Ihr KI hat aufgehört zu lernen – vor sechs Monaten

Die Lücke zwischen Schreiben und Ausliefern

Das Ticket wurde letzten Monat geschrieben. Das Feature kommt nächsten Monat raus. Dazwischen hat ein Wettbewerber etwas Ähnliches veröffentlicht, eine API hat sich geändert, und eine neue Pflichtanforderung ist still in Kraft getreten. Nichts davon findet sich noch im Ticket.

Das ist keine Hypothese. Das ist der Dienstags-Standup mitten im Sprint. Jemand aus dem Team erwähnt eine API, die sich inzwischen anders verhält als im Ticket beschrieben. Eine andere Person öffnet das Changelog des Wettbewerbers und entdeckt, dass dieser vor drei Wochen fast dieselbe Funktion veröffentlicht hat. Das Ticket war in Ordnung, als es geschrieben wurde. Die Welt hat sich einfach weitergedreht, bevor die Arbeit begann.

Der Schaden liegt nicht nur im Nacharbeiten. Er liegt im erodierenden Vertrauen. Im Sprint-Ziel, das still zur Fiktion wird. Im PM, der Stakeholdern erklären muss, warum das Team etwas ausgeliefert hat, das schon am ersten Tag überholt war.

Jedes Team hat seine eigene Version dieser Geschichte. Die meisten erzählen sie mehr als einmal, bevor sie wirklich etwas ändern.

KI hat eine Wissensgrenze

Die meisten Teams nutzen inzwischen KI, um Jira-Tickets zu schreiben, zu planen und zu verfeinern. Das funktioniert. KI-Modelle sind tatsächlich gut darin, Anforderungen zu strukturieren, Akzeptanzkriterien zu generieren und Implementierungsansätze vorzuschlagen. Wer den größeren Rahmen verstehen möchte, warum vage Tickets besonders gefährlich werden, wenn man sie direkt an KI weitergibt, findet das in diesem Artikel: Warum die meisten KI-Tools für Jira das Alignment-Problem verschärfen statt lösen.

Was die meisten Teams nicht einkalkulieren: Die Trainingsdaten jedes KI-Modells haben einen Stichtag — typischerweise sechs bis zwölf Monate vor dem aktuellen Datum. Das Modell weiß nicht, was nach dem Ende seines Trainings passiert ist. Es rät nicht, es spekuliert nicht — es kann es schlicht nicht wissen.

Das heißt: Das Modell weiß nicht, dass Next.js 16.1 im Dezember 2025 die Node-18-Unterstützung eingestellt hat und damit Builds von Teams kaputtgemacht hat, die auf Kompatibilität gesetzt hatten. Es weiß nicht, dass OpenAI im Februar 2026 den chatgpt-4o-latest-Endpunkt dauerhaft entfernt hat und damit jede Integration zerstört hat, die noch auf diesen String verwies. Es weiß nicht, dass drei US-Bundesstaaten am 1. Januar 2026 umfassende Datenschutzgesetze verabschiedet haben, die die Opt-out-Anforderungen über Nacht ausgeweitet haben.

Die Wissensgrenze Ihres KI-Assistenten liegt irgendwo bei sechs Monaten. Gesetze und Plattformen warten nicht.

Das ist kein Qualitätsproblem des Modells — es ist strukturell. Das Modell tut seinen Job innerhalb der Grenzen seiner Trainingsdaten. In der Lücke zwischen dieser Grenze und dem heutigen Tag häufen sich Breaking Changes, bringen Wettbewerber neue Features heraus und verschieben sich Compliance-Anforderungen. Wer diesen Spalt im Planungsprozess nicht berücksichtigt, gibt jedem KI-gestützten Ticket ein verborgenes Ablaufdatum.

Drei Fälle, wo das wirklich wehtut

Das sind keine abstrakten Risiken. Das sind genau die Dinge, die in Sprint-Retrospektiven landen — unter dem Label „das konnten wir nicht vorhersehen". Dabei hätte man es durchaus vorhersehen können, mit fünf Minuten Recherche.

