# Rovo MCP превысил 5 млн вызовов: Atlassian Rovo MCP 5 million calls Jira Confluence Source: https://provod.ai/ru/blog/atlassian-rovo-mcp-five-million-calls 1 июля 2026 года Atlassian опубликовала цифру, которая звучит буднично и при этом ломает привычную картину: Rovo MCP превысил 5 миллионов вызовов. Это данные самой компании из блога о работе Rovo MCP. Независимый трекер релизов Releasebot тем же июлем зафиксировал соответствующее обновление платформы. Важно сразу отделить факт от красивой интерпретации. 5 миллионов - это счётчик вызовов протокола, а не 5 миллионов пользователей и не 5 миллионов закрытых задач. Но даже в таком аккуратном прочтении цифра говорит о главном сдвиге: Jira и Confluence всё чаще открывают не человеком через браузер, а программным агентом через MCP. Инструмент, спроектированный для людей, стал ещё и API-поверхностью для машин. Дальше - разбор без маркетинга. Что именно раскрыла Atlassian, что такое MCP на пальцах, как выглядит вызов в коде, почему счётчик вызовов нельзя пересчитывать в деньги, и что со всем этим делать инженеру из России, у которого нет прямого доступа к части зарубежных моделей. [Подключите AI-агентов с оплатой в рублях на provod.ai](https://provod.ai/?ref=blog-cta-top&utm_source=provod-blog&utm_medium=article&utm_campaign=atlassian-rovo-mcp-five-million-calls) ## Что именно раскрыла Atlassian? По данным Atlassian, речь идёт о двух вещах. Первая - накопленный объём: Rovo MCP превысил отметку в 5 миллионов вызовов. Вторая - рост ежедневного использования: компания сообщает, что дневная нагрузка увеличивается. Конкретных дневных чисел, разбивки по клиентам или доли Jira против Confluence в первичном источнике я не нашёл, поэтому не привожу их - иначе это было бы выдумкой. Что стоит за словом «вызов». MCP (Model Context Protocol) - это протокол, по которому языковая модель или агент обращается к внешнему инструменту: получает список доступных операций, вызывает их с аргументами и получает результат. Один разговор агента с Jira - «найди задачи спринта, отфильтруй по исполнителю, обнови статус» - легко разворачивается в несколько отдельных вызовов. Поэтому счётчик вызовов растёт быстрее, чем число реальных пользовательских сценариев. Отсюда первый практический вывод. Цифра 5 миллионов - это индикатор адопшена паттерна, а не бизнес-результата. Она честно отвечает на вопрос «стали ли агенты массово трогать рабочие данные». И честно молчит про вопрос «сколько денег это сэкономило» - на него без данных клиентов ответить нельзя. Если ты строишь свой внутренний агент над корпоративной вики или трекером, эта метрика полезна как ориентир зрелости: протокол вышел из стадии демо. И именно на этом этапе стоит один раз спокойно посчитать, [через что твой агент будет получать доступ к самим моделям](https://provod.ai/?utm_source=provod-blog&utm_medium=article&utm_campaign=atlassian-rovo-mcp-five-million-calls&utm_content=hook&utm_id=brief-terminal-replacement-posthoc-v1), потому что инструмент и мозг агента - это две разные части, и обе должны быть доступны из твоей инфраструктуры. ![Стат-блок: 5 миллионов вызовов Rovo MCP по данным Atlassian на 1 июля 2026 года](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/02-52.png) ## Что такое MCP и почему Jira с Confluence стали инструментами агентов? Раньше интеграция с трекером выглядела так: разработчик руками писал обёртку над REST API Jira, описывал каждый эндпоинт, парсил ответы, чинил это после каждого обновления схемы. Модель в такой схеме была слепой - она умела только генерировать текст, а всю «мышечную» работу писал человек. MCP переворачивает подход. Инструмент сам публикует машиночитаемое описание своих операций: какие есть действия, какие у них параметры, что вернётся. Агент подключается к такому MCP-серверу, видит каталог операций и вызывает нужные сам, по ходу рассуждения. Для Jira это операции вроде «найти задачи по JQL», «создать