Hoe AI-teamgenoten geheugen opbouwen: werk omzetten in herbruikbare kennis

De meeste AI-producten behandelen geheugen als een persoonlijke functie — het onthouden van feiten over één gebruiker of één gesprek. Maar AI die samenwerkt in verschillende teams heeft een fundamenteel ander soort geheugen nodig. AI-systemen worden nuttiger wanneer ze kunnen voortbouwen op wat ze eerder hebben geleerd. Maar in bedrijfssoftware is geheugen niet alleen een kwestie van het opslaan van meer context. Het moeilijkere probleem is om dat geheugen nuttig te maken voor gedeeld werk, terwijl het toch inspecteerbaar, beheersbaar en machtigingsbewust blijft.

Dat is de uitdaging die we met AI-teamgenoten wilden oplossen.

AI-teamgenoten werken in een andere omgeving. Ze werken samen aan gedeelde taken, projecten en documenten. Ze ontvangen feedback van meerdere mensen. Ze werken in verschillende systemen. En ze moeten in de loop van de tijd verbeteren zonder een zwarte doos vol verborgen context te worden die niemand kan controleren.

Dat creëert een ander ontwerpprobleem. Een AI-teamgenoot heeft een manier nodig om te leren van de uitvoering, later relevante kennis op te halen en uit te leggen hoe die kennis zijn/haar acties heeft beïnvloed. Tegelijkertijd kan het niet alle eerdere informatie als globaal herbruikbaar behandelen. Wat het onthoudt en wat het kan gebruiken, moet dezelfde grenzen respecteren die het onderliggende werk bepalen.

In de praktijk betekent dit dat geheugen onderdeel wordt van onze samenwerkingsarchitectuur op bedrijfsniveau. Het verbindt leren, ophalen, toegangscontrole en transparantie in één systeem.

Van eenmalige context naar herbruikbare kennis

De eenvoudigste versie van een AI-assistent begint elke keer opnieuw. Je geeft het een prompt, voegt er misschien een paar bestanden aan toe en het probeert te helpen binnen die ene interactie. Dat kan werken voor geïsoleerde aanvragen, maar het werkt al snel niet meer in langdurige teamworkflows.

Een menselijke medewerker reageert niet alleen op het huidige bericht. Hij onthoudt het voorkeursproces van het Team, de voorbeelden die een goede output definiëren, de documenten die ertoe doen, de feedback die hij vorige week heeft ontvangen en de projectcontext die bepaalt hoe het werk moet worden gedaan. Als AI-teamgenoten zich als echte Medewerkers willen voelen, hebben ze een manier nodig om hetzelfde soort praktische kennis te verzamelen.

Voor ons betekende dat het bouwen van een uniforme geheugenlaag die de volledige levenscyclus van kennis omvat:

• Hoe herinneringen worden gemaakt

• Hoe ze worden opgehaald tijdens toekomstige uitvoeringen

• Hoe ze zijn gekoppeld aan de Werkgrafiek - het gestructureerde gegevensmodel van Asana dat taken, projecten, mensen en doelen in een organisatie met elkaar verbindt

• Hoe gebruikers inspecteren en beheren wat de Teamgenoot heeft geleerd

Dat laatste punt is belangrijker dan het in eerste instantie lijkt. Een krachtig geheugensysteem dat niemand kan inspecteren of corrigeren, creëert geen vertrouwen. Het creëert een nieuwe storingsmodus.

Hoe AI-teamgenoten geheugen creëren

Een van de eerste ontwerpkeuzes die we maakten, was om de juiste momenten te identificeren waarop een Teamgenoot herinneringen kan genereren.

