Gli agenti AI imparano sul lavoro, ma non per tutto il tuo team

Il 75% dei knowledge worker usa AI sul lavoro, ma solo il 5% delle aziende ha registrato miglioramenti di produttività. Il dato arriva da una ricerca di Asana e la causa, secondo l’azienda, è un problema di memoria condivisa: ogni volta che un membro del team corregge un agente AI con prompt migliori o feedback più precisi, quel miglioramento sparisce non appena un collega apre lo stesso strumento. Si riparte da zero.

Il problema si amplifica nei flussi di lavoro multi-agente, dove i team si aspettano che gli agenti condividano il contesto tra utenti e compiti diversi. Senza un layer di memoria comune, ogni persona addestra di fatto una versione diversa dello stesso agente. E quelle versioni non si sincronizzano mai.

«I fornitori di modelli stanno migliorando molto il ragionamento e i cicli di retry, ma non sono bravi a portare il contesto lavorativo aziendale in modo che gli esseri umani possano ragionarci come memoria condivisa», ha detto ad VentureBeat Arnab Bose, Chief Product Officer di Asana. La piattaforma Asana Agentic Work Management è stata costruita intorno a un grafo di contesto che si aggiorna automaticamente: se un membro del team corregge un agente, la correzione si applica a tutti gli altri.

Bose ha spiegato che la scelta architetturale della memoria condivisa vale per qualsiasi sistema multi-agente, non solo per il prodotto Asana. «Ogni essere umano del team non deve diventare esperto di prompt engineering», ha aggiunto. Il tema diventa ancora più critico quando le aziende passano da agenti singoli a flussi multi-agente che devono condividere contesto e comportamenti.

Memorie per flussi multi-agente e multi-piattaforma

I modelli che alimentano gli agenti sono stateless per progettazione: non conservano memoria. La memoria deve quindi essere un layer separato, esterno al contesto dell’agente. «Quali dati memorizzare, chi li controlla e come mantenerli consistenti quando diversi agenti e utenti scrivono sulla stessa istanza sono questioni ancora irrisolte», ha scritto a VentureBeat Sriharsha Chintalapani, CTO e co-fondatore di Collate.

Nella maggior parte delle piattaforme, gli agenti lavorano ancora per singoli utenti. Il risultato è che i compiti si duplicano, le versioni della realtà diventano inconsistenti e gli errori si propagano. Agenti diversi possono finire per contraddirsi a vicenda.

Chintalapani ha sottolineato che la qualità dei prompt varia da persona a persona: «Chi ha una buona comprensione del compito ottiene risultati più accurati, sia perché costruisce prompt più dettagliati, sia perché dà feedback migliori». L’agente ricorda le correzioni e applica quella conoscenza ai prompt successivi, ma solo per quell’utente. La sua proposta è smettere di trattare la memoria condivisa come un problema di prompt engineering e costruire sistemi che ripetano il contesto in ogni conversazione.

«Il contesto condiviso diventa una memoria viva che accumula intelligenza a livello aziendale», ha aggiunto Neej Gore, chief data officer di Zeta Global. L’opportunità, secondo Chintalapani, è costruire agenti che recuperino memoria in modo relazionale: invece di replicare tutto, tirano fuori il contesto rilevante in base a ciò che viene chiesto. Un approccio che pochi, al di fuori dei grandi provider, sono attrezzati per realizzare.

Agenti personali contro agenti di team

Gli agenti AI sono già diffusi nelle aziende, ma la maggior parte opera come agente personale: impara le preferenze di un singolo utente. Anche quando vive in un sistema aziendale, i prompt partono da un solo account e i file caricati da una sola persona.

Piattaforme come Microsoft Copilot adottano un approccio individuale: memorizzano il ruolo, le preferenze di tono e le abitudini lavorative di ogni utente. Sono informazioni utili, ma che non passano da un collega all’altro. Per i team di ingegneria e orchestrazione che valutano piattaforme agentiche, la presenza di una memoria condivisa sta diventando un criterio di acquisto, non un optional tecnico. Un agente che impara solo per chi lo usa richiede manutenzione individuale continua. Uno collegato a un layer di memoria di team costruisce conoscenza istituzionale in automatico.