# Тренируемые агенты: как Asana строит команды из людей и Claude Канонический URL: https://zero2claude.ru/blog/asana-human-agent-teams-claude Дата: 2026-09-29 Теги: claude, агенты, автоматизация, партнёрства Chief Product Officer Asana Арнаб Бос рассказывает, как компания встраивает ИИ-агентов в рабочие процессы: с ролями, доступом, общей памятью и работой, которую видят все. Когда компания годами выстраивала систему учёта задач, ролей и зависимостей между людьми, у тебя возникает соблазн: а что если ИИ-агентам просто дать доступ к той же системе, а не строить для них отдельную инфраструктуру? Asana выбрала именно этот путь — и рассказала, что из этого получилось. Это третий материал в серии постов Anthropic о человеко-агентных командах. Первый рассказывал об опыте самой Anthropic с многопользовательским ИИ, второй — о том, как Slack превращает рабочие разговоры в контекст для агентов. Этот выпуск смотрит на ситуацию с другой стороны: что меняется, когда агенты работают прямо на той платформе, где люди и так делают свою работу. ## Work Graph: сначала структура, потом агенты Задолго до появления ИИ-агентов команда Asana работала над тем, как закодировать структуру и ответственность в совместную работу людей. Итогом стала модель Work Graph® — граф, который связывает между собой каждую задачу, проект, цель и обсуждение, с чётко назначенными владельцами, участниками и зависимостями. Когда в Asana начали строить ИИ-агентов, было принято принципиальное решение: не создавать для них отдельную систему контекста, а встроить их в тот же самый Work Graph. Агенты получают роли, им назначают задачи, они читают и пишут сообщения, появляются в лентах активности рядом с людьми — с дополнительными ограничениями на то, к чему они могут получить доступ и что могут передать дальше. Chief Product Officer Asana Арнаб Бос рассказал Anthropic, как команды компании работают вместе с Claude и с этими агентами: как каждый агент получает роль и доступ, кто его обучает, как работа остаётся видимой для всех и какие задачи агенты выполняют в командах, где рядом с людьми работают ИИ-коллеги. ## Сначала обдумай задачу, потом отдавай её агенту Внутри самой Asana Claude — это ИИ-инструмент по умолчанию, подключённый ко всем платформам, где сотрудники работают: Google Drive, Slack и, конечно, сама Asana. «Человек осмысляет свой день, беря неструктурированные данные — идею, разговор в Slack, запись встречи в Zoom, отчёт из Databricks, информацию из Google Docs, — говорит Арнаб. — Он проговаривает это с Claude, а потом переносит всё это в структуру, которую даёт Asana: проекты и задачи». Только после того, как структура готова, в дело вступают агенты — используя три возможности, описанные в первом посте серии о [30 днях с Claude](/blog/30-days-with-claude): постоянную память, собственные учётные данные и общий контекст. Как применить это на практике: - Начинай со своих собственных идей. Приноси Claude неструктурированные куски дня — идею, разговор в Slack, разрозненные заметки в документах. - Обсуждай и спорь с Claude. Используй его как собеседника для размышлений: проговаривай идею, пока не станут ясны следующие шаги. - Переноси конкретику в Work Graph. Всё, что стало действием, отправляй в проекты и задачи — там его подхватят агенты и коллеги. ## У каждого агента — своя роль, инструменты и доступ Сотрудники Asana могут работать с ИИ-агентами в любом проекте так же, как с человеком-коллегой. Люди сами формируют команды, в которых работают, и каждому сотруднику даётся список рекомендованных агентов для усиления целей команды. Агенты строятся вокруг конкретных ролей или типов работы: например, контент-райтер, аналитик по инсайтам, менеджер проекта, специалист по обработке входящих запросов, аналитик кампаний или координатор кампаний. Каждый агент приходит с готовыми навыками, основанными на исследованиях Asana о том, как её клиенты выполняют эту работу, и с нужными интеграциями — например, HubSpot или облачным хранилищем документов. У каждого агента есть профильная страница со списком: имя и назначение, кто может им пользоваться, кто администрирует, инструкции, навыки, интеграции и права доступа. Asana даёт инструменты, чтобы доступ был осознанным. «Asana — это замкнутая рабочая поверхность, — говорит Арнаб. — Ты можешь дать доступ к конкретному набору проектов, а не ко всему, или к конкретному набору документов, или к комбинации документов и приложений». Как и обычные пользователи, агенты подчиняются явным настройкам доступа, но есть дополнительная защита: эффективный доступ агента ограничен правами человека, который его запускает. Это позволяет агентам иметь широкий доступ к публичному контенту, минимизируя риск того, что кто-то получит