Atlassian TeamworkGraph

Atlassian Teamwork Graph: meno token, risposte AI migliori

 

In sintesi

  • Il contesto è fondamentale per gli agenti AI: senza informazioni già collegate, gli agenti devono ricostruire le relazioni tra dati e strumenti, aumentando tempi di elaborazione e consumo di token.

  • Atlassian Teamwork Graph crea un contesto condiviso: collega persone, attività, documenti e codice, rendendo le informazioni aziendali più accessibili agli agenti AI.

  • TWG non si limita all'ecosistema Atlassian: integra strumenti esterni e rende il contesto disponibile anche ad agenti di terze parti attraverso Teamwork Graph CLI e Rovo MCP Server.

  • Migliora accuratezza ed efficienza: secondo i benchmark Atlassian, Teamwork Graph ha consentito di ottenere risposte più accurate del 44% e ridurre il consumo di token del 48%.

  • Il valore si misura sui casi d'uso: per valutare l'efficacia di Teamwork Graph è importante confrontare la qualità delle risposte e i token consumati, partendo dalle esigenze effettive dei team.

Un agente AI può aiutarci a trovare informazioni, analizzare dati e supportare le attività quotidiane. Ma cosa succede quando le informazioni necessarie per rispondere a una domanda sono distribuite tra Jira, Confluence, repository di codice e conversazioni del team? Prima di fornire una risposta, l'agente deve individuare i contenuti rilevanti e capire come sono collegati tra loro. Un processo che richiede tempo, aumenta il consumo di token e può influire sulla qualità del risultato.

 

Atlassian Teamwork Graph (TWG) nasce proprio per rispondere a questa esigenza: mettere in relazione persone, attività, contenuti e codice, offrendo agli agenti AI un contesto condiviso da cui partire. Ne abbiamo parlato nel nuovo episodio di Pit Stop, insieme a Beatrice Del Curto e Simone Zoli, Atlassian Consultant di Sourcesense, per capire come funziona Teamwork Graph, quali strumenti può collegare e perché può rendere gli agenti AI più efficaci.

Perché il contesto è importante per gli agenti AI

Immaginiamo di chiedere a un agente AI: "La release di venerdì è pronta?"

Per rispondere, potrebbe dover verificare le issue ancora aperte su Jira, consultare la documentazione su Confluence, controllare le ultime pull request e cercare eventuali criticità segnalate nelle conversazioni del team. Il problema è che tutte queste informazioni non si trovano necessariamente nello stesso posto. Se l'agente non conosce le relazioni tra i diversi contenuti, deve ricostruirle ogni volta, effettuando più ricerche e raccogliendo progressivamente gli elementi necessari per formulare una risposta.

Come spiega Simone durante il Pit Stop, questo lavoro ha un impatto anche sui token, ovvero le unità di testo che i modelli AI elaborano durante le interazioni. Più informazioni un agente deve leggere e collegare, maggiore può essere il consumo di token e, di conseguenza, il costo delle operazioni. La sfida, quindi, è fare in modo che gli agenti possano comprendere il contesto senza doverlo ricostruire continuamente.

Che cos'è Atlassian Teamwork Graph e come funziona

Atlassian Teamwork Graph è il livello di contesto condiviso della piattaforma Atlassian, progettato per collegare persone, attività, contenuti e codice all'interno dell'ecosistema aziendale. Si tratta di una struttura che mette in relazione gli elementi che fanno parte del lavoro quotidiano. Per esempio, una issue Jira può essere collegata alla persona che se ne occupa, a una pagina Confluence che documenta il requisito e alla pull request che contiene le modifiche al codice. Queste relazioni permettono di comprendere non soltanto quali informazioni esistono, ma anche come contribuiscono a un determinato progetto o processo.

La differenza per gli agenti AI è significativa. Senza un contesto condiviso, l'agente deve cercare le informazioni nei diversi strumenti e individuare autonomamente i collegamenti. Con Teamwork Graph, invece, può utilizzare le relazioni già disponibili per recuperare i contenuti pertinenti con meno passaggi. In questo modo può concentrarsi maggiormente sull'elaborazione della risposta, anziché sulla ricostruzione delle informazioni necessarie.

Quali strumenti si possono collegare a Teamwork Graph

Uno degli aspetti più interessanti di Atlassian Teamwork Graph è la possibilità di mettere in relazione informazioni provenienti da strumenti differenti. Il grafo si alimenta naturalmente dai prodotti Atlassian, tra cui Jira, Confluence, Bitbucket e Jira Service Management, ma può integrare anche contenuti provenienti da applicazioni esterne attraverso connettori dedicati.

Tra queste troviamo, per esempio, Slack, Microsoft Teams, Google Drive, SharePoint e GitHub. Si tratta di una caratteristica importante perché, nella maggior parte delle organizzazioni, il lavoro non si svolge all'interno di un'unica piattaforma.

Documenti, attività, comunicazioni e codice sono spesso distribuiti tra applicazioni diverse, creando quei silos informativi che possono rendere più difficile la collaborazione tra i team. Teamwork Graph contribuisce a superare questa frammentazione, rendendo disponibili le relazioni tra i contenuti e offrendo agli agenti AI una visione più completa del lavoro aziendale. Naturalmente, l'accesso alle informazioni dipende dagli strumenti collegati, dalle configurazioni e dai permessi disponibili.

Teamwork Graph è disponibile solo per Atlassian Rovo?

Il contesto di Teamwork Graph non è riservato esclusivamente agli agenti AI di Atlassian.

Atlassian Rovo, la soluzione AI integrata nell'ecosistema Atlassian, utilizza nativamente Teamwork Graph per recuperare informazioni e fornire risposte contestualizzate. Tuttavia, anche gli agenti di terze parti possono accedere al grafo attraverso due modalità principali.

