Produktideen bewerten, Anforderungen formulieren, Tickets vorbereiten, Code entwickeln und am Ende noch die Release Notes schreiben: Zwischen einer guten Idee und einem fertigen Release liegen viele Arbeitsschritte. Mit Atlassian Rovo können AI-Agenten dein Team entlang dieses Prozesses unterstützen. Aber welche Aufgaben eignen sich dafür – und wann ist eine klassische Automation die bessere Wahl?
Eine neue Produktidee ist schnell notiert. Bis daraus ein fertiges Feature wird, sieht die Sache schon anders aus.
Kundenfeedback muss ausgewertet werden. Anforderungen wollen priorisiert und dokumentiert sein. Daraus entstehen Epics und User Stories, die ins Refinement und schließlich in die Entwicklung wandern. Nach Review und Tests wartet irgendwann das Release inklusive Dokumentation und Release Notes.
An Informationen mangelt es dabei meistens nicht. Im Gegenteil: In Jira, Jira Product Discovery, Confluence und anderen Systemen steckt jede Menge wertvoller Kontext.
Die Herausforderung besteht darin, daraus die richtigen Schlüsse zu ziehen und Informationen von einem Prozessschritt zum nächsten zu bringen.
Genau hier werden Atlassian Rovo und seine AI-Funktionen interessant.
Interessant ist das übrigens nicht nur für Entwicklungsteams. Ein großer Teil dieser Arbeit – Feedback auswerten, Anforderungen schärfen, Tickets vorbereiten, Releases dokumentieren – passiert in fachlichen Rollen. Genau dort setzen die folgenden Beispiele an.
Eine Produktidee auf Reisen: Wo können AI-Agenten unterstützen?
Statt die verschiedenen Agenten isoliert zu betrachten, begleiten wir eine Produktidee einmal durch den gesamten Prozess.
Am Anfang steht Feedback aus verschiedenen Quellen: User wünschen sich ein neues Feature, der Support hat ähnliche Anfragen gesammelt und im Product-Discovery-Backlog liegen bereits passende Ideen.
Was passiert jetzt damit?
An mehreren Stellen dieser Reise können spezialisierte AI-Agenten Aufgaben übernehmen.
Schritt 1: Produktideen bewerten und priorisieren
Feature-Wünsche, Kundenfeedback, Support-Anfragen, Bugs und Marktinformationen: In einem Product-Discovery-Backlog können schnell zahlreiche Informationen zusammenkommen.
Ein AI-Agent kann diese Informationen analysieren, ähnliche Themen zusammenführen und dabei helfen, mögliche Kandidaten für das nächste Release zu identifizieren.
Ist eine Idee ausgewählt, kann aus dem vorhandenen Kontext ein Product Requirements Document entstehen – etwa mit Problemstellung, Zielgruppe, Zielen, Scope und Akzeptanzkriterien.
Die Entscheidung, welches Feature tatsächlich umgesetzt wird, trifft dabei weiterhin das Produktteam. Die AI bereitet die Entscheidung vor, sie nimmt sie dem Team nicht ab.
Schritt 2: Aus der Idee wird konkrete Arbeit in Jira
Mit einem Product Requirements Document allein kann das Entwicklungsteam noch nicht loslegen.
Die Anforderungen müssen in Epics und User Stories übersetzt werden. Auch hier können spezialisierte Agenten unterstützen: Sie strukturieren die vorhandenen Informationen und übertragen sie in den Jira-Backlog.
Ein weiterer Agent kann anschließend die einzelnen Tickets für das Refinement vorbereiten. Ist beispielsweise die Definition of Ready in Confluence dokumentiert, kann der Agent diesen Kontext nutzen und prüfen: Welche Informationen fehlen noch? Sind Akzeptanzkriterien vorhanden? Ist der Nutzen der User Story verständlich beschrieben?
