每季度，Atlassian 都会抽出一周时间，让部分研发（R&D）团队暂时放下日常繁杂的工作，专注于对 AI 的实验与创新。我们将这项活动称为 AI Builders Week，它正是推动我们持续进行 AI 转型的核心动力。 在过去的几个季度中，我们的工作重点主要放在优化个人工作流上——即如何通过在日常待办事项的各个环节中插入 AI，来让每一个人变得更快、更具生产力。然而，在最近的一次建设者周中，我们希望团队将目光投向更广阔的层面：思考团队如何紧密协作，以及如何利用 AI 彻底重塑端到端的整体工作流。 活动成果令人瞩目：在 1,500 名注册参与者中，92% 的人表示他们更有信心在日常工作中使用 AI，并且在短短几天内就构建出了120 多个全新工作流。几乎所有参与者都表示，他们已经准备好在活动结束后将新的工作流带回各自的团队中。 从个人走向团队：构建 AI 驱动的协作工作流 尽管 AI 能力已经变得高度普及，对个人而言也极其有用，但真正能帮助组织更快解决问题的，是团队评估并重新设计 AI 运营方式的能力。衡量成功的标准不再仅仅是“AI

概要：我想看看，如果将 AI Agent 的能力映射到软件团队的各个职能中，会擦出怎样的火花。于是，我在 Jira 中构建了一支由专业化 Agent 组成的团队，将每个 Agent 分配给软件开发生命周期（SDLC）的一个阶段，并用它们为我的 Forge 应用开发了一个新功能。事实证明，这是我尝试过的最顺畅的开发工作流之一。 Jira 正在成为软件团队的“委派层” 长期以来，Jira 一直是您用来追踪工作的地方——更新状态、关闭工单。 而现在，随着 Agent 可以被指派到工作项中，情况发生了重大转变。Jira 依然是历史记录的档案库，但它现在多了一个新身份：一个让工作在人类与 Agent 之间流转的协作场所。 这种转变引发了我的思考：如果我彻底顺应这种趋势并进行一次实验会怎么样？如果 SDLC 的每个阶段都有专属的专业 Agent，并且看板本身负责在它们之间进行路由调度，结果会怎样？ 我挑选了一个真实的功能，在 Jira 看板的每个阶段映射了一个专属 Agent，并让它们协同处理工作。实际情况如下。 项目：Launchpad...

如今，85% 的知识工作者都在日常工作中使用 AI，但只有 6% 的高管能够看到清晰的企业级投资回报率。这一矛盾折射出许多企业面临的普遍困境：盲目追求 AI 工具的采用，最终换来的往往只是泛滥的“活动量”，而非真正的业务影响力。 作为将 AI 深度融入自身运营的“0号客户”，Atlassian 在过去几年中围绕 14,500 名员工的实际工作方式进行了全方位的重塑。近期，Atlassian 发布了全新白皮书——《以上下文引领：Atlassian AI 转型之旅的经验与教训》，深度复盘了我们在转型过程中踩过的坑、测试过的工作框架，以及如何通过“上下文”打破僵局。 核心洞察：大模型不是护城河，你的“上下文”才是 很多人认为，企业引入 AI 的关键在于选择哪家大模型。但 Atlassian 的研究表明：没有上下文的 AI，只会给出千篇一律的泛泛之答。 真正的竞争优势，来源于将 AI 与企业独一无二的知识资产、历史决策、项目工作流以及团队默契深度连接。Atlassian 采取了模型不可知（Model-agnostic）的策略，不绑定单一模型提供商，

每个工程组织都面临着提高交付速度的压力，但仅仅提高速度本身其实并不是最有价值的目标。Axel Springer 的产品卓越负责人（Lead Product Excellence）Martin Bilt 对这一挑战有着不同的理解。在 Bilt 看来，更核心的问题在于：工程师们是将最黄金的时间投入到了推动产品前进的核心工作上，还是耗费在了围绕产品的大量重复性基础搭建上。 Axel Springer 是一家全球性的媒体与技术公司，旗下拥有 Business Insider、Politico、BILD 和 idealo 等知名品牌。公司总部位于柏林，业务遍及 25 多个国家。在过去 70 多年的发展历程中，该公司屡次在技术尚未全面普及或尚未带来绝对安全感时就果断押注，成功从一家传统出版商蜕变为一家技术驱动型媒体公司。 这种技术驱动的文化深刻影响了该公司在软件开发中应用 AI 的策略。对于 Axel Springer 而言，引入 AI 从来不是一个选择题，他们真正关心的是：“我们该从哪里切入？以及我们能多快跟上节奏？” Axel Springer 将 Ro

