為團隊打造的 AI 代理程式：企業 AI 中的共享背景資訊和透明度

當責差距

企業 AI 代理是 AI 系統，可在跨團隊和專案的共用工作流程中執行動作。 隨著越來越多的平台推出自己的 AI 輔助功能，涉及共享的團隊內容，這個領域迅速發展。

絕大多數組織仍無法超越試驗階段。 Camunda 的《2026 年代理協調與自動化狀況》報告發現，只有 11% 的代理 AI 使用案例已進入生產階段，73% 的組織表示其 AI 目標與現實之間存在落差。 另一項 Dynatrace 研究發現，所有 AI 專案中有一半停留在概念或試驗階段。 兩者的最大阻礙：信任。

這些模型的能力非常強大，但瓶頸在於當責。 當人工智慧代理程式對影響多個人的共用工作執行動作時，所有相關人員都必須知道它做了什麼、為什麼，以及在什麼範圍內。 當今大多數 AI 工具都無法回答這些問題，因為這些工具無法讓人輕鬆瞭解 AI 做了什麼或為什麼這麼做。 動作發生在專屬記錄中或介面背後，無法看出 AI 的參與。 當事情出錯時 (而使用概率系統，事情就會出錯)，就沒有可追蹤的痕跡。

我們建立 AI 隊友的前提，直接來自我們的歷史。 十多年來，Asana 一直在開發 Work Graph：這是一種結構化的呈現方式，說明誰在何時進行什麼工作、為了實現哪些目標，以及與誰進行協調。 其背後的原則 (共享可視度、明確的所有權、權限感知存取、結構化溝通) 旨在使人類協作更有效。 事實證明，這些相同的原則正是使 AI 協作值得信賴所需的。

建立在已經有效的基礎上

大多數 AI 代理產品都是從模型開始，然後向外發展：這就是 AI 可以做的事情，現在讓我們想想如何將其融入您的工作流程。 我們從相反的方向開始。 Asana 經過多年的迭代，已經在產品中建立了強烈的觀點，即如何在共用的工作中實現結構、當責和輕鬆協作。

Work Graph 將所有這些內容編碼。 每個任務、專案、目標和對話都存在於一個關係網絡中：誰是所有者、誰在協作、它對什麼有貢獻、什麼依賴於它。 當團隊使用 Asana 時，他們會不斷建立和完善這個結構化的工作圖景。

當我們開始建立 AI 代理程式時，問題就變成：如果 AI 在同樣的結構中運作，會發生什麼事？ 如果我們不為 AI 發明單獨的情境模式，而是讓它參與我們已經建立的協作模式，會如何？

這是我們 AI 隊友背後的核心概念模型：在可能的情況下，其能力與組織中人類使用者的能力相符。 他們會收到指派的任務。 它們閱讀並撰寫評論。 它們顯示在相同的活動摘要中。 他們對內容的存取權限受到限制，因此與隊友協作絕不會使任何人的權限超出其已有的範圍。 維持人類協作井然有序且透明的基礎架構自然延伸至 AI，因為企業 AI 的棘手問題 (情境、存取控制、協調、可視度) 正是我們一直在為人們解決的問題。

共享情境在實務上是什麼樣子

大多數 AI 工具會將代理程式的範圍限定為單一使用者在調用時可以看到的內容。 AI 隊友的運作方式不同：他們位於團隊實際工作的同一工作空間，與定義組織試圖實現之目標的專案、任務、目標和對話並存。

當隊友獲指派任務時，它會收到有關該任務的情境資訊，以及與該任務直接相關的所有工作：上層專案、相關目標、相依性和協作者。 它還可以在更廣泛的 Work Graph 中進行搜尋，根據對手頭工作有用的內容，提取相關任務、專案、目標和人員。

這表示多個人在共用的工作中與同一位隊友互動。 專案經理指派任務。 設計人員評論並提供限制。 工程師新增技術情境資訊。 隊友以此為基礎，

累積跨協作者和計劃的工作知識。

由於 Work Graph 已經記錄了團隊的協調方式，因此隊友可以像協作者一樣推理工作：是什麼阻礙了發佈、誰負責下一步，以及我們上週達成了哪些共識。 只有當 AI 在團隊為了保持一致而使用的相同結構中運作時，才有可能進行這種推理。

AI 隊友如何尊重隱私

與人類使用者一樣，AI 隊友在整個 Work Graph 中都受到明確的存取控制。 某些任務和專案對組織中的所有人 (以及每個 AI 隊友) 都是公開可見的。 其他任務和專案則需要專案和專案集成員資格，這些成員資格是明確授予個人或透過團隊繼承的。

只有特定人員群體 (通常是 Asana 團隊) 才能觸發隊友的動作。 他們共同管理隊友的知識、指引和工作存取權限。

AI 隊友獲得額外的保護：隊友的有效存取權限始終受觸發者的權限限制。 這種功能使隊友能夠獲得對內容的廣泛存取權限，同時最大程度地降低有人將其存取權限升級至包含 AI 隊友在單獨的專屬情境中學到的資訊的風險。

非確定性優於僵化的工作流程

不同的組織以完全不同的方式組織相同的工作。 有些組織透過任務關係追蹤相依性，有些透過子任務，有些則透過專案區段。 我們本來可以組建一個嚴謹的執行模式，完美適用於一種工作流程風格。 然而，我們為隊友提供了特定工作空間中關係狀況的背景資訊，以及搜尋和從過去工作中學習的能力，因此它能夠建立特定於組織的專業知識。 就像新進的團隊成員一樣，它會學習您團隊的工作方式，而不是強迫您接受我們的工作方式。