La prima è la Teamwork Graph CLI, un'interfaccia a riga di comando progettata per consentire agli agenti, come Claude Code, Cursor e Codex, di interrogare il contesto Atlassian direttamente dal proprio ambiente di lavoro.

La seconda è il Rovo MCP Server, che permette agli assistenti compatibili con il Model Context Protocol (MCP) di accedere agli strumenti e alle informazioni del grafo. Due modalità complementari, pensate per ambienti e casi d'uso differenti. Il vantaggio è che le organizzazioni possono valorizzare il contesto costruito all'interno dell'ecosistema Atlassian anche quando utilizzano altri agenti AI.

Per approfondire il ruolo di MCP e degli agenti nei processi aziendali, puoi leggere anche il nostro articolo sugli agenti AI come colleghi digitali nell'ecosistema Atlassian.

Meno token e risposte più accurate: i vantaggi di Teamwork Graph

Disporre di informazioni già collegate può aiutare un agente AI a ridurre il numero di operazioni necessarie per rispondere a una richiesta. Ma quanto può incidere concretamente sulle prestazioni?

Secondo i benchmark interni pubblicati da Atlassian, l'utilizzo del contesto di Teamwork Graph ha portato al:

  • 44% di miglioramento nell'accuratezza delle risposte
  • 48% di token consumati in meno

Durante il Pit Stop, Simone Zoli sottolinea un aspetto importante: consumare meno token non significa necessariamente avere un agente migliore. Se la riduzione dei consumi comporta risposte meno complete o meno utili, il vantaggio economico rischia di perdere valore. Per valutare l'efficacia di un agente AI è quindi necessario considerare prima di tutto la qualità delle risposte e, successivamente, le risorse utilizzate per ottenerle.

Quando Teamwork Graph può fare davvero la differenza?

Il valore di un contesto condiviso emerge soprattutto quando le domande richiedono di collegare informazioni provenienti da più strumenti.

Se chiediamo a un agente AI lo stato di una singola issue Jira, le informazioni necessarie potrebbero essere già disponibili all'interno della stessa applicazione.

La situazione cambia quando le richieste diventano più articolate.

Pensiamo, per esempio, a domande come:

  • La release prevista per venerdì è pronta?
  • Quali dipendenze stanno rallentando il completamento di un epic?
  • Quali eventi hanno contribuito a causare un incidente?
  • Quale parte del codice implementa un determinato requisito?

Per rispondere, l'agente potrebbe dover analizzare attività, documentazione, codice e comunicazioni, individuando le relazioni tra i diversi elementi.

È proprio in questi scenari che Teamwork Graph può offrire un vero vantaggio, perché consente all'agente di partire da un contesto già organizzato e collegato. Il risultato può essere una risposta più completa, ottenuta attraverso un processo di ricerca più efficiente.

Come valutare l'efficacia di Teamwork Graph nella propria azienda

Come capire se Teamwork Graph può migliorare concretamente il lavoro degli agenti AI all'interno di un'organizzazione? Anziché la tecnologia il punto di partenza dovrebbe essere l'esigenza effettiva dei team. Come affermato anche da Simone Zoli “Bisogna partire dalle persone, capire con i team quali sono le domande che fanno ogni giorno all'agente AI”. Si dovrebbe quindi iniziare nell'individuare le domande che le persone rivolgono più frequentemente agli agenti AI, soprattutto quelle che richiedono di recuperare e collegare informazioni da fonti differenti, e confrontare le risposte dello stesso agente con e senza accesso al contesto di Teamwork Graph. Per ottenere una valutazione utile, poi, bisognerebbe ripetere le prove considerando sempre la qualità delle risposte e il consumo di token.

È un principio che abbiamo già approfondito parlando di come misurare l'efficacia di Atlassian Rovo: per valutare il valore dell'intelligenza artificiale non basta misurarne l'utilizzo, ma occorre capire quanto sia utile nei processi di lavoro.

Domande frequenti

Che cos'è Atlassian Teamwork Graph?

Atlassian Teamwork Graph è il livello di contesto condiviso della piattaforma Atlassian. Collega persone, attività, documenti e codice, rendendo disponibili le relazioni tra le informazioni aziendali. Gli agenti AI possono utilizzare questo contesto per recuperare contenuti pertinenti e formulare risposte più accurate.

Teamwork Graph funziona anche con strumenti esterni ad Atlassian?

Sì. Oltre ai prodotti Atlassian, come Jira, Confluence e Bitbucket, Teamwork Graph può collegare informazioni provenienti da strumenti esterni, tra cui Slack, Microsoft Teams, Google Drive e GitHub, attraverso i connettori supportati.

Qual è la differenza tra Teamwork Graph CLI e Rovo MCP Server?

Teamwork Graph CLI è un'interfaccia a riga di comando che consente agli agenti AI di accedere al contesto Atlassian da ambienti compatibili con l'esecuzione di comandi. Rovo MCP Server permette invece agli assistenti compatibili con il Model Context Protocol di utilizzare strumenti per accedere alle informazioni del grafo.

Perché Teamwork Graph può ridurre il consumo di token?

Un agente AI che deve cercare informazioni in più sistemi e ricostruire le relazioni tra i contenuti può consumare molti token. Teamwork Graph rende disponibili queste relazioni, riducendo potenzialmente i passaggi necessari per ottenere il contesto utile alla risposta. Il risparmio effettivo dipende dal tipo di richiesta e dalla configurazione dell'agente.

Contattaci per approfondire le soluzioni Atlassian e integrare il Teamwork Graph nei tuoi processi di lavoro.