AtlassianのTeamwork Graphアップデートは、「AIに何を答えさせるか」よりも、「AIにどの仕事の文脈を見せるか」の話として捉えると分かりやすい。AtlassianはTeam ’26で、Rovoと外部エコシステムのエージェントが、ツールやチームをまたいで安全に検索し、推論し、実行できるようにTeamwork Graphを開放すると発表した ^[9]。

新しい入口は二つある。RovoのModel Context Protocol（MCP）サーバー経由で使うTeamwork Graphツールと、ターミナルから扱うTeamwork Graph CLIだ。報道およびAtlassian資料では、これらはベータまたはオープンベータのインターフェースとして説明されている ^[1][3][7]。

狙いは、LLMに社内文書を丸ごと投げ込むのではなく、チーム、プロジェクト、文書、意思決定などの関係をたどって必要な文脈だけを取りに行くこと。Atlassianは、自社ベンチマークでTeamwork Graphデータに基づく回答が44%正確になり、同時に使用トークンが48%減ったとしている ^[7]。

二つの入口：MCPとCLI

RovoのMCPサーバー経由のTeamwork Graphツール。 MCPは、AIエージェントが外部ツールやデータ源に文脈を求めるための接続口として使われる。Atlassianは、RovoのMCPサーバーを通じてTeamwork Graphへのアクセスを提供し、RovoだけでなくサードパーティーのAIエージェントにも、より細かなグラフ文脈へのアクセスを与えるとしている ^[1][3]。Atlassianによれば、エージェントはJira、Confluence、Jira Service Management、Loom、連携済みのサードパーティーツールから、つながりのあるAtlassian文脈を取得できる ^[6]。

Teamwork Graph CLI。 CLIはコマンドラインインターフェースで、開発者やコーディングエージェントがターミナルからTeamwork Graphの文脈を調べたり、問い合わせたりするための手段になる ^[1][7]。SiliconANGLEによると、このCLIには300を超えるコマンドがあり、Claude CodeやCursorのようなコーディングエージェントが、グラフ内の作業や関係を問い合わせられる ^[3]。

合わせて見ると、MCPはエージェント向けの入口、CLIは開発者とワークフロー向けの入口だ。Teamwork GraphをAtlassian製AIの内側だけでなく、外部のエージェント実行環境へ広げる動きといえる。

Teamwork Graphが足す「仕事の文脈」

AtlassianはTeamwork Graphを、組織内で仕事がどのように進むかを表す共有の文脈レイヤーとして位置づけている。発表を報じた記事では、Teamwork GraphはAtlassianおよびサードパーティーツールにまたがる人、プロジェクト、文書、意思決定、作業を結び、現在は1500億を超えるつながりを含むとされている ^[3]。Atlassianの製品ページでも、仕事データを統合し、文脈化されたAI体験とアプリ横断の可視性を実現するものとして説明されている ^[6]。

企業AIでつまずきやすいのは、モデルが言語を理解できるかどうかだけではない。どの案件、どの担当者、どの文書、どの依存関係、どの意思決定が今の問いに関係するのかを知らなければ、もっともらしいが役に立たない回答になりやすい。Teamwork Graphは、その文脈を巨大なプロンプトではなく、関係を持ったデータ層として渡そうとする取り組みだ。

なぜトークン削減につながるのか

生成AIでいうトークンは、モデルが処理する文字列の単位だ。企業利用では、長い入力を何度も送るほど、処理量やコストに影響しやすい。今回のトークン削減のロジックは、検索の精度を上げることにある。

TechTargetは、Atlassianの新しいMCPおよびCLIツールが、エージェントにTeamwork Graph文脈へのより細かなアクセスを与え、エージェント間のノイズの多いデータ交換を減らすと報じている ^[1]。つまり、関連する作業、意思決定、文書、担当者だけを取り出せるなら、関係の薄い長文をプロンプトに詰め込む必要が小さくなる。

Atlassianのベンチマークでは、Teamwork Graphデータに基づく回答は44%正確になり、使用トークンは48%少なかったとされる ^[7]。TechTargetも、このアップデートがトークンコストを狙ったもので、最大48%の削減可能性があると伝えている ^[1]。ただし、この数字はベンダーのベンチマークであり、どの企業でもそのまま費用が48%下がるという保証ではない。

実際の効果は、どのモデルを使うか、エージェントがどれだけ文脈を取得するか、接続された仕事データがどれほど整っているか、そしてプロンプト設計が適切かに左右される。それでも、広い範囲の情報をまとめて投げるのではなく、関係を理解したうえで狭く取りに行くという設計変更は重要だ。

企業が見るべきポイント

この発表の本質は、エージェントに「より多くのデータ」を与えることではなく、「より選ばれたデータ」を渡すことにある。Atlassianは、開放されたTeamwork Graphにより、Rovoとエコシステム内のエージェントがツールやチームをまたいで安全に検索、推論、実行できるようにすると説明している ^[9]。また製品ページでは、ブラウザー、デスクトップ、ターミナルの各ワークフローで、エージェントをAtlassianの文脈につなぐことを強調している ^[6]。

この仕組みは、ソフトウェア開発、サービス管理、ナレッジワーク、部門横断の計画業務などで特に意味を持ちうる。たとえば答えがJiraの課題、Confluenceのページ、担当者、過去の意思決定の関係に依存する場合、単なる全文検索よりもグラフ化された文脈のほうが使いやすい場面がある。CLIは開発者の作業環境に近く、MCPサーバーはエージェント基盤が文脈を要求するための標準的な経路として機能する ^[3][7]。

ベータ段階で確認すべきこと

MCPツールとCLIはまだベータまたはオープンベータの段階にあるため、企業は大きなコスト削減を前提にする前に、自社環境で検証する必要がある ^[1][3][7]。見るべき点は、Teamwork Graphが自社の主要な仕事データを十分にカバーしているか、既存の権限設計やセキュリティ要件と合うか、そしてトークン使用量の計測で本当にプロンプトが小さくなっているかだ。あわせて、回答品質が落ちていないかも確認したい。

結論として、AtlassianはTeamwork GraphへのアクセスをRovoのMCPサーバーとTeamwork Graph CLIで外部に広げた。経済的な賭けは明確だ。AIエージェントが、ばらばらの社内情報を大量に読むのではなく、構造化された仕事のグラフから必要な文脈を選んで使えるなら、より少ないトークンでより信頼できる回答に近づける、という考え方である。