.webp){kind=small}
As equipes empresariais que constroem agentes de IA continuam enfrentando o mesmo obstáculo: um chatbot que pode responder a um prompt, mas não consegue lembrar o que as últimas cinco pessoas perguntaram e não consegue dizer se a versão do mês passado realmente funcionou.
Em um bate-papo com Sam Witteveen da VentureBeat no VB Transform 2026, o diretor de produtos da Asana, Arnab Bose, revelou como sua equipe enfrentou esse problema para construir um novo sistema operacional: Agentic Work Management (AWM). O produto trata os agentes de IA como companheiros de equipe treináveis que operam ao lado de humanos, em vez de assistentes individuais.
Para criadores e desenvolvedores de produtos que tentam ir além das integrações básicas, a Bose forneceu uma visão geral. Ele detalhou como a Asana projetou o AWM, oferecendo um plano para resolver gargalos do mundo real e construir sistemas de agentes em escala.
O gráfico de trabalho: 18 anos de dados da empresa, reaproveitados
Para construir um sistema operacional para equipes de agentes humanos, a Asana precisava de um gráfico de contexto empresarial pronto. Eles construíram o AWM com base em sua arquitetura de 18 anos: o Work Graph.
Esse banco de dados baseado em gráficos organiza as informações por meio de uma estrutura que a empresa chama de Pirâmide da Clareza. A menor unidade de trabalho é uma tarefa com um responsável e uma data de vencimento. As tarefas pertencem a projetos, os projetos são agrupados em portfólios e os portfólios se conectam aos objetivos de toda a empresa. O gráfico pode ajudar a rastrear, por exemplo, como uma tarefa de design atrasada afeta uma meta de receita corporativa. O gráfico de trabalho fornece um registro em tempo real de quem faz o quê, quando e por quê.
AWM aproveita essa arquitetura para criar um companheiro de equipe multijogador. Um copiloto de IA padrão não tem estado e está vinculado ao prompt de um único usuário. Como o AWM se conecta ao Work Graph, a IA pode visualizar os objetivos gerais da empresa, atualizar o status do projeto e compartilhar memória com colegas humanos.
“Como [o agente] está conectado ao Work Graph, não é apenas olhar para um prompt específico que você está enviando ou olhar para o sistema de arquivos markdown de um indivíduo específico em seu arquivo local”, disse Bose. “É um trabalho baseado nesse livro-razão compartilhado para toda a empresa.”
AWM já está em produção. Bose disse que a Asana tem “vários clientes ativos e bem-sucedidos”, incluindo a FedEx, que publicou seu próprio estudo de caso sobre a mudança.
Construindo grades de proteção para trabalhos confidenciais
O envio do AWM para clientes empresariais exigiu que a Asana resolvesse vários obstáculos técnicos. O primeiro foi a governança de dados. Se um colega de equipe de IA atua em uma empresa, ele constrói uma memória compartilhada aprendendo com fluxos de trabalho e feedback humano.
Bose destacou um problema crítico de limite: se um executivo usa AWM para criar fluxos de trabalho para um projeto confidencial, o sistema deve garantir que a memória atualizada do agente não vaze contexto para um funcionário não autorizado que interaja com o mesmo agente posteriormente.
Não deveria ser capaz de aproveitar essa memória compartilhada quando executo o colega de equipe de IA se você criou essa memória usando o mesmo colega de equipe em um projeto que é, digamos, um projeto secreto de fusão e aquisição ao qual não tenho acesso ", disse Bose. Asana projetou um sistema de controles de acesso para controlar o que desencadeia a criação de uma memória versus a simples execução de uma tarefa.
Em segundo lugar, o AWM lida com o roteamento de modelo dinâmico para abstrair a engenharia imediata do usuário. Quando um usuário atribui uma tarefa a um colega de equipe de IA (ou seja, redigir uma descrição de cargo para uma função de gerente geral), a IA faz referência cruzada às ofertas de emprego públicas, ao guia de estilo interno da Asana e aos documentos de requisitos do produto. Para uma tarefa complexa, o sistema encaminha automaticamente o prompt para um modelo de fronteira pesada – Bose apontou os modelos Opus da Anthropic e OOpenAI como exemplos – enquanto tarefas mais leves são rebaixadas para algo mais rápido e barato.
“Não queremos que o trabalhador do conhecimento tenha que pensar sobre quais são os melhores prompts, engenharia de contexto e anexos possíveis que devem ser colocados na tarefa”, disse Bose. "Deve ser como se você estivesse atribuindo a tarefa a um ser humano."
Este roteamento dinâmico introduz um terceiro desafio: a abstração de faturamento. As tarefas agênticas variam em complexidade computacional, tornando as taxas de consumo de crédito imprevisíveis.