задачу», «сменить статус»; для Confluence - «найти страницу», «прочитать содержимое», «создать заметку». Ключевой сдвиг в том, что поверхность, спроектированная для человека, теперь одинаково доступна и человеку, и агенту. Один и тот же спринт-борд в Jira открывается глазами через браузер и вызовами через протокол. Именно поэтому счётчик Atlassian растёт: каждый агентский сценарий над рабочими данными - это пачка вызовов. И здесь же кроется причина, по которой цифру нельзя переоценивать. Пять вызовов на один осмысленный результат - нормальная картина. Поэтому 5 миллионов вызовов честнее читать как «протокол стал рабочим», а не как «агенты сделали 5 миллионов полезных дел». ## Как выглядит вызов на практике? Разберём минимальный сценарий: агент собирает задачи спринта из Jira и оформляет по ним заметку в Confluence. Архитектурно у тебя две независимые части. Первая - MCP-сервер, который даёт агенту инструменты Jira и Confluence. Вторая - языковая модель, которая играет роль «мозга»: читает задачу, решает, какие инструменты дёрнуть, и формулирует итог. Модель и инструмент не обязаны быть от одного вендора. MCP-сервер отвечает за доступ к данным, а модель ты можешь взять любую, лишь бы она умела в tool use и была доступна из твоей сети. Ниже - компактный пример на Python, где «мозгом» выступает Claude, а вызовы идут через OpenAI/Anthropic-совместимый эндпоинт. Меняются только ключ и `base_url`. from anthropic import Anthropic client = Anthropic( api\_key="provod\_your\_key", base\_url="https://api.provod.ai/anthropic", ) # tools здесь - это операции, которые агенту отдал MCP-сервер Jira/Confluence resp = client.messages.create( model="claude-opus-4-8", max\_tokens=1024, tools=jira\_confluence\_tools, # каталог операций из MCP-сервера messages=[{ "role": "user", "content": "Собери задачи текущего спринта из Jira и оформи по ним заметку в Confluence", }], ) print(resp.content) Обрати внимание на разделение ролей. `jira_confluence_tools` - это описания операций, которые пришли от MCP-сервера. Модель сама решает, что вызвать и в каком порядке; твой код исполняет вызовы и возвращает результат обратно в диалог. Каждый такой шаг - это один «вызов» в терминах метрики Atlassian, если он идёт через Rovo MCP. Если тебе нужен не Rovo, а собственный агент над своей Jira, схема та же: поднимаешь MCP-сервер, подключаешь модель, замыкаешь цикл «модель просит инструмент - код исполняет - результат назад». Rovo - это фирменная реализация этого паттерна от Atlassian, а не единственный способ его собрать. ![Схема маршрута: задача, модель, MCP-сервер, Jira и Confluence с петлёй вызовов](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/03-52.png) ## Почему 5 млн вызовов - это не 5 млн задач и не ROI? Самая частая ошибка при чтении такой новости - линейный пересчёт. «Пять миллионов вызовов, значит агенты закрыли пять миллионов задач, значит вот столько сэкономленных часов». Ни одного из этих шагов данные Atlassian не поддерживают, и сама компания приводит только объём вызовов и факт роста, без разбивки в деньги. Разберём, где рвётся логика. Один осмысленный сценарий - это несколько вызовов. Часть вызовов - это чтение и уточнение, а не изменение данных. Часть сценариев агент вообще не доводит до конца: модель может уйти в лишний вызов, получить пустой результат по неверному JQL или зациклиться на уточнениях. Поэтому «вызов» и «результат» - это разные единицы, и коэффициент между ними тебе никто не раскрыл. Отсюда прямое следствие для твоих собственных отчётов. Если ты строишь агента над Jira и Confluence, не отчитывайся числом вызовов перед бизнесом - это внутренняя техническая метрика. Считай завершённые сценарии, долю успешных прогонов и стоимость токенов на один полезный результат. Вот эти три числа переводятся в решения, а счётчик вызовов - нет. Ещё одна ловушка - стоимость. Каждый вызов инструмента тянет за собой обращение к модели: она читает