Introdução
A Asana acaba de lançar uma solução inovadora para um dos maiores desafios da inteligência artificial empresarial: como criar agentes de IA que possam aprender e compartilhar conhecimento entre equipes sem comprometer a segurança de informações confidenciais. O Agentic Work Management (AWM) representa uma mudança fundamental na forma como as empresas podem implementar IA colaborativa, tratando agentes como membros da equipe em vez de simples assistentes individuais.
Em uma apresentação no VB Transform 2026, Arnab Bose, chief product officer da Asana, revelou os detalhes técnicos por trás desta nova arquitetura que já está sendo utilizada por empresas como FedEx e CoreWeave. A solução aborda diretamente as limitações dos chatbots atuais, que operam de forma isolada e não conseguem reter ou compartilhar aprendizados entre diferentes interações.
O problema dos chatbots sem memória
A maioria das implementações atuais de IA empresarial sofre de um problema fundamental: são stateless, ou seja, não mantêm estado entre interações. Quando um funcionário pede para um chatbot criar uma campanha de marketing baseada em dados históricos, o agente executa a tarefa, mas todo o contexto e aprendizado se perdem assim que a conversa termina. O próximo funcionário com uma necessidade similar precisa começar do zero.
Esta limitação não é apenas uma inconveniência – representa um desperdício massivo de recursos computacionais e humanos. Empresas acabam pagando repetidamente para que modelos de linguagem processem contextos similares, enquanto funcionários perdem tempo fornecendo as mesmas informações básicas a cada nova interação. Além disso, não há como criar workflows reutilizáveis ou melhorar processos com base em execuções anteriores.
O AWM da Asana resolve este problema criando um estado permanente para as interações com IA. Quando um agente completa uma tarefa, o sistema registra não apenas o resultado, mas também os metadados sobre como a tarefa foi executada, se melhorou o status do projeto e como impactou objetivos corporativos mais amplos.
A arquitetura do Work Graph: 18 anos de dados estruturados
A base tecnológica do AWM é o Work Graph, uma arquitetura de banco de dados baseada em grafos que a Asana vem desenvolvendo há 18 anos. Esta estrutura organiza informações através do que a empresa chama de Pirâmide de Clareza: tarefas individuais com responsáveis e prazos formam a base, que se agrupam em projetos, que por sua vez se consolidam em portfólios conectados a objetivos corporativos.
Esta arquitetura permite rastrear como uma tarefa de design atrasada pode impactar uma meta de receita trimestral, criando um registro em tempo real de quem faz o quê, quando e por quê. É esta estrutura que permite ao AWM funcionar como um verdadeiro membro da equipe, com visibilidade sobre objetivos gerais da empresa, capacidade de atualizar status de projetos e compartilhar memória com colegas humanos.
A diferença fundamental em relação aos copilots tradicionais é que o AWM não está limitado ao contexto de um único usuário ou prompt. Como explicou Bose, o agente trabalha a partir de um registro compartilhado para toda a empresa, não apenas olhando para arquivos locais ou conversas individuais.
Segurança e governança: o desafio da memória compartilhada
Um dos maiores desafios técnicos enfrentados pela Asana foi garantir que a memória compartilhada não se tornasse um vetor de vazamento de informações confidenciais. Se um executivo usa o AWM para criar workflows para um projeto de fusão e aquisição secreto, o sistema precisa garantir que este conhecimento não seja acessível a funcionários não autorizados que interajam com o mesmo agente posteriormente.
A solução envolveu criar um sistema sofisticado de controles de acesso que governa quando uma interação cria uma nova memória compartilhada versus quando simplesmente executa uma tarefa isolada. Esta arquitetura permite que o agente aprenda e melhore com o tempo, mas sempre respeitando as permissões e hierarquias de acesso existentes na organização.
Além disso, o AWM implementa roteamento dinâmico de modelos para abstrair a complexidade do prompt engineering. Quando um usuário atribui uma tarefa ao agente de IA – como redigir uma descrição de cargo para gerente geral – o sistema automaticamente referencia postagens públicas de emprego, guias de estilo internos e documentos de requisitos de produto. Para tarefas complexas, o sistema roteia automaticamente para modelos frontier mais poderosos como o Claude Opus da Anthropic ou modelos da OpenAI, enquanto tarefas mais simples são direcionadas para alternativas mais rápidas e econômicas.
