Atlassian Teamwork Graph: Der Kontext-Motor hinter der Unternehmens-KI

Im Bestreben, künstliche Intelligenz einzuführen, konzentrieren sich viele Unternehmen ausschließlich auf die zugrunde liegenden Sprachmodelle. Das wahre Unterscheidungsmerkmal der Unternehmens-KI ist jedoch nicht das Modell selbst, sondern die Daten, auf die es zugreifen kann. Die grundlegende Gleichung von Atlassian für das KI-Zeitalter ist einfach: Beschleunigung = Kontext × Intelligenz.

Auf der Atlassian Team '26 betonte das Unternehmen, dass ein KI-Agent nur so fähig ist wie das institutionelle Wissen, auf das er zurückgreifen kann. Genau hier wird der Atlassian Teamwork Graph zur strategisch wichtigsten, aber oft noch missverstandenen Komponente der modernen Atlassian-Architektur.

Was ist der Teamwork Graph?

Der Teamwork Graph ist nicht einfach nur eine Datenbank; er ist ein lebendiger, vernetzter Wissensgraph, der die Beziehungen zwischen Menschen, Arbeit, Tools, Code und Entscheidungen abbildet. Er umfasst derzeit über 150 Milliarden Verbindungen im gesamten Atlassian-Ökosystem.

Entscheidend ist, dass der Teamwork Graph weit über Jira und Confluence hinausgeht. Er erfasst Daten aus über 50 angebundenen Anwendungen, darunter GitHub, Figma, Workday, Slack und Google Workspace. Auf welche Tools sich ein Unternehmen auch verlässt, der Teamwork Graph erfasst den Kontext, einschließlich der hart erarbeiteten Nuancen und historischen Kompromisse, die nur das Team versteht.

Öffnung des Graphen für jeden KI-Agenten

Eine wichtige architektonische Entscheidung, die auf der Team '26 angekündigt wurde, war die Öffnung des Teamwork Graph für externe KI-Tools. Atlassian erkennt an, dass Teams eine Vielzahl von KI-Lösungen nutzen, und diese Lösungen benötigen Zugriff auf den Unternehmenskontext, um effektiv zu sein.

Um dies zu erleichtern, hat Atlassian zwei leistungsstarke neue Tools eingeführt, die sich beide derzeit in der offenen Beta-Phase befinden:

Teamwork Graph MCP Server
Das Model Context Protocol (MCP) wird zum Standard dafür, wie KI-Modelle auf externe Daten zugreifen. Die Teamwork Graph-Tools im Rovo MCP Server bieten jedem MCP-kompatiblen Agenten — wie Claude, GitHub Copilot oder Cursor — eine sichere, standardisierte Möglichkeit, den Teamwork Graph abzufragen. Dies ermöglicht es externen Agenten, mit aktuellen Eigentümerdaten, historischem Kontext und Projektbeziehungen zu agieren.

Teamwork Graph CLI
Für technische Anwender und Coding-Agenten, die im Terminal arbeiten, bietet das Teamwork Graph CLI direkten Zugriff auf den organisatorischen Kontext. Mit über 360 Befehlen ermöglicht es Entwicklern und Agenten, sowohl aus dem Graphen zu lesen als auch in ihn zurückzuschreiben, während Administratoren die strenge Kontrolle über Zugriffsrechte und Berechtigungen behalten.

Antrieb für Rovo und autonome Workflows

Der Reichtum des Teamwork Graph ist der Treibstoff, der Atlassian Rovo, die Suite von KI-Agenten des Unternehmens, antreibt. Da Rovo-Agenten auf diesem Graphen aufsetzen, können sie komplexe, funktionsübergreifende Aufgaben ausführen, die tiefen Kontext erfordern.

Wenn ein Rovo-Agent beispielsweise gebeten wird, ein Post-Incident-Review zu entwerfen, generiert er nicht einfach generischen Text. Er fragt den Teamwork Graph ab, um den ursprünglichen Jira Service Management-Alarm, die Slack-Konversation, in der der Vorfall triagiert wurde, den Bitbucket-Pull-Request, der das Problem verursacht hat, und das Confluence-Runbook, das zur Lösung verwendet wurde, abzurufen.

Dieses Maß an kontextuellem Bewusstsein hat in den letzten sechs Monaten zu einem siebenfachen Anstieg agentenbasierter Automatisierungen bei Atlassian-Kunden geführt, wobei Rovo mittlerweile von 75 % der Fortune 500 genutzt wird.

Code Intelligence und die DX AI Experience

Für Software-Engineering-Teams ermöglicht der Teamwork Graph eine neue Funktion, die sich derzeit im Early Access befindet: Rovo Code Intelligence. Dies ermöglicht es Ingenieuren und KI-Agenten, absichtsbasierte Fragen über komplexe, Multi-Repo-Umgebungen hinweg zu stellen.

Anstatt einfach nach bestimmten Code-Zeichenfolgen zu suchen, kann ein Entwickler fragen: "Welche Dienste verwenden noch ein veraltetes UI-Muster, und wem gehört der Migrationsplan?" Durch die Kombination des Quellcode-Graphen mit dem Kontext aus Jira und Confluence kann Rovo diese komplexen Abfragen an einem Ort beantworten.

Um die Auswirkungen dieser KI-Tools zu messen, hat Atlassian zudem Funktionen aus der Übernahme von DX integriert. Technische Führungskräfte können nun den Return on Investment von KI über die DX AI Experience verfolgen. Funktionen wie der Agent Experience Score, AI Code Insights und AI Pulse machen KI-Aktivitäten innerhalb des Software Development Lifecycle sichtbar und steuerbar, sodass Teams Engpässe in der Leistung von Agenten genauso identifizieren können wie in menschlichen Workflows.

Fazit

Die KI-native Organisation baut nicht auf generischen Sprachmodellen auf; sie baut auf proprietärem Kontext auf. Der Atlassian Teamwork Graph bietet die essenzielle Infrastruktur, um fragmentierte Unternehmensdaten zu vereinen und sie für KI-Agenten nutzbar zu machen. Durch die Öffnung dieses Graphen sowohl für Atlassians eigene Rovo-Agenten als auch für Tools von Drittanbietern positioniert sich Atlassian als die grundlegende Kontext-Engine für die Zukunft der Arbeit.