从工具到队友：Atlassian 一个团队如何把 AI 变成真正的“同事”

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，持续策划和维护一组最优 token。换成更好理解的说法，就是：让 AI 持续、结构化地获得它真正完成工作所需要的上下文。

这听起来有点技术，但它其实非常贴近企业日常。

一个 AI 如果只看到你刚刚输入的一句话，它能做的事情很有限。但如果它知道你的团队正在做什么、数据在哪里、指标怎么定义、历史决策是什么、常用写作风格是什么、每个人负责什么，它就不再只是回答问题，而是可以真正参与工作。

这也是 People Insights 团队这次实践的核心：不是单纯“多用 AI”，而是为 AI 建立一套可持续使用的团队上下文系统。

一个真正连接起来的 AI 系统是什么样？

很多人现在使用 AI，仍然把它看作知识补充工具。你打开一个对话窗口，问一个问题，得到一个回答。上下文主要在你的脑子里；每次对话都像重新开始；AI 并不知道你刚刚在哪个系统里工作，也不知道这个问题和团队之前的项目有什么关系。

这种方式可以提升效率，但它是孤立的。一个连接起来的 AI 系统，则完全不同。

它不是让你不断把工作背景解释给 AI，而是让 AI 能够直接访问你的个人和团队上下文：数据、文档、团队规范、历史记录、当前项目、待办事项。更重要的是，这些上下文不会每次会话结束就消失，而是可以持续存在。

在 People Insights 团队的实践中，他们把这个系统分成了三层。

第一层：基础设施层

AI Agent，也就是 Rovo Dev，通过 MCP 集成连接到 Databricks、Confluence、Jira、DataHub 等企业工具。它就像家里的电路系统，背后由统一的能力驱动，但可以连接到不同房间、不同插座和不同设备。

没有这一层，AI 就很难真正进入工作系统。它只能回答你手动提供的信息，而无法主动读取和操作你工作中真正使用的工具。

第二层：团队上下文层

这一层是 People Insights 团队最关键的资产。

它包含团队如何工作：常用哪些表，如何定义指标，哪些分析会反复运行，写作和汇报有什么规范，团队内部有哪些默认流程。

过去，这些内容往往分散在少数人的经验里，或者藏在不同文档、表格和会议记录中。新人需要慢慢学习，AI 也需要每次被重新解释。

但当这些团队上下文被沉淀进 sub-agents 和 skills 文件中，AI 就不再需要每次从零开始理解团队。它可以继承团队共同的知识和工作方式。

这也是“上下文工程”的真正价值：不是让 AI 更会聊天，而是让 AI 更懂你的团队。

第三层：个人上下文层

第三层是个人化的工作上下文。

比如你当前在做哪些项目，你今天的重点是什么，你喜欢怎样安排工作流，你的 backlog 里有哪些待处理事项。

这一层让每个人可以更细颗粒度地定制自己的 AI 使用体验。对于同一个团队来说，不同成员使用 AI 的方式并不完全一样。有人需要它帮忙整理数据分析，有人需要它生成每日计划，有人需要它把 Slack、日历和 Jira 中的信息串起来。

当基础设施层、团队上下文层和个人上下文层连接起来后，AI Agent 就可以在同一个会话中读取 Jira backlog，从 Databricks 拉取数据，把分析结果写入 Confluence，并更新跟踪文件。

这时，AI 的感觉就变了。它不再是一个孤立的工具，而更像一个真正理解团队工作方式的协作者。

从愿景到实践，难点不只是技术

People Insights 团队并不是靠一份通知就完成这次转型的。他们在 5 月和 6 月组织了 workshops、office hours，以及两次完整的 AI Innovation Weeks。所有 28 位团队成员都先完成 Rovo Dev 环境设置，然后把这套连接好的 AI 系统真正用于实际任务。

每一次 Innovation Week 都包含几部分：有从日常工作中专门保护出来的时间；有两个推进路径，一个帮助成员完成设置，一个鼓励大家构建真实项目；最后还有 showcase，让团队展示自己真正做出了什么。

