Asana превращает корпоративный граф задач в общую память для ИИ-агентов

Основой Agentic Work Management стал Work Graph — графовая архитектура, которую Asana развивает на протяжении 18 лет. В ней отдельные задачи с исполнителями и сроками объединяются в проекты, проекты — в портфели, а портфели связываются с целями компании. Такой граф позволяет проследить не только статус работы, но и причинную цепочку: например, понять, как задержка дизайнерской задачи влияет на корпоративную цель по выручке. Для агента это постоянный реестр того, кто, что, когда и зачем делает.

Обычный персональный копилот часто остается без состояния за пределами текущего запроса и видит только файлы или контекст одного пользователя. Агент Asana подключен к общему Work Graph, поэтому может учитывать цели организации, обновлять статусы проектов и делиться рабочей памятью с коллегами. Компания описывает его как обучаемого участника команды: люди назначают ему задачи примерно так же, как сотруднику, а результаты и обратная связь становятся частью совместного рабочего процесса. По словам Asana, решение уже запущено у нескольких клиентов, включая FedEx, которая опубликовала собственный кейс перехода.

Общая память создает проблему разграничения доступа. Если руководитель обучил агента во время работы над конфиденциальным слиянием или поглощением, сотрудник без доступа к этому проекту не должен получить закрытый контекст при следующем обращении к тому же агенту. Asana разделила условия, при которых взаимодействие создает долговременную память, и ситуации, когда агент лишь исполняет задачу. Доступ к сохраненному опыту должен учитывать разрешения исходных объектов Work Graph, а не превращать единый агентный интерфейс в обход корпоративных политик безопасности.

Еще один слой системы — динамическая маршрутизация между моделями. При подготовке, например, описания вакансии агент может сопоставить публичные объявления, внутренний стилевой гайд и продуктовые требования. Сложные задания автоматически направляются более мощной и дорогой модели — среди примеров названы Anthropic Opus и модели OpenAI, — тогда как простые операции выполняются более быстрыми и дешевыми вариантами. Пользователю не нужно самостоятельно выбирать модель, составлять специальный промпт и вручную прикреплять весь нужный контекст.

Такой подход переносит часть инженерной сложности с сотрудника на платформу. Asana должна сама собрать разрешенный контекст из графа, определить сложность задания, выбрать модель и сохранить полезный результат в правильной области памяти. Одновременно динамический выбор моделей усложняет абстракцию стоимости: два внешне похожих поручения могут потреблять принципиально разный объем вычислений. Поэтому ценность AWM зависит не только от качества ответа, но и от того, насколько предсказуемо система управляет доступом, маршрутизацией и расходами при работе многих людей и агентов.