Så kan Rovo Agents skapa värde i din Atlassian-svit

En Agent kan definieras som en AI-assistent som har fått instruktioner att utföra en specifik uppgift i din app. Föreställ dig till exempel en Agent som automatiskt skapar en Confluence-sida med kunduppgifter från Salesforce när en ny affärsmöjlighet skapas i Jira. Ur ett tekniskt perspektiv kan en Agent vara en autonom enhet i ett mjukvarusystem som interagerar med sin omgivning för att uppnå specifika mål.

I Atlassian-sviten kommer Rovo Agents att driva en ny våg av automatisering för företag i alla storlekar. De gör det möjligt för AI att hantera komplexa uppgifter som dagens regelbaserade automatiseringar har svårt att slutföra och skapar effektiviseringar för många olika användare.

Det här blogginlägget förklarar Atlassians nuvarande AI-funktioner, inklusive Atlassian Intelligence, Rovo och Rovo Agents, samt hur Agents kan frigöra dolt värde genom att utföra affärsuppgifter och arbetsflöden. 

Atlassian Intelligence för smartare automatisering

Atlassian Intelligence är en uppsättning AI-funktioner som användare möter i flera Atlassian-produkter och som ingår i Premium+-versioner av abonnemangen. När det har aktiverats för organisationens konto erbjuder det funktioner som innehållsskapande, sammanfattningar, insikter och automatisering, vilket förbättrar arbetsflöden och beslutsfattande.

I Jira kan Atlassian Intelligence till exempel föreslå relevanta ärenden eller ge insikter om projektets framsteg, medan det i Confluence kan hjälpa till att sammanfatta långa dokument eller skapa första utkast.

Rovos viktigaste funktioner och fördelar

Rovo drivs av Atlassian Intelligence, men är en fristående produkt som finns som tillägg för alla Atlassian-abonnemang. Rovo debiteras per användare och kräver inte att Atlassian Intelligence är aktiverat. När du har Rovo får du tillgång till Rovo Search, Rovo Chat och Rovo Agents. 

Med Rovo Search kan projektledare söka brett i Atlassian och tredjepartsapplikationer, som Google Drive, Sharepoint med flera, och snabbt hitta information.

Rovo Chat erbjuder däremot ett smidigt UI för att interagera med data från olika källor, ställa frågor och få insikter och personliga svar baserade på den data som verktyget har tillgång till. Supportteam kan använda Rovo Chat för att interagera med data från olika plattformar och få personliga svar, vilket möjliggör snabbare och mer träffsäker support.

Rovo Agents automatiserar repetitiva uppgifter och förbättrar produktiviteten för både individer och team. För utvecklare innebär det att Rovo Agents kan hantera återkommande kodrelaterade uppgifter och följa statusen för ärenden i olika projekt.

Skillnaden mellan Rovo Chat och Rovo Agents

Agents skiljer sig från Chat genom att ha fler funktioner och tillgång till fler åtgärder. När du skriver en prompt i Chat kan du begära ett begränsat antal åtgärder, som ”Lägg till kommentar på sida”, ”Tilldela ärende”, ”Lägg till kommentar i ärende”, ”Skapa ärende”, ”Ändra ärendestatus”, ”Skapa sida” och ”Redigera ärende”.

När du konfigurerar Agents kan du däremot välja bland fler åtgärder, inklusive ”Ta bort ärenden”, ”Lägg till i sprint”, ”Skapa epic”, ”Hitta liknande incidenter” och fler. 

Det bredare urvalet av åtgärder gör det möjligt för Agents att automatisera mer komplexa arbetsflöden. En Agent kan till exempel konfigureras för att automatiskt prioritera inkommande supportärenden, tilldela dem till rätt teammedlem och föreslå möjliga lösningar baserat på liknande ärenden från tidigare.

Vem har nytta av Rovo Agents och hur de fungerar

Rovo Agents är utformade så att alla användare i organisationen kan skapa dem. Den här demokratiserade metoden ökar användningen av Agents i hela organisationen och ger team möjlighet att bygga anpassade AI-lösningar utan specialistkunskap inom utveckling.

När Agents har skapats kan de vara offentliga eller privata. Det innebär att de antingen kan hittas och användas av andra användare i organisationen eller bara vara tillgängliga för dig.

Olika Agents kan användas för olika roller i organisationen. Projektledare kan automatisera uppgiftstilldelning och projektuppföljning, utvecklare kan automatisera skapandet av ärenden och kodgranskningar för att få mer tid till själva kodningen, och supportteam kan förbättra svarstiderna genom att automatisera prioriteringen av ärenden och tilldela uppgifter till rätt Agents.

Flödesschemat ovan visar hur Rovo Agents fungerar för att automatisera och förbättra interaktioner i appar som Jira. Agenten fungerar som en mellanhand och hanterar den komplexa processen att hitta och bearbeta data. Användarna får därmed användbara, datadrivna svar utan att behöva samla information från flera olika ställen. Med hjälp av LLM kan Agents förstå och ge användbara svar på användarnas frågor, även när data är ostrukturerad eller förfrågningarna komplexa.

