Come gli AI Teammate creano memoria: trasformare il lavoro in conoscenza riutilizzabile

La maggior parte dei prodotti di IA tratta la memoria come una caratteristica personale, ricordando fatti relativi a un utente o a una conversazione. Ma l'IA che collabora tra team ha bisogno di un tipo di memoria fondamentalmente diverso. I sistemi di IA diventano più utili quando possono basarsi su ciò che hanno appreso in precedenza. Ma nel software aziendale, la memoria non è solo una questione di archiviazione di più contesto. Il problema più difficile è rendere quella memoria utile per il lavoro condiviso, mantenendola al contempo ispezionabile, governabile e basata sulle autorizzazioni.

Questa è la sfida che ci siamo prefissati di risolvere con gli AI Teammates.

Gli AI Teammates operano in un ambiente diverso. Collaborano ad attività, progetti e documenti condivisi. Ricevono feedback da più persone. Lavorano su più sistemi. E devono migliorare nel corso del tempo senza diventare una scatola nera piena di contesto nascosto che nessuno può controllare.

Questo crea un problema di progettazione diverso. Un AI Teammate ha bisogno di un modo per imparare dall'esecuzione, recuperare in seguito le conoscenze pertinenti e spiegare come tali conoscenze hanno influenzato le sue azioni. Al contempo, non può trattare tutte le informazioni precedenti come riutilizzabili a livello globale. Ciò che ricorda e ciò che può usare deve rispettare gli stessi limiti che regolano il lavoro di base.

In pratica, ciò significa che la memoria diventa parte della nostra architettura di collaborazione di livello aziendale. Collega apprendimento, recupero, controllo degli accessi e trasparenza in un unico sistema.

Dal contesto una tantum alla conoscenza riutilizzabile

La versione più semplice di un assistente IA ricomincia da capo ogni volta. Gli fornisci un prompt, magari alleghi alcuni file, e lui cerca di aiutarti nell'ambito di quella singola interazione. Questo può funzionare per richieste isolate, ma si rivela presto inefficace nei flussi di lavoro del team di lunga durata.

Un collaboratore umano non risponde solo al messaggio corrente. Ricorda il processo preferito del team, gli esempi che definiscono un buon risultato, i documenti importanti, il feedback ricevuto la settimana precedente e il contesto del progetto che determina il modo in cui il lavoro dovrebbe essere svolto. Se gli AI Teammates devono sembrare dei veri collaboratori, hanno bisogno di un modo per accumulare lo stesso tipo di conoscenza lavorativa.

Per noi, ciò significava costruire un livello di memoria unificato che copra l'intero ciclo di vita della conoscenza:

• Come vengono create le memorie

• Come vengono recuperate durante le esecuzioni future

• Come sono collegate al grafico del lavoro, il modello di dati strutturati di Asana che collega attività, progetti, persone e obiettivi in un’organizzazione

• Come gli utenti esaminano e gestiscono ciò che il collega del team ha appreso

Quest'ultimo punto è più importante di quanto sembri. Un potente sistema di memoria che nessuno può ispezionare o correggere non crea fiducia. Crea una nuova modalità di errore.

Come gli AI Teammates creano la memoria

Una delle prime scelte progettuali che abbiamo fatto è stata quella di identificare i momenti giusti in cui un collega del team può generare memorie.

Una classe di memoria viene dedotta durante o dopo l'esecuzione. Mentre un collega del team svolge un'attività, trova istruzioni, legge risorse, intraprende azioni e riceve feedback. Alcune di queste informazioni sono transitorie. Altre sono durature e vale la pena riutilizzarle, per esempio; un utente potrebbe fornire un feedback del tipo "metti sempre in copia il revisore del modello di dati in queste attività". Un altro esempio: quando un collega del team legge un progetto, potrebbe apprendere informazioni sullo scopo del progetto (per es. Il Progetto X contiene risorse sulle Best practice per le campagne di marketing dell'organizzazione). Queste sono informazioni che hanno ottime probabilità di essere inserite nella memoria duratura.

Un'altra classe di memoria è quella esplicita. Gli utenti possono fornire indicazioni direttamente anziché attendere che il sistema le deduca. Questo è particolarmente importante quando l'obiettivo non è acquisire una lezione dal lavoro passato, ma insegnare al collega del team come comportarsi in un contesto di lavoro più ampio o come utilizzare una particolare risorsa.

Questo percorso esplicito diventa particolarmente efficace per la memoria legata alle risorse. Un utente potrebbe concedere a un collega del team l'accesso a un documento e quindi spiegare quale ruolo dovrebbe svolgere quella risorsa. È un documento di processo che spiega come comunica il team? Un documento di riferimento contenente conoscenze di settore? Un modello che dovrebbe dare forma al lavoro futuro? La distinzione è importante perché lo stesso materiale di partenza può essere utilizzato in modo molto diverso a seconda dell’intenzione dell’utente.

Ogni volta che viene creata una memoria, creiamo “Associazioni di memoria”, essenzialmente riferimenti agli oggetti del grafico del lavoro a cui la memoria si riferisce o è pertinente. Ad esempio, potrebbe trattarsi del progetto che la memoria sta descrivendo o di una risorsa Google Doc caricata da un utente. Come descriveremo più avanti in questo articolo, queste associazioni sono fondamentali per il modo in cui recuperiamo le memorie e garantiamo un adeguato controllo degli accessi.

Come gli AI Teammates recuperano le memorie

Un sistema di memoria è efficace quanto il suo modello di recupero. Memorizzare informazioni utili non è sufficiente se la conoscenza giusta non viene visualizzata al momento giusto.

