Technischer Kontext
Ich schaue mir diese Fälle genau an, denn genau hier zerbricht die schöne Präsentation über KI-Automatisierung. Das Schema sieht einfach aus: Ein Agent holt sich ein Ticket aus Jira, stellt klärende Fragen, ein Mensch antwortet in den Kommentaren, und dann versucht der Agent, die Aufgabe weiterzubringen.
Auf dem Papier ähnelt das bereits einer echten KI-Integration. In der Realität sehe ich etwas anderes: Der Kreislauf an sich lebt, aber die Autonomie ist schwach, und fast jedes nicht triviale Ticket stößt schnell an eine manuelle Weggabelung.
Seit Mitte 2026 ist Jira für solche Szenarien tatsächlich bequemer geworden. Atlassian bewirbt Jira bereits als Hub für die Orchestrierung von Agenten: Man kann sie Aufgaben zuweisen, in Kommentaren ansprechen, in Workflows einbetten und obligatorische Human-Approval-Gates setzen.
Doch das ist keine Magie, sondern ein ehrliches Eingeständnis der Grenzen. Ein Agent kann sich nicht selbst durch eine Genehmigung lotsen, und die Definition of Done beinhaltet nun faktisch die manuelle Überprüfung des KI-Ergebnisses in mehreren Phasen, von der Dekomposition bis zum Release.
Und hier verstehe ich die Bemerkung vollkommen, dass fast alle Tasks in die manuelle Bearbeitung zurückfallen. Wenn eine Aufgabe Domänenkontext, architektonische Kompromisse, Legacy-Arbeit oder eine saubere Anforderungspräzisierung erfordert, wird der Agent schnell von einem Ausführenden zu einer teuren interaktiven Schicht über Jira.
Ja, es gibt erfolgreiche Zonen: Triage, Entwürfe von Akzeptanzkriterien, Status-Updates, erste Dekomposition, standardisierte Engineering-Aufgaben. Sobald man jedoch einen echten Loop ohne ständige Aufsicht braucht, werden die Statistiken meist unangenehm, selbst wenn der Anbieter es in der Demo nicht zeigt.
Was dies für Business und Automatisierung verändert
Daraus würde ich nicht schließen, dass die Technologie nicht funktioniert. Die Erkenntnis ist eine andere: Derzeit gewinnen diejenigen, die den Umfang begrenzen und KI-Lösungen für das Business um eng definierte Operationen herum aufbauen – nicht um den Traum einer vollautonomen Delivery-Maschine.
Verlierer sind Teams, die Erfolg an der Anzahl der „angebundenen Agenten" messen und nicht am Anteil der Aufgaben, die tatsächlich ohne manuelle Rückkehr durchlaufen. Wenn die Eskalationsrate nicht erfasst wird, steuert man das System nicht – man beobachtet nur einen hübschen Chat innerhalb von Jira.
Für mich ist die funktionierende Strategie einfach: zuerst zählen, wie viele Aufgaben der Agent übernimmt, wie viele er an Menschen zurückgibt, wo genau der Kontext bricht und was diese Kontrolle kostet. Genau das bauen wir bei Nahornyi AI Lab für Kunden: kein Schaufenster, sondern eine praxisnahe KI-Implementierung mit solider Telemetrie, menschlichen Gates und klarer Wirtschaftlichkeit.
Wenn Ihr Jira bereits mit gleichförmigen Tickets, manuellen Rückfragen und ewigem Ping-Pong in den Kommentaren vollgestopft ist, lassen Sie uns gemeinsam Ihren Prozess anschauen. Bei Nahornyi AI Lab fange ich meist nicht mit Autonomieversprechen an, sondern dort, wo man wirklich KI-Automatisierung aufbauen kann – ohne überflüssigen Lärm und ohne diese versteckte Rückkehr aller Aufgaben zu den Menschen.