在人工智能的浪潮中，企业级AI Agent的落地一直面临一个尴尬的“失忆症”：一个聊天机器人能回答你的问题，却记不住前五个同事问了什么，更无法告诉你上个月发布的版本是否真的有效。这种“无状态”的困境，让许多企业在AI投资上碰壁，也让AI独角兽们在规模化应用时步履维艰。
近日，项目管理巨头Asana的首席产品官Arnab Bose在VB Transform 2026大会上，揭开了他们如何解决这一难题的面纱——全新的Agentic Work Management（AWM）操作系统。这套系统将AI Agent视为可训练的“队友”，而非简单的“一对一助手”，并与人类员工在同一张共享工作图谱上协作。对于试图从基础集成迈向深度智能化的产品构建者和开发者而言，AWM提供了一份可复用的蓝图，直面AI部署中的真实瓶颈。
从“无状态”到“共享大脑”：企业AI的最大痛点
当下，企业将大语言模型接入Slack、Google Drive等工具，通过Model Context Protocol（MCP）实现基础集成，似乎并不困难。然而，这些聊天机器人本质上都是“无状态”的：每次对话都是一次孤立的请求，既无法利用前几次交互的上下文，也无法形成可复用的工作流。
假设你让一个AI Agent根据历史业绩和竞品分析起草一份营销方案，它会从外部工具抓取数据来回答问题，但执行过程完全在真空中进行。它是一次性的任务，只造福发起请求的个别人。当团队里另一位同事需要发起类似活动时，一切都要从头开始。这种“用完即走”的模式，不仅效率低下，还割裂了企业知识的连续性。
这里的关键在于，传统的AI Agent缺乏一个“公司大脑”——一个能够实时记录谁做了什么、为什么做、结果如何的共享语境图谱。而Asana的AWM正是瞄准了这个空白。它通过将AI Agent接入一个结构化、可追溯的上下文网络，让每一次交互都成为企业记忆的一部分，从而让AI真正“成长”起来。
这种转变对AI投资方向的影响是深远的。过去，资本更青睐那些能快速做出漂亮Demo的AI独角兽，但如今，投资者越来越关注AI系统能否在企业中持续产生价值，而不是停留在单次问答的噱头上。AWM的实践表明，只有构建起持久化、可复用的AI能力，才能真正撬动企业级市场。
Work Graph：18年企业数据如何重塑AI记忆
打造一个支持人机协作的操作系统，Asana的基石是它默默耕耘了18年的架构——Work Graph。这个基于图谱的数据库，通过公司内部称为“清晰金字塔”（Pyramid of Clarity）的结构来组织信息。金字塔的最底层是“任务”（Task），附带执行人和截止日期；任务归属于“项目”（Project），项目汇总到“投资组合”（Portfolio），而投资组合则连接到公司级别的“目标”（Goal）。
举个例子，一个设计任务的延迟如何影响公司的营收目标？在Work Graph中，这种关联可以被实时追踪和计算。它就像一本实时账簿，记录了谁在什么时候做什么，以及为什么。正是这种结构化的企业上下文，让AWM具备了“队友”般的智能。
当AI Agent接入Work Graph后，它不再只盯着你发送的那条提示词，也不再局限于单个员工的本地文件系统。它能够看到整个公司的目标，更新项目状态，并且与人类同事共享记忆。Bose强调：“因为Agent连接到了Work Graph，它不是在处理孤立的提示，而是在操作整个公司的共享台账。”
这种设计让AI Agent具备了“永久状态”。当AWM中的AI队友完成一项任务，系统会记录元数据：这个完成是否改善了项目状态？是否推动了更高层级的公司目标？这些信息会被写入图谱，为后续的Agent和人类员工提供参考。
对于寻求AI工具导航的企业来说，Work Graph的模式提供了一个重要启示：不要只关注AI模型的参数，更要关注底层数据架构的连通性。一个没有“记忆”的AI，就像没有档案室的公司，永远无法积累经验。
数据治理的边界：如何保护机密项目不被AI泄露
将AWM推向企业客户，Asana必须解决几个关键技术难题，首当其冲的就是数据治理。如果AI队友在公司范围内行动，它会通过从工作流和人类反馈中学习来构建共享记忆。但这里有一个关键的边界问题：如果一位高管使用AWM为一个机密项目创建工作流，系统必须确保Agent更新后的记忆不会泄露给后来与同一Agent交互的无权限员工。
Bose举了一个生动的例子：“假设你使用同一个AI队友创建了一个秘密的并购项目，之后我再来运行这个AI队友时，绝不应该能利用你创建的那个共享记忆。”为此，Asana设计了一套精细的访问控制系统，严格区分什么情况会触发“记忆创建”，什么情况只是“执行任务”。