Eén klasse geheugen wordt afgeleid tijdens of na de uitvoering. Terwijl een Teamgenoot een taak uitvoert, komt hij instructies tegen, leest hij bronnen, voert hij acties uit en ontvangt hij feedback. Een deel van die informatie is tijdelijk. Een deel ervan is duurzaam en de moeite waard om opnieuw te gebruiken, bijvoorbeeld; een gebruiker kan feedback geven zoals "zet de beoordelaar van het datamodel altijd in CC bij deze taken". Een ander voorbeeld: wanneer een Teamgenoot een project doorleest, kan hij dingen leren over het oogmerk van het project (bijv. Project X bevat bronnen over de beste praktijken voor marketingcampagnes van de organisatie). Dat zijn sterke kandidaten voor een duurzaam geheugen.

Een andere klasse van geheugen is expliciet. Gebruikers kunnen rechtstreeks begeleiding geven in plaats van te wachten tot het systeem deze afleidt. Dit is vooral belangrijk wanneer het doel niet is om een les uit eerder werk te trekken, maar om de Teamgenoot te leren hoe hij zich moet gedragen in een bredere werkcontext of hoe hij een bepaalde bron moet gebruiken.

Dat expliciete pad wordt bijzonder krachtig voor aan middelen gekoppeld geheugen. Een gebruiker kan een Teamgenoot toegang geven tot een document en vervolgens uitleggen welke rol die bron moet spelen. Is het een procesdocument dat uitlegt hoe het Team communiceert? Een referentiedocument met domeinkennis? Een sjabloon dat toekomstig werk vorm moet geven? Het onderscheid is belangrijk omdat hetzelfde bronmateriaal heel verschillend kan worden gebruikt, afhankelijk van de bedoeling van de gebruiker.

Telkens wanneer een herinnering wordt gemaakt, maken we 'Geheugenassociaties', in wezen verwijzingen naar de Werkgrafiek-objecten waar de herinnering over gaat of waarvoor de herinnering relevant is. Dit kan bijvoorbeeld het project zijn dat de herinnering beschrijft, of een Google Doc-bron die een gebruiker heeft geüpload. Zoals we verder in dit artikel zullen beschrijven, zijn deze associaties essentieel voor de manier waarop we geheugens ophalen en zorgen voor een goede toegangscontrole.

Hoe AI-teamgenoten herinneringen ophalen

Een geheugensysteem is slechts zo goed als het ophaalmodel ervan. Het opslaan van nuttige lessen is niet voldoende als de juiste kennis niet op het juiste moment verschijnt.

Voor AI-teamgenoten werkt het ophalen als een systeem met twee banen.

De eerste baan is ophalen bij het starten van de uitvoering. Wanneer een Teamgenoot aan een Taak begint te werken, ontvangt deze een reeks relevante herinneringen voordat hij beslissingen begint te nemen. Deze kunnen vastgezette instructies omvatten die altijd van toepassing moeten zijn, eerdere lessen die overeenkomen met het huidige werk, of kennis op een hoger niveau die relevant lijkt op basis van zoekopdracht of semantische gelijkenis.

De tweede baan is contextueel ophalen tijdens de uitvoering. Wanneer een Teamgenoot een specifieke taak, project of ander object leest, ontvangt deze ook herinneringen die aan dat object zijn gekoppeld. Dit is belangrijk omdat sommige kennis in het algemeen niet relevant is in abstracte zin. Het wordt relevant omdat de Teamgenoot nu naar een bepaald onderdeel van de Werkgrafiek kijkt.

Die combinatie geeft het systeem een nuttige balans. De Teamgenoot kan beginnen met een brede werkset van waarschijnlijk relevante kennis en vervolgens een preciezere context oppikken naarmate hij dieper in het werk leest.

Het geheugen operationeel maken

Een van de belangrijkste ontwerpkeuzes was om geheugen te vertegenwoordigen als iets operationeels in plaats van mystiek. In ons datamodel is geheugen een concreet object met Inhoud, metadata en associaties.

Een Geheugenassociatie legt een Werkgrafiekobject vast waar de herinnering over gaat of waarvoor de herinnering relevant is. Hierdoor kunnen we een herinnering expliciet in de bredere Werkgrafiek contextualiseren, in plaats van herinneringen los te koppelen van de context die de herinnering vastlegt. 