So landet nicht einfach mehr AI-generierter Text in Jira. Der Agent verbindet vorhandenes Wissen mit der konkreten Arbeit des Teams.
Und genau hier zeigt sich auch, warum menschliche Kontrolle wichtig bleibt.
Im Praxistest sollte ein Agent mehrere User Stories aus vorhandenen Anforderungen erstellen. Im ersten Anlauf legte er allerdings nur eine davon an. Nach einem entsprechenden Hinweis konnte er mit dem bereits vorhandenen Kontext weiterarbeiten.
AI-Agenten nehmen deinem Team also Arbeit ab – aber sie brauchen weiterhin einen prüfenden Blick.
Du möchtest weitere Beispiele sehen, wie Rovo im Arbeitsalltag eingesetzt werden kann? In unseren Rovo-Praxis-Use-Cases findest du weitere Anwendungsmöglichkeiten.
Schritt 3: Vom Jira-Ticket zum Code
Ist die User Story bereit für die Umsetzung, kann AI auch bei der eigentlichen Entwicklung unterstützen.
Für diesen Schritt lassen sich in Jira spezialisierte Entwicklungsagenten anbinden – aktuell etwa Claude, Codex und Cursor, weitere sind angekündigt. Ein solcher Agent analysiert die angebundene Codebasis, setzt die Änderung um und erstellt daraus einen Pull-Request, inklusive einer Zusammenfassung der Ursache und der vorgenommenen Anpassungen.
Das Ergebnis kann das Team anschließend prüfen und beispielsweise auf einer Preview-Instanz testen, bevor es in die produktive Codebasis übernommen wird.
Aus der vorbereiteten User Story wird damit tatsächlich Code.
Wie das konkret aussieht, haben wir im Webinar an einer kleinen Buchungsanwendung für Schreibtische und Räume gezeigt. Sie hatte einen sichtbaren Fehler: Eine Buchung ließ sich nicht stornieren, der Platz blieb belegt – und derselbe Schreibtisch konnte mehrfach gebucht werden.
Der Weg dahin war der ganz normale Prozess: Ticket ins Refinement geben, in „In Arbeit” ziehen, Agent übernimmt. Der Agent hat die Codebasis gelesen, die Ursache identifiziert, den Fix in einem eigenen Branch umgesetzt und einen Pull-Request erstellt. Geprüft haben wir das Ergebnis auf einer Preview-Instanz.
Der Statuswechsel von „In Review” auf „Fertig” hat anschließend per Webhook den Merge ausgelöst. Wenige Minuten später war die Korrektur in der Live-Instanz sichtbar – innerhalb derselben Session.
Genau an dieser Stelle greifen Agent, Automation und Mensch ineinander: Der Agent entwickelt, die Automation transportiert das Ergebnis weiter, die Freigabe bleibt beim Team.
Schritt 4: Das Feature ist fertig – jetzt fehlen noch die Release Notes
Die Entwicklung ist abgeschlossen, das Feature getestet und der Release rückt näher. Jetzt beginnt eine Aufgabe, die gerne bis zum Schluss liegen bleibt: die Release Notes.
Welche Änderungen sind für User relevant? Welche Jira-Tickets gehören zum Release? Und wie lässt sich daraus eine verständliche Zusammenfassung erstellen?
Auch hier kann ein Agent den vorhandenen Kontext nutzen. Er trägt die relevanten Informationen zusammen und erstellt daraus einen ersten Entwurf.
Das Team muss also nicht bei null anfangen, sondern kann sich auf die inhaltliche Prüfung und die finale Formulierung konzentrieren.
Der wichtigste Treibstoff für AI-Agenten: Kontext
Unser Beispiel zeigt: Ein Agent arbeitet nicht im luftleeren Raum.
In Jira Product Discovery liegen Produktideen und Kundenfeedback. Confluence enthält Produktinformationen, Architekturentscheidungen oder Regeln wie die Definition of Ready und Definition of Done. In Jira findet die konkrete Arbeit statt. Dazu kommt gegebenenfalls die angebundene Codebasis.
