Was ist der Teamwork Graph?

Der Teamwork Graph ist das Datenmodell der Atlassian Cloud. Er verbindet Menschen, Arbeit und Wissen aus Jira, Confluence und angebundenen Anwendungen zu einem gemeinsamen Kontext. Dieser Kontext ist die Grundlage für Atlassian Rovo. Über offene Schnittstellen steht er aber auch eigenen Agents und AI-Tools wie Claude oder ChatGPT zur Verfügung.

Jede AI ist nur so gut wie die Daten, mit denen sie arbeitet. In den meisten Unternehmen liegt das wertvolle Wissen jedoch verstreut in Silos: in Vorgängen, Dokumenten, Chats und Tools, die nichts voneinander wissen. Der Teamwork Graph setzt genau hier an und verbindet diese Inseln zu einem zusammenhängenden Bild der Organisation.

Atlassian-CEO Mike Cannon-Brookes hat diesen Gedanken auf der Atlassian Team ‘26 auf eine Formel gebracht:

„Acceleration = Context × Intelligence.”

GenAI ist heute für alle verfügbar. Den Unterschied macht der Kontext, den eine Organisation ihrer AI mitgibt. Und genau diesen Kontext liefert der Teamwork Graph.

Spannend ist dabei ein oft übersehener Punkt: Dieser Datenlayer ist nicht auf Rovo beschränkt. Er lässt sich über offene Schnittstellen auch mit anderen AI-Tools und eigenen Automationen nutzen. Wir erklären, was der Teamwork Graph ist, wie er funktioniert und warum er Sie unabhängig von einzelnen AI-Anbietern macht.

Was ist der Teamwork Graph?

Der Teamwork Graph ist ein Wissensgraph in der Atlassian Cloud. Er erfasst nicht nur einzelne Objekte wie Vorgänge, Seiten, Ziele, Projekte, Teams und Personen, sondern vor allem deren Beziehungen zueinander – und aktualisiert sich fortlaufend aus der täglichen Arbeit. So entsteht ein vernetztes, lebendes Abbild Ihrer Organisation, aus dem AI verlässlichen Kontext für Antworten und Aktionen zieht.

Ein klassischer Datenspeicher kennt einzelne Inhalte, aber nicht ihren Zusammenhang. Ein Wissensgraph dagegen modelliert genau diese Zusammenhänge: Welche Person arbeitet an welchem Projekt? Welches Dokument gehört zu welchem Ziel? Welcher Vorgang blockiert ein Release? Der Teamwork Graph spannt dieses Netz über die gesamte Atlassian Cloud und die angebundenen Anwendungen. Laut Atlassian umfasst er bereits über 154 Milliarden Verbindungen zwischen Projekten, Code, Dokumenten, Menschen und Zielen.

Mit jeder Aktion im Arbeitsalltag wächst das Modell und wird genauer: Neue Vorgänge, Kommentare, Verknüpfungen und Statuswechsel zeichnen zusätzliche Kanten zwischen den Knoten. Aus diesem dichten Netz zieht eine AI deutlich präzisere Antworten als aus einzelnen Datenquellen — nicht die Menge der Daten entscheidet, sondern ihr Kontext.

Daraus folgt eine einfache, aber wichtige Konsequenz: Die Qualität des Teamwork Graph hängt direkt von der Pflege Ihrer Daten ab. Ein sauber strukturiertes, gut verknüpftes System liefert besseren Kontext als eine gewachsene Sammlung aus Dubletten und verwaisten Inhalten.

Welche Daten stecken im Teamwork Graph?

Der Teamwork Graph bündelt Daten aus den Atlassian-Produkten: Vorgänge aus Jira, Seiten aus Confluence, Ziele, Projekte sowie Personen und Teams. Über Konnektoren kommen Inhalte aus Drittanwendungen wie Google Drive, Microsoft SharePoint oder GitHub hinzu. Entscheidend sind dabei weniger die einzelnen Objekte als ihre Verknüpfungen untereinander.

