Ein kleines Blog über Jira-Arbeit, Produktmanagement und alles, worüber das Gehirn eines Solo-Gründers mal wieder zu lange nachdenkt.
Just: KI-Assistent für Jira hat einen deutlichen Sprung gemacht. Analysen klären jetzt zuerst, planen danach, holen frischen Web-Kontext, erzeugen Bilder, lernen aus Feedback und arbeiten mit wiederverwendbarem Kontext auf Projekt- oder Organisationsebene.
Ein teamweites KI-Budget ist nicht einfach 20 Dollar pro Arbeitsplatz mal Kopfzahl. Die tatsächlichen monatlichen Kosten hängen von Rollen, Workflow-Nutzung, Coding-Agenten und der Bewusstheit der Stack-Zuteilung ab.
Das Ticket wurde letzten Monat geschrieben. Das Feature geht nächsten Monat raus. Dazwischen hat ein Wettbewerber etwas Ähnliches veröffentlicht, eine API hat sich geändert, und eine Compliance-Anforderung ist still in Kraft getreten.
Diese Tools scheinen ein bekanntes Jira-Problem zu lösen: vage Tickets in etwas Arbeitsfähiges zu verwandeln. Der Haken ist, dass ein sauber aufbereiteter Output Teams leicht das Gefühl gibt, schon abgestimmt zu sein, obwohl genau das noch fehlt.
Ein vages Jira-Ticket wirkt anfangs fast nie riskant. Das eigentliche Problem zeigt sich später, wenn unterschiedliche Menschen die Lücken mit unterschiedlichen Annahmen füllen und mehrere Tage konzentrierter Arbeit am falschen Ziel vorbeigehen.
Gleiche Anfrage, gleiches Modell, völlig unterschiedliches Ergebnis. Der Unterschied liegt nicht in der Formulierungskunst. Er liegt darin, ob das Modell Ihr Produkt, Ihre Nutzer, Ihre Designsprache und Ihren Stack kennt, bevor es anfängt zu generieren.
Drei Wege, derselbe Backlog, völlig unterschiedliche Erfahrungen. Rovo, Konnektoren und Just bringen KI alle nach Jira, aber mit grundverschiedener Logik.
Derselbe Jira-Workflow kann sich scharf oder seltsam unrund anfühlen, je nachdem welches Modell hinter jedem Schritt steckt. Entscheidend ist nicht, wer Benchmarks gewinnt, sondern warum bestimmte Anbieter in einem echten Produkt immer wieder dieselben Aufgaben erhalten.
