Williams maakt gebruik van vrijwel elk beschikbaar Atlassian-product. Tijdens Atlassian Team ’26 Europe in Amsterdam neemt Andrew Boyagi, Customer CTO bij Atlassian, de tijd om met ons te praten over wat de technologie van het bedrijf betekent voor het Atlassian Williams F1 Team. Wat voegt Atlassian toe aan de toch al hightech-omgeving van een Formule 1-team? Lees het artikel en bekijk de video voor meer informatie.
Als mensen het Atlassian-logo op een Formule 1-auto van Williams zien, denken ze misschien dat het om een gewone sponsorovereenkomst gaat. Dat wil zeggen: dat beide partijen logo’s uitwisselen en dat de software deel uitmaakt van die uitwisseling. Boyagi corrigeert die aanname meteen. Atlassian en Williams werken samen als partners: Boyagi en zijn team werken rechtstreeks binnen Williams om de transformatie van het bedrijf te stimuleren, met als expliciet doel het team te helpen terugkeren naar de kop van het startveld.
Bovendien is Williams een betalende klant. De regels binnen de Formule 1 maken het onmogelijk om met gesloten beurzen zaken te doen, zelfs als Atlassian dat zou willen. Williams koopt elk Atlassian-product tegen dezelfde prijs als elke andere klant en betaalt daarbovenop voor professional services. Boyagi zegt dat dit het partnership tot iets maakt waar Atlassian oprecht trots op is. Williams heeft ervoor gekozen om zijn budget binnen het kostenplafond dat de FIA heeft ingesteld aan Atlassian te besteden, omdat de tools echte waarde opleveren.
Overal Atlassian
Williams gebruikt bijna elk Atlassian-product, op slechts twee uitzonderingen na. Het maakt geen gebruik van Jira Align en ook niet van het product voor klantenservicemanagement van Atlassian. Dat komt omdat die tools simpelweg niet van toepassing zijn op de bedrijfsvoering van het team. Al het andere wordt actief gebruikt.
Uit de Service Collection gebruikt Williams Jira Service Management om storingen aan de auto te registreren en op te volgen, en Atlassian Assets om elk fysiek object binnen de organisatie vast te leggen. In minder dan 18 maanden heeft het team meer dan 450.000 assets vastgelegd, waaronder auto-onderdelen, fabrieksmachines en apparatuur.
Uit de Software Collection van Atlassian gebruikt Williams Bitbucket en Bitbucket Pipelines voor broncode, Compass als softwarecatalogus en DX om de ontwikkelaarservaring en het rendement op investeringen in AI-tools te meten. In de hele organisatie worden Confluence, Jira, Loom en Rovo dagelijks gebruikt. Jira Product Discovery wordt ingezet om ideeën te prioriteren op basis van hun potentiële impact op de rondetijden van de bolides, terwijl Focus de OKR’s en bedrijfsprioriteiten beheert en Talent mensen koppelt aan die prioriteiten.
Softwareontwikkeling is belangrijk in de Formule 1
Voor kijkers en lezers die niet bekend zijn met de technische diepgang van de Formule 1, kan de omvang van de softwareontwikkeling binnen een team als Williams verrassend zijn. De meeste F1-teams ontwikkelen het grootste deel van hun software in eigen beheer. Ze doen dit om twee redenen: het is een concurrentievoordeel, en binnen het kostenplafond kan interne ontwikkeling goedkoper zijn dan het aanschaffen van licenties voor externe tools.
Williams ontwikkelt software rondom aerodynamica, windtunnelsoftware en een breed scala aan zeer gespecialiseerde tools die specifiek zijn afgestemd op de eisen van het ontwerpen en inzetten van een raceauto. De FIA houdt weliswaar toezicht op de ECU (Electronic Control Unit) op motorniveau, maar een aanzienlijk deel van de software rondom de auto wordt ontwikkelt Williams zelf.
De opbouw en omvang van de daadwerkelijke auto draagt bij aan deze complexiteit. Een Formule 1-auto bestaat uit ongeveer 80.000 afzonderlijke onderdelen. Elk onderdeel doorloopt een proces in meerdere fasen: een aerodynamicus heeft een idee voor een onderdeel. Dat onderdeel wordt onderworpen aan een Computational Fluid Dynamics (CFD)-analyse voordat een ontwerpteam het maakt. Dat gebeurt altijd op schaal. Het team test vervolgens het onderdeel in de windtunnel, waarna het onderdeel daadwerkelijk gemaakt wordt in het juiste formaat. Tot slot monteert het team het onderdeel in de auto. Dit proces gaat langs veel mensen en teams. Het moet daarnaast ook nog eens zo snel mogelijk gaan.
Geen opgelegd gebruik
De adoptie van de Atlassian-software bij Williams zijn indrukwekkend, kunnen we wel stellen. Confluence wordt door ongeveer 93% van de organisatie gebruikt, aldus Boyagi. Rovo zit rond de 65%. Jira wordt maandelijks door ongeveer de helft van het bedrijf gebruikt. Loom zit ook in de buurt van de 60%. Deze cijfers gelden voor alle afdelingen: aerodynamica, HR, marketing, financiën, juridische zaken en de teams die op het circuit werken. Allemaal maken ze op de een of andere manier gebruik van Atlassian-producten.
Deze brede adoptie is niet het gevolg van een opdracht van het management, benadrukt Boyagi. Geen enkele leidinggevende bij Williams heeft het personeel opgedragen deze producten te gebruiken. Mensen hebben er zelf voor gekozen om ze te gebruiken omdat ze de meerwaarde zien in het sneller en met een hogere kwaliteit uitvoeren van hun werk.