No Code Agents

Det finns två typer av Agents: No Code Agents och Custom Agents. No Code Agents innebär att du enbart använder en prompt för att instruera en Agent. Som användare kan du skapa din Agent genom att ge den ett namn och skriva en prompt. Därefter anger du en datakälla, till exempel Atlassian-produkter och andra tillgängliga färdiga kopplingar till tredjepartsverktyg, som Google Drive, SharePoint med flera. Du kan också välja vilka åtgärder en Agent ska utföra, till exempel ”Skapa ett ärende”, ”Skapa en sida”, ”Tilldela ärende” och fler.

No Code Agents, som enbart använder promptar, passar bra för exempelvis prototyper eller enklare åtgärder. När du bygger en No Code Agent kan alla användare i den aktuella molninstansen använda den.

Custom Agents

Custom Agents drivs däremot av promptar och din egen Forge App. Forge är Atlassians utvecklingsplattform för att bygga Cloud-appar för Jira och Confluence. Det innebär att du kan skriva en app med mer komplex Agent-logik som använder både befintliga Atlassian-produkter och kopplingar samt externa datakällor som ännu inte är tillgängliga i Atlassian. 

För att uppnå detta kan en organisation antingen utveckla en app med sina egna interna resurser, ta hjälp av Atlassian-partners eller låta tredjepartsutvecklare på Marketplace utveckla den.

Med Custom Agents har du större frihet än med No Code Agents, eftersom du har tillgång till REST API:er för alla Atlassian-verktyg och tredjepartsdatakällor. När du har byggt en Custom Agent kan du publicera den på Marketplace eller göra den privat och dela den via privata länkar med en eller flera organisationer. 

Vad räknas inte som en del av Rovo?

Virtual Service Agent räknas inte som en del av Rovo eftersom den har mer förutsägbara arbetsflöden och stödjer definierade användningsfall.

Rovo GitHub Copilot extension möjliggör interaktion med Atlassian-data i IDE:er, men räknas inte som en Rovo Agent. Det är en tredjepartsintegration som underlättar kommunikation via API:er med externa plattformar som GitHub, DataBricks med flera.

Bygg Custom Agents med Forge för större flexibilitet

Anta att du vill hämta data från en extern källa med en connector som för närvarande inte finns listad på Atlassian Marketplace, och att du behöver en Agent som utför 4–5 steg för att slutföra en uppgift.

Det kanske inte blir lika tillförlitligt om du försöker uppnå detta med en No Code Agent, där du bara skriver en prompt och väljer åtgärder för en agent. Varje gång den körs tolkar en Agent prompten utifrån de angivna åtgärderna. Det finns dock ingen direkt programmatisk koppling mellan en prompt och åtgärderna, vilket kan leda till felaktiga och inkonsekventa resultat, särskilt vid komplexa frågor. 

För att hantera detta kan det vara bättre att bygga en Custom Agent med kod. Med Forge kan du använda interna connectors eller andra tredjepartskällor, och Forge erbjuder en utbyggnadspunkt för anslutning till andra datakällor. Det öppnar många fler möjligheter att få åtkomst till och använda data.

Den nuvarande gränsen för hur mycket information som kan ingå i en prompt, det så kallade kontextfönstret, är 128 000 tokens. Det motsvarar ungefär 96 000 ord, eller längden på en medellång roman. Det innebär att vi kan inkludera upp till 128 000 tokens information samtidigt för att Agent ska kunna bearbeta den. Om gränsen överskrids kan det leda till timeout eller ofullständiga svar.

Du kan ladda upp din datakälla till Google Drive eller en annan fildelningstjänst om den är en PDF. Agent, som drivs av LLM:er med funktioner för Optical Character Recognition (OCR), kan sedan läsa bilden och omvandla texten i PDF:en till ett maskinläsbart format.

Utforska Agents potential i olika branscher

AI ökar redan produktiviteten i företag, särskilt inom mjukvaruutveckling och kundsupport, där LLM:er förbättrar utvecklarnas effektivitet avsevärt och minskar antalet ärenden som hanteras av människor med 20–40 %.

Rovos växande funktioner, med planer på att utöka täckningen av tredjepartsdata till över 80 externa källor, har dock potential att driva transformation långt bortom dessa områden och påverka många olika delar av en organisation.

Inom finans kan Rovo Agents ta över rutinuppgifter som datainmatning och rapportering, vilket bidrar till färre fel och ett smidigare dagligt arbete. Marknadsteam kan använda Rovo för att samla in och analysera kundinsikter från olika källor, så att de kan skapa mer träffsäkra kampanjer. Inom verksamhet och HR kan Rovo Agents hantera arbetsflöden och automatisera dokumentskapande, vilket säkerställer enhetlighet och frigör tid för andra viktiga uppgifter.

Det här är ett unikt tillfälle för företag i alla storlekar och branscher att integrera AI-agenter som Rovo i sin verksamhet. Stora företag har redan börjat använda dessa verktyg, men Rovos växande funktioner gör det nu möjligt för alla organisationer att dra nytta av högre produktivitet och smartare arbetsflöden.

I takt med att Rovo fortsätter att utvecklas erbjuder det en kraftfull lösning som hjälper team inom finans, marknadsföring, HR och fler områden att använda AI på sätt som tidigare var förbehållna större företag. Genom att börja använda Agents redan nu kan företag skapa en arbetsmiljö där AI och medarbetare stödjer varandra, vilket gör vardagliga uppgifter smidigare och effektivare i varje roll och avdelning.