На дворе 2026-й, и кажется, что искусственный интеллект уже должен быть нашим лучшим другом в офисе. Мы слышим про AI-агентов, которые могут писать код, создавать тексты, анализировать данные – да что угодно! Но вот какая штука всплыла благодаря Asana, да и вообще, по сути, в сети появилась информация, которая ставит под сомнение всю эту радужную картину: AI агенты учатся на лету, но только для себя.
Представьте себе картину: вы потратили час, оттачивая промпты для вашего AI-агента, добились идеального результата. Вы довольны, чувствуете себя рок-звездой. Но вот ваш коллега, которому тоже нужен такой же результат, открывает тот же инструмент. И что он видит? Абсолютно чистый лист. Все ваши гениальные наработки, все тонкие настройки, вся та самая "обученность" агента – всё это исчезает без следа. Ваш коллега вынужден начинать с нуля, тратя свое время и силы на то, что вы уже проделали.
Эта проблема особенно остро ощущается в многоагентных рабочих процессах, где команды рассчитывают на то, что ИИ будет работать как единое целое, разделяя контекст между разными пользователями и задачами. Но без некой "общей памяти", без слоя, который хранил бы эти знания, каждый член команды фактически создает и обучает свою собственную, уникальную версию одного и того же агента. И эти версии, как вы понимаете, никогда не синхронизируются.
Цифры говорят сами за себя. По данным Asana, 75% работников умственного труда уже используют ИИ в своей работе. Звучит впечатляюще, правда? Но вот только 5% компаний сообщают о реальном росте продуктивности. Это как иметь спорткар, но ездить на нем по пробкам со скоростью черепахи. Арнаб Боуз, директор по продукту Asana, метко подметил в беседе с VentureBeat: "Поставщики моделей становятся невероятно хороши в улучшении логики рассуждений и циклов повторных попыток, но они не умеют интегрировать корпоративный рабочий контекст таким образом, чтобы люди могли использовать его для общей памяти".
Именно эту проблему Asana решила в своей платформе Agentic Work Management. Суть в том, что если кто-то из команды исправляет агента, это исправление становится доступным всем остальным. "Этот граф контекста автоматически предоставляется агентам, работающим в системе Asana, так что вам не придется превращать каждого члена команды в эксперта по промпт-инжинирингу или контекстному инжинирингу", – пояснил Боуз. И он прав – эта архитектура общей памяти важна не только для Asana, но и для любых предприятий, которые хотят внедрить многоагентные системы.
Когда речь заходит о переходе от простых одиночных агентов к сложным многоагентным рабочим процессам, где необходимо делиться контекстом и поведением, вопрос общей памяти становится критически важным. Модели, лежащие в основе агентов, по своей природе "без состояния", то есть не хранят информацию между сессиями. Поэтому память становится отдельным слоем, вынесенным за пределы контекстного окна. И хотя эта область ИИ активно развивается, вопросы о том, что именно хранить, кто будет этим управлять и как обеспечить согласованность при одновременной записи разными агентами и пользователями, остаются во многом нерешенными.
Для сценариев с одним пользователем это не так страшно. Но в корпоративных рабочих процессах с агентами идея заключается в том, чтобы они работали на всю команду. Большинство платформ пока что имеют агентов, которые действуют в интересах отдельных пользователей. Это приводит к повторению задач, возникновению противоречивых версий реальности и тиражированию ошибок. Агенты могут даже начать противоречить друг другу.
Шрихарша Чинталапани, соучредитель и технический директор Collate, подтверждает, что отсутствие общей памяти является серьезным препятствием для многоагентных рабочих процессов, особенно в плане согласованности. "Агенты очень чувствительны к качеству своих промптов", – говорит он. "Человек, хорошо понимающий задачу, как правило, получает более точные результаты, чем менее опытный. Отчасти потому, что он может формулировать более детальные промпты, но и потому, что может давать агенту более качественную обратную связь. Агент запоминает полученные исправления и применяет эти знания к последующим промптам. Чем точнее обратная связь, тем лучше будет работать агент для этого пользователя". Он призывает организации перестать рассматривать общую память исключительно как проблему промпт-инжиниринга и начать создавать системы, которые смогут повторять контекст во всех диалогах.Нидж Горе, директор по данным Zeta Global, добавляет, что общий контекст становится "живой памятью", которая "увеличивает интеллект по всему предприятию". Возможно, будущее за AI-агентами, которые умеют извлекать память реляционно, подтягивая релевантный контекст в зависимости от запроса. Однако, по словам Чинталапани, немногие организации, за исключением крупнейших поставщиков моделей, готовы к такому уровню разработки.
AI-агенты уже активно используются в корпорациях, но зачастую они работают как персональные помощники, выполняющие задачи конкретного пользователя. Большинство промптов инициируется одним человеком, файлы загружаются одним аккаунтом, и даже агенты, работающие в общекорпоративной системе, в основном учатся индивидуальным предпочтениям пользователя.
Большинство корпоративных платформ для рабочих процессов с ИИ признают важность памяти, но подходят к ней с разных сторон. Например, Microsoft Copilot придерживается индивидуального подхода, изучая роль пользователя в организации, предпочтения в тоне и рабочие паттерны, которые затем сохраняются как персональные воспоминания для агента, применяемые ко всем поверхностям Microsoft 365. Для инженерных и оркестрационных команд, оценивающих платформы для агентов, вопрос общей памяти теперь является критерием закупки, а не просто технической мелочью. Агент, который учится только для пользователя, потребует постоянного индивидуального обслуживания. Агент, подключенный к общекомандному слою памяти, автоматически накапливает институциональные знания.