Ein Agent kann diesen Kontext für seine jeweilige Aufgabe nutzen.
Eine wichtige Grundlage dafür bildet der Atlassian Teamwork Graph. Er verbindet Informationen über Teams, Arbeit, Ziele und Wissen und schafft damit Kontext, den Rovo für Antworten und Aktionen nutzen kann.
Je relevanter und spezifischer der verfügbare Kontext ist, desto besser kann ein Agent seine Aufgabe erfüllen.
Gute Dokumentation wird durch AI also nicht überflüssig. Im Gegenteil: Sie kann dadurch noch wertvoller werden.
Ein Super-Agent für alles? Lieber nicht
Wenn ein Agent Produktinformationen analysieren kann, ein anderer User Stories erstellt und ein weiterer bei der Entwicklung unterstützt, liegt eine Frage nahe: Warum bauen wir nicht einfach einen Agenten, der alles erledigt?
Alles von der Produktidee bis zum fertigen Release mit nur einem Agenten zu erledigen, klingt bequem. In der Praxis ist das nicht unbedingt der beste Ansatz.
AI-Agenten arbeiten auf Basis von Wahrscheinlichkeiten. Je umfangreicher ihre Aufgabe wird, desto mehr Kontext und mögliche Entscheidungen kommen hinzu. Damit steigt auch das Risiko, dass ein Agent an einer Stelle anders abbiegt als vorgesehen.
Eine sinnvolle Alternative sind mehrere spezialisierte Agenten mit klar abgegrenzten Aufgaben.
Einer analysiert Produktinformationen. Ein anderer erstellt daraus den Backlog. Weitere Agenten kümmern sich beispielsweise um Epics, User Stories oder das Refinement.
So bleiben die einzelnen Aufgaben übersichtlicher. Gleichzeitig kannst du leichter nachvollziehen, wo etwas nicht wie erwartet funktioniert, und einzelne Agenten gezielt verbessern.
Einen tieferen Einblick in die technische Umsetzung findest du in unserem Beitrag Rovo-Agent oder Forge-App: Was passt zu deinem Use Case?.
AI-Agent oder Automation: Was passt wann?
Nicht jeder automatisierbare Prozess braucht AI.
Manchmal ist eine klassische Automation schlicht die bessere Lösung.
Soll ein Vorgang immer nach denselben Regeln ablaufen und bei gleichem Input zuverlässig dasselbe Ergebnis liefern? Dann bietet sich eine Automation an.
Müssen dagegen Texte verstanden, Informationen bewertet oder unterschiedliche Inhalte miteinander in Beziehung gesetzt werden? Dann können AI-Agenten ihre Stärken ausspielen.
In der Praxis musst du dich deshalb häufig gar nicht zwischen Agent und Automation entscheiden.
Ein Statuswechsel in Jira kann beispielsweise automatisch einen Agenten starten. Der Agent übernimmt die inhaltliche Arbeit. Anschließend stößt eine weitere Automation den nächsten klar definierten Prozessschritt an.
So übernimmt jede Technologie das, was sie am besten kann.
Mehr dazu findest du auf unserer Seite zur AI-gestützten Automatisierung.
Warum Human in the Loop wichtig bleibt
AI-Agenten können beeindruckende Ergebnisse liefern. Trotzdem funktionieren sie nicht in jeder Situation zu 100 Prozent so, wie wir es erwarten.
Das Beispiel mit den User Stories zeigt das gut: Der Agent hatte den nötigen Kontext und eine konkrete Aufgabe – lieferte beim ersten Versuch aber trotzdem nicht das vollständige gewünschte Ergebnis.
Deshalb gehören Prüfen, Feedback geben und gegebenenfalls Korrigieren weiterhin dazu.