De vier flows voor teams in het AI-tijdperk
Het werk van Atlassian en Boyagi bij Williams heeft geleid tot een breder raamwerk dat Atlassian nu toepast bij al zijn klanten: vier flows die moeten kloppen om teams in staat te stellen op hoog niveau te presteren in het AI-tijdperk.
Purpose flow
De purpose flow beschrijft hoe informatie over prioriteiten, doelen en de context daarachter door een organisatie stroomt. Wanneer deze flow sterk is, weet elk team hoe het prioriteiten moet stellen voor zijn eigen werk en begrijpt het hoe dat werk aansluit bij de resultaten die de organisatie wil bereiken.
Workflow
Met workflow wordt hier bedoeld hoe snel iets van een idee in het hoofd van een aerodynamica-expert kan omgezet worden in een eindproduct in de auto. Het verbeteren van de workflow betekent het wegnemen van wrijving, wachttijd en cognitieve belasting bij elke stap.
Knowledge flow
Knowledge flow wordt door Boyagi beschreven als de basis van productiviteit. Het is het vermogen om de informatie te vinden die je nodig hebt, wanneer je die nodig hebt, zonder dat je het aan iemand anders hoeft te vragen. Natuurlijk moet je er ook op kunnen vertrouwen dat de informatie juist is. Wanneer kennis opgesloten zit in spreadsheets, e-mails of presentaties, is deze onzichtbaar voor zowel mensen als AI-systemen.
Intelligence flow
Als de eerste drie stromen goed zijn, wordt intelligence flow flow. Intelligence flow is in de praktijk niet veel anders dan het effectief inzetten van AI. Zonder purpose flow kunnen teams wel snel werken, maar aan de verkeerde dingen. Zonder verbeteringen in de workflow zorgt door AI gegenereerde content alleen maar voor meer druk op bestaande knelpunten. Tot slot: zonder knowledge flow kan AI alleen maar algemene antwoorden geven in plaats van antwoorden die specifiek zijn voor de organisatie.
De rol van de Teamwork Graph
Het praktische mechanisme dat de gegevens van Williams met AI verbindt, is de Atlassian Teamwork Graph.
Boyagi illustreert de waarde van de Teamwork Graph voor Williams en het Atlassian Williams F1 Team aan de hand van een voorbeeld: als een Formule 1-fan aan een generieke LLM vraagt of Williams dit seizoen zijn voorvleugel moet upgraden, zal het antwoord waarschijnlijk ‘ja’ zijn, gebaseerd op gemiddelden van het openbare internet.
Als Williams dezelfde vraag via de Teamwork Graph stelt, is het antwoord totaal anders. De Teamwork Graph fungeert als een contextlaag en verwerkt gegevens uit Jira, Confluence, Assets, Focus, Loom maar ook externe bronnen zoals SharePoint en Google Drive. Wanneer die contextlaag wordt gekoppeld aan een LLM, leidt de vraag tot een antwoord dat rekening houdt met de huidige doelstellingen, beschikbare onderdelen, de komende racekalender, eerdere beslissingen en de vraag of het nieuwe onderdeel daadwerkelijk op tijd kan worden geproduceerd.
Boyagi benadrukt dat organisaties hiervoor hun bestaande tools niet hoeven op te geven. Williams gebruikt nog steeds SharePoint. Atlassian zelf gebruikt Google Docs. De Teamwork Graph indexeert en brengt informatie naar voren, ongeacht waar deze zich bevindt, is de boodschap die hij wil overbrengen.
Realtime tijdens de race
Het gebruik van Atlassian-producten ligt niet stil wanneer Williams aan een race meedoet. Elke keer dat de auto de garage verlaat, is het in feite een prototype. Elk raceweekend worden er tussen de 300 en 350 verschillende storingen gevonden. Elke storing wordt geregistreerd in Jira Service Management.
De uitdaging in een racegarage is dat meerdere ingenieurs vaak tegelijkertijd hetzelfde probleem opmerken. Iedereen registreert wat hij of zij ziet, met een andere beschrijving en titel, waardoor er meerdere dubbele storingsmeldingen bij de fabriek binnenkomen. Het risico bestaat dan dat verschillende mensen tegelijkertijd aan de oplossing van hetzelfde probleem gaan werken. Dat is tijdverspilling, en tijd is sowieso schaars wanneer de volgende sessie misschien al over enkele dagen plaatsvindt.
Rovo AI-agent ontdubbelt
Om dit aan te pakken heeft Atlassian een Rovo AI-agent native geïntegreerd. Wanneer een storing wordt gemeld, waarschuwt de AI-agent de gebruiker onmiddellijk als er al een vergelijkbare storing is geregistreerd, en vraagt hij of dit een uniek probleem is of een duplicaat. Dit voorkomt dat meerdere kopieën van dezelfde storing de fabriek bereiken.
Wanneer een fout de fabriek bereikt, brengt dezelfde AI-agent de historische context naar voren. Hij identificeert soortgelijke fouten die in het verleden zijn geregistreerd, verwijst naar het specifieke onderdeelnummer uit Assets, noemt de persoon en het team die de vorige fout hebben opgelost, en beschrijft hoe dit is gebeurd. Het doel is om de gemiddelde tijd te verkorten die het kost om de fout op te lossen.
Bekijk en beluister nu het gesprek dat we met Andrew Boyagi hebben gehad om het volledige verhaal te horen over hoe Atlassian en Williams samenwerken in het Atlassian Williams F1 Team.
Lees of bekijk ook: Atlassian’s Teamwork Lab onderzoekt en herstelt verstoorde werkprocessen