Konkret fließen unter anderem diese Quellen ein:

• Atlassian-Produkte: Vorgänge aus Jira, Seiten aus Confluence, Ziele, Projekte, Teams und Personen.
• Angebundene Drittanwendungen: Dateien, Dokumentationen und Inhalte aus Tools wie Google Drive, Microsoft SharePoint oder GitHub, sofern die passenden Konnektoren aktiviert sind.
• Eigene Anwendungen: Applikationen, die Ihre Fachabteilungen für spezifische Zwecke entwickelt haben, lassen sich ebenfalls anbinden.

Wichtig dabei: Der Graph kopiert keine Daten unkontrolliert zusammen. Er bildet Beziehungen ab und respektiert die bestehenden Zugriffsrechte jeder Quelle.

Muss ich Rovo nutzen, um vom Teamwork Graph zu profitieren?

Rovo ist der natürlichste Weg, den Teamwork Graph zu nutzen, weil es direkt darauf aufsetzt. Aber es geht auch anders: Über offene Schnittstellen stehen die vernetzten Informationen externen AI-Tools und selbst gebauten Agents genauso zur Verfügung. So bleiben Sie unabhängig und entscheiden selbst, welche AI Sie einsetzen.

Das ist ein strategischer Unterschied zu vielen anderen AI-Plattformen, die Ihre Daten an ein bestimmtes Modell oder einen Anbieter binden. Bei Atlassian liegt der Wert in der offenen Datenbasis: Sie investieren einmal in sauber strukturiertes, vernetztes Unternehmenswissen und können dieses Fundament anschließend mit dem AI-Werkzeug Ihrer Wahl nutzen.

Für Unternehmen bedeutet das Planungssicherheit. Der AI-Markt verändert sich schnell, einzelne Modelle kommen und gehen. Ihre Daten und deren Verknüpfungen bleiben hingegen ein dauerhaftes Asset, das Sie unabhängig von kurzfristigen Anbieter-Entscheidungen weiternutzen.

Wie greifen externe AI-Tools auf den Teamwork Graph zu?

Über offene Schnittstellen. Der Atlassian Remote MCP-Server verbindet AI-Clients wie Claude berechtigungskonform direkt mit Ihren Atlassian-Daten. Daneben stehen REST- und GraphQL-APIs sowie die Teamwork Graph CLI bereit. Darüber binden Sie eigene Agents, Automationen oder externe Modelle an, die auf dem vernetzten Kontext des Teamwork Graph aufsetzen.

Das Model Context Protocol (MCP) ist ein offener Standard, über den AI-Assistenten mit externen Datenquellen sprechen. Atlassian stellt dafür einen eigenen Server bereit. So lassen sich Ihre Atlassian-Daten typischerweise nutzen:

• Atlassian Remote MCP-Server: AI-Clients wie Claude greifen über das Model Context Protocol auf Jira- und Confluence-Inhalte zu, immer im Rahmen der bestehenden Berechtigungen.
• REST- und GraphQL-APIs: Eigene Anwendungen und Automationen lesen und schreiben Daten programmatisch.
• Teamwork Graph CLI: Über die Kommandozeile stehen mehr als 300 Befehle für Lese- und Schreibzugriff bereit, um Agents und Skripte direkt auf dem Kontext aufzusetzen.

So entsteht ein offenes Ökosystem: Ob Atlassian Rovo, ein externes Sprachmodell oder eine selbst entwickelte Lösung – alle setzen auf derselben, gepflegten Datenbasis auf. Atlassian hat diese Öffnung des Teamwork Graph auf der Atlassian Team ‘26 angekündigt. Die Hintergründe erläutert Atlassian im offiziellen Ankündigungsbeitrag.

Teamwork Graph vs. Rovo: Was ist der Unterschied?

Der Teamwork Graph ist die Datenbasis, Rovo ist eine Anwendung darauf. Der Graph modelliert, wie Menschen, Arbeit und Wissen zusammenhängen. Rovo bündelt Atlassians AI-Funktionen wie Suche, Chat und Agents, die diesen Kontext nutzen. Andere Tools können dieselbe Basis verwenden, ohne dass Rovo im Spiel ist.

Die beiden Begriffe werden häufig vermischt, beschreiben aber zwei Ebenen:

Wie Rovo den Teamwork Graph konkret nutzt und welche Funktionen es bietet, lesen Sie in unserem Beitrag Was ist Atlassian Rovo?.

Welche Use-Cases ermöglicht der Teamwork Graph?

