går och kollar in demomontern i utställningshallen. Så vad har vi skapat? Vi har byggt Asana Service Management för alla service desks för anställda i företaget, oavsett om det gäller IT-support, ekonomiavdelningen, resurser, personalavdelningen eller den juridiska avdelningen.

Vi har utvecklat Asana Client Management för byråer och professionella tjänsteteam som behöver använda AI för att hålla sig uppdaterade om alla sina kundförfrågningar. Hur förblir de lönsamma? Hur hanterar de alla dessa kundrelationer på en enda arbetsyta?

Och sedan Command by Asana. Command by Asana kommer att revolutionera hur forsknings- och utvecklingsteam och teknikteam som bygger den programvara som alla våra företag använder, skapar de här produkterna. Hur samordnar de arbetet och skapar den bästa möjliga produkten på snabbast möjliga sätt?

Låt mig först gå lite djupare in på Asana Service Management. Så återigen, tjänsthantering är allmänt tillgänglig i dag.

Den är utformad för alla de här interna användningsfallen för helpdesken.

Och vår huvudtes är att äldre eller befintliga system för servicehantering är utformade för att dirigera ett ärende för felavhjälpning till en kö, och det räcker inte längre. Det räcker inte längre. Eller hur? Det alla företag behöver är ett sätt att automatiskt svara på anställdas frågor med hjälp av en självlärande kunskapsbas. Det är vad Asana Service Management har – en självlärande kunskapsbas.

För åtgärder som måste slutföras, till exempel ett användningsfall för introduktion av en ny anställd, någon som byter avdelning inom företaget, vilket ger dem åtkomst till rätt verktyg vid rätt tidpunkt, kan vi utföra dessa åtgärder automatiskt i bakgrunden med hjälp av Stack.ai som samordnar flera system. Alltså automatisk lösning av ärenden.

Och slutligen vet vi från alla våra kunddata att en stor andel av de här ärendena inte bara kan lösas. De är inte av typen "fixa felet". Så vi har möjlighet att ta ett ärende och automatiskt eskalera det till ett projekt med all den kontext som krävs för att människor ska kunna samordna sig kring det projektet och genomföra det komplexa arbetsflödet för ändringshantering.

Allt detta levereras färdigt och integrerat med de system som era IT-team använder, oavsett om det är Workday för personalavdelningen, Greenhouse för rekrytering, Brex för ekonomihantering eller Ramp, och det kommer att finnas många fler integreringar framöver, alla drivna av Stack.ai. Stack.ai har över 500 integreringar. Vi kommer att införa alla dessa så småningom i Asana Service Management.

Dessutom räknar kunder som Arri Behavioral Health redan med att de kommer att frigöra cirka en femtedel av sin interna supportkapacitet för anställda när de inför Asana Service Management. Jag kommer att prata med deras CIO under en breakout-session senare i dag, så se till att inte missa den sessionen.

Nu till Asana Client Management. Som jag nämnde, företag och byråer för professionella tjänster … Hur många personer i publiken arbetar inom professionella tjänster eller på en byrå? Det är några händer som sträcks upp. Visst? Så ni hanterar era projekt, ni vill ta fram er bemanningsplan, men ni måste också samordna alla dessa åtgärder med er kund, med era kunder.

Asana Client Management integrerar kundportalen i Asana så att alla konversationer med era kunder och det projektteam som betjänar dem kan samlas på ett och samma ställe. Det innebär att AI-agenterna och de människor som både stöder det specifika engagemanget och kunden alla talar om samma datakontext. Så vi tar med oss kapaciteten hos AI-assistenter, arbetsflöden i Asana Studio och alla de centrala plattformskomponenter som ni såg från Kirk till dessa kundrelationsengagemang.

Super, supercoolt. Vi ser redan kunder som Liminal, iRead and Company och Gravitate använda Asana Client Management och uppnå fenomenala framgångar i dag.

Sist men inte minst, Command by Asana.

Jag är säker på att alla här i rummet har hört talas om alla de fantastiska framsteg som kodningsagenter har gjort enbart under 2026. Det har blivit superbilligt att generera kod.

Varje ny... Och, ni vet, varannan vecka kommer det en ny kodningsmodell. Det är så enkelt att ta fram produkter. Du behöver inte längre ta en datavetenskaplig examen. All den typen av språk finns där ute i etern.

Men det som har hänt är att flaskhalsen nu har flyttats.