您無法畫出一張流程圖，說明 AI 如何處理請求。 這是有意而為。 確定性系統對於與我們的假設相符的少數團隊來說運作良好，但對於其他團隊來說則無法發揮作用。 非確定性使同一個代理程式能夠適應截然不同的工作組織方式。 由於 Asana 的 Work Graph 已經記錄了每個團隊如何組織其協作，因此隊友從第一天起就有豐富的、特定於組織的基礎可供學習。

具有緊密回饋循環的簡單記憶

隊友的記憶系統的核心是一個文字事實清單，這些事實連結至與其相關的物件。 我們從這裡開始，而不是使用向量資料庫或知識圖，因為我們希望在投資更重型的基礎架構之前，先瞭解緊密的回饋迴圈可以實現什麼。

我們發現，迴圈完成了絕大部分的繁重工作。 隊友在共用的情境中運作，使用者在工作過程中自然會進行修正、改進其指示，並與其輸出進行互動。 提供任何路徑，讓學習到的事實在未來的回合中重新進入情境視窗，可實現各種新興智慧和自訂。 因此，我們一開始專注於快速且簡單的實施。

隨著產品的成熟，架構也會發展，但一直保持不變的深入解析是，良好的回饋迴圈至少與儲存的複雜程度同等重要。 而且，由於目前記憶只是文字，因此完全可以進行檢查。 使用者可以直接在其個人資料中查看隊友持有的每個記憶。

記憶體存取遵循與 Asana 中其他所有內容相同的權限模式。 只有能夠檢視隊友在建立記憶時所處任務的人員，才能看見記憶。 當 AI 擁有不同存取權等級的多個專案的存取權限時，這是防止資訊跨越權限界限洩漏的界線。

反映團隊工作流程的動作層級當責

當隊友執行工作時，使用者會看到其工作的即時指示器，並且可以開啟 AI 動作日誌，這是每個動作的完整記錄，例如建立的任務、發佈的評論、執行的搜尋、修改的物件。 擁有存取權限的所有人都可以在 Work Graph 中看到具體結果，包括未觸發隊友的人員。 在執行任何與隱私相關的動作之前，隊友必須獲得使用者的明確核准，這是系統中內建的硬性限制。

此當責模式擴展了團隊在 Asana 中的既有工作方式。 當人類協作者完成任務或發佈更新時，團隊就能看到。 AI 隊友遵循相同的模式。 您可以看到他們做了什麼。 您可以詢問他們原因，他們會從他們做出決定時所使用的相同背景資訊進行解釋。 未經許可，他們不會採取敏感動作。 出現問題時，會有清楚的記錄。 在大多數組織將透明度視為部署障礙的環境中，我們認為具體的當責 (可見的行動、可檢查的記憶、核准閘道) 比關於可解釋性的抽象承諾更有價值。 由於 AI 隊友在共享的團隊空間中運作，因此整個團隊都能看到他們的工作，而不僅僅是觸發他們的人。 這是內建的可稽核性：每個人都能看到 AI 做了什麼，而不僅僅是提出要求的人。

為什麼這些屬性不可分割

共享情境資訊但沒有當責是一種風險。 一個 AI 累積了多個人員工作中的知識，但無法檢查其所知道的內容或其行動方式，將很快失去信任。 人們會對無法審核的 AI 保留背景資訊，這就違背了團隊範圍設計的目的。

沒有共享情境資訊的當責，只能解決更簡單且不那麼有趣的問題。 如果 AI 在孤立的討論串中運作，可稽核性就很簡單。 真正的挑戰是，當 AI 在共享的跨職能工作中運作時，讓 AI 承擔責任，因為這會影響具有不同存取權限等級和不同利害關係的人。

存取模式將他們連結在一起。 Asana 多年來致力於建立人類協作的權限模式，這為大部分基礎奠定了基礎。 將其擴展到 AI 意味著更進一步，確保任何人的存取權限都不會因與隊友合作而提升。 若沒有這種分層方法，團隊範圍的 AI 將無法在大多數組織中啟動。

我們的現況

團隊使用 AI 隊友進行專案管理、文件記錄、研究和跨職能協調。 我們看到最常見的模式：AI 使協調在人類注意力無法維持的規模上變得可管理。 指派給發佈專案的隊友會追蹤從目標設定到執行的工作，並顯示需要關注的事項，而無需任何人手動彙整狀態更新。

我們收集到的正面回饋一致強調三個特質。 隊友可供指派且具有協作性，可與您一起進行分享的任務。 他們的操作具有可稽核的存取權限，因此您可以看到他們做了什麼，而且在進行任何敏感操作之前，他們都會詢問。 他們建立適應性知識，隨著回饋循環和簡單記憶的累積，透過每次互動變得更有用。

整個產業都在努力彌合 AI 示範功能與可靠生產績效之間的差距。 從 AI 隊友中獲得真正價值的團隊，是那些將 AI 隊友視為新進員工，需要背景資訊、回饋和明確界限才能發揮作用的團隊。

在內部，我們已使用 AI 隊友處理敏感性工作，包括建立狀態報告、分類錯誤和排序發佈。 我們利用存取控制模式和人類檢查點，讓我們有信心，無論手上的任務為何，人類和 AI 都能安全且富有成效地協作。

能夠持續存在的代理程式不會是那些擁有最令人印象深刻的示範的代理程式。 而是那些以團隊已有的工作方式運作的代理商：在共用空間中，採取可見的行動，建立在團隊已經信任的協作模式之上。 Asana 花了多年時間學習如何讓人類團隊合作變得有條理、可視化且當責。 AI 隊友是這些原則在協作式 AI 時代的演化。

本文由軟體工程師 Cory Desautels 撰寫。 Cory Desautels 是 AI 隊友團隊的工程師，他致力於建立和擴充 Asana 的協作代理式 AI 產品。