Gli AI Teammates mantengono il contesto tra attività e persone, mentre i permessi della piattaforma regolano l’accesso alle informazioni riservate.
Asana sta portando negli strumenti di gestione del lavoro un modello di agente AI pensato per collaborare con gruppi di persone e conservare il contesto accumulato durante le attività. Gli AI Teammates vengono descritti come agenti inseriti nei flussi di lavoro condivisi, capaci di mettere a disposizione del team una memoria comune e di rispettare le autorizzazioni già applicate a progetti, task e altri oggetti della piattaforma.
La combinazione tra memoria e controllo degli accessi affronta una necessità concreta delle aziende che adottano l’intelligenza artificiale. Un assistente utilizzato attraverso conversazioni isolate conosce soprattutto ciò che l’utente inserisce nella singola sessione. Un agente collegato al lavoro del gruppo può invece riutilizzare informazioni emerse in precedenza, mantenere continuità tra attività correlate e rendere il proprio contributo visibile alle persone coinvolte.
Dall’assistente individuale all’agente di team
Molti strumenti generativi sono nati attorno a un’interazione individuale: una persona formula una richiesta, il modello produce una risposta e il contesto rimane legato a quella conversazione. Questo schema è efficace per scrivere un testo, sintetizzare un documento o cercare una soluzione. Nei processi aziendali, tuttavia, le attività attraversano più persone e si sviluppano nel tempo.
Una campagna editoriale, per esempio, può coinvolgere chi prepara i contenuti, chi li revisiona e chi coordina la pubblicazione. Se ogni interazione con l’agente resta separata, una parte rilevante del contesto deve essere ricostruita a ogni passaggio. Una memoria condivisa permette di conservare decisioni, preferenze e informazioni operative collegate al lavoro. L’agente può così inserirsi in una collaborazione già avviata senza dipendere interamente dal riepilogo fornito dall’ultimo utente.
Asana collega questo approccio al proprio Work Graph, cioè alla struttura che organizza il contesto del lavoro presente nella piattaforma. L’agente opera quindi all’interno di relazioni già definite tra attività e oggetti pertinenti. La sua memoria assume una funzione organizzativa: mantiene disponibili elementi utili alle interazioni successive e li associa al contesto da cui provengono.
Una memoria costruita su fatti collegati al lavoro
La descrizione tecnica fornita da Asana indica che il sistema conserva fatti testuali associati agli oggetti rilevanti. La memoria viene così ancorata alle attività da cui è stata ricavata, anziché formare un archivio indistinto di tutte le conversazioni. Questa impostazione aiuta l’agente a recuperare il contesto appropriato quando partecipa a un flusso di lavoro.
La differenza è importante anche sul piano pratico. Una memoria generica potrebbe accumulare indicazioni difficili da ricondurre a un progetto preciso. Il collegamento con gli oggetti della piattaforma offre invece una struttura: un’informazione appartiene a un determinato contesto e la sua disponibilità segue le regole applicate a quel contesto.
Il valore della memoria cresce inoltre quando l’agente viene utilizzato da più persone. Le conoscenze operative costruite durante un’interazione possono contribuire al lavoro successivo del gruppo, riducendo la necessità di ripetere istruzioni e ricostruire decisioni già prese. Asana presenta gli AI Teammates come partecipanti ai flussi condivisi, con attività visibili al team interessato. La trasparenza del contributo consente ai colleghi di capire dove è intervenuto l’agente e di proseguire il processo sulla stessa base informativa.
I permessi separano il contesto condiviso da quello riservato
La condivisione della memoria resta vincolata al modello di autorizzazioni della piattaforma. Asana afferma che gli AI Teammates seguono gli stessi permessi applicati al resto dell’ambiente di lavoro. La documentazione propone un caso particolarmente chiaro: se una memoria deriva da un task privato, una persona priva dell’accesso a quel task non può vedere neppure la memoria corrispondente.
Questo principio evita che l’agente diventi un percorso alternativo per consultare informazioni protette. La memoria utile al gruppo circola entro il perimetro definito dalle autorizzazioni. Le informazioni legate a spazi riservati rimangono disponibili alle persone abilitate, anche quando vengono utilizzate dall’agente per conservare il contesto.
Per le organizzazioni, l’integrazione con i permessi esistenti semplifica la governance. Un sistema separato richiederebbe nuove regole per stabilire quali utenti possano consultare le informazioni raccolte dall’intelligenza artificiale. Nel modello descritto da Asana, il controllo parte dalla struttura di accesso già impiegata per il lavoro quotidiano. La qualità della configurazione iniziale conserva quindi un ruolo decisivo: progetti, attività e gruppi devono avere autorizzazioni coerenti con le responsabilità delle persone.
Cosa cambia nei flussi di lavoro
Una memoria condivisa può rendere gli agenti più adatti ai processi che durano settimane o mesi. In un flusso editoriale, l’agente potrebbe mantenere il contesto relativo a criteri di revisione, stato delle lavorazioni e decisioni condivise. In una piccola impresa potrebbe aiutare a seguire un’iniziativa trasversale senza richiedere a ogni partecipante di ripartire dalla cronologia completa. In un gruppo di sviluppo potrebbe conservare indicazioni operative legate alle attività presenti nel progetto.
Questi esempi descrivono una conseguenza del modello, non un’automazione totale del processo. La memoria migliora la continuità, mentre la qualità del lavoro dipende ancora dalla chiarezza delle informazioni inserite, dalla configurazione dei flussi e dalla revisione delle persone. Anche un agente dotato di contesto può produrre interpretazioni incomplete. La verifica umana resta utile soprattutto quando una decisione coinvolge contenuti destinati al pubblico, dati aziendali o passaggi con effetti economici.
La memoria condivisa può inoltre ridurre una delle inefficienze più comuni nell’uso professionale degli strumenti generativi: la continua preparazione del contesto. Copiare aggiornamenti, riassumere discussioni e ripetere preferenze richiede tempo. Un agente inserito nella piattaforma di lavoro può recuperare parte di queste informazioni dalla struttura in cui il processo viene già gestito. Il vantaggio atteso riguarda quindi la continuità operativa prima ancora della velocità con cui viene generata una singola risposta.
La piattaforma di lavoro diventa parte dell’architettura AI
L’approccio di Asana riflette un’evoluzione più ampia degli strumenti aziendali. Le piattaforme di produttività possiedono già una struttura composta da attività, responsabilità, autorizzazioni e cronologie. Collegare gli agenti a questa struttura offre un contesto più stabile rispetto a una raccolta di richieste isolate.
Per fornitori e aziende, la competizione sugli agenti AI si sposta così verso la capacità di integrare memoria, flussi e governance. Le prestazioni del modello linguistico rimangono importanti, insieme alla possibilità di comprendere dove si trova un’informazione, chi può utilizzarla e in quale attività risulta pertinente. La maturità di un agente professionale dipende anche da questi elementi organizzativi.
Gli AI Teammates di Asana propongono una risposta precisa: memoria comune per le persone che collaborano nello stesso perimetro e separazione delle informazioni attraverso i permessi nativi. È un’impostazione coerente con l’uso produttivo dell’intelligenza artificiale, nel quale l’agente acquisisce valore quando conserva il contesto del lavoro, rende visibile il proprio contributo e si inserisce nelle regole operative già adottate dall’organizzazione.
Fonti
- AI Agents Built for Teams: Shared Context and Transparency in Enterprise AI
- Asana AI & Agentic Work Management
- AI Teammate Access Control: Permissions, Privacy, and Memories
