Проблема любого корпоративного чат-бота проста: он отвечает на вопрос и забывает всё, что было до. Пять человек спросили его одно и то же, и каждый получил ответ с нуля. На конференции VB Transform 2026 продуктовый директор Asana Арнаб Боуз рассказал, как компания решает эту проблему: AI-агенты, встроенные в граф рабочих данных компании, помнят контекст, но не выдают то, что видеть не положено. Разбираем, как устроена система и что из этого можно забрать себе.

Work Graph: 18 лет данных компании как память агента

Asana построила Agentic Work Management (AWM) поверх собственной архитектуры, которую развивает 18 лет, - графа Work Graph. Это база данных, где задача с исполнителем и сроком вложена в проект, проект - в портфель, а портфель связан с целями компании. Граф показывает, как задержка дизайн-задачи влияет на выручку, и ведёт живой реестр: кто что делает, к какому сроку и зачем.

Обычный AI-копайлот не имеет состояния и привязан к одному промпту. AWM, подключённый к Work Graph, видит цели компании, обновляет статусы проектов и делит память с людьми. Боуз формулирует так: агент работает не с локальным файлом конкретного сотрудника, а с общим реестром всей компании.

«Агент работает не с конкретным промптом и не с файловой системой отдельного сотрудника. Он работает с общим реестром всей компании».

Система уже в проде: Боуз называет «несколько клиентов в работе», включая FedEx, который опубликовал собственный кейс о переходе.

Главная проблема: как не выдать секреты

Общая память создаёт риск: если руководитель настроил агента на конфиденциальном проекте, тот же агент позже может выдать контекст сотруднику, которому этот проект недоступен. Asana решила это разграничением: система отделяет момент создания воспоминания от момента исполнения задачи и проверяет права доступа.

«Я не должен получить доступ к общей памяти, если вы создали её на секретном M&A-проекте, к которому меня не подпускают».

Этот принцип стоит запомнить любому, кто строит агентов для бизнеса: память агента должна наследовать права доступа данных, на которых она построена. Иначе автоматизация бизнес-процессов превращается в дыру в безопасности.

Маршрутизация моделей и предсказуемые цены

Вторая инженерная деталь: система сама выбирает модель под задачу. Сложное поручение уходит на тяжёлый фронтир (Боуз упоминает Opus и модели OpenAI), простое - на быструю и дешёвую модель. Пользователю не нужно думать о промптах, контексте и вложениях. «Должно ощущаться так, будто вы поручаете задачу человеку», - говорит Боуз.

Третья деталь - биллинг. Агентные задачи жгут кредиты непредсказуемо, и клиенты начинают резать лимиты своим же сотрудникам. Asana убирает эту боль: фиксированная цена за выполненную задачу, а сложность выбора модели, токены и лимиты запусков платформа берёт на себя.

Почему чат-боты без памяти не тянут

Боуз приводит пример: сотрудник просит агента собрать маркетинговую кампанию на основе исторических результатов. Агент достаёт данные, отвечает, и всё. Исполнение произошло в вакууме: следующий сотрудник начнёт с нуля, никакого переиспользуемого процесса не появится. MCP-интеграции с Slack, Google Drive и Databricks дают доступ к инструментам, но не дают состояния.

AWM создаёт постоянное состояние: после выполнения задачи система записывает метаданные, отмечает, улучшил ли агент статус проекта и как это повлияло на цели компании. Память накапливается и работает на следующего сотрудника.

Кейс CoreWeave: запуск продуктов без ручной возни

Облачный провайдер CoreWeave использует AWM для запуска новых продуктов. Раньше продакт-менеджеры заполняли сложные формы, а ревьюеры вручную разбивали их на задачи для финансов, маркетинга и «железа». Теперь продакт пишет обычный документ, детерминированный AI-воркфлоу создаёт структуру проекта, а специализированные агенты следят за статусами и прогнозируют затраты на инфраструктуру.

Люди переключились с рутины на оценку результатов, которые приносит AI.

Что это значит для бизнеса

Для компаний во Владивостоке и на Дальнем Востоке здесь два практических урока. Первый: AI-агенты для бизнеса дают эффект, когда у них есть память и контекст, а не когда они отвечают на отдельные запросы. Второй: прежде чем запускать агента с доступом к данным компании, решите вопрос разграничения прав, иначе он начнёт раздавать то, что видеть не должен.

Внедрение искусственного интеллекта в компании начинается с одного процесса, где контекст уже структурирован: CRM, документооборот, согласования. Нейросети для бизнеса усиливают эффект, когда агент подключён к реальным рабочим данным, а не работает в вакууме. Начать стоит с бесплатного аудита: разберём, какие процессы вашей компании готовы к агентной автоматизации и как защитить данные при внедрении.