информацию, которую агент узнал в приватном контексте. Похожий принцип разграничения прав описан в посте про [Claude и NVIDIA: как держать ИИ-агентов под замком](/blog/claude-nvidia-agent-safety) — там тоже речь о том, что автономность агента не должна означать бесконтрольный доступ. Определяй роль до того, как создаёшь агента. Продумай, какую работу он будет выполнять, распиши назначение, инструкции и конкретные задачи, за которые он отвечает — так же, как для нового сотрудника на первый квартал. ## Работать с агентом и обучать его — разные вещи Ключевая особенность агентов Asana, которых компания называет AI teammates («ИИ-напарники»), — общая память. Она позволяет агенту сохранять информацию из предыдущих инструкций, а несколько пользователей могут повторно использовать эту память, чтобы быстрее выполнять задачи. «ИИ-напарников можно тренировать и обучать так же, как человека в команде», — говорит Арнаб. Есть одно ролевое ограничение в том, как работает общая память: хотя любой может дать агенту обратную связь по задаче, только администраторы и редакторы могут закрепить эту обратную связь в постоянной памяти, а также отменить или удалить что-то из неё. Для всех остальных обратная связь действует только в рамках текущей задачи. Это разделение сделано намеренно. Команда коммуникаций Asana держит перо в вопросах голоса и тона компании — значит, именно они становятся редакторами и администраторами агента, который пишет тексты. Арнаб может составить черновик с этим агентом, но не может изменить его поведение. И большинству людей вообще не нужно трогать эту машинерию: «Не всем в команде нужно понимать такие концепции, как навыки, поведение и память. В команде есть один-два эксперта, которые всё настраивают правильно, и все остальные люди получают те же преимущества в дальнейшем». | Роль | Что может | |---|---| | Обычный пользователь | Работать с агентом, давать фидбек по задаче (действует только в рамках задачи) | | Редактор/админ | Закреплять фидбек в постоянной памяти, отменять или удалять записи, менять поведение агента | | Владелец стандарта (например, команда бренда) | Администрирует агента, который применяет этот стандарт | ## Работа агента должна быть видна всем Похоже на то, как агенты в Slack прозрачно постят сообщения в каналах — когда задача назначена ИИ-напарнику в Asana, все видят, что её выполняет агент и что именно он делает. Агент публикует активность, включая свой план исследования и предпринятые шаги, так что любой человек с доступом к этой задаче может прочитать, что было сделано, оставить комментарий и направить агента к нужному результату. Когда команда коммуникаций Asana попросила Арнаба проверить брифинг для выступления, он упомянул агента прямо в задаче через @-mention и попросил учесть тезисы из его прошлого выступления. Сообщение было коротким, потому что он уже много раз работал с этим агентом, а нужные материалы уже лежали в Work Graph. Коллега из команды коммуникаций видел и его запрос, и ответ агента — и мог параллельно вести с агентом свой диалог. «Ты, наверное, можешь получить отличные результаты от диалога один-на-один с ИИ-агентом, если ты хорошо разбираешься в ИИ, вытащить документ и запостить его обратно в Slack или Asana, — говорит Арнаб. — Но в этот момент другие люди, которые проверяют этот контент, не знают, каким был запрос и что было в переписке. Если они не согласны с какими-то из твоих указаний, им просто невозможно об этом договориться». В общей задаче запрос, возражения и результат находятся в одном месте, и люди, проверяющие результат, могут сами скорректировать инструкции, которые его породили. ![Иллюстрация к статье о человеко-агентных командах Asana. Источник: Anthropic](/blog/asana-human-agent-teams-claude-1.jpg) Прозрачность работы агента — не бонус, а страховка: без общего лога переписки команда не сможет договориться о том, что нужно изменить в результате. ## Три задачи, которые Asana доверила агентам Claude обеспечивает у Asana любую агентную работу, которая генерирует документы или выполняет сложные задачи. Вот три примера из разных команд компании. **Ответы на вопросы о продукте в Slack-канале.** Когда Asana запускает новые функции, продавцы и специалисты клиентской поддержки задают вопросы в общем Slack-канале. До появления ИИ-напарников одни и те же вопросы задавались снова и снова, и каждый раз приходилось упоминать экспертов через @-mention. Поисковая база знаний не была практичным решением, говорит Арнаб, потому что ответы нюансированные и меняются со временем: «Нужно немного вкуса, чтобы понимать, каково текущее состояние продукта». Вопросы всё равно идут в Slack, потому что это самый простой способ для сейлзов их задать. Но теперь приложение Asana в канале превращает каждый вопрос в задачу Asana, и её подхватывает агент. Если утверждённый ответ уже есть, агент отвечает со ссылками на источники. Если утверждённого ответа нет и вопрос указывает на пробел в продукте, агент создаёт задачу в проекте продуктовой команды и добавляет её в бэклог. А если один и тот же вопрос повторяется и агент раз за разом даёт одинаковую справку, он создаёт задачу для команды обучения — обновить материалы и документацию. **Брифинги для руководства о рискованных продлениях контрактов.