Rovo setzt das an einer Stelle sogar selbst durch: Im Chat mit einem Agenten ist eine menschliche Bestätigung erforderlich, bevor schreibende Aktionen ausgeführt werden. Lesen und Analysieren übernimmt der Agent eigenständig – neue Vorgänge anlegen oder Inhalte verändern nicht.
Der Kontrollpunkt ist damit kein nachträglicher Zusatz, sondern Teil des Produkts.
Besonders bei schreibenden Aktionen oder Änderungen an Code und produktiven Systemen sind solche Kontrollpunkte wichtig.
Human in the Loop ist kein Widerspruch zur Automatisierung. Es ist ein wichtiger Bestandteil eines guten Agenten-Workflows.
Wie startest du mit AI-Agenten in deinem Produktprozess?
Du musst nicht gleich den kompletten Weg von der Produktidee bis zum Release mit Agenten abbilden.
Interessanter ist die Frage: Wo würde dein Team heute am meisten von Unterstützung profitieren?
Vielleicht kostet es viel Zeit, Kundenfeedback aus unterschiedlichen Quellen zusammenzutragen. Vielleicht müssen User Stories regelmäßig manuell vorbereitet werden. Oder die Dokumentation nach einem Release bleibt immer wieder liegen.
Such dir zunächst einen klar abgegrenzten Anwendungsfall.
Lass einen Agenten beispielsweise erst Vorschläge machen, statt ihm direkt schreibenden Zugriff auf deine Prozesse zu geben. Prüfe die Ergebnisse und passe Instructions und Kontext an. So findest du Schritt für Schritt heraus, wo der Agent zuverlässig unterstützt.
Denn auch ein guter Agent entsteht nicht mit dem ersten Prompt. Er wird iterativ besser.
Wenn du Rovo strukturiert in deine Arbeitsabläufe integrieren möchtest, hilft dir unser Rovo-Playbook beim Einstieg.
AI verändert mehr als nur das Coding
AI-gestützte Produktentwicklung bedeutet nicht, einen Prompt einzugeben und wenig später ein fertiges Produkt zurückzubekommen.
Spannend wird es dort, wo Menschen, spezialisierte Agenten und klassische Automatisierungen zusammenspielen.
Agenten helfen beim Verstehen, Strukturieren und Bewerten von Informationen. Automatisierungen kümmern sich um klar definierte Abläufe. Menschen geben die Richtung vor, liefern Kontext und entscheiden an den wichtigen Stellen.
So beginnt AI-Unterstützung nicht erst beim Schreiben der ersten Codezeile, sondern viel früher: bei der Frage, was eigentlich als Nächstes entwickelt werden sollte.
Rovo in Aktion erleben
Wie aus einer Produktidee mit verschiedenen Agenten Schritt für Schritt konkrete Arbeit und schließlich ein Release werden kann, lässt sich in der Praxis natürlich noch besser zeigen als beschreiben.
Wo steht dein Team heute?
Du möchtest AI nicht einfach nur ausprobieren, sondern herausfinden, welche Anwendungsfälle zu euren Prozessen und eurer Organisation passen?
Mit unserem AI Readiness Check schauen wir gemeinsam auf eure Ausgangslage und identifizieren sinnvolle nächste Schritte – wir freuen uns auf den Austausch!
Oder möchtest du dir zunächst einen Überblick verschaffen? Auf unserer Seite AI-native mit Atlassian findest du weitere Praxisbeispiele, Hintergrundwissen und Angebote rund um Rovo und AI im Atlassian-Ökosystem.
Häufige Fragen zu Rovo und AI-Agenten in der Produktentwicklung
Was können AI-Agenten in der Produktentwicklung übernehmen?
Was können AI-Agenten in der Produktentwicklung übernehmen?
Agenten eignen sich besonders für Aufgaben, bei denen Informationen verstanden, strukturiert oder bewertet werden müssen. Sie können beispielsweise Kundenfeedback analysieren, Anforderungen aufbereiten, User Stories vorbereiten oder Informationen für Release Notes zusammentragen.
