Gli agenti dell'intelligenza artificiale imparano sul lavoro — ma non per tutto il team

Quando qualcuno in una squadra corregge un agente AI — offrendo input migliori, feedback più dettagliati o contesti più chiari — quelle migliorative scompaiono non appena un collega apre lo stesso strumento. La correzione non si trasferisce e la persona successiva parte da zero.

Il problema si acuisce in contesti complessi dove i team sperano che gli agenti scambiino informazioni tra utenti e compiti diversi. Senza una struttura comune di memoria, ogni componente del team sostanzialmente addestra una versione leggermente diversa dello stesso agente — e quelle versioni mai convergono.

Secondo ricerche interne di Asana, il 75% dei lavoratori conoscitivi utilizza intelligenza artificiale in ambito lavorativo, ma solo il 5% delle aziende ha segnalato un aumento della produttività. “Gli sviluppatori di modelli stanno diventando davvero buoni nell'implementare il ragionamento e i cicli di retry, ma non riescono a integrare l’ambiente di lavoro aziendale in maniera tale che le persone siano in grado di farvi ragionamento condiviso in termini di memoria comune,” ha dichiarato a VentureBeat Arnab Bose, Chief Product Officer di Asana.

Memorie condivise e architetture a lungo termine

Nel corso del tempo Asana ha lavorato ad un framework in cui l’agente si concentrerebbe su contesti e memorie condivise. La sua piattaforma di AGENTIC WORK MANAGEMENT si assicura che, quando un componente del team corregge un agente, questa correzione venga applicata a tutti gli altri componenti.

“Questa struttura di contesto grafico è automatica e resa disponibile agli agenti che operano all’interno del sistema Asana, in modo che non sia necessario che ogni membro del team diventi esperto in ingegneria dei prompt o dell’ingegneria del contesto,” ha detto Bose. Bose sottolinea che l'architettura della memoria condivisa è cruciale non solo per il prodotto Asana, ma costituisce una decisione chiave che le aziende devono prendere quando sviluppano qualsiasi sistema multi-agente.

Il ricercato diventa particolarmente importante quando le organizzazioni avanzano da singoli agenti ad ambienti di lavoro multi-agent dove la condivisione del contesto è essenziale.

Memorie su flussi di lavoro multi-agente, multi-piattaforma

I modelli che impulseranno i nuovi agenti sono di fatto privi di stato, quindi la memoria deve essere un livello distintivo esterno alla finestra di contesto. Sebbene questa area dell'innovazione tecnologica sia in avanzamento, rimane aperto il problema di che cosa venga conservato, chi ne ha il controllo e come si mantiene uniformità quando diversi agenti utenti scrivono su uno stesso esemplare.

Questa organizzazione è gestibile in casi in cui si ha un singolo utente. Tuttavia, in flussi di lavoro collaborativi basati sull’intelligenza artificiale, l’idea è che gli agenti lavorino con l’intera squadra. La maggior parte delle piattaforme ha agenti che agiscono sempre per un singolo soggetto, portando a ripetizioni di compiti e versioni discordanti, con potenziali errori diffusi. Gli agenti possono persino contraddirsi, a seconda del contesto in cui operano.

Sriharsha Chintalapani, co-fondatore e CTO di Collate, ha sostenuto nell'e-mail a VentureBeat che la mancanza di memoria condivisa è un ostacolo importante per i flussi di lavoro multi-agente, in particolare per la coerenza.

“Gli agenti sono sensibili alla qualità dei loro prompt,” ha detto Chintalapani. “Chi ha una buona comprensione del compito otterrà generalmente risultati più precisi di qualcuno meno esperto. In parte è perché può costruire prompt più dettagliati, ma anche perché può fornire all'agente un feedback migliore. L'agente ricorda le correzioni che riceve e le applica ai successivi prompt. Più preciso è il feedback, meglio l'agente funzionerà per quel utente.”

Ha aggiunto che le aziende dovrebbero smettere di considerare la memoria come un problema esclusivamente di ingegneria dei prompt e dedicarsi al costruire sistemi in cui il contesto si ripete in ogni conversazione.

Agente personale vs Agente di squadra

Gli agenti dell’intelligenza artificiale sono ormai ampiamente diffusi nelle aziende; il problema è che molti funzionano come agenti individuali, svolgendo compiti personalizzati per utenti specifici. La maggior parte dei prompt iniziano da una sola persona, i file vengono caricati da un singolo account e, anche per gli agenti dentro un sistema aziendale, si addestrano sulle preferenze personali.

Piattaforme di lavoro aziendale con intelligenza artificiale riconoscono l'importanza della memoria, ma la affrontano da angolazioni diverse. Per esempio, Microsoft Copilot adotta un approccio prioritario per gli utenti singoli, apprendendo ruoli, preferenze di tono e schemi di lavoro, che vengono conservati come ricordi personali per essere applicati in diversi ambienti su Microsoft 365.

Per i team tecnici ed operativi che valutano piattaforme di intelligenza artificiale basate su agenti avanzati, la condivisione efficace della struttura mnemonica diventa un criterio fondamentale per gli acquisti — non solo una comodità tecnica. Un agente che apprende in base a chi lo utilizza richiederà continuativa manutenzione individuale. Un agente connesso ad un sistema comune di memoria creerà automaticamente conoscenze istituzionali utili per tutto il team.

L’opportunità giace nel costruire agenti AI in grado di ricordare relazionalmente, recuperando contesti pertinenti in base all’input richiesto — un’alternativa che poche organizzazioni, fuori dai grandi sviluppatori di modelli, dispongono di risorse sufficienti per sviluppare.