Cómo los compañeros de IA crean memoria: convertir el trabajo en conocimiento reutilizable

La mayoría de los productos de IA tratan la memoria como una característica personal: recuerdan datos sobre un usuario o una conversación. Pero la IA que colabora entre los equipos necesita un tipo de memoria fundamentalmente diferente. Los sistemas de IA se vuelven más útiles cuando pueden aprovechar lo que han aprendido antes. Pero en el software empresarial, la memoria no es solo una cuestión de almacenar más contexto. El problema más difícil es hacer que esa memoria sea útil en todo el trabajo compartido y, al mismo tiempo, mantenerla inspeccionable, gobernable y consciente de los permisos.

Ese es el desafío que nos propusimos resolver con los compañeros de IA.

Los compañeros de IA operan en un entorno diferente. Colaboran en tareas, proyectos y documentos compartidos. Reciben comentarios de varias personas. Trabajan en distintos sistemas. Y necesitan mejorar con el tiempo sin convertirse en una caja negra llena de contexto oculto que nadie puede auditar.

Eso crea un problema de diseño diferente. Un compañero de equipo de IA necesita una forma de aprender de la ejecución, recuperar el conocimiento relevante más tarde y explicar cómo ese conocimiento influyó en sus acciones. Al mismo tiempo, no puede tratar toda la información previa como reutilizable a nivel global. Lo que recuerda y lo que puede usar tiene que respetar los mismos límites que rigen el trabajo de base.

En la práctica, eso significa que la memoria se convierte en parte de nuestra arquitectura de colaboración de nivel empresarial. Conecta el aprendizaje, la recuperación, el control de acceso y la transparencia en un solo sistema.

Del contexto único al conocimiento reutilizable

La versión más simple de un asistente de IA comienza de cero cada vez. Le das un mensaje, tal vez adjuntas algunos archivos, y trata de ayudar dentro de esa única interacción. Eso puede funcionar para solicitudes aisladas, pero falla rápidamente en los flujos de trabajo del equipo que se extienden en el tiempo.

Un colaborador humano no solo responde al mensaje actual. Recuerda el proceso preferido del Equipo, los ejemplos que definen un buen resultado, los documentos que importan, los comentarios que recibió la semana pasada y el contexto del proyecto que determina cómo se debe realizar el trabajo. Si los compañeros de IA van a sentirse como colaboradores reales, necesitan una forma de acumular el mismo tipo de conocimiento práctico.

Para nosotros, eso significaba crear una capa de memoria unificada que abarcara todo el ciclo de vida del conocimiento:

• Cómo se crean las memorias

• Cómo se recuperan durante futuras ejecuciones

• Cómo se vinculan al gráfico de trabajo: el modelo de datos estructurados de Asana que conecta tareas, proyectos, personas y objetivos en toda una organización

• Cómo los usuarios inspeccionan y controlan lo que el compañero de equipo ha aprendido

Ese último punto es más importante de lo que parece en un principio. Un sistema de memoria potente que nadie puede inspeccionar ni corregir no genera confianza. Crea un nuevo modo de falla.

Cómo crean memoria los compañeros de IA

Una de las primeras decisiones de diseño que tomamos fue identificar los momentos adecuados para que un compañero de equipo genere memorias.

Una clase de memoria se infiere durante o después de la ejecución. A medida que un compañero de equipo trabaja en una tarea, encuentra instrucciones, lee recursos, realiza acciones y recibe comentarios. Parte de esa información es transitoria. Parte de ella es duradera y vale la pena reutilizarla; por ejemplo, un usuario podría dar comentarios como “poner siempre en copia al revisor del modelo de datos en estas tareas”. Como otro ejemplo, cuando un compañero de equipo lee un proyecto, podría aprender cosas sobre el propósito del proyecto (p. ej.: El Proyecto X contiene recursos sobre las mejores prácticas de la campaña de marketing de la organización). Esos son buenos candidatos para la memoria duradera.

Otra clase de memoria es la explícita. Los usuarios pueden proporcionar orientación directamente en lugar de esperar a que el sistema la infiera. Esto es de especial importancia cuando el objetivo no es capturar una lección del trabajo anterior, sino enseñar al compañero de equipo cómo comportarse en un contexto de trabajo más amplio o cómo usar un recurso en particular.

Esa ruta explícita se vuelve especialmente poderosa para la memoria vinculada a los recursos. Un usuario puede darle a un compañero de equipo acceso a un documento y luego explicarle qué función debería desempeñar ese recurso. ¿Es un documento de procesos que explica cómo se comunica el Equipo? ¿Un documento de referencia que contiene conocimiento del dominio? ¿Una plantilla que debería dar forma al trabajo futuro? La distinción es importante porque el mismo material de origen se puede usar de manera muy diferente según la intención del usuario.

Cada vez que se crea una memoria, creamos “Asociaciones de memoria”, que son básicamente referencias a los objetos del gráfico de trabajo a los que se refiere la memoria o para los que es relevante. Por ejemplo, podría ser el proyecto que describe la memoria o un recurso de Google Docs que cargó un usuario. Como describiremos más adelante en este artículo, estas asociaciones son fundamentales para la forma en que recuperamos las memorias y garantizamos un control de acceso adecuado.