但真正让这件事跑起来的，并不是技术本身。而是人。

团队中有一些成员主动承担了非正式领导角色。他们做一对一辅导，主持实时 workshop，录制 Loom 视频，编写指南，并随时帮助遇到问题的同事。他们是在本职工作之外做这些事情，因为他们真正相信这件事的价值。

这也是为什么这次实践能够传播开来：它不是一个自上而下的强制培训项目，而是和真实工作绑定在一起。已经跑通的人，继续帮助还没跑通的人。真实工作、同伴推动者和真实信念，这三者共同让改变发生。

结果：AI 不再只是“被使用”，而是改变了工作方式

这次投入带来了非常明显的结果。第一次 AI Innovation Week 让整个团队进入统一的连接式 AI 工作环境，并让 AI 使用量增长了 562 倍。第二次 Innovation Week 则把重点从“完成设置”转向“交付真实的工作流转型”。团队最终构建并演示了 6 个项目，包括校准报告自动化流程，以及一个已经上线到共享代码库的 pre-mortem skill。但比数字更重要的，是曲线的形状。

使用量并没有在活动结束后迅速回落，而是继续加速。使用强度和采用率一起增长，成员不断回来继续使用。这说明它不是一次短期活动带来的指标波动，而是团队工作方式真的发生了变化。

在 5 月第一次 AI Innovation Week 之前，团队中只有 27% 的人认为自己很好地理解 agentic AI 工具。到了 6 月，这一比例上升到 82%。第二次 Innovation Week 后，又进一步提升到 91%。

这不是传统培训带来的效果，而是因为团队真正把 AI 工具嵌入到了日常工作中。

在第一次 Innovation Week 之前，大多数人使用 AI 的方式仍然比较孤立：打开聊天窗口，问一个问题，每次会话都从零开始。第一次 Innovation Week 之后，这种情况改变了。AI 不再只是搜索引擎，而开始成为一个带有记忆和上下文的工作伙伴。

截至原文写作时，25 位活跃 People Insights 团队成员中，有 24 位每周都在使用 AI。91% 的成员表示，自己的工作方式发生了具体变化。这里的变化不是“知道了 AI 很重要”，而是真正改变了工作流。

他们构建出来的 skills 已经可以根据 Jira tickets 起草月度业务回顾，可以给过去需要几天处理的开放式问卷回答做主题归纳，也可以根据你的日历和 Slack 写出带优先级的每日计划。

这不只是一个团队的个案

People Insights 的变化，并不是 Atlassian 内部的孤立案例。

在整个 Atlassian，AI 交互总量已经从 2025 年 6 月每周约 3 万次，增长到超过 530 万次，增长了 176 倍。但更有意思的不是总量，而是增长结构。活跃 AI 用户的平均使用事件，从 2025 年 10 月的每周 69 次，增长到 2026 年 5 月的每周 429 次。也就是说，增长不仅来自更多人开始使用 AI，更来自已经使用 AI 的人正在用得更深。

Rovo Dev 在单个工具使用中占据主导，主要是因为它在工程团队中很普及。但最高强度的用户，并不是只使用单一工具的人。数据显示，使用 7 种或更多不同 AI 工具的用户，产生的活动量几乎是单一工具用户的 8 倍。这说明一个重要趋势：AI 的真正价值，往往不来自某一个孤立工具，而来自多个工具被连接到真实工作流中。

两个产品发布带来了最明显的增长拐点：2 月的 Rovo Dev VS Code extension，以及 4 月的 PersonalOS rollout。它们在不同场景中做了同一件事：降低 AI 与真实工作之间的摩擦。

People Insights 团队的 AI 使用增长达到了 562 倍，超过公司整体 176 倍的增长。但底层规律是一致的：使用强度比采用率更快复利增长，多工具深度使用带来更大影响，而当多层 Rovo Dev 工作环境成为日常工作流的一部分时，增长就会出现明显跃迁。

FY27：真正的挑战是让这套模式变得持久

Q4 最大的经验是：设置是最难的部分，而且这里面有两层难度。第一层是技术层。也就是让每个人的环境都配置好，确保他们坐下来工作时，AI 真的可以用。第二层是上下文工程层。也就是有意识地建立持久、结构化的记忆，让 AI Agent 在每一次互动中都能带着团队的知识、规范和流程，而不是每次都从零开始。

