Agenti di IA progettati per i team: contesto condiviso e trasparenza nell'IA aziendale

Il gap di responsabilità

Gli agenti IA aziendali sono sistemi di IA in grado di eseguire azioni all'interno di flussi di lavoro condivisi tra team e progetti. Questo panorama è cresciuto rapidamente man mano che un numero sempre maggiore di piattaforme ha lanciato le proprie versioni di assistenza IA che toccano il contenuto condiviso del team.

La maggior parte delle organizzazioni non riesce ancora a superare la fase pilota. Il rapporto 2026 State of Agentic Orchestration & Automation di Camunda ha rilevato che solo l'11% dei casi d'uso dell'IA agentica ha raggiunto la produzione, con il 73% delle organizzazioni che segnala un divario tra le proprie ambizioni in materia di IA e la realtà. Un altro studio di Dynatrace ha rilevato che la metà di tutti i progetti di intelligenza artificiale è rimasta bloccata nella fase di ideazione o di progetto pilota. Il principale ostacolo in entrambi i casi: la fiducia.

I modelli sono straordinariamente capaci, ma il collo di bottiglia è la responsabilità. Quando un agente IA agisce su un lavoro condiviso che interessa più persone, tutti i soggetti coinvolti devono sapere cosa ha fatto, perché e entro quali limiti. La maggior parte degli strumenti di IA oggi non risponde a queste domande, in quanto non rende facile vedere cosa ha fatto l'IA o perché. Le azioni avvengono in thread privati o dietro interfacce in cui il coinvolgimento dell'IA è invisibile. Quando le cose non vanno per il verso giusto (e con i sistemi probabilistici le cose non vanno per il verso giusto), non c'è nessuna traccia da seguire.

Abbiamo creato gli AI Teammates sulla base di una premessa che deriva direttamente dalla nostra storia. Da oltre un decennio, Asana sviluppa il grafico del lavoro: una rappresentazione strutturata di chi sta facendo cosa, per quando, verso quali obiettivi e in coordinamento con chi. I principi alla base (visibilità condivisa, responsabilità chiara, accesso basato sulle autorizzazioni, comunicazione strutturata) sono stati progettati per rendere efficace la collaborazione umana. Quegli stessi principi si sono rivelati esattamente ciò che serve per rendere affidabile la collaborazione con l'IA.

Costruire a partire da ciò che ha già funzionato

La maggior parte dei prodotti con agenti IA parte dal modello e procede verso l'esterno: ecco cosa può fare l'IA, ora scopriamo come si inserisce nel tuo flusso di lavoro. Noi siamo partiti dalla direzione opposta. Asana aveva già solide idee, integrate nel prodotto nel corso di anni di iterazioni, su come ottenere struttura, responsabilità e collaborazione senza sforzo sul lavoro condiviso.

Il grafico del lavoro codifica tutto questo. Ogni attività, progetto, obiettivo e conversazione esiste all'interno di una rete di relazioni: chi ne è responsabile, chi collabora, a cosa contribuisce, da cosa dipende. Quando i team utilizzano Asana, costruiscono e perfezionano continuamente questa immagine strutturata del loro lavoro.

Quando abbiamo iniziato a creare agenti IA, la domanda è diventata: e se l'IA operasse all'interno di questa stessa struttura? E se, invece di inventare un modello di contesto separato per l'IA, la lasciassimo partecipare al modello di collaborazione che avevamo già creato?

Questo è il nostro modello concettuale di base alla base di AI Teammates: ove possibile, le loro capacità corrispondono a quelle di un utente umano all'interno di un'organizzazione. Ricevono attività assegnate. Leggono e scrivono commenti. Vengono visualizzati negli stessi feed attività. Il loro accesso ai contenuti è limitato in modo che la collaborazione con un collega del team non estenda mai le autorizzazioni di nessuno al di là di quelle che già possiede. L'infrastruttura che mantiene la collaborazione umana organizzata e trasparente si estende naturalmente all'IA, perché i problemi complessi dell'IA aziendale (contesto, controllo degli accessi, coordinamento, visibilità) erano già problemi che avevamo risolto per le persone.

Come appare il contesto condiviso nella pratica

La maggior parte degli strumenti di IA limita l'ambito di un agente a ciò che un singolo utente può vedere quando lo richiama. Gli AI Teammates funzionano in modo diverso: si trovano nello stesso spazio di lavoro in cui si svolge il lavoro effettivo del team, insieme ai progetti, alle attività, agli obiettivi e alle conversazioni che definiscono ciò che un'organizzazione sta cercando di realizzare.

Quando a un collega del team viene assegnata un'attività, riceve il contesto relativo a quell'attività e a tutto il lavoro immediatamente connesso ad essa: il progetto principale, gli obiettivi correlati, le dipendenze e i collaboratori. Può anche effettuare ricerche nel grafico del lavoro più ampio, estraendo attività, progetti, obiettivi e persone pertinenti in base a ciò che è utile per il lavoro da svolgere.

