Seien wir mal ehrlich: Jira Query Language (JQL) ist so eine Sache, die man entweder liebt oder hasst. Sie ist unglaublich mächtig, um genau die Vorgänge zu finden, die man braucht, aber die Syntax fühlt sich oft an, als würde man spontan eine völlig neue Sprache lernen. Für Leute, die keine Entwickler sind, ist sie oft ein absolutes No-Go. Für uns andere artet es oft in eine frustrierende Schleife aus: eine Abfrage schreiben, zusehen, wie sie fehlschlägt, und dann bei Google nach Antworten suchen.
Atlassian versucht, einige dieser Probleme mit Atlassian Intelligence, ihrer großen Initiative im Bereich KI-Funktionen, auszubügeln. Eines der neuesten Tools, das sich noch in der Beta-Phase befindet, wurde entwickelt, um JQL-Fehler automatisch zu beheben.
Ist das also der Zauberstab für all unsere JQL-Probleme? Werfen wir einen praktischen Blick darauf, wie die Funktion tatsächlich funktioniert, was sie kostet, wo sie nicht ganz ins Schwarze trifft und wie sie im Vergleich zu einer völlig anderen Denkweise über KI abschneidet.
Was ist JQL?
Stellen Sie sich JQL als Jiras ganz eigenen speziellen Suchcode vor. Es ist eine strukturierte Methode, Jira nach Dingen zu fragen, indem man eine Mischung aus Feldern (wie „status“ oder „assignee“), Operatoren („=“ oder „!=“), Werten („"Done"“ oder „currentUser()“) und Schlüsselwörtern („AND“ oder „OR“) verwendet.
Es ist der Motor, der all die benutzerdefinierten Filter, schicken Dashboard-Gadgets und detaillierten Berichte antreibt. Wenn Sie sehr spezifisch werden müssen, wie zum Beispiel „alle ungelösten Bugs in diesem Sprint finden, die im letzten hätten fertiggestellt werden sollen“, ist JQL der Weg dorthin.
Aber so einfach ist es selten. Die Leute kämpfen seit Jahren mit der steilen Lernkurve, und bei komplexeren Suchen kann es ziemlich unzuverlässig werden. Zum Beispiel klingt der Versuch, alle Vorgänge zwischen zwei bestimmten Release-Versionen zu finden, einfach, aber eine zuverlässige JQL-Abfrage dafür zu erstellen, kann echtes Kopfzerbrechen bereiten. Genau diese Art von Kampf lässt einen KI-Assistenten auf dem Papier so gut klingen.
Wie Atlassian Intelligence JQL-Fehler behebt
Die KI-Funktionen von Atlassian für JQL sind nur für Jira Cloud Premium- und Enterprise-Kunden verfügbar und erfüllen im Wesentlichen zwei Hauptaufgaben.
Erstens gibt es den Übersetzer von natürlicher Sprache zu JQL. Die Idee dabei ist, dass Sie etwas in einfachem Deutsch eingeben können, wie „meine offenen Aufgaben“, und die KI spuckt die richtige JQL für Sie aus.
Die zweite Funktion, und die, auf die wir uns heute konzentrieren, ist der KI-JQL-Fehlerbeheber. Dieses neue Beta-Tool schreibt die Abfrage nicht von Grund auf für Sie. Stattdessen analysiert es eine bereits geschriebene Abfrage, findet die Syntaxfehler und schlägt vor, wie man sie beheben kann. Im Grunde ist es eine Rechtschreibprüfung für Ihre JQL.
Wie gut funktioniert der JQL-Fehlerbeheber?
Lassen Sie uns ins Detail gehen, wie dieser JQL-Fehlerbeheber funktioniert, was er gut kann und wo die Risse sichtbar werden.
Wie der JQL-Fehlerbeheber funktioniert
Der Prozess ist ziemlich einfach. Sie schreiben Ihre JQL-Abfrage und klicken auf „Suchen“. Wenn Sie etwas falsch gemacht haben, gibt Jira die übliche Fehlermeldung aus. Aber jetzt sehen Sie direkt daneben eine neue Schaltfläche „Fehler beheben“.
Wenn Sie darauf klicken, schaut sich Atlassian Intelligence Ihre Abfrage an und bietet eine korrigierte Version an. Sie können die Korrektur annehmen und die Suche erneut ausführen. Es ist darauf ausgelegt, die häufigsten, einfachen Fehler zu erkennen, wie zum Beispiel:
-
Einfache Tippfehler: „staus“ statt „status“.