一旦这两个障碍被清除，后面的事情就会自然发生。团队成员开始实验，开始构建真实项目，学习也会在实践中不断复利增长。对那些正在考虑 agentic future 的团队来说，有两个好消息。

第一，技术层正在变得更简单。Rovo CLI 的发布，就是为了显著降低设置复杂度，让任何想开始的团队都更容易跨过门槛。

第二，AI 本身也可以帮助你做上下文工程。People Insights 团队发现，Teamwork Graph 可以加速团队上下文工程的搭建。

不只是“多用 AI”，而是重新设计工作

People Insights 的 agentic journey 并不会停在“更多使用 AI”。在 FY27，他们会基于已经搭建好的能力，更根本地重新思考工作方式。这包括用为特定目的构建的 web app，替代 Tableau dashboards 和 Google Sheets reports。例如：Tempo，用于公司和领导团队；Rhythms，用于管理者和 HRBP；Atlassiplan，用于 workforce planning。这三个应用都被设计为 AI-native，并围绕真实决策方式构建。

他们还会继续扩展 Q4 建立的 skills 和 agents，让它们覆盖更多日常运营工作流。这样，团队成员就能把更多精力放在真正需要人类判断的地方。

调研结果也显示出复利式进展。第一次 Innovation Week 后，AI 理解度从 27% 提升到 82%。第二次 Innovation Week 后提升到 91%，输出质量评分从 7.2 提升到 7.7，并且 91% 的成员都带走了一个具体的工作流变化。

但这件事还没有结束。

第三次 Innovation Week 正在筹备中，团队也在设计新的 PI Brain 上下文架构。接下来的重点，会从“证明这个模式有效”，转向“让这个模式变得耐用”。这意味着，他们会开始系统整理、连接和调试 People Insights 所依赖的机构上下文：定义、决策、工作流和历史记录。因为这些内容，才是真正让 AI 有用的基础。

对你的团队意味着什么？

在 Team ’26 上，Atlassian CEO Mike Cannon-Brookes 提出了一个很简单的公式：

Acceleration = Context × Intelligence加速度 = 上下文 × 智能

他还说：“智能是引擎，但上下文是燃料。”这句话很适合概括这篇文章的核心。很多团队现在都在问：我们怎么才能更多使用 AI？但也许更关键的问题应该是：

我们如何给 AI 足够好的上下文，让它真正帮上忙？

People Insights 并不是唯一走向这个方向的团队。Atlassian 的 PM 和 Design 团队也在 2026 年 6 月举办了自己的 AI Builders Week，采用了类似结构：同伴推动者模式，把 AI 嵌入真实工作，而不是为了培训而培训。

这种模式正在扩散，因为它确实有效。真正的差异化，不是你买了哪个 AI 工具，而是你的团队拥有怎样的上下文资产。这些上下文包括每一个项目的历史、每一个工作流的规则、每一个决策背后的原因，以及那些只有你的团队才知道的机构记忆。如果这些内容没有被沉淀和连接起来，AI 就只能停留在表层。如果这些内容被结构化地提供给 AI，它就能从工具变成队友。

结语：AI 时代，真正稀缺的是团队上下文

从 People Insights 的实践可以看到，AI 转型并不是让员工多打开几个 AI 工具，也不是要求大家每天多问几个问题。真正的转型，是让 AI 进入团队的真实工作系统。

这需要基础设施，需要工具连接，更需要上下文工程。因为 AI 要想真正协作，就必须理解团队如何工作、如何判断、如何定义问题、如何做决策。

对很多组织来说，最大的机会并不是“使用 AI”，而是把自己长期积累的组织知识、流程经验和决策历史，变成 AI 可以理解和使用的上下文资产。这不会一夜之间完成，但也未必像想象中那么遥远。

对于 People Insights 团队来说，它需要的是一个 sprint，一份共同承诺，以及几位愿意走在前面、带着大家一起完成改变的优秀队友。

所以，问题不再是：我们如何更多使用 AI？而是：我们如何让 AI 真正理解我们的工作？