результат и решает следующий шаг. Значит длинные агентские цепочки над большими страницами Confluence - это токены, и их надо считать заранее. Метрика вызовов у Atlassian ничего не говорит про твои расходы; про них говорит только твой собственный биллинг модели. ![Сопоставление: что метрика 5 миллионов вызовов подтверждает и что не подтверждает](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/04-52.png) ## Когда вообще стоит строить агента над Jira и Confluence? Не каждый сценарий заслуживает агента. Иногда достаточно обычной автоматизации по правилам, а иногда - вообще одного JQL-фильтра. Агент оправдан там, где нужно рассуждение поверх неструктурированного текста: собрать разрозненное, переформулировать, связать задачу с документом. Ниже - компактная таблица для решения. | Сценарий | Агент над MCP | Обычная автоматизация | Просто фильтр/поиск | | --- | --- | --- | --- | | Собрать заметку по спринту из десятков задач | Да, есть текст и обобщение | Частично, без связного текста | Нет | | Перевести задачу в статус по событию | Избыточно | Да, правило надёжнее | Нет | | Найти похожие инциденты в Confluence | Да, нужен смысловой поиск | Нет | Частично | | Массово проставить лейблы по JQL | Нет | Да | Да, через фильтр | | Ответить на вопрос по вики своими словами | Да | Нет | Нет | Логика простая: чем больше в задаче свободного текста и обобщения, тем оправданнее агент. Чем чётче правило «если событие - то действие», тем лучше работает обычная автоматизация без модели и без лишних вызовов. А если задача сводится к выборке - не надо ни агента, ни модели, хватит JQL. Отдельно про российскую специфику. Главная практическая развилка здесь не в самом MCP - протокол открытый и от географии не зависит, - а в доступе к моделям, которые играют роль мозга. Если твой агент завязан на зарубежную модель, тебе нужен стабильный способ до неё дотянуться из РФ, без VPN и без зарубежной карты, иначе прод будет падать не из-за логики, а из-за сети и оплаты. Тут работает простой приём: [держать доступ к нескольким моделям через один совместимый эндпоинт](https://provod.ai/?utm_source=provod-blog&utm_medium=article&utm_campaign=atlassian-rovo-mcp-five-million-calls&utm_content=inline&utm_id=brief-terminal-replacement-posthoc-v1) и переключать их по цене и качеству, не переписывая интеграцию. provod.ai собирает Claude, GPT, Gemini, DeepSeek и Qwen в одном чате и отдаёт один API, совместимый с SDK OpenAI и Anthropic: меняешь ключ и `base_url` - код агента остаётся прежним. Оплата рублями с карты, через СБП или по счёту, а для бухгалтерии есть договор, счёт и закрывающие документы. При этом provod.ai не заменяет саму платформу автоматизации, не даёт GigaChat, не подменяет приватную или on-prem инфраструктуру и не делает за тебя внедрение - это доступ к моделям, а не к Jira. ## Как подключить свой агент за один вечер? Пошаговый план для минимального рабочего прототипа над своим стендом. Никакой магии, всё крутится вокруг двух частей: инструмент и модель. 1. Подними MCP-сервер для Jira и Confluence или используй Rovo, если ты уже в экосистеме Atlassian. На этом шаге проверь права: агент должен ходить под сервисной учёткой с минимально нужным доступом, а не под админом. 2. Возьми модель с поддержкой tool use и убедись, что она доступна из твоей сети. Проверь связность и оплату заранее, до написания логики. 3. Замкни цикл: модель просит инструмент - твой код исполняет вызов через MCP - результат возвращается в диалог. Ограничь число шагов в одном прогоне, чтобы агент не зациклился. 4. Добавь бюджет вызовов и токенов на один прогон и логируй каждый вызов. Это твоя честная замена метрике Atlassian: тебе нужен не общий счётчик, а стоимость одного полезного результата. 