Cómo recuperan memorias los compañeros de IA

Un sistema de memoria solo es bueno si su modelo de recuperación también lo es. Almacenar aprendizajes útiles no es suficiente si el conocimiento correcto no aparece en el momento adecuado.

Para los compañeros de IA, la recuperación funciona como un sistema de dos vías.

El primer carril es la recuperación al inicio de la ejecución. Cuando un compañero de equipo comienza a trabajar en una tarea, recibe un conjunto de memorias relevantes antes de comenzar a tomar decisiones. Estos pueden incluir instrucciones ancladas que siempre deben aplicarse, aprendizajes previos que coinciden con el trabajo actual o conocimientos de nivel superior que parecen relevantes según la búsqueda o la similitud semántica.

El segundo carril es la recuperación contextual durante la ejecución. Cuando un compañero de equipo lee una tarea, proyecto u otro elemento específico, también recibe memorias asociadas con ese elemento. Esto es importante porque, en general, algunos conocimientos no son relevantes en abstracto. Se vuelve relevante porque el compañero de equipo ahora está viendo una parte particular del gráfico de trabajo.

Esa combinación le da al sistema un equilibrio útil. El compañero de equipo puede comenzar con un amplio conjunto de trabajo de conocimiento probablemente relevante y luego obtener un contexto más preciso a medida que profundiza en el trabajo.

Hacer que la memoria sea operativa

Una de las decisiones de diseño más importantes fue representar la memoria como algo operativo en lugar de místico. En nuestro modelo de datos, la memoria es un objeto concreto con contenido, metadatos y asociaciones.

Una asociación de memoria captura un objeto del gráfico de trabajo sobre el que trata la memoria o para el que es relevante. Esto nos permite contextualizar explícitamente una memoria en el gráfico de trabajo más amplio, en lugar de tener memorias desvinculadas del contexto que la memoria está capturando. 

El control del acceso da forma a todo el diseño

Los sistemas de memoria empresarial se vuelven mucho más difíciles en el momento en que participan varias personas, proyectos y permisos.

Una IA de asistente personal a menudo puede tratar la memoria como una simple extensión del historial de un usuario. Sin embargo, un compañero de equipo que trabaja en el trabajo compartido y puede ser activado por varias personas no puede hacerlo de manera segura. Cualquier memoria que cree el sistema se deriva del trabajo subyacente real: tareas, comentarios, documentos, proyectos y ejecuciones anteriores. Si se permitiera que la memoria flotara libremente sin esas fuentes, podría convertirse en un canal para filtrar información más allá de los límites de los permisos.

Es por eso que la memoria en los compañeros de IA tiene que heredar la misma lógica de control de acceso que el trabajo del que proviene.

Cada recuperación de memoria se limita a quien activó la ejecución. El compañero de equipo solo puede acceder a una memoria si esa persona tiene visibilidad del trabajo que la produjo: las tareas, los comentarios, los documentos o los proyectos involucrados. La misma regla se aplica a las asociaciones: si una memoria hace referencia a un objeto de Asana, como una tarea o un proyecto, solo aparece cuando el usuario que la activa también puede ver ese objeto. En otras palabras, un compañero de IA nunca ve nada que la persona que lo activó no pudiera ver ya.

La transparencia cierra el círculo

La última pieza es la visibilidad. Si un compañero de equipo usa la memoria para guiar una acción, los usuarios necesitan una forma de comprender esa influencia.

Eso comienza con la propia memoria inspeccionable. Los usuarios deberían poder ver las memorias que tiene un compañero de equipo y eliminar las memorias que puedan ser inexactas u obsoletas. Además, cuando un compañero de equipo ejecuta, el sistema puede mostrar qué memorias se pasaron al contexto de ejecución y cuáles se crearon durante el transcurso de la ejecución.

En lugar de preguntar “¿por qué la IA hizo eso?” en abstracto, un usuario puede rastrear el comportamiento hasta una instrucción específica aprendida, una memoria de recursos o un objeto de contexto asociado. La solución se vuelve concreta: editar la memoria, eliminarla, actualizar la fuente o agregar una mejor guía.

Por ejemplo, si un compañero de equipo formatea un informe de manera diferente a lo esperado, un usuario puede revisar sus memorias para ver que aprendió una preferencia de formato a partir de los comentarios de otro miembro del equipo la semana pasada y actualizar o eliminar esa memoria para cambiar el comportamiento.

Por eso, la memoria y la transparencia deben diseñarse juntas. Un compañero de equipo que aprende con el tiempo es más poderoso. Es más difícil confiar en un compañero de equipo que aprende de manera invisible.

Por qué es importante

En nuestra publicación anterior, exploramos cómo los compañeros de IA operan de manera transparente en espacios compartidos del equipo. La memoria es la capa que hace que esa colaboración sea compleja: el sistema aprende del trabajo compartido, recupera ese conocimiento cuando es importante y lo hace dentro de los mismos límites de confianza que rigen el trabajo en sí. 

La lección más profunda es que la IA con alcance de equipo necesita más que una ventana de contexto más grande. Necesita un modelo para convertir la colaboración en conocimiento duradero, reutilizable y gobernable.

En la próxima publicación, veremos cómo evaluamos y seleccionamos los modelos de lenguaje que impulsan este razonamiento.

Este artículo fue escrito por Anant Tibrewal, ingeniero del equipo de compañeros de IA, donde trabaja para crear y escalar el producto de IA agentiva colaborativa de Asana.