ИИ-агенты учатся прямо на рабочем месте — просто не для всей вашей команды
Когда один из сотрудников в команде исправляет ИИ-агент — улучшая промпты, обратную связь или контекст, — это улучшение исчезает в тот момент, когда коллега открывает тот же инструмент. Исправление не переносится, и следующий пользователь начинает работу с нуля.
Эта проблема усугубляется в многоагентных рабочих процессах, где команды рассчитывают на то, что агенты будут обмениваться контекстом между пользователями и задачами. Без общего слоя памяти каждый участник команды фактически обучает свою версию одного и того же агента — и эти версии никогда не синхронизируются.
Этот разрыв отражается в цифрах. Согласно собственному исследованию Asana, 75% «белых воротничков» используют ИИ на работе, но лишь 5% компаний сообщили о росте производительности.
«Поставщики моделей добиваются поистине потрясающих успехов в улучшении рассуждений и циклов повторных попыток, но в чем они не преуспевают, так это в предоставлении корпоративного рабочего контекста в таком виде, который люди могут использовать для осмысления в рамках общей памяти», — рассказал VentureBeat директор по продукту Asana Арнаб Боуз (Arnab Bose).
Asana вела разработку агентской платформы, в центре которой находятся контекст и общая память. Ее платформа Agentic Work Management гарантирует, что если кто-то из участников команды исправит агента, это исправление станет доступно всем остальным членам команды.
«Этот граф контекста автоматически предоставляется агентам, работающим внутри системы Asana, поэтому вам не нужно заставлять каждого сотрудника команды становиться экспертом по инженерии промптов или инженерии контекста», — отметил Боуз.
По словам Боуза, архитектура общей памяти важна не только для собственного продукта Asana; это именно то проектное решение, которое необходимо принять предприятиям для любой многоагентной системы.
Общая память также приобретает решающее значение, когда компании начинают переходить от простых одиночных агентов к многоагентным рабочим процессам, требующим совместного использования контекста и поведения.
Память для многоагентного и многоплатформенного рабочего процесса
Модели, управляющие агентами, по своей природе не имеют состояния, поэтому память становится выделенным слоем за пределами контекстного окна. Хотя эта область инноваций в сфере ИИ движется к зрелости, вопрос о том, что именно сохраняется, кто это контролирует и как поддерживать согласованность, когда разные агенты и пользователи пишут в один и тот же экземпляр, в значительной степени остается нерешенным.
Это легко управляемо для сценариев использования с единственным пользователем. Однако в корпоративных агентских процессах предполагается, что агенты работают со всей командой. На большинстве платформ агенты по-прежнему действуют в интересах отдельных лиц, что приводит к дублированию задач, появлению несогласованных версий реальности и распространению ошибок. Кроме того, агенты могут начать противоречить друг другу.
Шрихарша Чинталапани (Sriharsha Chintalapani), соучредитель и технический директор Collate, отметил в письме VentureBeat, что отсутствие общей памяти является серьезным препятствием для многоагентных рабочих процессов, особенно в вопросах согласованности.
«Агенты чувствительны к качеству своих промптов, — заявил Чинталапани. — Человек с глубоким пониманием задачи обычно получает более точные результаты, чем менее опытный пользователь. Отчасти это происходит потому, что он способен конструировать более детальные промпты, а отчасти — потому, что может предоставить агенту более качественную обратную связь. Агент запоминает полученные исправления и применяет эти знания к последующим запросам. Чем точнее обратная связь, тем лучше агент будет работать для этого пользователя».
Он добавил, что организациям следует прекратить рассматривать общую память исключительно как проблему инженерии промптов и задуматься о создании систем, которые воспроизводят контекст в каждом диалоге.
Нидж Гор (Neej Gore), директор по данным в Zeta Global, в отдельном письме отметил, что общий контекст превращается в живую память, которая «приумножает интеллектуальный потенциал всей компании».
Возможно, ключ к успеху заключается в создании ИИ-агентов, которые извлекают память на основе связей, подтягивая релевантный контекст в зависимости от того, о чем идет речь, — подход, который, по словам Чинталапани, способны реализовать лишь немногие организации за пределами крупнейших разработчиков моделей.
Личные агенты против командных
ИИ-агенты уже широко распространены на предприятиях, однако многие из них функционируют как персональные агенты, выполняющие задачи конкретных пользователей. Большинство промптов исходит от одного человека, любые файлы загружаются с одной учетной записи, и даже агенты, встроенные в общекорпоративную систему, в основном учатся учитывать индивидуальные предпочтения пользователей.
Большинство корпоративных платформ для работы с ИИ признают важность памяти, но подходят к этому вопросу с разных точек зрения. Например, Microsoft Copilot использует индивидуально-ориентированный подход, изучая роль пользователя в организации, предпочтения в отношении стиля общения и рабочие паттерны, которые затем сохраняются в виде личных воспоминаний, применяемых агентом в различных средах Microsoft 365.
Для инженерных команд и команд по оркестрации, оценивающих агентские платформы, вопрос общей памяти теперь стал критерием закупок, а не просто техническим нюансом. Агент, который обучается только для конкретного пользователя, требует постоянного индивидуального обслуживания. Агент же, подключенный к командному слою памяти, автоматически формирует институциональные знания компании.
