Asana تطلق AWM: وكلاء AI بذاكرة مؤسسية وحماية بيانات صارمة
أطلقت Asana نظام AWM الجديد. يعالج انعدام الذاكرة في وكلاء الذكاء الاصطناعي المؤسسيين عبر دمجهم بـ Work Graph البالغة 18 عاماً، مع حماية البيانات وتكاليف ثابتة.
مقدمة تحليلية
في 3 أغسطس 2026، كشفت Asana عن نظام Agentic Work Management (AWM) الجديد، مستفيدة من بنيتها التحتية 'Work Graph' التي يبلغ عمرها 18 عاماً. يهدف هذا الإصدار إلى معالجة العقبة التقنية المتمثلة في انعدام الذاكرة (statelessness) التي تواجه وكلاء الذكاء الاصطناعي المؤسسيين. على عكس روبوتات الدردشة الأساسية التي تتفاعل بشكل منفصل مع كل موجه، صممت Asana نظام AWM ليعمل كـ 'زميل فريق' بشري، مع ذاكرة مشتركة عبر مهام الشركة وأهدافها. وفقاً لـ Arnab Bose، كبير مسؤولي المنتجات في Asana، فقد دخل النظام مرحلة الإنتاج بالفعل، حيث يعتمد عليه العديد من العملاء، بما في ذلك FedEx، الذي نشر دراسة حالة خاصة به. الأهمية الفورية لهذا الإطلاق تكمن في قدرته على تحويل كيفية إدارة المهام المعقدة داخل المؤسسات، وذلك بتوحيد سياق العمل ومنع تسرب البيانات السرية، مع تقديم نموذج تسعير ثابت يجنب العملاء تقلبات التكلفة المرتبطة بتشغيل نماذج الذكاء الاصطناعي المختلفة.
التحليل التقني
يعتمد نظام AWM على بنية Asana التحتية المؤسسية القائمة، 'Work Graph'، وهي قاعدة بيانات تعتمد على الرسوم البيانية تُنظم المعلومات عبر هيكل تسميه الشركة 'هرم الوضوح' (Pyramid of Clarity). يتكون هذا الهرم من أصغر وحدة عمل وهي المهمة (task) مع مُسند لها (assignee) وتاريخ استحقاق (due date). تتجمع المهام في مشاريع (projects)، وتندرج المشاريع تحت حافظات (portfolios)، وتتصل الحافظات بأهداف الشركة العامة (company-wide goals). تتيح هذه البنية تتبع تأثير تأخير مهمة تصميم واحدة على هدف إيرادات الشركة، مما يوفر سجلاً في الوقت الفعلي لمن يقوم بماذا، ومتى، ولماذا. يستغل AWM هذا السجل لإنشاء وكيل ذكاء اصطناعي متعدد اللاعبين، قادر على عرض أهداف الشركة الشاملة وتحديث حالات المشاريع ومشاركة الذاكرة مع الزملاء البشريين، بخلاف مساعد الذكاء الاصطناعي العادي الذي يكون عديم الحالة (stateless) ومقيداً بموجه مستخدم واحد.
آليات الحماية والتشغيل
لمعالجة تحديات البيانات السرية، طورت Asana نظاماً صارماً للتحكم في الوصول. أكد Bose على مشكلة الحدود الحرجة: إذا استخدم مدير تنفيذي AWM لمشروع سري، يجب أن يضمن النظام عدم تسرب ذاكرة الوكيل المحدثة إلى موظف غير مصرح له يتفاعل مع نفس الوكيل لاحقاً. تم تصميم ضوابط الوصول لتحديد ما الذي يؤدي إلى إنشاء ذاكرة وما الذي يعد مجرد تنفيذ لمهمة، مما يمنع الوكلاء من استخدام السياق السري.
يتضمن AWM أيضاً توجيه النماذج الديناميكي (dynamic model routing) لتجريد هندسة الموجهات (prompt engineering) عن المستخدم. عند تكليف وكيل ذكاء اصطناعي بمهمة معقدة، مثل صياغة وصف وظيفي، يقوم النظام تلقائياً بتوجيه الموجه إلى نموذج حدودي (frontier model) ثقيل (مثل Anthropic's Opus أو نماذج OpenAI). بينما للمهام الأقل تعقيداً، يتم تحويلها إلى نماذج أسرع وأقل تكلفة.
يواجه هذا التوجيه الديناميكي تحدي الفوترة. المهام الوكيلة تختلف في تعقيدها الحسابي، مما يجعل معدلات استهلاك الرصيد غير متوقعة. حلت Asana هذه المشكلة بتصميم بنية فوترة تفرض تكلفة ثابتة لكل إكمال مهمة (static cost per task completion)، متجاهلة تعقيد اختيار النموذج وعدد الرموز وحدود التشغيل، لضمان تسعير مؤسسي يمكن التنبؤ به.