-
Falsche Operatoren: die Verwendung von „=“, wenn eigentlich „IN“ benötigt wird.
-
Falsche Funktionssyntax: „currentUser“ anstelle von „currentUser()“ schreiben.
Der Vorteil: Eine helfende Hand für Jira-Neulinge
Wenn Sie gerade erst anfangen, sich mit JQL zu beschäftigen, kann diese Funktion ein netter kleiner Assistent sein. Sie macht den ganzen Prozess etwas weniger einschüchternd und könnte Ihnen ein paar Minuten ersparen, die Sie sonst damit verbracht hätten, sich wegen eines einfachen Tippfehlers den Kopf zu zerbrechen. Es kann als sanfter Leitfaden dienen und Ihnen die korrekte Syntax beibringen, indem es Ihnen zeigt, wo Sie einen Fehler gemacht haben. Betrachten Sie es als gute Stützräder.
Der Realitätscheck: Aktuelle Einschränkungen
Aber sobald Sie sich sicher genug fühlen, um diese Stützräder abzunehmen, werden Sie wahrscheinlich die Grenzen bemerken. Diese Funktion ist eher ein Pflaster für ein Werkzeug für Power-User, keine wirkliche Lösung für das größere Geschäftsproblem: schnelle, genaue Antworten zu erhalten, ohne einen Abschluss in Jira zu benötigen.
Und basierend auf dem Feedback von Leuten aus der Jira-Community zeigen sich diese Einschränkungen ziemlich schnell.
-
Es behebt nur einfache Syntax. Der Fehlerbeheber wird Ihnen nicht helfen, eine komplizierte Abfrage von Grund auf zu erstellen oder darauf hinzuweisen, wenn Ihre Logik fehlerhaft ist. Wenn Ihre Abfrage technisch korrekt ist, aber nicht das findet, was Sie suchen, kann die KI Ihnen nicht helfen. Sie müssen immer noch wissen, welche Felder und Funktionen Sie überhaupt verwenden müssen.
-
<quote text="Wenn Leute bei den wirklich komplexen Dingen Hilfe brauchen – also genau dem Grund, warum sie sich an KI wenden würden – wird der Generator für natürliche Sprache zu JQL in Community-Foren oft als "absolut schrecklich" beschrieben." sourceIcon="https://www.iconpacks.net/icons/2/free-reddit-logo-icon-2436-thumb.png" sourceName="Reddit" sourceLink="https://www.reddit.com/r/jira/comments/1e7ihwj/jira_cloud_ai_experiences/">
- Es ist ein Pflaster, keine Heilung. Am Ende des Tages sind diese KI-Funktionen darauf ausgelegt, ein schwieriges Werkzeug ein wenig weniger schwierig zu machen. Sie ändern nichts an der Tatsache, dass Sie immer noch in einer „Search-First“-Welt agieren müssen, in der Sie manuell Abfragen erstellen, um die benötigten Informationen zu finden.
Preisübersicht für Atlassian Intelligence
Atlassian Intelligence ist keine Funktion, die man einfach per Schalter aktivieren kann. Um Zugang zu erhalten, müssen Sie sich für ihre teureren Pläne anmelden, und selbst dann können die Kosten und Limits etwas verwirrend sein.
Versteckte Kosten
Um überhaupt an den JQL-Fehlerbeheber zu kommen, muss Ihr Team einen Jira Standard-, Premium- oder Enterprise-Plan haben, was bereits ein erheblicher Sprung vom kostenlosen Plan ist.
Aber die leistungsfähigeren KI-Funktionen, diejenigen, die versprechen, mehr als nur Tippfehler zu beheben, sind Teil von Atlassians neuem, größerem KI-Produkt namens Rovo. Und laut Nutzern im Early-Access-Programm hat Rovo seinen eigenen hohen Preis, irgendwo um die 24 US-Dollar pro Nutzer und Monat.
Darüber hinaus hat Atlassian ein System von „KI-Credits“ und „indizierten Objekten“ eingeführt, das die monatliche Nutzung der KI begrenzt. Es ist ein verwirrendes Modell, das zu unerwarteten Limits führen kann, was es schwierig macht, das Budget zu planen oder sich darauf zu verlassen, dass das Tool verfügbar ist, wenn man es braucht.
| Plan | Preis (pro Benutzer/Monat, jährlich) | Wichtige KI-Funktionen | Einschränkungen |
|---|---|---|---|
| Kostenlos | 0 $ | Keine | N/A |
| Standard | 7,91 $ | Grundlegende Rovo-Suche, einige KI-Funktionen | 25 KI-Credits/Benutzer/Monat |
| Premium | 14,54 $ | Mehr KI-Funktionen & Credits | 70 KI-Credits/Benutzer/Monat |
| Enterprise | Kontakt zum Vertrieb | Die meisten KI-Funktionen & Credits | 150 KI-Credits/Benutzer/Monat |
Eine bessere Art, KI in Jira zu nutzen?