Flaskhalsen när det gäller att leverera högkvalitativa produkter har flyttats till samordning, strategi och att få alla människor att vara överens om vad som inte ska byggas. Vad är smak?

AI-assistenter kommer inte att kunna ta reda på själva vad som inte ska byggas eller vad som faktiskt ska ingå i en release eller vad statusen är för processen från början till slut. Levereras den med hög kvalitet? Uppfyller den faktiskt våra tidslinjer för produktlansering?

Command by Asana är ett produktsystem för planering som är utformat för att samordna alla, automatiskt överlämna arbete till AI-assistenter och gå från idéer till högkvalitativa, färdiga produkter på snabbast möjliga sätt. Det här lyfter konceptet med en programvarufabrik från att bara generera kod till att bygga produkter från början till slut supersnabbt.

Och vi är superglada över att ha samarbetat med OpenAI Codex, Cursor by SpaceX AI och GitHub Copilot för att förverkliga detta. Super, supercoolt.

Så där ser det ut. Det finns ungefär tre agentbaserade appar som vi har byggt på den plattformen som ger en rejäl skjuts åt nya typer av inköpscenter eller nya roller inom ert företag.

De effektiviserar servicedesken, optimerar byråhanteringen, professionella tjänster och alla byråns användningsfall till max, och omvandlar alla FoU-team till en fullfjädrad programvarufabrik.

Låt oss ta en titt på en kund som jag är säker på att alla i New York känner till. De är också på sin agentiska resa.

Här är NYU:s berättelse. Sätt igång videon.

Vi måste hålla oss till en mycket hög standard. Folk förväntar sig det allra bästa på NYU.

NYU har 18 skolor, 65 000 studenter, tiotusentals anställda vid fakulteterna och över 700 000 alumner.

Som institution har vi en mycket hög standard. Det är en standard för spetskompetens.

Vårt ansvar är att förbereda hela organisationen, lärarkåren, personalen och studenterna för att anpassa sig till framtidens arbete.

Vi vill vara effektivare och mer ändamålsenliga i en värld där AI helt klart kommer att finnas med.

Det finns dussintals olika fakulteter som alla arbetar i sina egna miljöer. College of Dentistry kommer att vara annorlunda än Stern School of Business.

Vi ansvarar för en databas som hanterar över 1 500 000 poster. Projekten är mycket komplexa och beroende av tiotusentals partner inom hela universitetet.

Det kan helt klart leda till många överflödiga system och brist på klarhet kring prioriteringar.

När allt är brådskande är inget brådskande.

Det var ett heltidsjobb i sig att hantera.

För att AI ska vara effektivt behöver vi en sammanhängande grund.

Det är vad Asana förändrar för oss.

Det kopplar samman vårt arbete med det som inte kan kompromissas med: datasäkerhet, integritet och styrning, så att vi kan skapa ramverket och grunden för AI.

Vi har ett sätt att arbeta systematiskt, vilket ger autonomi och synlighet för att hålla alla samordnade. Det var inte längre någon gissning om huruvida det här var något som påverkade flera personer eller flera skolor.

Vi kan förlita oss på Asana för att hitta de brister som vi bör uppmärksamma, för att lösa problem så snabbt som möjligt och så exakt som möjligt.

För våra studenter, vår personal, vår fakultet och våra alumner är ett mer sammankopplat universitet ett bättre universitet.

Asana var den självklara plattformen för oss att förbereda våra studenter och hela universitetet på att arbeta i en AI-driven värld. Vi vill sträva efter det där vi kan.

God morgon, allihop. Wow. Vilken fantastisk publik. Har vi roligt? Ja.

Så den videon visade verkligen hur en … Hur det ser ut när en organisation fungerar som ett enda system.

Och det finns ingen som är bättre lämpad att prata om det här än Michael Worden, biträdande vice verkställande direktör för global serviceleverans på NYU. Välkommen, Michael. Hej.

Kul att se dig, Michael.

Kul att se dig.

Så det framgår ganska tydligt av den videon att NYU är ett otroligt komplext system med många skolor som arbetar med stor självständighet. Så jag måste fråga: Hur fick ni alla att arbeta utifrån en gemensam plan?