1. Breaking Changes in Abhängigkeiten. Das Ticket geht davon aus, dass eine Bibliothek oder API noch so funktioniert wie bei der letzten Integration. Das Team schreibt den Implementierungsplan. Mitten im Sprint fangen Builds an zu scheitern oder API-Aufrufe geben Fehler zurück, die niemand erwartet hat. Genau das passierte, als OpenAI am 17. Februar 2026 den chatgpt-4o-latest-Snapshot entfernte. Jedes Team mit einem Ende-2025 geschriebenen Ticket, das auf diesen Modellstring verwies, lief gegen eine Wand — der Endpunkt hatte einfach aufgehört zu antworten.
2. Wettbewerber haben das schon gebaut. Kein zwingender Grund, das Ticket zu kippen — aber immer ein Grund, erst zu schauen und zu lernen, bevor man baut. Wenn ein Wettbewerber dasselbe Feature bereits veröffentlicht hat, hat er Edge Cases bereits durchgespielt, Nutzer-Feedback gesammelt und manchmal Wände getroffen, an die man selbst nicht stoßen muss. Fünf Minuten Wettbewerber-Recherche können zwei Wochen Discovery einsparen — oder die Demoralisierung verhindern, etwas auszuliefern, das der Markt schon hinter sich gelassen hat.
3. Regulatorische und Compliance-Änderungen. Der heikelste Fall — denn hier ist der Schaden nicht nur ein verlorener Sprint, sondern echtes rechtliches Risiko. Ein Ticket, das im November 2025 für US-Nutzer geschrieben wurde, berücksichtigt keine Datenschutzgesetz-Änderungen vom 1. Januar 2026, wenn niemand vorher nachgeschaut hat. Behörden schreiben keine Jira-Tickets. Und sie richten sich nicht nach Ihrem Sprint-Kalender.

Wann die Prüfung sinnvoll ist

Der Zeitpunkt ist wichtiger als die Prüfung selbst.

• Nicht beim Erstellen des Tickets. Das ist zu früh. Das Ticket kann wochenlang oder monatelang im Backlog liegen. Was Sie jetzt prüfen, ist veraltet, wenn jemand es wirklich angeht.
• Nicht mitten im Sprint. Das ist zu spät. Das Team hat bereits Kapazität gebunden. Eine Breaking Change oder eine Compliance-Verschiebung jetzt zu entdecken bedeutet Nacharbeiten, blockierte Stories und ein Sprint-Ziel, das nicht mehr erreichbar ist.
• Wenn das Ticket detailliert und für den nächsten Sprint eingeplant wird. Genau dann investiert das Team bereits echte Zeit ins Ticket — Umfang verfeinern, Teilaufgaben schreiben, Ansatz bestätigen. Eine fünf- bis zehnminütige Marktprüfung zu diesem Zeitpunkt hinzuzufügen ist günstig und bringt viel. Wer eine Vorlage braucht, wie ein entwicklungsfähiges Ticket nach dieser Prüfung aussehen sollte, findet die natürliche Fortsetzung hier: Vage Jira-Tickets in klare Implementierungspläne verwandeln.

Was man prüfen sollte, bevor man das Ticket in den Sprint aufnimmt:

• Hat sich in der relevanten Abhängigkeit oder Plattform seit dem Schreiben des Tickets etwas geändert?
• Hat ein Wettbewerber das bereits gebaut, und was hat er dabei gelernt?
• Gibt es neue regulatorische oder Compliance-Signale, die diesen Feature-Bereich betreffen?
• Gibt es neue Tools, Muster oder Ansätze, die es zur Zeit der Ticket-Schätzung noch nicht gab?

Diese vier Fragen kosten Minuten. Wenn man sie überspringt, kostet das Sprints.

Wie Just diesen Schritt automatisiert

Das Schwierige ist nicht zu wissen, dass man prüfen sollte. Das Schwierige ist, die Prüfung in den Prozess zu integrieren, statt sie von der Erinnerung einer einzelnen Person abhängig zu machen.

Just integriert einen Web-Suche-Schritt direkt in den Planungs- und Insights-Workflow — nicht als pauschalen Standard für jedes Ticket, sondern als Opt-in für Tickets, bei denen externer Kontext eine Rolle spielt. Wenn aktiviert, zieht Just aktuelle Informationen zur Aufgabe, bevor der Plan generiert wird: aktuelle Dependency-Änderungen, Wettbewerber-Muster, Compliance-Signale und Ökosystem-Verschiebungen landen direkt im strukturierten Ergebnis.

Das Resultat ist ein Plan, der widerspiegelt, was heute tatsächlich stimmt — nicht was zum Zeitpunkt des Modelltrainings stimmte. Das ist die direkteste Integration von Echtzeit-Marktrecherche in Jira-Planung, die es im Atlassian-Ökosystem derzeit gibt.

Die Prüfung wird zum Schritt, nicht zur Gewohnheit. Schritte überleben Team-Änderungen. Gewohnheiten nicht. Wer das Produkt direkt sehen möchte, findet es auf der Just-Marketplace-Seite.

Fünf Minuten jetzt — oder ein Sprint später

Der Markt macht keine Pause, während der Backlog altert. Dependencies bringen Breaking Changes. Wettbewerber launchen das Feature, an dem man noch baut. Gesetze treten zu Terminen in Kraft, die nichts mit dem Sprint-Kalender zu tun haben.

Die Lücke zwischen dem Schreiben und dem Ausliefern eines Tickets ist der Ort, an dem Annahmen veralten. Eine kurze Marktprüfung vor der Sprint-Detaillierung ist kein zusätzlicher Prozess. Es ist das Mindestmaß an Sorgfalt für jedes Ticket, das etwas Bewegliches berührt.