** Chief Customer Officer Asana Джош Абдулла раньше вручную готовил еженедельный брифинг для топ-менеджмента на основе обновлений от менеджеров по работе с клиентами (CSM), которые отмечали риски по продлению и обновляли статусы по мере изменения условий. При тысячах клиентов по всему миру объём обновлений делал невозможным оставаться в курсе без выделенного человека, который всё это синтезировал — рутинная работа, из-за которой процесс становился реактивным. «Джош узнавал о проблемах, когда лидеры ему говорили, а не когда данные впервые их показывали», — говорит Арнаб. Команда клиентского опыта построила агента-напарника по имени At-Risk Renewal. Он читает каждую задачу по рискованному продлению во всём глобальном портфеле, включая обновления, статусы и комментарии каждого CSM, и генерирует структурированный ежедневный дайджест из трёх блоков: положительная динамика, отрицательная динамика и рекомендованные следующие шаги. Сначала строится глобальная картина, затем — разрез по регионам, и дайджест автоматически приходит каждое утро Chief Customer Officer, Chief Revenue Officer и всем региональным руководителям клиентского успеха. Поскольку дайджест публикуется в общем пространстве, руководители могут задавать уточняющие вопросы — например, какие были опережающие индикаторы за прогнозом оттока по конкретному аккаунту — и обучать агента запоминать нужное для следующего запуска, так что отчёт улучшается каждое утро. | Задача до агента | Задача с агентом | |---|---| | Ручной синтез обновлений от CSM по тысячам клиентов | Автоматический ежедневный дайджест по трём блокам | | Руководитель узнаёт о проблеме постфактум | Дайджест приходит каждое утро проактивно | | Один человек тратит время на рутинный сбор данных | Руководители сами обучают агента через фидбек | ## Что это значит для команд, которые строят своих агентов История Asana показывает практичный принцип: агентам не нужна отдельная инфраструктура, если у тебя уже есть система, где зафиксированы роли, владельцы и связи между задачами. Вместо того чтобы изобретать новый слой контекста специально для ИИ, можно встроить агента в существующий рабочий процесс — с той же дисциплиной доступа и ответственности, что применяется к людям. Если ты хочешь разобраться в базовых принципах работы с Claude и агентами с нуля, полезно начать с бесплатного курса zero2claude — там объясняются те же понятия про роли, доступ и контекст, но на простых примерах для новичков. ## Частые вопросы Это модель данных Asana, которая связывает между собой все задачи, проекты, цели и обсуждения в компании, с чётко назначенными владельцами, участниками и зависимостями. Именно в эту же структуру Asana встроила своих ИИ-агентов, а не создавала для них отдельную систему. Каждый агент имеет профиль с указанием ролей, инструкций, навыков, интеграций и разрешений. Дополнительно эффективный доступ агента ограничен правами того человека, который его запускает — это не даёт агенту случайно раскрыть информацию, полученную в приватном контексте. Любой сотрудник может дать агенту обратную связь по конкретной задаче, но только назначенные редакторы и администраторы могут закрепить эту обратную связь в постоянной памяти агента или удалить из неё что-то. Обычно это команда, которая владеет стандартом — например, командой бренда для агента-райтера. Потому что агент публикует свой план и шаги прямо в общей задаче, как обычный участник команды. Это позволяет коллегам видеть весь контекст запроса и ответа, спорить с результатом и корректировать инструкции — а не гадать, что именно было в переписке с агентом «за кулисами». Главный урок Asana прост: агент становится полезным коллегой не благодаря продвинутой модели, а благодаря понятной роли, прозрачному доступу и видимой всем работе. Дай агенту чёткое назначение, ограничь его права правами того, кто его запускает, назначь ответственных за обучение — и остальная команда получит пользу без необходимости разбираться в деталях. Если хочешь попробовать всё это руками — начни с бесплатного курса [«Claude с нуля»](/learn/claude-101). По мотивам статьи Anthropic «Agents you can coach: how Asana builds human-agent teams with Claude». Пересказали по-русски для новичков.