Asana creó agentes de IA que comparten memoria en toda su empresa, con un muro alrededor de los secretos

Puntos clave

• Asana lanzó Agentic Work Management (AWM), un sistema donde los agentes de IA trabajan como compañeros compartidos en toda la empresa en lugar de como asistentes personales vinculados a un solo usuario.
• AWM se construye sobre la base de datos Work Graph de Asana, de 18 años de antigüedad, que vincula tareas individuales a objetivos de toda la empresa en un único registro compartido.
• FedEx y CoreWeave se encuentran entre los primeros clientes empresariales que ya ejecutan AWM en producción.
• Asana diseñó controles de acceso para que un agente de IA no pueda transmitir conocimiento de un proyecto confidencial a un empleado que no tenga permiso para verlo.
• AWM cobra un precio fijo por tarea para que las empresas puedan predecir costos, incluso cuando algunas tareas requieren mucha más potencia de computación de IA que otras.

La mayoría de los asistentes de IA tienen un problema grave de memoria. Un chatbot puede redactar un plan de marketing bajo demanda. Vuelve a la mañana siguiente y pregunta qué aprendió del trabajo de ayer, y se queda en blanco. Cada conversación comienza desde cero.

La respuesta de Asana es un producto que llama Agentic Work Management, o AWM. La empresa de software de gestión de proyectos reveló cómo funciona en la conferencia VB Transform 2026, en una charla informada primero por VentureBeat. CoreWeave, uno de los clientes empresariales que ya ejecutan AWM, apareció en nuestro artículo del 23 de julio sobre cómo la mayoría de los equipos están midiendo sus agentes de IA de la manera incorrecta.

¿Cómo funciona realmente AWM?

AWM trata a los agentes de IA, software que puede realizar tareas de múltiples pasos de forma independiente, como miembros permanentes de un equipo en lugar de ayudantes temporales. La clave es el Work Graph, una base de datos que Asana ha estado construyendo durante 18 años y que conecta cada tarea con un proyecto, cada proyecto con un portafolio, y cada portafolio con un objetivo de la empresa.

Cuando un agente de IA dentro de AWM completa una tarea, no solo devuelve una respuesta y desaparece. El sistema registra lo que sucedió, si el trabajo avanzó el proyecto, y cómo afectó los objetivos de nivel superior. Ese registro se convierte en parte de una memoria compartida que cualquier compañero humano o de IA en la empresa puede utilizar más adelante.

"Está trabajando con ese registro compartido de toda la empresa", dijo Arnab Bose, director de producto de Asana, en el evento.

¿Qué evita que la IA filtre información confidencial?

La memoria compartida crea un riesgo obvio. Un ejecutivo que usa el agente de IA para planificar una adquisición secreta ha enseñado al agente algo sensible, y un empleado junior que pide ayuda al mismo agente más tarde no debería poder beneficiarse de ello.

Asana diseñó controles de acceso que rigen cuándo el sistema crea una memoria versus cuándo simplemente ejecuta una tarea. El agente verifica si la persona que hace una solicitud tiene permiso para ver el proyecto que originalmente generó el conocimiento relevante. Si no lo tienen, ese conocimiento permanece invisible.

Bose fue directo: "No debería poder usar esa memoria compartida cuando ejecuto el compañero de IA si creaste esa memoria usando ese mismo compañero en un proyecto que es, digamos, un proyecto de fusión y adquisición secreto al que no tengo acceso".

AWM también maneja la selección de modelos automáticamente. Un modelo de lenguaje grande, la tecnología detrás de chatbots como ChatGPT y Claude, viene en diferentes tamaños. Los modelos más grandes resuelven problemas más difíciles pero cuestan más. AWM lee la complejidad de cada tarea y la dirige al modelo correcto. Las tareas simples van a opciones más rápidas y económicas. Las complejas van a modelos más pesados como Claude Opus de Anthropic u ofertas de OpenAI. El precio es fijo por tarea independientemente, para que las empresas puedan presupuestar de manera predecible sin preocuparse de que una serie de tareas difíciles agotará una asignación de crédito antes de que termine el mes.

¿Cómo se ve esto en la práctica?

En CoreWeave, una empresa de computación en la nube, los gerentes de producto solían completar formularios detallados a mano cada vez que lanzaban un nuevo producto. Los revisores humanos leían esos formularios y asignaban manualmente tareas a los equipos de finanzas, hardware y marketing.

Bajo AWM, un gerente de producto escribe un documento estándar. Una IA lo lee, construye la estructura del proyecto y asigna tareas. Un agente monitorea el progreso general y señala retrasos. Otro pronostica costos de infraestructura e indica cuándo los números se salen de las normas históricas. Las personas revisan los resultados de la IA y toman las decisiones que importan.

El trabajo rutinario se mueve a la máquina. El juicio permanece con las personas que entienden el negocio.

¿Deberían preocuparse los trabajadores por ser reemplazados?

Bose presentó AWM como una herramienta que maneja la coordinación rutinaria para que las personas puedan enfocarse en decisiones que requieren un juicio real. El ejemplo de CoreWeave apoya esa lectura: los humanos aún aprueban costos y evalúan recomendaciones.

La tensión que vale la pena observar es que Anthropic y OpenAI, que suministran los modelos subyacentes que impulsan AWM, también están construyendo sus propios productos de agentes que compiten directamente con Asana. Bose lo reconoció. Su argumento es que 18 años de datos de flujo de trabajo y procesos preestablecidos para industrias específicas le dan a AWM algo que un modelo de IA bruto no puede replicar rápidamente. Es una afirmación razonable por ahora, aunque es exactamente el tipo de fortaleza que se prueba rápidamente una vez que los grandes laboratorios deciden que quieren el mercado de coordinación empresarial para sí mismos.

Esté atento a: Si su empresa comienza a usar un agente de IA conectado a datos compartidos de la empresa, pregunte a su equipo de TI cómo funcionan los controles de acceso. Un sistema bien construido limitará lo que el agente puede decirle en función de lo que está autorizado a ver. Si nadie puede responder esa pregunta claramente, es posible que las salvaguardas aún no estén implementadas.