Ciò significa che più persone interagiscono con lo stesso collega del team sul lavoro condiviso. Un project manager assegna un'attività. Un designer commenta con vincoli. Un tecnico aggiunge il contesto tecnico. Il collega del team si basa su tutto questo, ac

accumulando conoscenze lavorative che abbracciano collaboratori e iniziative.

Poiché il grafico del lavoro già mostra come i team si coordinano, il collega del team può ragionare sul lavoro come farebbe un collaboratore: cosa sta bloccando il lancio, chi è responsabile del passaggio successivo e cosa abbiamo concordato la scorsa settimana. Questo tipo di ragionamento è possibile solo quando l'IA opera all'interno della stessa struttura che il team utilizza già per rimanere allineato.

Come gli AI Teammates rispettano la privacy

Come gli utenti umani, gli AI Teammates sono soggetti a controlli di accesso espliciti in tutto il grafico del lavoro. Alcune attività e progetti sono pubblici e visibili a tutti (e a ogni AI Teammate) nell'organizzazione. Altri richiedono adesioni a progetti e portfolio concesse esplicitamente a singoli utenti o ereditate tramite i team.

Solo un gruppo specifico di persone (spesso un team di Asana) è autorizzato ad attivare un'azione da parte di un collega del team. Gestiscono collettivamente le conoscenze, la guida e l’accesso al lavoro del collega del team.

Gli AI Teammates beneficiano di un'ulteriore protezione: l'accesso effettivo di un collega del team è sempre limitato dalle autorizzazioni della persona che lo attiva. Questa funzionalità consente ai colleghi del team di avere un ampio accesso ai contenuti, riducendo al minimo il rischio che qualcuno estenda il loro accesso per includere informazioni che l'AI Teammate ha appreso in un contesto separato e privato.

Non determinismo rispetto a flussi di lavoro rigidi

Organizzazioni diverse strutturano lo stesso lavoro in modi completamente diversi. Alcune monitorano le dipendenze attraverso le relazioni tra le attività, altre attraverso le sottoattività, altre ancora attraverso le sezioni del progetto. Avremmo potuto creare un modello di esecuzione rigido che funzionasse perfettamente per un solo stile di flusso di lavoro. Invece, forniamo al collega del team il contesto su come appaiono le relazioni in un determinato spazio di lavoro, oltre alla possibilità di cercare e imparare dal lavoro passato, in modo che sviluppi competenze specifiche per l'organizzazione. Proprio come un membro del team appena assunto, impara il modo di lavorare del tuo team invece di costringerti a seguire il nostro.

Non è possibile creare un unico diagramma di flusso di come l'IA elabora una richiesta. È intenzionale. Un sistema deterministico funzionerebbe bene per la parte dei team che corrisponde alle nostre ipotesi e fallirebbe per tutti gli altri. Il non determinismo è ciò che consente allo stesso agente di adattarsi a modi radicalmente diversi di organizzare il lavoro. E poiché il grafico del lavoro di Asana registra già il modo in cui ogni team struttura la propria collaborazione, il collega del team ha una base ricca e specifica dell'organizzazione da cui imparare fin dal primo giorno.

Memoria semplice con cicli di feedback brevi

Il sistema di memoria di Teammate è, fondamentalmente, un elenco di fatti testuali collegati agli oggetti per i quali sono rilevanti. Abbiamo iniziato da qui, anziché con un database vettoriale o un grafo della conoscenza, perché volevamo capire cosa si potesse ottenere con un ciclo di feedback stretto prima di investire in un'infrastruttura più pesante.

Ciò che abbiamo scoperto è che il ciclo svolge la maggior parte del lavoro pesante. Il collega del team opera in un contesto condiviso in cui gli utenti lo correggono naturalmente, perfezionano le sue istruzioni e interagiscono con i suoi output nel corso del proprio lavoro. Fornire qualsiasi percorso affinché i fatti appresi rientrino nella finestra di contesto nei turni futuri consente ogni tipo di intelligenza emergente e personalizzazione. Quindi, per iniziare, ci siamo concentrati su un'implementazione rapida e semplice.

L'architettura si evolverà con la maturazione del prodotto, ma l'approfondimento che continua a reggere è che un buon circolo virtuoso è importante almeno quanto la sofisticazione dell'archiviazione. E poiché oggi la memoria è solo testo, è completamente ispezionabile. Gli utenti possono vedere ogni memoria del loro collega del team direttamente sul suo profilo.

L'accesso alla memoria segue lo stesso modello di autorizzazione di tutto il resto su Asana. Una memoria è visibile solo alle persone che possono visualizzare l'attività su cui il collega del team stava lavorando quando è stata creata. Quando un'IA ha accesso a più progetti con diversi livelli di accesso, questa è la linea che impedisce la fuoriuscita di informazioni oltre i confini delle autorizzazioni.