Så du har rätt. Universitet är otroligt fragmenterade och utspridda över hela … När det gäller NYU är vi utspridda över hela världen. Ja. Och vi började se Asana dyka upp på många olika ställen. Och det blev väldigt naturligt för oss att säga: Tänk om vi såg det här som en plattform snarare än en enskild produkt som folk använde? Och när vi frågade de personer som aktivt använder plattformen var det enhälligt överens om att det här var rätt väg för oss att gå, och det var avgörande för vår väg framåt.

Det låter fantastiskt. Och när AI börjar bli en del av den gemensamma planen, hur ser du att Asana kan hjälpa er?

AI är absolut det som alla tänker på just nu. Som universitet måste vi balansera på en mycket smal linje för att navigera i AI.

Absolut.

Det kommer att vara en del av framtiden, men vi vill också lära våra studenter hur man använder det på ett effektivt sätt och bara använder det där det verkligen är lämpligt. Men när vi tänker på alla exempel som vi har sett i dag tror vi att det finns många olika sätt att automatisera det arbete som vi ibland inte alltid hinner med, och jag tror att det är där jag verkligen ser fram emot att AI ska dyka upp på Asana-plattformen.

Det är toppen. Vi tycker verkligen om att ha dig som kund, och tack så mycket, Michael, för att du delar med dig av din historia.

Tack.

Okej. Så jag måste fråga: Hur många av er här arbetar i ett team som levererar tjänster, oavsett om det är IT, personalavdelningen, resurser, ekonomi eller juridik?

Räck upp händerna. Wow. Många av er. Så det här är för er.

Arm gav oss tidigare en förhandsvisning av Asana Service Management, en AI-baserad lösning för företagshantering av tjänster som är utformad för serviceteam som era.

Och nu vill jag göra det konkret genom att visa er exakt hur det ser ut i en sådan distribuerad miljö som NYU, där många olika team måste arbeta utifrån en gemensam plan.

Så i min demonstration använder jag Acme University, som också ligger här i New York. Det kanske är baserat på NYU, kanske inte, jag vet inte.

Deras uppdrag är mycket enkelt: att ge studenterna en fantastisk inlärningsupplevelse. Och en del av det innebär att lösa studenternas ärenden mycket snabbt så att de kan återgå till sina studier.

Så låt oss följa Zoe, en vanlig student som forskar inom AI.

En morgon hämtar Zoe sitt kaffe och kommer till sitt AI-forskningslaboratorium, men plötsligt slutar hennes ID-kort att fungera.

Innan Asana skulle det här ha inneburit ett telefonsamtal, ett e-postmeddelande eller en mycket besvärlig promenad tillbaka över campusområdet.

Men med Asana Service Management loggar hon in sin förfrågan direkt i Asana-portalen.

AI-tjänster kontrollerar hennes identitet, hennes åtkomstbehörigheter och utfärdar en tillfällig åtkomstkod som gäller i 24 timmar.

Inget ärende når någonsin fastighetsavdelningen, ingen människa blir någonsin inblandad.

Zoe är tillbaka i sitt forskningslaboratorium på bara några minuter.

Men tro det eller ej, men studenter tänker numera på andra saker än AI-forskning.

Så den helgen börjar Sandra planera sitt vårlov.

Så hon går in på Slack-kanalen för studentfrågor och frågar om lovschemat.

Den här gången söker AI-tjänster i kunskapsbasen, men hittar inget aktuellt svar eftersom kunskapsbaser blir inaktuella med tiden. Låter det bekant?

Så i det här fallet vidarebefordrar AI-tjänster frågan till Zach på studentavdelningen, och Zach svarar.

Men vet du vad?

AI-tjänster inser att om Zoe frågar om det här vid den här tiden på året så måste 100 andra studenter också fundera på det.

Så den skapar ett utkast till en artikel i kunskapsbasen baserat på Zachs svar och ber Zach att granska och godkänna den.

Så nu får nästa student som frågar om vårlovet ett svar direkt, och Zach behöver inte svara och säga samma sak 99 gånger till, vilket är bra för Zach.

Sedan kommer vårlovet. Zoe och hennes vänner har mycket kul. Jag saknar vårlovet, men men.

Och när hon kommer tillbaka inser hon att hennes bärbara dator har blivit stulen på stranden. Vad gör hon då? Först och främst rapporterar hon omedelbart händelsen på Slack.

Och eftersom den enheten redan är kopplad till Zoe i hanteringen av servicetillgångar vet Asana vilken enhet som har blivit stulen. Inget detektivarbete krävs, ingen behöver ställa en miljon frågor till Zoe.

