Tijdens Atlassian Team in Amsterdam deze week kondigde het bedrijf het Agentic Multiplayer Protocol (AMP) aan. Ondanks de naam is AMP geen protocol zoals je wellicht zou verwachten. Maar wat is het dan wel? We duiken dieper de materie in met Jamil Valliani, VP Head of Product, AI bij Atlassian. Voor het bedrijf is dit namelijk een grote aankondiging, die organisaties in staat moet stellen om mensen en AI-agents als één team samen te laten werken.
Meteen aan het begin van ons gesprek benadrukt Valliani dat AMP geen technische standaard is in de traditionele zin van het woord. Het is een verzameling technologieën en patronen die Atlassian het afgelopen jaar heeft ontwikkeld. Je kunt het zien als een weerspiegeling van de manier waarop het bedrijf denkt dat mensen en AI in de teams van de toekomst zullen samenwerken. AMP is niet zomaar één extra laag. Het bestaat uit meerdere lagen van de samenwerkingsstack tussen mens en agent.
Deze lagen houden zich bezig met de manier waarop context wordt gedeeld. Ze hebben ook betrekking op hoe agents in product-UI’s verschijnen, hoe ze beschikbaar blijven in verschillende applicaties en hoe hun acties worden gereguleerd. Daarnaast zorgen de verschillende lagen van AMP ervoor dat agents zichtbaar blijven.
AMP is een laag bovenop de Teamwork Graph
Teamwork Graph staat centraal in alles wat Atlassian doet. Het is dan ook geen verrassing dat deze onderliggende technologie ook voor AMP een belangrijke rol speelt.
Teamwork Graph is een contextlaag die mensen, projecten en content met elkaar verbindt in Jira, Confluence en andere producten. Met AMP er bovenop komt het multiplayer-aspect van AMP in beeld. Het stelt de context uit de Teamwork Graph beschikbaar op een hoger niveau. Elk actief teamlid (mens of AI-agent) binnen een organisatie kan dan tegelijkertijd toegang krijgen tot de gedeelde context. Dit alles moet uiteraard wel worden voorzien van de juiste machtigingen en inzichten in wat elke gebruiker wanneer heeft geraadpleegd.
Identiteit, machtigingen en governance
Het beheren van identiteiten is ook een centraal element van AMP. AI-agents werken met eigen agentaccounts, die naast menselijke accounts in de beheerconsole verschijnen. Beheerders kunnen een audittrail bekijken, agentaccounts opschorten, machtigingen wijzigen of toegang tot specifieke tools weigeren. Dit kan allemaal vanuit één enkel beheerplatform worden gedaan.
Atlassian streeft daarnaast naar een least-privilege-model voor zowel mensen als agents. In plaats van standaard verhoogde rechten toe te kennen, wordt toegang alleen verleend wanneer een mens of AI-agent kan aantonen dat dit nodig is. Dit kan bijvoorbeeld door te verwijzen naar een geldig Jira-ticket.
Agents van derden als teamleden
AMP is niet beperkt tot Atlassians eigen Rovo AI als het gaat om de AI-agents die ermee werken. Het was voor Atlassian ook belangrijk dat AI-agents van OpenAI, Anthropic, Cursor, Figma en andere derde partijen op het Atlassian-platform kunnen werken als volwaardige teamleden, horen we van Valliani. Gebruikers kunnen @mentions doen voor Figma of Claude in een Confluence-opmerking bijvoorbeeld, net zoals ze in die omgeving een @mention voor de eigen Rovo AI zouden doen.
Onder AMP liggen overigens ook nog gewoon de bekende protocollen zoals MCP en A2A functioneren. AMP is geen vervanging daarvoor. Het is veel meer een holistische laag daarbovenop die zich richt op het delen van context, governance en interactiepatronen die op een lager niveau niet ingericht kunnen worden.
Observability en monitoring buiten Atlassian
Valliani geeft tijdens ons gesprek aan dat AMP ook overweg kan met wat er buiten de eigen omgeving gebeurt. Zo kan het ook AI-agentsessies vastleggen die elders plaatsvinden. Wanneer een Claude-agent een bugfix uitvoert op de laptop van een ontwikkelaar, zelfs volledig buiten het Atlassian-platform om, kan AMP de traces en de sessiecontext ervan vastleggen. Deze worden vervolgens opgeslagen in de Teamwork Graph. De sessie kan vervolgens worden gekoppeld aan een Jira-issue. Dit geeft de rest van het team inzicht in wat de agent heeft gedaan en waarom. Beheerders kunnen alle AI-agents zien die in alle applicaties actief zijn. Gedraagt een AI-agent zich niet, dan kunnen ze actie ondernemen.
Rovo Work: langlopende taken voor agents
Naast AMP gaan we ook kort in op Rovo Work. Dit is een nieuwe modus binnen Rovo (Atlassian’s eigen AI) waarmee het grote projecten die bestaan uit meerdere stappen zelfstandig kan uitvoeren. Iets wat een mens weken zou kosten om te voltooien, doet Rovo Work veel sneller, aldus Valliani. Rovo Work kan zelfs zijn eigen tools bouwen om zijn doelen te bereiken.
Mocht dit nu allemaal wat te eng klinken, omdat dit wel heel veel autonomie impliceert, dan is het goed om te weten dat de opdrachtgever nog wel altijd de controle houdt. Wanneer een project wordt ingediend, genereert Rovo Work eerst een gedetailleerd plan van uitvoering en deelt dit met de gebruiker ter beoordeling. Zodra het project is gestart, maakt Rovo Work gebruik van een speciaal AI-agentaccount dat is beperkt tot de minimale rechten die nodig zijn voor die specifieke taak. Het verstuurt daarnaast ook geregeld voortgangsmeldingen. Tot slot geeft het aan wanneer het aanvullende begeleiding nodig heeft of wanneer de taak is voltooid.
Rovo Work is niet uitsluitend een tool voor ontwikkelaars overigens, geeft Valliani aan. Atlassian heeft het ontwikkeld met kenniswerkers in gedachten.
AMP als feedbacklus in de Teamwork Graph
Omdat AI-agentsessies worden vastgelegd en opgeslagen in de Teamwork Graph, creëert AMP een feedback loop, zo horen we van Valliani. Elke taak die een agent voltooit, wordt onderdeel van de gedeelde kennisbank van de organisatie in Teamwork Graph. Daardoor kunnen toekomstige AI-agents en mensen verder bouwen in plaats van ze telkens opnieuw te moeten beginnen.
In het algemeen wil Atlassian met AMP organisaties een control plane, oftewel beheerlaag bieden die organisaties in staat stelt om met AI en AI-agents aan de slag te gaan en te experimenteren zonder dat ze zich zorgen hoeven te maken. Een enkele beheerlaag bovenop alle technische integraties maakt daarnaast ook de uiteindelijke uitbreiding van AI naar de hele organisatie veel haalbaarder.
Of AMP voldoende is om alle voorbehoud en twijfel weg te nemen bij organisaties is uiteraard de vraag. Veel zal afhangen van hoe goed het werkt en of het daadwerkelijk mogelijk is mensen en AI-agents samen te laten werken in een omgeving die volledig inzichtelijk en onder controle is.
Lees ook: Atlassian laat Teamwork Graph van de riem voor meer en bredere impact