Atlassians Teamwork Graph MCP und CLI Betas erklärt

Atlassians neue Teamwork-Graph-Ankündigung ist weniger als weiterer Chatbot zu verstehen – und mehr als Infrastruktur für KI-Agenten. Auf der Team ’26 erklärte Atlassian, den Teamwork Graph zu öffnen, damit Rovo und Agenten aus dem breiteren Ökosystem sicher über Tools und Teams hinweg suchen, schlussfolgern und handeln können .

Der praktische Kern: Es gibt zwei Beta-Zugänge. Erstens Teamwork-Graph-Werkzeuge über den Model-Context-Protocol-Server von Rovo. Zweitens eine Teamwork Graph CLI, also eine Kommandozeilen-Schnittstelle für Entwickler und agentische Workflows .

Was Atlassian konkret gestartet hat

Atlassian macht nicht einfach eine neue Oberfläche für KI-Konversationen auf. Das Unternehmen stellt den Teamwork Graph über Schnittstellen bereit, die externe Agenten und Entwicklerwerkzeuge nutzen können.

Neuer Zugang	Gedacht für	Was er ermöglicht
Teamwork-Graph-Werkzeuge über Rovos MCP-Server	Rovo und KI-Agenten von Drittanbietern	Agenten erhalten feiner abgestuften Zugriff auf Kontext aus dem Teamwork Graph über Model-Context-Protocol-Werkzeuge .
Teamwork Graph CLI	Entwickler, Terminal-Nutzer und Coding-Agent-Workflows	Nutzer und Agenten können den Graph aus der Kommandozeile erkunden und abfragen; laut Berichten umfasst die CLI mehr als 300 Befehle .

Diese Unterscheidung ist wichtig. Der MCP-Weg ist die agentenorientierte Schnittstelle: Kompatible KI-Systeme können zur Laufzeit verbundenen Arbeitskontext anfordern. Die CLI ist der Entwickler- und Workflow-Weg: Sie bringt Graph-Abfragen in Terminals und Coding-Umgebungen, einschließlich agentischer Coding-Tools wie Claude Code und Cursor, wie die Launch-Berichterstattung beschreibt .

Warum der Teamwork Graph für KI-Agenten wichtig ist

Atlassian beschreibt den Teamwork Graph als gemeinsame Kontextebene hinter seinen KI-Erlebnissen. In der Berichterstattung zur Team ’26 wird er als eine Art lebende Karte beschrieben, die Menschen, Projekte, Dokumente, Entscheidungen und Arbeit über Atlassian- und Drittanbieter-Tools hinweg verbindet; demnach enthält sie mehr als 150 Milliarden Verbindungen . Auf der Produktseite schreibt Atlassian, Teams könnten Agenten mit dem Graph verbinden und verknüpften Atlassian-Kontext aus Jira, Confluence, Jira Service Management, Loom und integrierten Drittanbieter-Tools abrufen .

Genau diese Kontextebene ist der eigentliche Punkt der Ankündigung. Ein großes Sprachmodell kann Text verarbeiten. Unternehmensarbeit hängt aber oft an Beziehungen: Welches Projekt gehört zu welchem Dokument? Welches Jira-Ticket blockiert ein Release? Welches Team ist für eine Entscheidung zuständig? Welcher Servicefall hängt mit einem Kundenproblem zusammen?

Der Teamwork Graph soll solche Beziehungen nicht als riesigen Textblock in einen Prompt kippen, sondern als strukturierteren Arbeitskontext für KI-Systeme verfügbar machen.

Was die MCP-Beta verändert

Die MCP-Werkzeuge geben KI-Agenten einen engeren, gezielteren Weg, Arbeitskontext aus dem Teamwork Graph abzurufen. TechTarget berichtete, dass die Beta-Werkzeuge für MCP und CLI Agenten in Rovo und auf Drittanbieterplattformen feineren Zugriff auf Teamwork-Graph-Daten geben, einschließlich Beziehungen zwischen Datenbeständen, um Automatisierung zu steuern . SiliconANGLE berichtete ebenfalls, Atlassian öffne den Graph über Teamwork-Graph-Werkzeuge im MCP-Server von Rovo für externe Agenten und Tools .

Für Unternehmen ist dabei vor allem die Auswahlgenauigkeit relevant. Statt breite Suchergebnisse, Dokumentenpakete oder lange Historien an ein Modell zu schicken, kann ein Agent passenderen, verbundenen Kontext aus dem Graph anfordern. Je besser der Graph die tatsächliche Arbeit abbildet, desto nützlicher wird diese Abrufschicht.

Was die CLI-Beta für Entwickler bringt

Die Teamwork Graph CLI ist der Zugang für die Kommandozeile. Atlassians Blog zur Team ’26 schreibt, der Teamwork Graph werde über Agenten in Browser-, Mobil- und Terminal-Kontexten zugänglich, und stellt die Teamwork Graph CLI als Open Beta vor . SiliconANGLE berichtete, die CLI umfasse mehr als 300 Befehle und könne Coding-Agenten ermöglichen, Arbeit und Beziehungen im Graph abzufragen .