Weil der Teamwork Graph Kontext über Tools hinweg verbindet, löst er Aufgaben, die einzelne Systeme nicht abdecken: vom projektübergreifenden Statusüberblick über die automatisierte Triage von Tickets bis zu Reports, die ein Agent eigenständig aus aktuellen Daten zusammenstellt.

Ein paar konkrete Beispiele:

• Statusüberblick auf Zuruf: Die Frage „Ist Projekt X auf Kurs?” beantworten Rovo oder Claude aus Jira-Vorgängen, Confluence-Entscheidungen und Zielen, ohne dass jemand Berichte zusammensucht.
• Automatisierte Triage: Ein Agent liest neue Tickets in Jira Service Management, schlägt Priorität und zuständiges Team vor und fasst den Vorgang zusammen.
• Wissen statt Suchen: Neue Teammitglieder fragen in natürlicher Sprache nach Hintergründen, statt sich durch verstreute Dokumente zu klicken.

Mehr praxisnahe Szenarien zeigt unser Beitrag Praktische Use-Cases von Rovo.

Wie sicher sind meine Daten im Teamwork Graph?

Zwei Ebenen sind dafür entscheidend: Wer auf welche Daten zugreifen darf, und wie Atlassian Ihre Daten als Plattformbetreiber behandelt. Beide sind klar geregelt.

Zugriff: Berechtigungen bleiben überall erhalten

Der Teamwork Graph respektiert die bestehenden Atlassian-Berechtigungen vollständig. Berechtigungen sind kein nachgelagerter Filter, sondern fester Bestandteil des Modells. Jede Auswertung – ob durch Rovo, ein externes Tool über den MCP-Server oder eine API-Abfrage – berücksichtigt, was die jeweilige Person ohnehin sehen darf. In der Atlassian-Administration steuern Admins zusätzlich, welche Konnektoren und Zugriffspfade aktiv sind.

Plattform: Compliance und Atlassians Datenpraxis

Auf Plattformebene erfüllt die Atlassian Cloud verbreitete Sicherheits- und Compliance-Standards, darunter ISO 27001, ISO 27018, SOC 2 Type II und CSA STAR. Die Atlassian Trust Center-Seite dokumentiert die jeweils aktuellen Zertifikate und Auditberichte. Auf europäischer Seite ist die Cloud DSGVO-konform betreibbar, mit AVV und EU-Standardvertragsklauseln.

Ob Atlassian Ihre Daten zur Weiterentwicklung der eigenen AI nutzen darf, steuern Sie unter „Security → Data Contribution” in der Administration. Welche Daten Atlassian ab dem 17. August 2026 in welcher Form verwendet, erläutert unser Beitrag Rovo und die neue Atlassian-Datenpraxis.

Wie mache ich meine Daten Teamwork-Graph-ready?

Der Teamwork Graph ist nur so gut wie die Daten, die ihn speisen. Entscheidend sind ein sauberes Wissensmanagement, klare Strukturen in Jira und Confluence sowie konsistent gepflegte Berechtigungen. Wer Inhalte aktuell hält, sinnvoll verknüpft und Dubletten vermeidet, schafft die Grundlage für verlässliche AI-Antworten, unabhängig vom eingesetzten Tool.

Genau hier liegt der eigentliche Hebel. Bevor es um die Wahl des richtigen AI-Werkzeugs geht, lohnt der Blick auf die Datenbasis: Sind Inhalte auffindbar, aktuell und sinnvoll strukturiert? Stimmen die Berechtigungen? Sind die richtigen Quellen angebunden? Wer diese Grundlagen schafft, holt aus jedem AI-Tool deutlich bessere Ergebnisse.

Sie möchten Ihre Atlassian-Daten AI-fähig machen und unabhängig von einzelnen Tools nutzbar halten? Unsere Fachleute begleiten Sie von der Datenstrategie bis zur konkreten Umsetzung. Wie wir dabei vorgehen, zeigt unsere Beratung zur AI-Transformation.

Wie geht es weiter?

Sie wollen den Teamwork Graph strategisch einordnen?

Sie wollen Rovo und den Graph praktisch einführen?

Sie wollen technisch tiefer einsteigen?

Sie wollen persönlich sprechen?

Häufige Fragen zum Teamwork Graph