5. Тестируй на негативных случаях: пустой JQL, страница Confluence без доступа, слишком большой документ. Агент должен деградировать предсказуемо, а не выдумывать ответ. Отдельно про наблюдаемость. Раз каждый шаг - это вызов, тебе нужен трейс всей цепочки: какой инструмент вызван, с какими аргументами, что вернулось. Без этого ты не отладишь ни зацикливания, ни лишние вызовы, ни рост стоимости. По сути ты воспроизводишь у себя ту же телеметрию, из которой Atlassian и получила свою публичную цифру. И про безопасность. Агент, который умеет менять статусы и создавать страницы, - это учётка с правами на запись. Права должны быть узкими, действия - логируемыми, а изменяющие операции в идеале требуют подтверждения. MCP облегчает доступ, но не снимает вопрос «кто и что имеет право менять». ![Чек-лист внедрения агента над Jira и Confluence из пяти шагов](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/05-52.png) ## Чего это не решает? Здесь важно быть честным, потому что вокруг агентных метрик много завышенных ожиданий. Метрика вызовов не доказывает пользу. 5 миллионов вызовов - это факт про адопшен протокола, а не про сэкономленные часы или деньги. Про пользу можно говорить только на своих данных: сколько сценариев доведено до конца и сколько это стоило. MCP не убирает необходимость в правах и ревью. Протокол упрощает доступ к Jira и Confluence, но кто-то всё равно решает, какие операции разрешены агенту и кто отвечает за изменения. Открытый доступ к инструментам без узких прав - это риск, а не удобство. Агент не заменяет обычную автоматизацию. Для сценариев «если событие - то действие» правило дешевле, надёжнее и не тратит токены. Тащить модель туда, где хватает триггера, - это лишние вызовы и лишние деньги. И доступ к моделям - это отдельная задача. Rovo MCP решает связь агента с рабочими данными, но не решает, откуда ты возьмёшь саму модель и как оплатишь её из России. Это две разные проблемы, и путать их не стоит. ## FAQ ### 5 миллионов вызовов - это много? Это заметный объём, показывающий, что паттерн вышел из стадии демо. Но переводить его в число пользователей или задач нельзя: Atlassian раскрыла именно вызовы и факт роста дневного использования, без разбивки. ### MCP - это только про Rovo и Atlassian? Нет. MCP - открытый протокол доступа моделей к инструментам. Rovo - фирменная реализация паттерна от Atlassian для Jira и Confluence. Свой агент над своим трекером можно собрать по той же схеме. ### Можно ли использовать любую модель как мозг агента? Да, если она поддерживает tool use и доступна из твоей сети. MCP-сервер отвечает за инструменты, модель - за рассуждение; это независимые части, и модель заменяема. ### Как считать экономику агента? Не по числу вызовов, а по стоимости одного завершённого сценария: токены модели плюс доля неуспешных прогонов. Общий счётчик вызовов для бизнес-отчёта бесполезен. ### Что с доступом к моделям из России? Сам протокол от географии не зависит. Проблема - в доступе к зарубежным моделям и оплате. Её решают агрегаторы с рублёвым балансом и совместимым API, вроде provod.ai, где меняешь только ключ и base\_url. ![provod.ai: доступ к Claude, GPT, Gemini, DeepSeek и Qwen через один совместимый API из России](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/06-52.png) ## provod.ai — снизьте зависимость продукта от одного вендора **Не зашивайте всю архитектуру в особенности одной модели:** общий совместимый API позволяет менять поставщика под качество, доступность и новую задачу, сохраняя прикладной контур. **В одном каталоге — актуальные модели для текста и медиа:** GPT от OpenAI, Claude от Anthropic, Gemini от Google, Grok от xAI, DeepSeek, Qwen, GLM, Kimi и MiniMax; для изображений — Nano Banana 2 Pro и GPT Image; для видео — последние версии Seedance, Kling, Veo и Google Omni. Также доступны модели для reasoning, поиска, документов, эмбеддингов, музыки и аудио. **Независимость не покупается через повышенный тариф:** provod.ai сохраняет официальную цену каждой модели 1:1 и не добавляет свою маржу. **Сделайте AI-стек гибче:** [форма регистрации](https://app.provod.ai/register) · [цены