全新推出的 Jira 与 Teamwork Graph 功能，助力工程团队跨越“人类与 AI 智能体”的边界，实现工作的全面规划、指派、治理与效能度量。 无论是在与客户交流，还是在与 Atlassian 自身的工程团队沟通时，我听到的反馈都高度一致：功能强大的编程智能体正以空前的速度被广泛采纳，并彻底改变了软件开发的面貌。然而，软件交付中那些真正啃硬骨头的部分依然相当棘手。 团队仍然需要决定该构建什么、为什么构建它；他们需要理解正在修改的系统以及有哪些关键的约束条件；他们必须明确“完成”的定义，并确保输出的代码可以安全上线。 这就是“AI 生产力鸿沟”背后的现实。 在我们与 DX 联合对专业工程团队进行的一项长期研究中发现：虽然 AI 的使用率飙升了 65%，但开发人员的整体吞吐速度并未按比例增长。其增长率最终在 15% 封顶，许多企业的平均增幅甚至仅为 10%。 这一鸿沟的出现，并非因为模型不擅长写代码，而是因为软件开发从来都不只是写代码。它的本质是在真实的组织架构中，将业务目标、战略和上下文转化为可运行的软件。 二十多年来，Jira...

过去几年，基础模型的发展速度令人震惊。 本世纪初，AI 还只能简单搜索网络信息；而今天，它已经能够完成一些过去需要工程师投入一个多小时才能完成的工作。尤其是在过去 18 个月里，AI 能力正在快速跃迁。 但与此同时，一个看似矛盾的现象正在发生。当你问个人用户：“AI 工具有没有帮助你提高效率？”超过 50% 的人会回答“有”。他们认为 AI 确实帮助自己节省了时间和精力。但当你把视角扩大到企业层面，结果却完全不同。96% 的企业表示，他们还没有看到 AI 对业务产生显著改善。技术已经存在，但企业级价值却迟迟没有真正释放。 奔驰最近的一次 AI 实践说明了一个关键问题：企业 AI 的难点，从来不只是 AI 能不能生成内容，而是 AI 能不能连接真实工作的复杂环境——包括工具、团队、数据和决策。 企业 AI 的真正瓶颈，不是模型能力 很多企业在部署 AI 时，都默认一个逻辑：更强的模型 = 更高的效率。 但真实情况并没有这么简单。企业里的工作，本质上是协作。如果 AI 只把工作理解为一个人的任务，它永远无法发挥真正的价值。大型企业平均使用超过 367

很多团队使用 AI 的方式，仍然停留在一个熟悉的模式里：打开一个聊天窗口，输入问题，得到答案，然后把答案复制到自己的工作中。 这种方式当然有用。它能帮我们查信息、写初稿、总结材料、整理思路。但在这个过程中，真正理解工作背景的人仍然是你。AI 不知道你的团队如何定义指标，不知道你们常用哪些数据表，不知道某个项目的历史，也不知道你每天正在推进什么。 换句话说，你才是 AI 和真实工作之间的“连接层”。 但 Atlassian 的 People Insights 团队在 Q4 FY26 做了一次更进一步的尝试：他们不再把 AI 当作一个额外的效率工具，而是尝试把 AI 真正“agent 化”到团队运营中。也就是说，让 AI 持续访问团队的上下文、数据、定义和工作流，使它不再只是一个更聪明的搜索引擎，而是能像团队成员一样参与真实工作。 这背后有一个正在被越来越多团队重视的概念：上下文工程，context engineering。 什么是上下文工程？ Anthropic 对 context engineering 的描述是：在大语言模型推理过程中，持续策划

