Wie AI Teammates Erinnerungen aufbauen: Arbeit in wiederverwendbares Wissen verwandeln
Die meisten KI-Produkte behandeln die Erinnerung als eine persönliche Funktion – sie merken sich Fakten über einen Nutzer oder eine Diskussion. Aber KI, die teamübergreifend zusammenarbeitet, benötigt eine grundlegend andere Art von Erinnerung. KI-Systeme werden nützlicher, wenn sie auf dem aufbauen können, was sie zuvor gelernt haben. Aber bei Unternehmenssoftware geht es bei der Erinnerung nicht nur darum, mehr Kontext zu speichern. Das schwierigere Problem besteht darin, diese Erinnerung bei gemeinsamer Arbeit nutzbar zu machen und sie gleichzeitig überprüfbar, steuerbar und berechtigungsbasiert zu halten.
Das ist die Herausforderung, die wir mit AI Teammates meistern wollten.
AI Teammates arbeiten in einer anderen Umgebung. Sie arbeiten gemeinsam an gemeinsamen Aufgaben, Projekten und Dokumenten. Sie erhalten Feedback von mehreren Personen. Sie arbeiten systemübergreifend. Und sie müssen sich im Laufe der Zeit verbessern, ohne zu einer Blackbox voller verstecktem Kontext zu werden, die niemand überprüfen kann.
Das führt zu einem anderen Designproblem. Ein AI Teammate braucht eine Möglichkeit, aus der Ausführung zu lernen, später relevantes Wissen abzurufen und zu erklären, wie dieses Wissen seine Handlungen beeinflusst hat. Gleichzeitig kann er nicht alle vorherigen Informationen als global wiederverwendbar behandeln. Was er sich merkt und was er verwenden kann, muss die gleichen Grenzen respektieren, die für die zugrunde liegende Arbeit gelten.
In der Praxis bedeutet das, dass die Erinnerung Teil unserer Collaboration-Architektur auf Unternehmensniveau wird. Es vereint Lernen, Abrufen, Zugriffskontrolle und Transparenz in einem System.
Vom einmaligen Kontext zum wiederverwendbaren Wissen
Die einfachste Version eines KI-Assistenten beginnt jedes Mal von vorne. Sie geben ihm eine Eingabeaufforderung, hängen vielleicht ein paar Dateien an, und er versucht, innerhalb dieser einen Interaktion zu helfen. Das kann bei isolierten Anfragen funktionieren, aber bei langfristigen Team-Workflows versagt es schnell.
Ein menschlicher Beteiligter reagiert nicht nur auf die aktuelle Nachricht. Er erinnert sich an den bevorzugten Prozess des Teams, an die Beispiele, die ein gutes Ergebnis definieren, an die wichtigen Dokumente, an das Feedback, das er letzte Woche erhalten hat, und an den Projektkontext, der bestimmt, wie die Arbeit erledigt werden soll. Wenn sich AI Teammates wie echte Beteiligte fühlen sollen, brauchen sie eine Möglichkeit, die gleiche Art von Arbeitswissen zu sammeln.
Für uns bedeutete das, eine einheitliche Erinnerungsebene zu erstellen, die den gesamten Lebenszyklus des Wissens abdeckt:
Wie Erinnerungen erstellt werden
Wie sie bei zukünftigen Ausführungen abgerufen werden
Wie sie mit dem Work Graph verknüpft sind – Asanas strukturiertem Datenmodell, das Aufgaben, Projekte, Personen und Ziele in einem Unternehmen miteinander verbindet
Wie Nutzer überprüfen und steuern, was der Teamkollege gelernt hat
Dieser letzte Punkt ist wichtiger, als es zunächst scheint. Ein leistungsstarkes Erinnerungssystem, das niemand überprüfen oder korrigieren kann, schafft kein Vertrauen. Es schafft einen neuen Fehlermodus.
Wie AI Teammates Erinnerungen erstellen
Eine der ersten Designentscheidungen, die wir getroffen haben, war die Identifizierung der richtigen Momente, in denen ein Teamkollege Erinnerungen generieren kann.
Eine Klasse von Erinnerungen wird während oder nach der Ausführung abgeleitet. Während ein Teamkollege eine Aufgabe bearbeitet, stößt er auf Anweisungen, liest Ressourcen, führt Aktionen aus und erhält Feedback. Einige dieser Informationen sind vorübergehend. Einige davon sind dauerhaft und es lohnt sich, sie wiederzuverwenden. Ein Benutzer könnte beispielsweise das Feedback geben: „Den Prüfer für das Datenmodell immer in Kopie zu diesen Aufgaben setzen“. Ein weiteres Beispiel: Wenn ein Teamkollege ein Projekt durchliest, könnte er etwas über den Zweck des Projekts erfahren (z. B. Projekt X enthält Ressourcen zu den Best Practices für Marketingkampagnen des Unternehmens). Das sind gute Kandidaten für eine dauerhafte Erinnerung.
