Atlassian Rovo als helfende Hand in der Business Analyse

Business Analyse ist anspruchsvolle Wissensarbeit und oft sind unübersichtlich viele Dokumente beteiligt. Mit Rovo bringt Atlassian moderne KI-Werkzeuge auf die Plattform, die vermutlich einen Großteil der Dokumente bereits enthält. Kann Atlassian diesen Vorteil nutzen und für Analyst:innen mehr sein, als eine Dokumentenablage?

Viele von euch kennen sicherlich schon die AI-Funktionen in Confluence, die beim Premium-Abo verfügbar sind. Hierbei kann die AI helfen Textabschnitte umzuformulieren, zu übersetzen und zusammenzufassen. Die AI basiert jedoch nicht auf Kontext-Wissen, hat keine richtige Chatfunktion und keine umfangreichen Aktionen - Rovo schon. Über eine separate Lizenz kann man durch Rovo mit seinen eigenen Wissensbereichen chatten, in Zusammenarbeit anhand vom Human-in-the-Loop-Ansatz Confluence-Seiten oder Jira-Vorgänge anlegen und einzelne Agenten für wiederkehrende Aufgaben erstellen. Der Human-in-the-Loop-Ansatz erfordert die manuelle Bestätigung und das Ergänzen möglicher fehlender Informationen.

Als Atlassian-Partner haben wir die Chance, Atlassians Rovo in der Beta-Version auszuprobieren. Deswegen haben wir in den letzten Wochen intensiv mit Rovo gearbeitet und dabei wertvolle Erkenntnisse gesammelt. Aus der Perspektive der Business Analyse haben wir getestet, wie hilfreich Rovo in der Praxis sein kann, weil unsere Dokumentationen und wichtigen Informationen in Confluence gesammelt sind.

Wie KI in der Business Analyse hilfreich sein kann

In der Business Analyse spielt die Ermittlung von Geschäftsbedürfnissen und die Entwicklung von Lösungen für effizientere und effektivere Prozesse eine große Rolle. Um dies zu erreichen, müssen oft umfangreiche Informationen gesammelt werden, die über verschiedene Quellen und Dokumente verstreut sind. Die Herausforderung besteht darin, diese Informationen zu verarbeiten und zusammenzufassen. Kann die KI an dieser Stelle helfen und Wissen aus verschiedenen Quellen kombinieren?

Wenn man einer KI einen Text zur Verfügung stellt und sie auffordert, diesen umzuformulieren oder zusammenzufassen, kann es passieren, dass die KI neue Informationen hinzufügt oder die Aussage verändert, sodass ursprüngliches Wissen verloren geht. Da Trainingsdaten von LLM-Modellen nicht aus eigenen Notizen bestehen, muss der erforderliche Sachkontext durch gezieltes Prompting bereitgestellt werden, sonst können schnell unwichtige und irrelevante Informationen hinzugefügt werden. Effektives Prompting – also das Bereitstellen von Rolle, Kontext und Aufgabe – ist dabei eine Wissenschaft für sich, die entscheidend ist, um gewünschte Antworten zu erhalten.

Atlassian Rovo als Assistenz für die Business Analyse

Rovo-Suche: Als Kolleg:in mit den richtigen Antworten

Das Auffinden von Informationen in einer Vielzahl von Dokumenten gehört zu den täglichen Aufgaben. Manchmal wünscht man sich, einfach Kolleg:innen zu fragen, die einem direkt antworten. Genau das ermöglicht die Rovo-Suche. Mit der Rovo-Suche lassen sich Informationen über die gesamte Atlassian-Plattform zusammenfassen und interpretieren, ohne dass man jede Seite selbst durchsuchen muss. Rovo durchsucht nicht das Internet oder externe Trainingsdaten, sondern alle Atlassian-Inhalte, auf die die Nutzenden berechtigt sind, sowie andere explizit angebundene Quellen wie Microsoft SharePoint oder Google Workspace. Dies führt dazu, dass der Wissensstand je nach Rolle und Berechtigungen variieren kann. Die gefundenen Informationen werden in natürlicher Sprache zusammengefasst, als würde man mit Kolleg:innen sprechen. So werden als Antworten nur Inhalte von Confluence oder angebundenen Quellen verwendet und als Referenz angegeben. 