Das ist besonders für Softwareteams interessant, die ohnehin im Terminal, in IDE-nahen Workflows oder mit Coding-Assistenten arbeiten. Ein Coding-Agent braucht vor einem Implementierungsvorschlag oft Kontext aus Jira-Tickets, zugehörigen Confluence-Seiten, Verantwortlichkeiten oder Projektabhängigkeiten. Die CLI soll diesen Graph-Kontext in den Arbeitsbereich bringen, in dem Entwickler bereits unterwegs sind .

Wie dadurch Token-Kosten sinken können

Das Kostenargument dreht sich nicht um Magie, sondern um präziseren Kontextabruf. TechTarget berichtete, Atlassians Beta-Werkzeuge für MCP und CLI sollten rauschhafte Datenaustausche zwischen Agenten verringern, indem sie feineren Zugriff auf Teamwork-Graph-Kontext bieten . Atlassian selbst erklärt, eigene Benchmarks hätten bei Antworten, die mit Teamwork-Graph-Daten geerdet wurden, 44 % genauere Ergebnisse bei 48 % weniger Tokens ergeben .

Der Mechanismus ist vergleichsweise einfach: Wenn ein Agent gezielt das relevante Ticket, die passende Seite, die verantwortliche Person, eine Entscheidung, eine Abhängigkeit oder eine Beziehung abrufen kann, muss er weniger irrelevanten Text an das Modell senden. Das kann Prompt-Ballast reduzieren – und genau dort entstehen in vielen Enterprise-KI-Workflows Token-Kosten und Latenz .

Wichtig ist die Einschränkung: Die Werte von 44 % höherer Genauigkeit und 48 % weniger Tokens sind Atlassian-Benchmarkangaben, keine allgemeine Garantie . Wie groß die Einsparungen tatsächlich ausfallen, hängt von der Abdeckung des Graph, der Datenqualität, den eingesetzten Modellen, den Retrieval-Einstellungen und der konkreten Einbindung von MCP oder CLI in die Agenten-Workflows eines Unternehmens ab.

Warum Unternehmen genau hinsehen sollten

Für Organisationen, die bereits stark auf Atlassian setzen, kann die Öffnung des Teamwork Graph KI-Agenten nützlicher machen: Sie erhalten Zugriff auf Arbeitskontext aus Atlassian- und angebundenen Tools. Atlassian sagt, der geöffnete Teamwork Graph solle Rovo und Agenten aus dem Ökosystem dabei unterstützen, sicher über Tools und Teams hinweg zu suchen, zu schlussfolgern und zu handeln . Die Produktmaterialien betonen zudem den Zugriff von Agenten auf verknüpften Kontext aus Jira, Confluence, Jira Service Management, Loom und integrierten Drittanbieter-Tools .

Damit positioniert Atlassian den Teamwork Graph als Brücke zwischen Kollaborationsdaten im Unternehmen und externen KI-Systemen. Die MCP-Beta bedient Agentenplattformen, die Kontext zur Laufzeit benötigen. Die CLI bedient Entwickler und terminalbasierte Workflows. Zusammen verschieben sie den Teamwork Graph über Atlassians eigene KI-Oberflächen hinaus in Richtung breiterer Agenten-Ökosysteme .

Was während der Beta geprüft werden sollte

Weil die Zugänge als Beta beziehungsweise Open Beta beschrieben werden, sollten Unternehmen sie mit den eigenen Daten, Sicherheitsanforderungen und Governance-Regeln testen, bevor sie große Kosteneffekte einplanen . Sinnvolle Prüffragen sind:

• Enthält der Graph die Jira-, Confluence-, Jira-Service-Management-, Loom- und Drittanbieter-Daten, die Ihre Agenten wirklich brauchen ?
• Liefern MCP-basierte Agenten relevanteren Kontext als bestehende Such- oder Retrieval-Prozesse ?
• Zeigt die Token-Telemetrie tatsächlich kleinere Prompts, ohne dass die Antwortqualität sinkt ?
• Reichen Sicherheitsmechanismen, Zugriffskontrollen und Audit-Möglichkeiten für Agenten aus, die über Tools und Teams hinweg suchen, schlussfolgern und handeln sollen ?
• Hilft die CLI in realen Entwickler-Workflows, insbesondere dort, wo Coding-Agenten Projekt- und Abhängigkeitskontext benötigen ?

Fazit

Atlassian öffnet den Teamwork Graph über zwei Beta-Pfade für KI-Agenten: Teamwork-Graph-Werkzeuge über den MCP-Server von Rovo und die Teamwork Graph CLI . Die strategische Idee dahinter: Agenten werden nützlicher, wenn sie strukturierten Arbeitskontext aus einem Graph von Teams, Projekten, Dokumenten, Entscheidungen und verwandten Aufgaben abrufen können, statt sich auf breite Prompt-Füllung zu stützen .

Das wirtschaftliche Versprechen lautet: weniger verschwendete Tokens und bessere Antworten. Ob sich dieses Versprechen erfüllt, muss jedoch in jeder Unternehmensumgebung mit den eigenen Daten, Tools und Kontrollanforderungen nachgewiesen werden .