部署 · 部署落地
2026 年 10 月 7 日
来源：Morningstar（Business Wire）
10月7日，Atlassian 正式推出 Forward Deployed Engineering（驻场部署工程）计划，向客户环境派驻资深应用 AI 工程师，交付生产级 AI 方案，包括丰富支撑 Teamwork Graph 的组织上下文、构建定制 Rovo 智能体与自动化、贯通技术与非技术团队的工作流。据 Business Wire 新闻稿，Atlassian 最新报告《Leading with Context》显示，85% 的知识工作者已在用 AI，但只有 6% 的高管能指出清晰的组织级 ROI，该计划正是为弥合这一「采用率高、价值落地低」的鸿沟而生。数据显示，将智能体接入 Teamwork Graph 后，答案质量提升 44%、token 用量减少 48%，参与计划的账号 AI 采用率提升 50%。早期客户中，Expedia 借助驻场工程师规模化改造 Confluence 内容运营，归档 60 万页面、每年节省约 3200 小时，工程团队每月在 50 个活跃项目上运行逾 1 万次智能体调用；Reddit 亦在合作探索用 Rovo 与 Teamwork Graph 打通企业知识与 IT 运营。
万有知兴点评
Atlassian 把「AI 用不起来」的症结直接归到「上下文没接上」，再用「驻场工程师 + 12 周交付」这种重服务方式去治，等于宣告企业 AI 的瓶颈已经从模型能力转向了组织落地能力。
- 1.对企业落地意味着：85% 员工在用 AI、却只有 6% 高管认账 ROI，这组反差数据戳中的是几乎所有企业的真实困境——工具买了、人也在用，但价值散落在个人效率里，沉淀不成组织级回报。Atlassian 的解法是把工程师「驻场」进客户、以 12 周为一个交付周期，用「边做边教」的方式把客户的团队也带起来。这提醒企业：AI 落地缺的往往不是技术，而是能把技术接进真实业务上下文、并教会业务团队使用的人。
- 2.可借鉴的启示：接入 Teamwork Graph 后答案质量提升 44%、token 用量反而下降 48%，说明「给 AI 喂对上下文」比「换更强模型」更划算。对企业而言，与其追逐最新大模型，不如先把自身的项目、文档、决策、代码等组织知识整理成结构化上下文层，让 AI 真正理解「本公司怎么运作」，这既是提效手段，也顺带省下了大量 token 成本。
- 3.更深一层：Expedia 归档 60 万页、年省 3200 小时、月跑 1 万+ 智能体调用的案例，证明了「内容治理 + 智能体」的复合价值——AI 落地不只是加一个问答入口，而是把存量知识资产盘活、把高频重复劳动自动化。对制造业等传统行业，这正是可复制的路径：先清理历史文档与流程数据，再让智能体在干净的数据上干活。
原文：Morningstar（Business Wire） ↗
点评为万有知兴原创观点，转载需注明出处。