想象一下你某一周的待办事项。 从回复同事的一条简短消息，到制定团队战略，你通常会如何判断：哪些任务值得投入更多时间和精力，哪些任务只需要快速完成？ 行为科学告诉我们，大多数时候，人并不会真正追求“最优解”。我们更常做的是“满意即可”。 英文里有一个词叫 satisficing，由 “satisfy” 和 “suffice” 组合而来，大意是：找到第一个“足够好”的选项，然后继续往前走。这个概念由诺贝尔经济学奖得主、社会学家 Herbert A. Simon 提出。他在研究职场决策时指出，对于快速、低风险的任务，或者面对信息不完整、结果不确定的复杂决策时，“满意即可”其实是一种务实的工作方式。 但 AI 改变了这套规则。 过去，“足够好”的答案还需要人思考、搜索、比较、整理。现在，它几乎可以瞬间出现，甚至在人真正深入理解问题之前，就已经摆在你面前。 这种速度对很多小任务当然很有帮助。但如果“快速得到一个看起来不错的答案”变成所有工作的默认方式，团队就可能滑向另一个风险：想法越来越相似，推理越来越浅，甚至在最极端的情况下，人本身在工作中的价值会被逐渐

在生成式 AI 风靡全球的今天，许多 CEO 和企业管理者都在问同一个问题：“我们投入了这么多资金部署 AI，回报究竟在哪里？” 如果你只盯着个人生产力（比如让员工用 AI 写封邮件、润色个文档），那么你可能走错了方向 。Atlassian 最新研究表明：过度关注个人生产力的企业，推动公司全员创新的可能性要低 16% 。 真正的 AI 投资回报密码在于——“AI 赋能的团队协同”。将 AI 作为团队的“连通层”，打破信息孤岛，才能实现全公司效率的真正蜕变 。 AI 协同的惊人回报：数据会说话 根据 Atlassian《团队现状报告》，在 Fortune 500 企业中，无效的协同每年导致估算高达 250 亿工作小时的损失 。而那些在日常工作中坚持使用 AI 的团队，表现出了压倒性的优势： 目标清晰度提升至 1.8x 知识获取便利度提升至 2.2x 团队整体有效性提升至 1.6x 变革适应能力提升至 1.9x 此外，经常使用 AI 的管理者可以多出 19% 的时间用于团队协作，并多出 12% 的时间专注于核心高优先级事务 。

如果说过去一年，大家谈 AI Agent 时还更多停留在“概念”“演示”和“想象”里，那么 Atlassian 最近披露的一组数据，已经让这个话题变得更具体了。 不到六个月前，Atlassian Rovo 的 MCP Server 正式 GA，让 Claude、Cursor 以及其他主流 AI Agent 可以直接接入 Atlassian 的工作系统。如今，每个月已经有超过 100 万用户通过它使用 Agent 完成真实工作。 但真正值得关注的，并不是“100 万用户”这个数字本身，而是这些用户到底在用 Agent 做什么。 从 Atlassian 的数据来看，AI Agent 已经不只是一个问答助手，也不只是一个帮你搜索信息的工具。它正在进入企业工作流，开始创建任务、更新状态、记录决策、连接上下文，甚至参与到团队协作系统本身。 换句话说，Agent 正在从“旁观者”变成“协作者”。 Agent 不只是看工作，而是在做工作 目前，Atlassian 的 MCP Server 每个工作日会产生超过 500 万次工具调用，而且这个数字还在逐月增长。.

在没有有效战略的情况下采用 AI 技术，估计每年会让《财富》500 强企业损失 1610 亿美元。* 企业正在这一领域进行大量投资，但却很难真正获得回报。 我们知道，这项技术的设计初衷是让企业变得更高效，但我们现在仍然看到相反的情况：大多数企业仍把 AI 仅仅当作一场技术转型来对待。问题也正是卡在这里。 在 Atlassian，我们把 AI 视为一场“人的转型”，而不只是技术转型。我们把创新放在效率之前，把文化放在工具之前，而我们也正在看到这种做法带来的不同。 好消息是，我们已经在自己身上验证了这些理念和策略。我们一直坚持“Customer Zero”策略，也就是先在自己组织内部实践未来的工作方式，再将其构建成面向客户的产品。我们为客户推出的每一个新产品或新的工作系统，都会先在 Atlassian 内部全面采用。 我很荣幸能在 Team ’26 大会上，与 Dropbox 人员运营副总裁 Allison Vendt 一起登台交流。Dropbox 也经历了一段非常精彩的 AI 转型旅程，我们得以对比彼此的经验。事实上，我们有一个共同的核心信念：那些