Während Atlassian damit beschäftigt ist, Ihnen beim Schreiben besserer Abfragen zu helfen, lohnt es sich, einen Schritt zurückzutreten und zu fragen: Lösen wir hier überhaupt das richtige Problem?
Das Problem mit dem Abfrage-First-Ansatz
Sich auf JQL zu konzentrieren, selbst mit einem KI-Helfer, hält Teams in einer „Abfrage-First“-Denkweise gefangen. Das eigentliche Ziel ist nicht, ein JQL-Zauberer zu werden, sondern Probleme zu lösen und Fragen für Ihre Kunden oder Kollegen sofort zu beantworten. Support- und ITSM-Teams sollten ihre Zeit nicht damit verbringen müssen, nach Informationen zu graben, die in Tickets und Dokumenten vergraben sind. Sie sollten die Antworten direkt geliefert bekommen.
Eine Alternative: eesel AIs Wissens-First-Ansatz
Hier gehen Tools wie eesel AI das Problem aus einem völlig anderen Blickwinkel an. Anstatt Ihnen zu helfen, Informationen App für App zu suchen, führt es all Ihr Wissen zusammen, um direkte Antworten zu geben und die Arbeit von Anfang an zu automatisieren.
- Führen Sie Ihr gesamtes Wissen zusammen. eesel AI beschränkt sich nicht nur auf die Atlassian-Welt. Es verbindet sich mit über 100 verschiedenen Quellen. Das bedeutet, es kann Informationen aus Ihrer Jira Service Management-Instanz und Confluence-Bereichen abrufen, aber auch aus vergangenen Tickets in Zendesk, Dokumenten in Google Docs und Gesprächen in Slack. Es baut ein einziges, einheitliches Gehirn für Ihren gesamten Support-Betrieb auf.
Eine Infografik, die zeigt, wie eesel AI Wissen aus mehreren Quellen wie Slack, Jira und Google Docs zusammenführt, um umfassende Antworten zu geben, und eine Alternative zur Fehlerbehebung von JQL durch Atlassian Intelligence darstellt.-
Automatisieren Sie, ohne jemals JQL anzufassen. Sobald all dieses Wissen verbunden ist, kann ein eesel AI Agent die Frage eines Benutzers in einfacher Sprache verstehen und eine direkte Antwort geben. Er kann Tickets selbst lösen, Antwortentwürfe für menschliche Agenten zur Überprüfung erstellen und eingehende Anfragen automatisch sortieren. Manuelle JQL-Suchen sind nie erforderlich, weil die KI das gesamte „Finden“ für Sie erledigt.
-
Starten Sie in Minuten, nicht in Monaten. Ihre gesamte Organisation auf Jira Cloud umzustellen und Pläne zu aktualisieren, nur um einen einfachen JQL-Fehlerbeheber zu bekommen, ist ein riesiges Projekt. Mit eesel AI können Sie Ihren Helpdesk und andere Wissensquellen verbinden und in wenigen Minuten einsatzbereit sein. Es ist eine echte Self-Service-Plattform, sodass Sie einen Mehrwert sehen können, bevor Sie jemals mit einem Vertriebsmitarbeiter sprechen müssen.
| Funktion | Atlassian Intelligence für JQL | eesel AI |
|---|---|---|
| Hauptziel | Hilft Benutzern, bessere JQL-Abfragen zu schreiben. | Automatisiert die Ticketlösung und unterstützt Agenten. |
| Wissensquellen | Beschränkt auf das Atlassian-Ökosystem (Jira, Confluence). | Vereinheitlicht über 100 Quellen (Helpdesks, Wikis, vergangene Tickets usw.). |
| Benutzererfahrung | Erfordert, dass Benutzer Abfragen manuell schreiben und korrigieren. | Benutzer stellen Fragen in natürlicher Sprache; keine Abfragen erforderlich. |
| Einrichtung | Erfordert einen Jira Cloud Premium/Enterprise-Plan. | Self-Service-Einrichtung, in wenigen Minuten einsatzbereit. |
| Preismodell | Komplizierte Stufen mit Kreditlimits und teuren Add-ons. | Transparente, vorhersehbare Pläne ohne Gebühren pro Lösung. |
Das Fazit: Lohnt sich der JQL-Fehlerbeheber?
