Корпоративные AI-агенты учатся на ошибках — но только для одного сотрудника

Корпоративные AI-агенты сталкиваются с фундаментальной проблемой: отсутствием общей памяти. Когда один сотрудник корректирует работу агента — улучшает промпты, уточняет контекст или дает обратную связь — эти изменения не распространяются на остальных членов команды. В результате каждый пользователь вынужден начинать работу с инструментом «с нуля», а в многоагентных системах это приводит к противоречиям и дублированию задач.

Asana предлагает решение в виде платформы Agentic Work Management, где исправления одного сотрудника автоматически применяются ко всей команде. По словам Арнаба Боса, главного продуктового директора компании, ключевая задача — интеграция корпоративного контекста в работу агентов без необходимости превращать каждого сотрудника в эксперта по инженерии промптов. Это особенно важно при переходе от одиночных агентов к сложным рабочим процессам, где агенты должны обмениваться данными и поведением.

Проблема памяти AI-агентов выходит за рамки отдельных продуктов. Большинство моделей изначально не имеют состояния, и память реализуется как внешний слой. Однако в корпоративной среде критически важно, чтобы агенты работали не только с индивидуальными пользователями, но и с командами. Без общей памяти агенты могут противоречить друг другу, повторять ошибки и создавать несогласованные версии реальности. Эксперты отмечают, что организации должны рассматривать память не как проблему инженерии промптов, а как системную задачу, требующую архитектурных решений.

Сегодня AI-агенты в компаниях чаще всего работают как персональные помощники, обучаясь на предпочтениях одного пользователя. Например, Microsoft Copilot адаптируется под роль сотрудника, его стиль общения и рабочие привычки, сохраняя эти данные как личные настройки. Однако для корпоративных задач требуется переход к общей памяти, которая накапливает знания всей команды и автоматически синхронизируется между пользователями.