[Blogs]

Von KI Assistenz zu KI Architektur

ORGANISATIONEN AUF DIE NÄCHSTE STUFE KI-GESTÜTZTER TEAMARBEIT VORBEREITEN

• ATLASSIAN

Generative KI hat unternehmensweit neue Produktivitätsniveaus ermöglicht. Sie hilft dabei, Informationen zusammenzufassen, Dokumentationen zu erstellen, Code zu generieren und den Zugang zu Wissen zu beschleunigen. Aufgaben, die früher erheblichen manuellen Aufwand erforderten, lassen sich heute in wenigen Sekunden erledigen.

Diese Fähigkeiten haben die individuelle Produktivität deutlich verbessert. Doch die meisten Aufgaben in Unternehmen werden nicht isoliert erledigt. Sie hängen von der Koordination zwischen Teams, Systemen und gemeinsam genutztem Wissen ab.

Hier beginnt die nächste Stufe der KI: agentische KI – eine Form von Intelligenz, bei der generative Modelle nicht mehr nur einzelne Personen unterstützen, sondern Arbeit aktiv orchestrieren.

Während generative KI vor allem die individuelle Produktivität steigert, erweitert agentische KI Intelligenz auf operative Prozesse. Sie beobachtet den Kontext, unterstützt Entscheidungen, führt Aktionen innerhalb definierter Leitplanken aus und verbessert sich kontinuierlich. Statt lediglich auf Prompts zu reagieren, wird sie zu einem aktiven Bestandteil des Arbeitsablaufs.

Dieser Wandel ist entscheidend, weil Zusammenarbeit – nicht individuelle Leistung – darüber entscheidet, wie erfolgreich Organisationen arbeiten. In großen Unternehmen gehen jedes Jahr Milliarden von Arbeitsstunden durch ineffektive Koordination und fragmentiertes Wissen verloren. Organisationen, die KI breiter einsetzen, erreichen deutlich häufiger Zielklarheit, besseren Zugang zu Wissen, höhere Effektivität und größere Anpassungsfähigkeit.

Agentische Workflows stellen den nächsten Schritt dar, um die Zusammenarbeit von Teams gezielt zu stärken.
Um zu verstehen, warum, lohnt sich ein Blick darauf, wie KI im Unternehmen zunehmend Gestalt annimmt.

Die Entwicklung von KI im Unternehmen

Traditionelle Automatisierung folgt vordefinierten Regeln. Sie führt statische Anweisungen sequenziell aus. Wenn etwas Unerwartetes passiert, verlangsamen sich Prozesse.

Agentische KI bringt Intelligenz in dieses Modell. Im Gegensatz zu traditioneller Automatisierung können agentische KI-Workflows:

• eigenständig Entscheidungen treffen
• Kontext über Texte, Systeme und Datenquellen hinweg verstehen
• sich in Echtzeit an veränderte Bedingungen anpassen
• aus Ergebnissen lernen

Diese Workflows folgen einem kontinuierlichen Muster:

 PERCEIVE  →  DECIDE  →  EXECUTE  →  LEARN 

KI-Agenten sammeln Informationen aus E-Mails, Datenbanken, Dokumenten und verbundenen Systemen. In agentischen Workflows analysieren sie den Kontext mithilfe von Machine-Learning-Modellen, wählen die geeignetste Aktion aus, führen diese innerhalb definierter Grenzen aus und beobachten anschließend die Ergebnisse, um zukünftige Entscheidungen zu verbessern.

Diese Form kontextbezogener, in Workflows eingebetteter Intelligenz wird in Atlassian Rovo konkret erlebbar.

Rovo ist um drei miteinander verbundene Fähigkeiten aufgebaut:

• Find – unternehmensweite Suche über Atlassian Cloud-Daten und verbundene Drittanbieter-Tools hinweg
• Learn – KI-gestützte Erkenntnisse, Knowledge Cards und konversationelle Exploration über Rovo Chat
• Act – spezialisierte Rovo Agents, die direkt in Workflows eingebettet sind

Dieses „Find, Learn, Act“-Modell verdeutlicht, wie sich generative KI zu agentischen Fähigkeiten weiterentwickelt. Chat verbessert das Verständnis. Agents treiben die Arbeit aktiv voran.

Was agentische Workflows unterscheidet

Das entscheidende Merkmal agentischer KI ist Intelligenz in der Ausführung.

Traditionelle Automatisierung führt festgelegte Schritte aus. Agentische Workflows hingegen bewerten den Kontext, bevor sie handeln. Sie vergleichen Optionen, berücksichtigen vergangene Ergebnisse und passen sich dynamisch an.