Och just nu utför Zoe och AI-tjänsterna en fjärrlåsning av enheten och skapar sedan omedelbart en ansökan om inköp av en ny bärbar dator och ger henne uppdateringar under hela processen.

Så Zoe får tillbaka sin bärbara dator och kan återgå till sin AI-forskning.

Och vet ni vad? Allt hårt arbete lönar sig eftersom hennes forskningsprojekt i slutet av året blir en enorm succé.

Och Kira, hennes vän på studentavdelningen, bestämmer sig för att anordna en fest för hennes lab för att fira.

Och gissa vad? Det här är definitivt inte ett ärende för att åtgärda ett fel.

Det handlar om en lokal, catering, budgetgodkännanden, många olika personer som arbetar i olika team.

Så vad som händer i det här fallet är att Asana skapar ett Asana-projekt med i princip ett klick.

Alla era slutdatum, era ägare och era beroenden fylls i på förhand från WorkGraph.

Och det här, mina vänner, är kraften i Asana Service Management, där enkla förfrågningar löses automatiskt, er kunskapsbas blir smartare med tiden och förblir uppdaterad, och komplexa förfrågningar blir Asana-projekt med allt sammanhang bevarat i en enda verifieringskedja.

Så om ni är redo att ändra hur era serviceteam arbetar får ni gärna komma och träffa oss i utställningshallen, där jag och mitt team och andra experter på Asana Service Management kan guida er genom ert personliga användningsfall.

Tack så mycket, och vi ses snart.

Och nu vill jag välkomna min kollega Kelly, chef för vårt America's Gov-team.

Tack, Jen. Okej, allihop. Det här har verkligen varit en inspirerande förmiddag, minst sagt. Ni har alla lärt er något nytt, något konkret, och tar det första steget in i framtidens arbete bara genom att vara här.

Så jag ska be om lite interaktion från publiken. Genom att räcka upp handen, hur många Asana-kunder har vi i publiken idag? Låt oss se dem. Hej.

Det är en fin publik. Jag skulle gärna vilja ta ett foto av det. Oavsett om ni har varit med oss i sex år, sex månader eller sex dagar har ni hela tiden skapat kontext i Asana WorkRef för AI.

Det är viktigt eftersom Dash, när ni ska introducera teamkollegor och när ni ska interagera med Dash, redan har kontexten för hur ni, era team och er verksamhet arbetar i Asana.

Vi har redan några fantastiska kunder som gör det här i dag, så jag vill gärna bjuda in er alla att tillsammans med mig gratulera våra vinnare av Work Innovation Award 2026. Gratulera er själva om ni ser er själva på skärmen här. Eller hur? Några fantastiska företag.

Bra gjort.

Nu, för er som inte är här, eller som strävar efter att vara det, kanske ni undrar hur ni ska kunna ta till er allt ni har lärt er här i dag.

Som jag sa har ni för det första tagit det första steget bara genom att vara här, och jag ska ge er en plan för nästa steg. Så vi börjar i liten skala. Vad är lätt att ta itu med? Fundera på ett till två arbetsflöden som kan identifieras, de som är mest krävande att utföra manuellt. Vad skulle du vilja ta bort från din arbetsbörda?

För det andra, hjälp dina teamkollegor att komma igång.

Dessa teamkollegor kommer att agentifiera era arbetsflöden genom att arbeta tillsammans med era team.

För det tredje, interagera med Dash. Fundera på hur AI kan hjälpa dig i ditt arbete i Asana i dag. Allt detta är tillgängligt nu.

Men du behöver inte göra det här på egen hand. Vi har fantastiska partner som är här för att hjälpa er att lyckas under er resa. Så jag vill gärna tacka alla partner som nämns här i dag för ert samarbete, ert sponsring och ert engagemang för att göra alla våra gemensamma kunder framgångsrika.

Framgång kommer verkligen inte utan en community, så om det är något jag vill uppmana er alla att göra är det att gå med i Asana-communityn. Vi älskar vår community. Så oavsett om du har använt verktyget länge eller är nybörjare finns det plats för alla. Det är en plats där ni kan läsa mer om användningsfall, ta reda på vad som är det senaste och bästa med produkten och få professionella kontakter.

Tack så mycket för att ni är här med oss i dag och tar det första steget in i framtidens arbete tillsammans med oss. Vi finns här för att följa med er på den här resan. Nu kör vi.