Kommen wir also zur Hauptfrage zurück: Ist die Funktion zur Fehlerbehebung von JQL in Atlassian Intelligence eine große Sache?
Für neue Jira-Benutzer, die zufällig bereits einen teuren Premium- oder Enterprise-Plan haben, ist es ein kleines, nettes Tool. Es könnte Ihnen hier und da ein paar Minuten Frust ersparen. Aber es berührt nicht wirklich die größeren Probleme, mit denen moderne Support- und ITSM-Teams täglich zu kämpfen haben: Lösungszeiten verkürzen, häufige Fragen abwehren und Agenten von mühsamer, manueller Arbeit befreien.
Der wahre Wert von KI liegt darin, die Mauern zwischen Ihren verschiedenen Informationsquellen niederzureißen und die Arbeit des Antwortfindens zu automatisieren. Es geht nicht darum, eine sperrige Abfragesprache ein kleines bisschen einfacher zu machen. Für Teams, die ihren Support ernsthaft verbessern wollen, sollte der Fokus nicht auf einem kleinen Werkzeug zur Syntaxkorrektur liegen. Er sollte auf einer kompletten KI-Plattform liegen, die all Ihr Wissen verbindet, um sofortige, genaue Hilfe zu liefern.
Bereit, über die Behebung von Abfragen hinauszugehen und mit der Automatisierung von Lösungen zu beginnen? Sehen Sie, wie eesel AI Ihre gesamte Wissensdatenbank verbindet, um sofortigen und präzisen Support zu liefern.
Häufig gestellte Fragen
Die JQL-Fehlerbehebung von Atlassian Intelligence korrigiert hauptsächlich einfache Syntaxfehler wie Tippfehler (z. B. „staus“ statt „status“), falsche Operatoren (z. B. „=“, wenn „IN“ benötigt wird) und falsche Funktionssyntax (z. B. „currentUser“ statt „currentUser()“). Sie fungiert als grundlegende Rechtschreibprüfung für Ihre JQL.
Um auf die JQL-Fehlerbehebung von Atlassian Intelligence zuzugreifen, muss Ihr Team einen Jira Cloud Premium- oder Enterprise-Plan haben. Während Standard-Pläne einige grundlegende Rovo-Suchfunktionen bieten, ist der dedizierte JQL-Fehlerbeheber in diesen höheren Stufen verfügbar.
Diese Funktion ist darauf ausgelegt, einfache Syntaxfehler zu beheben, nicht jedoch logische Fehler oder Mängel in der Absicht Ihrer Abfrage. Wenn Ihre Abfrage syntaktisch korrekt ist, aber nicht die benötigten Informationen findet, kann die JQL-Fehlerbehebung von Atlassian Intelligence nicht helfen.
Die Haupteinschränkungen bestehen darin, dass nur einfache Syntaxfehler behoben werden und keine Hilfe bei der Erstellung komplexer Abfragen oder der Identifizierung logischer Fehler geleistet wird. Zudem kann der umfassendere Generator von natürlicher Sprache zu JQL innerhalb von Atlassian Intelligence bei komplexeren Anfragen unzuverlässig sein.
Ja, leistungsfähigere KI-Funktionen sind Teil von Atlassians Rovo-Produkt, das mit zusätzlichen Kosten pro Benutzer und Monat verbunden ist. Atlassian implementiert auch ein System von „KI-Credits“ und „indizierten Objekten“, das die monatliche KI-Nutzung begrenzt und potenziell zu unerwarteten Limits führen kann.
Die JQL-Fehlerbehebungsfunktion von Atlassian Intelligence konzentriert sich ausschließlich auf die Korrektur von Fehlern in JQL-Abfragen, die Sie bereits geschrieben haben. Um JQL aus natürlicher Sprache zu generieren, würden Sie die separate Funktion zur Übersetzung von natürlicher Sprache zu JQL von Atlassian Intelligence verwenden.
Während die JQL-Fehlerbehebung von Atlassian Intelligence darauf abzielt, JQL zu vereinfachen, verfolgen Lösungen wie eesel AI einen „Wissens-First“-Ansatz, indem sie Informationen aus über 100 Quellen zusammenführen. Dies ermöglicht es, Antworten zu automatisieren und Tickets zu lösen, ohne manuelle JQL-Abfragen zu erfordern, und konzentriert sich auf die Bereitstellung sofortiger, genauer Hilfe.
