Asana construyó 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 empresariales en un libro mayor compartido único.
• FedEx y CoreWeave están entre los primeros clientes empresariales que ya ejecutan AWM en producción.
• Asana ingenió controles de acceso para que un agente de IA no pueda pasar conocimiento de un proyecto confidencial a un empleado que carezca de 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 informática de IA que otras.

La mayoría de los asistentes de IA tienen un grave problema de memoria. Pídele a un chatbot que redacte un plan de marketing, y lo hará. Pregúntale al mismo chatbot a la mañana siguiente qué aprendió del trabajo de ayer, o qué te pidió tu colega hace una hora, 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 compañía de software de gestión de proyectos reveló cómo funciona en la conferencia VB Transform 2026, en una presentación reportada primero por VentureBeat.

¿Cómo funciona realmente AWM?

AWM trata los agentes de IA, software que puede realizar tareas multifase por su cuenta, 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 que conecta cada tarea a un proyecto, cada proyecto a un portafolio, y cada portafolio a un objetivo empresarial.

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 hizo avanzar el proyecto, y cómo afectó los objetivos de nivel superior. Ese registro se convierte en parte de una memoria compartida en la que cualquier compañero humano o de IA en la empresa puede basarse más tarde.

"Está funcionando basándose en ese libro mayor compartido para toda la empresa", dijo Arnab Bose, oficial de producto principal de Asana, en el evento.

¿Qué impide 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 le ha enseñado al agente algo sensible. Si un empleado junior luego le pide al mismo agente ayuda, Asana necesita asegurar que el agente no divulgue accidentalmente lo que sabe.

Asana ingenió un conjunto de 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 la solicitud tiene permiso para ver el proyecto que originalmente generó el conocimiento relevante. Si no lo tienen, ese conocimiento permanece invisible para ellos.

Bose lo expresó claramente: si usaste la IA para construir flujos de trabajo para un proyecto de fusión confidencial, un colega sin acceso a ese proyecto no debería poder beneficiarse de lo que la IA aprendió allí.

El sistema también maneja la selección de modelo automáticamente. Un modelo de lenguaje grande, la tecnología detrás de chatbots como ChatGPT y Claude, viene en diferentes tamaños. Los modelos más grandes piensan más pero cuestan más. AWM lee la complejidad de cada tarea y la enruta al modelo correcto sin que el usuario necesite elegir. Las tareas simples van a modelos más rápidos y económicos. Las complejas van a opciones más pesadas como Claude Opus de Anthropic o modelos de OpenAI. Los precios son fijos por tarea de todos modos, por lo que las empresas pueden presupuestar de manera predecible.

¿Cómo se ve esto en la práctica?

En CoreWeave, una compañía de computación en la nube, los gerentes de producto solían completar formas detalladas a mano cada vez que lanzaban un nuevo producto. Los revisores humanos leían esas formas y asignaban manualmente tareas a los equipos de finanzas, marketing e hardware.

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 marca los retrasos. Otro pronostica costos de infraestructura e indica cuándo los números caen fuera de las normas históricas. Las personas revisan los productos de la IA y toman las decisiones que importan.

El trabajo rutinario se traslada a la máquina. El criterio permanece con el humano.

¿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 criterio real. El ejemplo de CoreWeave lo respalda: los humanos aún aprueban costos y evalúan las recomendaciones de la IA.

La tensión honesta es que compañías como Anthropic y OpenAI, que suministran los modelos subyacentes que potencian 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 preconfigurados para industrias específicas le dan a AWM algo que un modelo de IA sin procesar no puede replicar rápidamente.

Ten cuidado con: Si tu empresa comienza a usar un agente de IA conectado a datos compartidos de la empresa, pregúntale a tu equipo de TI cómo funcionan los controles de acceso. Un sistema bien construido limitará lo que el agente puede decirte basándose en lo que estés autorizado a ver. Si nadie puede responder esa pregunta claramente, es posible que los controles de seguridad aún no estén implementados.