这种边界控制不仅关乎信息安全，还直接关系到企业是否愿意大规模部署AI。如果企业担心AI会“乱说话”或泄露敏感信息，即使AI再聪明，也只会被束之高阁。Asana的做法表明，AI Agent的信任半径必须与企业的权限体系完全对齐。
从AI投资的角度看，数据治理能力正成为评估AI独角兽潜力的核心指标之一。那些能够在不牺牲AI能力的前提下，构建出严密权限模型的团队，将更容易获得大型企业的采购订单。
动态模型路由与计费抽象：让AI像人一样工作
AWM的第二个技术挑战是动态模型路由。当用户将任务分配给AI队友（比如为总经理职位起草一份职位描述），AI需要交叉引用公开的招聘信息、Asana的内部风格指南和产品需求文档。对于复杂任务，系统会自动将提示路由到“重型”前沿模型——Bose提到了Anthropic的Opus和OpenAI的模型——而轻量级任务则会被降级到更快更便宜的模型。
“我们不希望知识工作者去思考应该用什么样的提示词、上下文工程和附件，”Bose说，“应该就像你把任务分配给一个人类同事一样简单。”这种无缝的模型选择，对用户完全透明，但背后需要强大的调度引擎。
然而，动态路由引入了第三个问题：计费抽象。智能体任务的计算复杂度差异很大，导致信用消耗速率不可预测。Bose指出：“我们不想让客户去纠结一些任务更复杂、消耗信用更快的问题。”不可预测的定价可能导致客户为了保护预算，人为限制员工使用AI队友的频率。
为了让AWM在商业上可行，Asana设计了一个静态计费架构：每次任务完成收取固定费用。平台内部吸收模型选择、Token数量和运行限制的复杂性，确保企业客户获得可预测的定价。这种“一口价”模式，降低了企业采购AI能力的心理门槛，也避免了个别员工“滥用”高级模型的风险。
对于正在探索企业数字化转型的管理者而言，这种计费模式值得借鉴：AI服务的成本透明度，往往比技术先进性更能决定落地速度。同时，这也提醒AI独角兽们，在打磨模型能力的同时，别忘了设计出能让企业财务部门理解的定价模型。
从CoreWeave看AWM如何落地产品发布
云服务提供商CoreWeave是AWM的早期采用者之一。他们正在用AWM彻底改造复杂的新产品发布流程。传统上，产品发布涉及多个部门、数十个任务和无数沟通节点，任何一个环节的延误都可能导致整体延期。而AWM的AI队友能够自动识别关键路径，实时更新状态，并在需要人工介入时主动提醒。
Bose在访谈中透露，CoreWeave同时使用了Asana的确定性AI工作室和AWM的智能体能力。前者用于处理规则明确的重复性工作，后者则负责需要判断和协调的复杂任务。这种“人机协作”的模式，让CoreWeave的新产品发布周期大幅缩短。
这一案例展示了AI Agent在真实企业场景中的价值：它不仅仅是回答问题，更是主动管理流程。当AI能够理解项目之间的依赖关系，并基于共享记忆做出决策，它就不再是一个工具，而是一个真正的“队友”。
如果你也想尝试类似的创意生成，不妨试试AI画图工具，让AI帮你快速可视化产品概念。当然，对于更复杂的项目管理，AI工具箱中也有很多其他选择，但Asana的AWM无疑为“AI如何融入工作流”提供了一个标杆。
对AI投资与AI独角兽的未来启示
Asana的AWM不仅仅是一个产品更新，它代表了企业级人工智能部署的一个新范式。过去，我们关注的是“AI能不能回答问题？”现在，问题变成了“AI能不能记住昨天的工作，并帮助明天的新同事？”
从AI投资的角度看，AWM的成功证明了“上下文图谱”+“智能体”的组合具有巨大的商业价值。那些能够将企业数据资产转化为AI可读、可用的结构化记忆的团队，将在下一轮竞争中占据优势。而AI独角兽若想跨越“Demo幻觉”进入真正的企业级市场，必须正视数据治理、模型路由和计费抽象这三个核心挑战。
此外，AWM的实践也提醒我们：人工智能的真正威力不在于模型本身，而在于它能否融入现有的组织架构和协作流程。正如Work Graph所展示的，18年的数据积累并非负担，而是构建AI记忆的黄金矿藏。
未来，我们可能会看到更多企业效仿Asana，将大模型训练与自身业务图谱结合，创造出专属的AI Agent。而在这一过程中，像文生图这样的创意增强工具，也会逐步嵌入到智能工作流中，成为企业数字员工的一部分。
对于关注AI发展趋势的读者，不妨持续跟踪Asana的AWM进展，它或许正预示着企业AI的下一个十年。