当全球企业都在紧锣密鼓地推进 AI 转型时，人们逐渐发现一个残酷的现实：知识管理以及基础上下文的编排，才是决定 AI 能否真正落地的胜负手。这一范式的转移，正在催生一个全新的战略级岗位——知识架构师。

我们经常调侃那些一眼看穿的 AI 写作的标志性硬伤，比如破折号的疯狂滥用，或者刻板的“不是 X，而是 Y”的句式结构。但在组织效能与品牌底座层面，过度依赖 AI 写作所带来的系统性危害要深远得多。

当 AI 承接了越来越多围绕“人的决策”的事务，HR 真正的历史机遇，便是在那些定义人性的关键时刻，实现全情投入与躬身入局。

将 AI 的价值发挥到极致的最佳路径，是在团队层面进行规模化推广。然而数据显示，尽管有 85% 的职场人开始尝试使用 AI，却只有 29% 的人真正将它深度嵌入到了团队工作流中。Atlassian Learning Team 正是这 29% 的先行者之一，他们的实战经验堪称各类团队步入 AI 时代的样板。今天，他们分享了团队向“AI 原生”转型的三大路径。 Atlassian Learning Team 致力于通过免费的随选课程、动态的团队直播培训以及产品落地指南，帮助用户提升专业技能。虽然团队极度拥抱新技术，但他们的首要原则永远是：确保无与伦比的客户体验。 因此，当 Atlassian 的应用内 AI 工具 Rovo 推出后，该团队便开始探索如何利用它来加速内容资产的构建，同时确保内容控制权不旁落、内容质量不妥协。 通过梳理课程设计的完整工作流，团队锁定了几个最容易产生流程内耗和疲惫感的环节，并共同制定了 AI 嵌入规范： 由团队高级学习内容设计师 Becky Mueller 领衔，Atlassian Learning Team 在保持绝对创意

基于 Anthropic 的 Claude 托管智能体基础设施，Claude Agent for Jira 允许你将工作任务直接指派给 Claude。 现在，智能体所做的工作将与其他业务无缝并存在 Jira 中：在项目中可被追踪、在工作流中清晰可见，并与它协助交付的业务目标直接挂钩。该智能体能够自动解析 Jira 工单的上下文，在安全的沙盒环境中实现所需的代码变更，并为你创建一个待评审的草稿 PR。 “规划到编码”的效能瓶颈 从一个规划好的任务走到提交 PR，中间充斥着大量重复性的流程内耗。一项针对 400 家工程组织的长期跟踪研究发现，即便在编码任务中 AI 的采用率高达 90%，整体生产力的提升也普遍在 10%–15% 之间触顶。 对于日常例行任务，开发者往往需要花费大量时间将代码库和业务背景手动复制到 AI 聊天界面中、配置本地分支，并把 Issue 描述翻译成智能体可读的规范。 此次集成彻底消除了这种上下文切换。通过将 Jira 直接与代码执行端连接，智能体能够始终拥有精准构建所需的完整上下文。同时，每一步操作在团队现有的规划、评审和交付

规格输入进去，一个可工作的应用输出出来，而每一步都可以在 Jira 中追踪 将专业 Agent 编排锚定在 Jira 上，让复杂编码任务始终贴合规格要求。 你可能已经有过这种感受：你把一项真实的工作交给一个能力不错的 AI Agent，给它一份完整的规格说明，其中包含边界情况和验收标准。刚开始的几分钟，它表现得很敏锐；但随后它开始滑坡，忘记了十分钟前自己做过的决定，重写原本已经正确的内容。到最后，你不得不和上下文窗口搏斗，不断重构提示词，重复指令，甚至偶尔加上一句“不要做 XYZ”，才能把 Agent 拉回正确轨道。 模型明明可以写出不错的代码。问题在于，它正在努力把整件事一次性都装进自己的记忆里，而这超出了它的承载能力，于是它开始失控。（这也在消耗你的时间和 token。） 为什么 Agent 会偏离规格？ Agent 是在一个工作记忆窗口里进行推理的。架构、产品意图、用户体验、它正在编写的测试，所有这些内容都挤在同一个空间里。小任务还放得下，但真正的功能开发往往放不下。随着上下文窗口被填满，Agent 会悄悄牺牲早期决策，为新信息腾出空间。那