Eine andere Art von Erinnerung ist explizit. Benutzer können direkt Anweisungen geben, anstatt darauf zu warten, dass das System sie ableitet. Dies ist besonders wichtig, wenn das Ziel nicht darin besteht, eine Lektion aus der bisherigen Arbeit zu ziehen, sondern dem Teamkollegen beizubringen, wie er sich in einem breiteren Arbeitskontext verhalten oder eine bestimmte Ressource verwenden soll.
Dieser explizite Weg ist besonders wirkungsvoll für die ressourcengebundene Erinnerung. Ein Benutzer kann einem Teamkollegen Zugriff auf ein Dokument gewähren und dann erklären, welche Rolle diese Ressource spielen soll. Ist es eine Prozessdokumentation, die erklärt, wie das Team kommuniziert? Ein Referenzdokument mit Fachwissen? Eine Vorlage, die die zukünftige Arbeit prägen soll? Die Unterscheidung ist wichtig, da dasselbe Ausgangsmaterial je nach Absicht des Nutzers sehr unterschiedlich verwendet werden kann.
Immer wenn eine Erinnerung erstellt wird, erstellen wir „Erinnerungsassoziationen“, im Wesentlichen Verweise auf die Work-Graph-Objekte, um die es bei der Erinnerung geht oder für die sie relevant ist. Dies könnte zum Beispiel das Projekt sein, das die Erinnerung beschreibt, oder eine Google-Dokument-Ressource, die ein Nutzer hochgeladen hat. Wie wir in diesem Artikel weiter beschreiben werden, sind diese Assoziationen entscheidend dafür, wie wir Erinnerungen abrufen und eine ordnungsgemäße Zugriffskontrolle gewährleisten.
Wie AI Teammates Erinnerungen abrufen
Ein Erinnerungssystem ist nur so gut wie sein Abrufmodell. Das Speichern nützlicher Erkenntnisse reicht nicht aus, wenn das richtige Wissen nicht zur richtigen Zeit verfügbar ist.
Bei AI Teammates funktioniert das Abrufen als zweispuriges System.
Die erste Spur ist das Abrufen zu Beginn der Ausführung. Wenn ein Teamkollege mit der Arbeit an einer Aufgabe beginnt, erhält er eine Reihe relevanter Erinnerungen, bevor er beginnt, Entscheidungen zu treffen. Dazu können fixierte Anweisungen gehören, die immer gelten sollten, frühere Erkenntnisse, die zur aktuellen Arbeit passen, oder übergeordnetes Wissen, das basierend auf der Suche oder semantischer Ähnlichkeit relevant erscheint.
Die zweite Spur ist der kontextbezogene Abruf während der Ausführung. Wenn ein Teamkollege eine bestimmte Aufgabe, ein Projekt oder ein anderes Objekt liest, erhält er auch Erinnerungen, die mit diesem Objekt verknüpft sind. Dies ist wichtig, da einige Wissensinhalte in der Regel nicht abstrakt relevant sind. Es wird relevant, weil der Teamkollege sich nun einen bestimmten Teil des Work Graph ansieht.
Diese Kombination verleiht dem System ein nützliches Gleichgewicht. Der Teamkollege kann mit einem breiten Arbeitsbereich an wahrscheinlich relevantem Wissen beginnen und dann einen genaueren Kontext aufgreifen, während er sich tiefer in die Arbeit vertieft.
Erinnerung funktionsfähig machen
Eine der wichtigsten Designentscheidungen war es, die Erinnerung als etwas Operatives und nicht als etwas Mystisches darzustellen. In unserem Datenmodell ist die Erinnerung ein konkretes Objekt mit Inhalt, Metadaten und Assoziationen.
Eine Erinnerungsassoziation erfasst ein Work-Graph-Objekt, um das es bei der Erinnerung geht oder für das die Erinnerung relevant ist. Auf diese Weise können wir eine Erinnerung explizit im breiteren Work Graph kontextualisieren, anstatt dass Erinnerungen losgelöst von dem Kontext sind, den die Erinnerung erfasst.
Die Zugriffskontrolle prägt das gesamte Design
Enterprise-Erinnerungssysteme werden viel schwieriger, sobald mehrere Personen, Projekte und Berechtigungen involviert sind.
