Tři cesty, jak se AI dostává do Jiry

Tři cesty, stejný backlog

V roce 2026 není nouze o AI. Nedostatek je spíš v tom, vědět, kam ji vlastně nasadit.

Jestli váš tým funguje v Jiře, už jste ten tlak určitě pocítili. Atlassian přidal Rovo přímo do platformy. OpenAI a Anthropic otevřely konektory, díky nimž mohou ChatGPT a Claude číst váš backlog. A objevila se i nová třída aplikací nativních pro Forge, mezi nimi Just, která zasazuje AI přímo do panelu issue a bere tiket současně jako vstup i jako místo, kam se výsledek vrací.

Tři cesty. Stejný backlog. Naprosto odlišná zkušenost.

První pokušení je zeptat se, co z toho je nejlepší. Jenže právě to bývá špatná otázka. Poctivější většinou je: co z toho opravdu odpovídá tomu, jak náš tým pracuje?

Pro některé týmy je rozhodující řízený dosah. Pro jiné volnost sahat po nejlepších modelech. A pro další jeden strukturovaný pracovní tok v Jiře, který dokáže využít více poskytovatelů bez nutnosti issue opouštět.

První cesta: Rovo

Rovo je vlastní vrstva AI od Atlassianu, propojená s Jira Cloud, Confluence a Jira Service Management. Opírá se o Teamwork Graph, který mapuje vztahy mezi lidmi, projekty a obsahem v rámci ekosystému Atlassian, a stojí na třech pilířích: Search, Chat a Agents.

Silná stránka: dosah. Rovo Search prohledává Jiru, Confluence i dlouhý seznam aplikací třetích stran a přitom respektuje existující oprávnění. To je cenné hlavně pro týmy, které se topí v roztříštěných znalostech.
Silná stránka: nejjednodušší cesta ke schválení. Není potřeba spravovat klíče poskytovatelů, vybírat modely ani hlídat rozpočty na tokeny. Správa zůstává uvnitř známého modelu oprávnění a auditů Atlassianu. Jednodušší je dnes i cenotvorba: v roce 2026 je Rovo vnímáno jako součást plánů Atlassian Cloud a přístup i využití se odvíjejí od typu plánu a jeho limitů.
Nevýhoda: menší kontrola a menší hloubka na úrovni samotného issue. Volba modelu je pevně daná a AI stojí vedle práce, ne uvnitř strukturovaného plánovacího toku v panelu issue.

Rovo je správná cesta ve chvíli, kdy je hlavní problém dohledávání informací napříč produkty a prioritou je řízený přístup bez nastavování.

Rovo je nejsilnější tam, kde je hlavním problémem široký přístup napříč celou platformou Atlassian.

Druhá cesta: konektory

Konektory volí opačný přístup. Místo aby držely AI uvnitř Atlassianu, přenášejí data z Jiry tam, kde AI už dnes žije: do ChatGPT, Claude Desktopu, Cursoru nebo jakéhokoli klienta, který podporuje Model Context Protocol (MCP).

Silná stránka: svoboda volby modelu. Dostanete přístup k tomu, co nabízí externí klient. Dnes to znamená Claude Opus 4.6, GPT-5.4, Gemini 3.0 Pro a cokoli, co přijde zítra.
Silná stránka: známé prostředí. Právě proto jsou konektory lákavé pro zkušenější uživatele, kteří už dnes tráví čas v Claude, ChatGPT nebo Cursoru a chtějí špičkové modely bez učení nového rozhraní. Moderní podoba tohoto mostu stále častěji stojí na MCP: klient se připojí k MCP serveru od Atlassianu nebo třetí strany, objeví nástroje pro Jiru a používá je přímo v konverzaci.
Nevýhoda: uživatel se sám stává integrační vrstvou. Kontext zůstává mělký, pokud ho někdo dál ručně nedoplňuje, zápis zpět do Jiry je sice možný, ale málokdy dobře strukturovaný, a každá konverzace většinou zůstává uzavřená v jednom klientu. Ne vždy pohodlné je i přihlášení: oficiální MCP server od Atlassianu používá OAuth a mnoho týmů proto sahá po spravovaném konektoru od třetí strany, aby byla zkušenost plynulejší.

Konektory jsou správná cesta tehdy, když je hlavním cílem dostat kontext z Jiry do výkonné externí AI a uživatel si cení více pružnosti modelů než společného týmového pracovního toku.

Konektory dávají největší smysl tehdy, když je klient AI už teď přirozeným pracovním prostředím.

Třetí cesta: Just

Just jde třetí cestou. Je to aplikace pro Jiru postavená nativně na Forge, která vkládá AI přímo do panelu issue, ne jako boční chat, ale jako strukturovaný životní cyklus: získání vhledů, upřesnění, plánování, provedení a propsání výsledku zpět do polí v Jiře.

