Quando alguém de uma equipe corrige um agente de IA – melhores prompts, melhor suggestions, melhor contexto – essa melhoria desaparece no momento em que um colega abre a mesma ferramenta. A correção não é transferida e a próxima pessoa começa do zero.
O problema se agrava em fluxos de trabalho multiagentes, onde as equipes esperam que os agentes compartilhem contexto entre usuários e tarefas. Sem uma camada de memória compartilhada, cada membro da equipe treina efetivamente uma versão diferente do mesmo agente — e essas versões nunca são sincronizadas.
Essa lacuna aparece nos números. De acordo com a pesquisa da própria Asana, 75% dos trabalhadores do conhecimento utilizam IA no trabalho, mas apenas 5% das empresas relataram ganhos de produtividade.
“Os provedores de modelos estão ficando muito, muito bons em melhorar o raciocínio e os loops de novas tentativas, mas eles não são bons em trazer o contexto de trabalho empresarial de uma forma que os seres humanos possam raciocinar para a memória compartilhada”, disse o diretor de produtos da Asana, Arnab Bose, ao VentureBeat.
A Asana estava construindo uma plataforma de agência que centraliza o contexto e a memória compartilhada. Sua plataforma Agentic Work Administration garante que, se algum membro da equipe corrigir um agente, essa correção se aplicará a todos os demais membros da equipe.
“Esse gráfico de contexto é fornecido automaticamente aos agentes que operam dentro do sistema da Asana, para que não seja necessário que todos os membros humanos da equipe se tornem especialistas em engenharia imediata ou engenharia de contexto”, disse Bose.
Bose disse que a arquitetura de memória compartilhada é importante além do próprio produto da Asana; é a decisão de design que as empresas precisam tomar para qualquer sistema multiagente.
A memória compartilhada também se torna importante quando as empresas começam a migrar de simples agentes únicos para fluxos de trabalho multiagentes que precisam compartilhar contexto e comportamentos.
Memórias para um fluxo de trabalho multiagente e multiplataforma
Os modelos que alimentam os agentes são sem estado por design, de modo que a memória se torna uma camada dedicada fora de uma janela de contexto. Embora esta área de inovação em IA esteja a caminhar para a maturidade, a questão do que é armazenado, quem o controla e como permanece consistente quando diferentes agentes e utilizadores escrevem para a mesma instância permanece em grande parte sem solução.
Isso é gerenciável para casos de uso com apenas um usuário. Porém, em fluxos de trabalho de agentes corporativos, a ideia é que os agentes trabalhem com toda a equipe. A maioria das plataformas possui agentes que ainda atuam em nome de indivíduos, o que leva à repetição de tarefas e a versões inconsistentes da realidade e à propagação de erros. Os agentes também poderiam se contradizer.
Sriharsha Chintalapani, cofundador e CTO da Collate, disse em um e-mail à VentureBeat que a falta de memória compartilhada é um grande obstáculo para fluxos de trabalho multiagentes, especialmente em relação à consistência.
“Os agentes são sensíveis à qualidade das suas solicitações”, disse Chintalapani. “Alguém com um forte entendimento da tarefa geralmente obterá resultados mais precisos do que alguém menos experiente. Em parte porque eles são capazes de construir prompts mais detalhados, mas também porque são capazes de dar um suggestions melhor ao agente. O agente se lembra das correções recebidas e aplica esse conhecimento a prompts sucessivos. Quanto mais preciso o suggestions, melhor será o desempenho do agente para aquele usuário. “
Ele acrescentou que as organizações deveriam parar de tratar a memória compartilhada apenas como um problema imediato de engenharia e pensar em construir sistemas que repitam o contexto em todas as conversas.
Neej Gore, diretor de dados da Zeta International, disse em um e-mail separado que o contexto compartilhado se torna uma memória viva que “compõe a inteligência em toda a empresa”.
A oportunidade pode estar na construção de agentes de IA que recuperem a memória de forma relacional, extraindo contexto relevante com base no que está sendo solicitado – uma abordagem que Chintalapani diz que poucas organizações fora dos maiores fornecedores de modelos estão equipadas para construir.
Agentes pessoais versus agentes de equipe
Os agentes de IA já proliferam empresas; acontece que muitos deles operam como agentes pessoais, realizando trabalhos específicos para usuários individuais. A maioria dos prompts começa com uma pessoa, todos os arquivos são carregados por uma conta e mesmo para agentes que vivem em um sistema que abrange toda a empresa, aprendem principalmente as preferências individuais do usuário.
A maioria das plataformas de fluxo de trabalho de IA empresarial reconhece que a memória é importante, mas aborda-a através de lentes diferentes. Por exemplo, o Copilot da Microsoft adota uma abordagem individual, aprendendo a função do usuário dentro da organização, preferências de tom e padrões de trabalho, que são então armazenados como memórias pessoais para o agente aplicar nas diferentes superfícies do Microsoft 365.
Para as equipes de engenharia e orquestração que avaliam plataformas de agentes, a questão da memória compartilhada é agora um critério de aquisição – e não apenas um detalhe técnico. Um agente que aprende apenas para a pessoa que o utiliza exigirá manutenção particular person contínua. Alguém conectado a uma camada de memória de toda a equipe constrói conhecimento institucional automaticamente.