السياق وتأثير السوق
تستهدف Asana بنظام AWM مشكلة جوهرية في تطبيقات الذكاء الاصطناعي المؤسسية الحالية: انعدام الحالة (statelessness). بينما يمكن للمطورين بسهولة ربط نماذج اللغة الكبيرة بأدوات المؤسسات مثل Slack وGoogle Drive وDatabricks باستخدام تكاملات Model Context Protocol (MCP)، تفتقر وكلاء الدردشة الأساسيون إلى الاستمرارية. أشار Bose إلى سيناريو حيث يطلب المستخدم من وكيل دردشة صياغة حملة تسويقية؛ يقوم الوكيل بجلب البيانات من أدوات خارجية، لكن التنفيذ يحدث بمعزل، كـ 'مهمة لمرة واحدة' لا تنشئ سير عمل قابلاً لإعادة الاستخدام. يحل AWM هذه المعضلة عبر إنشاء حالة دائمة، حيث يسجل النظام بيانات تعريف إكمال المهمة، وما إذا كان ذلك قد حسن حالة المشروع، وكيف أثر على أهداف الشركة ذات المستوى الأعلى.
يعتبر CoreWeave، المزود السحابي، من أوائل المتبنين لنظام AWM لإعادة هيكلة إطلاق المنتجات المعقدة. سابقاً، كان مديرو المنتجات يملأون نماذج معقدة تفصل البنية التحتية والمعايير والتكاليف، ثم يقوم المراجعون البشريون بتقييمها يدوياً. الآن، يكتب مدير المنتج مستند Google عادياً يشير إلى مستندات متطلبات المنتج الخاصة بهم، ويقوم سير عمل الذكاء الاصطناعي بتحديد بنية المشروع تلقائياً وتعيين المهام. تتولى وكلاء متخصصون التنفيذ، حيث يراقب أحدهم حالة المشروع الإجمالية ويحدد الاختناقات، بينما يقوم آخر، داخل المهام الفردية، بتوقع تكاليف البنية التحتية ويوصي بالموافقات عند توافق الأرقام مع الميزانيات التاريخية.
يتفاقم الوضع بوجود 'مشكلة العدو الصديق' (frenemy problem): نفس مزودي النماذج الحدودية التي تشغل AWM — Anthropic وOpenAI — يقدمون أيضاً منتجات وكلاء منافسة، مثل Claude من Anthropic في Slack (Tag). لم ينكر Bose هذا التوتر، لكنه دافع عن قدرة AWM على الاستمرار بالاستناد إلى 18 عاماً من بيانات تجربة المستخدم وسير العمل، والإجراءات التشغيلية القياسية المسبقة للبناء في صناعات محددة، والتي لا تتوفر في النماذج الحدودية الأولية.
رؤية Glitch4Techs
إن إطلاق Asana لنظام AWM لا يمثل قفزة نوعية في إدارة العمل المؤسسي بل محاولة ضرورية لسد فجوة هيكلية عميقة في تطبيقات الذكاء الاصطناعي الحالية. ادعاء الشركة بتوفير ذاكرة مشتركة حقيقية عبر قاعدة Work Graph البالغة 18 عاماً هو نقطة تفاضل ملموسة. النموذج المتبع في AWM، الذي يحول وكلاء الذكاء الاصطناعي من مساعدين فرديين إلى 'زملاء فريق' بمعرفة مؤسسية، يضع معياراً جديداً للوكلاء الأذكياء. ومع ذلك، فإن نجاح AWM على المدى الطويل مشروط بقدرة Asana على الحفاظ على تفوقها التنافسي ضد المنافسين المباشرين مثل Anthropic وOpenAI، الذين يطورون أيضاً منتجات وكلاء خاصة بهم. إن اعتماد Asana على '18 عاماً من بيانات تجربة المستخدم وسير العمل' كدرع ضد هذه المنافسة يظل نقطة ضعف محتملة. لا تضمن البيانات التاريخية وحدها الحماية من الابتكار السريع في نماذج الذكاء الاصطناعي الأساسية، مما يعني أن Asana يجب أن تواصل الاستثمار بكثافة في تطوير النموذج نفسه بدلاً من مجرد الاعتماد على السياق المجمع. هذه الاستراتيجية قد تنجح في تثبيت مكانة AWM لفترة، لكن التطورات الوشيكة من عمالقة النماذج الأساسية قد تجعل ميزتها التنافسية تتآكل أسرع مما يتوقع.
كن أول من يعرف بمستقبل التقنية
أهم الأخبار والتحليلات التقنية مباشرة في بريدك.
