Asana lancerer AI-agenter der deler

De fleste AI-agenter i dag lever i siloer. En agent i marketingafdelingen ved ikke, hvad en agent i salg lige har fundet ud af om samme kunde. En projektagent starter forfra, hver gang den skal svare på et spørgsmål, den faktisk allerede har besvaret i en anden tråd for en uge siden. Det koster tid, og det skaber inkonsistente svar, fordi hver agent arbejder med sit eget, spinkle udsnit af virkeligheden.

Asanas løsning er en delt hukommelseslag, hvor agenter på tværs af teams og projekter trækker på den samme kontekst: tidligere beslutninger, projektstatus, tilbagevendende mønstre i, hvordan organisationen løser opgaver. En agent, der arbejder med kundeonboarding, kan trække på indsigt fra en agent, der tidligere har håndteret lignende sager, uden at nogen manuelt skal fodre den med baggrundsviden hver gang.

Det er en reel arkitektonisk forskel fra de fleste virksomheders nuværende opsætning, hvor hver chatbot eller kopilot har sin egen isolerede kontekst og reelt er en ny samtale hver gang. Jeg ser gang på gang, at det er netop denne mangel på delt hukommelse, der gør, at AI-agenter i produktion aldrig bliver bedre end den enkelte prompt, de får.

Det interessante ved Asanas model er ikke den delte hukommelse i sig selv, det har flere leverandører forsøgt sig med. Det interessante er, at adgangsstyringen er bygget ind i selve hukommelseslaget, ikke lagt oven på som et separat filter.

I praksis betyder det, at en agent, der arbejder på vegne af én bruger, kun kan hente kontekst, den bruger selv har adgang til. En agent kan trække på tidligere projektbeslutninger fra hele organisationen, men den kan ikke pludselig give en medarbejder i HR indsigt i en fortrolig lønforhandling, bare fordi en anden agent har set den. Rettighederne følger brugeren ind i agentens hukommelse, ikke omvendt.

Det er den mekanik, der afgør, om en virksomhed tør sætte agenter til at arbejde på tværs af afdelinger. Uden den bliver delt hukommelse hurtigt til et datalækage-problem i stedet for en produktivitetsgevinst, og det er præcis den bekymring, der i dag holder mange virksomheder tilbage fra at rulle agenter bredt ud.

Asana har samtidig lagt en model-routing-lag ind mellem brugeren og de underliggende sprogmodeller. I stedet for at virksomheden selv skal vælge og betale for adgang til hver enkelt model, vælger platformen automatisk den model, der passer bedst til opgaven, og pakker det ind i en fast pris.

Det lyder som en detalje, men det løser et reelt problem. Mange virksomheder, der har forsøgt sig med agentisk AI i produktion, oplever, at forbruget er svært at forudsige, fordi forskellige opgaver trækker vidt forskelligt på token-forbrug afhængigt af, hvilken model der bruges. Med en fast pris og automatisk routing forsvinder den usikkerhed fra budgetteringen, og det gør det lettere for en IT- eller finansafdeling at sige ja til at skalere brugen op.

Asana fremhæver FedEx og CoreWeave som tidlige kunder, der bruger Agentic Work Management i produktion, ikke bare i pilotforsøg. Det er værd at bemærke, fordi begge er virksomheder med komplekse, distribuerede organisationer, hvor netop problemet med isolerede AI-siloer plejer at være størst.

At en fragtvirksomhed som FedEx og en infrastrukturvirksomhed som CoreWeave begge har valgt at sætte platformen i drift, peger på, at behovet for delt, adgangsstyret agent-hukommelse ikke kun er relevant for softwarevirksomheder. Det er et organisatorisk problem, der rammer enhver virksomhed, hvor flere teams i dag bruger AI-værktøjer uden at dele kontekst med hinanden.

Hos AI Enterprise møder vi ofte danske virksomheder, der er skeptiske over for AI-agenter i produktion, fordi de er bekymrede for, hvor deres data ender, og hvem der kan tilgå dem, herunder risikoen for data der utilsigtet ender uden for huset. Asanas lancering peger på, at det rigtige spørgsmål ikke er, om agenter skal dele hukommelse på tværs af organisationen, det giver reel værdi, når det er gjort rigtigt. Det rigtige spørgsmål er, om adgangsstyringen er bygget ind i selve arkitekturen, eller om den er noget, man forsøger at lappe på bagefter.

Vi driver som principal konsulent hos AI Enterprise flere større AI-projekter for danske virksomheder, fra problemafklaring til drift, og det mønster går igen: virksomheder, der venter med at tænke adgangsstyring ind fra starten, ender med enten at begrænse deres agenter unødigt eller at løbe en risiko, de ikke selv har overblik over. Den lære gælder, uanset om man vælger Asanas platform eller bygger sin egen løsning oven på en model fra en cloud-udbyder.

For danske virksomheder, der overvejer at rulle AI-agenter ud på tværs af afdelinger, er pointen ikke, hvilken leverandør der vinder markedet. Pointen er, at delt kontekst og skarp adgangsstyring skal designes sammen fra dag ét, ikke tilføjes som en eftertanke, når den første datalækage allerede er sket.