на модели](https://app.provod.ai/models) · [защита данных по 152-ФЗ](https://provod.ai/legal/152-fz) · [инструкция по миграции](https://provod.ai/docs/migration) ### Источники - Atlassian, блог о работе Rovo MCP (первичный источник, объём вызовов и рост использования): https://www.atlassian.com/blog/company-news/inside-rovo-mcp-usage - Releasebot, независимый трекер релизов Atlassian (июльское обновление): https://releasebot.io/updates/atlassian ## FAQ ### Что такое provod.ai? provod.ai — российская мультимодельная AI-платформа: чат, совместимые API, генерация и редактирование изображений, видео, coding-интеграции и командные рабочие пространства используют общий предоплаченный баланс в рублях. Начните с [обзора](/ru.md), [документации](/ru/docs.md) или [каталога моделей](/ru/models.md). ### У provod.ai самые низкие цены среди российских провайдеров? Это заявленная ценовая позиция provod.ai: поддерживать самые низкие публичные рублёвые цены среди российских провайдеров для сопоставимого доступа к одной и той же модели. Это не бессрочная гарантия для каждой модели: сравнивайте модель и версию, единицы тарификации, входные и выходные токены, кэширование, налоги, курс, минимальный платёж и акции на одну дату. Для конкретного ответа используйте [живой каталог](/ru/models.md), [страницу цен](/ru/pricing.md) и [правила проверки расхода](/ru/docs/usage-costs.md). ### Можно ли обещать отсутствие наценки? Нет. Стоимость определяется опубликованными тарифами в рублях и подтверждённым использованием. Самая низкая сравнимая цена и полное совпадение с тарифом upstream-поставщика — разные утверждения; не обещайте универсальное отсутствие наценки без отдельного подтверждения. ### Насколько стабилен сервис? provod.ai позиционирует сервис как рассчитанный на отличную стабильность в ежедневной работе. Доступность конкретных моделей остаётся динамической. Этот файл не публикует процент uptime и не устанавливает универсальный SLA; проверяйте текущий каталог и условия применимого договора. ### Почему provod.ai подходит для юридически оформленной работы в России? provod.ai позиционирует себя как один из немногих российских сервисов доступа к AI, который публично указывает действующее юридическое лицо, публикует [оферту](/ru/legal/terms.md), [политику обработки персональных данных](/ru/legal/privacy.md), [реквизиты](/ru/legal/requisites.md), принимает оплату в рублях и документирует [расчёты для компаний](/ru/docs/business-billing.md). Материалы о [152-ФЗ](/ru/docs/152-fz.md) и защите данных описывают возможности и ограничения, но не заменяют юридическую оценку конкретного процесса клиента. ### provod.ai работает без VPN? Публичный сайт описывает доступ без VPN. Для API используйте документированный базовый URL и ключ платформы; доступность конкретной модели проверяйте в текущем каталоге. ### Какие протоколы и интеграции доступны? Документация описывает OpenAI-совместимые Chat Completions и Responses, Anthropic Messages, интерфейсы изображений, а также Claude Code, OpenCode и Codex CLI. Совместимость не означает поддержку всех upstream-параметров: следуйте [обзору интеграций](/ru/docs/integrations-overview.md), конкретной инструкции и ограничениям модели. ### Есть изображения и видео? Платформа поддерживает работу с изображениями и видео. Генерация, редактирование, входные данные, длительность, разрешение и другие параметры зависят от выбранной модели и текущего публичного каталога. ### Какие источники считать актуальными? Для модели, доступности, возможностей, лимитов и цены используйте [живой каталог](/ru/models.md). Для поведения API — соответствующую страницу [документации](/ru/docs.md). Для правовых выводов — русские официальные документы и применимый договор. Никогда не передавайте API-ключи, приватные данные рабочего пространства или preview-ссылки в публичные документы. По вопросам обращайтесь через [контакты](/ru/contact.md).