Responsabilità a livello di azione che rispecchia i flussi di lavoro del team

Quando un collega del team esegue un lavoro, gli utenti vedono un indicatore in tempo reale del suo lavoro e possono aprire i registri delle azioni dell'IA: una traccia completa di ogni azione, come attività create, commenti pubblicati, ricerche eseguite, oggetti modificati. I risultati concreti sono visibili nel grafico del lavoro a chiunque abbia accesso, comprese le persone che non hanno attivato il collega del team. Prima di eseguire qualsiasi azione sensibile dal punto di vista della privacy, i colleghi del team devono ottenere l'approvazione esplicita dell'utente, un vincolo rigido integrato nel sistema.

Questo modello di responsabilità estende il modo in cui i team già lavorano su Asana. Quando un collaboratore umano completa un'attività o pubblica un aggiornamento, questo è visibile al team. Gli AI Teammates seguono lo stesso schema. Puoi vedere cosa hanno fatto. Puoi chiedere loro il motivo e ti daranno una spiegazione basata sullo stesso contesto che hanno usato per prendere la decisione. Non intraprenderanno azioni delicate senza autorizzazione. Quando qualcosa va storto, c'è una registrazione chiara. In un panorama in cui la maggior parte delle organizzazioni cita la trasparenza come ostacolo alla distribuzione, riteniamo che la responsabilità concreta (azioni visibili, memoria ispezionabile, gate di approvazione) sia più preziosa delle promesse astratte sulla spiegabilità. Poiché gli AI Teammates operano in spazi condivisi del team, il loro lavoro è visibile a tutto il team, non solo alla persona che li ha attivati. Questa è la verificabilità integrata: tutti vedono cosa ha fatto l'IA, non solo la persona che ha fatto la richiesta.

Perché queste proprietà sono inseparabili

Il contesto condiviso senza responsabilizzazione è un rischio. Un'IA che accumula conoscenze attraverso il lavoro di più persone ma non offre alcun modo per verificare ciò che sa o come agisce perderà rapidamente la fiducia. Le persone nasconderanno il contesto a un'IA che non possono controllare, il che vanifica lo scopo della progettazione a livello di team.

La responsabilità senza un contesto condiviso risolve un problema più semplice e meno interessante. Se l'IA opera in thread isolati, la verificabilità è semplice. La vera sfida è rendere l'IA responsabile quando opera su un lavoro condiviso e interfunzionale che interessa persone con diversi livelli di accesso e diversi interessi.

Il modello di accesso li unisce. Gli anni che Asana ha dedicato alla creazione di un modello di autorizzazione per la collaborazione umana hanno fornito la maggior parte delle basi. Estenderlo all'IA significava andare oltre, garantendo che l'accesso di nessuno venisse esteso collaborando con un collega del team. Senza questo approccio a più livelli, l'IA a livello di team sarebbe un'opzione impraticabile per la maggior parte delle organizzazioni.

Dove siamo

I team utilizzano gli AI Teammate per la gestione dei progetti, la documentazione, la ricerca e il coordinamento interfunzionale. Il modello più comune che osserviamo: l'IA rende il coordinamento gestibile su una scala in cui l'attenzione umana non è più sufficiente. Un collega del team assegnato a un progetto di lancio segue il lavoro dalla definizione degli obiettivi fino all'esecuzione, evidenziando ciò che richiede attenzione senza che nessuno debba compilare manualmente un aggiornamento di stato.

Il feedback positivo che abbiamo raccolto evidenzia costantemente tre qualità. I colleghi del team sono assegnabili e collaborativi, e lavorano al tuo fianco alle attività condivise. Operano con un accesso verificabile, quindi puoi vedere cosa hanno fatto e ti chiedono il permesso prima di fare qualsiasi cosa di sensibile. Inoltre, sviluppano una conoscenza adattiva, diventando più utili a ogni interazione man mano che si accumulano cicli di feedback e una semplice memoria.

L'intero settore sta cercando di colmare il divario tra le funzionalità dimostrative dell'IA e le prestazioni di produzione affidabili. I team che traggono un reale valore dagli AI Teammates sono quelli che li trattano come un nuovo assunto che ha bisogno di contesto, feedback e confini chiari per essere efficace.

Internamente, abbiamo utilizzato gli AI Teammates per il lavoro sensibile, tra cui la creazione di resoconti sullo stato, la classificazione dei bug e la sequenza dei lanci. Abbiamo sfruttato il modello di controllo degli accessi e i check point umani per avere la certezza che gli esseri umani e l’IA possano collaborare in modo sicuro e produttivo, indipendentemente dall’attività da svolgere.

Gli agenti che dureranno nel tempo non saranno quelli con le demo più impressionanti. Saranno quelli che lavorano nel modo in cui i team lavorano già: in spazi condivisi, con azioni visibili, basandosi su modelli di collaborazione di cui i team si fidano già. Asana ha impiegato anni per imparare a rendere il lavoro di squadra umano strutturato, visibile e responsabile. AI Teammates è l'evoluzione di quei principi nell'era dell'IA collaborativa.

Questo articolo è stato scritto da Cory Desautels, Software Engineer. Cory Desautels è un ingegnere del team AI Teammates, dove si impegna per creare e adattare il prodotto di IA agentica collaborativa di Asana.