Toegangsinstellingen geven vorm aan het hele ontwerp

Enterprise-geheugensystemen worden veel moeilijker op het moment dat er meerdere personen, projecten en machtigingen bij betrokken zijn.

Een persoonlijke assistent-AI kan geheugen vaak behandelen als een eenvoudige uitbreiding van de geschiedenis van één gebruiker. Een Teamgenoot die echter aan gedeeld werk werkt en door meerdere mensen kan worden geactiveerd, kan dat niet veilig doen. Elk geheugen dat het systeem creëert, is afgeleid van echt onderliggend werk: taken, reacties, documenten, projecten en eerdere uitvoeringen. Als het geheugen vrij zou kunnen zweven van die bronnen, zou het een kanaal kunnen worden voor het lekken van informatie over machtigingsgrenzen heen.

Daarom moet het geheugen in AI-teamgenoten dezelfde logica voor toegangscontrole erven als het werk waar het vandaan kwam.

Elke geheugenopvraging is beperkt tot degene die de uitvoering heeft geactiveerd. De Teamgenoot heeft alleen toegang tot een geheugen als die persoon zicht heeft op het werk dat het heeft geproduceerd — de betrokken taken, reacties, documenten of projecten. Dezelfde regel geldt voor koppelingen: als een geheugen naar een Asana-object verwijst, zoals een taak of project, wordt het alleen weergegeven wanneer de activerende gebruiker dat object ook kan zien. Anders gezegd, een AI-teamgenoot ziet nooit iets dat de persoon die het startte niet al kon zien.

Transparantie sluit de cirkel

Het laatste onderdeel is zichtbaarheid. Als een Teamgenoot geheugen gebruikt om een actie te begeleiden, hebben gebruikers een manier nodig om die invloed te begrijpen.

Dat begint met het inspecteerbare geheugen zelf. Gebruikers moeten de herinneringen van een Teamgenoot kunnen bekijken en herinneringen kunnen verwijderen die mogelijk onnauwkeurig of verouderd zijn. Bovendien kan het systeem, wanneer een Teamgenoot iets uitvoert, laten zien welke herinneringen in de uitvoeringscontext zijn doorgegeven en welke in de loop van de uitvoering zijn gecreëerd.

In plaats van te vragen "waarom heeft de AI dat gedaan?" in abstracte zin, kan een gebruiker het gedrag herleiden tot een specifieke aangeleerde instructie, brongeheugen of bijbehorend contextobject. De oplossing wordt concreet: bewerk de herinnering, verwijder deze, vernieuw de bron of voeg betere begeleiding toe.

Als een Teamgenoot bijvoorbeeld een verslag anders opmaakt dan verwacht, kan een gebruiker de geheugens van de Teamgenoot controleren om te zien dat deze vorige week een opmaakvoorkeur heeft geleerd uit de feedback van een ander teamlid, en die herinnering bijwerken of verwijderen om het gedrag te veranderen.

Dit is de reden dat geheugen en transparantie samen moeten worden ontworpen. Een Teamgenoot die in de loop van de tijd leert, is krachtiger. Een Teamgenoot die onzichtbaar leert, is moeilijker te vertrouwen.

Waarom dit belangrijk is

In ons vorige bericht onderzochten we hoe AI-teamgenoten transparant werken in gedeelde teamruimtes. Geheugen is de laag die die samenwerking versterkt: het systeem leert van gedeeld werk, haalt die kennis op wanneer het ertoe doet, en doet dat binnen dezelfde vertrouwensgrenzen die het werk zelf bepalen. 

De diepere les is dat AI op teamniveau meer nodig heeft dan een groter contextvenster. Het heeft een model nodig om samenwerking om te zetten in duurzame, herbruikbare, beheersbare kennis.

In het volgende bericht zullen we bekijken hoe we de taalmodellen evalueren en selecteren die deze redenering mogelijk maken.

Dit artikel is geschreven door Anant Tibrewal, een engineer in het AI-teamgenoten-team, waar hij werkt aan het bouwen en opschalen van het collaboratieve agentische AI-product van Asana.