Az Asana a VB Transform 2026 konferencián bemutatta, hogyan oldották meg a fejlesztők által ismételten felmerülő problémát: a stateless chatbotok emlékezet‑ és kontextushiányát. Arnab Bose, az Asana termékfejlesztésért felelős vezetője a VentureBeat szerkesztőjével, Sam Witteveennel folytatott beszélgetésében részletezte az Agentic Work Management (AWM) működését és mérnöki döntéseit.
Mi a gond a jelenlegi chatbotokkal?
A tipikus AI copilot ma legtöbbször egy felhasználói prompt‑hoz kötött, állapotmentes rendszer: egyszeri választ ad, de nem épít fel újrahasznosítható vállalati memóriát, és nem követi, hogy egy korábbi verzió vagy akció ténylegesen javította‑e a projekt állapotát. Bose példaként említette, hogy egy marketingkampány tervezését segítő chat‑ügynök ugyan képes adatokat lekérni, de maga a végrehajtás elszigetelt marad, ezért nem lesz hasznos a következő személy számára, aki hasonló kampányt indít.
A Work Graph mint kész kontextus‑graf
AWM alapját az Asana 18 éve épített architektúrája, a Work Graph adja. A grafikus adatbázis az információkat egy úgynevezett Pyramid of Clarity struktúrába rendezi: a legkisebb munkadarab egy feladat, amelyhez felelős és határidő tartozik; a feladatok projektekbe szerveződnek, a projektek portfóliókba, a portfóliók pedig vállalati célokhoz kapcsolódnak. Ez a szerkezet valós időben képes visszakövetni például, hogy egy késedelmes tervezési feladat miként hat egy bevételi célra. Bose hangsúlyozta, hogy mivel az ügynök a Work Graph‑hoz van kötve, nem csupán egy adott promptot vagy egy felhasználó helyi fájlrendszerét látja, hanem a vállalat közös főkönyvét.
Mit nyújt az AWM?
AWM célja, hogy az AI‑t állandó, többjátékos csapattársként kezelje: az ügynökök megosztott memóriát használnak, frissítik a projektállapotokat, és együttműködnek az emberekkel. Asana szerint az AWM már élesben működik: Bose elmondása szerint „több ügyfelük élőben, sikeresen használja”, ideértve a FedExet, amely saját esettanulmányt tett közzé a váltásról.
Hozzáférésvezérlés és biztonsági határok
Az AWM vállalati bevezetése több technikai kihívást igényelt. Az első és legkritikusabb a adat‑ és jogosultságkezelés: ha egy AI‑ügynök a vállalat különböző munkafolyamataiból és emberi visszajelzésekből tanulva „megosztott memóriát” épít, biztosítani kell, hogy ez a memória ne szivárogjon át jogosulatlan munkatársakhoz. Bose rámutatott egy tipikus esetre: ha egy felsővezető titkos M&A‑projekthez készít folyamatokat, az ebből létrejövő memóriának nem szabad megosztódnia olyan alkalmazottakkal, akik nem férnek hozzá a projekthez. Ennek érdekében az Asana hozzáférés‑vezérelt logikát tervezett, amely megkülönbözteti a memóriaképzést a puszta feladatvégrehajtástól.
Dinamikus modell‑routing és a prompt‑engineering elrejtése
A második mérnöki döntés a dinamikus modell‑routing: a felhasználónak nem kell kiválasztania vagy finomhangolnia a modellt. Ha például egy felhasználó AI‑társnak rendel egy feladatot (például álláshirdetés megfogalmazása), a rendszer automatikusan összeveti a nyilvános álláshirdetésekkel, az Asana belső stílusirányelvével és a termékkövetelményekkel, majd a feladat komplexitása alapján egy hatékonyabb, „nehezebb” frontier‑modellt vagy egy könnyebb, olcsóbb modellt választ. Bose példaként említette Anthropic Opus‑át és OpenAI modelleket.
Számlázás: előre látható költség per feladat
A dinamikus routing harmadik következménye a költségkezelés problémája: a különböző modellek és feladatok eltérő számítási igénye miatt kiszámíthatatlan lehet a fogyasztás. Asana emiatt olyan számlázási architektúrát tervezett, amely fix költséget számol fel feladatonként, így az ügyfél nem a modellválasztás vagy token‑fogyasztás alapján kap változó számlát. A platform ezzel magába nyeli a modellválasztás komplexitását, hogy a vállalati árképzés kiszámítható maradjon.
Állandó állapot és metaadatok rögzítése
AWM megoldja a stateless chatbotok problémáját azzal, hogy állandó állapotot hoz létre: amikor egy AI‑társ befejez egy feladatot, a rendszer metaadatokat rögzít — például hogy a teljesítés javította‑e a projektállapotot, és milyen hatása volt a felsőbb szintű vállalati célokra. Így a tudásállomány folyamatosan bővül, és újrahasznosítható munkafolyamatok jönnek létre.
CoreWeave: termékbevezetések automatizálva
CoreWeave, egy felhőszolgáltató, az AWM korai alkalmazója; az Asana példája szerint a cég komplex, új termékbevezetéseket dolgoz át AWM‑alapú folyamatokkal. Korábban a termékmenedzserek részletes űrlapokat töltöttek ki, amelyeket emberek értékeltek és bontottak fel külön feladatokra pénzügy, marketing és hardver csapatok számára. Az AWM‑ben egy szabványos dokumentumot írva a termékmenedzserhez kapcsolódó követelményeket a determinisztikus AI‑folyamatok automatikusan felépítik a projektstruktúrát, kiosztják a feladatokat, és specializált ügynökök végzik a részfeladatokat — például forráselemzést, költségelőrejelzést és szűk keresztmetszetek jelzését. Az emberi feladatok így inkább az AI‑kimenetek értékelésére szorítkoznak.
A frenemy‑probléma: ugyanazok a modellek és a konkurencia
Bose elismerte az összetett piaci helyzetet: azok a frontier modell‑szolgáltatók (például Anthropic, OpenAI), amelyek AWM alatt futó modelleket biztosítják, ugyanakkor saját, versengő ügynöktermékeket is kínálnak (például Anthropic Claude a Slackben, Tag). Bose szerint ez a valóság része: Asana versenyelőnyét a 18 évnyi felhasználói élmény, munkafolyamat‑adat és iparágspecifikus előreépített eljárások jelentik — olyan tudás, amely szerinte a „nyers” frontier‑modellekből önmagukban nem adódik.
Összegzés
Az Agentic Work Management célja, hogy a vállalati AI‑ügynököket valódi, megosztott csapattársként tegye használhatóvá: állandó vállalati memóriát biztosít, hozzáférés‑vezérelt határokat tart fenn, automatikusan választ modelleket és előre jelezhető számlázást kínál. Az AWM már élesben fut több ügyfélnél, és az Asana szerint ez a megközelítés megoldást jelenthet a stateless chatbotok korlátaira a nagyvállalati környezetben.