Mehrere Elemente ermöglichen agentische Workflows:

• KI sammelt Informationen aus Dokumenten, Systemen und verbundenen Datenquellen
• Machine-Learning-Modelle helfen dabei, Situationen zu bewerten und die passende Handlung zu empfehlen
• Aktionen werden über APIs und Automatisierung ausgeführt, die mit bestehenden Softwaresystemen interagieren
• Feedbackschleifen ermöglichen es dem System, aus Ergebnissen zu lernen und zukünftige Entscheidungen zu verbessern
• Sicherheitskontrollen und Audit-Trails stellen sicher, dass Aktionen innerhalb definierter Berechtigungen bleiben.

Diese Architektur verwandelt Automatisierung von einer starren Ausführung in eine adaptive Zusammenarbeit zwischen Systemen und Menschen.

Agentic AI in der Praxis: Rovo in realen Workflows

Rovo Agents fungieren als konfigurierbare KI-Teammitglieder. Sie können über Rovo Chat aufgerufen, in Automatisierungsregeln eingebunden, direkt in Jira und Confluence genutzt oder in der Studio-App erstellt werden. Abhängig von ihren Wissensquellen können sie auf Daten aus Atlassian-Produkten sowie aus angebundenen Drittanbieter-Systemen zugreifen.

Sie sind darauf ausgelegt:

• mit klar definierten Zielen und Parametern zu arbeiten
• repetitive Arbeit zu reduzieren
• sich auf bestimmte Aufgabenbereiche zu spezialisieren
• strukturierte Aufgaben mit Benutzerfreigabe auszuführen

Engineering: Von manueller Analyse zu intelligenter Strukturierung

Engineering-Leads verbringen häufig Stunden damit, Jira-Issues zu analysieren und in Themen zu gruppieren. Der Jira Theme Analyzer Agent reduziert diesen Aufwand von Stunden auf Sekunden. Der Agent analysiert Issues, gruppiert sie nach Themen und kann sogar Verantwortlichkeiten basierend auf bisherigen Beiträgen zuweisen. Was früher manuelle Koordination war, wird zu einer geführten Zusammenarbeit zwischen Mensch und KI.

Auch Entwickler profitieren davon, im Flow zu bleiben. Mit der Integration von Rovo in GitHub Copilot können sie relevante Jira- und Confluence-Informationen direkt in ihrer IDE abrufen, ohne zwischen Tools wechseln zu müssen. Dadurch wird Kontextwechsel reduziert und Entwickler können sich stärker auf ihre eigentliche Arbeit konzentrieren.

IT Service Management: Intelligentere Ticket-Bearbeitung

IT-Teams stehen häufig vor hohen Ticketvolumen und begrenzter Transparenz über ihre Systeme. Der Service Request Helper Agent beschleunigt das Incident-Management, indem er:

• ähnliche Issues zur Kontextualisierung identifiziert
• passende Experten oder Teammitglieder empfiehlt
• maßgeschneiderte Antwortentwürfe erstellt
• sofortige Zusammenfassungen von Ticket-Updates liefert

Statt lange Ticketverläufe manuell zu prüfen, können Agents beispielsweise fragen: „Was ist über Nacht passiert?“ und erhalten sofort eine Zusammenfassung. Dadurch können sie schneller reagieren und behalten dennoch die Kontrolle über die Lösung.

Zugang zu Wissen und Onboarding

Fragmentiertes Wissen gehört zu den größten Produktivitätsbarrieren. Studien, auf die Atlassian verweist, zeigen, dass mehr als die Hälfte der Wissensarbeiter Schwierigkeiten hat, benötigte Informationen zu finden – selbst wenn sie wissen, wen sie fragen müssten.

Rovo Chat hilft Führungskräften, das Onboarding zu beschleunigen, indem neue Mitarbeitende Teamstrukturen, Projekte und funktionsübergreifende Zusammenhänge direkt in ihren Onboarding-Plänen erkunden können. Schnellere Einarbeitung führt zu schnellerer Wertschöpfung.

Leadership-Vorbereitung: die Grundlage für nachhaltige KI-Einführung

Die Beispiele zeigen, was agentische KI innerhalb von Workflows leisten kann. Doch dieses Potenzial im großen Maßstab zu realisieren, erfordert mehr als nur Technologie.

