AIエージェント、チーム全体で学習できていない問題
チームの誰かがAIエージェントに修正を加えた。もっといいプロンプト、もっと質の高いフィードバック、文脈をきちんと整理した。その時点では完璧に機能する。でも、同僚がその同じツールを開いた瞬間に、その改善はすべて消えてなくなる。修正は共有されず、次の人はゼロからスタート。正直、こんなの聞くとため息が出る。
複数のエージェントが協働するワークフローになるとさらに深刻だ。チームメンバーがエージェント同士でコンテキストを共有できるはずなのに、共有メモリレイヤーがないと、各自が同じエージェントの別バージョンを訓練していることになる。そして、それらのバージョンは決してシンク（同期）しない。Asanaの調査によれば、知識労働者の75%が仕事でAIを使っているのに、実際に生産性向上を報告している企業は5%にすぎない。この落差は、まさにこの問題を反映している。
Asana「Agentic Work Management」が示す解決策
共有メモリの設計が企業AIの鍵
Asanaのプロダクト責任者であるArnab Bose氏はVentureBeatに対し、こう語った。「モデルプロバイダーは推論とリトライループの改善には本当に優れているけれど、企業の業務コンテキストを人間が理解できる形で共有メモリとして機能させることには対応できていない」と。つまり、多くのAIツールは個人ユーザーの体験には最適化されているけれど、組織全体で知識を蓄積する仕組みが欠けている。
Asanaが取り組んでいるのは、このコンテキストと共有メモリを中心に据えたエージェントプラットフォームだ。重要なポイントは、チームメンバーの誰かがエージェントを修正すると、その修正がチーム全体に適用されることだ。Bose氏が説明するには「このコンテキストグラフが自動的にAsana内で動作するエージェントに提供されるので、チームのすべてのメンバーがプロンプトエンジニアリングやコンテキストエンジニアリングの専門家になる必要がない」という。地味だが、かなり実用的だ。
Asana Agentic Work Managementの主な特徴
| 機能 | 説明 | これまでのツールとの違い |
|---|---|---|
| 共有メモリレイヤー | チーム全体でエージェントの学習を共有 | 個人ユーザーごとに独立したメモリ |
| 自動コンテキスト提供 | ユーザーが詳細なプロンプト作成をしなくても、エージェントに必要な情報が供給される | ユーザーが毎回コンテキスト設定が必要 |
| 修正の組織全体への反映 | 一人の修正がすべてのチームメンバーのエージェント体験を改善 | 各人のエージェントが独立して動作 |
複数エージェント環境で直面する「メモリ問題」
なぜ企業のマルチエージェントワークフローに共有メモリが必須なのか
AIモデルは設計上ステートレス（状態を保持しない）だ。つまり、メモリは文脈ウィンドウの外に独立したレイヤーとして存在する必要がある。この分野のイノベーションは成熟に向かっているが、「何をメモリに保存するのか」「誰がそれを管理するのか」「異なるエージェントと複数のユーザーが同じインスタンスに書き込むときにどう一貫性を保つのか」といった問題はほぼ未解決のままだ。
ユーザーが一人だけなら、何とか対応できる。ただ企業のエージェントワークフローになると、複数のチームメンバーがエージェントと協働することが期待される。ところが、ほとんどのプラットフォームのエージェントは相変わらず個人ユーザーのために働いている。そのせいで、タスクが繰り返されたり、同じ情報に対して矛盾した認識が生まれたり、エージェント同士が互いに矛盾した提案をしたりする。これ、正直に言って使うたびにイライラする。
企業レベルでの共有メモリの重要性
- 一貫性の維持：複数のエージェントが同じ情報源を参照し、矛盾した指示を避ける
- 学習効果の蓄積：ユーザーからのフィードバックがすべてのエージェント利用者に波及
- プロンプト品質への依存低減：経験が浅いユーザーでも高い品質の結果を得られる
- リレーショナルな文脈検索：質問に基づいて関連する情報を動的に引き出す仕組み
Collateの共同創業者でCTOのSriharsha Chintalapani氏はメールでこう述べている。「エージェントはプロンプトの品質に敏感です。タスクをよく理解している人は、経験の浅い人よりも正確な結果を得られる傾向にある。それは彼らがより詳細なプロンプトを作成できるだけでなく、エージェントにより良いフィードバックを与えることができるからです。エージェントは受けた修正を記憶し、その知識を次のプロンプトに適用します。フィードバックの質が高いほど、そのユーザーにとってエージェントのパフォーマンスは向上する」と。つまり、いいフィードバックを与えられる人と与えられない人で、同じエージェントでも全然違う結果が出る。これは明らかに不公平だし、組織全体で見ると知識の一元化が進まない。
個人エージェントからチームエージェントへの転換
企業内にはすでに大量のAIエージェントが存在している。ただし、多くは個人ユーザー向けの個人エージェントだ。プロンプトは一人から出発し、ファイルアップロードも一つのアカウントから行われ、会社全体のシステムに組み込まれていても、学習するのはその個人の好みや習慣ばかり。Microsoftの「Copilot」がいい例で、組織内での役割、文体の好み、業務パターンなどをユーザーごとの個人メモリとして保存する。これは個人にとっては便利かもしれないが、チーム全体では知識が分散したままだ。
エージェントプラットフォームを評価する立場のエンジニアリング・オーケストレーションチームにとって、共有メモリの有無はもはや単なる技術的な細部ではなく、調達判断の重要な基準になりつつある。個人ユーザーのためだけに学習するエージェントは、継続的な個別メンテナンスを要する。一方、チーム全体のメモリレイヤーに接続したエージェントなら、自動的に組織の知識が蓄積される。