Welche Aufgaben ein Agent übernehmen sollte, hängt dabei vom jeweiligen Prozess und vom verfügbaren Kontext ab.
Kann ein Rovo-Agent den gesamten Weg von der Produktidee bis zum Release übernehmen?
Kann ein Rovo-Agent den gesamten Weg von der Produktidee bis zum Release übernehmen?
Technisch lassen sich viele einzelne Schritte mit Agenten unterstützen. Ein einziger Agent für den gesamten Prozess ist aber nicht unbedingt die beste Lösung.
Klar abgegrenzte, spezialisierte Agenten machen den Workflow übersichtlicher. Wenn etwas nicht wie erwartet funktioniert, lässt sich außerdem leichter nachvollziehen, an welcher Stelle nachgebessert werden muss.
Wann sollte ich einen AI-Agenten und wann eine Automation einsetzen?
Wann sollte ich einen AI-Agenten und wann eine Automation einsetzen?
Wenn ein Prozess klaren Regeln folgt und bei gleichem Input immer dasselbe passieren soll, ist eine Automation häufig die passende Wahl.
Ein Agent wird interessant, wenn Inhalte verstanden, bewertet oder in einen größeren Kontext eingeordnet werden müssen. Beide Ansätze können auch zusammenspielen: Eine Automation startet beispielsweise einen Agenten, der eine inhaltliche Aufgabe erledigt, bevor die nächste Automation übernimmt.
Wie wichtig ist der Kontext für einen Rovo-Agenten?
Wie wichtig ist der Kontext für einen Rovo-Agenten?
Sehr wichtig. Je besser der Agent die relevanten Informationen zu seiner Aufgabe kennt, desto hilfreicher kann sein Ergebnis sein.
In der Produktentwicklung kann dieser Kontext beispielsweise aus Jira Product Discovery, Jira und Confluence kommen. Dazu gehören Produktideen und Kundenfeedback genauso wie Anforderungen, Teamregeln oder vorhandene Dokumentation.
Kann ein AI-Agent selbstständig User Stories in Jira erstellen?
Kann ein AI-Agent selbstständig User Stories in Jira erstellen?
Agenten können vorhandene Anforderungen strukturieren und daraus User Stories ableiten. Trotzdem solltest du das Ergebnis prüfen. Im gezeigten Praxistest sollte ein Agent mehrere User Stories erstellen, legte zunächst aber nur eine an. Nach einem Hinweis konnte er die Aufgabe mit dem vorhandenen Kontext fortsetzen.
Gerade bei schreibenden Aktionen sind deshalb sinnvolle Kontrollpunkte im Workflow wichtig.
Brauchen wir mit AI-Agenten überhaupt noch Human in the Loop?
Brauchen wir mit AI-Agenten überhaupt noch Human in the Loop?
Ja. Menschen geben weiterhin die Richtung vor, prüfen Ergebnisse und treffen wichtige Entscheidungen. Das gilt besonders dann, wenn ein Agent Inhalte verändert, neue Jira-Vorgänge erstellt oder Änderungen an Code vorbereitet.
Human in the Loop sorgt dabei nicht dafür, dass die Vorteile der Automatisierung verloren gehen. Vielmehr schafft es einen sinnvollen Kontrollpunkt dort, wo er gebraucht wird.
Muss unser gesamter Produktprozess bereits perfekt dokumentiert sein?
Muss unser gesamter Produktprozess bereits perfekt dokumentiert sein?
Nicht perfekt – relevanter Kontext sollte aber verfügbar sein. Ein Agent kann beispielsweise eine dokumentierte Definition of Ready nutzen, um User Stories für das Refinement vorzubereiten.
Das macht gute Dokumentation auch mit AI wichtig: Je klarer relevante Regeln, Anforderungen und Informationen vorliegen, desto gezielter kann ein Agent damit arbeiten.