Vier Führungsprioritäten prägen eine verantwortungsvolle KI-Einführung:

1. Vertrauen und Sicherheitsbedenken adressieren
2. Technische und kulturelle Barrieren verstehen
3. Use Cases mit klarem ROI identifizieren
4. Klare Ziele definieren und Wissensaustausch fördern

Sobald KI in Workflows integriert wird, werden Governance und kulturelle Bereitschaft zu strukturellen Anforderungen.

Vertrauen, Governance und verantwortungsvolle KI

Enterprise-KI erfordert bewusste Schutzmechanismen. Führungskräfte müssen sicherstellen, dass KI-Anbieter transparent darlegen, wie Daten verwendet werden, dass Kundeneingaben und -ausgaben nicht zum Training von Modellen anderer Kunden verwendet werden und dass Datenverwendung klar kommuniziert wird. Mitarbeitende müssen darauf vertrauen können, dass ihre Daten verantwortungsvoll behandelt werden.

Sicherheitskontrollen, Zugriffsbeschränkungen und Audit-Trails sind zentrale Elemente agentischer Workflows. 

Führungskräfte sollten offen kommunizieren, Missverständnisse adressieren und Mitarbeitende frühzeitig einbinden, um Vertrauen aufzubauen. Verantwortlichkeit muss mit wachsender Autonomie Schritt halten.
 

Kulturelle Bereitschaft und technische Integration

Die Einführung von KI ist ebenso kulturell wie technisch. Typische Barrieren sind Widerstand gegen Veränderungen, Angst vor Rollenveränderungen, schlechte Datenqualität und Integrationsprobleme mit bestehenden Systemen. Führungskräfte müssen KI als Erweiterung menschlicher Fähigkeiten deutlich machen – nicht als deren Ersatz. 

Damit agentische Workflows echten Mehrwert liefern, benötigen Organisationen zuverlässige Daten und Systeme, die nahtlos zusammenarbeiten. Mit wachsender Nutzung braucht es zudem Infrastruktur, die Skalierung ermöglicht, ohne Transparenz oder Kontrolle zu verlieren.

In diesem Kontext muss KI in das System of Work integriert werden, statt als isolierte Funktion eingeführt zu werden.

KI-gestützte Teamarbeit im Atlassian System of Work

Das volle Potenzial von Rovo entfaltet sich besonders stark innerhalb des Atlassian-Ökosystems.

Rovo verbindet unternehmensweite Suche, KI-gestützte Wissensgewinnung und spezialisierte Agents, um organisatorisches Wissen zugänglich zu machen. Es unterstützt Entwickler, IT-Teams, Manager, Marketing- und Vertriebsteams durch kontextbezogene Intelligenz, die direkt in tägliche Workflows eingebettet ist.

Statt isolierter Automatisierung entsteht so eine einheitliche Kollaborationsebene über Jira, Confluence und verbundene SaaS-Tools hinweg.

Das Ergebnis ist KI-gestützte Teamarbeit: vernetztes Wissen, kontextbasierte Erkenntnisse und zielgerichtete Aktionen.

KI-gestützte Teamarbeit als Teil der Enterprise Architecture

Der Übergang von generativer zu agentischer KI stellt einen strukturellen Wandel dar.

Agentische Workflows:

• reduzieren repetitive operative Arbeit
• verbessern Entscheidungsqualität durch Kontextanalyse
• skalieren ohne proportional steigende Ressourcen
• lernen kontinuierlich dazu
• verbessern Nutzer- und Kundenerlebnisse

Für C-Level- und IT-Führungskräfte rücken damit einige zentrale Fragen in den Fokus:

Ist Governance klar definiert und durchsetzbar?

Sind technische und kulturelle Barrieren adressiert?

Sind Use Cases mit hohem Impact klar identifiziert?

Ist KI in ein vernetztes System of Work eingebettet?

Nachhaltige KI-Einführung geschieht nicht über Nacht. Sie ist iterativ und bewusst gestaltet. Um agentische Workflows verantwortungsvoll zu skalieren, benötigen Organisationen klare Governance- und Vertrauensstrukturen, integrierte Systeme mit verlässlichen Daten sowie messbare Use Cases mit klar definierten Zielen.

Wenn diese Voraussetzungen erfüllt sind, wird KI-gestützte Teamarbeit Teil der Enterprise Architektur – eine Entwicklung, die sich bereits im Atlassian System of Work widerspiegelt, in dem KI-Funktionen wie Rovo direkt in Kollaborations- und Service-Workflows integriert sind.

Quellen:

Executives Guide to AI powered Teamwork

Rovo Feature Guide

AI Agentic Workflows

State of Teams 2024