Atlassians Teamwork-Graph-Update ist weniger ein weiteres Chatbot-Feature als Infrastruktur für KI-Agenten. Auf der Konferenz Team ’26 kündigte das Unternehmen an, den Teamwork Graph zu öffnen, damit Rovo und Agenten aus dem weiteren Ökosystem über Tools und Teams hinweg sicher suchen, schlussfolgern und handeln können ^[9]. Neu sind zwei Zugänge: Teamwork-Graph-Tools über Rovos Model-Context-Protocol-Server und eine Teamwork Graph CLI. Beide werden in Berichten und Atlassian-Materialien als Beta beziehungsweise Open Beta eingeordnet ^[1][3][7].

Der Kern der Idee: Ein Agent soll nicht erst riesige Mengen Unternehmensinhalt in den Prompt kippen müssen. Er soll gezielt den Arbeitskontext holen, der bereits als Beziehungen im Graphen liegt – etwa zu Teams, Projekten, Dokumenten, Entscheidungen und Arbeitselementen. Atlassian behauptet auf Basis eigener Benchmarks, dass Antworten mit Teamwork-Graph-Daten 44 % genauer waren und zugleich 48 % weniger Tokens benötigten ^[7].

Die zwei neuen Zugänge

Teamwork-Graph-Tools über Rovos MCP-Server. MCP steht für Model Context Protocol und bezeichnet hier den Weg, über den KI-Agenten externen Kontext und Werkzeuge anfragen können. Über Rovos MCP-Server stellt Atlassian Teamwork-Graph-Werkzeuge bereit; Rovo und KI-Agenten von Drittanbietern erhalten dadurch feiner granulierten Zugriff auf den Kontext im Graphen ^[1][3]. Laut Atlassian können Agenten verbundenen Kontext aus Jira, Confluence, Jira Service Management, Loom und integrierten Drittanbieter-Tools abrufen ^[6].

Teamwork Graph CLI. Die Kommandozeile richtet sich an Entwicklerinnen und Entwickler sowie an Coding-Agenten. Sie soll es ermöglichen, Graph-Kontext direkt im Terminal zu erkunden und abzufragen ^[1][7]. SiliconANGLE berichtete, die CLI umfasse mehr als 300 Befehle und könne Coding-Agenten wie Claude Code und Cursor Arbeitsobjekte und Beziehungen im Graphen abfragen lassen ^[3].

Zusammen tragen MCP und CLI den Teamwork Graph über Atlassians eigene KI-Oberflächen hinaus. MCP ist der agentenorientierte Weg; die CLI ist der Weg für Entwickler-Workflows, Automatisierung und Arbeit im Terminal.

Was der Teamwork Graph leistet

Der Teamwork Graph ist Atlassians Versuch, Arbeit nicht nur als Ablage von Tickets und Dokumenten zu betrachten, sondern als Netzwerk von Beziehungen. Laut Berichten verbindet die Schicht Personen, Projekte, Dokumente, Entscheidungen und Arbeit über Atlassian- und Drittanbieter-Tools hinweg; sie enthält inzwischen mehr als 150 Milliarden Verbindungen ^[3]. Auf der Produktseite positioniert Atlassian den Graphen als einheitliche Datenschicht für kontextualisierte KI-Erlebnisse und App-übergreifende Sichtbarkeit ^[6].

Für Unternehmen ist das relevant, weil KI-Agenten oft genau an diesem Organisationswissen scheitern: Welches Projekt ist gemeint? Wer ist zuständig? Welche Confluence-Seite ist aktuell? Hängt dieses Jira-Issue an einem Ziel oder an einer früheren Entscheidung? Ein Sprachmodell kann Text verarbeiten; die Arbeitsbeziehungen muss es irgendwoher bekommen. Der Graph soll dafür eine strukturierte Kontextschicht liefern, statt alles in einen langen Prompt zu packen.

Warum das Tokens sparen soll

Tokens sind bei großen Sprachmodellen ein Kosten- und Latenzfaktor. Die Rechnung hinter Atlassians Ansatz lautet: präzisere Abfrage statt breiter Datenladung. TechTarget berichtete, dass die neuen MCP- und CLI-Tools Agenten feiner granulierten Zugriff auf Teamwork-Graph-Kontext geben und den verrauschten Datenaustausch zwischen Agenten reduzieren sollen ^[1]. Wenn ein Agent nur das relevante verknüpfte Ticket, die Entscheidung, das Dokument oder den Owner abruft, muss er weniger irrelevanten Text an das Modell senden.

Atlassians Benchmark-Zahl: Antworten, die auf Teamwork-Graph-Daten gegründet waren, waren 44 % genauer und nutzten 48 % weniger Tokens ^[7]. TechTarget fasste das ebenfalls als möglichen Rückgang der Tokenkosten um bis zu 48 % auf ^[1]. Wichtig ist die Einordnung: Das ist ein Anbieter-Benchmark, keine Garantie, dass jede Umgebung automatisch fast die Hälfte der Kosten spart.

Ob die Einsparung in der Praxis ankommt, hängt davon ab, wie Teams die Schnittstellen in ihre Agenten einbauen, welche Modelle sie nutzen, wie viel Kontext die Agenten tatsächlich abrufen und ob die verbundenen Arbeitsdaten vollständig genug sind. Der Architekturwechsel bleibt dennoch wichtig: Atlassian setzt auf beziehungsbewusste Kontextabfrage statt auf Prompt-Stuffing.

Worauf IT-Teams in der Beta achten sollten

Weil MCP-Tools und CLI noch als Beta beziehungsweise Open Beta laufen, sollten Unternehmen die Aussagen im eigenen Umfeld prüfen, bevor sie mit großen Kosteneffekten planen ^[1][3][7]. Entscheidend sind vor allem vier Fragen:

• Abdeckung: Sind die relevanten Projekte, Dokumente, Ziele, Entscheidungen und Abhängigkeiten tatsächlich im Graphen sichtbar?
• Sicherheit: Passen Zugriffskontrollen, Governance und Audit-Anforderungen zu den eigenen Vorgaben?
• Qualität: Werden Antworten mit weniger Kontext wirklich besser – oder fehlen wichtige Details?
• Messbarkeit: Zeigt die Token-Telemetrie kleinere Prompts, ohne dass Fehler, Nachfragen oder manuelle Korrekturen zunehmen?

Für Softwareentwicklung, Service Management, Wissensarbeit und bereichsübergreifende Planung kann der Ansatz besonders interessant sein, wenn Antworten von Beziehungen zwischen Jira-Issues, Confluence-Seiten, Zuständigkeiten, Zielen und Entscheidungen abhängen. Die CLI ist dabei vor allem für Entwicklerumgebungen relevant, während der MCP-Server Agentenplattformen einen standardisierten Zugriffspfad auf Kontext bietet ^[3][7].

Unterm Strich öffnet Atlassian den Teamwork Graph über zwei neue Beta-Wege: Rovos MCP-Server und die Teamwork Graph CLI. Die wirtschaftliche Wette dahinter ist klar: KI-Agenten sollen bessere Antworten liefern, wenn sie gezielt in einem strukturierten Arbeitsgraphen nach Kontext suchen – und dabei weniger Tokens verbrauchen als bei breiten, unscharfen Prompts.