Asana ha creato agenti AI che condividono la memoria in tutta l'azienda, con un muro attorno ai segreti

Punti chiave

• Asana ha lanciato Agentic Work Management (AWM), un sistema in cui gli agenti AI lavorano come colleghi condivisi in tutta l'azienda piuttosto che come assistenti personali legati a un singolo utente.
• AWM è costruito sul database Work Graph di Asana, che ha 18 anni e collega i singoli compiti agli obiettivi aziendali in un unico registro condiviso.
• FedEx e CoreWeave sono tra i primi clienti enterprise che già eseguono AWM in produzione.
• Asana ha implementato controlli di accesso in modo che un agente AI non possa trasmettere informazioni da un progetto riservato a un dipendente che non ha l'autorizzazione per vederlo.
• AWM applica un prezzo fisso per attività, permettendo alle aziende di prevedere i costi, anche quando alcune attività richiedono molta più potenza di calcolo rispetto ad altre.

La maggior parte degli assistenti AI ha un grave problema di memoria. Chiedete a un chatbot di redigere un piano di marketing, e lo farà. Chiedete al medesimo chatbot il mattino successivo cosa ha imparato dal lavoro di ieri, o cosa vi ha chiesto un collega un'ora prima, e vi risponderà con un vuoto. Ogni conversazione ricomincia da zero.

La risposta di Asana è un prodotto che chiama Agentic Work Management, o AWM. L'azienda di software per project management ha svelato come funziona alla conferenza VB Transform 2026, in un intervento riportato per primo da VentureBeat.

Come funziona effettivamente AWM?

AWM tratta gli agenti AI, software in grado di eseguire compiti multi-step in autonomia, come membri permanenti di un team piuttosto che come aiutanti temporanei. La chiave è il Work Graph, un database che Asana ha costruito per 18 anni e che connette ogni compito a un progetto, ogni progetto a un portfolio e ogni portfolio a un obiettivo aziendale.

Quando un agente AI all'interno di AWM completa un compito, non restituisce solo una risposta e scompare. Il sistema registra cosa è successo, se il lavoro ha fatto progredire il progetto e come ha influito sui target di livello superiore. Questo record diventa parte di una memoria condivisa che qualsiasi collega umano o AI dell'azienda può utilizzare in seguito.

"Sta operando da quel registro condiviso per l'intera azienda," ha dichiarato Arnab Bose, chief product officer di Asana, durante l'evento.

Cosa impedisce all'AI di divulgare informazioni riservate?

La memoria condivisa crea un rischio ovvio. Un dirigente che usa l'agente AI per pianificare un'acquisizione segreta ha insegnato a quell'agente qualcosa di sensibile. Se un dipendente junior successivamente chiede aiuto allo stesso agente, Asana deve assicurarsi che l'agente non riveli accidentalmente ciò che sa.

Asana ha implementato una serie di controlli di accesso che governano quando il sistema crea una memoria rispetto a quando semplicemente esegue un compito. L'agente verifica se la persona che fa una richiesta ha il permesso di visualizzare il progetto che ha originariamente generato la conoscenza rilevante. Se non ce l'ha, quella conoscenza rimane invisibile per loro.

Bose l'ha espresso chiaramente: se avete usato l'AI per costruire workflow per un progetto di fusione riservato, un collega senza accesso a quel progetto non dovrebbe essere in grado di beneficiare da ciò che l'AI ha imparato lì.

Il sistema gestisce anche la selezione dei modelli automaticamente. Un modello linguistico di grandi dimensioni, la tecnologia dietro chatbot come ChatGPT e Claude, è disponibile in diverse dimensioni. I modelli più grandi pensano più profondamente ma costano di più. AWM legge la complessità di ogni compito e lo indirizza al modello giusto senza che l'utente debba scegliere. I compiti semplici vanno ai modelli più veloci e economici. Quelli complessi vanno a opzioni più pesanti come Claude Opus di Anthropic o ai modelli di OpenAI. Il prezzo è fisso per compito indipendentemente, quindi le aziende possono fare un budget prevedibile.

Che aspetto ha nella pratica?

In CoreWeave, un'azienda di cloud computing, i product manager compilavano moduli dettagliati a mano ogni volta che lanciavano un nuovo prodotto. I revisori umani leggevano quei moduli e assegnavano manualmente i compiti ai team di finanza, marketing e hardware.

Con AWM, un product manager scrive un documento standard. Un AI lo legge, costruisce la struttura del progetto e assegna i compiti. Un agente monitora il progresso complessivo e segnala i ritardi. Un altro prevede i costi dell'infrastruttura e segnala quando i numeri escono dai parametri storici. Le persone rivedono i risultati dell'AI e prendono le decisioni che contano.

Il lavoro noioso passa alla macchina. Il giudizio resta con l'umano.

I lavoratori dovrebbero preoccuparsi di essere sostituiti?

Bose ha inquadrato AWM come uno strumento che gestisce il coordinamento di routine in modo che le persone possano concentrarsi su decisioni che richiedono vero giudizio. L'esempio di CoreWeave supporta questo: gli umani ancora approvano i costi e valutano le raccomandazioni dell'AI.

La vera tensione è che aziende come Anthropic e OpenAI, che forniscono i modelli sottostanti che alimentano AWM, stanno anche costruendo i loro stessi prodotti agent che competono direttamente con Asana. Bose l'ha riconosciuto. Il suo argomento è che 18 anni di dati di workflow e processi pre-costruiti per industrie specifiche danno ad AWM qualcosa che un modello AI grezzo non può replicare rapidamente.

Osservate: Se la vostra azienda inizia a usare un agente AI connesso ai dati aziendali condivisi, chiedete al vostro team IT come funzionano i controlli di accesso. Un sistema ben costruito limiterà quello che l'agente può dirvi in base a quello che siete autorizzati a vedere. Se nessuno riesce a rispondere chiaramente a quella domanda, le protezioni potrebbero non essere ancora attive.