Rovo-Chat: Der Dialog mit dem eigenen Wissen

Der Rovo-Chat ist per Chat-Extension in Confluence und Jira sowie über eine Browsererweiterung verfügbar. Dadurch ist es möglich, Fragen einfach zu stellen, ohne das Fenster wechseln zu müssen. Der Unterschied zur Such-Funktion ist, dass Rovo den aktuellen Kontext der Arbeit mit einbezieht und entsprechende Antworten liefert. Außerdem kann man durch die Chat-Funktion auf die erhaltenen Antworten reagieren und weitere Fragen stellen oder die Anweisungen konkretisieren. Allerdings muss man immer dran denken, dass die Antworten nur so gut sind, wie der Content, der dahinter liegt. Je ausführlicher dieser formuliert und für die KI optimiert ist, umso besser werden auch die Antworten.

Rovo-Agents: Massgeschneiderte Fachkompetenz für regelmässige Aufgaben

Für wiederkehrende Anwendungen können Rovo Agents erstellt werden, die spezifische Rollen und Anforderungen an die KI definieren. Diese konfigurierbaren AI-Teammitglieder erhalten einen Namen, eine Beschreibung, Anweisungen sowie Wissensbereiche und Aktionen, was die Definition des Kontexts und die Erstellung von Prompts vereinfacht. Die Wissensbereiche der Agents können so festgelegt werden, dass diese auf einzelnen Confluence-Bereichen oder Seiten basieren und die KI auf das enthaltene Wissen einschränken. So kann man zum Beispiel einen “Requirements-Guru” anlegen, der speziell geschult ist, Fragen zur Fachspezifikation zu beantworten und diese zu formulieren. Atlassian bietet zudem vordefinierte Agents wie den Rovo Expert Agent oder den Issue Organizer an, die bereits auf konkrete Anwendungsfälle optimiert sind.

Rovo: Chancen und Schwächen in der praktischen Anwendung

Wir betrachten Rovo aktuell als wertvolle Wissensquelle und Q&A-Experte für spezifische Anliegen, mit dem eigene Wissensbereiche und Dokumente einfach durchsucht und verarbeitet werden können. Es gibt allerdings einige Stellen, an denen die Beta-Version von Rovo noch optimiert werden sollte. Die Suche in externen Dateien und verlinkten Dokumenten scheint eingeschränkt zu sein, da wir ohne zusätzliche Authentifizierung nur auf die Meta-Daten wie Titel und letzte Änderung zugreifen konnten. Zudem haben wir einige kleinere Bugs im Rovo-Chat festgestellt, insbesondere bei wiederholten Anfragen. Hierbei zeigt sich das Problem, dass der Chat unendlich lang wird und das Eingabefeld nach unten verschwindet. Um erneut zu antworten, muss man weit nach unten scrollen und hat keinen Überblick über die letzten Nachrichten. Dieses Phänomen tritt jedoch nur auf, wenn der Chat ohne Kontext aufgerufen wird, also nicht innerhalb von Jira oder Confluence. Die Chat-Extension funktioniert ohne Probleme.

Atlassian ist mehr als nur eine Dokumentenablage

Zusammenfassend lässt sich sagen, dass KI eine wertvolle Unterstützung in der Business Analyse bietet, indem sie den Zeitaufwand für das Durchsuchen von Dokumenten und dem Herauslesen wichtiger Informationen verringert. Die neue Atlassian AI Rovo erweist sich als hilfreiches Werkzeug zum Durchsuchen von internem Wissen, insbesondere für Benutzer:innen, die täglich mit Jira und Confluence arbeiten. Rovo eignet sich besonders gut für gezielte inhaltliche Fragen zu spezifischen Themen. Dabei ist wichtig zu beachten, dass Rovo nur auf berechtigte Inhalte zugreifen kann.

Wir haben die Generierung von neuem Wissen am Beispiel von User Stories mit Chatbots getestet und freuen uns darauf, in den kommenden Wochen spannende Einblicke und Ergebnisse aus diesem Bereich mit euch zu teilen. 🚀

Erfahre in unseren anderen Blogbeiträgen mehr über Business Analyse oder kontaktiere uns, um eine Rovo-Demo anzufordern.