“Não queremos chegar a um estado em que nossos clientes tenham que raciocinar sobre o fato de que algumas dessas tarefas... são muito mais complexas do que outras e queimarão créditos a taxas diferentes”, disse Bose, acrescentando que preços imprevisíveis arriscavam os clientes a estrangular seus próprios funcionários, limitando a frequência com que poderiam administrar um colega de equipe de IA.
Para tornar o AWM comercialmente viável, a Asana projetou sua arquitetura de faturamento para cobrar um custo estático por conclusão de tarefa. A plataforma absorve a complexidade da seleção de modelos, contagens de tokens e limites de execução para garantir preços empresariais previsíveis.
O problema dos chatbots sem estado
AWM aborda um problema específico com as atuais implantações de IA empresarial: apatridia. Os desenvolvedores podem conectar facilmente grandes modelos de linguagem a ferramentas empresariais como Slack, Google Drive ou Databricks usando integrações Model Context Protocol (MCP). No entanto, os agentes básicos baseados em chat carecem de persistência.
Bose detalhou um cenário em que um usuário pede a um agente de chat que elabore uma campanha de marketing com base no desempenho histórico e em pesquisas competitivas. O agente busca dados de ferramentas externas para responder ao prompt, mas a execução acontece no vácuo. É uma tarefa única que beneficia um único indivíduo. Ele não consegue criar um fluxo de trabalho reutilizável para a próxima pessoa que criar uma campanha semelhante.
“O desafio disso é que essas chamadas não têm estado e não aproveitam o cérebro compartilhado da empresa, que é um banco de dados baseado em gráfico ou um contexto.
Gráfico", disse Bose.
AWM resolve isso criando um estado permanente. Quando um colega de equipe de IA dentro do AWM conclui uma tarefa, o sistema registra os metadados. Ele registra se a conclusão melhorou o status do projeto e como isso moveu as metas de nível superior da empresa.
Por dentro dos lançamentos de produtos da CoreWeave
O provedor de nuvem CoreWeave é um dos primeiros a adotar o uso do AWM para revisar lançamentos complexos de novos produtos.
“CoreWeave está usando nossas regras determinísticas de fluxo de trabalho de estúdio de IA, bem como vários colegas de equipe de IA para lançar novos produtos”, compartilhou Bose.
No passado, os gerentes de produto da CoreWeave preenchiam formulários complicados detalhando infraestrutura, parâmetros e custos. Revisores humanos avaliaram manualmente esses formulários e os dividiram em tarefas específicas para equipes financeiras, de marketing e de hardware.
No fluxo de trabalho AWM, um gerente de produto escreve um documento padrão do Google apontando para os documentos de requisitos do produto. Um fluxo de trabalho determinístico de IA lê o documento, cria automaticamente a estrutura do projeto e atribui tarefas. Agentes especializados assumem então a execução. Um agente então observa o status geral do projeto e sinaliza gargalos; outro, trabalhando dentro de tarefas individuais, prevê custos de infraestrutura e recomenda aprovações quando os números estão alinhados com os orçamentos históricos. O sistema faz a triagem automática do trabalho pesado enquanto os seres humanos se concentram na avaliação dos resultados da IA.
O problema do inimigo
A dinâmica fica complicada pelo fato de que os mesmos fornecedores de modelo de fronteira que alimentam o AWM nos bastidores – Anthropic, OOpenAI – também estão enviando seus próprios produtos de agentes concorrentes, como Claude in Slack (Tag) da Anthropic. Pressionado na sobreposição, Bose não contestou a tensão.
“Acho que essa é a realidade em que todos temos que viver”, disse ele.
Seu argumento para o poder de permanência do AWM baseia-se nos 18 anos de experiência do usuário e dados de fluxo de trabalho da Asana, e nos procedimentos operacionais padrão pré-construídos para setores específicos – experiência que ele argumenta que os modelos de fronteira brutos não possuem. Um produto como o Tag pode funcionar bem no Slack, disse ele, mas requer um canal altamente selecionado e suas próprias credenciais separadas para cada aplicativo downstream que toca.
“Há uma grande diferença entre o poder do modelo mais uma forma leve de demonstrar seu valor e algo que é pré-construído… para uso verdadeiro de ponta a ponta”, disse Bose.
| ℹ️ | Nota do editor: O AR NEWS 24H publica conteúdos baseados em fontes externas. As informações e opiniões presentes no material original são de responsabilidade de seus respectivos autores. Este conteúdo foi traduzido e adaptado para o português do Brasil com o auxílio de ferramentas automatizadas. |