Implementação prática: o caso CoreWeave
A CoreWeave, provedora de infraestrutura em nuvem, exemplifica como o AWM pode transformar processos empresariais complexos. Anteriormente, lançamentos de novos produtos exigiam que gerentes preenchessem formulários extensos detalhando infraestrutura, parâmetros e custos, que eram então revisados manualmente e divididos em tarefas para diferentes departamentos.
Com o AWM, o processo foi completamente reimaginado. Agora, um gerente de produto simplesmente escreve um documento padrão no Google Docs apontando para os documentos de requisitos. Um workflow de IA determinística lê o documento, cria automaticamente a estrutura do projeto e atribui tarefas. Agentes especializados então assumem a execução: um monitora o status geral do projeto e sinaliza gargalos, enquanto outro trabalha dentro de tarefas individuais para prever custos de infraestrutura e recomendar aprovações quando os números se alinham com orçamentos históricos.
Este exemplo ilustra como o AWM não substitui humanos, mas automatiza o trabalho burocrático repetitivo, permitindo que as pessoas se concentrem em avaliar e refinar as saídas da IA. É uma abordagem que reconhece tanto as capacidades quanto as limitações atuais da tecnologia.
O desafio da precificação e o problema dos ‘frenemies’
Um aspecto inovador do AWM é sua abordagem à precificação. Tarefas agênticas variam drasticamente em complexidade computacional, tornando as taxas de consumo de créditos imprevisíveis. Para resolver isso, a Asana projetou uma arquitetura de cobrança que aplica um custo estático por conclusão de tarefa, absorvendo internamente a complexidade da seleção de modelos e contagem de tokens.
Esta decisão comercial remove uma barreira significativa à adoção empresarial, evitando que empresas limitem artificialmente o uso da ferramenta por medo de custos imprevisíveis. Como observou Bose, preços imprevisíveis levariam clientes a restringir quantas vezes seus funcionários poderiam executar um agente de IA, limitando severamente o valor da ferramenta.
Outro desafio estratégico é a relação complexa com provedores de modelos como Anthropic e OpenAI, que simultaneamente fornecem a tecnologia subjacente e competem com produtos próprios como o Claude in Slack. Bose reconhece esta tensão, mas argumenta que os 18 anos de dados de experiência do usuário e workflows da Asana, além de procedimentos operacionais padrão pré-construídos para indústrias específicas, oferecem valor que modelos frontier brutos não possuem.
Implicações para o mercado brasileiro
O lançamento do AWM pela Asana tem implicações significativas para empresas brasileiras que buscam implementar IA de forma efetiva. A abordagem resolve problemas críticos que muitas organizações locais enfrentam: como escalar o uso de IA além de pilotos isolados, como garantir segurança de dados em ambientes regulados e como justificar investimentos com ROI previsível.
Para setores altamente regulados como bancos e seguradoras brasileiras, a arquitetura de segurança do AWM oferece um modelo de como implementar IA colaborativa sem comprometer compliance. A capacidade de manter memória institucional enquanto respeita hierarquias de acesso é particularmente relevante em ambientes onde informações sensíveis circulam constantemente.
Além disso, a precificação previsível por tarefa remove uma barreira significativa para empresas de médio porte que precisam de previsibilidade orçamentária. Em um mercado onde muitas empresas ainda lutam para calcular o ROI de investimentos em IA, ter custos fixos por resultado facilita significativamente o business case.
Conclusão
O Agentic Work Management da Asana representa uma evolução importante na forma como empresas podem implementar inteligência artificial. Ao resolver o problema fundamental da falta de memória dos chatbots atuais e criar uma arquitetura que permite colaboração segura entre agentes e humanos, a empresa está estabelecendo um novo padrão para IA empresarial.
O sucesso inicial com clientes como FedEx e CoreWeave sugere que a abordagem tem mérito prático além da teoria. Para o mercado brasileiro, onde a transformação digital ainda enfrenta desafios significativos de execução, o AWM oferece um caminho mais estruturado e seguro para integrar IA em processos críticos de negócio. À medida que mais empresas buscam ir além de experimentos isolados com IA, soluções que combinam poder computacional com governança robusta e custos previsíveis tendem a ganhar cada vez mais relevância.
Fonte original: Este artigo foi adaptado e traduzido a partir da matéria publicada em VentureBeat, disponível em https://venturebeat.com/orchestration/asanas-ai-agents-share-memory-across-your-company-but-not-your-secrets.
