Atlassian & Williams Racing: 以工作系统驱动赛道革新 (AI 能力聚焦)

对话者简介

Andrew Bonaji (Andrew B.)

Atlassian 客户首席技术官 (Customer CTO)

Richard Sord

Atlassian Williams Racing 产品负责人 (Head of Product Ownership)

前空气动力学家，后转型至产品和技术领域，致力于提升车队表现。

核心理念：工作系统 (System of Work)

什么是“工作系统”？

这是一种理念，指导技术和业务团队如何协同工作以释放全部潜力。它基于核心的团队合作原则和数据支持的最佳实践。

高绩效团队的四大支柱：

  • 目标对齐： 将所有工作与正确的目标对齐，确保团队专注于能带来最佳成果的任务。
  • 计划与追踪： 共同计划和追踪工作，提高透明度，减少重复劳动，从而进行有效协作。
  • 知识共享： 利用协作式知识库（如 Confluence）汇集集体智慧，节省信息搜索时间，并为 AI 提供索引数据。
  • 拥抱 AI： 将 AI (Rovo) 融入团队，利用企业知识库自动化重复性工作，并从数据中提炼洞见，更快地获得更优成果。

🤖 AI 在工作流中的核心作用 (Rovo)

AI 如何赋能 Williams Racing

AI 不再是孤立的工具，而是深度嵌入到 Williams 日常工作流中的“智能队友”，其核心能力体现在以下几个方面：

  • 上下文感知问答： AI 能够理解并连接 Jira 的任务、Confluence 的文档、甚至 Loom 视频中的内容，为工程师提供跨平台的、有深度背景的答案，而不仅仅是简单的信息检索。
  • 自动化内容生成： 从繁琐的工作中解放团队，例如自动生成每日工作摘要、会议纪要和问题报告，让团队能专注于分析和决策。
  • 定制化专家代理 (Agents)： 团队可以基于特定、可信的知识源（如某个复杂系统的技术手册）创建专门的 AI 代理。这确保了在关键领域，AI 提供的答案是精准、可靠且经过验证的。
  • 推动文化变革： 鼓励团队养成“先问 AI”的习惯，将知识的获取从“找人”转变为“自助服务”，极大地提升了信息流动的效率和知识的可规模化性。

工作流程的革命性改进

1. 技术优先级排序流程

痛点与解决方案：

使用 Jira Product Discovery，所有想法都基于“什么能让赛车更快？”这一核心目标进行客观评估。通过影响力与投入矩阵图，清晰识别高价值项目。

虽然此流程主要体现数据驱动决策，但其产生的结构化数据为未来 AI 进行更复杂的项目潜力预测和资源分配建议奠定了基础。
2. 实验与模拟流程

痛点与解决方案：

在 Jira 中集中管理模拟项目，并在 Confluence 中记录所有关联数据，打破了信息孤岛。

智能知识连接。 工程师不再需要手动搜寻分散的信息，他们可以直接向 AI 提问，例如：“关于前翼的最新模拟中，有哪些已知的关联性问题？” AI 会综合所有数据，提供包含上下文的精准答案，极大提升了工程决策的质量和速度。
3. 硬件资产与维护管理

痛点与解决方案：

使用 Jira Service Management 将 1,734 项资产数字化管理，通过二维码快速上报事件。

数据洞察与分析。 所有记录在系统中的维护数据（维修历史、故障原因等）都可被 AI 查询和分析。团队可以向 AI 提问：“23号铣床过去一年最常见的故障是什么？” AI 能快速从海量工单中提炼出模式和洞见，帮助团队从被动维修转向预测性维护。
4. 技术培训与知识普及

痛点与解决方案：

使用 Loom 录制视频教程，并与 Confluence 文档结合，构建了多媒体知识库。

知识的即时触达与深度挖掘。
  • 视频内容搜索： AI 可以理解 Loom 视频的语音内容并为其创建索引。员工可以直接搜索视频中提到的某个具体步骤或术语，AI 会将他们直接定位到视频的相应时间点。
  • 定制化 AI 专家： Richard Sord 亲自构建了一个“风洞压力测试”AI 代理。这个代理只学习了与该系统相关的、经过验证的文档，确保当工程师提问时，能得到最权威、最准确的答案，避免了通用 AI 可能产生的错误信息。
  • 文化催化剂： 团队 活跃用户的 AI 搜索量增加了 86%，这表明 AI 已经成为解决问题的第一站，正在重塑组织的知识分享文化。
5. 赛道现场 IT 部署

痛点与解决方案：

使用 Jira 看板来标准化和追踪现场部署的每一个步骤，确保了流程的可靠性。

自动化复盘与学习。 在紧张的比赛周末结束后，AI 可以自动扫描 Jira 看板上的所有任务、评论和事件报告，一键生成当天的工作摘要和待解决问题列表。这为赛后复盘提供了极高质量的数据输入，确保团队能够从每次经验中学习并持续改进。
6. 赛后复盘与持续迭代

痛点与解决方案：

将赛道上的真实数据（记录在 Confluence 中）快速反馈回 Jira 的开发和模拟流程，形成了一个快速的反馈闭环。

加速洞见循环。 AI 在这个闭环中扮演了“连接器”和“催化剂”的角色。它帮助团队快速地在海量赛后数据和正在进行的研发项目之间建立联系，自动识别出可能相关的任务或文档，从而加速从数据到洞见，再到下一次迭代的整个过程。

合作成果与未来展望

六个月的初步成效

通过深度融合 AI 和“工作系统”，Williams 正在向一个更智能、更高效的组织迈进。其核心影响是：

  • 时间节省： 自动化和智能搜索节约的时间，被重新投入到能直接提升赛车性能的创新工作中。
  • 协作增强： AI 作为一个共享的“大脑”，让跨团队协作不再受信息壁垒的限制。
  • 可见性提升： 从决策到执行，AI 提供的洞察和摘要让整个团队的目标和进展更加透明。

原文

源链接