我们在各项指标上实现了全面提升——其中“愿景”与“创新”维度的满分表现，深刻揭示了 战略组合管理（SPM） 领域的未来走向。 我们非常荣幸地宣布，Atlassian 在 Forrester Wave™ 发布的《2026年第二季度战略组合管理工具》报告中被评为“卓越表现者”。但对我们而言，这份名次仅仅是冰山一角。 自 2024 年以来，我们完成了深度演进。在本次最新评估中，我们的“现有产品”获评 3.10 分，“战略”获评 3.80 分，这直观反映了我们在持续交付全栈式战略组合管理能力上的资源投入。 这些评分背后，凝聚着我们一直在笃定推行的一个核心理念：明确战略组合管理的未来方向，并通过 Atlassian 的 Strategy Collection 产品矩阵将其落地。 这一理念在报告中得到了充分验证：我们在愿景与创新两个维度上均获得了 5 分的满分评级。 从信号到行动：企业决策链路中尚未解决的断层 在我们的最新白皮书《引领人机协同的企业》中，我们对 308 位企业高管进行了调研。结果发现了一个触目惊心的鸿沟：80% 的高管认为企业的战略优先级非常

现在，使用 Jira 的团队可以直接将工作任务指派给 Cursor。Cursor 的云端智能体将自动接管任务并开始投入工作。 你可以在 Jira 界面、IDE 软件或 Cursor 网页端直接引导智能体。当 Cursor 需要人类反馈或准备好交付评审时，会在 Jira 中主动通知你；而当它提交 Pull Request（PR）时，该请求也会自动关联回对应的 Jira 任务。 根据一项针对 AI 使用与工程产出的多年期开发者体验研究，我们发现：由于缺乏上下文，AI 智能体的能力提升并未转化为同等的研发效率增长。 调研对象指出，在 IDE 之外频繁进行的上下文切换、任务规划、团队对齐、Bug 分类以及代码评审，是阻碍效率提升的核心痛点。 现在，Atlassian 正在为所有使用 Cursor 的团队，在 Jira 中构建原生支持 AI 的全新工作流。 “我们现在要思考的，不再是如何让工程师使用更多的 AI，而是如何构建一个让‘人类’与‘智能体’基于相同上下文、朝着共同目标协作的系统。直接从 Jira 向 Cursor 指派任务并带入完整的上下文，是规

我非常激动能重返阿纳海姆，与成千上万名客户共同开启 Team ’26 盛会。当下，我们正面临着一生中最为深刻的工作模式重塑，这种变革自我们上次相聚以来正以前所未有的速度推进。 这是一个令人振奋的时刻。一种全新的组织形式正在崛起：AI 原生组织。在这种模式下，团队与 Agent 并肩协作、共同创造。仅在过去的半年里，我们客户中的智能体自动化应用增长了 7 倍。从梅赛德斯-奔驰到 Docusign，再到 Teach For All，各大组织已将 Rovo 智能体深度嵌入日常工作流，大幅提升了团队产出。 这些领先企业的成功秘诀在于找到了核心公式。在 2026 年，大模型本身已不再是唯一壁垒，任何人都可以按 Token 获取“智能”。组织真正的竞争优势在于其企业机构知识——这是驱动 AI 的关键燃料。 而在“语境”与“背景信息”这一领域，Atlassian 的客户正坐拥一座金矿。 加速发展 = 背景信息 x 智能 Atlassian 客户拥有全球最丰富、连接最紧密的“背景信息图谱”。我们的Teamwork Graph 不仅是一个数据库，更是连接人员、工作