AI 에이전트를 구축하는 엔터프라이즈 팀은 공통적인 문제에 직면합니다. 챗봇은 이전 상호 작용에 대한 기억이 부족하고 이전 버전의 효과를 추적할 수 없습니다. Asana의 최고 제품 책임자인 Arnab Bose는 그의 팀이 AI 에이전트를 코칭 가능한 팀원으로 취급하도록 설계된 운영 체제인 Agentic Work Management(AWM)를 개발하여 이 문제를 해결한 방법을 논의했습니다. AWM은 작업, 프로젝트, 포트폴리오 및 회사 목표를 구성하는 그래프 기반 데이터베이스인 Asana의 18년 된 Work Graph 아키텍처를 활용합니다. 이 아키텍처를 통해 AWM은 회사 전체 목표에 액세스하고, 프로젝트 상태를 업데이트하고, 인간 동료와 메모리를 공유할 수 있는 "멀티플레이어 팀원"을 만들 수 있습니다.AWM을 엔터프라이즈 고객에게 배포하기 위해 Asana는 공유 메모리 내에서 기밀 정보 유출을 방지하기 위해 액세스 제어를 구현하여 데이터 거버넌스 문제를 극복했습니다. 이 시스템은 또한 동적 모델 라우팅을 처리하여 특정 작업에 적합한 AI 모델을 자동으로 선택함으로써 사용자로부터 프롬프트 엔지니어링을 추상화합니다. 또한 Asana는 계산 복잡성이 다양함에도 불구하고 엔터프라이즈 가격 책정을 예측 가능하게 만드는 작업 완료당 고정 비용을 청구하는 청구 아키텍처를 설계했습니다.AWM은 재사용 가능한 워크플로를 생성하지 않고 일회성 작업을 수행하는 기본 채팅 기반 에이전트의 상태 비저장 문제를 해결합니다. Work Graph와 통합함으로써 AWM은 작업 완료 및 프로젝트 및 회사 목표에 미치는 영향에 대한 메타데이터를 기록하는 영구 상태를 생성합니다. 초기 채택자인 CoreWeave는 AWM을 사용하여 신제품 출시를 간소화하며, AI 에이전트는 프로젝트 구조 생성, 작업 할당 및 병목 현상 식별을 자동화합니다.Bose는 최첨단 모델 제공업체가 경쟁 에이전트 제품도 제공하는 "적대적 친구 문제"를 인정했지만, AWM의 이점은 Asana의 18년 사용자 경험, 워크플로 데이터 및 사전 구축된 표준 운영 절차에 있다고 강조했습니다. 이러한 도메인 전문성을 통해 AWM은 원시 최첨단 모델의 경량 통합과 달리 진정한 엔드투엔드 솔루션을 제공할 수 있습니다.