Silná stránka: hloubka pracovního toku. AI žije přímo v tiketu, ne v odděleném klientovi, a issue je zároveň vstupem i cílem.
Silná stránka: jeden nativní systém v Jiře, který umí kombinovat více poskytovatelů. Místo jedné výzvy a jedné odpovědi běží v Justu strukturovaný cyklus: analýza, upřesnění, plánování, webový průzkum, práce s obrázky, provedení a zápis do Jiry. Každý krok lze zapnout, přeskočit nebo zkontrolovat ještě předtím, než se issue změní. Protože je systém od začátku navržený pro více poskytovatelů, může tým posílat různé fáze k různým modelům a spojit v jednom místě znovupoužitelný kontext projektu, viditelné provádění, spotřebu tokenů, náklady i zpětnou vazbu.
Nevýhoda: více nastavení a omezení platformy. Just sice obsahuje zkušební klíče pro začátek, dlouhodobě ale funguje na průběžném účtování s vlastními klíči poskytovatelů. To znamená o něco náročnější nastavení: někdo v týmu musí připojit, vytvořit a spravovat API klíče organizace. Zároveň to dává větší smysl tam, kde se využití AI mezi členy týmu výrazně liší, protože všem nevnucujete stejnou paušální cenu za místo. O tomto rozpočtovém kompromisu píšu podrobněji v článku Rozpočet na AI, o kterém se skoro nemluví. Jako aplikace na Forge se navíc Just stále pohybuje v rámci provozních limitů Atlassianu.

Just je správná cesta tehdy, když chcete sílu více poskytovatelů AI spojit do jednoho kontrolovatelného pracovního toku přímo v Jiře a jste ochotni kvůli tomu věnovat o něco více času nastavení.

Just bere issue v Jiře jako výchozí bod i jako místo, kam se výsledek vrací.

Skutečný rozdíl: kde AI vlastně žije

Když odložíte seznamy funkcí a zredukujete každou možnost na podstatu, zjistíte, že rozdíl je hlavně architektonický.

Rovo je metro. Pokrývá celé město. Doveze vás z Jiry do Confluence a dál až na Google Drive v jednom systému. Trasy jsou dané, jízdní řád řídí někdo jiný a vy důvěřujete provozovateli.

Konektory jsou jako individuální odvoz. Vyberete si vůz, vyberete si řidiče a jedete přesně tam, kam potřebujete. Jenže směr udáváte vy, cesta je soukromá a zbytek týmu většinou nevidí celý průběh.

Just je vyhrazená kyvadlová linka. Obsluhuje jen jeden koridor, issue v Jiře, ale zato se zastávkami, kontrolními body a přehledností. Navíc může po cestě měnit poskytovatele, aniž by tým musel z Jiry odcházet. Každý vidí, kde kyvadlovka právě je, co veze a kdy dorazí.

Přehled trasy v kostce

Když celé srovnání stlačíte na to podstatné, rozdíl je najednou čitelný na první pohled.

Rozměr	Rovo	Konektory	Just
Kde žije	Platforma Atlassian	Externí AI klient	Pracovní tok issue v Jiře
Nejlépe se hodí na	Znalosti napříč produkty	Svobodu práce se špičkovými modely	Víceposkytovatelské provádění v Jiře
Podoba	Vyhledávání, chat, agenti	Otevřená konverzace	Vedený a kontrolovatelný cyklus
Sdílená viditelnost	Vysoká	Nízká	Vysoká
Kontrola nad modely	Spravuje Atlassian	Nejvyšší svoboda jednotlivce	Tým ji řídí krok po kroku
Hlavní nevýhoda	Zamčená volba modelu	Roztříštěný kontext a zápis zpět	Více nastavení a správy klíčů

V nejčistší podobě tedy rozhodujete mezi řízeným dosahem, osobní svobodou modelů a jedním strukturovaným tokem v Jiře, který umí spojit to nejlepší z více poskytovatelů.

Centrální uzel Jira, z něhož vedou tři různé AI trasy, jasně ukazuje architektonický rozdíl: dosah platformy, pružnost konektorů a provádění nativní pro pracovní tok začínají na stejném místě, ale práci posouvají jinak.

Jak si vybrat cestu

Žádná cesta není správná pro všechny bez výjimky. Tým, který potřebuje hledat informace napříč šesti SaaS produkty a nechce žádnou další infrastrukturní zátěž, by měl začít s Rovo.

Inženýr, který chce nad backlogem uvažovat pomocí Claude Opus 4.6, GPT-5.4 nebo Gemini 3.0 Pro ze svého vlastního klienta, spíš sáhne po konektoru.

Produktový nebo delivery tým, který chce jeden kontrolovatelný pracovní tok v Jiře, kde mohou různé kroky využívat různé poskytovatele a kde náklady, kvalita i výstupy zůstávají viditelné pro celý tým, by se měl podívat na Just v Atlassian Marketplace.

Mnoho týmů využije více než jednu možnost. Tyto cesty se nevylučují. Důležité je volit záměrně, podle toho, jak tým doopravdy pracuje a kde skutečně vzniká tření, ne podle toho, které AI demo minulý týden vypadalo nejpůsobivěji.