Per gli AI Teammates, il recupero funziona come un sistema a due corsie.

La prima corsia è il recupero all'avvio dell'esecuzione. Quando un collega del team inizia a lavorare su un'attività, riceve una serie di memorie pertinenti prima di iniziare a prendere decisioni. Questi potrebbero includere istruzioni fissate che dovrebbero sempre essere applicate, apprendimenti precedenti che corrispondono al lavoro attuale o conoscenze di livello superiore che appaiono pertinenti in base alla ricerca o alla somiglianza semantica.

La seconda corsia è il recupero contestuale durante l'esecuzione. Quando un collega del team legge un'attività, un progetto o un altro oggetto specifico, riceve anche le memorie associate a quell'oggetto. Questo è importante perché alcune conoscenze non sono generalmente rilevanti in astratto. Diventa rilevante perché il collega del team sta ora esaminando una parte specifica del grafico del lavoro.

Questa combinazione conferisce al sistema un utile equilibrio. Il collega del team può iniziare con un ampio set di lavoro di conoscenze probabilmente pertinenti, quindi acquisire un contesto più preciso man mano che approfondisce il lavoro.

Rendere la memoria operativa

Una delle scelte progettuali più importanti è stata quella di rappresentare la memoria come qualcosa di operativo piuttosto che mistico. Nel nostro modello di dati, la memoria è un oggetto concreto con contenuto, metadati e associazioni.

Un'associazione di memoria acquisisce un oggetto del grafico del lavoro a cui la memoria si riferisce o per cui è rilevante. Questo ci consente di contestualizzare esplicitamente una memoria nel grafico del lavoro più ampio, piuttosto che avere memorie scollegate dal contesto che la memoria sta catturando. 

Il controllo dell'accesso modella l'intera progettazione

I sistemi di memoria aziendali diventano molto più complessi nel momento in cui sono coinvolti più persone, progetti e autorizzazioni.

Un assistente personale IA può spesso trattare la memoria come una semplice estensione della cronologia di un utente. Tuttavia, un collega del team che lavora su attività condivise e può essere attivato da più persone non può farlo in modo sicuro. Qualsiasi memoria creata dal sistema deriva da un vero e proprio lavoro sottostante: attività, commenti, documenti, progetti ed esecuzioni precedenti. Se la memoria potesse liberarsi da quelle fonti, potrebbe diventare un canale per la divulgazione di informazioni oltre i limiti delle autorizzazioni.

Ecco perché la memoria negli AI Teammates deve ereditare la stessa logica di controllo degli accessi del lavoro da cui proviene.

Ogni recupero di memoria è limitato a chi ha attivato l'esecuzione. Il collega del team può accedere a una memoria solo se quella persona ha visibilità sul lavoro che l'ha prodotta: le attività, i commenti, i documenti o i progetti coinvolti. Stessa regola per le associazioni: se una memoria fa riferimento a un oggetto Asana come un'attività o un progetto, viene visualizzata solo quando anche l'utente che l'ha attivata può vedere quell'oggetto. In altre parole, un AI Teammate non vede mai nulla che la persona che lo ha attivato non possa già vedere.

La trasparenza chiude il cerchio

L'ultimo elemento è la visibilità. Se un collega del team utilizza la memoria per guidare un'azione, gli utenti hanno bisogno di un modo per comprendere tale influenza.

Ciò inizia con la memoria ispezionabile stessa. Gli utenti dovrebbero essere in grado di visualizzare le memorie di un collega del team ed eliminare quelle che potrebbero essere imprecise o obsolete. Inoltre, quando un collega del team esegue un'azione, il sistema può mostrare quali memorie sono state passate nel contesto di esecuzione e quali sono state create nel corso dell'esecuzione.

Invece di chiedersi “perché l'IA ha fatto questo?” in astratto, un utente può far risalire il comportamento a una specifica istruzione appresa, a una memoria di risorse o a un oggetto di contesto associato. La correzione diventa concreta: modificare la memoria, rimuoverla, aggiornare la fonte o aggiungere una guida migliore.

Ad esempio, se un collega del team formatta un resoconto in modo diverso dal previsto, un utente può controllare le sue memorie per vedere se ha appreso una preferenza di formattazione dal feedback di un altro membro del team la settimana precedente e aggiornare o rimuovere quella memoria per modificare il comportamento.

Questo è il motivo per cui memoria e trasparenza devono essere progettate insieme. Un collega del team che impara nel tempo è più efficace. È più difficile fidarsi di un collega del team che impara in modo invisibile.

Perché è importante

Nel nostro post precedente, abbiamo esplorato come gli AI Teammates operano in modo trasparente negli spazi condivisi del team. La memoria è il livello che rende quella collaborazione complessa: il sistema impara dal lavoro condiviso, recupera quella conoscenza quando è importante e lo fa entro gli stessi limiti di fiducia che regolano il lavoro stesso. 

La lezione più profonda è che l'IA a livello di team ha bisogno di qualcosa di più di una finestra di contesto più ampia. Ha bisogno di un modello per trasformare la collaborazione in conoscenza duratura, riutilizzabile e governabile.

Nel prossimo post, vedremo come valutiamo e selezioniamo i modelli linguistici che alimentano questo ragionamento.

Questo articolo è stato scritto da Anant Tibrewal, un ingegnere del team AI Teammates, dove lavora per creare e adattare il prodotto di IA agentica collaborativa di Asana.