Eine KI als persönlicher Assistent kann eine Erinnerung oft als einfache Erweiterung des Verlaufs eines Nutzers behandeln. Ein Teamkollege, der an gemeinsamen Arbeitsvorgängen arbeitet und von mehreren Personen ausgelöst werden kann, kann dies jedoch nicht auf sichere Weise tun. Jede Erinnerung, die das System erstellt, leitet sich von echter zugrunde liegender Arbeit ab: Aufgaben, Kommentare, Dokumente, Projekte und frühere Ausführungen. Wenn die Erinnerung unabhängig von diesen Quellen existieren könnte, könnte sie zu einem Channel werden, über den Informationen über Berechtigungsgrenzen hinweg durchsickern könnten.
Deshalb muss die Erinnerung in AI Teammates dieselbe Logik für die Zugriffskontrolle übernehmen wie die Arbeit, aus der sie stammt.
Jeder Abruf einer Erinnerung ist auf die Person beschränkt, die die Ausführung ausgelöst hat. Der Teamkollege kann nur auf eine Erinnerung zugreifen, wenn diese Person einen Einblick in die Arbeit hat, die sie hervorgebracht hat – die Aufgaben, Kommentare, Dokumente oder Projekte, die damit verbunden sind. Die gleiche Regel gilt für Verknüpfungen: Wenn eine Erinnerung auf ein Asana-Objekt wie eine Aufgabe oder ein Projekt verweist, wird sie nur angezeigt, wenn der auslösende Benutzer dieses Objekt auch sehen kann. Anders ausgedrückt: Ein AI Teammate sieht nie etwas, was die Person, die ihn aktiviert hat, nicht bereits sehen konnte.
Transparenz schließt den Kreis
Das letzte Puzzleteil ist die Sichtbarkeit. Wenn ein Teamkollege eine Erinnerung nutzt, um eine Handlung zu steuern, brauchen die Nutzer eine Möglichkeit, diesen Einfluss zu verstehen.
Das beginnt mit der einsehbaren Erinnerung selbst. Benutzer sollten in der Lage sein, die Erinnerungen eines Teamkollegen einzusehen und Erinnerungen zu löschen, die möglicherweise ungenau oder veraltet sind. Darüber hinaus kann das System bei der Ausführung durch einen Teamkollegen anzeigen, welche Erinnerungen in den Ausführungskontext übernommen wurden und welche im Laufe der Ausführung erstellt wurden.
Anstatt sich zu fragen: „Warum hat die KI das getan?“ kann ein Nutzer das Verhalten auf eine bestimmte erlernte Anweisung, eine Ressourcenerinnerung oder ein zugehöriges Kontextobjekt zurückführen. Die Lösung wird konkret: Bearbeiten Sie die Erinnerung, entfernen Sie sie, aktualisieren Sie die Quelle oder fügen Sie eine bessere Anleitung hinzu.
Wenn ein Teamkollege beispielsweise einen Bericht anders formatiert als erwartet, kann ein Nutzer seine Erinnerungen überprüfen, um zu sehen, dass er letzte Woche eine Formatierungspräferenz aus dem Feedback eines anderen Teammitglieds gelernt hat, und diese Erinnerung aktualisieren oder entfernen, um das Verhalten zu ändern.
Aus diesem Grund müssen Erinnerung und Transparenz gemeinsam gestaltet werden. Ein Teamkollege, der im Laufe der Zeit lernt, ist leistungsfähiger. Einem Teamkollegen, der unsichtbar lernt, kann man weniger vertrauen.
Warum das wichtig ist
In unserem vorherigen Beitrag haben wir untersucht, wie AI Teammates transparent in gemeinsam genutzten Team-Bereichen arbeiten. Die Erinnerung ist die Ebene, die diese Zusammenarbeit verstärkt: Das System lernt aus der gemeinsamen Arbeit, ruft dieses Wissen ab, wenn es wichtig ist, und tut dies innerhalb der gleichen Vertrauensgrenzen, die für die Arbeit selbst gelten.
Die tiefere Erkenntnis ist, dass KI auf Teamebene mehr als nur ein größeres Kontextfenster benötigt. Sie braucht ein Modell, um die Zusammenarbeit in dauerhaftes, wiederverwendbares und kontrollierbares Wissen zu verwandeln.
Im nächsten Beitrag werden wir uns ansehen, wie wir die Sprachmodelle, die diese Argumentation ermöglichen, evaluieren und auswählen.
Dieser Artikel wurde von Anant Tibrewal verfasst, einem Entwickler im AI Teammates-Team, wo er daran arbeitet, das kollaborative agentenbasierte KI-Produkt von Asana aufzubauen und zu skalieren.
